CN112464999A - 一种混合气体种类与浓度识别方法、装置及存储介质 - Google Patents
一种混合气体种类与浓度识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112464999A CN112464999A CN202011307743.5A CN202011307743A CN112464999A CN 112464999 A CN112464999 A CN 112464999A CN 202011307743 A CN202011307743 A CN 202011307743A CN 112464999 A CN112464999 A CN 112464999A
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- concentration
- neural network
- information
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (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 Electric Means (AREA)
Abstract
本发明公开了一种混合气体种类与浓度识别方法、装置及存储介质,方法,该方法包括:获取包含气体信息的待识别气体数据;基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;基于解码神经网络,将编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。本发明实施例提供的混合气体种类与浓度识别方法,采用编码神经网络和解码神经网络,能够达成原始数据与预测结果的直接桥梁,省去各种数据预处理,达到端对端识别的效果。同时由于在整个识别过程中不遗漏筛选历史数据信息,能够得到气体识别预测的最优解。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及一种混合气体种类与浓度识别方法、装置及存储介质。
背景技术
目前市面上的气体识别解决方案中,主要有两种,一种传统算法模型,另一种是使用了深度学习思想的算法模型。
对于基于传统算法的模型而言,首先由于结构过于简单,难以应对高精度识别的要求,并且泛化能力弱。再者对实验数据要求苛刻,要求充分的气体反应时间,需要完整的反应周期才能进行识别和分类,导致模型运用不够灵活,分析时间较长。最后这些传统算法需要人工进行数据提取,不同的方法对最后的识别效果也有不同影响,而这些方法都是基于主成分分析法(PCA)和独立成分分析法(ICA)等线性方法,但由大多气体传感器阵列对混合气体的响应信号呈非线性,导致气体特征的提取变得复杂低效。
对于基于运用了深度学习思想的算法而言,这些使用了卷积神经网络的方法仅仅通过当前时刻的特征去分析,不能结合历史信息,很多前期反应的有效信息并没有被利用,导致气体识别准确率相对较低。
发明内容
有鉴于此,本发明实施例提供了一种混合气体种类与浓度识别方法及装置,以解决现有的气体识别方法准确率较低的技术问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种混合气体种类与浓度识别方法,该识别方法包括:获取包含气体信息的待识别气体数据;基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
可选地,所述编码神经网络包括循环神经网络和注意力网络。
可选地,基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据,包括:根据所述循环神经网络将待识别气体数据进行处理,得到每个时间步的背景向量;将所有时间步的背景向量通过所述注意力网络进行加权平均,得到总体背景向量;将所述总体背景向量和最后一个时间步的背景向量进行连结,得到编码后的数据。
可选地,根据所述循环神经网络将待识别气体数据进行处理,得到每个时间步的背景向量,包括:根据门控循环单元的复位门将待识别气体数据中前一时间步的隐藏状态信息写入到当前时间步的候选隐藏状态;根据门控循环单元的更新门将当前时间步的候选隐藏状态和前一时间步的隐藏状态进行整合,得到每个时间步的背景向量。
可选地,所述解码神经网络包括:两层全连接层以及输出函数,基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息,包括:将所述编码后的数据经过两层全连接层进行整合,通过输出函数输出混合气体的类别信息和相应的浓度信息。
可选地,所述解码神经网络还包括:浓度匹配单元,基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息,还包括:将所述类别信息和相应的浓度信息进行匹配,得到预测气体浓度范围内的预测浓度值。
本发明实施例第二方面提供一种混合气体种类与浓度识别装置,包括:数据获取模块,用于获取包含气体信息的待识别气体数据;编码模块,用于基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;解码模块,用于基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
本发明实施例第三方面提供一种混合气体种类与浓度识别模型,包括:编码器和解码器,所述编码器用于获取包含气体信息的待识别气体数据,并基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;所述解码器用于基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
