CN112613431A - 一种泄漏气体自动识别方法、系统及装置 - Google Patents

一种泄漏气体自动识别方法、系统及装置 Download PDF

Info

Publication number
CN112613431A
CN112613431A CN202011580389.3A CN202011580389A CN112613431A CN 112613431 A CN112613431 A CN 112613431A CN 202011580389 A CN202011580389 A CN 202011580389A CN 112613431 A CN112613431 A CN 112613431A
Authority
CN
China
Prior art keywords
sample
signal
neural network
training
signals
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
Application number
CN202011580389.3A
Other languages
English (en)
Other versions
CN112613431B (zh
Inventor
韩星程
贾彩琴
王黎明
罗秀丽
韩焱
叶泽甫
朱竹军
宋上
孔卉茹
樊茂洲
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.)
Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd
North University of China
Original Assignee
Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd
North University of China
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 Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd, North University of China filed Critical Shanxi Gemeng Sino Us Clean Energy R & D Center Co ltd
Priority to CN202011580389.3A priority Critical patent/CN112613431B/zh
Publication of CN112613431A publication Critical patent/CN112613431A/zh
Application granted granted Critical
Publication of CN112613431B publication Critical patent/CN112613431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开一种泄漏气体自动识别方法、系统及装置，本发明首先利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型；其次将所述待识别样本信号输入分类模型，获得概率向量；然后从所述概率向量中选取最小值对应的气体类别作为分类识别结果，实现了准确识别户外发生的气体泄漏的主要成分。

Description

一种泄漏气体自动识别方法、系统及装置
技术领域
本发明涉及自动识别技术领域，特别是涉及一种泄漏气体自动识别方法、系统及装置。
背景技术
户外包含各类公共管道以及井盖，公共管道及井盖中包含各类像烷烃、烯烃、一氧化碳等各类易燃易爆、有毒有害的气体。近年来，因公共管道内气体泄漏引起的爆炸而引起危害公共安全事件时有发生。现有技术中并未公开过如何高效监测户外随时发生的气体泄漏，并对气体中的主要成分进行精确识别，因此如何解决上述问题成为一项亟待解决的难题，具有极其重要的意义。
发明内容
基于此，本发明的目的是提供一种泄漏气体自动识别方法、系统及装置，以实现准确识别户外发生气体泄漏的主要成分。
为实现上述目的，本发明提供了一种泄漏气体自动识别方法，所述方法包括：
步骤S1：获取待识别样本信号和各类样本信号；各类样本信号包括各类气体对应的时频信号；待识别样本信号包括待识别气体对应的时频信号；
步骤S2：利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型；
步骤S3：将所述待识别样本信号输入分类模型，获得概率向量；所述概率向量为1行Z列向量；
步骤S4：从所述概率向量中选取最小值对应的气体类别作为分类识别结果。
可选地，所述利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型，具体包括：
步骤S21：利用RNN递归神经网络对各类样本信号分别进行采样和分段处理，获得各类样本信号对应的多段采样信号；
步骤S22：采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵；所述特征矩阵为A*B特征矩阵，其中A为特征矩阵的行数，B为特征矩阵的列数；
步骤S23：采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型。
可选地，所述采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的A*B特征矩阵，具体包括：
步骤S221：采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得每类样本信号对应的2n个样本；
步骤S222：将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
可选地，所述采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型，具体包括：
