基于气体-漂移特征解耦的传感器阵列混合气体浓度识别方法与流程

摘要: 本发明涉及气体监测,特别是一种基于气体-漂移特征解耦的传感器阵列混合气体浓度识别方法。背景技术:1、硫化氢(h2s)和二氧化硫(so2)是典型的有毒气体,对其进...
基于气体-漂移特征解耦的传感器阵列混合气体浓度识别方法与流程

本发明涉及气体监测,特别是一种基于气体-漂移特征解耦的传感器阵列混合气体浓度识别方法。

背景技术:

1、硫化氢(h2s)和二氧化硫(so2)是典型的有毒气体,对其进行实时、低成本定量检测对于工业安全与环境监测具有重要意义。传统分析仪器能够提供可靠的参考测量,其中气相色谱可实现准确的组分分析,光谱技术也广泛用于灵敏的化学表征。然而,这类仪器通常成本高、维护负担重、操作复杂,难以满足长期连续现场部署需求。金属氧化物半导体(mos)传感器阵列因体积小、响应快、易于集成,成为分布式气体监测的重要替代方案。近年来,电子鼻研究在传感器阵列设计、低功耗集成平台和缓解交叉敏感性的模式识别策略方面取得进展,但长期标定仍易受到老化漂移、表面态变化、恢复滞后以及环境扰动的影响。

2、传感器漂移可被视为标定数据与部署数据之间的连续分布偏移。无监督域适应(uda)作为处理分布偏移的通用框架,因此自然适用于传感器漂移补偿。经典特征对齐方法通过联合分布适配、多核最大均值差异或相关对齐降低分布差异;对抗式域适应方法则通过混淆域判别器学习域不变表征,例如 adda与 dann。在气体传感器漂移补偿中,tdacnn等时间建模与对抗式方法也已被探索,课程式适应和时频域适应进一步提供了处理复杂偏移的机制。然而,大多数方法仍在单一潜在空间中处理特征,缺乏对气体预测因素与漂移相关变化的显式分离。

3、mos 响应的物理结构表明,单一潜在空间处理是不充分的。传感器响应同时包含缓慢的准稳态成分和瞬态动力学成分;温度调制半导体气敏研究表明,瞬态响应动力学能够携带可区分的气体信息。混合气体浓度回归也逐渐成为电子鼻研究重点,但其在多会话传感器漂移下的鲁棒性仍未得到充分研究。当气体相关变化与漂移相关变化共存于同一频率区域时,全局特征对齐可能同时对齐无关漂移因素和气体预测因素,从而造成负迁移。

4、相关域适应研究提供了有价值的方法组件,但并未直接解决上述问题。切片wasserstein距离能改善复杂偏移下的分布匹配,可迁移注意力机制可增强特征可迁移性,时频对抗学习也被用于噪声工业诊断。在电子鼻漂移补偿中,半监督对抗cnn与基于注意力的气体传感器域适应方法提升了适应性能,但通常没有为混合气体回归建立明确的频域气体-漂移分离约束。多源域适应方法如 mdan、dctn和mfsan能利用多个源域,近期多源电子鼻适应研究也证实了源域多样性的价值。但是,多源对齐本身并不能保证被对齐空间仍然保持气体预测性而不受漂移污染;此外,回归域适应还面临目标标签不可用时的模型选择困难。

5、基于上述分析,现有研究主要存在三点不足:(1)许多电子鼻漂移研究将所有标定测量合并为单一源域,并将所有部署测量合并为单一目标域。该单源单目标(ssst)设定掩盖了会话间差异,也无法表示多个漂移状态。(2)传感器响应通常被建模为整体时间序列,但气体信息与漂移敏感变化可能在不同频带上呈现不均匀分布。(3)dann 类方法通过特征对齐促进域不变表征,但在适应前并没有显式解耦气体预测因素与漂移相关变化。

技术实现思路

1、本发明的目的就是提供一种基于气体-漂移特征解耦的传感器阵列混合气体浓度识别方法。用于解决现有混合气体浓度识别方法在单一特征空间中进行特征对齐,在多会话漂移条件下容易将漂移诱导的无关变化与气体预测信息纠缠在一起的技术问题。

2、本技术提供一种基于气体-漂移特征解耦的传感器阵列混合气体浓度识别方法,具体步骤为:

3、s1:分别采集气体浓度传感器阵列漂移前后的时间序列信号,获得源域数据集和目标域数据集;