本发明实施例第四方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的混合气体种类与浓度识别方法。
本发明实施例第五方面提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本发明实施例第一方面及第一方面任一项所述的混合气体种类与浓度识别方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的混合气体种类与浓度识别方法、装置及存储介质,采用编码神经网络和解码神经网络,能够达成原始数据与预测结果的直接桥梁,省去各种数据预处理,达到端对端识别的效果。同时由于在整个气体识别过程中不遗漏筛选历史数据信息,能够得到整体气体识别预测的最优解。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的混合气体种类与浓度识别方法的流程图;
图2是根据本发明另一实施例的混合气体种类与浓度识别方法的流程图;
图3是根据本发明实施例的混合气体种类与浓度识别装置的结构框图;
图4是根据本发明实施例提供的计算机可读存储介质的结构示意图;
图5是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
正如在背景技术中所述,在我们生产生活当中,处处存在识别气体检测气体的情况出现,例如露天矿爆破过程中生成大量含尘烟云,其粉尘和有毒气体(CO和氮氧化物)浓度很高。此外,在爆堆中还截留大量有害气体,这些有毒气体的释出会污染大气环境,又往往会导致采矿设备和运输设备的停工。又比如,在某些化工厂中,用作燃料和化工原料的甲烷、乙烷、丙烷均为无色无味气体,难以察觉,且三者均为易燃气体,浓度高了容易发生火灾和爆炸,极易形成安全隐患。为了避免这些气体所带来的安全隐患,如何能快速且准确检测这些气体浓度成为亟待解决的问题。
基于此,本发明实施例提供一种混合气体种类与浓度识别方法,如图1所示,该识别方法包括如下步骤:
步骤S101:获取包含气体信息的待识别气体数据;具体地,在识别气体种类与浓度时,可以采用气体传感器如半导体气体传感器、光学气体传感器、电化学气体传感器等采集需要进行检测的气体信息,并将其转换为电信号进行气体识别与检测。其中,气体传感器在采集气体时还可以对采集到信息进行调理,例如滤除杂质和干扰气体等。在一实施例中,气体传感器在采集数据时通常是按照固定频率,例如每一秒钟采集100次的频率进行数据采集,对于这些信息,传感器在进行处理后也按照时间顺序输入到后续识别模型中进行气体识别与检测。
步骤S102:基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;在一实施例中,该识别方法采用了编码器-解码器(encoder-decoder)模型,该模型由两个神经网络构成,具体包括编码器和解码器。其中,编码器可以基于编码神经网络,结合待识别气体数据中的不同时间中包含的信息,将有用的时间信息保留,将与预测无关的信息丢弃,并将保留的信息进行编码输入到解码器中。
步骤S103:基于解码神经网络,将编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。在一具体实施例中,编码器-解码器模型中的解码器可以基于解码神经网络,通过转录层的转录分析,将编码器提取的分布式特征映射到样本空间,实现气体类别和浓度的区分。
本发明实施例提供的混合气体种类与浓度识别方法,采用编码神经网络和解码神经网络,能够达成原始数据与预测结果的直接桥梁,省去各种数据预处理,达到端对端识别的效果。同时由于在整个气体识别过程中不遗漏筛选历史数据信息,能够得到整体气体识别预测的最优解。
在一实施例中,编码神经网络包括循环神经网络和注意力网络,如图2所示,采用编码神经网络进行处理时,可以按照以下步骤进行:
步骤S201:根据循环神经网络将待识别气体数据进行处理,得到每个时间步的背景向量;在一实施例中,由于待识别气体数据是按照时间顺序进行实时采集,因此可以获取的数据看做一个序列信息,把气体检测当做一个序列任务进行处理。具体地,可以采用循环神经网络进行数据提取。而循环神经网络包括长短期记忆网络(LSTM)和门控神经单元(GRU)。LSTM和GRU都是通过各种门函数来将重要特征保留下来,这样就保证了在长序列传播的时候也不会丢失重要信息。此外GRU相对于LSTM少了一个门函数,因此在参数的数量上也是要少于LSTM的,所以整体上GRU的训练速度要快于LSTM。在处理气体数据时,面对的是十几个甚至几十个传感器组成的传感器整列,采集的气体数据都是几十维的数据级别,在后续的网络计算中甚至达到上千维的参数。因此为了达到信息处理的及时性,以及为了降低硬件的消耗,达到气体识别的高效与实时,下面以门控神经单元为例说明对气体数据的具体处理过程。在一实施例中,为了进一步减少参数量,可以将获取的数据进行降采样,例如,传感器采集数据的频率为100赫兹,则门控神经单元中的时间序列的频率可以为10赫兹。
门控神经单元进行数据处理时采用复位门和更新门确定历史信息中保留的信息和舍弃的信息。其中,复位门和更新门的计算公式分别由公式(1)和公式(2)表示:
Rt=σ(XtWxr+Ht-1Whr+br) 公式(1)
Zt=σ(XtWxz+Ht-1Whz+bz) 公式(2)
