[发明专利]一种混合气体识别方法、系统、终端设备及可读存储介质

权利要求书

1.一种混合气体识别方法，其特征在于，包括以下步骤：

获取混合气体的多通道一维时间序列数据；

对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；

利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；

建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。

2.根据权利要求1所述的混合气体识别方法，其特征在于，所述通过气体传感器阵列获取混合气体的多通道一维时间序列数据，包括：

通过气体传感器阵列获取混合气体的多通道一维时间序列数据。

3.根据权利要求1或2所述的混合气体识别方法，其特征在于，所述一维卷积操作具体如下：

一维卷积方程如下：

其中，A为输入序列，输入序列A的维度为(1,N_a)，B为卷积核，卷积核B的维度为(1,N_b)，C(j)表示为第j个神经元卷积的结果，且1≤j≤N_a-N_b+1；n表示每层卷积核的大小，权重的初始化采用Xavier初始化，Xavier初始化的均匀分布如下：

其中，W表示均匀分布，U表示采样范围，m,n是每一层输入单元和输出单元的个数。

4.根据权利要求1所述的混合气体识别方法，其特征在于，所述多标签分类方法，具体如下：

目标气体的预测y_pre如下：

y_pre＝sigmoid(W^Th+b) (3)

其中，sigmoid( )表示激活函数，W^T表示第二层隐藏层的权重，T表示转置矩阵，h表示网络输入，b表示偏置项；

采用sigmoid函数的输出作为分类的结果，对于输出的结果使用阈值为0.5作为评判准则，对输出值高于0.5的预测值标签设为1，若低于0.5的则设为0；模型的二分类的Log损失如下：

其中，c_i为类别，y(c_i)是真实标签，N是分类器的数量，y_pre(c_i)和q(c_i)分别是类别c_i的正预测和负预测的概率，最终将分类器的Log损失值的平均值作为最终的损失值。

5.根据权利要求1所述的混合气体识别方法，其特征在于，所述识别出混合气体的种类，包括：

将自动特征提取得到的结果输入多层感知器，识别出混合气体的种类；其中多层感知器由全连接组成。

6.根据权利要求1所述的混合气体识别方法，其特征在于，所述对混合气体的浓度进行实时预测，包括：

将原始的时序数据组合，并选择有意义的高层次特征，将卷积神经网络CNN输出的高层次特征输入到循环神经网络RNN层，使用循环神经网络RNN对这些高层次特征在时间维度上进行分析，筛选出最适合用于时间上预测的特征；通过筛选好的特征向量拼接成全连接的方式，用于线性回归的计算，最终得出预测浓度值。

7.一种混合气体识别系统，其特征在于，包括：

数据采集模块，用于获取混合气体的多通道一维时间序列数据；

特征提取模块，用于对多通道一维时间序列数据进行一维卷积操作，对一维卷积操作之后的特征进行拼接处理，提取总体特征；对总体特征进行卷积和池化操作，得到特征提取的结果；

种类识别模块，用于利用多标签分类方法，从特征提取的结果中识别出混合气体的种类；

浓度预测模块，用于建立回归模型，利用卷积神经网络与循环神经网络，根据混合气体的种类，结合特征提取的结果，对混合气体的浓度进行实时预测。