CN112782365A - 一种基于多级分类器的混合气体识别方法 - Google Patents
一种基于多级分类器的混合气体识别方法 Download PDFInfo
- Publication number
- CN112782365A CN112782365A CN202011625990.XA CN202011625990A CN112782365A CN 112782365 A CN112782365 A CN 112782365A CN 202011625990 A CN202011625990 A CN 202011625990A CN 112782365 A CN112782365 A CN 112782365A
- Authority
- CN
- China
- Prior art keywords
- gas
- group
- target
- identification method
- values
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (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
本发明提供了一种基于阵列气体传感器的气体识别方法,属于气体传感器领域。该混合气体识别方法包括:选取多组目标传感器,每组目标传感器均包括阵列气体传感器中对目标气体中的不同气体响应有差异的至少一个气体传感器,所述目标气体包括多种气体;获取每组所述目标传感器对所述待检气体的一组测量值;根据每组所述测量值形成对应的一组特征值;将每组所述特征值依次根据逐级细化的多个分类规则进行逐级分类,以确定所述待检气体的所属类别。本发明的混合气体识别方法能够有效地提高目标气体的识别率。
Description
技术领域
本发明涉及气体识别领域,特别是涉及一种基于多级分类器的混合气体识别方法。
背景技术
电子鼻是一种利用阵列气体传感器识别简单、复杂气体气味的设备,随着科学技术的日益更新,应用场景越变复杂,因此对于电子鼻设备各方面的研究也受到越来越多的重视。通过对气体气味进行感知和分析,可以了解被测环境中气体或气味的相关特性,从而做出判断,给生活带来便利,如环境检测、食品检测、健康医疗等。
目前对于阵列气体传感器进行气体识别,多数是对单一气体的识别,对于混合气体的识别算法在进行区分时由于某些气体传感器的普适性,往往边界不能分的很清晰,即不同类别的气体在边界会有重叠区域。这是气体传感器选择性的缺陷造成,即混合气体的识别率会有所下降。
发明内容
本发明第一方面的一个目的是提供一种基于多级分类器的混合气体识别方法,能够有效地提高目标气体的识别率。
本发明的进一步的一个目的是要降低算法的复杂度。
特别地,本发明提供了一种基于多级分类器的混合气体识别方法,包括:
选取多组目标传感器,每组目标传感器均包括阵列气体传感器中对目标气体中的不同气体响应有差异的至少一个气体传感器,所述目标气体包括多种气体;
获取每组所述目标传感器对所述待检气体的一组测量值;
根据每组所述测量值形成对应的一组特征值;
将每组所述特征值依次根据逐级细化的多个分类规则进行逐级分类,以确定所述待检气体的所属类别。
可选地,根据每组所述测量值形成对应的一组特征值的步骤之前,还包括:
对每组所述测量值进行滤波处理。
可选地,根据每组所述测量值形成对应的一组特征值的步骤,包括:
将每组所述测量值组合成特征值向量。
可选地,根据每组所述测量值形成对应的一组特征值的步骤,包括:
将进行预设方式的数学处理后的每组所述测量值组合成特征值向量。
可选地,将每组所述特征值依次根据逐级细化的多个分类规则进行逐级分类,以确定所述待检气体的所属类别的步骤,包括:
将所述特征值向量依次根据第i种分类规则逐级确定对应的次级类别lable(i,j),lable(i,j)表示所述待测气体属于第i种分类规则下的第j种类别,其中,第i+1种分类规则用于对第i种分类规则下确定的气体类别进行进一步划分,i=1,…,m,j=1,…,n,m和n均为正整数。
可选地,所述多种分类规则根据所述目标传感器的种类和所述目标气体的多种气体的特性制定。
本发明提出了一种基于多级分类器的混合气体识别方法,根据多种分类规则依次识别出目标气体所属类别,识别出目标气体的类别。此思想是利用分治法的思路对气体的类别进行识别,即先寻求目标气体的相似类别,然后从相似类别中识别出目标气体的类别。当使用一种分类规则时,结合了气体传感器对气体响应的选择特性(即每组目标传感器的各个气体传感器对目标气体响应有差异),从而提高了目标气体的识别率。并且这种方法可以最大限度地利用单个传感器现有的选择性使得整个传感器阵列的选择性大大得到提升。
进一步地,当使用多种分类规则时,只需每一次提取出能解决特征目标的特征,降低了算法复杂度和计算方法所对应的程序所需的内存空间,提高了计算速度,因此本方法对应是模型具有更好的数据处理能力,使其的应用范围更为广泛。
