CN114252560A - 一种基于改进一维卷积神经网络的混合气体识别方法 - Google Patents
一种基于改进一维卷积神经网络的混合气体识别方法 Download PDFInfo
- Publication number
- CN114252560A CN114252560A CN202111598938.4A CN202111598938A CN114252560A CN 114252560 A CN114252560 A CN 114252560A CN 202111598938 A CN202111598938 A CN 202111598938A CN 114252560 A CN114252560 A CN 114252560A
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- dimensional
- convolutional neural
- pooling
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011176 pooling Methods 0.000 claims abstract description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 80
- 230000006870 function Effects 0.000 description 29
- 238000000605 extraction Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 11
- 238000009826 distribution Methods 0.000 description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 description 8
- 230000008786 sensory perception of smell Effects 0.000 description 6
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 4
- 239000005977 Ethylene Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940117927 ethylene oxide Drugs 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01N33/0062—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于改进一维卷积神经网络的混合气体识别方法，通过气敏传感器阵列与气体发生反应采集原始一维数据；构建改进的一维卷积神经网络；一维卷积神经网络通过卷积运算来提取原始一维数据的特征，降低原始一维数据对后续操作的噪声干扰，输出的特征图作为下一层的输入；通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化；对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层；通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。本发明能很好的完成对混合气体进行分类的任务，且自适应能力强、分类准确率更高。
Description
技术领域
本发明属于人工嗅觉领域，具体涉及一种基于改进一维卷积神经网络的混合气体识别方法。
背景技术
随着我国工业的迅猛发展，在日常生产生活中，由危化气体泄漏而引发的灾难性事件时有发生，这对人们生命财产造成极大威胁。这些泄漏气体一般不是某种单一气体，混合气体居多，因此如何快速、准确地识别混合气体中的组分是一项重要研究工作。而人工嗅觉的智能检测应用极为广泛，在气味识别、环境监测、食品质量监管、医疗卫生及公众安全等领域发挥着重要的作用。因此，可以利用人工嗅觉对工业生产及日常生活中泄漏的混合气体进行识别与分类。
人工嗅觉(Artificial Olfaction，AO)模仿生物的嗅觉***，一般采用气敏传感器阵列与模式识别算法相结合的手段对被检气体进行定性分析，从而达到对混合气体识别与分类的目的。金属氧化物半导体(metal oxide semiconductor，MOS)气敏传感器具有成本低、反应速度快、使用寿命长等优点，因此常被用来构建传感器阵列。但MOS气敏传感器具有交叉敏感性，即一种类型的气敏传感器可同时对多种气体发生反应，这对人工嗅觉分类效果影响很大。若通过改进金属材料来改善气敏传感器的性能较为困难，且研发周期较长、成本高，而从气敏传感器阵列与人工智能算法相结合的角度更容易实现。通过气敏传感器阵列与相关算法相结合，可实现对混合气体定性分析的目的，从而为后续气体浓度的定量分析提供重要支撑。
近年来，为了提高混合气体识别与分类的检测准确度与精度，研究者做了很多努力。现有方法大多是通过人工设计特征提取函数对传感器响应值进行相关特征提取，如响应稳态值、响应基值、响应时间、响应恢复时间等。然而此类方法中人工特征提取函数的设计过程较为复杂，分类准确度很大程度上取决于特征提取函数设计效果的好坏，且特征提取函数不能根据响应信号进行自适应调整，而卷积神经网络具备自适应特征提取的能力，因此可以应用在气体分类上。而气敏传感器输出信号为一维时间序列，因此本申请基于一维卷积神经网络(One-Dimensional Convolutional Neural Network，1D-CNN)进行改进，实现对被测混合气体进行识别与分类。
