深度学习在电子鼻气体识别中的应用-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

深度学习在电子鼻气体识别中的应用认领

被引量： 4

作者：

向思豪

学位授予单位：

西南大学

摘要：

电子鼻作为新兴的嗅觉仿生技术已经取得了一定的进展,但在实际应用中仍然面临一些挑战。其中,气体响应早期阶段所暴露的特征不够充分,这导致在响应早期的识别率不高,从而限制了电子鼻在化工安全等快速响应场景中的应用。此外,气体传感器的输出受环境和老化等因素影响,从而出现传感器漂移现象,导致识别率下降。为应对这两个挑战,本研究从信号处理的角度运用深度学习技术进行深入探讨,提出了有效的解决策略,并取得了一定的研究成果。为了解决气体响应早期阶段识别率较低的问题,本研究以自建的电子鼻系统收集的工业污染气体检测数据集作为研究对象,从数据集扩充的角度来改善电子鼻系统工业污染气体响应早期检测的性能。首先,针对小数据集样本数量有限的情况,本研究提出了四种适用于传感器阵列样本的数据增强方法,即随机传感器失活、随机传感器响应时间平移以及整体响应时间平移和缩放,旨在从扩充数据源的角度提高后续分类算法的泛化性能。其次,在特征学习阶段,针对电子鼻多通道时序信号的空间无关性特点,本研究将格拉姆角场方法应用于电子鼻数据,将时序信号转化为二维图像,从而将气体识别问题转变为图像分类问题,为引入视觉领域相关方法创造条件。同时,该方法能更好地揭示时序信号上各点之间的关联性。第三,在模式识别阶段,本研究提出了卷积神经网络模型GAS-Net,该模型结合了Res Net和Inception两种网络模型的优点,使用残差连接和多尺度感受野的卷积核,整合视觉领域热门的注意力机制,并使用遗传算法来优化网络结构。实验结果表明,所使用方法显著提高了气体响应早期阶段的识别准确性,获得了与使用整个响应阶段时间序列信号进行识别相仿的效果。该研究拓展了电子鼻在工业生产安全等需要迅速响应的场景中的应用潜力。为了解决传感器漂移导致识别率下降的问题,本研究选择公开的传感器漂移数据集作为研究对象,提出了两种基于漂移因子和LSTM的自动漂移补偿模型。首先,针对传统LSTM网络训练过程中的梯度消失或梯度爆炸问题,也为了降低异常数据对分类效果的不良影响,本研究提出了一种改进的网络模型LN-LSTM。通过将层归一化技术融入传统LSTM网络,模型的收敛速度和泛化性能得到显著提升,实现了对传感器漂移一定程度的补偿。其次,为了更有针对性地增强网络的漂移补偿能力,本研究在LN-LSTM基础上将时间变量作为传感器响应的附加输入,并将多层感知机和二次函数整合到LSTM网络单元中,分别设计了基于多层感知机和二次函数的漂移补偿值估计,从而使得网络在训练过程中能够学习到补偿参数,实现对时间变量已知的响应自动完成实时的漂移补偿。经过实验对比,这些方法能够有效地解决传感器漂移问题,提高电子鼻气体识别的准确性。该研究的贡献在于提高了电子鼻在实际应用中的可靠性,同时也延长了其使用寿命。

摘要译文

关键词：

深度学习; 电子鼻; 机器嗅觉; 气体识别; 漂移补偿

学位年度：

2023

学位类型：

硕士

学科专业：

电子信息（专业学位）

导师：

闫嘉

中图分类号：

TP212[发送器（变换器）、传感器⑨];TP18[人工智能理论]

学科分类号：

140503[智能系统与工程];081107[建模仿真理论与技术]

D O I：

10.27684/d.cnki.gxndx.2023.003500