一种小波变换-胶囊神经网络级联型气体识别方法和装置

技术特征：
1.一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，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，。2.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，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。3.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，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。4.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，步骤s3中维度变换具体包括：将信号序列进行隔点取样，得到采样数据，将所有通道的采样数据按通道顺序排列后，得到维度变换后的小波变换系数图像，作为胶囊神经网络的输入。5.根据权利要求1所述的一种小波变换-胶囊神经网络级联型气体识别方法，其特征在于，输入层包括步幅为1的256个9*9的卷积核，卷积层包括步幅为2的32个9*9的卷积层。6.一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现以下方法：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。7.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，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。8.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，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。9.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，步骤s3中维度变换具体包括：将信号序列进行隔点取样，得到采样数据，将所有通道的采样数据按通道顺序排列后，得到维度变换后的小波变换系数图像，作为胶囊神经网络的输入。10.根据权利要求6所述的一种小波变换-胶囊神经网络级联型气体识别装置，其特征在于，输入层包括步幅为1的256个9*9的卷积核，卷积层包括步幅为2的32个9*9的卷积层。

技术总结
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。发明具有识别准确率高等优点。发明具有识别准确率高等优点。


技术研发人员：蒋坤 王磊
受保护的技术使用者：同济大学
技术研发日：2022.02.21
技术公布日：2022/5/25