CN103901162A - 一种便携式车内气体检测系统及方法 - Google Patents

Abstract

本发明公开了一种便携式车内气体检测系统及方法，该系统包括传感器阵列、传感器信号采集处理模块、中央处理模块和结果输出模块，首先由传感器阵列采集车内的空气信息，并将采集到的空气信息转换成电压信号传送到传感器信号采集处理模块，再由传感器信号采集处理模块将接收到的电压信号进行AD转换得到数字信号，最后由中央处理模块对数字信号进行解析识别出空气中的气体种类和浓度，并由结果输出模块输出识别结果。通过该系统及方法能够针对车内空气污染进行检测，快速实时便捷地定量识别出车内多种有害气体的浓度。

Description

一种便携式车内气体检测系统及方法

技术领域

本发明涉及人工嗅觉技术领域及计算机技术领域，具体涉及一种便携式车内气体检测系统及方法。

背景技术

随着我国社会经济的发展，汽车消费均呈现持续、高速增长的趋势。目前，我国的大城市已进入汽车增长的高峰时期，家用汽车已经成为人们代步的工具，走入了许多家庭。在汽车产业高速发展的同时，车内环境污染也受到社会各界的高度重视。其主要原因，一是社会公众的环境意识和自我保护意识不断提高，对直接关系身体健康的车内空气质量日益关注；二是消费者对汽车舒适性和感观的要求越来越高，汽车生产企业和装饰企业在设计、生产汽车和提供汽车装饰服务时，为适应消费者的要求，不断提高车内设施的装饰水平及车厢密闭性，使车内空气污染物更容易聚积而产生污染；三是个别汽车生产和装饰企业为降低成本、提高产品市场竞争力，采用一些质量不高甚至对人体健康有害的劣质材料，加剧了车内空气污染。如何进行车内空气质量的控制与净化，保障驾乘人员的健康安全，已经成为整个汽车行业迫切解决的问题。因此对于汽车车内的空气质量问题，应投人更多的关注与研究，选择车内环境检测市场是一个利国利民的产业领域。

现有技术中，空气质量检测的方法主要分为实验室检测和现场检测两种。从目前公开的产品和技术方案来看，实验室检测需要专业检测机构进行现场采气、保存、运输、固相吸附、热脱附等大量纷繁复杂的专业性操作，而且还必须配备如气相色谱仪、质谱仪等大量昂贵的专业仪器，不仅所需的劳动强度大，而且承担经济费用高，也不能现场进行实时监测。现场检测主要有分光光度法和气体传感器法。分光光度法需要专业的分光光度计，还需要现场采气以及多种试剂滴定比色等大量纷繁复杂的专业性操作，耗时较长，稍有操作差异结果会不准确；基于气体传感器的空气质量检测仪主要利用电化学传感器、催化燃烧传感器、红外线传感器等对气体进行检测，其往往过分强调传感器的高度选择性，对某种特定气体进行识别，而忽略了气体传感器的广谱响应和气体传感器之间的交叉敏感性，使得检测的气体种类单一，主要针对氧气、一氧化碳、硫化氢、二氧化硫、氨气、可燃气体等无机气体和甲醛、苯等少量几种有机气体，不能满足车内多种有机污染物同时检测的要求。对于大量有机挥发物的检测，基于气体传感器的空气质量检测仪往往使用光离子传感器，对有机挥发物总量进行检测，而不能确定有机挥发物的种类及其浓度。这样就造成了用户无法知道每一种有害物质的浓度，无法与国家标准进行比对，也就不知道具体是哪一种有害物质超标，以便采取相应的应对措施。

目前国家逐步对车内环境检测越来越重视，也颁布了相关标准，但是我国车内环境检测行业仍属于刚刚起步阶段，对于车内有害气体的检测也仅仅限于实验室阶段，如何针对目前的形势，研究利用人工嗅觉技术的车内有害气体检测方法，设计开发便携式车内有害气体检测仪器尤为重要。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种便携式车内气体检测系统及方法，通过该方法能够同时快速检测车内多种有害气体的种类和浓度。

为实现上述目的，本发明采用的技术方案如下：

一种便携式车内气体检测系统，该系统包括传感器阵列,传感器阵列与传感器信号采集处理模块连接，传感器信号采集处理模块与中央处理模块连接，中央处理模块与结果输出模块连接，其中：

传感器阵列用于采集车内的空气信息，并将采集到的空气信息转换成电压信号传送到传感器信号采集处理模块；所述的空气信息包括气体信息和温度信息；

传感器信号采集处理模块用于接收传感器阵列传送的电压信号，并将电压信号进行AD转换得到数字信号；

中央处理模块用于接收传感器信号采集处理模块传送的数字信号，提取数字信号的信号特征，并根据信号特征利用设定的模式识别算法识别出气体种类和浓度；

结果输出模块用于输出中央处理模块的识别结果。

进一步，如上所述的一种便携式车内气体检测系统，该系统还包括传感器信号调理电路，传感器阵列通过传感器信号调理电路与传感器信号采集处理模块连接，传感器信号调理电路用于对传感器阵列输出的电压信号进行预处理后传送到传感器信号采集处理模块；所述的预处理包括滤波、去噪和放大处理。

进一步，如上所述的一种便携式车内气体检测系统，所述的传感器阵列包括多个气体传感器、1个温度传感器和1个湿度传感器。

进一步，如上所述的一种便携式车内气体检测系统，所述的气体传感器为金属氧化物半导体气体传感器。

进一步，如上所述的一种便携式车内气体检测系统，所述的中央处理模块包括：

特征提取单元：用于接收传感器信号采集处理模块传送的数字信号，提取数字信号的信号特征；所述信号特征包括数字信号的电压最大值和最小值，或者响应斜率值，或者响应积分值，或者电压信号进行曲线拟合后的拟合系数，或者电压信号进行变换后的变换系数；

