[发明专利]一种空气成分识别方法及系统

说明书

本发明涉及一种空气成分识别方法及系统，方法包括：获取历史空气数据；对所述历史空气数据进行处理，得到训练样本集和测试样本集；构建卷积神经网络模型；通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；根据所述空气成分识别模型对空气成分进行识别。本发明构建的卷积神经网络网络层数少、训练时间短，测试准确率高，能快速、准确的识别空气成分。

技术领域

本发明涉及空气成分识别技术领域，特别是涉及一种空气成分识别方法及系统。

背景技术

空气是一种有颜色，有气味的气体，是一种混合物。目前工业生产中经常会进行气体成分识别。识别气体成分的原理一般有催化燃烧原理、电化学原理、红外光学原理、气相色谱原理等。其中催化燃烧原理一般针对可燃性气体，如烷类、醇类等，气体在高温下被催化燃烧，从而使传感部件的电阻发生变化进行检测。但是催化燃烧传感器消耗电流较大，而且内部需要保持高温；电化学原理是通过气体与电解液的反应，在电极上产生微弱电流，一般针对毒性气体，气体选择性不是很强，而且一般都会有交叉反应；红外光学原理是通过对某一波段红外光的不同吸收程度来计算气体的浓度，但是一般应用于硫化物、氮氧化物、氨等标准气体；气相色谱原理具有较好的气体选择性，但是气相色谱传感器价格一般较为昂贵、成本较高。

发明内容

本发明的目的是提供一种空气成分识别方法及系统，以快速、准确的识别空气成分。

为实现上述目的，本发明提供了如下方案：

一种空气成分识别方法，包括：

获取历史空气数据；

对所述历史空气数据进行处理，得到训练样本集和测试样本集；

构建卷积神经网络模型；

通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；

根据所述空气成分识别模型对空气成分进行识别。

可选地，所述对所述历史空气数据进行处理，得到训练样本集和测试样本集，具体为：

对所述历史空气数据进行基线处理，得到基线处理后的数据；

对所述基线处理后的数据进行过滤，得到过滤后的数据；

利用平滑窗口对所述过滤后的数据进行重新采样；

将重新采样的样本进行划分，得到训练样本集和测试样本集。

可选地，所述卷积神经网络模型包括：卷积层、最大池化层、flatten层、全连接层和Softmax层。

可选地，所述通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型，具体为：

将所述训练样本集输入所述卷积层，得到卷积层特征图；

将所述卷积层特征图输入所述最大池化层，得到池化层特征图；

将所述池化层特征图输入所述flatten层，得到flatten层一维向量；

将所述flatten层一维向量输入所述全连接层，得到全连接层一维向量；

将所述全连接层一维向量输入所述Softmax层，得到所述训练样本集中每一类别对应的概率；

根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，得到空气成分识别模型。

可选地，所述根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，具体为：