步骤S231：将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练，获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵；所述第一卷积层的卷积核大小为L1*L1；L1＜A且L1＜B；
步骤S242：将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000021
特征矩阵；第一池化层的卷积核大小为L2*L2；
步骤S233：初始化i＝2；
步骤S234：将各类样本信号对应的X*Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练，获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵；X*Y为第i-1池化层的特征矩阵大小；
步骤S235：将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000031
特征矩阵；
步骤S236：判断i是否小于N；如果i小于N，则令i＝i+1，返回“步骤S234”；如果i大于或等于N，则执行“步骤S237”；其中N为卷积层的个数；
步骤S237：将各类样本信号对应的
Figure BDA0002864269320000032
特征矩阵输入到CNN卷积神经网络的全连接层进行全连接，输出概率向量。
本发明还提供一种泄漏气体自动识别系统，所述系统包括：
获取模块，用于获取待识别样本信号和各类样本信号；各类样本信号包括各类气体对应的时频信号；待识别样本信号包括待识别气体对应的时频信号；
训练模块，用于利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型；
概率向量确定模块，用于将所述待识别样本信号输入分类模型，获得概率向量；所述概率向量为1行Z列向量；
分类模块，用于从所述概率向量中选取最小值对应的气体类别作为分类识别结果。
可选地，所述训练模块，具体包括：
采样和分段处理单元，用于利用RNN递归神经网络对各类样本信号分别进行采样和分段处理，获得各类样本信号对应的多段采样信号；
FFT变换处理单元，用于采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵；所述特征矩阵为A*B特征矩阵，其中A为特征矩阵的行数，B为特征矩阵的列数；
训练单元，用于采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型。
可选地，所述FFT变换处理单元，具体包括：
FFT变换处理子单元，用于采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得每类样本信号对应的2n个样本；
矩阵转换子单元，用于将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
可选地，所述训练单元，具体包括：
第一次训练子单元，用于将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练，获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵；所述第一卷积层的卷积核大小为L1*L1；L1＜A且L1＜B；
第二次训练子单元，用于将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000041
特征矩阵；第一池化层的卷积核大小为L2*L2；
初始化子单元，用于初始化i＝2；
第2i-1次训练子单元，用于将各类样本信号对应的X*Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练，获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵；X*Y为第i-1池化层的特征矩阵大小；
第2i次训练子单元，用于将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000042
特征矩阵；
判断子单元，用于判断i是否小于N；如果i小于N，则令i＝i+1，返回“第2i-1次训练子单元”；如果i大于或等于N，则执行“全连接子单元”；其中N为卷积层的个数；
全连接子单元，用于将各类样本信号对应的
Figure BDA0002864269320000043
特征矩阵输入到CNN卷积神经网络的全连接层进行全连接，输出概率向量。
本发明还提供一种泄漏气体自动识别装置，所述装置包括：
信号发生器，用来产生宽频信号；
可调谐激光器，与所述信号发生器对应设置，用于获得可调范围内的宽频信号；
准直透镜，与所述可调谐激光器对应设置，用于将可调范围内的宽频信号进行聚焦，获得第一光束；
聚焦透镜，用于经过气体泄漏区域内的第一光束遇到反射物后进行反射，并将反射后的所述第一光束进行聚焦，获得第二光束；
光电接收器，与所述聚焦透镜对应设置，用于将所述第二光束转换成电信号；
带通滤波器，与所述光电接收器连接，用于对所述电信号进行降噪滤波，获得待识别样本信号；
微处理器，与所述带通滤波器连接，用于采用上述方法对待识别样本信号进行气体类别识别，获得分类识别结果。
可选地，所述信号发生器为激光发射器。
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：
本发明公开一种泄漏气体自动识别方法、系统及装置，本发明首先利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型；其次将所述待识别样本信号输入分类模型，获得概率向量；然后从所述概率向量中选取最小值对应的气体类别作为分类识别结果，实现了准确识别户外发生的气体泄漏的主要成分。
