CN110346514A - 混合气体识别方法、装置、计算机设备和存储介质 - Google Patents
混合气体识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110346514A CN110346514A CN201910613879.XA CN201910613879A CN110346514A CN 110346514 A CN110346514 A CN 110346514A CN 201910613879 A CN201910613879 A CN 201910613879A CN 110346514 A CN110346514 A CN 110346514A
- Authority
- CN
- China
- Prior art keywords
- mixed gas
- vector
- gas
- feature vector
- mixed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000013598 vector Substances 0.000 claims abstract description 203
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000004044 response Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000008246 gaseous mixture Substances 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明适用于计算机技术领域，提供了一种混合气体识别方法、装置、计算机设备和存储介质，所述方法包括：获取传感器阵列中各传感器对混合气体的响应信号强度；根据响应信号强度确定混合气体的初始向量；基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述特征向量，确定所述混合气体中各气体的种类。本发明实施例提供的方法，先通过核主成分分析算法提取混合气体的特征向量，能够有效降低计算量，从而提高了效率，此外，基于最近邻算法利用大量样本训练生成的混合气体种类识别模型对识别气体种类的准确率更高。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种混合气体识别方法、装置、计算机设备和存储介质。
背景技术
如今传感器技术不断完善，促进了人工嗅觉的发展。人工嗅觉是一种仿生检测技术，利用一系列电子设备模拟嗅觉***，该***广泛应用于气体定性识别与定量检测。
然而，目前的人工嗅觉***对多元气体识别效率较低。现有的人工嗅觉***常用的气体识别方法有两种：主成分分析与神经网络混合算法、独立成分分析与支持向量机混合算法。若利用主成分分析与神经网络混合算法进行气体识别时，在将最佳特征参数进行组合的过程中，需要大量学***面，导致识别准确率不高，另一方面，随着训练样本数量的增长，支持向量的数量也逐渐增加，模型稀疏度降低，为了获取更好的识别率，需要对参数进行进一步优化，大大增加了计算量。
可见，现有的人工嗅觉***所采用的气体识别方法还存在着无法在保证较高的识别效率的同时，还能拥有较高的识别准确率的技术问题。
发明内容
本发明实施例的目的在于提供一种混合气体识别方法、装置、计算机设备和存储介质，旨在解决现有的人工嗅觉***所采用的气体识别方法还存在的无法在保证较高的识别效率的同时，还能拥有较高的识别准确率的技术问题。
本发明实施例是这样实现的，一种混合气体识别方法，包括：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
本发明实施例的另一目的在于提供一种混合气体识别装置，包括：
相应信号强度获取单元，用于获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
初始向量确定单元，用于根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
特征向量提取单元，用于基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
混合气体种类确定单元，用于根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器上述所述混合气体识别方法的步骤
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述所述混合气体识别方法的步骤。
本发明实施例提供的混合气体识别方法，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本发明实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。
附图说明
图1为本发明实施例提供的混合气体识别方法的应用环境图；
图2为本发明实施例提供的一种混合气体识别方法的步骤流程图；
图3为本发明实施例提供的另一种混合气体识别方法的步骤流程图；
图4为本发明实施例提供的一种基于核主成分分析算法提取特征向量方法的步骤流程图；
图5为本发明实施例提供的一种基于最近邻算法确定气体种类方法的步骤流程图；
图6为本发明实施例提供的一种训练生成基于多变量相关向量机算法的混合气体浓度识别模型方法的步骤流程图；
图7为本发明实施例提供的一种混合气体识别装置的结构框图；
图8为本发明实施例提供的另一种混合气体识别装置的结构框图；
图9为本发明实施例提供的混合气体识别装置中的特征向量提取单元的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为本发明实施例提供的混合气体识别方法的应用环境图，如图1所示，提供了一种人工嗅觉***，其中所述混合气体识别方法是作为程序安装在与PXI箱通过PXI总线连接的终端上。
在本发明实施例中，混合气体注入到箱内后，气体传感器阵列采集气体的响应信号强度并传输给PXI(PCI extensions for Instrumentation，面向仪器***的PCI扩展)箱，并进一步通过PXI总线传输给终端，终端采集到气体传感器阵列采集的气体的响应信号强度后，执行气体识别程序，即利用采集的气体的响应信号强度识别出混合气体的种类。