其中,W为权重参数,b为偏差参数,Ht-1为前一时间步的隐藏状态,Xt为当前时间步的输入,时间步为时间序列中的每一个节点,σ为将括号中的部分进行sigmoid运算。
门控神经单元在具体处理数据时首先通过复位门Rt计算候选隐藏状态,候选隐藏状态通过公式(3)表示。
具体地,复位门能够控制前一时间步的隐藏状态有多少信息被写入到当前的候选隐藏状态上。复位门越小,前一的时间步的隐藏状态被写入的越少。而前一时间步的隐藏状态可能包含了所有时间序列截止至前一时间步的全部历史信息。所以复位门能够决定与预测无关的历史信息的丢弃。
经过复位门的计算得到携带有当前信息的候选隐藏状态后,通过当前时间步的更新门将上一时间步的隐藏状态Ht-1和当前时间步的候选隐藏状态进行综合,得到当前时间步的背景向量Ht或者说当前时间步的隐藏状态Ht。具体由公式(4)表示。
更新门决定着候选隐藏状态对当前时间步t隐藏状态的更新,起到一种信息筛选累积的作用。更新门用于控制携带有t时刻新信息的候选隐藏状态有多少被写入到当前隐藏状态中的程度,代表着新信息的添加。更新门越小,所携带当前时刻新信息的候选隐藏状态则更多地流入到时间步t隐藏状态中,新信息的保留越多。即复位门有助于捕捉时间序列里短期的依赖关系,更新门有助于捕捉时间序列里长期的依赖关系。
步骤S202:将所有时间步的背景向量通过注意力网络进行加权平均,得到总体背景向量。
在一实施例中,如果输入的向量长度相同,则可以通过计算内积的方式计算总体背景向量。但是在气体识别中,判别依据基于气体的反应曲线。而气体数据为随机提取,并不是完整的反应阶段。因此还可以采用更拟合气体数据的多层感知机去智能提取注意力参数。
在一实施例中,注意力网络是由两层全连接层构成的感知机(MultilayerPerceptron,MLP)。在对时间步的背景向量进行加权平均时,可以采用公式(5)进行计算。
其中,权重α的值是个概率分布。为了计算权重α的值,可以采用softmax函数计算得到,具体可以采用α=softmax(δ)确定,δ为softmax的输入,是一个周期的所有时间步的背景向量或者说所有时间步的隐藏状态经过函数f计算得出,即δ=f(s,Ht),函数中的s表示除当前时间步T周期内(t1→tT-1)的所有隐藏状态,Ht代表当前时间步的隐藏状态。
由于注意力网络是由两层全连接层构成,且第一层全连接层可以表示为L1=tanh(input*weight),第二层全连接层可以表示为L2=input*weight,则函数f可以由公式(6)表示:
f(s,ht)=W2tanh(W1s*s+W1h*Ht) 公式(6)
其中,W2为第二个全连接层参数,W1s、W1h为第一个全连接层参数。
步骤S203:将总体背景向量和最后一个时间步背景向量进行连结,得到编码后的数据。在一实施例中,在计算得到总体背景向量后,可以将总体背景向量和最后一个时间步背景向量的隐藏状态进行连结,输入到解码器中进行解码。
在一实施例中,解码神经网络包括两层全连接层以及输出函数,其中输出函数可以采用sigmoid输出。全连接层和输出函数可以起到分类器的作用。在一具体实施方式中,当编码器输出的连结后的背景向量输入到第一层全连接层后,经过全连接层的信息归纳,输出多个神经元。通过第二层全连接层以及sigmoid输出两类元素,一类是携带类别信息的元素,一类是携带浓度信息的元素。类别信息和浓度信息一一对应。具体地,解码神经网络采用两个全连接层,其中单层的全连接层能整合气体类别和浓度区分性的局部信息。两层全连接层叠加,解决传感器输出信号呈非线性的问题。同时为了提升全连接层的性能,全连接层的每个神经元都采用tanh的激励函数。
在一实施例中,解码神经网络还可以包括浓度匹配单元,在浓度匹配单元中设置了判别阈值,而sigmoid输出的气体类别中不仅包括具体的气体类别,还包括每种气体出现的概率;在浓度匹配单元中,会将每种气体出现的概率和该判别阈值进行比较,同时还设置每种气体出现概率值的置信度高于浓度值,由此当概率值低于该判别阈值时,即使浓度值不为零,该浓度匹配单元也会输出该气体不存在,浓度值为零。在一具体实施方式中,判别阈值设置为0.5。例如sigmoid输出的气体类别中某种气体出现的概率小于0.5,即使其浓度值不为零,此时浓度匹配单元也会输出该气体不存在,即通过浓度匹配单元会输出概率值大于预设值的气体类别,保证气体识别的准确度。由此,通过浓度匹配单元,可以输出气体的准确类别和浓度,提高气体识别的精度。
本发明实施例还提供一种混合气体种类与浓度识别装置,如图3所示,该装置包括:
数据获取模块1,用于获取包含气体信息的待识别气体数据;详细内容参见上述方法实施例中步骤S101的相关描述。
编码模块2,用于基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;详细内容参见上述方法实施例中步骤S102的相关描述。
解码模块3,用于基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。详细内容参见上述方法实施例中步骤S103的相关描述。
本发明实施例提供的混合气体种类与浓度识别装置,采用编码神经网络和解码神经网络,能够达成原始数据与预测结果的直接桥梁,省去各种数据预处理,达到端对端识别的效果。同时由于在整个气体识别过程中不遗漏筛选历史数据信息,能够得到整体气体识别预测的最优解。
本发明实施例提供的混合气体种类与浓度识别装置的功能描述详细参见上述实施例中混合气体种类与浓度识别方法描述。
本发明实施例还提供一种混合气体种类与浓度识别模型,该模型包括:编码器和解码器,编码器用于获取包含气体信息的待识别气体数据,并基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;解码器用于基于解码神经网络,将编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
