CN113111944B - 基于深度学习与气体光声效应的光声光谱识别方法与装置 - Google Patents
基于深度学习与气体光声效应的光声光谱识别方法与装置 Download PDFInfo
- Publication number
- CN113111944B CN113111944B CN202110397367.1A CN202110397367A CN113111944B CN 113111944 B CN113111944 B CN 113111944B CN 202110397367 A CN202110397367 A CN 202110397367A CN 113111944 B CN113111944 B CN 113111944B
- Authority
- CN
- China
- Prior art keywords
- photoacoustic
- time
- gas
- frequency domain
- spectrum
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
- G01N2021/1704—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids in gases
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于深度学习与气体光声效应的光声光谱识别方法与装置,其方法包括:利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;提取所述混合光声声谱的时域特征、频域特征、时频域特征;利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,得到训练好的时域卷积神经网络;将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。本发明通过结合光声效应和深度学习模型,提高混合气体的识别准确率和泛化能力。
Description
技术领域
本发明属于气体测量与深度学习领域,具体涉及基于深度学习与气体光声效应的光声光谱识别方法与装置。
背景技术
气体光声光谱技术作为一种新型的检测技术,其主要是通过检测气体分子对激光光子能量的吸收,来对气体的浓度进行定量分析,也是属于一种测量吸收的气体分析方法。与直接测量光辐射能量的检测方法相比较,该技术增加了将热能转变为声音信号的环节,在气体含量在线监测过程中应用光声光谱检测技术,因为该技术具有较高的检测灵敏度,较低的样气需求量,从而能够极大减少油气分离的时间,缩短测量的周期。光声光谱同时具有光谱和声谱的特性,将两者进行结合,在一定程度上可以提高识别精度。
由于气体吸收光能之后,激发出的光谱谱峰通常不止一个,通常会采用光源隔离或对光源的频率进行分别控制,这样便提高了识别设备的复杂性、成本和识别时间,降低了设备的稳定性。传统的方法是将混合气体分别通入到不同的特征频率的光声池中来识别单一气体,还未出现用一个光声池来识别混合变压器油中的混合气体。
发明内容
为降低混合气体光声光谱的识别设备的复杂性、成本和识别时间,提高识别准确率和稳定性,本发明的第一方面提供了一种基于深度学习与气体光声效应的光声光谱识别方法,包括如下步骤:利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;提取所述混合光声声谱的时域特征、频域特征、时频域特征;所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量;所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数;所述时频域特征包括投影特征、直方图方差特征;利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
在本发明的一些实施例中,所述利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱包括如下步骤:获取多张气体的光声信号频谱图;对每张频谱图依次进行分帧、加窗,对每一帧经过分帧、加窗后的频谱图做短时傅里叶变换,得到每一帧的变换图像;将所述每一帧的变换图像按时域维度融合,得到每张频谱图的混合光声声谱。
在本发明的一些实施例中,所述利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中包括如下步骤:
利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维,得到第一特征向量、第二特征向量、第三特征向量;
将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。
在本发明的一些实施例中,所述时域卷积神经网络包括输入层和多个残差模块层,每个残差模块层包括dropout层、ReLU激活层。优选的,所述每个残差模块层还包括正则权重层。
在本发明的一些实施例中,所述气体至少包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气或氮气中的一种。
在发明的第二方面,提供了一种基于深度学习与气体光声效应的光声光谱识别装置,包括获取模块、提取模块、映射模块、训练模块、识别模块,所述获取模块,用于利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;所述提取模块,用于提取所述混合光声声谱的时域特征、频域特征、时频域特征;所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量;所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数;所述时频域特征包括投影特征、直方图方差特征;所述映射模块,用于利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;所述训练模块,用于将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;所述识别模块,用于将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
进一步的,所述映射模块包括降维模块、融合模块,所述降维模块,用于利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维,得到第一特征向量、第二特征向量、第三特征向量;所述融合模块,用于将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的基于深度学习与气体光声效应的光声光谱识别方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明第一方面提供的基于深度学习与气体光声效应的光声光谱识别方法。
本发明的有益效果是:
1.气体中的光声光谱的混合声音信号中每种气体的综合声音特征视为声纹,通过时域特征、频域特征、时频域特征相互之间存在信息互补和冗余,从而提高样本的多样性,进而提高识别模型的确率和泛化能力;