作为本发明的一个优选实施例，考虑到传感器的响应特性易受温度和湿度影响，采用风扇与加湿器保证了环境的恒湿与恒温条件，以进行信号采集，其中温度条件控制在15℃，湿度条件控制在20％。
如图2所示，在一个实施例中，提出了一种混合气体识别方法，本实施例主要以该方法应用于上述图1中的终端来举例说明，具体可以包括以下步骤：
步骤S202，获取传感器阵列中各传感器对混合气体的响应信号强度。
在本发明实施例中，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个。
作为本发明的一种优选实施例，所述传感器阵列由5种传感器构成，每种传感器设置4个，确保传感器阵列的容错力。
步骤S204，根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量。
在本发明实施例中，按照预设的规则将各传感器对混合气体的响应信号强度排列即可构成向量，需要注意的是，在规则设定后，后续每一次确定混合气体的初始向量均是按照同样的规则对混合气体的响应信号强度进行排序生成的。
步骤S206，基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量。
在本发明实施例中，由于混合气体的初始向量一般是高维的，在后续的处理过程中，计算量大，导致效率偏低，而核主成分分析算法能够将高维向量处理生成低维向量，并且能够最大限度的保留高维向量的特征信息，即在不损失过多特征信息的同时，降低了混合气体向量的维度，即降低了计算量，提高了效率。
在本发明实施例中，所述基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量的具体步骤请参阅图4及其解释说明。
步骤S208，根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
在本发明实施例中，将混合气体的特征向量输入至基于最近邻算法训练生成的混合气体种类识别模型，能够自动根据混合气体的特征向量确定混合气体中各气体的种类，具体的步骤请参阅图5及其解释说明。
本发明实施例提供的混合气体识别方法，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本发明实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。
如图3所示，在一个实施例中，提出了另一种混合气体识别方法，与图2所示出的一种混合气体识别方法的不同之处在于，还包括以下步骤：
步骤S302，根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。
在本发明实施例中，进一步，通过预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型，在输入混合气体的特征向量后，能够直接输出混合气体中各种类气体的浓度，其中，训练生成所述基于多变量相关向量机算法训练生成的混合气体浓度识别模型的步骤请参阅图6及其解释说明。
如图4所示，在一个实施例中，提出了一种基于核主成分分析算法提取特征向量的方法，具体包括以下步骤：
步骤S402，基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量。
在本发明实施例中，假设混合气体的初始向量X＝[x1,x2,…,xm]，核函数为Φ(·)，则高维线性可分向量为Φ(xi)。
步骤S404，对混合气体的高维线性可分向量进行中心化处理。
在本发明实施例中，经过中心化处理后得到的高维线性可分向量满足其中中心化处理的具体公式为：即减去均值。
步骤S406，计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵。
在本发明实施例中，协方差矩阵C＝Φ(xi)·Φ(xi)T
步骤S408，计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量。
在本发明实施例中，计算协方差矩阵C的特征值λ以及特征向量v本质上是对矩阵的分解，也就是计算λv＝Cv的根(λ,v)，其中特征向量v可以由Φ(x1)，Φ(x2)，...，Φ(xm)线性表示。
步骤S410，计算各特征值的核主成分贡献率。
在本发明实施例中，特征值除以全部特征值之和即为该特征值的核主成分贡献率。
步骤S412，将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值。
在本发明实施例中，假设求出的n个特征值从大至小依次为λ1＞λ2＞…＞λn，则需要求出值p，使得前p个特征值的核主成分贡献率的和大于预设的阈值，也就是满足其中a即为预设的阈值，优选的，所述a＝0.85
步骤S414，确定与参与累加的各核主成分贡献率所对应的多个特征值。
在本发明实施例中，分别确定与特征值λ1,λ2，…λp对应的特征向量v1,v2，…vp。
步骤S416，标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵。
在本发明实施例中，将各特征向量v1,v2，…vp标准化使得各特征向量的模为1后，特征向量矩阵
步骤S418，根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量。
在本发明实施例中，所述混合气体的低维线性可分向量即为混合气体的特征向量。
在本发明实施例中，所述混合气体的特征向量Y＝WX。
本发明实施例提供了基于核主成分分析算法提取特征向量的方法，其中先通过核函数将初始向量映射到高维空间，在中心化处理后，求出高维空间中初始向量的特征值以及特征向量，将特征值从大至小依次排序后，选择前p个特征值使得核主成分贡献率的和大于预设的阈值，也就是最大限度保留初始向量的特征信息，利用与特征值对应特征向量构成特恒向量矩阵，对初始向量处理后就能够得到低纬度下(p)的特征向量。
如图5所示，在一个实施例中，提出了一种基于最近邻算法确定气体种类的方法，具体包括以下步骤：