本发明实施例提供的混合气体种类与浓度识别模型,采用编码神经网络和解码神经网络,能够达成原始数据与预测结果的直接桥梁,省去各种数据预处理,特征提取与特征筛选的工作,达到端对端模型识别的效果。同时由于在整个模型中不遗漏筛选历史数据信息,能够得到整体模型预测的最优解。
本发明实施例还提供一种存储介质,如图4所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中混合气体种类与浓度识别方法的步骤。该存储介质上还存储有音视频流数据,特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,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,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备,如图5所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的混合气体种类与浓度识别方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-2所示实施例中的混合气体种类与浓度识别方法。
上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种混合气体种类与浓度识别方法,其特征在于,包括:
获取包含气体信息的待识别气体数据;
基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;
基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
2.根据权利要求1所述的混合气体种类与浓度识别方法,其特征在于,所述编码神经网络包括循环神经网络和注意力网络。
3.根据权利要求2所述的混合气体种类与浓度识别方法,其特征在于,
基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据,包括:
根据所述循环神经网络将待识别气体数据进行处理,得到每个时间步的背景向量;
将所有时间步的背景向量通过所述注意力网络进行加权平均,得到总体背景向量;
将所述总体背景向量和最后一个时间步的背景向量进行连结,得到编码后的数据。
4.根据权利要求3所述的混合气体种类与浓度识别方法,其特征在于,根据所述循环神经网络将待识别气体数据进行处理,得到每个时间步的背景向量,包括:
根据门控循环单元的复位门将待识别气体数据中前一时间步的隐藏状态信息写入到当前时间步的候选隐藏状态;
根据门控循环单元的更新门将当前时间步的候选隐藏状态和前一时间步的隐藏状态进行整合,得到每个时间步的背景向量。
5.根据权利要求1所述的混合气体种类与浓度识别方法,其特征在于,所述解码神经网络包括:两层全连接层以及输出函数,
基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息,包括:
将所述编码后的数据经过两层全连接层进行整合,通过输出函数输出混合气体的类别信息和相应的浓度信息。
6.根据权利要求5所述的混合气体种类与浓度识别方法,其特征在于,所述解码神经网络还包括:浓度匹配单元,
基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息,还包括:
将所述类别信息和相应的浓度信息进行匹配,得到预测气体浓度范围内的预测浓度值。
7.一种混合气体种类与浓度识别装置,其特征在于,包括:
数据获取模块,用于获取包含气体信息的待识别气体数据;
编码模块,用于基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;
解码模块,用于基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
8.一种混合气体种类与浓度识别模型,其特征在于,包括:编码器和解码器,
所述编码器用于获取包含气体信息的待识别气体数据,并基于编码神经网络,将待识别气体数据进行处理,提取待识别气体数据中的历史特征和当前特征进行编码,得到编码后的数据;
所述解码器用于基于解码神经网络,将所述编码后的数据经过转录层进行整合,输出混合气体的类别信息和相应的浓度信息。
9.一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存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-6任一项所述的混合气体种类与浓度识别方法。
10.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-6任一项所述的混合气体种类与浓度识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307743.5A CN112464999B (zh) | 2020-11-19 | 2020-11-19 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011307743.5A CN112464999B (zh) | 2020-11-19 | 2020-11-19 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112464999A true CN112464999A (zh) | 2021-03-09 |