2.利用主成分分析法分别将时域特征、频域特征、时频域特征各自降维再进行融合,可以大大降低了模型的维数和数据处理量,从而减少了模型的训练和拟合时间。
附图说明
图1为本发明的一些实施例中的基于深度学习与气体光声效应的光声光谱识别方法流程示意图;
图2为本发明的一些实施例中的基于深度学习与气体光声效应的光声光谱识别装置的结构示意图;
图3为本发明的一些实施例中的电子设备的基本结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1,本发明提供了一种本发明的第一方面提供了一种基于深度学习与气体光声效应的光声光谱识别方法,包括如下步骤:S101.利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;S102.提取所述混合光声声谱的时域特征、频域特征、时频域特征;所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量;所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数;所述时频域特征包括投影特征、直方图方差特征;S103.利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;S104.将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;S105.将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
优选的,对识别出混合气体中各个气体的浓度进行计算,从而得出混合气体的组分、物质的量等信息。
需要说明的是,上述样本均以单张混合气体光声光谱经过提取而得到的多维向量;在构建数据集过程中,需要从不同混合气体的多张光声光谱为数据源进行提取,为增加模型的鲁棒性也可以以该数据源为基础,利用无监督学习或生成式对抗神经网络来生成负样本丰富样本数据集的多样性。
在本发明的一些实施例的步骤S101中,所述利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱包括如下步骤:获取多张气体的光声信号频谱图;对每张频谱图依次进行分帧、加窗,对每一帧经过分帧、加窗后的频谱图做短时傅里叶变换,得到每一帧的变换图像;将所述每一帧的变换图像按时域维度融合,得到每张频谱图的混合光声声谱。
所述短时傅里叶变换表示为:
其中信号x(t)在时间t处的短时傅里叶变换就是信号乘上一个以t为中心的“分析窗”h(τ-t)后所作的傅里叶变换。x(t)乘以分析窗函数h(τ-t)等价于取出信号在分析时间点t附近的一个切片。对于给定时间t,STFT(t,f)可以看作是该时刻的频谱。
在本发明的一些实施例的步骤S103中,所述利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中包括如下步骤:利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维,得到第一特征向量、第二特征向量、第三特征向量;将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。
在本发明的一些实施例的步骤S104中,所述时域卷积神经网络(TCN,TemporalConvolutional Network)包括输入层和多个残差模块层,每个残差模块层包括dropout层、ReLU激活层。
具体地,为了使TCN不仅仅是一个过于复杂的线性回归模型,需要在残差模块层的顶部添加激活函数来引入非线性。ReLU激活层被添加到两个卷积层之后的残差块中。具体地,为了规范化隐含层的输入(抵消了梯度爆发的问题),权值规范化应用于每一个卷积层。为了防止过拟合,在每个剩余块的每个卷积层之后通过dropout引入正则化。
在本发明的一个实施例中,将上述方法应用于变压器油中特征气体的光声光谱的识别中,因此气体至少包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气或氮气中的一种。具体地,获取多张变压器油中气体的光声光谱,然后利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;提取所述混合光声声谱的时域特征、频域特征、时频域特征;利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
参考图2,在发明的第二方面,提供了一种基于深度学习与气体光声效应的光声光谱识别装置1,包括获取模块11、提取模块12、映射模块13、训练模块14、识别模块15,所述获取模块11,用于利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;所述提取模块12,用于提取所述混合光声声谱的时域特征、频域特征、时频域特征;所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量;所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数;所述时频域特征包括投影特征、直方图方差特征;所述映射模块13,用于利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;所述训练模块14,用于将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;所述识别模块15,用于将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
进一步的,所述映射模块13包括降维模块、融合模块,所述降维模块,用于利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维,得到第一特征向量、第二特征向量、第三特征向量;所述融合模块,用于将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明第一方面提供的基于深度学习与气体光声效应的光声光谱识别方法。
参考图3,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于深度学习与气体光声效应的光声光谱识别方法,其特征在于,包括如下步骤:
利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;
提取所述混合光声声谱的时域特征、频域特征、时频域特征;所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量;所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数;所述时频域特征包括投影特征、直方图方差特征;
利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;
将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;
将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