进一步地,本发明的混合气体识别方法可以实时对采集的数据进行处理,无需等采集整个的响应及恢复曲线候再进行数据处理,从而缩短了预测所检测到气体所需要的时间,并能实时显示气体的类别。因此该方法不仅能实时检测混合气体的类别,同样适用于采集整个的响应及恢复曲线后再进行混合气体的识别。
进一步地,本发明的混合气体识别方法不仅适用于混合气体的识别,同样适用于单个气体的识别;不仅适用于气体的识别,同样适用于气味的识别。
根据下文结合附图对本发明具体实施例的详细描述,本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1是根据本发明一个实施例的基于多级分类器的混合气体识别方法的流程图。
具体实施方式
图1是根据本发明一个实施例的基于多级分类器的混合气体识别方法的流程图。如图1所示,一个实施例中,基于多级分类器的混合气体识别方法包括:
步骤S10:选取多组目标传感器,每组目标传感器均包括阵列气体传感器中对目标气体中的不同气体响应有差异的至少一个气体传感器,目标气体包括多种气体。其中对目标气体响应有差异可以理解为,对目标气体有方向相反的响应或对目标气体的响应值不同,这里的响应方向理解为,当气体接触到气体传感器时,气体传感器的测量值发生变化,就认为该气体传感器对气体有响应。假设测量值为电阻值,当电阻值增大时,可以认为气体传感器对气体产了向上的响应,当电阻值减小时认为气体传感器对气体产生了向下的响应,当电阻值不发生变化时认为气体传感器对气体没有响应。当每组目标传感器为一个气体传感器时,例如气体传感器S1,那么气体传感器S1对目标气体A有向上的响应,对目标气体B有向下的响应,或者气体传感器S1对目标气体A的响应值为0.2,对目标气体B的响应值为0.5。当每组目标传感器为多个气体传感器时,例如包括气体传感器S01和S02,S01对目标气体A有向上的响应,S02对目标气体B有向下的反应,或者S01对目标气体A的响应值为0.5,S02对目标气体B的响应值为0.2。
步骤S20:获取每组目标传感器对待检气体的一组测量值。这里的测量值可以是电阻值、电压值或电流值等电信号。
步骤S30:根据每组测量值形成对应的一组特征值。这里可以将每组测量值直接作为特征值,也可以是对测量值进行一定计算后的值作为特征值。这里的计算可以是现有的气体起峰识别方法中对测量值的计算方式中的任一种。
步骤S40:将每组特征值依次根据逐级细化的多个分类规则进行逐级分类,以确定待测气体的所属类别。这里的分类规则能够依据每组特征值进行不同属性的类别分类,例如,一级分类规则按照是否包含CO气体为标准进行分类,当目标气体被分在包含CO气体的类别下后,再对已处于包含CO气体的类别下的目标气体按照二级分类规则对目标气体进行分类,例如二级分类规则按照是否包含CH4气体为标准进行分类。
本实施例提出了一种基于多级分类器的混合气体识别方法,根据多种分类规则依次识别出目标气体所属类别,识别出目标气体的类别。此思想是利用分治法的思路对气体的类别进行识别,即先寻求目标气体的相似类别,然后从相似类别中识别出目标气体的类别。
当使用一种分类规则时,结合了气体传感器对气体响应的选择特性(即每组目标传感器的各个气体传感器对目标气体响应有差异),从而提高了目标气体的识别率。并且这种方法可以最大限度地利用单个传感器现有的选择性使得整个传感器阵列的选择性大大得到提升。
当使用多种分类规则时,只需每一次提取出能解决特征目标的特征,降低了算法复杂度和计算方法所对应的程序所需的内存空间,提高了计算速度,因此本方法对应是模型具有更好的数据处理能力,使其的应用范围更为广泛。
本实施例使用起峰识别方法,判断是否有目标气体进样,可以实时对采集的数据进行处理,无需等采集整个的响应及恢复曲线候再进行数据处理,从而缩短了预测所检测到气体所需要的时间,并能实时显示气体的类别。因此该方法不仅能实时检测混合气体的类别,同样适用于采集整个的响应及恢复曲线后再进行混合气体的识别。
本实施例的混合气体识别方法不仅适用于混合气体的识别,同样适用于单个气体的识别;不仅适用于气体的识别,同样适用于气味的识别。
另一个实施例中,步骤S30之前还包括对每组测量值进行滤波处理的步骤,以去除数据中的干扰值,有利于提高数据质量,进而提高气体识别的准确度。
进一步的一个实施例中,步骤S30中可以将每组测量值组合成特征值向量,也可以将进行预设方式的数学处理后的每组测量值组合成特征值向量。可选地,预设方式的数学处理包括数学统计方法、曲线拟合和变换函数等。具体地,可以通过以下数学统计方法进行处理:例如依次对相邻的两个测量值作差值,将差值组合成特征值向量,或依次对相邻的两个测量值作比值,将该比值组合成特征值向量,或依次对相邻的两个测量值取相对值,将该相对值组合成特征值向量。
进一步的一个实施例中,步骤S40包括将特征值向量依次根据第i种分类规则逐级确定对应的次级类别lable(i,j),lable(i,j)表示待测气体属于第i种分类规则下的第j种类别。其中,第i+1种分类规则用于对第i种分类规则下确定的气体类别进行进一步划分,i=1,…,m,j=1,…,n,m和n均为正整数。
上述的多种分类规则根据目标传感器的种类和目标气体的多种气体的特性制定。