预处理单元：用于对特征信号进行预处理，包括信号特征选择与优化、归一化和标准化处理；

模式识别单元：用于根据设定的模式识别算法对所提取到的信号特征进行模式分类和浓度预测，识别车内气体种类和浓度。

一种便携式车内气体检测方法，包括以下步骤：

（1）设定采样时间，通过传感器阵列对车内的空气信息进行采集，并将采集到的空气信息转变为电压信号；所述的空气信息包括空气中的气体信息和温湿度信息；

（2）传感器信号采集处理模块对采集到的电压信号进行AD转换得到数字信号；

（3）中央处理模块提取出数字信号的信号特征，根据设定的模式识别算法对所提取到的特征信号进行模式分类和浓度预测，识别出车内气体的种类和浓度。

进一步，如上所述的一种便携式车内气体检测方法，步骤（3）中，所述的模式识别算法包括机器学习、数据挖掘和人工智能技术中的模式识别算法。

进一步，如上所述的一种便携式车内气体检测方法，所述的模式识别算法为支持向量机算法。

进一步，如上所述的一种便携式车内气体检测方法，步骤（3）中，中央处理模块通过其模式识别单元进行气体种类和浓度的识别，模式识别单元采用支持向量机算法进行气体种类和浓度识别的步骤包括：

1）将已知的气体种类和气体浓度的气体作为训练样本训练支持向量机，获取最优分类超平面和最优回归超平面；所述最优分类超平面是指用于识别气体种类的分类函数；所述最优回归超平面是指用于识别气体浓度的回归函数；

2）根据特征提取单元提取到的信号特征信息和最优分类超平面确定所检测到的气体的种类，根据特征提取单元提取到的信号特征信息和最优回归超平面确定所检测到的气体的浓度。

再进一步，如上所述的一种便携式车内气体检测方法，步骤1）中，获取最优分类超平面和最优回归超平面的具体方式为：

设金属氧化物半导体气体传感器的个数为n个，已知气体的种类为s，分别对s种气体进行m次测量，特征提取单元分别对m次测量接收到的数字信号进行信号特征提取，将提取到的信号特征信息记为矩阵X，

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1n}\\ x_{21}& x_{22}& \·\·\·& x_{2n}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ x_{m1}& x_{m2}& \·\·\·& x_{\mathrm{mn}}\end{array}\right]$

其中，矩阵X中的元素x_ij表示第j个传感器对某种气体第i次测量时所提取到的信号特征，1≤i≤m，1≤j≤n；矩阵X的每一行表示n传感器对一种气体测量一次所提取到的信号特征，每一列表示一个传感器m次采集到的气体信息所对应的数字信号提取到的信号特征；

m次测量气体的种类信息记为目标种类矩阵T， $T=\left[\begin{array}{c}{t}_1\\ t_2\\ \·\\ \·\\ \·\\ t_m\end{array}\right]$

矩阵T的元素表示气体种类，每一行对应一次测量中被测气体种类；

m次测量气体对应的浓度信息记为目标浓度矩阵Y, $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \·\\ \·\\ \·\\ y_m\end{array}\right]$

矩阵Y的元素表示气体的浓度，每一行表示对应气体的气体浓度；

a．将矩阵X和T作为训练样本训练支持向量分类机，获取最优分类超平面的具体方式为：将矩阵X作为支持向量机输入矩阵，T作为支持向量机目标输出，通过支持向量分类机进行训练，根据支持向量机训练算法，得到最优分类超平面：

$f_1\left(x\right)=<w_1\&CenterDot;x>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{il}}{t}_i{K}_1<x_i\&CenterDot;x>+b_1;$

其中，w₁和b₁为最优分类超平面的权向量和偏置，α_i1为非负Lagrange乘子；l表示支持向量分类机支持向量的个数，1≤l≤m；x_i为支持向量，1≤i≤l；t_i为x_i对应的气体种类信息，x表示待识别气体的信号特征向量；

是定义在原始空间中的核函数，

为非线性变换；

b.将矩阵X和Y作为训练样本训练支持向量回归机，获取最优回归超平面的具体方式为：将矩阵X作为支持向量机输入矩阵，Y作为支持向量机目标输出，通过支持向量回归机进行训练，根据支持向量机训练算法，得到最优回归超平面：

$f_2\left(x\right)=<w_2\&CenterDot;x>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i2}{y}_i{K}_2<x_i\&CenterDot;x>+b_2;$

其中，w₂和b₂为最优回归超平面的权向量和偏置，α_i2为非负Lagrange乘子；l表示支持向量回归机支持向量的个数，1≤l≤m；x_i为支持向量，1≤i≤l；y_i为x_i对应的气体浓度信息，x表示待识别气体的信号特征向量；是定义在原始空间中的核函数，

为非线性变换。

更进一步，如上所述的一种便携式车内气体检测方法，步骤2）中，识别气体种类和气体浓度的具体方式为：

A．进行气体种类识别的具体方式为：

假设通过特征提取单元提取到的待识别气体的信号特征向量记为矩阵X₀，将X₀作为最优分类超平面的输入得到支持向量分类机输出即气体种类信息：

$f_1\left(x_0\right)=<w_1\&CenterDot;x_0>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i1}{K}_1<x_i{,x}_0>+b_1$

将计算结果f₁(x₀)与目标种类矩阵T中的元素进行比对，矩阵与f₁(x₀)最接近的元素所对应的气体种类为待识别气体的种类；

B．进行气体浓度识别的具体方式为：

假设通过特征提取单元提取到的待识别气体的信号特征信息记为矩阵X₀，将X₀作为最优回归超平面的输入得到支持向量回归机输出即气体浓度信息：

$f_2\left(x_0\right)=<w_2\&CenterDot;x_0>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i2}{K}_2<x_i{,x}_0>+b_2.$