2.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法,其特征在于,所述利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱包括如下步骤:
获取多张气体的光声信号频谱图;
对每张频谱图依次进行分帧、加窗,对每一帧经过分帧、加窗后的频谱图做短时傅里叶变换,得到每一帧的变换图像;
将所述每一帧的变换图像按时域维度融合,得到每张频谱图的混合光声声谱。
3.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法,其特征在于,所述利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中包括如下步骤:
利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维,得到第一特征向量、第二特征向量、第三特征向量;
将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。
4.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法,其特征在于,所述时域卷积神经网络包括输入层和多个残差模块层,每个残差模块层包括dropout层、ReLU激活层。
5.根据权利要求4所述的基于深度学习与气体光声效应的光声光谱识别方法,其特征在于,所述每个残差模块层还包括正则权重层。
6.根据权利要求1所述的基于深度学习与气体光声效应的光声光谱识别方法,其特征在于,所述气体至少包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳、氧气或氮气中的一种。
7.一种基于深度学习与气体光声效应的光声光谱识别装置,其特征在于,包括获取模块、提取模块、映射模块、训练模块、识别模块,
所述获取模块,用于利用光声效应和混合气体的光声光谱获取其对应的混合光声声谱;
所述提取模块,用于提取所述混合光声声谱的时域特征、频域特征、时频域特征;所述时域特征包括吸收波形、基音周期、短时平均过零率和短时平均能量;所述频域特征包括频率质心、带宽、基音周期、共振峰、线性预测倒谱系数、梅尔频率倒谱系数;所述时频域特征包括投影特征、直方图方差特征;
所述映射模块,用于利用主成分分析法将所述时域特征、频域特征、时频域特征进行降维并映射到多维向量中;
所述训练模块,用于将所述多维向量、气体的浓度分别作为样本和标签,构建样本数据集;利用样本数据集训练时域卷积神经网络,直至所述时域卷积神经网络的误差低于阈值且趋于稳定,得到训练好的时域卷积神经网络;
所述识别模块,用于将待识别的混合光声声谱输入到时域卷积神经网络中,识别出所述待识别的混合光声声谱所表征的混合光声光谱的气体的浓度。
8.根据权利要求7所述的基于深度学习与气体光声效应的光声光谱识别装置,其特征在于,所述映射模块包括降维模块、融合模块,
所述降维模块,用于利用主成分分析法分别将时域特征、频域特征、时频域特征进行降维,得到第一特征向量、第二特征向量、第三特征向量;
所述融合模块,用于将所述第一特征向量、第二特征向量、第三特征向量融合并映射到多维向量中。
9.一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述基于深度学习与气体光声效应的光声光谱识别方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述基于深度学习与气体光声效应的光声光谱识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110397367.1A CN113111944B (zh) | 2021-04-13 | 2021-04-13 | 基于深度学习与气体光声效应的光声光谱识别方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110397367.1A CN113111944B (zh) | 2021-04-13 | 2021-04-13 | 基于深度学习与气体光声效应的光声光谱识别方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111944A CN113111944A (zh) | 2021-07-13 |
CN113111944B true CN113111944B (zh) | 2022-05-31 |
Family
ID=76716632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110397367.1A Active CN113111944B (zh) | 2021-04-13 | 2021-04-13 | 基于深度学习与气体光声效应的光声光谱识别方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111944B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298240B (zh) * | 2021-07-27 | 2021-11-05 | 北京科技大学 | 一种伺服驱动系统生命周期预测方法及装置 |
CN114204996A (zh) * | 2021-11-10 | 2022-03-18 | 中国科学院长春光学精密机械与物理研究所 | 一种单向光声通信系统及其通信方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111239344A (zh) * | 2020-02-24 | 2020-06-05 | 西安理工大学 | 一种基于小波分析的气体分解物评估方法 |
CN112432905A (zh) * | 2021-01-28 | 2021-03-02 | 湖北鑫英泰系统技术股份有限公司 | 基于变压器油中特征气体光声光谱的声纹识别方法与装置 |
CN112504970A (zh) * | 2021-02-07 | 2021-03-16 | 湖北鑫英泰系统技术股份有限公司 | 基于深度学习的气体光声光谱增强声纹识别方法与装置 |
CN112595672A (zh) * | 2021-03-03 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于深度学习的混合气体光声光谱识别方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210389486A1 (en) * | 2018-11-29 | 2021-12-16 | Bp Exploration Operating Company Limited | DAS Data Processing to Identify Fluid Inflow Locations and Fluid Type |
EP3770583B1 (en) * | 2019-07-26 | 2023-07-19 | Infineon Technologies AG | Gas sensing device for sensing a gas in a mixture of gases and method for operating a gas sensing device |