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为本发明实施例泄漏气体自动识别方法流程图；
图2为本发明实施例分类训练流程图；
图3为本发明实施例泄漏气体自动识别系统结构图；
图4为本发明实施例泄漏气体自动识别装置连接图；
其中，401、信号发生器，402、可调谐激光器，403、准直透镜，404、反射物，405、聚焦透镜，406、光电接收器，407、带通滤波器，408、微处理器。
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泄漏气体自动识别方法、系统及装置，以实现准确识别户外发生气体泄漏的主要成分。
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。
本发明专利中所采用的深度学习气体识别方法充分利用卷积神经网络CNN空间可扩展和递归神经网络RNN在时间上连续状态输出，将两者有效结合，时间可扩展并具有记忆功能的优势，因此基于CNN与RNN相结合来构建分类模型，使分类模型具有一定识别记忆功能，进而实现利用此分类模型准确识别气体类别。卷积递归神经网络深度学习方法由信号输入层、卷积层、池化层和输出层组成，最终实现分类输出。
如图1-2所示，本发明公开一种泄漏气体自动识别方法，所述方法包括：
步骤S1：获取待识别样本信号和各类样本信号；各类样本信号包括各类气体对应的时频信号；待识别样本信号包括待识别气体对应的时频信号；各类气体包括各类烷烃、烯烃和一氧化碳。
步骤S2：利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型。
步骤S3：将所述待识别样本信号输入分类模型，获得概率向量；所述概率向量为1行Z列向量。
步骤S4：从所述概率向量中选取最小值对应的气体类别作为分类识别结果。
下面对各个步骤进行详细论述：
步骤S2：利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型，具体包括：
步骤S21：利用RNN递归神经网络对各类样本信号分别进行采样和分段处理，获得各类样本信号对应的多段采样信号。
步骤S22：采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵；所述特征矩阵为A*B特征矩阵，其中A为特征矩阵的行数，B为特征矩阵的列数；本实施例中A*B为二维特征向量。
步骤S23：采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型。
步骤S22：采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵，具体包括：
步骤S221：采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得每类样本信号对应的2n个样本，其中，n为常数。
步骤S222：将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
步骤S23：采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型，具体包括：
步骤S231：将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练，获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵；所述第一卷积层的卷积核大小为L1*L1；L1＜A且L1＜B；本实施例中第一卷积层C1为二维平面的特征映射，共有L1+1个特征映射，每一个特征映射的权值都是共享的。
步骤S232：将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000071
特征矩阵；第一池化层的卷积核大小为L2*L2。
步骤S233：初始化i＝2。
步骤S234：将各类样本信号对应的X*Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练，获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵；X*Y为第i-1池化层的特征矩阵大小。
步骤S235：将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000081
特征矩阵。
步骤S236：判断i是否小于N；如果i小于N，则令i＝i+1，返回“步骤S234”；如果i大于或等于N，则执行“步骤S237”；其中N为卷积层的个数。
步骤S237：将各类样本信号对应的
Figure BDA0002864269320000082
特征矩阵输入到CNN卷积神经网络的全连接层进行全连接，输出概率向量。
本实施例中第i池化层Di和第i卷积层Ci层之间一一对应，各池化层层均采用平均池化层。
本发明通过接收采集大量各类烷烃、烯烃、一氧化碳等的各类气体样本信号，对这些样本进行反复训练，由于各类气体在宽频谱范围内所对应的中心频率值不一样，训练的目的在于根据接收回来的时频光电信号，通过检测识别该信号的中心频率，能够达到精确识别泄漏气体成分的目的。(提前设定好标签，各气体成分所对应的视频信号(中心频率)即为标签)。
如图3所示，本发明还提供一种泄漏气体自动识别系统，所述系统包括：
获取模块1，用于获取待识别样本信号和各类样本信号；各类样本信号包括各类气体对应的时频信号；待识别样本信号包括待识别气体对应的时频信号。
训练模块2，用于利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型。
概率向量确定模块3，用于将所述待识别样本信号输入分类模型，获得概率向量；所述概率向量为1行Z列向量。
分类模块4，用于从所述概率向量中选取最小值对应的气体类别作为分类识别结果。
作为一种实施方式，本发明所述训练模块，具体包括：
采样和分段处理单元，用于利用RNN递归神经网络对各类样本信号分别进行采样和分段处理，获得各类样本信号对应的多段采样信号。
