CN116189800B - 基于气体检测的模式识别方法、装置、设备及存储介质 - Google Patents
基于气体检测的模式识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116189800B CN116189800B CN202310206606.XA CN202310206606A CN116189800B CN 116189800 B CN116189800 B CN 116189800B CN 202310206606 A CN202310206606 A CN 202310206606A CN 116189800 B CN116189800 B CN 116189800B
- Authority
- CN
- China
- Prior art keywords
- gas
- sequence data
- response sequence
- pattern recognition
- attention
- 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
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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- 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
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种基于气体检测的模式识别方法、装置、设备及存储介质,所述方法包括:获取待检气体;基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据;利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。本发明采用了基于注意力机制的预设模式识别网络对气体响应序列数据进行识别,与现有的基于气体检测的模式识别方法中采用传统机器算法进行模式识别相比,提高了网络模型的特征提取能力和泛化能力,有利于提高模式识别的准确性和识别效果。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于气体检测的模式识别方法、装置、设备及存储介质。
背景技术
气体检测在食品安全、化工、医学卫生等领域都具有广泛的应用。例如,在食品安全领域,通过对食品进行气体检测可以确定食品是否合格;在化工领域,通常利用气体检测来判断是否存在有毒气体;而在医学卫生领域,气体检测则可以帮助确定医学用品、环境卫生是否符合医学标准等。目前常见的用于气体检测的方法有:气相色谱—质谱(GasChromatography-Mass Spectrometry,GC-MS)法,光谱法和电化学法等。
在一些应用场景中,气体检测可以与模式识别技术相结合来完成与气体状态有关的识别任务,其中,模式识别是一种根据研究对象的某些特征来进行对象的识别和分类的方法,可用于进行图像识别、文字识别、语音识别、遥感和医学辅助筛查等。
基于气体检测的模式识别方法主要包括气体感应和模式识别两部分,通过对待检气体进行气体感应生成气体数据后,利用模式识别方法对气体数据进行模式识别,得到识别结果。现有的基于气体检测的模式识别方法中,通常采用传统机器学习算法进行模式识别,例如,K最近邻(K-Nearest Neighbor,KNN),支持向量机(Support Vector Machine,SVM)和线性判别分析(Linear Discriminant Analysis)等。然而,传统机器学习算法模型比较简单,特征提取能力较弱,并且,传统机器学习算法还需要手工辅助提取特征,存在重要特征信息的丢失可能。因此,面对越来越多的气体成分关系错综复杂、气体种类繁多的应用场景,现有的基于气体检测的模式识别方法特征提取能力和泛化能力较弱,识别准确性较低,识别效果较差。
发明内容
本发明实施例提供了基于气体检测的模式识别方法、装置、设备及存储介质,能够解决现有的基于气体检测的模式识别方法特征提取能力和泛化能力较弱,在气体成分关系错综复杂、气体种类繁多时识别准确性较低的技术问题。
第一方面,本发明实施例提供了一种基于气体检测的模式识别方法,包括:
获取待检气体;
基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据;
利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。
第二方面,本发明实施例提供了一种基于气体检测的模式识别装置,包括:
获取单元,用于获取待检气体;
气体检测单元,用于基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据;
模式识别单元,用于利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。
第三方面,本发明实施例还提供了一种计算机设备,其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述第一方面的基于气体检测的模式识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中计算机可读存储介质存储有计算机程序,计算机程序当被处理器执行时使处理器执行上述第一方面的基于气体检测的模式识别方法。
本发明实施例中,首先获取待检气体,并基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据,进而利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。本发明采用了基于注意力机制的预设模式识别网络对气体响应序列数据进行识别,与基于传统机器学习算法的模式识别方法相比,通过注意力的引导,大大提高了模型的特征提取能力和泛化能力,并且,本发明不需要手动辅助提取特征,直接将气体响应序列数据输入到网络中,避免了传统方法中需手动提取特征带来的费时费力以及人工干预导致的特征提取不完全的问题,提高了模型的识别准确性和识别效果。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例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为本发明实施例提供的基于气体检测的模式识别方法的流程示意图;
