[发明专利]气体种类和浓度识别的融合神经网络系统、装置与方法

说明书

本发明公开了一种气体种类和浓度识别的融合神经网络系统、装置与方法，通过从气体种类识别网络提取到的特征，辅助气体浓度预测的融合网络进行气体浓度的预测，并对二者进行融合，使最终要预测的气体浓度和识别的气体种类的预测结果具有相关性，即可以在识别气体种类的基础上预测其浓度的数值，同时，整个神经网络能够增加传感器阵列识别气体的种类、数量，提高气体识别准确率和相近气体的辨识度，降低气体浓度预测的误差。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种气体种类和浓度识别的融合神经网络系 统、装置与方法。

背景技术

MOx气体传感器具有体积小、响应速度快、成本低、使用寿命长等特点，但其因为对性质相近的气体具有交叉敏感性，因此需要对其配备响应的气味识别算法。

对于不同浓度混合气体种类识别问题，识别分类方法包括有基于大型仪器设备如：气 相色谱质谱(GC-MS)、傅里叶变换红外吸收光谱仪(FT-IR)，有基于统计模式的气味识别算法：如直接在特征空间分类识别的KNN算法、将特征投影到特殊空间进行种类、 浓度识别的SVM算法，还有直接学习数据分布特征的人工智能神经网络算法：如反馈神 经网络、深度神经网络、人工神经网络等；其中某些方法具有一定的局限性，如基于统 计模式的气味识别算法如SVM，SVM算法利用超平面对特征空间进行划分，针对二值分 类问题而设计的，支持向量的个数随着训练样本的增加而线性增加，模型稀疏性会大大 降低，如PCA，将数据集解析为正交分量的数学过程中分析大量变量的互相关系，然而 对于短采样周期数据，PCA算法无法将它们区分开；而人工智能神经网络中的基于误差 反向传播学习的前馈神经网络BPNN模型过于复杂，运算量巨大；因此提出采用基于CNN 算法的气体种类和浓度识别，引入局部连接和权值共享两个特性，可以显著减少运算 量；于是有人提出利用LeNet-5网络对气体分类，同时也有人在2018年提出利用DCNN方 式进行气体分类的思想设计了GasNet的气体神经网络，然而应用于分类的网络模型较为 简单，不足以支持相近气体的识别和浓度的判断场景的最低检测阈值较高。且检测算法 未必可持续。尤其是在气体传感器测得数据集并训练好的模型之后，在一段时间之后重 新测量的新数据进行识别的准确率会下降；由于训练数据的限制，应用于图像分类的 VGG，Google-Net等CNN则无法直接应用于气体种类的识别和浓度的预测。

因此亟需提出一种专用神经网络结构，通过特有的数据采样方式可以完成对气体种类 的识别和浓度的预测。

发明内容

本发明的目的是提供一种气体种类和浓度识别的融合神经网络系统、装置与方法，能 够提高气体识别准确率和对相近气体的辨识度，降低了气体浓度预测的误差。

本发明的目的是通过以下技术方案实现的：

一种气体种类和浓度识别的融合神经网络系统，包括：残差网络、气体种类识别网络与气体浓度预测的融合网络；其中：

所述残差网络，用于对数据集中三维嗅觉图像进行特征提取与数据处理，并将处理 获得的特征向量分别输入至所述气体种类识别网络与气体浓度预测的融合网络；

所述气体种类识别网络包含依次连接的m层全连接层，每一层输入的特征向量都与随 机化的权值矩阵相乘作为下一层的输入，最后一层输出气体种类的预测结果；其中，m表 示总层数；

所述气体浓度预测的融合网络包含依次连接的m层全连接层，从所述气体种类识别网 络的中间层中随机选取若干层的特征向量，并与所述气体浓度预测的融合网络中相应层 的特征向量进行融合，气体浓度预测的融合网络其余层采用与所述气体种类识别网络相 同的方式操作，最后一层输出气体浓度的预测结果。

一种利用融合神经网络系统实现气体种类和浓度识别的装置，包括：气体采集装置、信号采集电路与主机，主机包括和信号采集电路通信的单片机，以及与单片机通信 的计算机；