-
2021
- 2021-04-13 CN CN202110397367.1A patent/CN113111944B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111239344A (zh) * | 2020-02-24 | 2020-06-05 | 西安理工大学 | 一种基于小波分析的气体分解物评估方法 |
CN112432905A (zh) * | 2021-01-28 | 2021-03-02 | 湖北鑫英泰系统技术股份有限公司 | 基于变压器油中特征气体光声光谱的声纹识别方法与装置 |
CN112504970A (zh) * | 2021-02-07 | 2021-03-16 | 湖北鑫英泰系统技术股份有限公司 | 基于深度学习的气体光声光谱增强声纹识别方法与装置 |
CN112595672A (zh) * | 2021-03-03 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于深度学习的混合气体光声光谱识别方法与装置 |
Non-Patent Citations (3)
Title |
---|
Auxiang He et al..A Novel Gas Identification Method Based on Gabor Spectrogram Using Self-adapted Temperature Modulated Gas Sensors.《2019 International Conference on Sensing,Diagnostics,Prognostics,and Control》.2020, * |
余段辉.基于红外光谱的气体识别与浓度检测算法研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2018,I135-40. * |
鞠薇.环境污染气体的FTIR光谱特征提取及定性识别方法研究.《中国博士学位论文全文数据库工程科技Ⅰ辑》.2021,B014-531. * |
Also Published As
Publication number | Publication date |
---|---|
CN113111944A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021174757A1 (zh) | 语音情绪识别方法、装置、电子设备及计算机可读存储介质 | |
US20230223010A1 (en) | Video generation method, generation model training method and apparatus, and medium and device | |
Wu et al. | Automatic speech emotion recognition using modulation spectral features | |
CN112432905B (zh) | 基于变压器油中特征气体光声光谱的声纹识别方法与装置 | |
CN113111944B (zh) | 基于深度学习与气体光声效应的光声光谱识别方法与装置 | |
Asgari et al. | Inferring clinical depression from speech and spoken utterances | |
CN108564956B (zh) | 一种声纹识别方法和装置、服务器、存储介质 | |
CN112595672B (zh) | 一种基于深度学习的混合气体光声光谱识别方法与装置 | |
You et al. | Novel feature extraction method for cough detection using NMF | |
Fu et al. | Sch-net: a deep learning architecture for automatic detection of schizophrenia | |
Chaki | Pattern analysis based acoustic signal processing: a survey of the state-of-art | |
Jiang et al. | Speech emotion recognition using emotion perception spectral feature | |
Machado et al. | Forensic speaker verification using ordinary least squares | |
Bhangale et al. | Speech emotion recognition using the novel PEmoNet (Parallel Emotion Network) | |
CN112504970B (zh) | 基于深度学习的气体光声光谱增强声纹识别方法与装置 | |
Hu et al. | A lightweight multi-sensory field-based dual-feature fusion residual network for bird song recognition | |
Deepa et al. | Speech technology in healthcare | |
CN116978409A (zh) | 基于语音信号的抑郁状态评估方法、装置、终端及介质 | |
Sharma et al. | Comparative analysis of various feature extraction techniques for classification of speech disfluencies | |
CN114302301B (zh) | 频响校正方法及相关产品 | |
Campi et al. | Ataxic speech disorders and Parkinson’s disease diagnostics via stochastic embedding of empirical mode decomposition | |
Xu et al. | Voiceprint recognition of Parkinson patients based on deep learning | |
Özsönmez et al. | Optimal classifier selection in Turkish speech emotion detection | |
Korvel et al. | Investigating Noise Interference on Speech Towards Applying the Lombard Effect Automatically | |
Wang | A novel voice sensor for the detection of speech signals |
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 |