基于MOS气敏传感器阵列的仿生电子鼻的气味识别方法与流程

基于mos气敏传感器阵列的仿生电子鼻的气味识别方法
技术领域
1.本发明涉及气味识别技术领域，尤其涉及一种基于mos气敏传感器阵列的仿生电子鼻的气味识别方法。


背景技术：

2.电子鼻是模拟生物嗅觉原理构建的智能仪器，电子鼻通常由交叉敏感的气敏传感阵列和合适的模式识别算法组成，自动完成对气味的定性或定量辨识。目前，通用电子鼻为了达到分辨不同复杂气味细微差别的目标，希望像生物嗅觉中嗅神经元那样，有大量且不同类型的气敏传感器构成混合阵列，以获取丰富的气味信息。但目前的气敏传感器的电子鼻技术，在面对待测气体的浓度差异性较大，环境空气中混杂的其他气味时，容易受到干扰而无法准确识别待测气体的气味。


技术实现要素：

3.本发明实施例提供一种基于mos气敏传感器阵列的仿生电子鼻的气味识别方法，能够提高对待测气体的气味的识别的准确性。
4.本发明一实施例提供一种基于mos气敏传感器阵列的仿生电子鼻的气味识别方法，包括：
5.获取m维阵列的mos气敏传感器阵列对不同浓度的气体样本检测得到的m维响应值数据，形成不同浓度的气体样本的气味指纹样本；
6.根据各个浓度的气体样本的气味指纹样本和各个浓度的气体样本的气味类型，训练得到用于鉴别气体类型的循环神经网络模型；
7.获取m维阵列的mos气敏传感器阵列对待测气体检测得到的m维响应值数据，形成待测气体的气味指纹；
8.计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度；
9.若计算得到相似度结果中有大于预设阈值的相似度结果，将待测气体的气味指纹输入至训练好的所述循环神经网络模型中，得到待测气体的气味类型。
10.作为上述方案的改进，所述循环神经网络包括输入层、隐藏层和输出层；输入层有n个神经元,对应于n种气体样本；输出层数为气体类型数n。
11.作为上述方案的改进，所述根据各个浓度的气体样本的气味指纹样本和各个浓度的气体样本的气味类型，训练得到用于鉴别气体类型的循环神经网络模型，包括：
12.将各个浓度的气体样本的气味指纹样本输入到所述循环神经网络，得到各个气体样本的预测气味分类结果；
13.根据各个气体样本的预测气味分类结果和各个气体样本的气味类型确定所述循环神经网络的损失值；
14.根据所述损失值通过反向传播算法更新所述循环神经网络的参数；
15.当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的用于鉴别气体类型的循环神经网络模型。
16.作为上述方案的改进，所述计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度，包括：
17.利用余弦相似度算法计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度。
18.作为上述方案的改进，在得到待测气体的气味类型之后，所述方法还包括：
19.控制显示器显示待测气体的气味类型。
20.本发明另一实施例对应提供了一种基于mos气敏传感器阵列的仿生电子鼻的气味识别装置，包括：
21.样本获取模块，用于获取m维阵列的mos气敏传感器阵列对不同浓度的气体样本检测得到的m维响应值数据，形成不同浓度的气体样本的气味指纹样本；
22.训练模块，用于根据各个浓度的气体样本的气味指纹样本和各个浓度的气体样本的气味类型，训练得到用于鉴别气体类型的循环神经网络模型；
23.数据获取模块，用于获取m维阵列的mos气敏传感器阵列对待测气体检测得到的m维响应值数据，形成待测气体的气味指纹；
24.相似度计算模块，用于计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度；
25.识别模块，用于若计算得到相似度结果中有大于预设阈值的相似度结果，将待测气体的气味指纹输入至训练好的所述循环神经网络模型中，得到待测气体的气味类型。
26.作为上述方案的改进，所述训练模块具体用于：
27.将各个浓度的气体样本的气味指纹样本输入到所述循环神经网络，得到各个气体样本的预测气味分类结果；
28.根据各个气体样本的预测气味分类结果和各个气体样本的气味类型确定所述循环神经网络的损失值；
29.根据所述损失值通过反向传播算法更新所述循环神经网络的参数；
30.当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的用于鉴别气体类型的循环神经网络模型。
31.作为上述方案的改进，所述相似度计算模块具体用于：
32.利用余弦相似度算法计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度。
33.本发明另一实施例提供了一种基于mos气敏传感器阵列的仿生电子鼻的气味识别设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的基于mos气敏传感器阵列的仿生电子鼻的气味识别方法。
34.本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的基于mos气敏传感器阵列的仿生电子鼻的气味识别方法。