发明内容
发明目的：本文提出一种基于改进一维卷积神经网络的混合气体识别方法，能很好的完成对混合气体进行分类的任务，且自适应能力强、分类准确率更高。
技术方案：本发明所述的一种基于改进一维卷积神经网络的混合气体识别方法，包括以下步骤：
(1)通过气敏传感器阵列与气体发生反应采集原始一维数据；
(2)构建改进的一维卷积神经网络，包括输入层、隐含层、全局平均池化层、输出层；所述隐含层包括两个卷积层、一个池化层和激活函数；
(3)一维卷积神经网络通过卷积运算来提取原始一维数据的特征，输出的特征图作为下一层的输入；
(4)通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化；
(5)对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层；
(6)通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。
进一步地，步骤(2)所述的隐含层为四个，其卷积核大小分别为1*16*8、1*4*16、1*4*256、1*2*512，其中8、16、256、512分别为卷积核的数量。
进一步地，步骤(3)所述卷积运算实现过程如下：
其中，xj代表输出，xi j表示第j层卷积层的第i个一维卷积核的输出，M为输入数据集，
为卷积核，*为卷积符号，b为偏置项，f(·)为激活函数。
进一步地，步骤(4)所述的最大池华过程如下：
其中，
表示第j层第i个卷积核，n表示卷积核的尺寸边长，max(·)为最大函数，池化步长为2。
进一步地，所述步骤(6)通过以下公式实现：
ypre i＝softmax(WTx+b) (4)
其中，ypre i为预测预测正确的概率，WT为权重，b为偏置，yi为真实标签，n为分类标签数，最终将交叉熵函数作为训练的损失函数，损失函数输出值越小，则一维卷积神经网络训练越好；如果预测值与真实值越接近，交叉熵函数输出就越接近0，而若预测值与真实值误差较大，在反向传播训练过程中，各种参数调整的幅度也会随之变大，使一维卷积神经网络更快地收敛。
有益效果：与现有技术相比，本发明的有益效果：本发明不需要进行数据预处理、不需要手工设计特征提取函数，可自动、全面地对原始数据进行特征提取与学习，能很好的完成对混合气体进行分类的任务，且自适应能力强、分类准确率更高。
附图说明
图1为本发明的流程图；
图2一维卷积神经网络结构图；
图3为一维卷积运算示意图；
图4为数据采集***结构示意图；
图5为训练结果图；其中，(a)和(b)分别为改进前1D-CNN的训练准确率和损失率；(c)和(d)分别为改进后1D-CNN的训练准确率和损失率。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于改进一维卷积神经网络的混合气体识别方法，如图1所示，具体包括以下步骤：
步骤1：通过气敏传感器阵列与气体发生反应采集原始一维数据。
通过气敏传感器阵列与气体发生反应采集原始一维数据，在训练阶段，对采集到的数据贴上标签，并随机打乱排列顺序。
步骤2：构建改进的一维卷积神经网络，包括输入层、隐含层、全局平均池化层、输出层；所述隐含层包括两个卷积层、一个池化层与激活函数。
1D-CNN主要包括输入层、隐含层、全局平均池化层、输出层，如图2所示，其中每个隐含层包括两个卷积层、一个池化层与激活函数(tanh函数)。卷积层用来提取传感器阵列原始数据的特征，可以改善MOS传感器的选择性；而池化层可以保留显著特征、降低特征的维度，从而减小数据运算量与复杂程度。
步骤3：一维卷积神经网络通过卷积运算来提取原始一维数据的特征，降低原始一维数据对后续操作的噪声干扰，输出的特征图作为下一层的输入。
卷积神经网络主要通过卷积运算来提取输入数据的特征，可有效降低原始数据对后续操作的噪声干扰，从而降低原始数据提高分类结果的准确率，其输出的特征图作为下一层的输入。常见的二维卷积提取特征既与水平方向相关，又与垂直方向相关，而一维卷积仅与水平方向相关，且气敏传感器输出的响应值是一维时间序列，而非二维图像的像素点，因此非常适合用一维卷积运算对输出的响应值进行特征提取，一维卷积运算的过程如图3所示，其表达式如(1)所示，xj代表输出，xi j表示第j层卷积层的第i个一维卷积核的输出。
其中：M为输入数据集，
为卷积核，*为卷积符号，b为偏置项，f(·)为激活函数。在本文中，四个隐含层的卷积核大小分别为1*16*8、1*4*16、1*4*256、1*2*512，其中8、16、256、512分别为卷积核的数量。
步骤4：通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化。
特征提取部分每一个隐含层包括两个卷积层加一个池化层的结构，可以进一步提取数据的相关特征，同时池化采用最大池化，池化可以去除冗余信息、减小数据的尺寸，而不会改变数据的维度，这样做可以减轻神经网络的结构负担与运算量，一般不会涉及权重与参数更新，最大池化的表达式如(2)所示，这里池化步长为2。
其中：
表示第j层第i个卷积核，n表示卷积核的尺寸边长，max(·)为最大函数。
步骤5：对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层。