FFT变换处理单元，用于采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵；所述特征矩阵为A*B特征矩阵，其中A为特征矩阵的行数，B为特征矩阵的列数。
训练单元，用于采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型。
作为一种实施方式，本发明所述FFT变换处理单元，具体包括：
FFT变换处理子单元，用于采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得每类样本信号对应的2n个样本；
矩阵转换子单元，用于将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
本实施例中CNN卷积神经网络由N层卷积层和N层池化层以及1层全连接层构成，最后一层池化层与全连接层进行全连接。
作为一种实施方式，本发明所述训练单元，具体包括：
第一次训练子单元，用于将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练，获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵；所述第一卷积层的卷积核大小为L1*L1；L1＜A且L1＜B。
第二次训练子单元，用于将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000091
特征矩阵；第一池化层的卷积核大小为L2*L2。
初始化子单元，用于初始化i＝2。
第2i-1次训练子单元，用于将各类样本信号对应的X*Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练，获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵；X*Y为第i-1池化层的特征矩阵大小。
第2i次训练子单元，用于将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练，获得各类样本信号对应的
Figure BDA0002864269320000101
特征矩阵。
判断子单元，用于判断i是否小于N；如果i小于N，则令i＝i+1，返回“第2i-1次训练子单元”；如果i大于或等于N，则执行“全连接子单元”；其中N为卷积层的个数。
全连接子单元，用于将各类样本信号对应的
Figure BDA0002864269320000102
特征矩阵输入到CNN卷积神经网络的全连接层进行全连接，输出概率向量。
如图4所示，本发明还提供一种泄漏气体自动识别装置，所述装置包括：
信号发生器401，用来产生宽频信号。
可调谐激光器402，与所述信号发生器401对应设置，用于获得可调范围内的宽频信号。
准直透镜403，与所述可调谐激光器402对应设置，用于将可调范围内的宽频信号进行聚焦，获得第一光束。
聚焦透镜405，用于经过气体泄漏区域内的第一光束遇到反射物404后进行反射，并将反射后的所述第一光束进行聚焦，获得第二光束。
光电接收器406，与所述聚焦透镜405对应设置，用于将所述第二光束转换成电信号。
带通滤波器407，与所述光电接收器408连接，用于对所述电信号进行降噪滤波，获得待识别样本信号。
微处理器408，与所述带通滤波器407连接，用于采用上述方法对待识别样本信号进行气体类别识别，获得分类识别结果。
本实施例中带通滤波器为带通卡尔曼滤波，信号发生器为激光发生器。
本实施例中由于不同的气体对应不同的中心频率；当装置中的激光发射器发射一束宽频谱信号后，穿过户外疑似气体泄漏位置后，激光信号会被该气体吸收，导致接收回来的时频信号在与该气体对应的中心频率处波峰处出现凹陷；光电探测器通过接受由反射物反射回来的经过气体吸收以后的微弱激光信号，微弱信号进过带通卡尔曼滤波处理，去除低频和高频背景噪声，进而将获得的信号输入到微处理器的分类模型中进行识别，获得气体分类识别结果。
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。
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)

1.一种泄漏气体自动识别方法，其特征在于，所述方法包括：
步骤S1：获取待识别样本信号和各类样本信号；各类样本信号包括各类气体对应的时频信号；待识别样本信号包括待识别气体对应的时频信号；
步骤S2：利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型；
步骤S3：将所述待识别样本信号输入分类模型，获得概率向量；所述概率向量为1行Z列向量；
步骤S4：从所述概率向量中选取最小值对应的气体类别作为分类识别结果。
2.根据权利要求1所述的泄漏气体自动识别方法，其特征在于，所述利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型，具体包括：
步骤S21：利用RNN递归神经网络对各类样本信号分别进行采样和分段处理，获得各类样本信号对应的多段采样信号；
步骤S22：采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵；所述特征矩阵为A*B特征矩阵，其中A为特征矩阵的行数，B为特征矩阵的列数；
步骤S23：采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型。
3.根据权利要求2所述的泄漏气体自动识别方法，其特征在于，所述采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的A*B特征矩阵，具体包括：
步骤S221：采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得每类样本信号对应的2n个样本；