以目标传感器为多个气体传感器为例,一个具体的实施例中,混合气体识别方法包括以下步骤:
先选取sensor1,sensor2,sensor3作为目标传感器。
获取sensor1,sensor2,sensor3的对目标气体响应的电阻值R1、R2、R3。
将电阻值形成特征向量feature1,feature1={R1,R2,R3}。
将特征向量feature1根据第1种分类规则(第一级分类器)确定目标气体属于lable(1,2)。第1种分类规则(第一级分类器)可以采用决策树,聚类分析等分类方法。
先选取sensor4,sensor5,sensor6作为目标传感器,这里的sensor4,sensor5,sensor6可以是与sensor1,sensor2,sensor3相同或者不同的一组传感器。
获取sensor3,sensor4,sensor5的对目标气体响应的电阻值R4、R5、R6。
将电阻值形成特征向量feature2,feature2={R4,R5,R6}。
将特征向量feature2根据第2种分类规则(第二级分类器)确定目标气体属于lable(1,2)下的lable(2,3)。第2种分类规则(第二级分类器)可以采用KNN(邻近算法)或SVM(支持向量机)等分类方法。根据lable(2,3)确定出目标气体的种类。
至此,本领域技术人员应认识到,虽然本文已详尽示出和描述了本发明的多个示例性实施例,但是,在不脱离本发明精神和范围的情况下,仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此,本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。
Claims (6)
1.一种基于多级分类器的混合气体识别方法,其特征在于,包括:
选取多组目标传感器,每组目标传感器均包括阵列气体传感器中对目标气体中的不同气体响应有差异的至少一个气体传感器,所述目标气体包括多种气体;
获取每组所述目标传感器对所述待检气体的一组测量值;
根据每组所述测量值形成对应的一组特征值;
将每组所述特征值依次根据逐级细化的多个分类规则进行逐级分类,以确定所述待检气体的所属类别。
2.根据权利要求1所述的混合气体识别方法,其特征在于,根据每组所述测量值形成对应的一组特征值的步骤之前,还包括:
对每组所述测量值进行滤波处理。
3.根据权利要求1所述的混合气体识别方法,其特征在于,根据每组所述测量值形成对应的一组特征值的步骤,包括:
将每组所述测量值组合成特征值向量。
4.根据权利要求1所述的混合气体识别方法,其特征在于,根据每组所述测量值形成对应的一组特征值的步骤,包括:
将进行预设方式的数学处理后的每组所述测量值组合成特征值向量。
5.根据权利要求3或4所述的混合气体识别方法,其特征在于,将每组所述特征值依次根据逐级细化的多个分类规则进行逐级分类,以确定所述待检气体的所属类别的步骤,包括:
将所述特征值向量依次根据第i种分类规则逐级确定对应的次级类别lable(i,j),lable(i,j)表示所述待测气体属于第i种分类规则下的第j种类别,其中,第i+1种分类规则用于对第i种分类规则下确定的气体类别进行进一步划分,i=1,…,m,j=1,…,n,m和n均为正整数。
6.根据权利要求5所述的混合气体识别方法,其特征在于,
所述多种分类规则根据所述目标传感器的种类和所述目标气体的多种气体的特性制定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625990.XA CN112782365B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多级分类器的混合气体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011625990.XA CN112782365B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多级分类器的混合气体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782365A true CN112782365A (zh) | 2021-05-11 |
CN112782365B CN112782365B (zh) | 2022-08-23 |
Family
ID=75754490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011625990.XA Active CN112782365B (zh) | 2020-12-30 | 2020-12-30 | 一种基于多级分类器的混合气体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782365B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781518A (zh) * | 2022-04-22 | 2022-07-22 | 四川大学 | 一种基于卷积神经网络算法的电子鼻混合气体分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN108899046A (zh) * | 2018-07-12 | 2018-11-27 | 东北大学 | 一种基于多级支持向量机分类的语音情感识别方法及系统 |