一般卷积神经网络的结构均会在网络最后的池化层后加两个全连接层(fullyconnected layer，FC)，全连接层的作用是将上一层得到的特征图延展为向量，在对向量进行卷积，以降低其维度，但这将大大增加模型复杂度，降低了训练的速度，容易导致过拟合现象的出现，而全局平均池化(Golbal Average Pooling，GAP)则可改善这一不利因素。气敏传感器的输出响应在时间域上是连续、相关的，对其进行全局平均池化操作可以保证采样特征的连续性，并且可以有效去除冗余信息，提高运算效率。全局平均池化可直接将上一层得到的特征图平均池化得出一个值，若上一层输入为10*1*20的特征图，第一个全连接层神经元个数为100，结果为10分类的话，那么运算次数将为(10*1*20)*(10*1*20)*100*10＝4*107次，而全局平均池化只需(10*1*20)*(10*1*20)*10＝4*105次，由此可见，采用全局平均池化代替全连接层，可有效降低参数量，减少过拟合出现的概率。同时，在全局平均池化层后加入Dropout层，可以减少中间特征的数量、提高运算效率，增强模型的泛化能力，预防过拟合现象的出现。
步骤6：通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。
如果分类标签采用独热编码的话，混合气体分类的数目会随着混合气体种类呈现指数型的增加，例如如果某种混合气体含有m种成分，则会产生2m个标签，这样标签维度将会变得很大，为有效降低标签维度，采用将独热编码转换成多标签分类方法，如表1所示，“0”代表没有这种气体，“1”代表有这种气体，多标签分类可将独热编码的(0,0,0)转换成0表示，可有效解决独热编码标签的尺寸大的问题。
表1混合气体标签
其次，通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。softmax函数常用来解决多分类问题，其表达式如公式(3)所示，其中a为本节点的输入即上一节点的输出，首先对输入进行指数变换，这样可以保证得出结果均为非负数，其次将单次得到的结果数除以所有结果数总和，这样可以保证所有结果最后累加和为1，而得到的每个单次结果数的百分比，可看作该输入的处理结果被分为某一类的近似概率，并将其划分为对应概率最大的标签类。
ypre i＝softmax(WTx+b) (4)
最后通过输入数据如公式(4)、(5)所示，其中ypre i为预测预测正确的概率，WT为权重，b为偏置，yi为真实标签，n为分类标签数，最终将交叉熵函数作为训练的损失函数，损失函数输出值越小，则说明模型训练越好。如果预测值与真实值越接近，交叉熵函数输出就越接近0，而若预测值与真实值误差较大，在反向传播训练过程中，各种参数调整的幅度也会随之变大，从而使模型更快地收敛。
本实施方式针对甲烷(CH4)、一氧化碳(CO)、乙烯(C2H4)及两种混合气体进行采集数据，整个数据采集***的框图如图4所示。
整个数据采集***主要由气瓶、气敏传感器阵列、数据采集卡及计算机等组成。其中三个气瓶分别存有甲烷、一氧化碳和乙烯，可根据需求配制不同浓度的单一气体或混合气体。配置浓度计算公式如公式(6)所示。
Q＝C×V (6)
其中，Q为需要输送至配气箱内的气体体积,单位为ml，C为所需配置气体浓度ppm(parts per million，百万分比),V为配气箱的有效容积，单位为ml,此处V＝27cm*27cm*28cm＝20412cm3，则V的取值为20412ml,这里高压气瓶里的气体经减压阀降至0.1MPa再经流量计输送至配气箱内，所以可以忽略压强的影响。如需配置100ppm的CO,根据公式(6)可计算出Q＝100×10-6×20412ml＝2.0412ml,即需向配气箱内输送2.0412ml的CO气体即可。传感器阵列由四种不同型号的传感器组成：分别为费加罗公司TGS2600、TGS2610、TGS2611和TGS2620，表2列出了不同传感器可与发生反应的气体。当目标气体进入MOS气敏传感器，与其内部半导体元件发生反应时，半导体元件会发生还原反应，释放热量，使得元件温度升高，电阻发生变化，可以利用这一特性，将气体组分和浓度转换成电信号进行输出。
表2传感器阵列选型
实验配气采用静态配气法，首先每次配气前先用纯净氮气清洗实验箱三分钟，待输出响应值基本稳定后根据公式(6)进行不同浓度的气体配置，输入气体体积通过流量计瞬时流量和时间相乘可以得出。同时用数据采集卡记录气体与传感器阵列反应的输出响应信号，此处数据采集卡的采样频率设置为10Hz，每次采样时长为5分钟，采集不同浓度甲烷、一氧化碳、乙烯及两种混合气体，其中三种单一气体取值为0～500ppm,间隔为100ppm，如表3所示：
表3单一气体浓度
混合气体浓度分布如表4、表5所示。每组数据采集60次，共计获得4080条数据，训练样本与测试样本的数据量比例为7：3。
表4甲烷、一氧化碳混合气体浓度
表5乙烯、一氧化碳混合气体浓度
为整个气体识别算法主要分为两个阶段：训练阶段和测试阶段。首先通过气敏传感器阵列与气体发生反应采集原始一维数据，在训练阶段，对采集到的数据贴上标签，并随机打乱排列顺序；通过隐含层的卷积运算与池化操作对数据进行特征提取与降维处理，可以提取出一些人工无法描述的特征，并通过反向传播更新权重，保存最优模型参数。测试阶段，通过前期训练好的模型，输入数据经隐含层进行特征提取并通过softmax函数进行分类，得出识别结果。
如图5所示，(a)、(b)为改进前1D-CNN的训练准确率和损失率，可以看出训练结果收敛性较差一些，最佳准确率最终达到92％左右；(c)、(d)分别为改进后1D-CNN的训练准确率和损失率，收敛性较好且最终训练识别准确率基本接近100％、损失率接近0，可以看出利用卷积神经网络可自动提取的特征对数据进行分类，具有准确率高、损失小的优势。
Claims (5)
1.一种基于改进一维卷积神经网络的混合气体识别方法，其特征在于，包括以下步骤：
(1)通过气敏传感器阵列与气体发生反应采集原始一维数据；