计算结果f₂(x₀)为待识别气体的浓度。

本发明的效果在于：本发明所述的系统及方法能够针对车内空气污染进行检测，快速实时便捷地定量识别出车内多种有害气体的浓度，并予以输出；该系统及方法还能够结合声光报警技术，对超过国家规定浓度限值的有害气体予以声光报警，以便于车内乘坐人员采取通风、换气、净化等一系列后续措施。

附图说明

图1为本发明一种便携式车内气体检测系统的结构框图；

图2为本发明一种便携式车内气体检测方法的流程图。

具体实施方式

下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。

图1示出了本发明一种便携式车内气体检测系统的结构框图，该系统包括传感器阵列1、传感器信号调理电路2、传感器信号采集处理模块3、中央处理模块4和结果输出模块5，其中，传感器阵列1通过传感器信号调理电路2与传感器信号采集处理模块3连接，传感器信号采集处理模块3与中央处理模块4连接，中央处理模块4与结果输出模块5连接。

传感器阵列1的输入端与车内空气接触，用于采集车内的空气信息，并将采集到的空气信息转换成电压信号传送到传感器信号采集处理模块；所述的空气信息包括气体信息和温度信息；

传感器信号调理电路2用于对传感器阵列输出的电压信号进行预处理后传送到传感器信号采集处理模块3；所述的预处理包括滤波、去噪和放大处理。

传感器信号采集处理模块3用于接收传感器阵列传送的电压信号，并将电压信号进行AD转换得到数字信号；

中央处理模块4用于接收传感器信号采集处理模块3传送的数字信号，并对数字信号进行解析识别出空气中的气体种类和浓度；

结果输出模块5用于输出中央处理模块的识别结果。

本发明的上述传感器阵列1使用多个气体传感器对车内的气体信息进行采集,同时还具有温湿度传感器进行车内环境温湿度信息的采集。本实施方式中采用的气体传感器为金属氧化物半导体气体传感器，金属氧化物半导体气体传感器的交叉敏感性和光谱效应在多种气体中的检测中具有明显的优势；虽然使用其他传感器比如电化学传感器也可以用于检测气体，但没有金属氧化物半导体传感器的范围广，不一定适合车内气体检测，因为不一定能检测出车内的多种不同有毒气体，电化学传感器特性主要是选择型好，也就是同一个传感器只针对少数气体有响应，而金属氧化物半导体气体传感器则是对很多气体都会有不同程度的响应。构成传感器阵列1的个数一般从几个到几十个都可以，这个要根据传感器性能和实验效果来选择，本实施方式中金属氧化物半导体气体传感器的个数为3-10个，优选用6个。

传感器阵列1将采集到的气体信息和温湿度信息a转变为电压信号b后传送到传感器信号调理电路2，传感器信号调理电路2对电压信号b进行滤波、去噪、放大等于处理后得到电压信号c，并传送到传感器信号采集处理模块3，传感器信号采集处理模块将所述变化的电压信号c通过AD转换采集得到一组数字信号d，数字信号d输入到中央处理模块4对气体进行定性和定量分析，识别出污染气体的种类和浓度，并发送给所述结果输出模块5进行输出。

中央处理模块4是本发明的关键模块，该模块包括以下单元：

特征提取单元41：用于接收传感器信号采集处理模块3传送的数字信号，提取数字信号的信号特征得到特征信号；所述信号特征包括数字信号的电压最大值和最小值，或者响应斜率值，响应积分值，或者电压信号进行曲线拟合后的拟合系数，或者电压信号进行变换后的变换系数；

预处理单元42：用于对特征提取单元41提取出的特征信号进行预处理的；所述的预处理包括特征信号选择与优化、归一化和标准化处理

模式识别单元43：用于根据设定的模式识别算法对所提取到的特征信号进行模式分类和浓度预测，识别出车内气体的种类和浓度。

数字信号d进入中央处理模块后首先要进行信号特征提取，特征的是否合适将直接影响后续模式识别算法的效果。特征提取的方法较多，可以直接提取输出响应曲线中的数据，例如提取每个传感器输出曲线中的电压最大值，最小值，或响应斜率值，响应积分值；也可以对响应曲线进行曲线拟合以后将拟合系数作为特征；还可以将响应曲线进行特殊变换以后提取特征，如对响应进行傅里叶变换或者小波变换，然后用特定的傅里叶系数或小波系数作为特征。

特征提取单元41对数字信号d中每一路气体传感器数字信号和温湿度传感器数字信号进行特征提取，得到所述气体传感器组和所述温湿度传感器的数字特征信号e；由于针对不同的应用每个传感器的广谱响应特性不同，对后续模式识别算法的贡献就不同，重要性也就不同，因此预处理单元42对所述数字特征信号e进行预处理，得到一组处理后的特征信号f；所述模式识别单元43的输入即为特征信号f，模式识别单元43利用包括机器学习、数据挖掘、人工智能等在内的多种技术中的对特征信号f进行模式分类和浓度预测，定性、定量地识别出污染气体的种类和浓度，并发送给所述结果输出模块5进行输出，模式识别算法可以是人工神经网络、线性判别、主成分回归或者支持向量机等算法。

图2示出了基于图1中便携式车内有害气体检测系统的一种便携式车内气体检测方法的流程图，该方法包括以下步骤：

步骤S21：进行车内空气信息采集，并将采集到的空气信息转变为电压信号；

设定采样时间，通过传感器阵列对车内的空气信息进行采集，并将采集到的空气信息转变为电压信号；所述的空气信息包括空气中的气体信息和温湿度信息。本实施方式中传感器阵列中金属氧化物半导体气体传感器的个数为6个，温度和湿度传感器各1个，由传感器阵列1在设定时间内对车内空气信息进行采集，并将采集到的信息转变为电压信号，得到8维电压信号。