图2为本发明实施例提供的基于注意力机制的编码网络的处理流程示意图;
图3A为本发明实施例提供的通道注意力模块的结构示意图;
图3B为本发明实施例提供的通道注意力模块的处理流程示意图;
图4为本发明实施例提供的自注意力模块的结构示意图;
图5A为本发明实施例提供的基于注意力机制解码网络的处理流程示意图;
图5B为本发明实施例提供的加性注意力层的结构示意图;
图5C为本发明实施例提供的基于注意力机制的模式识别网络的结构示意图;
图6为本发明实施例提供的基于气体检测的模式识别装置的示意性框图;
图7为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明提供了一种基于气体检测的模式识别方法、装置、设备和存储介质,能够提高模式识别的准确性和识别效果。
请参阅图1,图1为本发明一实施例提供的基于气体检测的模式识别方法的流程示意图,该基于气体检测的模式识别方法具体包括下述步骤S101至步骤S103。
步骤S101、获取待检气体。
其中,上述待检气体为模式识别的识别任务对应的待检气体。例如,当识别任务为某药品是否合格时,该待检气体可以为该药品散发的气体;当识别任务为某环境空间是否符合标准时,该待检气体可以为在该环境空间中抽取的气体样本等,待检气体根据具体的识别任务而对应确定,本申请对此不作限制。
步骤S102、基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据。
本实施例中,采用气体传感器对待检气体进行气体感应,从而将气体信息转化为数据,以便后续进行模式识别。
其中,上述气体传感器可以包括一个或多个,在一些实施方式中,若待检气体中包括有多种气体组成成分,且气体成分之间的关系较为错综复杂,为提高模式识别的准确性,则可以采用多个气体传感器。其中,每个气体传感器可以对特定气体成分的选择和灵敏度具有多样性,并使得采用的多个气体传感器能够对待检气体的气体成分实现交叉覆盖检测。相对应的,若气体传感器有多个,则上述确定的待检气体的气体响应序列数据可以包括多个气体传感器中每个所述气体传感器针对所述待检气体的响应序列数据,可以理解的是,气体响应序列数据中包含了多个气体传感器分别对于待检气体的感应结果,进而基于气体响应序列数据进行后续的模式识别过程,以得到识别结果。
在一实施例中,上述确定所述待检气体的气体响应序列数据的过程,可以利用气体传感器对所述待检气体进行感应,得到所述待检气体对应的感应电信号,进而对所述感应电信号进行模数转换,得到所述待检气体的气体响应序列数据。
其中,上述待检气体对应的感应电信号为气体传感器在感应到待检气体后产生的随时间变化的电信号。上述待检气体的气体响应序列数据为对随时间变化的电信号进行模数转换后得到的预设个时间点的电阻值数据,在此过程中,可以对感应电信号进行数据预处理操作,以去除干扰信息提高信号的质量。信号的预处理可以包括数学运算处理、滤波处理、归一化处理、基线处理等其中的一种或多种。
步骤S103、利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。
本实施例中,可以将气体响应序列数据输入上述预设模式识别网络,即可得到上述预设模式识别网络输出的模式识别结果,不需要人工对网络输出的内容进行二次判断后再得出结果,提高识别效率。具体的,在一些实施方式中,上述预设模式识别网络输出的模式识别结果可以包括各分类结果对应的概率。
在一些实施方式中,在上述步骤S103之前,可以对气体响应序列数据进行高斯滤波预处理,以消除气体传感器工作过程中由于高温等影响给气体响应序列数据带来的高斯噪声,减少噪声对模式识别过程的干扰。
其中,上述基于注意力机制的预设模式识别网络的训练过程可以基于有监督学习的方式进行训练,以有标签的气体响应序列数据作为数据集,通过预设优化函数的导向来对模型进行训练,当模型在测试数据集上的识别效果达到要求时,停止对模型的训练,得到上述基于注意力机制的预设模式识别网络。
由于输入信息中的各个部分对目标信息的不同部分贡献度是不一样的,因此通过引入注意力机制来评价信息的贡献度。注意力机制可以将内部经验和外部感觉对齐从而增加网络对部分区域的观察精细度,进而快速提取稀疏数据的重要特征。在具体操作过程中,注意力机制有三要素,分别是查询(Query)、键(Key)、值(Value)。Value承载着被分为多个部分的目标信息,Key则是这些目标信息的索引,Query代表着注意力的顺序。注意力的预算过程就是通过Query序列去检索Key,以取得合适的Value信息。基于此,本申请采用的上述预设模式识别网络可以基于注意力机制聚焦于气体响应序列数据中对模型识别结果影响较大的特征数据中,而在一定程度上忽视对模型识别结果无关的特征数据,使得网络能够快速提取到有用的特征数据,提高模式识别网络的特征提取能力和泛化能力。
具体的,在一实施例中,为了实现不固定上述气体响应序列数据的长度,增强网络模型的灵活性,上述基于注意力机制的预设模式识别网络可以包括基于注意力机制的编码网络和基于注意力机制的解码网络,上述步骤S103可以基于步骤S21至步骤S22实现。
S21、利用所述编码网络对所述气体响应序列数据进行基于注意力机制的特征提取,得到所述编码网络输出的上下文特征。
本实施例中,上述编码网络中引入了注意力机制,能够实现对气体响应序列数据基于注意力机制的特征提取。具体的,在一实施例中,上述步骤S102过程中采用的气体传感器包括多个,相应的,待检气体的气体响应序列数据包括多个所述气体传感器中每个所述气体传感器针对所述待检气体的响应序列数据,上述编码网络可以具体包括通道注意力模块、位置编码层和自注意力模块,基于此,如图2中示出的,上述步骤S21可以基于下述步骤S201至步骤S203实现。
步骤S201、利用所述通道注意力模块对所述气体响应序列数据中的各所述响应序列数据进行权重分配,得到权重分配后的气体响应序列数据。
本实施例中,由于采用了多个气体传感器对待检气体进行感应,而每个气体传感器对待检气体中的气体成分的敏感性不同,并且,待检气体中不同的气体成分对模式识别结果的影响作用大小、作用方向也不同,因此,通过采用通道注意力机制对各气体传感器得到的感应数据(响应序列数据)进行权重分配,以代表该传感器通道与模式识别结果的相关程度(权重越大,则表示相关性越高),使得网络模型能够聚焦于与模式识别结果相关程度高,影响大的气体数据中。
具体的,上述进行权重分配过程中,可以先确定各个气体传感器对应的权重,进而基于该权重对对应的气体响应序列数据中的响应序列数据进行加权,得到权重分配后的气体响应序列数据。
