CN112116962A - 一种空气成分识别方法及系统 - Google Patents

一种空气成分识别方法及系统 Download PDF

Info

Publication number
CN112116962A
CN112116962A CN202010993899.7A CN202010993899A CN112116962A CN 112116962 A CN112116962 A CN 112116962A CN 202010993899 A CN202010993899 A CN 202010993899A CN 112116962 A CN112116962 A CN 112116962A
Authority
CN
China
Prior art keywords
air
sample set
data
neural network
convolutional neural
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
Application number
CN202010993899.7A
Other languages
English (en)
Inventor
范书瑞
赵燕飞
贾颖淼
李紫蕊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Haihe Management Center
Hebei University of Technology
Original Assignee
Tianjin Haihe Management Center
Hebei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Haihe Management Center, Hebei University of Technology filed Critical Tianjin Haihe Management Center
Priority to CN202010993899.7A priority Critical patent/CN112116962A/zh
Publication of CN112116962A publication Critical patent/CN112116962A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种空气成分识别方法及系统，方法包括：获取历史空气数据；对所述历史空气数据进行处理，得到训练样本集和测试样本集；构建卷积神经网络模型；通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；根据所述空气成分识别模型对空气成分进行识别。本发明构建的卷积神经网络网络层数少、训练时间短，测试准确率高，能快速、准确的识别空气成分。