步骤S22:对采集到的电压信号进行AD转换得到数字信号；

步骤S23：提取数字信号的信号特征，根据模式识别算法识别出车内气体的种类和浓度。

将步骤S21中采集得到的电压信号经过滤波、去噪、放大等预处理后将AD转换得到一组数字信号。数字信号进入中央处理模块，中央处理模块提取出数字信号的信号特征，根据设定的模式识别算法对所提取到的特征信号进行模式分类和浓度预测，识别出车内气体的种类和浓度。所述信号特征包括数字信号的电压最大值和最小值，或者响应斜率值，响应积分值，或者电压信号进行曲线拟合后的拟合系数，或者电压信号进行变换后的变换系数，在根据提取的信号特征识别气体种类和气体浓度时，首先对提取的信号特征进行相关预处理，包括选择与优化、归一化和标准化处理，对信号进行上述的预处理均为现有技术，在此不再详细描述。

下面对特征提取单元41对数字信号d中每一路气体传感器数字信号和温湿度传感器数字信号进行特征提取进行进一步说明：

本实施方式中假设传感器阵列中某一个传感器i对气体j的响应是一时变信号f_ij（t）。由n个传感器构成的阵列对气体j的响应是n维矢量F_j，t表示采样时间，传感器所采集到的电压信号的特征信息如下：

最大值特征：max（f_ij（t））

最小值特征：min（f_ij（t））

斜率特征： ${f\&prime;}_{\mathrm{ij}}\left(t_i\right)=\frac{f_{\mathrm{ij}}\left(t_{i+1}\right)-f_{\mathrm{ij}}\left(t_i\right)}{t_{i+1}-t_i}$

积分特征： $I=\underset{a}{\overset{b}{\&Integral;}}{f}_{\mathrm{ij}}\left(t\right)\mathrm{dt}$

上述特征信息均可以分别作为特征提取单元所要提取的特征信号，a，b代表采样起止时间，t代表a和b之间的采样时间点。

步骤S23中，如果信号特征选用曲线拟合系数特征，具体处理方式为：

用连续曲线的解析表达式逼近传感器输出的离散数据（数字信号），近似地刻画离散的传感器响应与采样时间所表示的坐标之间的函数关系，然后用这几种解析表达式的模型参数作为信号特征。首先确定曲线拟合的拟合模型Y＝f(x)，可以选择的拟合模型很多，用户可以根据需要进行选择，如下表所示为常用的几种拟合模型：

假设传感器输出与采样时间组成的n个点为(x_i,y_i)(i＝1,2,…,n)，其中y_i表示传感器响应输出，x_i表示采样时间，使用最小二乘准则，使得n个点(x_i,y_i)与曲线Y=f(x)的距离δ_i的平方和最小，即

$J=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_i^2=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[f\left(x_i\right)-y_i]}^2$

最小，求出得到最小J的模型参数，然后提取这些参数作为特征。

步骤S23中，如果信号特征选用傅里叶系数特征，具体处理方式为：

假设x(n)为传感器输出采样信号，n为采样点，N为x(n)的长度，对x(n)进行离散傅里叶变换：

$X\left(k\right)=\underset{n=0}{\overset{n-1}{\mathrm{\&Sigma;}}}x\left(n\right)e^{-j\frac{2\mathrm{\&pi;}}{N}\mathrm{nk}},0\&le;k\&le;N-1$

则X(k)即为k次谐波的傅里叶系数，然后选取不同k值对应的系数X(k)作为特征。

步骤S23中，如果信号特征选用小波系数特征，具体处理方式为：

假设传感器响应输出为x(n)，将x(n)按照小波级数展开表示为：

其中

为尺度函数，函数系

构成V_j的一个规范正交基，ψ(n)为小波函数，函数系{ψ_j,k(n)=2^-j/2ψ(2^-jn-k)}_j，k∈Z构成W_j的一个规范正交基。

尺度系数

小波系数

然后选取不同j所对应的小波系数d_j，k和尺度系数c_J，k作为特征。

在提取出信号特征后，对特征进行预处理，然后采用设定的模式识别算法，进行气体种类和浓度的识别。本实施方式中的模式识别算法采用支持向量机算法，通过该算法进行识别的步骤主要包括以下两步：

1）将已知的气体种类和气体浓度的气体作为训练样本训练支持向量机，获取最优分类超平面和最优回归超平面；所述最优分类超平面是指用于识别气体种类的分类函数；所述最优回归超平面是指用于识别气体浓度的回归函数；

2）根据特征提取单元提取到的信号特征信息和最优分类超平面确定所提取到的气体的种类，根据特征提取单元提取到的信号特征信息和最优回归超平面确定所提取到的气体的浓度。

其中，步骤1）中，获取最优分类超平面和最优回归超平面的具体方式为：

设金属氧化物半导体气体传感器的个数为n个，已知气体的种类为s，分别对s种气体进行m次测量，特征提取单元分别对m测量接收到的数字信号进行信号特征提取，将提取到的信号特征信息记为矩阵X，

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{1n}\\ x_{21}& x_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{2n}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ x_{m1}& x_{m2}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{mn}}\end{array}\right]$

其中，矩阵X中的元素x_ij表示第j个传感器对某种气体第i次测量时所提取到的信号特征，1≤i≤m，1≤j≤n；矩阵X的每一行表示n传感器对一种气体测量一次所提取到的信号特征，每一列表示一个传感器m次采集到的气体信息所对应的数字信号提取到的信号特征；

m次测量气体的种类信息记为目标种类矩阵T， $T=\left[\begin{array}{c}{t}_1\\ t_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ t_m\end{array}\right]$

