[发明专利]一种气体检测方法、装置、计算机设备及存储介质

权利要求书

1.一种基于多任务自注意力网络的气体检测方法，其特征在于，包括下述步骤：

接收电子鼻系统发送的待测气体的气体成分数据；

将所述气体成分数据输入至多任务自注意力网络检测所述待测气体的生物标志物以及与所述生物标志物相对应的生物标志物浓度信息，所述多任务自注意力网络包括编码器和解码器，所述编码器由位置编码模块和多任务自注意力模块组成；

根据所述生物标志物以及所述生物标志物浓度信息确认与所述待测气体相对应的气体检测结果；

其中，位置编码模块包括位置编码层，用来标记位置信息；假设原始输入数据为X＝R^t×d，t为输入数据长度，d为数据维度，位置编码层产生的位置矩阵形状与输入数据相同，即P∈R^t×d，将原始输入数据与编码结果相加即得到含有位置信息的序列数据；位置矩阵由下式获得：

其中i是数据在序列中的索引，d是序列数据维度大小，k是数据的第k个维度；上式表示在位置矩阵P的每个序列位置向量的偶数维度添加sin变量，奇数维度添加cos变量；每个位置的信息是特定且唯一的，将该信息添加到原始数据中便产生了具有位置信息的序列信号；

所述多任务自注意力模块为两层堆叠的自注意力模块，所述自注意力模块包括：多头自注意力层，归一化层，前馈神经网络层和残差结构；包含位置信息的传感器数据并行地流入所述多头自注意力层获得名为中间向量的输出，其中位置信息由位置编码层提供；中间向量经过归一化层后流入到前馈神经网络层获得低维特征向量；残差结构连接多头自注意力层与前馈神经网络层；将低维特征向量流入第二个堆叠的自注意力模块获得名为高维特征向量的编码器输出；所述自注意力模块计算注意力时分为三步：

①首先用查询向量Q与每个键值对K-V中的键K计算相似度序列元素之间的相似度通过点积实现，相似度计算表达式如下所示：

similarly(Q，{K_i，v_i}_M)＝[similarly(Q，K₁)，…，similarly(Q，K_M)]

②然后使用softmax函数将M个权重归一化；

③最后将归一化后的权重与相对应的值V加权求和得到注意力；实现方式如下式所示：

其中d^k为查询向量的维度；

多头自注意力是在参数总量保持不变的情况下，将Q、K和V拆分为多个不同部分，多头机制是并行在不同子空间运行缩放的点积注意力；将不同子空间的自注意力信息拼接起来，再进行一次线性变换得到的值作为多头自注意力的输出结果；多头自注意力计算公式如下所示：

head_i＝Attention(Q_i，K_i，V_i)

Attention_MHA＝(concat(head₁，head_2w，…，head_h))W^o

其中，W^o表示可学习的线性变换参数；i＝1，2，...，h表示头的数量；

在解码器部分，全连接层对编码器提取的信息解码；然后，通过激活函数层和气体组成成分与浓度匹配机制，得到气体分类和浓度预测结果；所述解码器有两层全连接层，其中，第一层全连接层进行特征变换和信息归纳，其激活函数为Relu函数，为分类回归层提供非线性变化同时加快网络收敛速度，Relu函数表达式如下：

第二层全连接层为数据预测输出，共5个神经元，前两个神经元为气体浓度预测输出，其余神经元为气体种类预测输出；输出都经过如下Sigmoid激活函数：

使得最终的输出结果位于0～1的范围内。

2.根据权利要求1所述的基于多任务自注意力网络的气体检测方法，其特征在于，所述前馈神经网络层表示为：

FNN＝max(0，XW₁+b₁)W₂+b₂。