CN109632891A (zh) * | 2018-12-19 | 2019-04-16 | 江苏智闻智能传感科技有限公司 | 一种利用阵列气体传感器监测气体种类以及浓度的方法 |
-
2020
- 2020-12-30 CN CN202011625990.XA patent/CN112782365B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147866A (zh) * | 2011-04-20 | 2011-08-10 | 上海交通大学 | 基于训练自适应增强和支持矢量机的目标识别方法 |
CN105678222A (zh) * | 2015-12-29 | 2016-06-15 | 浙江大学 | 一种基于移动设备的人体行为识别方法 |
CN108899046A (zh) * | 2018-07-12 | 2018-11-27 | 东北大学 | 一种基于多级支持向量机分类的语音情感识别方法及系统 |
CN109632891A (zh) * | 2018-12-19 | 2019-04-16 | 江苏智闻智能传感科技有限公司 | 一种利用阵列气体传感器监测气体种类以及浓度的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781518A (zh) * | 2022-04-22 | 2022-07-22 | 四川大学 | 一种基于卷积神经网络算法的电子鼻混合气体分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112782365B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
JP4374303B2 (ja) | 検査方法及びその装置 | |
JP5255953B2 (ja) | 欠陥検査方法及び装置 | |
US7725413B2 (en) | Generating two-class classification model for predicting chemical toxicity | |
CN110008082B (zh) | 异常任务智能监测方法、装置、设备及存储介质 | |
JP6828807B2 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN108107086B (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
CN110717540A (zh) | 一种对雷达新辐射源个体的识别方法及装置 | |
CN109426655A (zh) | 数据分析方法、装置、电子设备及计算机可读存储介质 | |
CN112782365B (zh) | 一种基于多级分类器的混合气体识别方法 | |
CN112805719A (zh) | 分类半导体样本中的缺陷 | |
CN110927217A (zh) | 基于电子鼻系统的食物新鲜度的识别方法及电子鼻系统 | |
CN111401420B (zh) | 晶圆测试的异常数据聚类方法、装置、电子设备与介质 | |
WO2018142816A1 (ja) | 支援装置および支援方法 | |
CN117562311A (zh) | 一种高性能电子烟雾化器的检测系统 | |
JP6356015B2 (ja) | 遺伝子発現情報解析装置、遺伝子発現情報解析方法、及びプログラム | |
CN113341079B (zh) | 一种基于电子鼻的气味识别方法、系统及报警系统 | |
CN110096708A (zh) | 一种定标集确定方法及装置 | |
CN115952078A (zh) | 一种测试用例排序方法、装置、系统及存储介质 | |
EP4356313A1 (en) | Analyzing measurement results of a communications network or other target system | |
CN112397404B (zh) | 半导体制程检测方法及检测系统 | |
CN113808088A (zh) | 一种污染检测方法及系统 | |
CN114398964A (zh) | 故障诊断方法、装置、电子设备和存储介质 | |
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 |
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 |