35.相比于现有技术，上述技术方案中的一个技术方案具有如下优点：
36.通过利用各个浓度的气体样本的气味指纹样本和各个浓度的气体样本的气味类型，训练得到用于鉴别气体类型的循环神经网络模型；接着获取mos气敏传感器阵列对待测气体采集得到的气味指纹，并与气味指纹标准库中的各个标准气味指纹进行相似度比较；若相似度结果中有大于预设阈值的相似度结果，表明待测气体是需要进行气味识别的目标气体，此时将待测气体的气味指纹输入至训练好的所述循环神经网络模型中，得到待测气体的气味类型。由此可见，本发明实施例通过利用不同浓度的目标气体的样本进行循环神经网络模型训练，然后再基于待测气体与标准气体的气味指纹的相似度比较，来确定待测气体是否含有目标气体，若是则利用训练好的循环神经网络模型对待测气体的气味进行识别，从而提高对待测气体的气味的识别的准确性。
附图说明
37.图1是本发明一实施例提供的一种基于mos气敏传感器阵列的仿生电子鼻的气味识别方法的流程示意图；
38.图2是本发明一实施例提供的一种基于mos气敏传感器阵列的仿生电子鼻的气味识别装置的结构示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.参见图1，是本发明一实施例提供的一种基于mos气敏传感器阵列的仿生电子鼻的气味识别方法的流程示意图，所述基于mos气敏传感器阵列的仿生电子鼻的气味识别方法包括步骤s10至步骤s14：
41.s10，获取m维阵列的mos气敏传感器阵列对不同浓度的气体样本检测得到的m维响应值数据，形成不同浓度的气体样本的气味指纹样本；
42.其中，mos气敏传感器阵列可以是分别集成了32/64/128通道的气敏材料的传感器阵列，对于不同的气体样本，可以输出32/64/128个维度的数据，形成气味指纹。可以理解的是，气体样本可以为混合气体(可以是1种或多种目标气体的混合，或者是1种或多种目标气体与其他非目标气体的混合，其中，目标气体可以是实际场景中的待测气体)。
43.s11，根据各个浓度的气体样本的气味指纹样本和各个浓度的气体样本的气味类型，训练得到用于鉴别气体类型的循环神经网络模型；
44.具体地，所述循环神经网络包括输入层、隐藏层和输出层；输入层有n个神经元,对应于n种气体样本；输出层数为气体类型数n。
45.s12，获取m维阵列的mos气敏传感器阵列对待测气体检测得到的m维响应值数据，形成待测气体的气味指纹；
46.s13，计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度；
47.s14，若计算得到相似度结果中有大于预设阈值的相似度结果，将待测气体的气味
指纹输入至训练好的所述循环神经网络模型中，得到待测气体的气味类型。
48.本发明实施例通过利用不同浓度的目标气体的样本进行循环神经网络模型训练，然后再基于待测气体与标准气体的气味指纹的相似度比较，来确定待测气体是否含有目标气体，若是则利用训练好的循环神经网络模型对待测气体的气味进行识别，从而提高对待测气体的气味的识别的准确性。
49.在其中一个实施例中，所述步骤s11包括步骤s110至步骤s113：
50.s110，将各个浓度的气体样本的气味指纹样本输入到所述循环神经网络，得到各个气体样本的预测气味分类结果；
51.s111，根据各个气体样本的预测气味分类结果和各个气体样本的气味类型确定所述循环神经网络的损失值；
52.s112，根据所述损失值通过反向传播算法更新所述循环神经网络的参数；
53.s113，当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的用于鉴别气体类型的循环神经网络模型。
54.在本实施例中，可以利用损失函数及根据各个气体样本的预测气味分类结果和各个气体样本的气味类型确定所述循环神经网络的损失值，并根据所述损失值通过反向传播算法更新所述循环神经网络的参数，从而能够优化循环神经网络模型，提高循环神经网络模型的准确性。可以理解的是，循环神经网络模型具体训练过程及利用损失函数的损失值的模型参数优化过程，可以具体参考现有技术，在此不再赘述。
55.作为示例的，所述循环神经网络的损失函数为：
[0056][0057]
其中，表示tn浓度气体样本的真实类型，表示循环神经网络的预测值，n表示气体样本的浓度的总数。
[0058]
在其中一个实施例中，所述计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度，包括：
[0059]
利用余弦相似度算法计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度。
[0060]
在本实施例中，利用余弦相似度算法来对待测气体与标准气体的气味指纹进行相似度计算比较，从而确定待测气体是否含有目标气体。可以理解的是，余弦相似度算法的相似度计算过程可以参考现有技术，在此不再赘述。
[0061]
在其中一个实施例中，在得到待测气体的气味类型之后，所述方法还包括：
[0062]
控制显示器显示待测气体的气味类型。
