[发明专利]一种泄漏气体自动识别方法、系统及装置有效
申请号: | 202011580389.3 | 申请日: | 2020-12-28 |
公开(公告)号: | CN112613431B | 公开(公告)日: | 2021-06-29 |
发明(设计)人: | 韩星程;贾彩琴;王黎明;罗秀丽;韩焱;叶泽甫;朱竹军;宋上;孔卉茹;樊茂洲 | 申请(专利权)人: | 中北大学;山西格盟中美清洁能源研发中心有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04 |
代理公司: | 北京高沃律师事务所 11569 | 代理人: | 王爱涛 |
地址: | 030000 山*** | 国省代码: | 山西;14 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 泄漏 气体 自动识别 方法 系统 装置 | ||
1.一种泄漏气体自动识别方法,其特征在于,所述方法包括:
步骤S1:获取待识别样本信号和各类样本信号;各类样本信号包括各类气体对应的时频信号;待识别样本信号包括待识别气体对应的时频信号;所述时频信号是通过信号发生器和可调谐激光器产生的宽频信号;
步骤S2:利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练,获得分类模型;
步骤S3:将所述待识别样本信号输入分类模型,获得概率向量;所述概率向量为1行Z列向量;
步骤S4:从所述概率向量中选取最小值对应的气体类别作为分类识别结果;
所述利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练,获得分类模型,具体包括:
步骤S21:利用RNN递归神经网络对各类样本信号分别进行采样和分段处理,获得各类样本信号对应的多段采样信号;
步骤S22:采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换,获得各类样本信号对应的特征矩阵;所述特征矩阵为A*B特征矩阵,其中A为特征矩阵的行数,B为特征矩阵的列数;
步骤S23:采用反向误差反馈算法,将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练,获得分类模型。
2.根据权利要求1所述的泄漏气体自动识别方法,其特征在于,所述采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换,获得各类样本信号对应的A*B特征矩阵,具体包括:
步骤S221:采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换,获得每类样本信号对应的2n个样本,其中,n为常数;
步骤S222:将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
3.根据权利要求1所述的泄漏气体自动识别方法,其特征在于,所述采用反向误差反馈算法,将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练,获得分类模型,具体包括:
步骤S231:将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练,获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵;所述第一卷积层的卷积核大小为L1*L1;L1<A且L1<B;
步骤S232:将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练,获得各类样本信号对应的特征矩阵;第一池化层的卷积核大小为L2*L2;
步骤S233:初始化i=2;
步骤S234:将各类样本信号对应的X*Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练,获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵;X*Y为第i-1池化层的特征矩阵大小;
步骤S235:将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练,获得各类样本信号对应的特征矩阵;
步骤S236:判断i是否小于N;如果i小于N,则令i=i+1,返回“步骤S234”;如果i大于或等于N,则执行“步骤S237”;其中N为卷积层的个数;
步骤S237:将各类样本信号对应的特征矩阵输入到CNN卷积神经网络的全连接层进行全连接,输出概率向量。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中北大学;山西格盟中美清洁能源研发中心有限公司,未经中北大学;山西格盟中美清洁能源研发中心有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011580389.3/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种软水装置及加湿器
- 下一篇:空调器制冷剂循环异常确定方法及空调器