(2)构建改进的一维卷积神经网络，包括输入层、隐含层、全局平均池化层、输出层；所述隐含层包括两个卷积层、一个池化层和激活函数；
(3)一维卷积神经网络通过卷积运算来提取原始一维数据的特征，输出的特征图作为下一层的输入；
(4)通过一维卷积神经网络隐含层进一步提取数据的相关特征，同时池化采用最大池化；
(5)对最后一层隐含层的输出进行全局平均池化，并在全局平均池化层后加入Dropout层；
(6)通过softmax函数对输入数据进行分类并利用分类交叉熵函数计算损失。
2.根据权利要求1所述的基于改进一维卷积神经网络的混合气体识别方法，其特征在于，步骤(2)所述的隐含层为四个，其卷积核大小分别为1*16*8、1*4*16、1*4*256、1*2*512，其中8、16、256、512分别为卷积核的数量。
3.根据权利要求1所述的基于改进一维卷积神经网络的混合气体识别方法，其特征在于，步骤(3)所述卷积运算实现过程如下：
其中，xj代表输出，xi j表示第j层卷积层的第i个一维卷积核的输出，M为输入数据集，
为卷积核，*为卷积符号，b为偏置项，f(·)为激活函数。
4.根据权利要求1所述的基于改进一维卷积神经网络的混合气体识别方法，其特征在于，步骤(4)所述的最大池华过程如下：
其中，
表示第j层第i个卷积核，n表示卷积核的尺寸边长，max(·)为最大函数，池化步长为2。
5.根据权利要求1所述的基于改进一维卷积神经网络的混合气体识别方法，其特征在于，所述步骤(6)通过以下公式实现：
ypre i＝softmax(WTx+b) (4)
其中，ypre i为预测预测正确的概率，WT为权重，b为偏置，yi为真实标签，n为分类标签数，最终将交叉熵函数作为训练的损失函数，损失函数输出值越小，则一维卷积神经网络训练越好；如果预测值与真实值越接近，交叉熵函数输出就越接近0，而若预测值与真实值误差较大，在反向传播训练过程中，各种参数调整的幅度也会随之变大，使一维卷积神经网络更快地收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111598938.4A CN114252560A (zh) | 2021-12-24 | 2021-12-24 | 一种基于改进一维卷积神经网络的混合气体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111598938.4A CN114252560A (zh) | 2021-12-24 | 2021-12-24 | 一种基于改进一维卷积神经网络的混合气体识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114252560A true CN114252560A (zh) | 2022-03-29 |
Family
ID=80797485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111598938.4A Pending CN114252560A (zh) | 2021-12-24 | 2021-12-24 | 一种基于改进一维卷积神经网络的混合气体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114252560A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707598A (zh) * | 2022-03-31 | 2022-07-05 | 西安交通大学 | 一种混合气体识别方法、***、终端设备及可读存储介质 |
| CN115684316A (zh) * | 2022-11-08 | 2023-02-03 | 广州市中耕信息技术有限公司 | 基于mos气敏传感器阵列的仿生电子鼻的气味识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
| CN110146642A (zh) * | 2019-05-14 | 2019-08-20 | 上海大学 | 一种气味分析方法及装置 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN110988839A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
| CN111443165A (zh) * | 2020-03-27 | 2020-07-24 | 华中科技大学 | 一种基于气体传感器与深度学习的气味识别方法 |
| CN111985825A (zh) * | 2020-08-26 | 2020-11-24 | 东北大学 | 一种用于滚磨机定向仪的晶面质量评估方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113221758A (zh) * | 2021-05-16 | 2021-08-06 | 西北工业大学 | 一种基于gru-nin模型的水声目标识别方法 |
-
2021
- 2021-12-24 CN CN202111598938.4A patent/CN114252560A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
| CN110146642A (zh) * | 2019-05-14 | 2019-08-20 | 上海大学 | 一种气味分析方法及装置 |
| CN110889448A (zh) * | 2019-11-26 | 2020-03-17 | 北京华医共享医疗科技有限公司 | 一种基于卷积神经网络的心电分类方法 |
