[发明专利]一种VOC响应的大样本二维图像数据集构建方法

说明书

本发明提供一种VOC响应的大样本二维图像数据集构建方法，涉及VOC识别技术领域。该方法具体包括：首先通过对半导体气体传感器实施循环温度调制并对VOC响应进行采样，以获得VOC时序响应数据。然后，在重采样范围内以固定的样本长度从VOC时序响应数据中逐数据点地连续截取VOC时序响应样本数据。最后，将VOC时序响应样本数据由一维形式转换为二维图像形式。相比于传统的VOC响应的样本数据集构建方法，本发明可以更低的人力和时间成本获取VOC响应的大样本数据集，转换后的VOC响应的二维图像样本数据蕴含丰富的结构信息，更符合卷积神经网络等深度学习模型对输入数据的要求，为卷积神经网络等深度学习模型在VOC识别领域的应用提供了有利条件。

技术领域

本发明涉及VOC识别技术领域，尤其涉及一种VOC响应的大样本二维图像数据集构建方法。

背景技术

挥发性有机化合物(VOC)具有易燃易爆特性和强烈的刺激性，VOC的定性和定量识别对人体健康和生产安全具有重要意义。金属氧化物半导体气体传感器具有工艺简单、成本低廉、灵敏度高和响应迅速等优点，是VOC检测的重要元件。动态温度调制可以显著地改善半导体气体传感器对VOC的交叉敏感特性，同时可以增强不同种类及浓度VOC的响应模式的区分度。通过对半导体气体传感器施加周期性变化的加热温度，可获得该温度模式下传感器对不同种类及不同浓度VOC的时序响应。VOC的种类及浓度信息可通过VOC的时序响应曲线的变化趋势和幅值来判断。不同种类VOC的时序响应曲线的变化趋势不同；相同种类但不同浓度VOC的时序响应曲线具有相似的变化趋势，但其幅值随浓度增大呈现出递增趋势。VOC时序响应样本数据可通对VOC时序响应数据重采样获得，借助VOC时序响应样本数据集和机器学习算法可以构建VOC响应的识别模型，实现VOC种类及浓度的智能识别。

随着深度学习理论的发展，越来越多的在模式识别中表现出极佳性能的深度学习模型被开发出来。卷积神经网络因其高效的特征提取能力被广泛地应用于多种端到端的深度学习模型中。最初，卷积神经网络主要应用于图像特征的提取，但随着研究的深入，人们发现卷积神经网络同样适用于提取语义特征和音频特征等，尤其是二维卷积神经网络在图像处理、自然语言处理等领域均有广泛的应用。二维卷积神经网络对输入数据有如下要求：1)样本数量足够支持网络训练；2)样本特征丰富且样本分布均衡；3)样本数据中相邻像素点存在结构信息。

传统的VOC响应的样本数据集构建方法是从每条VOC时序响应数据中只截取一条对应于单周期温度调制模式的VOC时序响应样本数据，样本特征单一且难以大规模获取。为了满足二维卷积神经网络对输入数据的要求，需要将VOC时序响应样本数据转换为二维图像形式。然而，传统的一维数据转二维图像的方法会破坏数据点之间的时序关联，导致转换后的图像数据不具备可解释性，这严重限制了卷积神经网络等深度学习模型在VOC识别领域的应用。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种VOC响应的大样本二维图像数据集构建方法。

为解决上述技术问题，本发明所采取的技术方案包括如下过程：

步骤1：确定半导体气体传感器的温度调制模式，包括波形、占空比、最大电流值、最大电压值、最小电压值和周期T_t；

步骤2：基于步骤1的温度调制模式，对半导体气体传感器实施循环温度调制，获取半导体气体传感器的VOC时序响应，并以固定的采样频率f对所述VOC时序响应进行采样，获取VOC时序响应数据；

步骤3：设置重采样范围T_r和样本长度T_c，对VOC时序响应数据进行重采样，获取VOC时序响应样本数据；

步骤3.1：以温度调制模式的周期T_t为基数设置重采样范围T_r，T_r与T_t的关系满足如下公式：

T_r＝nT_t