Description

一种空气成分识别方法及系统
技术领域
本发明涉及空气成分识别技术领域，特别是涉及一种空气成分识别方法及系统。
背景技术
空气是一种有颜色，有气味的气体，是一种混合物。目前工业生产中经常会进行气体成分识别。识别气体成分的原理一般有催化燃烧原理、电化学原理、红外光学原理、气相色谱原理等。其中催化燃烧原理一般针对可燃性气体，如烷类、醇类等，气体在高温下被催化燃烧，从而使传感部件的电阻发生变化进行检测。但是催化燃烧传感器消耗电流较大，而且内部需要保持高温；电化学原理是通过气体与电解液的反应，在电极上产生微弱电流，一般针对毒性气体，气体选择性不是很强，而且一般都会有交叉反应；红外光学原理是通过对某一波段红外光的不同吸收程度来计算气体的浓度，但是一般应用于硫化物、氮氧化物、氨等标准气体；气相色谱原理具有较好的气体选择性，但是气相色谱传感器价格一般较为昂贵、成本较高。
发明内容
本发明的目的是提供一种空气成分识别方法及系统，以快速、准确的识别空气成分。
为实现上述目的，本发明提供了如下方案：
一种空气成分识别方法，包括：
获取历史空气数据；
对所述历史空气数据进行处理，得到训练样本集和测试样本集；
构建卷积神经网络模型；
通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；
根据所述空气成分识别模型对空气成分进行识别。
可选地，所述对所述历史空气数据进行处理，得到训练样本集和测试样本集，具体为：
对所述历史空气数据进行基线处理，得到基线处理后的数据；
对所述基线处理后的数据进行过滤，得到过滤后的数据；
利用平滑窗口对所述过滤后的数据进行重新采样；
将重新采样的样本进行划分，得到训练样本集和测试样本集。
可选地，所述卷积神经网络模型包括：卷积层、最大池化层、flatten层、全连接层和Softmax层。
可选地，所述通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型，具体为：
将所述训练样本集输入所述卷积层，得到卷积层特征图；
将所述卷积层特征图输入所述最大池化层，得到池化层特征图；
将所述池化层特征图输入所述flatten层，得到flatten层一维向量；
将所述flatten层一维向量输入所述全连接层，得到全连接层一维向量；
将所述全连接层一维向量输入所述Softmax层，得到所述训练样本集中每一类别对应的概率；
根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，得到空气成分识别模型。
可选地，所述根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，具体为：
利用交叉熵损失函数计算所述概率中最大值对应的类别和所述历史空气数据的真实类别标签之间的损失值，根据所述损失值反向训练所述卷积神经网络模型。
可选地，所述根据所述损失值反向训练所述卷积神经网络模型，具体为：
判断所述损失值是否在预设阈值范围内；
若是，则确定所述卷积神经网络模型为空气成分识别模型；
若否，则根据所述损失值继续反向训练卷积神经网络模型，直到反向训练的次数达到预设次数。
可选地，还包括：
通过所述测试样本集对所述空气成分识别模型进行测试。
一种空气成分识别系统，包括嵌入式人工智能开发套件EAIDK310，所述嵌入式人工智能开发套件EAIDK310部署有权利要求1至8任一项权利要求中的空气成分识别模型，所述嵌入式人工智能开发套件EAIDK310用于进行空气成分识别。
一种空气成分识别系统，包括：
数据获取模块，用于获取历史空气数据；
数据处理模块，用于对所述历史空气数据进行处理，得到训练样本集和测试样本集；
模型构建模块，用于构建卷积神经网络模型；
训练模块，用于通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；
识别模块，用于根据所述空气成分识别模型对空气成分进行识别。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种空气成分识别方法及系统，方法包括：获取历史空气数据；对所述历史空气数据进行处理，得到训练样本集和测试样本集；构建卷积神经网络模型；通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；根据所述空气成分识别模型对空气成分进行识别。本发明构建的卷积神经网络网络层数少、训练时间短，测试准确率高，能快速、准确的识别空气成分。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的空气成分识别方法的流程图；
图2为本发明实施例2提供的空气成分识别系统的系统框图；
图3为本发明实施例3提供的空气成分识别方法的过程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种空气成分识别方法及系统，以快速、准确的识别空气成分。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的空气成分识别方法的流程图，如图1所示，方法包括：
步骤101：获取历史空气数据。优选地，历史空气数据是由MOX传感器阵列采集的。
步骤102：对所述历史空气数据进行处理，得到训练样本集和测试样本集。在本实施例中，步骤102具体过程如下：
步骤1021：对所述历史空气数据进行基线处理，得到基线处理后的数据。具体为：
利用公式
Figure BDA0002691786620000041
进行基线处理，补偿MOX传感器阵列中的漂移，其中V为MOX传感器的有效值即基线处理后的数据，V1为MOX传感器的原始数据，V0为MOX传感器的基线值。
步骤1022：对所述基线处理后的数据进行过滤，得到过滤后的数据。其中对数据进行过滤利用的是DTW(dynamic time warping，动态时间规划)，具体为：
任取样本集中两个时间序列Q＝(q1，q2，...qn)和C＝(c1，c2，...cm)，它们的长度分别为n和m。
建造一个n*m的矩阵：
