[发明专利]基于深度学习与气体光声效应的光声光谱识别方法与装置

权利要求书

1.基于深度学习与气体光声效应的光声光谱识别方法，其特征在于，包括如下步骤：

利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱；

提取所述混合光声声谱的时域特征、频域特征、时频域特征；所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量；所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数；所述时频域特征包括投影特征、直方图方差特征；

利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中；

将所述多维向量、气体的浓度分别作为样本和标签，构建样本数据集；利用样本数据集训练时域卷积神经网络，直至所述时域卷积神经网络的误差低于阈值且趋于稳定，得到训练好的时域卷积神经网络；

将待识别的混合光声声谱输入到时域卷积神经网络中，识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。

2.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法，其特征在于，所述利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱包括如下步骤：

获取多张气体的光声信号频谱图；

对每张频谱图依次进行分帧、加窗，对每一帧经过分帧、加窗后的频谱图做短时傅里叶变换，得到每一帧的变换图像；

将所述每一帧的变换图像按时域维度融合，得到每张频谱图的混合光声声谱。

3.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法，其特征在于，所述利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中包括如下步骤：

利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维，得到第一特征向量、第二特征向量、第三特征向量；

将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。

4.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法，其特征在于，所述时域卷积神经网络包括输入层和多个残差模块层，每个残差模块层包括dropout层、ReLU激活层。

5.根据权利要求4所述的基于深度学习与气体光声效应的光声光谱识别方法，其特征在于，所述每个残差模块层还包括正则权重层。

6.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法，其特征在于，所述气体至少包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气或氮气中的一种。

7.一种基于深度学习与气体光声效应的光声光谱识别装置，其特征在于，包括获取模块、提取模块、映射模块、训练模块、识别模块，

所述获取模块，用于利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱；

所述提取模块，用于提取所述混合光声声谱的时域特征、频域特征、时频域特征；所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量；所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数；所述时频域特征包括投影特征、直方图方差特征；

所述映射模块，用于利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中；

所述训练模块，用于将所述多维向量、气体的浓度分别作为样本和标签，构建样本数据集；利用样本数据集训练时域卷积神经网络，直至所述时域卷积神经网络的误差低于阈值且趋于稳定，得到训练好的时域卷积神经网络；

所述识别模块，用于将待识别的混合光声声谱输入到时域卷积神经网络中，识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。

8.根据权利要求7所述的基于深度学习与气体光声效应的光声光谱识别装置，其特征在于，所述映射模块包括降维模块、融合模块，

所述降维模块，用于利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维，得到第一特征向量、第二特征向量、第三特征向量；

所述融合模块，用于将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。