改进的深度残差网络的混合气体定量分析方法
信息技术与网络安全
詹灿坚，何家峰，骆德汉
(广东工业大学 信息工程学院，广东 广州510000)
摘要： 为了有效监测室内有害气体，提出了一种改进的深度残差网络的室内有害气体定量分析方法。该方法使用残差网络来提高深度学习方法学习干扰信号特征的能力，并提高混合气体定量分析的准确性以及模型的鲁棒性。将软阈值化用作非线性层，并将其嵌入到深度神经网络中，以消除非必要的噪声特征。该方法结合了深度学习与传统信号处理降噪算法的优点，通过使用具有不同干扰水平的甲醛气体样本集进行了验证，实验结果表明该模型在有干扰的场景下仍具有较高的准确率。
中圖分類號： TP212.9
文獻標(biāo)識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.03.008
引用格式： 詹燦堅，何家峰，駱德漢. 改進的深度殘差網(wǎng)絡(luò)的混合氣體定量分析方法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2021，40(3)：43-47.
文獻標(biāo)識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.03.008
引用格式： 詹燦堅，何家峰，駱德漢. 改進的深度殘差網(wǎng)絡(luò)的混合氣體定量分析方法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2021，40(3)：43-47.
Quantitative analysis method of gas mixture based on deep residual network
Zhan Canjian，He Jiafeng，Luo Dehan
(School of Informational Engineer，Guangdong University of Technology，Guangzhou 510000，China)
Abstract： In order to effectively monitor indoor harmful gases, this paper proposes an improved deep residual network method for quantitative analysis of indoor harmful gases. This method uses residual networks to improve the ability of deep learning methods to learn the characteristics of interference signals, and improve the accuracy of quantitative analysis of mixed gases and the robustness of the model. The soft threshold is used as a non-linear layer and embedded in the deep neural network to eliminate unnecessary noise features. This method combined the advantages of deep learning and traditional signal processing noise reduction algorithms, and was verified by using formaldehyde gas sample sets with different interference levels. The experimental results show that the model is still highly accurate in scenes with interference.
Key words : indoor harmful gas；gas quantitative analysis；bionic olfaction；deep residual network
0 引言
隨著國民經(jīng)濟的快速發(fā)展、人民物質(zhì)生活水平的不斷提高，人們對室內(nèi)居住環(huán)境的舒適化、高檔化和智能化提出了更高的要求，由此直接帶動了裝修裝飾熱和室內(nèi)設(shè)施現(xiàn)代化的熱潮興起。但是由于質(zhì)量參差不齊的住宅建筑材料、裝飾家具材料所釋放的甲醛、甲苯、氨氣等有害化學(xué)氣體，使得室內(nèi)空氣質(zhì)量不斷惡化，嚴(yán)重者會對居住者的健康帶來一定程度的損害；空調(diào)設(shè)備的廣泛使用，使得室內(nèi)通風(fēng)率明顯降低，導(dǎo)致住宅內(nèi)空氣污染程度不斷累積[1]。
本文詳細(xì)內(nèi)容請下載:http://www.ihrv.cn/resource/share/2000003422
作者信息:
詹燦堅，何家峰，駱德漢
(廣東工業(yè)大學(xué) 信息工程學(xué)院，廣東 廣州510000)
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。