[发明专利]一种人工智能嗅觉动态响应图谱气体检测识别方法

说明书

一种人工智能嗅觉动态响应图谱气体检测识别方法，通过阵列传感器的动态信号采集泄漏气体数据，再进行标准动态响应图谱重构，将传感器阵列采集到的待测气体建立标准化数据矩阵和矢量图谱后，对标准图谱库中的图片数据进行特征提取，训练学习，建立机器学习动态响应图谱识别模型，利用机器学习图谱识别模型对气体进行定量和定性识别。本发明将传统的单传感器响应识别转化为多维传感器动态响应图谱，并以图谱自动识别方法实现气体检测识别，克服了传统单传感器对气体检测方面的单一性和交叉干扰的缺点，利用同一传感器阵列检测对不同气体进行快速准确检测，提高提高检测效率和精度，同时使检测结果可视化，更加直观。

技术领域

本发明属于电子信息、人工智能、传感器技术、气体检测领域，特别涉及一种人工智能嗅觉动态响应图谱气体检测识别方法。

背景技术

对微量痕迹气体的检测识别被广泛应用于化工、食品、环境等领域，因而快速准确的痕迹气体检测方法尤其重要。传统的气体检测方法，都是依赖于基于物理、化学原理的单个气敏传感器，比如金属半导体气敏传感器、电化学原理气敏传感器、红外气体传感器、基于磁特性的气体传感器等，但是这种传感器存在普遍存在交叉敏感，稳定性和选择性差，响应特性极易受到温度、湿度等环境因素影响的缺陷，而且采用单一气体传感器无法实现对多种气体进行准确的定性定量识别。

另外一些针对气体检测的精密仪器，诸如气相色谱、质谱等仪器，能够对不同气体组分准确检测，在痕迹气体分析当中应用较广，但是这类仪器设备昂贵、操作不便，无法实现实时检测和处理，而且需要复杂的前处理，无法适应现场便携式要求。

针对此，基于传感器阵列和模式算法的人工嗅觉技术受到越来越多的关注。通过利用传感器阵列和模式识别方法，比如支持向量机(SVM)、人工神经网络(ANN)和主成分分析(PCA)等多维传感器数据进行预处理和模型训练，实现多气体定性定量识别。但是这种方法普遍是基于对传感器个别响应值为输入进行建模计算，没有考虑传感器动态响应特性，而且模型通常被用来气体定性识别，定量识别方面还存在很大问题。

由此可见，目前在气体检测识别方面还存在一些问题尚待解决，此方面还有进一步研究开发的空间。

发明内容

本发明目的在于提供一种人工智能嗅觉动态响应图谱气体检测识别方法，该方法利用传感器阵列产生的多维动态响应数据，依据一定的标准化准则，对其标准化后，建立标准气体动态响应图谱库，并通过机器学习方法，对大量图谱库进行数据驱动建模，从而形成气体检测识别的定性和定量识别机器学习模型，实现对痕迹气体或挥发性组分的快速准确检测识别。

为达到上述目的，本发明采用的技术方案是：

一种人工智能嗅觉动态响应图谱气体检测识别方法，先采集阵列传感器的动态信号，然后根据采集的动态信号重构标准动态响应图谱，根据重构的标准动态响应图谱建立标准气体动态响应图谱库，通过对标准图谱库中的图片数据进行处理，得到标准气体机器学习图谱识别模型，最后通过标准气体机器学习图谱识别模型对待测气体动态响应图谱识别。

本发明进一步的改进在于，采集阵列传感器的动态信号的具体过程为：利用大于10个具有不同响应特性的气敏传感器构成传感器阵列，通过该阵列响应待测挥发性气体的浓度信号。

本发明进一步的改进在于，重构标准动态响应图谱的过程包括响应矩阵建立、数据标准化以及标准图谱绘制；

所述响应矩阵建立的具体过程为：将阵列传感器采集的动态信号建立M*N浓度矩阵C_MⅹN，其中M为阵列中的传感器数目，N为响应时间，矩阵中M行N列元素代表传感器阵列传感器M对应N时刻的响应值；

所述数据标准化的具体过程包括定性识别矩阵标准化和定量识别矩阵标准化，其中定性识别矩阵标准化是将每个矩阵信号归一化到1-255取值范围；定量信号矩阵标准化，是以同一归一化标准和规则，对每个矩阵进行归一化处理；