步骤S502，计算所述混合气体的特征向量与所述混合气体种类识别模型中多个气体种类已知的混合气体样本的特征向量的欧氏距离。
在本发明实施例中，混合气体种类识别模型中包含大量气体种类已知且特征向量已知的混合气体样本。
在本发明实施例中，气体种类已知的混合气体样本的特征向量也是通过前述图4提供的基于核主成分分析算法提取特征向量的方法得到的。
在本发明实施例中，对于两个特征向量而言[x1,x2,…xn]和[y1,y2,…yn]而言，欧式距离
步骤S504，根据所述混合气体的特征向量与各个混合气体样本的特征向量的欧氏距离确定混合气体与各个混合气体样本的相似度。
在本发明实施例中，混合气体的特征向量之间的欧氏距离越小，表明两种混合气体的组分相似度越高。
步骤S506，根据所述相似度确定与所述混合气体最相似的至少一个混合气体样本。
在本发明实施例中，为了提高容错率，在选取最相似的混合气体样本时，可以选取多个最相似的混合气体样本，通过多个混合气体样本来判断，进一步提高了准确率。
步骤S508，根据所述至少一个混合气体样本的气体种类确定所述混合气体中各气体的种类。
在本发明实施例中，当选取多个混合气体样本时，将样本中气体种类出现次数最多的确定为混合气体中的气体种类。
如图6所示，在一个实施例中，提出了一种训练生成基于多变量相关向量机算法的混合气体浓度识别模型的方法，具体包括以下步骤：
步骤S602，获取多个已知气体浓度的混合气体训练样本。
在本发明实施例中，所述基于多变量相关向量机算法的混合气体浓度识别模型能够根据输入的混合气体的特征向量直接生成混合气体中各气体的浓度。
步骤S604，获取传感器阵列对各混合气体训练样本的响应信号强度。
在本发明实施例中，各混合气体训练样本和待检测浓度的混合气体应当在相同的传感器阵列下进行测试。
步骤S606，根据各混合气体训练样本的响应信号强度确定各混合气体训练样本的特征向量。
在本发明实施例中，所述根据响应信号强度确定特征向量的步骤具体请参阅图2、图4及其解释说明。
步骤S608，基于多变量相关向量机算法建立含有可变参数的初始化的混合气体浓度识别模型。
在本发明实施例中，由于混合气体浓度识别模型本质上可以理解为特征向量与气体浓度的函数关系，先建立一个初始模型，然后通过大量样本不断调整特征向量与气体浓度之间的函数关系，使之符合真实情况，则此时混合气体浓度识别模型已训练完成。
步骤S610，根据所述特征向量以及所述混合气体浓度识别模型确定各混合气体训练样本的响应气体浓度。
步骤S612，判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值是否满足预设的条件。当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件时，执行步骤S614；当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值满足预设的条件时，执行步骤S616。
在本发明实施例中，当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件，也就是表明此时混合气体浓度识别模型尚未完全拟合特征向量与气体浓度的函数关系，因此，需要进一步调整混合气体浓度识别模型的参数，当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件，也就是表明此时混合气体浓度识别模型已拟合了特征向量与气体浓度的函数关系，则此时的混合气体浓度识别模型就是基于基于多变量相关向量机算法训练生成的混合气体浓度识别模型，在输入特征向量后能够输出各气体的浓度。
步骤S614，调整所述混合气体浓度识别模型中的可变参数，并返回至所述步骤S610。
步骤S616，将当前的混合气体浓度识别模型确定为预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型。
如图7所示，在一个实施例中，提出了一种混合气体识别装置，详述如下。
在本发明实施例中，所述混合气体识别装置包括响应信号强度获取单元710、初始向量确定单元720、特征向量提取单元730以及混合气体种类确定单元740。
所述响应信号强度获取单元710，用于获取传感器阵列中各传感器对混合气体的响应信号强度。
在本发明实施例中，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个。
作为本发明的一种优选实施例，所述传感器阵列由5种传感器构成，每种传感器设置4个，确保传感器阵列的容错力。
所述初始向量确定单元720，用于根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量。
在本发明实施例中，按照预设的规则将各传感器对混合气体的响应信号强度排列即可构成向量，需要注意的是，在规则设定后，后续每一次确定混合气体的初始向量均是按照同样的规则对混合气体的响应信号强度进行排序生成的。
所述特征向量提取单元730，用于基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量。
在本发明实施例中，由于混合气体的初始向量一般是高维的，在后续的处理过程中，计算量大，导致效率偏低，而核主成分分析算法能够将高维向量处理生成低维向量，并且能够最大限度的保留高维向量的特征信息，即在不损失过多特征信息的同时，降低了混合气体向量的维度，即降低了计算量，提高了效率。
在本发明实施例中，所述特征向量提取单元的具体结构请参阅图9及其解释说明。
所述混合气体种类确定单元740，用于根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
在本发明实施例中，将混合气体的特征向量输入至基于最近邻算法训练生成的混合气体种类识别模型，能够自动根据混合气体的特征向量确定混合气体中各气体的种类。
本发明实施例提供的混合气体识别装置，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本发明实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。
如图8所示，在一个实施例中，提出了另一种混合气体识别装置，详述如下。