矩阵T的元素表示气体种类，每一行对应一次测量中被测气体种类；

m次测量气体对应的浓度信息记为目标浓度矩阵Y,  $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_m\end{array}\right]$

矩阵Y的元素表示气体的浓度，每一行表示对应气体的气体浓度；

根据上述信息获取最优分类超平面和最优回归超平面的具体方式如下：

a．将矩阵X和T作为训练样本训练支持向量分类机，获取最优分类超平面的具体方式为：将矩阵X作为支持向量机输入矩阵，T作为支持向量机目标输出，通过支持向量分类机进行训练，根据支持向量机训练算法，得到最优分类超平面：

$f_1\left(x\right)=<w_1\&CenterDot;x>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{il}}{t}_i{K}_1<x_i\&CenterDot;x>+b_1;$

其中，w₁和b₁为最优分类超平面的权向量和偏置，α_i1为非负Lagrange乘子；l表示支持向量分类机支持向量的个数，1≤l≤m；x_i为支持向量，1≤i≤l；t_i为x_i对应的气体种类信息，x表示待识别气体的信号特征向量；

是定义在原始空间中的核函数，

为非线性变换；

b.将矩阵X和Y作为训练样本训练支持向量回归机，获取最优回归超平面的具体方式为：将矩阵X作为支持向量机输入矩阵，Y作为支持向量机目标输出，通过支持向量回归机进行训练，根据支持向量机训练算法，得到最优回归超平面：

$f_2\left(x\right)=<w_2\&CenterDot;x>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i2}{y}_i{K}_2<x_i\&CenterDot;x>+b_2;$

其中，w₂和b₂为最优分类超平面的权向量和偏置，α_i2为非负Lagrange乘子；l表示支持向量回归机支持向量的个数，1≤l≤m；x_i为支持向量，1≤i≤l；y_i为x_i对应的气体浓度信息；x表示待识别气体的信号特征向量；

是定义在原始空间中的核函数，

为非线性变换。

得到最优分类超平面和最优回归超平面（即分类函数和回归函数），后识别气体种类和气体浓度的具体方式为：

A．进行气体种类识别的具体方式为：

假设通过特征提取单元提取到的待识别气体的信号特征信息记为矩阵X₀，将X₀作为最优分类超平面的输入得到支持向量分类机输出即气体种类信息：

$f_1\left(x_0\right)=<w_1\&CenterDot;x_0>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{t_i\mathrm{\&alpha;}}_{\mathrm{il}}{K}_1<x_i{,x}_0>+b_1$

将计算结果f₁(x₀)与目标种类矩阵T中的元素进行比对，矩阵与f₁(x₀)最接近的元素所对应的气体种类为待识别气体的种类；

B．进行气体浓度识别的具体方式为：

假设通过特征提取单元提取到的待识别气体的信号特征信息记为矩阵X₀，将X₀作为最优回归超平面的输入得到支持向量回归机输出即气体浓度信息：

$f_2\left(x_0\right)=<w_2\&CenterDot;x_0>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i2}{K}_2<x_i{,x}_0>+b_2.$

计算结果f₂(x₀)即为待识别气体的浓度。

到此为止，我们已经完成了气体定性和定量识别的过程。

在实际的检测过程中，可以将所有的气体分为两大类，一类为用户想要检测的气体，其余的信息均为一类，这样在进行检测结果中，将得到的信号特征作为最优分类超平面的输入，通过将计算结果f₁(x₀)与分类目标矩阵中的值进行对比来确定识别出的气体是否为用户想要检测的气体，然后再根据最优回归超平面计算识别出的气体浓度。

本发明所述的系统及方法还考虑到环境的温湿度变化对传感器相应的影响，将温湿度传感器响应与气体传感器的响应作为测量系统的并列输入，作为推断气体浓度的3个地位相同的条件；环境温湿度对气体传感器输出的影响反映在模式识别分类机和回归机的各项参数中，成为系统不可分割的组成部分。实际测量时，环境温湿度的影响被隐含地补偿掉，从而得到气体浓度的精确信息。

下面结合具体实施例对本发明的系统及方法进行进一步详细说明：

实施例

本实施例中假设用3个传感器构成传感器阵列检测两类气体，共检测40次，第一类气体检测了16次，第二类气体检测了24次，将第一类气体的种类通过代号“1”来表示，第二类气体的种类通过代号“-1”来表示。则本实施中n=3,m=40，通过传感器阵列测量后得到的特征信号信息的训练样本矩阵X为

$\begin{array}{ccc}0.0100& 5.5439& 2.1470\\ 0.1671& 5.7210& 2.2118\\ 0.3242& 5.5225& 1.3895\\ 0.4812& 5.9937& 0.0615\\ 0.6383& 5.2187& 1.0394\\ 0.7594& 5.1058& 1.3330\\ 0.9525& 5.1097& 0.8419\\ 1.1096& 5.0636& 0.6191\\ 1.2666& 5.4046& 2.5815\\ 1.4237& 5.4484& 1.3506\\ 1.5808& 5.3658& 2.7890\\ 1.7379& 5.7635& 1.2289\\ 1.8950& 5.6279& 2.4162\\ 2.0520& 5.7720& 1.2466\\ 2.1091& 5.9329& 2.5400\\ 2.3662& 5.9727& 2.3721\\ 2.5233& 5.1920& 1.1856\\ 2.6804& 5.1389& 0.6786\\ 2.8374& 5.6963& 2.4831\\ 2.9945& 5.0938& 2.9823\\ 3.1516& 5.5254& 1.0291\\ 3.3087& 5.5303& 2.1088\\ 3.4658& 5.8611& 1.3780\\ 3.6228& 5.4849& 2.6185\\ 3.7799& 5.3935& 2.4154\\ 3.9370& 5.6714& 0.5254\\ 4.0941& 5.7413& 2.7080\end{array}$

