[发明专利]一种泄漏气体自动识别方法、系统及装置

权利要求书

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。