4、s2:构建频谱域适应模型,分别提取源域和目标域数据的气体特征和漂移特征,所述频谱域适应模型包括依次连接的傅里叶滤波器组、共享频带编码器和气体与漂移分离器;

5、s3:以源域与目标域的气体特征跨域对齐为训练目标,通过多损失函数联合约束,训练频谱域适应模型;

6、s4:采集待识别气体浓度传感器数据,基于训练后的频谱域适应模型分解为气体特征与漂移特征,将气体特征输入回归器中,获得准确的气体浓度值。

7、可选的,所述共享频带编码器包括依次连接的共享transformer 编码器和注意力融合模块,所述气体与漂移分离器包括回归器以及用于分别提取气体特征和漂移特征的两个投影器。

8、可选的,步骤s2中的具体步骤为:

9、s2.1:将源域和目标域数据集的原始时间序列信号输入傅里叶滤波器组,分解为k个自适应频带特征;

10、s2.2:将个自适应频带特征输入共享transformer 编码器,利用频带类型嵌入提取频带特定的时间特征,获得跨域频带特征;

11、s2.3: 使用注意力融合模块对个跨域频带特征进行加权融合,获得共享潜在特征向量;

12、s2.4:将特征向量输入气体与漂移分离器的两个投影器中分别提取源域和目标域气体特征和,以及源域和目标域漂移特征和 。

13、可选的,步骤s3的具体步骤为:

14、s3.1:计算源域气体特征和目标域气体特征之间的矩距离,根据距离大小生成自适应的源域权重,利用源域权重计算回归损失,所述源域权重与矩距离负相关;

15、s3.3:利用目标域气体特征和加权后的源域气体特征计算加权多核mmd损失,并将目标域气体特征和加权后的源域气体特征依次引入梯度反转层和会话判别器计算对抗损失;

16、s3.4:计算气体特征和漂移特征之间的去相关损失、低频带和高频带之间的双谱分离损失和最小化归一化掩码熵;

17、s3.5:将五个损失项和掩码熵进行加权求和,得到总损失函数,通过反向传播算法更新频谱域适应模型的参数,直到收敛。

18、可选的,步骤s2.1中的具体步骤为:

19、对源域和目标域数据集的原始时间序列信号进行快速傅里叶变换将时域信号转换为频域频谱;

20、通过个softmax掩码将转换后的频域频谱划分为个独立的频段;再通过逆傅里叶变换将个独立频段还原为个自适应频带特征。

21、可选的,步骤s2.2中每个自适应频带特征由共享transformer 编码器编码,并加入可学习频带类型嵌入,对编码序列进行时间池化以获得跨域频带特征,对于第个频带有:

22、;

23、其中,为线性输入投影函数,的具体运算为:以可学习投影权重矩阵对各时间点的传感器通道向量进行矩阵乘法,并加上偏置向量,将其映射为d维特征;为正弦位置编码,为可学习频带类型嵌入,表示编码输出张量的维度,分别为小批量大小、时间序列长度和特征维度。

24、可选的,步骤s2.3中使用注意力融合模块对个跨域频带特征进行加权融合为:

25、;

26、其中,为线性融合映射,的具体运算为:将各频带特征的注意力加权和与可学习权重矩阵相乘,再加偏置向量,输出共享潜在特征;为可学习查询向量,表示转置,为第个跨域频带特征的权重。

27、可选的,步骤s2.4中提取源域和目标域气体特征和,以及源域和目标域漂移特征和 为:

28、;

29、其中,为气体特征投影器,为漂移特征投影器,和均采用带gelu激活的两层多层感知机;每个投影器先对共享潜在特征进行线性变换并经gelu激活,再通过第二个线性层映射至相应潜在空间;和分别为气体特征维度和漂移特征维度。

30、可选的,步骤s3.1中生成自适应的源域权重为:

31、;

32、其中,和为源域中气体特征的ema更新均值与方差统计量,和为目标域气体特征的ema更新均值与方差统计量,为距离缩放系数,用于控制源域权重随矩距离增大而衰减的速率。

33、由于采用了上述技术方案,本发明具有如下的优点:

34、本技术利用保持重构能力的可学习傅里叶滤波器组分解每个传感器响应,并通过漂移引导的频带专化损失将气体特征与漂移特征分离到互补潜在空间中。随后,跨域对齐与基于散度加权的源域回归仅在气体预测空间中进行,降低了与目标分布匹配较差的源会话对训练的负面影响,提高了气体浓度识别的准确度。

35、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。