[0063]
在本实施例中，通过将识别出来的待测气体的气味类型显示出来，这样便于人们知悉待测气体的气味类型。
[0064]
参见图2，是本发明一实施例提供的一种基于mos气敏传感器阵列的仿生电子鼻的气味识别装置的结构示意图，基于mos气敏传感器阵列的仿生电子鼻的气味识别装置包括：
[0065]
样本获取模块10，用于获取m维阵列的mos气敏传感器阵列对不同浓度的气体样本检测得到的m维响应值数据，形成不同浓度的气体样本的气味指纹样本；
[0066]
训练模块11，用于根据各个浓度的气体样本的气味指纹样本和各个浓度的气体样本的气味类型，训练得到用于鉴别气体类型的循环神经网络模型；
[0067]
数据获取模块12，用于获取m维阵列的mos气敏传感器阵列对待测气体检测得到的m维响应值数据，形成待测气体的气味指纹；
[0068]
相似度计算模块13，用于计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度；
[0069]
识别模块14，用于若计算得到相似度结果中有大于预设阈值的相似度结果，将待测气体的气味指纹输入至训练好的所述循环神经网络模型中，得到待测气体的气味类型。
[0070]
本发明实施例通过利用不同浓度的目标气体的样本进行循环神经网络模型训练，然后再基于待测气体与标准气体的气味指纹的相似度比较，来确定待测气体是否含有目标气体，若是则利用训练好的循环神经网络模型对待测气体的气味进行识别，从而提高对待测气体的气味的识别的准确性。
[0071]
在其中一个实施例中，所述训练模块具体用于：
[0072]
将各个浓度的气体样本的气味指纹样本输入到所述循环神经网络，得到各个气体样本的预测气味分类结果；
[0073]
根据各个气体样本的预测气味分类结果和各个气体样本的气味类型确定所述循环神经网络的损失值；
[0074]
根据所述损失值通过反向传播算法更新所述循环神经网络的参数；
[0075]
当损失值达到预设的第一阈值或迭代次数达到预设的第二阈值，停止训练，得到训练好的用于鉴别气体类型的循环神经网络模型。
[0076]
在其中一个实施例中，所述相似度计算模块具体用于：
[0077]
利用余弦相似度算法计算待测气体的气味指纹与预设的气味指纹标准库中的各个标准气味指纹的相似度。
[0078]
在其中一个实施例中，所述循环神经网络包括输入层、隐藏层和输出层；输入层有n个神经元,对应于n种气体样本；输出层数为气体类型数n。
[0079]
在其中一个实施例中，在得到待测气体的气味类型之后，所述方法还包括：
[0080]
控制显示器显示待测气体的气味类型。
[0081]
可以理解的是，上述基于mos气敏传感器阵列的仿生电子鼻的气味识别装置的实施例可以对应参考上述基于mos气敏传感器阵列的仿生电子鼻的气味识别方法的实施例的相关内容，在此不再做赘述。
[0082]
本发明一实施例提供了一种基于mos气敏传感器阵列的仿生电子鼻的气味识别设备。该实施例的基于mos气敏传感器阵列的仿生电子鼻的气味识别设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如基于mos气敏传感器阵列的仿生电子鼻的气味识别程序。所述处理器执行所述计算机程序时实现上述各个基于mos气敏传感器阵列的仿生电子鼻的气味识别方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各基于mos气敏传感器阵列的仿生电子鼻的气味识别装置实施例中各模块/单元的功能。
[0083]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多
个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备中的执行过程。
[0084]
所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于mos气敏传感器阵列的仿生电子鼻的气味识别设备的示例，并不构成对基于mos气敏传感器阵列的仿生电子鼻的气味识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备还可以包括输入输出设备、网络接入设备、总线等。
[0085]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备的控制中心，利用各种接口和线路连接整个基于mos气敏传感器阵列的仿生电子鼻的气味识别设备的各个部分。
[0086]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0087]
其中，所述基于mos气敏传感器阵列的仿生电子鼻的气味识别设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0088]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0089]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。