$\begin{array}{ccc}4.2512& 5.5201& 3.1098\\ 4.4082& 5.3477& 1.6161\\ 4.5653& 5.1500& 2.7781\\ 4.7224& 5.5861& 1.8473\\ 4.8795& 5.2621& 0.4862\\ 5.0365& 5.0445& 0.6279\\ 5.1936& 5.7549& 1.2785\\ 5.3507& 5.2428& 2.3521\\ 5.5078& 5.4424& 2.5936\\ 5.6649& 5.6878& 2.4817\\ 5.8219& 5.3592& 1.0007\\ 5.9790& 5.7363& 1.6778\\ 6.1361& 5.3947& 0.2826\end{array}$

本实施方式中的信号特征为响应输出的电压最大值，其中，上述每一行表示一次实验的响应输出电压最大值，每一列表示一个传感器40次测量的输出电压的最大值，x_i(i=1,2,…,40)为X的每一行；

样本类别目标矩阵

T=[1 1 1 1 1 1 1 1 1 1 -1 1 -1 1  -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1-1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 -1 1 1 1]^T;

T中的1对应第一类气体，-1对应第二种气体，该矩阵T中的列元素为1还是-1，与进行测量时的测量顺序对应气体种类。

经过训练支持向量分类机，得到分类函数

$f_1\left(x_0\right)=<w_1\&CenterDot;x_0>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i1}{K}_1<x_i,x_0>+b_1$

其中l=23为分类机支持向量的个数，K₁(x_i,x₀)=exp(-sum(x_i-x₀).^2)；t_iα_i1(i=1,2,…,l)分别为[0.7596 0.2162 0.9113 0.0582 0.6669 2.0000 2.00002.0000 1.1212 1.1357 -2.0000 -0.6391 -0.3491 -1.7483 -0.1228 -0.3966-0.2622 -0.4239 -0.4714 -1.4482 -0.1113 -1.5705 -1.3259],b₁=-0.1260,x₀表示要分类的未知样本，x_i(i＝1,2,…l)表示支持向量（分类机有23个支持向量），分别为：

$\begin{array}{ccc}0.0100& 5.5439& 2.1470\\ 0.3242& 5.5225& 1.3895\\ 0.4812& 5.9937& 0.0615\\ 0.7954& 5.1058& 1.3330\\ 1.1096& 5.0636& 0.6191\\ 1.2666& 5.4046& 2.5815\\ 2.0520& 5.7720& 1.2466\\ 5.1936& 5.7549& 1.2785\\ 5.9790& 5.7363& 1.6778\\ 6.1361& 2.3947& 0.2826\end{array}$

$\begin{array}{ccc}1.5808& 5.3658& 2.7890\\ 1.8950& 5.6279& 2.4162\\ 2.3662& 5.9727& 2.3721\\ 2.5233& 5.1920& 1.1856\\ 2.6804& 5.1389& 0.6786\\ 2.9945& 5.0938& 2.9823\\ 3.4658& 5.8611& 1.3780\\ 3.9370& 5.6714& 0.5254\\ 4.2512& 5.5201& 3.1098\\ 4..7224& 5.5861& 1.8473\\ 4.8795& 5.2621& 0.4862\\ 5.0365& 50.445& 0.6279\\ 5.6649& 5.6878& 2.4817\end{array}$

在得到最优分类超平面后，假设有两个未知样本（待识别气体）的特征信号为：

z1=[0.4907 5.8972 0.0775]，z2=[3.9961 5.2764 0.5124];

带入分类函数计算f₁(z₁)和f₁(z₂)得到：

$f_1\left(z_1\right)=<w_1\&CenterDot;z_1>+b_1=\underset{i=1}{\overset{23}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i1}{K}_1(x_i,z_1)+b_1=1.0310\&GreaterEqual;0$

故z₁属于第一类气体。

$f_1\left(z_2\right)=<w_1\&CenterDot;z_2>+b_1=\underset{i=1}{\overset{23}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i1}{K}_1(x_i,z_2)+b_1=-1.1353<\&GreaterEqual;0$

故z₂属于第二类气体。

到此为止，我们实现了两种气体的分类。

假设用三个传感器构成阵列检测同一种类不同浓度气体40次，则有n=3,m=40，得到40*3的训练样本矩阵X为

$\begin{array}{ccc}0.0100& 5.9516& 0.7911\\ 0.1671& 5.9203& 0.9124\\ 0.3242& 5.0527& 1.9386\\ 0.4812& 5.7379& 0.8334\\ 0.6383& 5.2691& 2.5899\\ 0.7954& 5.4228& 3.0871\\ 0.9525& 5.5479& 2.2941\\ 1.1096& 5.9427& 1.0803\\ 1.2666& 5.4177& 1.8349\\ 1.4237& 5.9831& 0.3386\\ 1.5808& 5.3015& 2.8473\\ 1.7379& 5.7011& 2.7635\end{array}$

$\begin{array}{ccc}1.8950& 5.6663& 2.5691\\ 2.0520& 5.5391& 0.8191\\ 2.2091& 5.6981& 1.8672\\ 2.3662& 5.6665& 0.0707\\ 2.5233& 5.1781& 1.3360\\ 2.6804& 5.1280& 0.9824\\ 2.8374& 5.9991& 0.5073\\ 2.9945& 5.1711& 0.5616\\ 3.1516& 5.0326& 1.3285\\ 3.3087& 5.5612& 0.2960\\ 3.4658& 5.8819& 1.8803\\ 3.6228& 5.6692& 1.4795\\ 3.7799& 5.1904& 2.1864\\ 3.9370& 5.3689& 2.1988\\ 4.0941& 5.4607& 2.0060\\ 4.2512& 5.9816& 0.1056\\ 4.4082& 5.1564& 0.2162\\ 4.5653& 5.8555& 1.0041\\ 4.7224& 5.6448& 1.6678\\ 4.8795& 5.3763& 2.0560\\ 5.0365& 5.1909& 1.2806\\ 5.1936& 5.4283& 2.5760\\ 5.3507& 5.4820& 2.2568\\ 5.5078& 5.1206& 3.0431\\ 5.6649& 5.5895& 1.6692\\ 5.8219& 5.2262& 1.0215\\ 5.9790& 5.3846& 0.3318\\ 6.1361& 5.5830& 1.9194\end{array}$