在本发明实施例中，与图7示出的一种混合气体识别装置的不同之处在于，还包括混合气体浓度确定单元810。
所述混合气体浓度确定单元810，用于根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。
在本发明实施例中，进一步，通过预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型，在输入混合气体的特征向量后，能够直接输出混合气体中各种类气体的浓度。
如图9所示，在一个实施例中，提出了一种特征向量提取单元的结构图，详述如下。
在本发明实施例中，所述特征向量提取单元包括：
高维映射处理模块901，用于基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量。
在本发明实施例中，假设混合气体的初始向量X＝[x1,x2,…,xm]，核函数为Φ(·)，则高维线性可分向量为Φ(xi)。
中心化处理模块902，用于对混合气体的高维线性可分向量进行中心化处理。
在本发明实施例中，经过中心化处理后得到的高维线性可分向量满足其中中心化处理的具体公式为：即减去均值。
协方差矩阵计算模块903，用于计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵。
在本发明实施例中，协方差矩阵C＝Φ(xi)·Φ(xi)T
特征值及特征向量计算模块904，用于计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量。
在本发明实施例中，计算协方差矩阵C的特征值λ以及特征向量v本质上是对矩阵的分解，也就是计算λv＝Cv的根(λ,v)，其中特征向量v可以由Φ(x1)，Φ(x2)，...，Φ(xm)线性表示。
核主成分贡献率计算模块905，用于计算各特征值的核主成分贡献率。
在本发明实施例中，特征值除以全部特征值之和即为该特征值的核主成分贡献率。
核主成分贡献率累加模块906，用于将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值。
在本发明实施例中，假设求出的n个特征值从大至小依次为λ1＞λ2＞…＞λn，则需要求出值p，使得前p个特征值的核主成分贡献率的和大于预设的阈值，也就是满足其中a即为预设的阈值，优选的，所述a＝0.85
贡献特征值计算模块907，用于确定与参与累加的各核主成分贡献率所对应的多个特征值。
在本发明实施例中，分别确定与特征值λ1,λ2，…λp对应的特征向量v1,v2，…vp。
特征向量矩阵生成模块908，用于标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵。
在本发明实施例中，将各特征向量v1,v2，…vp标准化使得各特征向量的模为1后，特征向量矩阵
降维处理模块909，用于根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量。
在本发明实施例中，所述混合气体的低维线性可分向量即为混合气体的特征向量。
在本发明实施例中，所述混合气体的特征向量Y＝WX。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种混合气体识别方法，其特征在于，包括：
获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
2.根据权利要求1所述的混合气体识别方法，其特征在于，还包括：
根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。
3.根据权利要求1所述的混合气体识别方法，其特征在于，所述基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量的步骤具体包括：
基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量；
对混合气体的高维线性可分向量进行中心化处理；
计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵；
计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量；
计算各特征值的核主成分贡献率；
将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值；
确定与参与累加的各核主成分贡献率所对应的多个特征值；
标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵；
根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量，所述混合气体的低维线性可分向量即为混合气体的特征向量。
4.根据权利要求1所述的混合气体识别方法，其特征在于，所述根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类的步骤具体包括：
计算所述混合气体的特征向量与所述混合气体种类识别模型中多个气体种类已知的混合气体样本的特征向量的欧氏距离；
根据所述混合气体的特征向量与各个混合气体样本的特征向量的欧氏距离确定混合气体与各个混合气体样本的相似度；
根据所述相似度确定与所述混合气体最相似的至少一个混合气体样本；
根据所述至少一个混合气体样本的气体种类确定所述混合气体中各气体的种类。
5.根据权利要求2所述的混合气体识别方法，其特征在于，生成所述根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型的步骤具体包括：
获取多个已知气体浓度的混合气体训练样本；
获取传感器阵列对各混合气体训练样本的响应信号强度；
根据各混合气体训练样本的响应信号强度确定各混合气体训练样本的特征向量；
基于多变量相关向量机算法建立含有可变参数的初始化的混合气体浓度识别模型；
根据所述特征向量以及所述混合气体浓度识别模型确定各混合气体训练样本的响应气体浓度；
判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值是否满足预设的条件；