| CN110988839A (zh) * | 2019-12-25 | 2020-04-10 | 中南大学 | 基于一维卷积神经网络的墙体健康状况的快速识别方法 |
| CN111443165A (zh) * | 2020-03-27 | 2020-07-24 | 华中科技大学 | 一种基于气体传感器与深度学习的气味识别方法 |
| CN111985825A (zh) * | 2020-08-26 | 2020-11-24 | 东北大学 | 一种用于滚磨机定向仪的晶面质量评估方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113221758A (zh) * | 2021-05-16 | 2021-08-06 | 西北工业大学 | 一种基于gru-nin模型的水声目标识别方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707598A (zh) * | 2022-03-31 | 2022-07-05 | 西安交通大学 | 一种混合气体识别方法、***、终端设备及可读存储介质 |
| CN115684316A (zh) * | 2022-11-08 | 2023-02-03 | 广州市中耕信息技术有限公司 | 基于mos气敏传感器阵列的仿生电子鼻的气味识别方法 |
| CN115684316B (zh) * | 2022-11-08 | 2023-12-22 | 中耕生态环境科技(广州)有限公司 | 基于mos气敏传感器阵列的仿生电子鼻的气味识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gamboa et al. | Validation of the rapid detection approach for enhancing the electronic nose systems performance, using different deep learning models and support vector machines | |
| CN108228716B (zh) | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 | |
| CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| CN111443165B (zh) | 一种基于气体传感器与深度学习的气味识别方法 | |
| CN114252560A (zh) | 一种基于改进一维卷积神经网络的混合气体识别方法 | |
| CN112418395B (zh) | 一种基于生成对抗网络的气体传感器阵列漂移补偿方法 | |
| CN108509601B (zh) | 一种基于大数据分析的食品风味评定方法 | |
| CN106897775A (zh) | 基于贝叶斯集成学习的软测量建模方法 | |
| Ku et al. | Attention-based convolutional neural network for earthquake event classification | |
| CN109559781A (zh) | 一种预测dna-蛋白质结合的双向lstm和cnn模型 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN113011660A (zh) | 空气质量预测方法、***及存储介质 | |
| CN114707598A (zh) | 一种混合气体识别方法、***、终端设备及可读存储介质 | |
| Yan et al. | A deep learning method combined with electronic nose to identify the rice origin | |
| Yang et al. | Teacher–Student Uncertainty Autoencoder for the Process-Relevant and Quality-Relevant Fault Detection in the Industrial Process | |
| Tessarini et al. | Audio signals and artificial neural networks for classification of plastic resins for recycling | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN111708865B (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
| CN116796179A (zh) | 基于噪声滤波框架和融合模型的电子鼻检测葡萄酒质量的方法 | |
| CN112001436A (zh) | 一种基于改进的极限学习机的水质分类方法 | |
| CN116304941A (zh) | 一种基于多模型组合的海洋数据质量控制方法及装置 | |
| CN116312860A (zh) | 基于监督迁移学习的农产品可溶性固形物预测方法 | |
| CN109444360B (zh) | 基于细胞神经网络和电子鼻特征提取的果汁贮藏期检测算法 | |
| CN113076982A (zh) | 基于比例阀轴控器的故障诊断及测试方法 |
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 |