[发明专利]一种泄漏气体自动识别方法、系统及装置有效

专利信息
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
【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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top