基于传感器阵列的混合气体识别与浓度检测算法研究.pdfVIP

摘要

在人类日常生活以及工业生产中，对环境中的有毒有害气体进行准确快速的

检测识别，可以对气体危险事故的产生起到预警和防范作用，对人类健康安全、社

会和谐安定具有重要意义。对比传统的化学分析仪器，机器嗅觉已经凭借快速、简

便和低成本的优点获得了广阔的应用前景。由于金属氧化物传感器存在交叉敏感

性和响应时间长的问题，使得混合气体识别的准确率和效率不够高。

鉴于以上背景，本文重点研究基于数据驱动的多元混合气体识别技术，包括基

于深度学习的混合气体浓度预测算法研究，以及基于多任务学习的气体分类与浓

度预测算法研究。目的是在传感器不需要达到稳态响应的情况下准确地识别出气

体的组成成分并预测其对应的浓度。所做的具体工作如下：

1、本文提出了一种基于卷积神经网络和长短期记忆神经网络的混合气体浓度

预测算法。根据传感器数据长序列的特点，优化了矩形卷积核的结构和大小用于同

时提取特征，并提出了一维卷积网络结合LSTM进行特征高效学习的方法。探讨

了所提方法的预测效果和截取时序数据长度的关系。在UCI公共数据集上，与已

有方法LSTM、SVR和RC算法进行对比实验。由实验结果来看，本文所提的算法

拥有最好的气体浓度预测效果、较短的响应时间以及较快的收敛速度，截取20s响

应片段时模型的预测效果最佳。例如一氧化碳和乙烯混合气体物的浓度预测精度

R2可达0.99，相对于最大浓度值，乙烯的预测误差为8%，一氧化碳的为2%。相

比于LSTM网络，R2提高了13个百分点，相比于PSO+SVR网络，R2提高了14

个百分点。

2、本文研究了多任务学习的参数共享特性，提出了三种基于不同多任务学习

框架的神经网络算法，分别是硬参数共享、软参数共享和Cross-stitch参数共享，

并结合贝叶斯优化算法调整网络的超参数。利用UCI公共数据集进行了三种算法

之间的对比实验，分析评估了它们的性能优劣，并与单任务学习算法进行比较。实

验结果表明，基于多任务学习框架的三种算法最差也达到分类精度Acc.0.97，浓度

2

预测精度R0.98的结果，可以高效高精度地并行完成气体分类和浓度预测任务；

在基于这两个特定任务的场景下，软参数共享的多任务学习框架是优于硬参数共

享的，准确率更高，且泛化性更好。

关键词：模式识别，神经网络，多任务学习，传感器阵列，混合气体识别

ABSTRACT

Inhumandailylifeandindustrialproduction,accurateandrapiddetectionand

identificationoftoxicandharmfulgasesintheenvironmentplayanearlywarningand

preventiveroleforavoidingtheoccurrenceofdangerousgasaccidents,andisofgreat

significancetohumanhealthandsafety,socialharmonyandstability.Comparedwith

traditionalchemicalanalysisinstruments,machineolfactionhasgainedbroadapplication

prospectswiththeadvantagesofrapiddetection,simplicityandlowcost.Facing

difficultiesofcross-sensitivityandlongresponsetime,accuracyandefficiencyofgas

identificationusingmetaloxidesensorsneedtobeimproved.

Thisresearchfocusesonthedata-drivenmultivariatemixedgasidentification

technology,includinginvestigationofm