例如,在一实施例中,请一并参阅图3A和图3B,图3A中示出了通道注意力模块的处理过程,该通道注意力模块可以具体包括包括最大池化层和平均池化层、全连接层和激活函数层,相应的,上述利用所述通道注意力模块对所述气体响应序列数据中的各所述响应序列数据进行权重分配,得到权重分配后的气体响应序列数据的过程,可以具体包括如图3B中示出的步骤S301至步骤S305。
步骤S301、利用所述最大池化层和所述平均池化层分别对各所述响应序列数据进行空间信息聚合,得到最大池化响应序列数据和平均池化响应序列数据。
其中,上述最大池化层通过对各所述响应序列数据进行最大池化操作来进行空间信息聚合;上述平均池化层通过对各所述响应序列数据进行平均池化操作来进行空间信息聚合。本实施例中之所以同时采用了平均池化和最大池化操作,是因为平均池化弱化了最鲜明特征的表现,而最大池化则忽略了部分有效特征的表现,因此通过利用最大池化和平均池化共同作用,以实现融合不同空间信息的通道特征,相互弥补缺点,较大程度提升网络的性能。
步骤S302、将所述最大池化响应序列数据输入所述全连接层,得到所述全连接层输出的第一权重结果。
步骤S303、将所述平均池化响应序列数据输入所述全连接层,得到所述全连接层输出的第二权重结果。
其中,在一些实施方式中,上述全连接层可以具体包括两层全连接层。
步骤S304、将所述第一权重结果和所述第二权重结果进行相加后输入所述激活函数层,得到所述激活函数层输出的各气体传感器通道对应的目标权重值。
本实施例中,通过将所述第一权重结果和所述第二权重结果进行对应相加,进而将相加结果输入激活函数层,最终得到综合两种权重结果的目标权重值。
其中,在一些实施方式中,上述激活函数层中激活函数可以为Sigmoid激活函数,Sigmoid激活函数的表达式为:
本实施例中,通过上述步骤S301至步骤S304确定了各个气体传感器对应的权重,本实施例基于同时采用的平均池化和最大池化操作而得到目标权重值,综合了两种池化操作的优势,弥补了两种池化操作的不足,提高了得到的目标权重值的科学性,有利于提升模式识别网络的性能。
步骤S305、将所述各气体传感器通道对应的目标权重值与所述气体响应序列数据中的各所述响应序列数据进行对应相乘,得到所述权重分配后的气体响应序列数据。
如图3A中示出的,将目标权重值中各气体传感器通道对应的权重值与各响应序列数据进行对应相乘,可以得到一个带有权重的缩放后的新的气体响应序列数据(即,权重分配后的气体响应序列数据)。
步骤S202、利用所述位置编码层对所述权重分配后的气体响应序列数据进行位置编码,得到携带位置信息的气体响应序列数据。
本实施例中,网络对于气体响应序列数据中每个时间点的数据是没有任何位置信息的,因此,我们通过位置编码层对权重分配后的气体响应序列数据加上了一层位置信息,该位置信息用来记录从通道注意力模块过来的输入信号(权重分配后的气体响应序列数据)中各数据的位置。
具体的,上述位置编码层可以采用预设位置编码函数对权重分配后的气体响应序列数据进行各个位置的编码,得到位置数据PE,再将位置数据PE与权重分配后的气体响应序列数据对应相加,即可以得到携带位置信息的气体响应序列数据。
其中,在一些实施方式中,上述预设位置编码函数可以为:
其中,pos表示权重分配后的气体响应序列数据中时间节点位置的索引,d表示权重分配后的气体响应序列数据的总维度,i是权重分配后的气体响应序列数据的第i个维度。在上面的表达式中,偶数位置使用的是正弦函数,奇数位置使用的是余弦函数。正弦函数和余弦函数的同时使用,使得每个位置的信息是特定且唯一的。
步骤S203、利用所述自注意力模块对所述携带位置信息的气体响应序列数据进行基于自注意力的特征提取,得到所述上下文特征。
本实施例中,在利用通道注意力对来自不同气体传感器的响应序列数据进行注意力分配后,进一步采用自注意力模块抽取同一个响应序列数据中不同时间位置之间的联系,达到解决气体响应序列数据中多个时间步之间无法建立起相关性的问题。
其中,自注意力模块中的自注意力机制为:
将气体响应序列数据不同时间步维度上的向量ai经过线性运算得到查询向量qi和对应的键值对ki-vi,然后通过缩放比例的查询向量和键ki的点乘计算来得到任意两个时间步向量之间的相关联权值,再通过Softmax函数将相关联权值归一化之后与对应的值vi相乘,从而得到带有权重信息的注意力输出。自注意力机制转换为矩阵运算的计算公式如下所示:
其中,dk为缩放因子,目的是为了避免在点乘值非常大的情况下,softmax的梯度会趋近于0,造成梯度消失。
其中,softmax函数表达式为:
具体的,在一实施例中,如图4所示,上述自注意力模块可以包括3个依次连接的自注意力子模块,进一步的,每个自注意力子模块包括依次连接的多头自注意力层、第一层归一化层、前馈网络层和第二层归一化层,所述多头自注意力层的输入与输出通过跳跃连接进行加和作为所述第一层归一化层的输入,所述前馈网络层的输入和输出通过跳跃连接进行加和作为所述第二层归一化层的输入。
其中,上述第一层归一化层和第二层归一化层均用于对输入信号进行层归一化操作。
本实施例中,为了抽取到更为丰富的特征信息,在自注意力模块中使用了多头自注意力机制。多头自注意力机制在自注意力机制的基础上,针对每个时间步维度上的向量ai都通过不同的线性运算生成h个(h头自注意力)查询向量qi,h和键值向量对ki,h-vi,h,得到h组不同的子数据,然后h组子数据中的每组数据进行自注意力计算,最后再将h组自注意力的结果拼接起来再进行一次线性变换得到最后的输出结果。针对每个时间步维度上的向量ai,同时进行了h组自注意力计算,这样允许网络模型在不同的表示子空间里学习到相关信息,从而比单一的使用自注意力机制更能学习到更多的特征。
其中,多头自注意力机制的计算公式如下所示:
MultiHead(Q,K,V)=Concat(head1,…,headh)W0
其中,W0、和/>都是可学习的线性变换参数,h为多头自注意力机制头的数量,Concat表示将不同的自注意力模型拼接起来。
由于深度神经网络往往可以通过增加网络的深度和宽度来提升网络的性能,但若单纯地增加网络的深度,又会出现梯度弥散或者梯度爆炸问题,因此本实施例在自注意力模块中采用层归一化操作来缓解该问题的出现。
然而,层归一化操作无法克服深度神经网络产生的网络退化问题,即随着网络层数的增加,在训练集上的准确率却饱和甚至下降了。因此,针对退化问题,本实施例还引入了残差连接,通过使用残差连接,使得模型在训练时,微小的变化也可以被注意到,有助于解决网络训练困难的问题,残差连接配合层归一化操作,可以加速网络的训练过程,使其更快地收敛。