CN112464999B CN112464999B (zh) | 2021-10-19 |
Family
ID=74837102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011307743.5A Active CN112464999B (zh) | 2020-11-19 | 2020-11-19 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464999B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210311009A1 (en) * | 2018-07-31 | 2021-10-07 | Nec Corporation | Information processing apparatus, control method, and non-transitory storage medium |
CN114047303A (zh) * | 2022-01-04 | 2022-02-15 | 南京天创电子技术有限公司 | 一种基于巡检机器人的电缆烧焦气味连续检测方法 |
CN116189800A (zh) * | 2023-02-23 | 2023-05-30 | 深圳大学 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
CN116484995A (zh) * | 2022-09-19 | 2023-07-25 | 北京城市气象研究院 | 一种快速预报区域大气气溶胶浓度的方法及系统 |
CN117451952A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市微克科技有限公司 | 一种基于智能穿戴设备的环境气体检测方法、系统及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760664A (zh) * | 2004-10-15 | 2006-04-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种麻醉气体浓度测量的方法和装置 |
CN107132311A (zh) * | 2017-03-30 | 2017-09-05 | 深圳大学 | 一种基于频域特征提取的快速气体识别算法 |
CN108630199A (zh) * | 2018-06-30 | 2018-10-09 | 中国人民解放军战略支援部队信息工程大学 | 一种声学模型的数据处理方法 |
WO2019099567A1 (en) * | 2017-11-14 | 2019-05-23 | Bridger Photonics, Inc. | Apparatuses and methods for anomalous gas concentration detection |
CN110346514A (zh) * | 2019-07-09 | 2019-10-18 | 南京工程学院 | 混合气体识别方法、装置、计算机设备和存储介质 |
US10540962B1 (en) * | 2016-02-26 | 2020-01-21 | Google Llc | Speech recognition with attention-based recurrent neural networks |
CN111428750A (zh) * | 2020-02-20 | 2020-07-17 | 商汤国际私人有限公司 | 一种文本识别模型训练及文本识别方法、装置及介质 |
-
2020
- 2020-11-19 CN CN202011307743.5A patent/CN112464999B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1760664A (zh) * | 2004-10-15 | 2006-04-19 | 深圳迈瑞生物医疗电子股份有限公司 | 一种麻醉气体浓度测量的方法和装置 |
US10540962B1 (en) * | 2016-02-26 | 2020-01-21 | Google Llc | Speech recognition with attention-based recurrent neural networks |
CN107132311A (zh) * | 2017-03-30 | 2017-09-05 | 深圳大学 | 一种基于频域特征提取的快速气体识别算法 |
WO2019099567A1 (en) * | 2017-11-14 | 2019-05-23 | Bridger Photonics, Inc. | Apparatuses and methods for anomalous gas concentration detection |
CN108630199A (zh) * | 2018-06-30 | 2018-10-09 | 中国人民解放军战略支援部队信息工程大学 | 一种声学模型的数据处理方法 |
CN110346514A (zh) * | 2019-07-09 | 2019-10-18 | 南京工程学院 | 混合气体识别方法、装置、计算机设备和存储介质 |