当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值不满足预设的条件，调整所述混合气体浓度识别模型中的可变参数，并返回至所述根据所述特征向量以及所述混合气体浓度识别模型确定各混合气体训练样本的响应气体浓度的步骤；
当判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值满足预设的条件时，将当前的混合气体浓度识别模型确定为预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型。
6.一种混合气体识别装置，其特征在于，包括：
响应信号强度获取单元，用于获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；
初始向量确定单元，用于根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；
特征向量提取单元，用于基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；
混合气体种类确定单元，用于根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。
7.根据权利要求6所述的混合气体识别装置，其特征在于，还包括：
混合气体浓度确定单元，用于根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。
8.根据权利要求6所述的混合气体识别装置，其特征在于，所述特征向量提取单元包括：
高维映射处理模块，用于基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量；
中心化处理模块，用于对混合气体的高维线性可分向量进行中心化处理；
协方差矩阵计算模块，用于计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵；
特征值及特征向量计算模块，用于计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量；
核主成分贡献率计算模块，用于计算各特征值的核主成分贡献率；
核主成分贡献率累加模块，用于将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值；
贡献特征值计算模块，用于确定与参与累加的各核主成分贡献率所对应的多个特征值；
特征向量矩阵生成模块，用于标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵；
降维处理模块，用于根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量，所述混合气体的低维线性可分向量即为混合气体的特征向量。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述混合气体识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述混合气体识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910613879.XA CN110346514A (zh) | 2019-07-09 | 2019-07-09 | 混合气体识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910613879.XA CN110346514A (zh) | 2019-07-09 | 2019-07-09 | 混合气体识别方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110346514A true CN110346514A (zh) | 2019-10-18 |
Family
ID=68178650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910613879.XA Pending CN110346514A (zh) | 2019-07-09 | 2019-07-09 | 混合气体识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110346514A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126575A (zh) * | 2020-01-09 | 2020-05-08 | 同济大学 | 基于机器学习的气体传感器阵列混合气体检测方法及装置 |
| CN112464999A (zh) * | 2020-11-19 | 2021-03-09 | 深圳大学 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
| CN112557459A (zh) * | 2020-12-02 | 2021-03-26 | 安徽芯核防务装备技术股份有限公司 | 一种mems薄膜半导体气敏传感器阵列识别方法 |
| CN112580741A (zh) * | 2020-12-28 | 2021-03-30 | 天津同阳科技发展有限公司 | 一种基于多传感器快速学习的气体种类识别方法及*** |
| CN112782255A (zh) * | 2020-12-31 | 2021-05-11 | 江苏智闻智能传感科技有限公司 | 一种基于阵列气体传感器的气体识别方法 |
| CN113111944A (zh) * | 2021-04-13 | 2021-07-13 | 湖北鑫英泰***技术股份有限公司 | 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 |
| CN114077848A (zh) * | 2021-11-16 | 2022-02-22 | 无锡时和安全设备有限公司 | 一种新型传感器阵列板及其混合气体分析方法 |
-
2019