由于多头自注意力的计算主要为矩阵的线性计算,为了挖掘数据特征的非线性关系,增强特征的表现能力,本申请实施例在自注意力模块中还增加了前馈网络层。在前馈网络层中,每一层神经元可以接受来自上一层神经元的信号,也可以产生信号输出到下一层,信号从输入层到输出层为单向传播,没有反馈。
其中,在一些实施方式中,上述前馈网络层可以具体包括两个全连接层,其中,第一个全连接层可以使用激活函数ReLU,第二个全连接层可以不使用激活函数。
其中,ReLU的表达式为:
S22、利用所述解码网络对所述上下文特征进行基于注意力机制的解码,得到所述模式识别结果。
本实施例中,在得到编码网络输出的上下文特征之后,利用基于注意力机制的解码网络对该上下文特征进行解码,可以得到解码网络输出的模式识别结果。
其中,在一些实施方式中,上述编码网络和上述解码网络可采用端到端连接的方式进行连接,实现输入气体响应序列数据后即可得到模式识别结果的输出。
在一实施例中,上述基于注意力机制的解码网络可以具体包括加性注意力层和分类映射模块;其中,加性注意力层用于对之前编码器传递过来的上下文特征进行解码,分类映射模块则可以将解码之后得到的特征信息映射到样本空间中,起到分类器的作用,最终可以得到待检气体对应的各分类结果的概率值。
基于此,在本实施例中,如图5A中示出的,上述步骤S22可以通过下述步骤S501至步骤S504实现。
步骤S501、将所述上下文特征沿着时间维度进行拆分,得到每个时间点对应的特征向量。
本实施例中,对气体响应序列数据进行特征提取得到的上下文特征A中可以按时间维度进行拆分,得到各时间步维度上的特征向量,即每个时间点对应的特征向量ai。
步骤S502、将所述气体响应序列数据作为查询、将所述每个时间点对应的特征向量作为键和值,输入所述加性注意力层,得到所述加性注意力层输出的各所述特征向量对应的加性注意力权重。
步骤S503、利用所述各所述特征向量对应的加性注意力权重对所述上下文特征中的各所述特征向量进行对应加权,得到第一解码特征。
本实施例中,通过利用加性注意力层确定加性注意力权重并对编码器传递过来的上下文特征进行加权后,可以实现将编码器传递而来的上下文向量解码为带有注意力信息的第一解码特征。
具体的,上述加性注意力层用于输出加性注意力权重,如图5B所示,加性注意力层具体可以包括对查询(上下文特征)进行线性变换的第一全连接层、对键(每个时间点对应的特征向量ai)进行线性变换的第二全连接层、tanh激活函数层、第三全连接层和softmax归一化层。
其中,softmax函数表达式为:
在注意力机制中,通常采用点积的方式计算注意力权重,即基于查询和各键之间的相似度计算注意力权重,然后利用注意力权重与对应的值相乘,进而得到注意力输出。而本实施例中采用的加性注意力层则是基于将查询(上下文特征)与各键(特征向量)分别相加的方式计算各特征向量的加性注意力权重。具体的,对于键ki对应的值vi(特征向量),其注意力权重系数的确定过程为:
查询q(即,上下文特征A)和键ki分别经过全连接层Wq、Wk进行线性运算后,将得到的结果FCL(Wqq)和FCL(Wkki)相加,再利用tanh激活函数进行计算,得到tanh(FCL(Wqq)+FCL(Wkki)),再输入一个全连接层,最后将结果进行softmax运算,即可得到加性注意力权重αi。
进一步的,将上述得到的加性注意力权重αi与上下文特征A中对应的各所述特征向量ai进行对应加权,得到第一解码特征αA。
本实施例中,之所以采用加性注意力进行注意力解码,而不采用点积的方式计算注意力权重,一方面是因为加性注意力可以避免点积注意力机制在多头自注意力应用中(例如,现有的Transformer模型中的多头注意力解码模块)的二次复杂性导致的长序列建模中效率低下的问题,另一方面,与点积计算相比,加性注意力计算上较为简便,可以缓解过拟合,并且,采用加性注意力进行解码可以获取信号特征中更多的线性信息,提高模式识别结果中的分类精度。
步骤S504、将所述第一解码特征输入分类映射模块,得到所述分类映射模块输出的所述模式识别结果。
本实施例中,上述分类映射模块用于对第一解码特征进行分类映射,在得到带有注意力信息的第一解码特征后,将该第一解码特征输入分类映射模块将第一解码特征映射到样本标记空间中,从而得到模式识别结果。
其中,上述分类映射模块由两层全连接层和归一化层连接而成,第一层全连接层用于整合第一解码特征中具有类别区分性的局部信息,第二层全连接层用于输出最后的1*n矩阵,再采用归一化层,例如,softmax函数进行归一化,得到代表了各个模式识别结果类别的概率,即模式识别结果。
综上所述,本发明实施例中,通过获取待检气体,并基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据,进而利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。本发明由于采用了基于注意力机制的预设模式识别网络对气体响应序列数据进行识别,与基于传统机器学习的模式识别方法相比,通过注意力的引导,大大提高了模型的特征提取能力和泛化能力,并且,本发明不需要手动辅助提取特征,直接将气体响应序列数据输入到网络中,避免了传统方法中需手动提取特征带来的费时费力以及人工干预导致的特征提取不完全的问题,提高了模型的识别准确性和识别效果。
本申请提供的基于气体检测的模式识别方法可以应用于食品安全、化工、医学卫生等领域。例如,在食品安全领域,用于确定食品是否合格;在化工领域,用于检测是否存在有毒气体;医学卫生领域,用于确定医学用品、环境卫生是否符合医学标准等。作为一种新型的基于气体检测的模式识别方法,本申请提供的方法还可以用于为疾病的监测和筛查提供辅助,例如,慢性阻塞性肺疾病、肺癌、糖尿病筛查等,可以理解的是,只要是能够通过气体状态来辨别的识别任务,都可以采用本申请提供的基于气体检测的模式识别方法来完成。
综上,基于上述提供的基于气体检测的模式识别方法的实施过程的说明,在一具体的实施方式中,可以具体采用如图5C中示出的模式识别网络(Gasformer)进行模式识别。与传统机器学习模式识别算法相比,该模式识别网络具有较高的特征提取能力和泛化能力,基于该模式识别网络对气体响应序列数据进行模式识别,能够大幅度提高模式识别结果的精确性,提高模式识别效果。
