[发明专利]一种气体嗅觉智能识别方法、系统、介质、设备及终端

说明书

本发明属于气体识别技术领域，公开了一种气体嗅觉智能识别方法、系统、介质、设备及终端，获取气体传感器对气体识别的响应恢复曲线数据；从响应恢复曲线中提取特征值；对特征值进行预处理及Z‑score标准化，得到特征数据集；将特征数据集随机分为训练数据集和测试数据集；利用机器学习算法对训练数据集进行训练，得到综合气体分类模型，并利用测试数据集对综合气体分类模型进行检测。本发明利用五种机器学习算法对气体特征数据进行训练，通过综合气体分类模型对待测气体数据进行预测分类，能够通过机器学习的方式对气体进行分类，减少人为主观的参与，从而在较短的时间内精准识别出气体的类别，人工神经网络的预测准确率为95.5％。

技术领域

本发明属于气体识别技术领域，尤其涉及一种气体嗅觉智能识别方法、系统、介质、设备及终端。

背景技术

目前，挥发性有机化合物气体不仅来源于工业生产过程中排放的废气，同时也存在于房屋装修过程使用化学品材料所释放的气体，对人们的身体健康和生活质量造成了潜在的威胁。另外，挥发性有机化合物气体可作为人体疾病标志物，如通过检测人体呼出气体中苯系物和丙酮气体的种类和含量，便可以初步筛查患者是否患有肺癌和糖尿病风险，因此需要对挥发性有机化合物气体进行精准识别。

污染源和环境空气中挥发性有机化合物气体的准确、可靠监测是对其污染形成研究和管控的前提保障。挥发性有机化合物气体的工业排放具有点位分散、分布面广、排放量大等特征，存在发现难、监测难、判定难的问题。而现阶段对工业源挥发性有机化合物气体的定性检测识别，大多依靠质谱仪、光谱仪、色谱仪等大型仪器离线分析，在线测量成本高、采样分析周期长。

近年来，气体传感器技术发展迅速，传感器具有体积小、成本低等显著优势，成为解决这一问题的重要发展方向之一。然而传感器检测存在交叉干扰、稳定性差、基线漂移等问题，对特征值的提取往往要人工进行筛选，对实现气体组分的在线定性定量分析造成困难。因此，亟需一种高效的气体嗅觉智能识别以及快速预测的方法，以弥补现有技术的缺陷。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现阶段对工业源挥发性有机化合物气体的定性检测识别大多依靠质谱仪、光谱仪、色谱仪等大型仪器离线分析，在线测量成本高、采样分析周期长。

(2)传感器检测存在交叉干扰、稳定性差、基线漂移等问题，对特征值的提取往往要人工进行筛选，对实现气体组分的在线定性定量分析造成困难。

发明内容

针对现有技术存在的问题，本发明提供了一种气体嗅觉智能识别方法、系统、介质、设备及终端，尤其涉及一种基于机器学习的气体嗅觉智能识别方法、系统、介质、设备及终端。

本发明是这样实现的，一种气体嗅觉智能识别方法，所述气体嗅觉智能识别方法包括：

利用机器学习算法对气体传感器采集到的特征数据集进行训练，得到综合分类模型，进而利用综合分类模型得到气体种类预测结果。

进一步，所述气体嗅觉智能识别方法包括以下步骤：

步骤一，获取气体传感器对气体识别的响应恢复曲线数据；

步骤二，从响应恢复曲线中提取特征值；

步骤三，对特征值进行预处理及Z-score标准化，得到特征数据集；

步骤四，将所述特征数据集随机分为训练数据集和测试数据集；

步骤五，利用机器学习算法对训练数据集进行训练，得到综合气体分类模型，并利用测试数据集对所述综合气体分类模型进行检测。

进一步，所述步骤二中的特征值包括响应时间、恢复时间、稳态时间、曲线积分面积之和，最大响应值、上升阶段最大正斜率和下降阶段最小负斜率。