- 2019-07-09 CN CN201910613879.XA patent/CN110346514A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| 徐金宝: "核函数在主成分分析中的应用", 《电脑知识与技术》 * |
| 许永辉等: "MOS 传感器阵列的二元混合气体检测方法研究", 《仪器仪表学报》 * |
| 陈寅生等: "自确认金属氧化物半导体气体传感器阵列及其应用研究", 《传感技术学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126575A (zh) * | 2020-01-09 | 2020-05-08 | 同济大学 | 基于机器学习的气体传感器阵列混合气体检测方法及装置 |
| CN111126575B (zh) * | 2020-01-09 | 2023-11-03 | 同济大学 | 基于机器学习的气体传感器阵列混合气体检测方法及装置 |
| CN112464999A (zh) * | 2020-11-19 | 2021-03-09 | 深圳大学 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
| CN112557459A (zh) * | 2020-12-02 | 2021-03-26 | 安徽芯核防务装备技术股份有限公司 | 一种mems薄膜半导体气敏传感器阵列识别方法 |
| CN112580741A (zh) * | 2020-12-28 | 2021-03-30 | 天津同阳科技发展有限公司 | 一种基于多传感器快速学习的气体种类识别方法及*** |
| CN112782255A (zh) * | 2020-12-31 | 2021-05-11 | 江苏智闻智能传感科技有限公司 | 一种基于阵列气体传感器的气体识别方法 |
| CN112782255B (zh) * | 2020-12-31 | 2023-11-28 | 江苏智闻智能传感科技有限公司 | 一种基于阵列气体传感器的气体识别方法 |
| CN113111944A (zh) * | 2021-04-13 | 2021-07-13 | 湖北鑫英泰***技术股份有限公司 | 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 |
| CN113111944B (zh) * | 2021-04-13 | 2022-05-31 | 湖北鑫英泰***技术股份有限公司 | 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 |
| CN114077848A (zh) * | 2021-11-16 | 2022-02-22 | 无锡时和安全设备有限公司 | 一种新型传感器阵列板及其混合气体分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110346514A (zh) | 混合气体识别方法、装置、计算机设备和存储介质 | |
| CN109873812B (zh) | 异常检测方法、装置及计算机设备 | |
| CN107092829A (zh) | 一种基于图像匹配的恶意代码检测方法 | |
| CN111914908B (zh) | 一种图像识别模型训练方法、图像识别方法及相关设备 | |
| CN108804332B (zh) | 一种基于机器学习的c程序内存泄漏智能化检测方法 | |
| CN112257738A (zh) | 机器学习模型的训练方法、装置和图像的分类方法、装置 | |
| Ishii et al. | Equality tests of high-dimensional covariance matrices under the strongly spiked eigenvalue model | |
| CN110619528A (zh) | 行为验证数据处理方法、装置、设备及存储介质 | |
| CN115580445A (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
| CN112084505A (zh) | 深度学习模型恶意样本检测方法、***、设备及存储介质 | |
| CN107132311A (zh) | 一种基于频域特征提取的快速气体识别算法 | |
| Lyu et al. | Probabilistic object detection via deep ensembles | |
| CN112464297B (zh) | 硬件木马检测方法、装置及存储介质 | |
| CN111563532B (zh) | 一种基于属性权重融合的未知目标识别方法 | |
| CN115830401B (zh) | 一种小样本图像分类方法 | |
| CN111091194B (zh) | 一种基于cavwnb_kl算法的操作***识别方法 | |
| CN112612023A (zh) | 一种雷达目标识别方法及计算机可读存储介质 | |
| CN109460777A (zh) | 图片分类方法、装置及计算机可读存储介质 | |
| CN115713669A (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
| CN114511018A (zh) | 一种基于类内调整余弦相似度的对抗样本检测方法和装置 | |
| CN106289364B (zh) | 一种传感器漂移的自适应调节方法 | |
| CN109447174A (zh) | 一种漆面识别方法、装置、存储介质及电子设备 | |
| CN114677504A (zh) | 目标检测方法、装置、设备终端和可读存储介质 | |
| CN113918471A (zh) | 测试用例的处理方法、装置及计算机可读存储介质 | |
| CN112348060A (zh) | 分类向量生成方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |
|
| RJ01 | Rejection of invention patent application after publication |