本发明实施例还提供一种基于气体检测的模式识别装置,该基于气体检测的模式识别装置用于执行前述基于气体检测的模式识别方法的任一实施例中的步骤。具体地,请参阅图6,图6示出了本发明实施例提供的一种基于气体检测的模式识别装置600的结构示意图,该基于气体检测的模式识别装置600具体包括获取单元601、气体检测单元602和模式识别单元603,其中,
获取单元601,用于获取待检气体;
气体检测单元602,用于基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据;
模式识别单元603,用于利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果。
本发明的一些实施方式中,气体检测单元602还可以具体用于,利用气体传感器对所述待检气体进行感应,得到所述待检气体对应的感应电信号;对所述感应电信号进行模数转换,得到所述待检气体的气体响应序列数据。
本发明的一些实施方式中,所述基于注意力机制的预设模式识别网络包括基于注意力机制的编码网络和基于注意力机制的解码网络,所述模式识别单元603还可以具体用于,利用所述编码网络对所述气体响应序列数据进行基于注意力机制的特征提取,得到所述编码网络输出的上下文特征;利用所述解码网络对所述上下文特征进行基于注意力机制的解码,得到所述模式识别结果。
本发明的一些实施方式中,所述基于注意力机制的解码网络包括加性注意力层和分类映射模块,模式识别单元603还可以具体用于,将所述上下文特征沿着时间维度进行拆分,得到每个时间点对应的特征向量;将所述气体响应序列数据作为查询、将所述每个时间点对应的特征向量作为键和值,输入所述加性注意力层,得到所述加性注意力层输出的各所述特征向量对应的加性注意力权重;利用所述各所述特征向量对应的加性注意力权重对所述上下文特征中的各所述特征向量进行对应加权,得到第一解码特征;将所述第一解码特征输入分类映射模块,得到所述分类映射模块输出的所述模式识别结果;其中,所述分类映射模块包括两层全连接层和归一化层。
本发明的一些实施方式中,气体传感器为多个,所述待检气体的气体响应序列数据包括多个所述气体传感器中每个所述气体传感器针对所述待检气体的响应序列数据;所述基于注意力机制的编码网络包括通道注意力模块、位置编码层和自注意力模块,模式识别单元603还可以具体用于,利用所述通道注意力模块对所述气体响应序列数据中的各所述响应序列数据进行权重分配,得到权重分配后的气体响应序列数据;利用所述位置编码层对所述权重分配后的气体响应序列数据进行位置编码,得到携带位置信息的气体响应序列数据;利用所述自注意力模块对所述携带位置信息的气体响应序列数据进行基于自注意力的特征提取,得到所述上下文特征。
本发明的一些实施方式中,所述通道注意力模块包括池化层、全连接层和激活函数层,所述池化层包括最大池化层和平均池化层,所述模式识别单元603还可以具体用于,利用所述最大池化层和所述平均池化层分别对各所述响应序列数据进行空间信息聚合,得到最大池化响应序列数据和平均池化响应序列数据;将所述最大池化响应序列数据输入所述全连接层,得到所述全连接层输出的第一权重结果;将所述平均池化响应序列数据输入所述全连接层,得到所述全连接层输出的第二权重结果;将所述第一权重结果和所述第二权重结果进行相加后输入所述激活函数层,得到所述激活函数层输出的各气体传感器通道对应的目标权重值;将所述各气体传感器通道对应的目标权重值与所述气体响应序列数据中的各所述响应序列数据进行对应相乘,得到所述权重分配后的气体响应序列数据。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述基于气体检测的模式识别装置和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述基于气体检测的模式识别装置可以实现为计算机程序的形式,该计算机程序可以在如图7示的计算机设备上运行。
请参阅图7,图7是本发明实施例提供的计算机设备的示意性框图。该计算机设备700可以是智能手机、平板电脑、个人电脑、智能穿戴设备、服务器等终端设备。参阅图7,该计算机设备700包括通过装置总线701连接的处理器702、存储器和网络接口705,其中,存储器可以包括存储介质703和内存储器704。
该存储介质703可存储操作系统7031和计算机程序7032。该计算机程序7032被执行时,可使得处理器702执行基于气体检测的模式识别方法。
该处理器702用于提供计算和控制能力,支撑整个计算机设备700的运行。
该内存储器704为存储介质703中的计算机程序7032的运行提供环境,该计算机程序7032被处理器702执行时,可使得处理器702执行基于气体检测的模式识别方法。
该网络接口705用于进行网络通信,如提供数据信息的传输等。本领域技术人员可以理解,图7中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备700的限定,具体的计算机设备700可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,处理器702用于运行存储在存储器中的计算机程序7032,以实现本发明实施例公开的基于气体检测的模式识别方法。
本领域技术人员可以理解,图7中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定,在其他实施例中,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。例如,在一些实施例中,计算机设备可以仅包括存储器及处理器,在这样的实施例中,存储器及处理器的结构及功能与图7所示实施例一致,在此不再赘述。
应当理解,在本发明实施例中,处理器702可以是中央处理单元(CentralProcessing Unit,CPU),该处理器702还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质,也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序,其中计算机程序被处理器执行时实现本发明实施例公开的基于气体检测的模式识别方法。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为逻辑功能划分,实际实现时可以有另外的划分方式,也可以将具有相同功能的单元集合成一个单元,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,后台服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于气体检测的模式识别方法,其特征在于,所述方法包括:
获取待检气体;
基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据;
利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果;
所述基于注意力机制的预设模式识别网络包括基于注意力机制的编码网络和基于注意力机制的解码网络;所述利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果,包括:
利用所述编码网络对所述气体响应序列数据进行基于注意力机制的特征提取,得到所述编码网络输出的上下文特征;
利用所述解码网络对所述上下文特征进行基于注意力机制的解码,得到所述模式识别结果;
所述气体传感器为多个,所述待检气体的气体响应序列数据包括多个所述气体传感器中每个所述气体传感器针对所述待检气体的响应序列数据;所述基于注意力机制的编码网络包括通道注意力模块、位置编码层和自注意力模块;
所述利用所述编码网络对所述气体响应序列数据进行基于注意力机制的特征提取,得到所述编码网络输出的上下文特征,包括:
利用所述通道注意力模块对所述气体响应序列数据中的各所述响应序列数据进行权重分配,得到权重分配后的气体响应序列数据;
利用所述位置编码层对所述权重分配后的气体响应序列数据进行位置编码,得到携带位置信息的气体响应序列数据;
利用所述自注意力模块对所述携带位置信息的气体响应序列数据进行基于自注意力的特征提取,得到所述上下文特征。
2.根据权利要求1所述的方法,其特征在于,所述基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据,包括:
利用所述气体传感器对所述待检气体进行感应,得到所述待检气体对应的感应电信号;
对所述感应电信号进行模数转换,得到所述待检气体的所述气体响应序列数据。
3.根据权利要求1所述的方法,其特征在于,所述通道注意力模块包括池化层、全连接层和激活函数层,所述池化层包括最大池化层和平均池化层,所述利用所述通道注意力模块对所述气体响应序列数据中的各所述响应序列数据进行权重分配,得到权重分配后的气体响应序列数据,包括:
利用所述最大池化层和所述平均池化层分别对各所述响应序列数据进行空间信息聚合,得到最大池化响应序列数据和平均池化响应序列数据;
将所述最大池化响应序列数据输入所述全连接层,得到所述全连接层输出的第一权重结果;
将所述平均池化响应序列数据输入所述全连接层,得到所述全连接层输出的第二权重结果;
将所述第一权重结果和所述第二权重结果进行相加后输入所述激活函数层,得到所述激活函数层输出的各气体传感器通道对应的目标权重值;
将所述各气体传感器通道对应的目标权重值与所述气体响应序列数据中的各所述响应序列数据进行对应相乘,得到所述权重分配后的气体响应序列数据。
4.根据权利要求1所述的方法,其特征在于,所述自注意力模块包括3个依次连接的自注意力子模块,所述自注意力子模块包括依次连接的多头自注意力层、第一层归一化层、前馈网络层和第二层归一化层,所述多头自注意力层的输入与输出通过跳跃连接进行加和作为所述第一层归一化层的输入,所述前馈网络层的输入和输出通过跳跃连接进行加和作为所述第二层归一化层的输入。
5.根据权利要求1所述的方法,其特征在于,所述基于注意力机制的解码网络包括加性注意力层和分类映射模块,所述利用所述解码网络对所述上下文特征进行基于注意力机制的解码,得到所述模式识别结果,包括:
将所述上下文特征沿着时间维度进行拆分,得到每个时间点对应的特征向量;
将所述气体响应序列数据作为查询、将所述每个时间点对应的特征向量作为键和值,输入所述加性注意力层,得到所述加性注意力层输出的各所述特征向量对应的加性注意力权重;
利用所述各所述特征向量对应的加性注意力权重对所述上下文特征中的各所述特征向量进行对应加权,得到第一解码特征;
将所述第一解码特征输入分类映射模块,得到所述分类映射模块输出的所述模式识别结果;其中,所述分类映射模块包括两层全连接层和归一化层。
6.一种基于气体检测的模式识别装置,其特征在于,所述装置包括:
获取单元,用于获取待检气体;
气体检测单元,用于基于气体传感器对所述待检气体进行的气体感应确定所述待检气体的气体响应序列数据;
模式识别单元,用于利用基于注意力机制的预设模式识别网络对所述气体响应序列数据进行模式识别,得到所述预设模式识别网络输出的模式识别结果;
所述基于注意力机制的预设模式识别网络包括基于注意力机制的编码网络和基于注意力机制的解码网络,所述模式识别单元还用于,利用所述编码网络对所述气体响应序列数据进行基于注意力机制的特征提取,得到所述编码网络输出的上下文特征;利用所述解码网络对所述上下文特征进行基于注意力机制的解码,得到所述模式识别结果;
所述气体传感器为多个,所述待检气体的气体响应序列数据包括多个所述气体传感器中每个所述气体传感器针对所述待检气体的响应序列数据;所述基于注意力机制的编码网络包括通道注意力模块、位置编码层和自注意力模块,所述模式识别单元还用于,利用所述通道注意力模块对所述气体响应序列数据中的各所述响应序列数据进行权重分配,得到权重分配后的气体响应序列数据;利用所述位置编码层对所述权重分配后的气体响应序列数据进行位置编码,得到携带位置信息的气体响应序列数据;利用所述自注意力模块对所述携带位置信息的气体响应序列数据进行基于自注意力的特征提取,得到所述上下文特征。
7.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
8.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206606.XA CN116189800B (zh) | 2023-02-23 | 2023-02-23 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310206606.XA CN116189800B (zh) | 2023-02-23 | 2023-02-23 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116189800A CN116189800A (zh) | 2023-05-30 |
CN116189800B true CN116189800B (zh) | 2023-08-18 |
Family
ID=86442260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310206606.XA Active CN116189800B (zh) | 2023-02-23 | 2023-02-23 | 基于气体检测的模式识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189800B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132606B (zh) * | 2023-10-24 | 2024-01-09 | 四川大学 | 用于肺部病变图像的分割方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443165A (zh) * | 2020-03-27 | 2020-07-24 | 华中科技大学 | 一种基于气体传感器与深度学习的气味识别方法 |
CN111832814A (zh) * | 2020-07-01 | 2020-10-27 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
CN112464999A (zh) * | 2020-11-19 | 2021-03-09 | 深圳大学 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
CN113361428A (zh) * | 2021-06-11 | 2021-09-07 | 浙江澄视科技有限公司 | 一种基于图像的交通标志检测方法 |
CN113435451A (zh) * | 2021-06-28 | 2021-09-24 | 华为技术有限公司 | 模型、模型的训练方法和装置、字符序列的识别和装置 |
CN113591546A (zh) * | 2021-06-11 | 2021-11-02 | 中国科学院自动化研究所 | 语义增强型场景文本识别方法及装置 |
CN113948203A (zh) * | 2021-10-21 | 2022-01-18 | 中山大学 | 一种基于卷积神经网络的快速预测方法 |
CN114358283A (zh) * | 2022-01-12 | 2022-04-15 | 深圳大学 | 气体识别神经网络模型的优化方法及相关设备 |
CN114973222A (zh) * | 2021-12-20 | 2022-08-30 | 西北工业大学宁波研究院 | 基于显式监督注意力机制的场景文本识别方法 |
CN115097064A (zh) * | 2021-09-24 | 2022-09-23 | 深圳大学 | 一种气体检测方法、装置、计算机设备及存储介质 |
CN115144229A (zh) * | 2022-05-17 | 2022-10-04 | 河北工业大学 | 一种旋翼机载的大气环境污染物检测装置及方法 |
CN115331108A (zh) * | 2022-08-25 | 2022-11-11 | 江苏大学 | 基于红外图像的危险气体泄露检测方法 |
CN115457657A (zh) * | 2022-09-06 | 2022-12-09 | 厦门大学 | 基于bert模型的通道特征交互时间建模行为识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10721190B2 (en) * | 2018-07-31 | 2020-07-21 | Microsoft Technology Licensing, Llc | Sequence to sequence to classification model for generating recommended messages |
US11107463B2 (en) * | 2018-08-01 | 2021-08-31 | Google Llc | Minimum word error rate training for attention-based sequence-to-sequence models |
CN111488756B (zh) * | 2019-01-25 | 2023-10-03 | 杭州海康威视数字技术股份有限公司 | 基于面部识别的活体检测的方法、电子设备和存储介质 |
-
2023
- 2023-02-23 CN CN202310206606.XA patent/CN116189800B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443165A (zh) * | 2020-03-27 | 2020-07-24 | 华中科技大学 | 一种基于气体传感器与深度学习的气味识别方法 |
CN111832814A (zh) * | 2020-07-01 | 2020-10-27 | 北京工商大学 | 一种基于图注意力机制的空气污染物浓度预测方法 |
CN112464999A (zh) * | 2020-11-19 | 2021-03-09 | 深圳大学 | 一种混合气体种类与浓度识别方法、装置及存储介质 |
CN113361428A (zh) * | 2021-06-11 | 2021-09-07 | 浙江澄视科技有限公司 | 一种基于图像的交通标志检测方法 |
CN113591546A (zh) * | 2021-06-11 | 2021-11-02 | 中国科学院自动化研究所 | 语义增强型场景文本识别方法及装置 |
CN113435451A (zh) * | 2021-06-28 | 2021-09-24 | 华为技术有限公司 | 模型、模型的训练方法和装置、字符序列的识别和装置 |
CN115097064A (zh) * | 2021-09-24 | 2022-09-23 | 深圳大学 | 一种气体检测方法、装置、计算机设备及存储介质 |
CN113948203A (zh) * | 2021-10-21 | 2022-01-18 | 中山大学 | 一种基于卷积神经网络的快速预测方法 |
CN114973222A (zh) * | 2021-12-20 | 2022-08-30 | 西北工业大学宁波研究院 | 基于显式监督注意力机制的场景文本识别方法 |
CN114358283A (zh) * | 2022-01-12 | 2022-04-15 | 深圳大学 | 气体识别神经网络模型的优化方法及相关设备 |