步骤S222：将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
4.根据权利要求2所述的泄漏气体自动识别方法，其特征在于，所述采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型，具体包括：
步骤S231：将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练，获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵；所述第一卷积层的卷积核大小为L1*L1；L1＜A且L1＜B；
步骤S232：将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练，获得各类样本信号对应的
Figure FDA0002864269310000021
特征矩阵；第一池化层的卷积核大小为L2*L2；
步骤S233：初始化i＝2；
步骤S234：将各类样本信号对应的X×Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练，获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵；X*Y为第i-1池化层的特征矩阵大小；
步骤S235：将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练，获得各类样本信号对应的
Figure FDA0002864269310000022
特征矩阵；
步骤S236：判断i是否小于N；如果i小于N，则令i＝i+1，返回“步骤S234”；如果i大于或等于N，则执行“步骤S237”；其中N为卷积层的个数；
步骤S237：将各类样本信号对应的
Figure FDA0002864269310000023
特征矩阵输入到CNN卷积神经网络的全连接层进行全连接，输出概率向量。
5.一种泄漏气体自动识别系统，其特征在于，所述系统包括：
获取模块，用于获取待识别样本信号和各类样本信号；各类样本信号包括各类气体对应的时频信号；待识别样本信号包括待识别气体对应的时频信号；
训练模块，用于利用RNN递归神经网络和CNN卷积神经网络对所述各类样本信号进行训练，获得分类模型；
概率向量确定模块，用于将所述待识别样本信号输入分类模型，获得概率向量；所述概率向量为1行Z列向量；
分类模块，用于从所述概率向量中选取最小值对应的气体类别作为分类识别结果。
6.根据权利要求5所述的泄漏气体自动识别方系统，其特征在于，所述训练模块，具体包括：
采样和分段处理单元，用于利用RNN递归神经网络对各类样本信号分别进行采样和分段处理，获得各类样本信号对应的多段采样信号；
FFT变换处理单元，用于采用多个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得各类样本信号对应的特征矩阵；所述特征矩阵为A*B特征矩阵，其中A为特征矩阵的行数，B为特征矩阵的列数；
训练单元，用于采用反向误差反馈算法，将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络进行训练，获得分类模型。
7.根据权利要求6所述的泄漏气体自动识别系统，其特征在于，所述FFT变换处理单元，具体包括：
FFT变换处理子单元，用于采用2n个频点对各类样本信号对应的每段所述采样信号进行FFT变换，获得每类样本信号对应的2n个样本；
矩阵转换子单元，用于将每类样本信号对应的2n个样本转化为每类样本信号对应的A*B特征矩阵。
8.根据权利要求6所述的泄漏气体自动识别系统，其特征在于，所述训练单元，具体包括：
第一次训练子单元，用于将各类样本信号对应的A*B特征矩阵输入到CNN卷积神经网络的第一卷积层进行训练，获得各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵；所述第一卷积层的卷积核大小为L1*L1；L1＜A且L1＜B；
第二次训练子单元，用于将各类样本信号对应的(A-L1+1)*(B-L1+1)特征矩阵输入到CNN卷积神经网络的第一池化层进行训练，获得各类样本信号对应的
Figure FDA0002864269310000031
特征矩阵；第一池化层的卷积核大小为L2*L2；
初始化子单元，用于初始化i＝2；
第2i-1次训练子单元，用于将各类样本信号对应的X*Y特征矩阵输入到CNN卷积神经网络的第i卷积层进行训练，获得各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵；X*Y为第i-1池化层的特征矩阵大小；
第2i次训练子单元，用于将各类样本信号对应的(X-L1+1)*(Y-L1+1)特征矩阵输入到CNN卷积神经网络的第i池化层进行训练，获得各类样本信号对应的
Figure FDA0002864269310000041
特征矩阵；
判断子单元，用于判断i是否小于N；如果i小于N，则令i＝i+1，返回“第2i-1次训练子单元”；如果i大于或等于N，则执行“全连接子单元”；其中N为卷积层的个数；
全连接子单元，用于将各类样本信号对应的
Figure FDA0002864269310000042
特征矩阵输入到CNN卷积神经网络的全连接层进行全连接，输出概率向量。
9.一种泄漏气体自动识别装置，其特征在于，所述装置包括：
信号发生器，用来产生宽频信号；
可调谐激光器，与所述信号发生器对应设置，用于获得可调范围内的宽频信号；
准直透镜，与所述可调谐激光器对应设置，用于将可调范围内的宽频信号进行聚焦，获得第一光束；
聚焦透镜，用于经过气体泄漏区域内的第一光束遇到反射物后进行反射，并将反射后的所述第一光束进行聚焦，获得第二光束；
光电接收器，与所述聚焦透镜对应设置，用于将所述第二光束转换成电信号；
带通滤波器，与所述光电接收器连接，用于对所述电信号进行降噪滤波，获得待识别样本信号；
微处理器，与所述带通滤波器连接，用于采用权利要求1-4任一项所述的方法对待识别样本信号进行气体类别识别，获得分类识别结果。