CN111428750A (zh) * | 2020-02-20 | 2020-07-17 | 商汤国际私人有限公司 | 一种文本识别模型训练及文本识别方法、装置及介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210311009A1 (en) * | 2018-07-31 | 2021-10-07 | Nec Corporation | Information processing apparatus, control method, and non-transitory storage medium |
CN114047303A (zh) * | 2022-01-04 | 2022-02-15 | 南京天创电子技术有限公司 | 一种基于巡检机器人的电缆烧焦气味连续检测方法 |
CN114047303B (zh) * | 2022-01-04 | 2022-04-12 | 南京天创电子技术有限公司 | 一种基于巡检机器人的电缆烧焦气味连续检测方法 |
CN116484995A (zh) * | 2022-09-19 | 2023-07-25 | 北京城市气象研究院 | 一种快速预报区域大气气溶胶浓度的方法及系统 |
CN116484995B (zh) * | 2022-09-19 | 2023-10-27 | 北京城市气象研究院 | 一种快速预报区域大气气溶胶浓度的方法及系统 |
CN116189800A (zh) * | 2023-02-23 | 2023-05-30 | 深圳大学 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
CN116189800B (zh) * | 2023-02-23 | 2023-08-18 | 深圳大学 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
CN117451952A (zh) * | 2023-12-25 | 2024-01-26 | 深圳市微克科技有限公司 | 一种基于智能穿戴设备的环境气体检测方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112464999B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112464999B (zh) | 一种混合气体种类与浓度识别方法、装置及存储介质 | |
CN108960207B (zh) | 一种图像识别的方法、系统及相关组件 | |
CN109086873B (zh) | 递归神经网络的训练方法、识别方法、装置及处理设备 | |
CN112016500B (zh) | 基于多尺度时间信息融合的群体异常行为识别方法及系统 | |
KR102172925B1 (ko) | 딥러닝 기반 기후 변화 예측 시스템의 동작 방법 | |
KR101163834B1 (ko) | 세미 마르코프 조건부 랜덤 필드 모델 기반의 행동 인식 방법 | |
CN109460787B (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
CN114973120B (zh) | 一种基于多维传感数据与监控视频多模异构融合的行为识别方法及系统 | |
CN107437083B (zh) | 一种自适应池化的视频行为识别方法 | |
CN112766619B (zh) | 一种商品时序数据预测方法及系统 | |
CN113723341B (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
CN115713715A (zh) | 一种基于深度学习的人体行为识别方法及识别系统 | |
CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
CN112183289A (zh) | 一种花屏检测方法、装置、设备及介质 | |
CN112733701A (zh) | 一种基于胶囊网络的鲁棒场景识别方法及系统 | |
KR102622895B1 (ko) | 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템 | |
CN114676782A (zh) | 一种基于高频时序数据的车辆故障预警方法及系统 | |
Zhang et al. | ECSNet: An accelerated real-time image segmentation CNN architecture for pavement crack detection | |
CN117391466A (zh) | 一种新型矛盾纠纷案件的预警方法和系统 | |
CN113051958A (zh) | 基于深度学习的驾驶员状态检测方法、系统、设备及介质 | |
CN115035605B (zh) | 基于深度学习的动作识别方法、装置、设备及存储介质 | |
Meeki et al. | Deep learning for non verbal sentiment analysis: facial emotional expressions | |
CN111491180B (zh) | 关键帧的确定方法和装置 | |
CN115374931A (zh) | 一种基于元对抗训练的深度神经网络鲁棒性增强方法 | |
CN113486853A (zh) | 视频检测方法及装置、电子设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |