[发明专利]基于压缩感知理论的气体识别方法

权利要求书

1.一种基于压缩感知理论的气体识别方法，其特征在于，该方法包括：

步骤1：以欠采样的方式采集压缩后的数据；

步骤2：对采集的该压缩后的数据进行重构得到重构数据；

步骤3：利用该重构数据对反向传播神经网络进行训练，并保存训练好的反向传播神经网络；

步骤4：将待测数据输入训练好的反向传播神经网络，该训练好的反向传播神经网络对待测数据进行识别，实现对气体的定性识别。

2.根据权利要求1所述的基于压缩感知理论的气体识别方法，其特征在于，步骤1中所述以欠采样的方式采集压缩后的数据，具体包括：

传感器网络的阵列节点采集可压缩的原始数据；

对该原始数据进行稀疏分解，得到第一稀疏矩阵，该第一稀疏矩阵是一个与原始数据相关的稀疏矩阵；

对该第一稀疏矩阵进行非线性投影处理，得到第二稀疏矩阵，该第二稀疏矩阵中的元素是该第一稀疏矩阵中元素的随机组合；

对该第二稀疏矩阵中系数较大的数据以小于奈奎斯特采样频率的频率进行低速欠采样。

3.根据权利要求2所述的基于压缩感知理论的气体识别方法，其特征在于，所述对该原始数据进行稀疏分解，得到第一稀疏矩阵，包括：

构造一个随机高斯分布的稀疏矩阵，将采集的原始数据与该构造的随机高斯分布的稀疏矩阵相乘，得到第一稀疏矩阵。

4.根据权利要求3所述的基于压缩感知理论的气体识别方法，其特征在于，所述构造一个随机高斯分布的稀疏矩阵，包括：

选择一个维度为M×N的高斯矩阵，该高斯矩阵的每一个元素都服从高斯分布，然后对该高斯矩阵的每一列进行归一化处理得到稀疏矩阵Ψ。

5.根据权利要求4所述的基于压缩感知理论的气体识别方法，其特征在于，所述将采集的原始数据与该构造的随机高斯分布的稀疏矩阵相乘，得到第一稀疏矩阵，包括：

将采集的可压缩的原始数据X与该构造的随机高斯分布的稀疏矩阵Ψ相乘，得到第一稀疏矩阵，该第一稀疏矩阵是可压缩的原始数据X最稀疏表示，若第一稀疏矩阵中非零元素的个数K小于可压缩的原始数据X中的非零元素的个数，则第一稀疏矩阵是可压缩的。

6.根据权利要求1所述的基于压缩感知理论的气体识别方法，其特征在于，步骤2中所述对采集的该压缩后的数据进行重构得到重构数据，包括：

选择一个观测矩阵，该观测矩阵与第一稀疏矩阵不相关；

将采集的该压缩后的数据与该观测矩阵相乘，得到观测数据；

对该观测数据进行反变换得到重构数据。

7.根据权利要求6所述的基于压缩感知理论的气体识别方法，其特征在于，所述选择的观测矩阵为M×N维的观测矩阵P，该观测矩阵P与第一稀疏矩阵不相关；将采集的该压缩后的数据X与观测矩阵P相乘，得到观测数据Y，Y就是第一稀疏矩阵中非零向量对应观测矩阵P中列向量的线性组合。

8.根据权利要求7所述的基于压缩感知理论的气体识别方法，其特征在于，所述对该观测数据进行反变换，是求解方程PΨX＝Y中的X，其中Θ＝ΨX，由于这个方程未知数的个数多于方程组的个数，所以X的解并不唯一，在此采用最小1范数逼近求解，求得的结果就是重构后的数据。

9.根据权利要求1所述的基于压缩感知理论的气体识别方法，其特征在于，步骤3中所述利用该重构数据对反向传播神经网络进行训练，并保存训练好的反向传播神经网络，具体包括：

将该重构数据作为输入样本输入到反向传播神经网络，该反向传播神经网络对该重构数据进行迭代处理，每一步迭代误差与上一步迭代误差进行对比，当迭代误差达到初始设定阈值时，训练结束，保存该反向传播神经网络。

10.根据权利要求1所述的基于压缩感知理论的气体识别方法，其特征在于，步骤4中所述该训练好的反向传播神经网络对待测数据进行识别，是该训练好的反向传播神经网络对比训练时各个连接权值，以最多相近权值输出二进制量化数，该输出的二进制量化数代表不同种类的气体，进而实现对气体的定性识别。