Figure BDA0002691786620000051
其中矩阵中的元素dij表示
Figure BDA0002691786620000052
代表qi和cj之间的距离即序列Q中每个点和序列C中每个点的相似度。
Figure BDA0002691786620000053
计算公式如下：
Figure BDA0002691786620000054
用累计距离γ(i,j)表示两个时间序列的最短距离(相似度)。累计距离为当前格点距离d(i,j)与可以到达该点的最小的邻近元素的累积距离之和。其中当前格点距离表示点qi和cj的欧式距离(相似度)。累积距离γ(i,j)计算公式如下：
γ(i,j)＝d(qi,cj)+min[γ(i-1,j-1),γ(i-1,j),γ(i,j-1)]
根据累积距离γ(i,j)计算出同类别数据中每两两时间序列之间的相似性，将不在预设阈值范围内的相似性对应的数据从基线处理后的数据中去除，得到过滤后的数据。
步骤1023：利用平滑窗口对所述过滤后的数据进行重新采样。其中采样窗口大小为10s，平滑步长为5s，每个重新采样后的样本的数据时长为10s。
步骤1024：将重新采样的样本进行划分，得到训练样本集和测试样本集。具体为，对重新采样后的样本随机划分为训练样本集(80％)及测试样本集(20％)。
步骤103：构建卷积神经网络模型。在本实施例中，构造的卷积神经网络模型包括：卷积层、最大池化层、flatten层、全连接层和Softmax层。
步骤104：通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型。在本实施例中，步骤104具体过程为：
步骤1041：将所述训练样本集输入所述卷积层，得到卷积层特征图。其中输入样本的大小为X*Y，X为每个样本中时间序列的长度，Y传感器的个数，卷积层卷积核参数为3*3*64。步骤1041具体为：
将训练样本集输入卷积层进行卷积操作得到X*Y*64的第一特征图，再利用ReLu激活函数(RectifiedLinearUnit，线性整流函数)将第一特征图进行非线性映射得到卷积层特征图。其中ReLu激活函数为：
Figure BDA0002691786620000061
步骤1042：将所述卷积层特征图输入所述最大池化层，得到池化层特征图。其中最大池化层步长为2，得到的池化层特征图为
Figure BDA0002691786620000062
的特征图，
步骤1043：将所述池化层特征图输入所述flatten层，得到flatten层一维向量。其中flatten层一维向量的长度为(16*X*Y)。
步骤1044：将所述flatten层一维向量输入所述全连接层，得到全连接层一维向量。在本实施例中，全连接层包括第一全连接层和第二全连接层，第一全连接层的神经元个数为128个，第二全连接层的神经元个数为5个。步骤1044具体为：
将长度为(16*X*Y)的一维向量输入第一全连接层，得到长度为128的一维向量，再将长度为128的一维向量输入第二全连接层，得到长度为5的一维向量，其中长度为输出的类别数量，长度为5即输出的类别数量为5类。
步骤1045：将所述全连接层一维向量输入所述Softmax层，得到所述训练样本集中每一类别对应的概率。
步骤1046：根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，得到空气成分识别模型。在本实施例中，步骤1046具体为：
利用交叉熵损失函数计算所述概率中最大值对应的类别和所述历史空气数据的真实类别标签之间的损失值，根据所述损失值反向训练所述卷积神经网络模型。其中计算损失值的公式如下：
Figure BDA0002691786620000063
Loss为损失值，M为训练样本数量，c为气体类别数，yi＝[yi1...,yic]为期望输出，pi＝[pi1...,pic]为Softmax层的真实预测。
其中，根据所述损失值反向训练所述卷积神经网络模型，具体包括：
判断所述损失值是否在预设阈值范围内。
若是，则确定所述卷积神经网络模型为空气成分识别模型。
若否，则根据所述损失值继续反向训练卷积神经网络模型。根据损失值更新卷积神经网络的权值w和偏置值b。直到反向训练的次数达到预设次数。
步骤105：根据所述空气成分识别模型对空气成分进行识别。
在本实施例中，还包括：
通过所述测试样本集对所述空气成分识别模型进行测试。
实施例2
图2为本发明实施例2提供的空气成分识别系统的系统框图，如图2所示，系统包括：
数据获取模块201，用于获取历史空气数据。
数据处理模块202，用于对所述历史空气数据进行处理，得到训练样本集和测试样本集。
模型构建模块203，用于构建卷积神经网络模型。
训练模块204，用于通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型。
实施例3
图3为本发明实施例3提供的空气成分识别方法的过程示意图。与实施例1不同的是，本实施例在训练完空气成分识别模型后，还包括以下步骤：
将空气成分识别模型保存为2D-CNN格式(h5格式)。
在linux系统下利用EAIDK310(EAIDK，EmbeddedAI Development Kit，嵌入式人工智能开发套件，EAIDK310为EAIDK中第二款硬件平台)自带的tengine模式转换工具convert_model_to_tm将模型2D-CNN(pb格式)转换为2D-CNN(tmfile格式)，其中终端命令如下：
convert_model_to_tm–ftensorflow–m 2D-CNN.pb–o 2D-CNN.tm
在EAIDK310自带的Fedora28系统上进行tengine框架的下载和编译。
在EAIDK310自带的Fedora28系统上，将模型与tengine框架结合起来，进行cpp文件和编译文件CMakeLists.txt的编写，cpp文件中包括对模型文件2D-CNN.tmfile路径、采集到的空气质量数据以及气体成分标签的定义，对采集的空气质量数据的预处理，气体成分识别结果的显示，tengine框架的预运行、调用以及释放。