10.根据权利要求9所述的泄漏气体自动识别装置，其特征在于，所述信号发生器为激光发射器。
CN202011580389.3A 2020-12-28 2020-12-28 一种泄漏气体自动识别方法、系统及装置 Active CN112613431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011580389.3A CN112613431B (zh) 2020-12-28 2020-12-28 一种泄漏气体自动识别方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011580389.3A CN112613431B (zh) 2020-12-28 2020-12-28 一种泄漏气体自动识别方法、系统及装置

Publications (2)

Publication Number Publication Date
CN112613431A true CN112613431A (zh) 2021-04-06
CN112613431B CN112613431B (zh) 2021-06-29

Family

ID=75248454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011580389.3A Active CN112613431B (zh) 2020-12-28 2020-12-28 一种泄漏气体自动识别方法、系统及装置

Country Status (1)

Country Link
CN (1) CN112613431B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109474316A (zh) * 2018-11-22 2019-03-15 东南大学 一种基于深度循环神经网络的信道信息压缩反馈方法
US20190121340A1 (en) * 2016-05-09 2019-04-25 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection and signal conditioning in an industrial environment
CN109724941A (zh) * 2019-02-27 2019-05-07 大唐长山热电厂 一种基于径向基神经网络的co2高温气体浓度检测方法
CN109841226A (zh) * 2018-08-31 2019-06-04 大象声科（深圳）科技有限公司 一种基于卷积递归神经网络的单通道实时降噪方法
CN109931506A (zh) * 2019-03-14 2019-06-25 三川智慧科技股份有限公司 管道泄露检测方法及装置
US20190201267A1 (en) * 2017-12-28 2019-07-04 Sleep Number Corporation Bed having sensor fusing features useful for determining snore and breathing parameters
CN110146455A (zh) * 2019-05-27 2019-08-20 安徽大学 基于深度学习的激光光谱气体浓度测量方法
CN110251137A (zh) * 2019-06-05 2019-09-20 长沙湖湘医疗器械有限公司 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机
CN110309797A (zh) * 2019-07-05 2019-10-08 齐鲁工业大学 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统
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
CN110569752A (zh) * 2019-08-20 2019-12-13 河海大学 基于卷积神经网络的雷达信号类别确定方法
CN110619384A (zh) * 2019-08-13 2019-12-27 浙江工业大学 一种基于神经网络的pm2.5浓度值预测方法
CN110956154A (zh) * 2019-12-11 2020-04-03 哈尔滨高斯触控科技有限公司 一种基于cnn-lstm的振动信息地形分类识别方法
CN110987318A (zh) * 2019-12-11 2020-04-10 北京华展汇元信息技术有限公司 一种高压管道气体泄露自动检测装置和检测方法
CN111022941A (zh) * 2019-12-27 2020-04-17 重庆科技学院 一种基于lstm循环神经网络的天然气管道泄漏检测方法
US20200133255A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
US20200138337A1 (en) * 2018-11-06 2020-05-07 The Regents Of The University Of Colorado, A Body Corporate Non-Contact Breathing Activity Monitoring And Analyzing System Through Thermal On Projection Medium Imaging
US20200167637A1 (en) * 2018-11-26 2020-05-28 Samsung Electronics Co., Ltd. Neural network processor using dyadic weight matrix and operation method thereof
CN111222498A (zh) * 2020-03-19 2020-06-02 桂林电子科技大学 一种基于光电容积脉搏波的身份识别方法