其中每一行表示一次实验的响应输出电压最大值，每一列表示一个传感器输出电压的做最大值，x_i(i=1,2,…,40)为X的每一行，样本浓度目标矩阵Y=[4.2420 4.3085 3.7446 4.1881 4.0868 4.3068 4.2231 4.3027 3.84413.9929 3.7018 3.9343 3.7119 3.0809 3.2917 2.7456 2.3856 2.13172.7432 1.8439 1.7902 1.9890 2.5750 2.2567 1.9410 2.1281 2.22412.4288 1.7479 2.6857 2.7341 2.6885 2.5138 3.1454 3.2905 3.27353.5838 3.2501 3.3855 4.0080]^T;

经过训练支持向量回归机，得到回归函数

$f_2\left(x_0\right)=<w_2\&CenterDot;x_0>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i2}{K}_2(x_i{,x}_0)+b_2$

其中l=12为回归机支持向量的个数，K₂(x_i,x₀)=exp(-0.0625*sum(x_i-x₀).^2)，y_iα_i1(i=1,2,…,l)分别为[-8.7250 -5.3618 3.6256 10.6719 3.1266 7.8343-12.1117 -2.2951 -8.4510 5.8632 1.9228 3.9002]，b₂=3.5862,x₀表示要分类的未知样本，x_i(i=1,2,…l)表示支持向量（回归机有12个支持向量），分别为

$\begin{array}{ccc}0.0100& 5.9516& 0.7311\\ 0.3242& 5.0527& 1.9386\\ 0.7954& 5.4228& 3.0871\\ 1.1096& 5.9427& 1.0803\\ 1.2666& 5.4177& 1.8349\\ 1.4237& 5.9831& 0.3386\\ 3.3087& 5.5612& 0.2960\\ 3.4658& 5.8819& 1.8803\\ 3.7799& 5.1904& 2.1864\\ 4.5653& 5.8555& 1.0041\\ 5.3507& 5.4820& 2.2568\\ 5.6649& 5.5895& 1.6692\end{array}$

假设有两个未知样本

z₁=[0.1671 5.9203 0.9124],z₂=[3.1516 5.0326 1.3285],

带入分类函数计算f₂(z₁)和f₂(z₂)得到：

$f_2\left(z_1\right)=<w_2\&CenterDot;z_1>+b_2=\underset{i=1}{\overset{12}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i2}{K}_2(x_i,z_1)+b_2=4.3636$

故z₁的浓度为4.3636。

$f_2\left(z_2\right)=<w_2\&CenterDot;z_2>+b_2=\underset{i=1}{\overset{12}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i2}{K}_2(x_i,z_2)+b_2=1.8099$

故z₂的浓度为1.8099。

到此为止，我们实现了同种气体的浓度预测。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (11)

1.一种便携式车内气体检测系统，其特征在于：该系统包括传感器阵列（1）,传感器阵列（1）与传感器信号采集处理模块（3）连接，传感器信号采集处理模块（3）与中央处理模块（4）连接，中央处理模块（4）与结果输出模块（5）连接，其中：

传感器阵列（1）用于采集车内的空气信息，并将采集到的空气信息转换成电压信号传送到传感器信号采集处理模块（3）；所述的空气信息包括气体信息和温度信息；

传感器信号采集处理模块（3）用于接收传感器阵列（1）传送的电压信号，并将电压信号进行AD转换得到数字信号；

中央处理模块（4）用于接收传感器信号采集处理模块（3）传送的数字信号，提取数字信号的信号特征，并根据信号特征利用设定的模式识别算法识别出气体种类和浓度；

结果输出模块（5）用于输出中央处理模块（4）的识别结果。

2.如权利要求1所述的一种便携式车内气体检测系统，其特征在于：该系统还包括传感器信号调理电路（2），传感器阵列（1）通过传感器信号调理电路（2）与传感器信号采集处理模块（3）连接，传感器信号调理电路（2）用于对传感器阵列（1）输出的电压信号进行预处理后传送到传感器信号采集处理模块（3）；所述的预处理包括滤波、去噪和放大处理。

3.如权利要求1或2所述的一种便携式车内气体检测系统，其特征在于：所述的传感器阵列（1）包括多个气体传感器、1个温度传感器和1个湿度传感器。

4.如权利要求3所述的一种便携式车内气体检测系统，其特征在于：所述的气体传感器为金属氧化物半导体气体传感器。

5.如权利要求4所述的一种便携式车内气体检测系统，其特征在于，所述的中央处理模块（4）包括：

特征提取单元（41）：用于接收传感器信号采集处理模块（3）传送的数字信号，提取数字信号的信号特征；所述信号特征包括数字信号的电压最大值和最小值，或者响应斜率值，或者响应积分值，或者电压信号进行曲线拟合后的拟合系数，或者电压信号进行变换后的变换系数；