对cpp文件进行编译，生成用于空气质量气体成分识别的exe可执行文件2D-CNN.exe。
执行2D-CNN.exe对采集的测试样本数据进行数据预处理和气体成分识别，完成复杂环境下的空气质量快速识别。
将实施例1中的测试样本集输入到嵌入式人工智能开发套件EAIDK310进行测试。测试结果如表1所示，可知花费时间仅为12-20ms，预测概率为100％。
表1
样本序号 预测概率 预测类别 花费时间
1 1.0000 乙烯甲烷 18.0650ms
2 1.0000 乙烯甲烷 19.5290ms
3 1.0000 乙烯 12.4490ms
4 1.0000 乙烯 15.2560ms
5 1.0000 一氧化碳 12.3880ms
6 1.0000 乙烯甲烷 16.1120ms
实施例4
本实施例提供了一种空气成分识别系统，包括嵌入式人工智能开发套件EAIDK310，嵌入式人工智能开发套件EAIDK310部署有实施例1中的空气成分识别模型，嵌入式人工智能开发套件EAIDK310用于进行空气成分识别。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明针对在开放和不稳定的环境中气体识别比较困难的问题，设计了高精度的预测算法，实现复杂环境中的气体的快速检测，并且可在嵌入式端完成气体识别。
(2)本发明构建的神经网络模型，网络层数最少。对10s内数据的分析仅用12ms完成，训练时间最短，识别效率高，测试准确率高。
(3)本发明利用平滑窗口对原始数据进行重采样增加了样本数量，使样本集更加细致，适用于动态场景的快速检测。
(4)本发明将空气识别模型部署到嵌入式人工智能开发套件EAIDK310上实现空气质量分析。EAIDK310重量轻，体积小，易于携带，可以放置在空气质量采集载体上，能够与空气质量监测系统实现一体化，并且采集到的数据不需要上传就能在采集终端进行数据分析，解决了高延时的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种空气成分识别方法，其特征在于，包括：
获取历史空气数据；
对所述历史空气数据进行处理，得到训练样本集和测试样本集；
构建卷积神经网络模型；
通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；
根据所述空气成分识别模型对空气成分进行识别。
2.根据权利要求1所述的空气成分识别方法，其特征在于，所述历史空气数据是由MOX传感阵列采集的。
3.根据权利要求1所述的空气成分识别方法，其特征在于，所述对所述历史空气数据进行处理，得到训练样本集和测试样本集，具体为：
对所述历史空气数据进行基线处理，得到基线处理后的数据；
对所述基线处理后的数据进行过滤，得到过滤后的数据；
利用平滑窗口对所述过滤后的数据进行重新采样；
将重新采样的样本进行划分，得到训练样本集和测试样本集。
4.根据权利要求1所述的空气成分识别方法，其特征在于，所述卷积神经网络模型包括：卷积层、最大池化层、flatten层、全连接层和Softmax层。
5.根据权利要求4所述的空气成分识别方法，其特征在于，所述通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型，具体为：
将所述训练样本集输入所述卷积层，得到卷积层特征图；
将所述卷积层特征图输入所述最大池化层，得到池化层特征图；
将所述池化层特征图输入所述flatten层，得到flatten层一维向量；
将所述flatten层一维向量输入所述全连接层，得到全连接层一维向量；
将所述全连接层一维向量输入所述Softmax层，得到所述训练样本集中每一类别对应的概率；
根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，得到空气成分识别模型。
6.根据权利要求5所述的空气成分识别方法，其特征在于，所述根据所述概率中最大值对应的类别和所述历史空气数据的真实类别标签反向训练所述卷积神经网络模型，具体为：
利用交叉熵损失函数计算所述概率中最大值对应的类别和所述历史空气数据的真实类别标签之间的损失值，根据所述损失值反向训练所述卷积神经网络模型。
7.根据权利要求6所述的空气成分识别方法，其特征在于，所述根据所述损失值反向训练所述卷积神经网络模型，具体为：
判断所述损失值是否在预设阈值范围内；
若是，则确定所述卷积神经网络模型为空气成分识别模型；
若否，则根据所述损失值继续反向训练卷积神经网络模型，直到反向训练的次数达到预设次数。
8.根据权利要求1所述的空气成分识别方法，其特征在于，还包括：
通过所述测试样本集对所述空气成分识别模型进行测试。
9.一种空气成分识别系统，其特征在于，包括嵌入式人工智能开发套件EAIDK310，所述嵌入式人工智能开发套件EAIDK310部署有权利要求1至8任一项权利要求中的空气成分识别模型，所述嵌入式人工智能开发套件EAIDK310用于进行空气成分识别。
10.一种空气成分识别系统，其特征在于，包括：
数据获取模块，用于获取历史空气数据；
数据处理模块，用于对所述历史空气数据进行处理，得到训练样本集和测试样本集；
模型构建模块，用于构建卷积神经网络模型；
训练模块，用于通过所述训练样本集对所述卷积神经网络模型进行训练，得到空气成分识别模型；
识别模块，用于根据所述空气成分识别模型对空气成分进行识别。
CN202010993899.7A 2020-09-21 2020-09-21 一种空气成分识别方法及系统 Pending CN112116962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010993899.7A CN112116962A (zh) 2020-09-21 2020-09-21 一种空气成分识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010993899.7A CN112116962A (zh) 2020-09-21 2020-09-21 一种空气成分识别方法及系统

