[发明专利]一种小波变换-胶囊神经网络级联型气体识别方法和装置

说明书

本发明涉及一种小波变换‑胶囊神经网络级联型气体识别方法和装置，包括将混合气体输入多通道传感器阵列，获取气体时域信号；对气体时域信号进行五层小波变换，获取信号序列；将信号序列经过维度变换后输入胶囊神经网络，结合动态路由算法，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层，获取气体识别结果。与现有技术相比，本发明具有识别准确率高等优点。

技术领域

本发明涉及混合气体检测领域，尤其是涉及一种小波变换-胶囊神经网络级联型气体识别方法和装置。

背景技术

气敏传感器被广泛应用于尾气监测、烟雾报警、民用燃气泄漏检测和化工厂危险气体监测等。常见的气敏传感器根据工作原理，分为红外式、热导式、催化燃烧式、固体电解式以及金属氧化物半导体(metal oxide semiconductor,MOS)等类型。其中MOS气敏传感器因其具有高灵敏度、小体积、低能耗、低造价等优点，在工业界和学术界均受到广泛关注。

MOS气敏传感器的气敏机理是基于待测气体与氧气之间氧化还原性的差异，以n型半导体为例，载流子为电子，当气敏材料位于空气中时，空气中的氧气将从气敏材料的导带中夺取电子，生成空间电荷层，并使得晶体表面电子势垒上升，气敏材料处于高电阻状态。若待测气体氧化性更强，气敏材料表面将进一步失去电子，阻值进一步升高；反之，若待测气体还原性更强，气敏材料表面将重新获得电子，阻值有所下降，对于p型半导体，反应过程则完全相反。从气敏机理中可以看出，MOS气敏传感器将待测气体组分和浓度信息转化为电信号，通过对电信号的进行数字化处理分析，即可解析出待测气体的信息。

MOS气敏传感器的突出问题是具有交叉敏感性，即不存在具备单一敏感性的MOS气敏传感器，因此对于混合气体的组分检测，单一MOS气敏传感器表现不佳。为了解决该问题，研究人员一方面从敏感材料物化性能出发，通过元素掺杂、表面修饰、微观形貌改性等方式，提高气体选择性，抑制交叉敏感性；另一方面，将具有不同敏感特性的一系列MOS气敏传感器组成阵列传感器，通过比较分析各通道MOS气敏传感器的响应信号差异，实现对混合气体的组成成分识别。

目前常用的基于MOS气敏传感器的识别算法包括主成分分析算法(PCA)、独立成分分析算法(ICA)、局部保留投影算法(LPP)、核主成分分析算法(KPCA)、K近邻算法(KNN)以及支持向量机算法(SVM)。其中PCA、ICA以及LPP算法都主要用于提取线性特征，对于动态响应阶段的非线性特征不能有效提取；KPCA算法虽能提取非线性特征，但结合KNN算法进行分类时，随着样本量的增加，KNN算法的计算量迅速增加，分类时间延长；SVM虽然可以提取非线性特征并且对于样本量要求不高，但其核函数需要满足Mercer条件，对于不同的待测气体需要经常做出调整。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种小波变换-胶囊神经网络级联型气体识别方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种小波变换-胶囊神经网络级联型气体识别方法，包括以下步骤：

S1、将混合气体输入多通道传感器阵列，获取气体时域信号；

S2、对气体时域信号进行五层小波变换，获取信号序列；

S3、将信号序列经过维度变换后输入胶囊神经网络，结合动态路由算法，获取气体识别结果，所述胶囊神经网络包括输入层、卷积层、主胶囊层、数字胶囊层、分类器层和输出层。

进一步地，五层小波变换中，每一层小波变换将输入信号分解成信号高频部分和信号低频部分，将每一层得到的信号低频部分作为下一层小波变换的输入，最终将第五层获取的信号高频部分和每一层得到的信号低频部分叠加，作为输出的信号序列。

进一步地，所述数字胶囊层中的数字胶囊数与待测气体中的气体类型数相同。

进一步地，步骤S3中维度变换具体包括：