预处理单元（42）：用于对特征信号进行预处理，包括信号特征选择与优化、归一化和标准化处理；

模式识别单元（43）：用于根据设定的模式识别算法对所提取到的信号特征进行模式分类和浓度预测，识别车内气体种类和浓度。

6.一种便携式车内气体检测方法，包括以下步骤：

（1）设定采样时间，通过传感器阵列对车内的空气信息进行采集，并将采集到的空气信息转变为电压信号；所述的空气信息包括空气中的气体信息和温湿度信息；

（2）传感器信号采集处理模块对采集到的电压信号进行AD转换得到数字信号；

（3）中央处理模块提取出数字信号的信号特征，根据设定的模式识别算法对所提取到的特征信号进行模式分类和浓度预测，识别出车内气体的种类和浓度。

7.如权利要求6所述的一种便携式车内气体检测方法，其特征在于：步骤（3）中，所述的模式识别算法包括机器学习、数据挖掘和人工智能技术中的模式识别算法。

8.如权利要求7所述的一种便携式车内气体检测方法，其特征在于：所述的模式识别算法为支持向量机算法。

9.如权利要求8所述的一种便携式车内气体检测方法，其特征在于：步骤（3）中，中央处理模块通过其模式识别单元进行气体种类和浓度的识别，模式识别单元采用支持向量机算法进行气体种类和浓度识别的步骤包括：

1）将已知气体种类和气体浓度的气体作为训练样本训练支持向量机，获取最优分类超平面和最优回归超平面；所述最优分类超平面是指用于识别气体种类的分类函数；所述最优回归超平面是指用于识别气体浓度的回归函数；

2）根据特征提取单元提取到的信号特征信息和最优分类超平面确定所检测到的气体的种类，根据特征提取单元提取到的信号特征信息和最优回归超平面确定所检测到的气体的浓度。

10.如权利要求9所述的一种便携式车内气体检测方法，其特征在于，步骤1）中，获取最优分类超平面和最优回归超平面的具体方式为：

设金属氧化物半导体气体传感器的个数为n个，已知气体的种类为s，分别对s种气体进行m次测量，特征提取单元分别对m次测量接收到的数字信号进行信号特征提取，将提取到的信号特征信息记为矩阵X，

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{1n}\\ x_{21}& x_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{2n}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ x_{m1}& x_{m2}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{mn}}\end{array}\right]$

其中，矩阵X中的元素x_ij表示第j个传感器对某种气体第i次测量时所提取到的信号特征，1≤i≤m，1≤j≤n；矩阵X的每一行表示n传感器对一种气体测量一次所提取到的信号特征，每一列表示一个传感器m次采集到的气体信息所对应的数字信号提取到的信号特征；

m次测量气体的种类信息记为目标种类矩阵T，  $T=\left[\begin{array}{c}{t}_1\\ t_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ t_m\end{array}\right]$

矩阵T的元素表示气体种类，每一行对应一次测量中被测气体种类；

m次测量气体对应的浓度信息记为目标浓度矩阵Y，  $Y=\left[\begin{array}{c}{y}_1\\ y_2\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ y_m\end{array}\right]$

矩阵Y的元素表示气体的浓度，每一行表示对应气体的气体浓度；

a．将矩阵X和T作为训练样本训练支持向量分类机，获取最优分类超平面的具体方式为：将矩阵X作为支持向量机输入矩阵，T作为支持向量机目标输出，通过支持向量分类机进行训练，根据支持向量机训练算法，得到最优分类超平面：

$f_1\left(x\right)=<w_1\&CenterDot;x>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{\mathrm{il}}{t}_i{K}_1<x_i\&CenterDot;x>+b_1;$

其中，w₁和b₁为最优分类超平面的权向量和偏置，α_i1为非负Lagrange乘子；l表示支持向量分类机支持向量的个数，1≤l≤m；x_i为支持向量，1≤i≤l；t_i为x_i对应的气体种类信息，x表示待识别气体的信号特征向量；

是定义在原始空间中的核函数，

为非线性变换；

b.将矩阵X和Y作为训练样本训练支持向量回归机，获取最优回归超平面的具体方式为：将矩阵X作为支持向量机输入矩阵，Y作为支持向量机目标输出，通过支持向量回归机进行训练，根据支持向量机训练算法，得到最优回归超平面：

$f_2\left(x\right)=<w_2\&CenterDot;x>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_{i2}{y}_i{K}_2<x_i\&CenterDot;x>+b_2;$

其中，w₂和b₂为最优回归超平面的权向量和偏置，α_i2为非负Lagrange乘子；l表示支持向量回归机支持向量的个数，1≤l≤m；x_i为支持向量，1≤i≤l；y_i为x_i对应的气体浓度信息，x表示待识别气体的信号特征向量；

是定义在原始空间中的核函数，

为非线性变换。

11.如权利要求10所述的一种便携式车内气体检测方法，其特征在于，步骤2）中，识别气体种类和气体浓度的具体方式为：

A．进行气体种类识别的具体方式为：

假设通过特征提取单元提取到的待识别气体的信号特征向量记为矩阵X₀，将X₀作为最优分类超平面的输入得到支持向量分类机输出即气体种类信息：

$f_1\left(x_0\right)=<w_1\&CenterDot;x_0>+b_1=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{t}_i{\mathrm{\&alpha;}}_{i1}{K}_1<x_i,x_0>+b_1$

将计算结果f₁(x₀)与目标种类矩阵T中的元素进行比对，矩阵与f₁(x₀)最接近的元素所对应的气体种类为待识别气体的种类；

B．进行气体浓度识别的具体方式为：

假设通过特征提取单元提取到的待识别气体的信号特征信息记为矩阵X₀，将X₀作为最优回归超平面的输入得到支持向量回归机输出即气体浓度信息：

$f_2\left(x_0\right)=<w_2\&CenterDot;x_0>+b_2=\underset{i=1}{\overset{l}{\mathrm{\&Sigma;}}}{y}_i{\mathrm{\&alpha;}}_{i2}{K}_2<x_i,x_0>+b_2.$

计算结果f₂(x₀)为待识别气体的浓度。

Images