CN115144229A (zh) * | 2022-05-17 | 2022-10-04 | 河北工业大学 | 一种旋翼机载的大气环境污染物检测装置及方法 |
CN115331108A (zh) * | 2022-08-25 | 2022-11-11 | 江苏大学 | 基于红外图像的危险气体泄露检测方法 |
CN115457657A (zh) * | 2022-09-06 | 2022-12-09 | 厦门大学 | 基于bert模型的通道特征交互时间建模行为识别方法 |
Non-Patent Citations (1)
Title |
---|
基于仿生嗅觉神经网络的电子鼻食品气味识别算法研究;熊忆舟;《中国优秀硕士学位论文全文数据库 工程科技I辑》(第(2023)02期期);B024-1052 * |
Also Published As
Publication number | Publication date |
---|---|
CN116189800A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353076B (zh) | 训练跨模态检索模型的方法、跨模态检索的方法和相关装置 | |
KR102570278B1 (ko) | 교사 모델로부터 학생 모델을 트레이닝하는데 사용되는 학습 데이터를 생성하는 장치 및 방법 | |
Wang et al. | Research on Healthy Anomaly Detection Model Based on Deep Learning from Multiple Time‐Series Physiological Signals | |
Khan et al. | Real-time plant health assessment via implementing cloud-based scalable transfer learning on AWS DeepLens | |
Grattarola et al. | Change detection in graph streams by learning graph embeddings on constant-curvature manifolds | |
CN112673381B (zh) | 一种对抗样本的识别方法及相关装置 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
CN113705809B (zh) | 一种数据预测模型训练方法、工业指标预测方法和装置 | |
CN116189800B (zh) | 基于气体检测的模式识别方法、装置、设备及存储介质 | |
Xu et al. | Zero-shot compound fault diagnosis method based on semantic learning and discriminative features | |
Jhansi et al. | Improved Accuracy in Speech Recognition System for Detection of COVID-19 using Support Vector Machine and Comparing with Convolution Neural Network Algorithm | |
Xiang et al. | Two-stage alignments framework for unsupervised domain adaptation on time series data | |
CN117473071A (zh) | 数据检索方法、装置、设备及计算机可读介质 | |
CN117408311A (zh) | 一种基于CNN、Transformer和迁移学习的小样本恶意网站检测方法 | |
KR102448044B1 (ko) | 속성 맵을 이용한 속성 기반 감정 분석 방법 및 전자 장치 | |
Bai et al. | Softly combining an ensemble of classifiers learned from a single convolutional neural network for scene categorization | |
Szymanski et al. | Using efficient supanova kernel for heart disease diagnosis | |
Thulare et al. | An empirical analysis and application of the expectation-maximization and matrix completion algorithms for varying degrees of missing data | |
Gao et al. | Twins Transformer: Rolling Bearing Fault Diagnosis based on Cross-attention Fusion of Time and Frequency Domain Features | |
Sadiq | Improving CBIR Techniques with Deep Learning Approach: An Ensemble Method Using NASNetMobile, DenseNet121, and VGG12 | |
Kong et al. | Motion Sequence Analysis Using Adaptive Coding with Ensemble Hidden Markov Models | |
Rajendran | Faster R-CNN for Detection and Classification of Banana Leaf Diseases | |
US20210365794A1 (en) | Discovering Novel Artificial Neural Network Architectures | |
CN112884076B (zh) | 一种基于条件式生成对抗网络的传感器数据生成模型及方法 | |
Ahmed et al. | Condensing Deep Fisher Vectors: To Choose or to Compress? |
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 |