CN111289991A (zh) * 2020-03-10 2020-06-16 国网安徽省电力有限公司 一种基于多场景的激光测距方法及装置
CN111687689A (zh) * 2020-06-23 2020-09-22 重庆大学 一种基于lstm和cnn的刀具磨损状态预测方法及装置
CN111766067A (zh) * 2020-07-10 2020-10-13 中国人民解放军空军工程大学 基于深度学习的机务外场飞机发动机故障预测方法
CN112114362A (zh) * 2020-09-07 2020-12-22 中北大学 一种地下浅层爆炸时空场重建方法

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190121340A1 (en) * 2016-05-09 2019-04-25 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection and signal conditioning in an industrial environment
US20190201267A1 (en) * 2017-12-28 2019-07-04 Sleep Number Corporation Bed having sensor fusing features useful for determining snore and breathing parameters
US20200133255A1 (en) * 2018-05-07 2020-04-30 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things
CN109841226A (zh) * 2018-08-31 2019-06-04 大象声科（深圳）科技有限公司 一种基于卷积递归神经网络的单通道实时降噪方法
US20200138337A1 (en) * 2018-11-06 2020-05-07 The Regents Of The University Of Colorado, A Body Corporate Non-Contact Breathing Activity Monitoring And Analyzing System Through Thermal On Projection Medium Imaging
CN109474316A (zh) * 2018-11-22 2019-03-15 东南大学 一种基于深度循环神经网络的信道信息压缩反馈方法
US20200167637A1 (en) * 2018-11-26 2020-05-28 Samsung Electronics Co., Ltd. Neural network processor using dyadic weight matrix and operation method thereof
CN109724941A (zh) * 2019-02-27 2019-05-07 大唐长山热电厂 一种基于径向基神经网络的co2高温气体浓度检测方法
CN109931506A (zh) * 2019-03-14 2019-06-25 三川智慧科技股份有限公司 管道泄露检测方法及装置
CN110146455A (zh) * 2019-05-27 2019-08-20 安徽大学 基于深度学习的激光光谱气体浓度测量方法
CN110251137A (zh) * 2019-06-05 2019-09-20 长沙湖湘医疗器械有限公司 一种用于无创呼吸机的入睡检测方法及使用该方法的呼吸机
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
CN110309797A (zh) * 2019-07-05 2019-10-08 齐鲁工业大学 融合CNN-BiLSTM模型和概率协作的运动想象识别方法及系统
CN110619384A (zh) * 2019-08-13 2019-12-27 浙江工业大学 一种基于神经网络的pm2.5浓度值预测方法
CN110569752A (zh) * 2019-08-20 2019-12-13 河海大学 基于卷积神经网络的雷达信号类别确定方法
CN110987318A (zh) * 2019-12-11 2020-04-10 北京华展汇元信息技术有限公司 一种高压管道气体泄露自动检测装置和检测方法
CN110956154A (zh) * 2019-12-11 2020-04-03 哈尔滨高斯触控科技有限公司 一种基于cnn-lstm的振动信息地形分类识别方法
CN111022941A (zh) * 2019-12-27 2020-04-17 重庆科技学院 一种基于lstm循环神经网络的天然气管道泄漏检测方法
CN111289991A (zh) * 2020-03-10 2020-06-16 国网安徽省电力有限公司 一种基于多场景的激光测距方法及装置
CN111222498A (zh) * 2020-03-19 2020-06-02 桂林电子科技大学 一种基于光电容积脉搏波的身份识别方法
CN111687689A (zh) * 2020-06-23 2020-09-22 重庆大学 一种基于lstm和cnn的刀具磨损状态预测方法及装置
CN111766067A (zh) * 2020-07-10 2020-10-13 中国人民解放军空军工程大学 基于深度学习的机务外场飞机发动机故障预测方法
CN112114362A (zh) * 2020-09-07 2020-12-22 中北大学 一种地下浅层爆炸时空场重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHENG ZHOU 等: "Dual-optimized adaptive Kalman filtering algorithm based on BP neural network and variance compensation for laser absorption spectroscopy", 《OPTICS EXPRESS》 *