Publications (1)

Publication Number Publication Date
CN112116962A true CN112116962A (zh) 2020-12-22

Family

ID=73801035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010993899.7A Pending CN112116962A (zh) 2020-09-21 2020-09-21 一种空气成分识别方法及系统

Country Status (1)

Country Link
CN (1) CN112116962A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009077A (zh) * 2021-02-18 2021-06-22 南方电网数字电网研究院有限公司 气体检测方法、装置、电子设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688773A (zh) * 2017-07-07 2018-02-13 北京联合大学 一种基于深度学习的手势识别方法
CN110146642A (zh) * 2019-05-14 2019-08-20 上海大学 一种气味分析方法及装置
CN110185939A (zh) * 2019-05-16 2019-08-30 西北工业大学 基于卷积神经网络的气体管道泄漏识别方法
CN110309867A (zh) * 2019-06-21 2019-10-08 北京工商大学 一种基于卷积神经网络的混合气体识别方法
CN110992301A (zh) * 2019-10-14 2020-04-10 数量级(上海)信息技术有限公司 一种气体轮廓识别方法
CN110991511A (zh) * 2019-11-26 2020-04-10 中原工学院 一种基于深度卷积神经网络的向日葵作物种子分拣方法
CN110991418A (zh) * 2019-12-23 2020-04-10 中国科学院自动化研究所 合成孔径雷达目标图像识别方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688773A (zh) * 2017-07-07 2018-02-13 北京联合大学 一种基于深度学习的手势识别方法
CN110146642A (zh) * 2019-05-14 2019-08-20 上海大学 一种气味分析方法及装置
CN110185939A (zh) * 2019-05-16 2019-08-30 西北工业大学 基于卷积神经网络的气体管道泄漏识别方法
CN110309867A (zh) * 2019-06-21 2019-10-08 北京工商大学 一种基于卷积神经网络的混合气体识别方法
CN110992301A (zh) * 2019-10-14 2020-04-10 数量级(上海)信息技术有限公司 一种气体轮廓识别方法
CN110991511A (zh) * 2019-11-26 2020-04-10 中原工学院 一种基于深度卷积神经网络的向日葵作物种子分拣方法
CN110991418A (zh) * 2019-12-23 2020-04-10 中国科学院自动化研究所 合成孔径雷达目标图像识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴学雁: "《金融时间序列的分析与挖掘》", 31 July 2018 *
常鹏: "《基于数据驱动的间歇过程建模及故障监测》", 31 August 2019 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113009077A (zh) * 2021-02-18 2021-06-22 南方电网数字电网研究院有限公司 气体检测方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110717481B (zh) 一种利用级联卷积神经网络实现人脸检测的方法
CN110309867B (zh) 一种基于卷积神经网络的混合气体识别方法
CN110929723B (zh) 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN109633094B (zh) 一种臭气浓度在线监测方法
CN116229380A (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN111369057A (zh) 一种基于深度学习的空气质量预测优化方法及系统
CN113011660A (zh) 空气质量预测方法、系统及存储介质
CN1381721A (zh) 便携式智能电子鼻及其制备方法
CN106228030A (zh) 一种基于小波变换的精细粒度自学习集成预测方法
CN116577464A (zh) 用于大气污染的智能监测系统及其方法
CN112116962A (zh) 一种空气成分识别方法及系统
CN115984624A (zh) 基于电子鼻的气体检测模型训练方法、装置、介质及设备
CN114217025B (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
CN111965115A (zh) 一种基于高光谱的船舶尾气测量系统及方法
CN114676779A (zh) 基于鲁棒宽度网络的大气质量监测数据校准方法及系统
CN112986497B (zh) 基于气体传感器阵列指纹识别的污染气体溯源方法
CN101446828A (zh) 一种非线性过程质量预报方法
CN110988263A (zh) 一种基于改进的Stacking模型的车辆尾气浓度估计方法
CN117705740A (zh) 基于遥感监测的大气污染物实时监测系统及方法
CN113376107A (zh) 基于云平台的水质监测系统和方法
CN116933084A (zh) 一种污染物排放的预测方法和装置
CN115600498A (zh) 一种基于人工神经网络的风速预报订正方法
CN115962428A (zh) 一种燃气管网泄漏实时在线智能可解释性监测溯源方法
CN115730456A (zh) 基于双注意力融合网络的机动车多元尾气预测方法及系统
CN115618927A (zh) 一种基于时序-图融合神经网络的气体种类识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201222