YONGCHAO ZHANG 等: "Two-phase flow regime identifcation based on the liquid-phase velocity information and machine learning", 《EXPERIMENTS IN FLUIDS》 *
YOUNGBOK CHO: "Dynamic RNN-CNN based Malware Classifier for Deep Learning Algorithm", 《2019 29TH INTERNATIONAL TELECOMMUNICATION NETWORKS AND APPLICATIONS CONFERENCE》 *
温志煌: "用于智能电子鼻系统的新型混合气体识别算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN112613431B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Wang et al. Virtualization and deep recognition for system fault classification
Wang et al. A novel method for intelligent fault diagnosis of bearing based on capsule neural network
Cui et al. LOS/NLOS identification for indoor UWB positioning based on Morlet wavelet transform and convolutional neural networks
Yang et al. Underwater acoustic research trends with machine learning: Passive SONAR applications
CN111563414B (zh) 一种基于非局部特征增强的sar图像舰船目标检测方法
CN115456012A (zh) 风电场风机大部件状态监测系统及其方法
US20190227164A1 (en) Automotive Testing Method, System and Computer Program Product
Ni et al. LPI radar waveform recognition based on multi-resolution deep feature fusion
US20230039196A1 (en) Small unmanned aerial systems detection and classification using multi-modal deep neural networks
CN109340586A (zh) 一种供水管道泄露的检测方法及系统
Park et al. Deep convolutional neural network architectures for tonal frequency identification in a lofargram
Dai et al. Blind source separation‐based IVA‐Xception model for bird sound recognition in complex acoustic environments
CN112613431B (zh) 一种泄漏气体自动识别方法、系统及装置
Wang et al. Antivibration pipeline-filtering algorithm for maritime small target detection
CN112731410A (zh) 一种基于cnn的水下目标声呐探测方法
US6718316B1 (en) Neural network noise anomaly recognition system and method
KR102193952B1 (ko) 음탐그램 클러터 최소화를 위한 콘볼루션 뉴럴 네트워크 기반 학습 및 추론 방법
CN116913316A (zh) 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法
Cooper The probability density function for the output of a correlator with band-pass input waveforms
Bin et al. Foreground fusion-based liquefied natural gas leak detection framework from surveillance thermal imaging
CN113109795A (zh) 一种基于深度神经网络的深海直达声区目标深度估计方法
Zhou et al. SAR ship detection network based on global context and multi-scale feature enhancement
CN115588166B (zh) 一种防泄漏船用lng燃料罐
CN116740385B (zh) 一种设备质检方法、装置和系统
Akbarian et al. Underwater Acoustic Target Recognition Using Spectrogram ROI Approximation And Mobilenet One-Dimensional And Two-Dimensional Networks

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