【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及光聲光譜數(shù)據(jù)處理，尤其是涉及一種氣體光聲光譜增強(qiáng)識(shí)別裝置和方法及應(yīng)用。
技術(shù)介紹
1、氣體光聲光譜技術(shù)通過(guò)檢測(cè)氣體分子對(duì)光子能量的吸收，來(lái)對(duì)氣體的濃度進(jìn)行定量分析，是一種新型的測(cè)量吸收的氣體分析方法。與傳統(tǒng)的直接測(cè)量光輻射能量的檢測(cè)方法相比較，氣體光聲光譜技術(shù)將熱能轉(zhuǎn)變?yōu)槁曇粜盘?hào)，具有較高的檢測(cè)靈敏度，能夠縮短檢測(cè)的時(shí)間。
2、在光聲光譜識(shí)別時(shí)，由于測(cè)量環(huán)境復(fù)雜，為了提高測(cè)量精準(zhǔn)性，常常需要更換不同的聲光池來(lái)提高光聲信號(hào)的信噪比來(lái)適應(yīng)不同的聲音環(huán)境。現(xiàn)有技術(shù)中，通過(guò)采集光聲光譜數(shù)據(jù)、噪聲數(shù)據(jù)，利用對(duì)抗生成網(wǎng)絡(luò)提高數(shù)據(jù)真實(shí)性，再將樣本數(shù)據(jù)輸入循環(huán)神經(jīng)網(wǎng)絡(luò)rnn中識(shí)別目標(biāo)特征氣體的濃度。但是，循環(huán)神經(jīng)網(wǎng)絡(luò)rnn在識(shí)別氣體濃度時(shí)，具有一定的局限性，例如，隨卷積層的不斷增加會(huì)面臨梯度消失而不能繼續(xù)訓(xùn)練的問(wèn)題。因此，亟需一種全新的氣體光聲光譜增強(qiáng)識(shí)別方法來(lái)解決上述問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種氣體光聲光譜增強(qiáng)識(shí)別裝置和方法及應(yīng)用，能夠用于不同場(chǎng)景的光聲光譜識(shí)別中，無(wú)需頻繁更換不同的聲光池，且首次將空洞卷積神經(jīng)網(wǎng)絡(luò)用于光聲光譜識(shí)別，可以有效增強(qiáng)識(shí)別的準(zhǔn)確率。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種氣體光聲光譜增強(qiáng)識(shí)別方法，包括如下步驟：
3、s1、獲取光聲光譜數(shù)據(jù)集和噪聲數(shù)據(jù)集，將光聲光譜數(shù)據(jù)集和噪聲數(shù)據(jù)集進(jìn)行混合，得到混合數(shù)據(jù)，將混合數(shù)據(jù)通過(guò)基于u-net結(jié)構(gòu)的生成對(duì)抗網(wǎng)絡(luò)，得到增強(qiáng)后的噪聲數(shù)據(jù)集；
4、
5、s11、設(shè)置u-net網(wǎng)絡(luò)：包括下采樣操作和上采樣操作；
6、將混合數(shù)據(jù)輸入到下采樣路徑中，連接兩個(gè)1×3的卷積核，重復(fù)卷積操作，然后利用激活函數(shù)relu校正，利用一個(gè)1×2大小的卷積核、步長(zhǎng)為2的最大池化操作用于第一次下采樣操作；
7、每次下采樣操作完成后通道數(shù)增加一倍，將上一次下采樣操作的輸出作為下一次下采樣的輸入，重復(fù)四次下采樣操作；
8、將第五次下采樣的輸出壓平，送入第一個(gè)全連接層，第一個(gè)全連接層神經(jīng)元個(gè)數(shù)為32，激活函數(shù)為leakyrelu；第一個(gè)全連接層的輸出送入到第二個(gè)全連接層；第二個(gè)全連接層神經(jīng)元個(gè)數(shù)為2，激活函數(shù)為softmax；
9、第五次下采樣的輸出作為第一次上采樣的輸入，每一次上采樣操作包括一個(gè)卷積核大小為1×3的反卷積操作，并與下采樣路徑中同規(guī)模卷積輸出拼接結(jié)果，對(duì)拼接結(jié)果重復(fù)兩次1×3大小的卷積操作，第一次卷積時(shí)，通道數(shù)量減半，然后利用激活函數(shù)relu校正；將上一次上采樣的輸出作下一次上采樣的輸入，重復(fù)四次上采樣操作；五次上采樣操作后增加稀疏層，映射到與類別數(shù)量相同的一維向量a，即為網(wǎng)絡(luò)的輸出；
10、s12、設(shè)置生成對(duì)抗網(wǎng)絡(luò)；
11、s13、基于u-net結(jié)構(gòu)的生成對(duì)抗網(wǎng)絡(luò)；
12、s2、提取每個(gè)光聲光譜的聲音特征，并將所有的聲音特征進(jìn)行融合，得到每個(gè)光聲光譜的多維特征向量；
13、s4、將增強(qiáng)后的噪聲數(shù)據(jù)、多維特征向量和目標(biāo)特征氣體濃度作為負(fù)樣本、正樣本和標(biāo)簽，構(gòu)建樣本數(shù)據(jù)集；
14、s5、將樣本數(shù)據(jù)集輸入空洞卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的空洞卷積神經(jīng)網(wǎng)絡(luò)，包括以下子步驟：
15、s51、搭建空洞卷積神經(jīng)網(wǎng)絡(luò)
16、空洞卷積神經(jīng)網(wǎng)絡(luò)包括多個(gè)卷積層、多個(gè)空洞卷積層、多個(gè)反卷積層、一規(guī)范化操作、一激活函數(shù)和一輸出層；
17、多個(gè)卷積層依次串聯(lián)，多個(gè)空洞卷積層串聯(lián)于多個(gè)卷積層之后，多個(gè)反卷積層串聯(lián)于空洞卷積層之后；
18、s52、訓(xùn)練空洞卷積神經(jīng)網(wǎng)絡(luò)
19、采用樣本數(shù)據(jù)作為輸入，訓(xùn)練空洞卷積神經(jīng)網(wǎng)絡(luò)；
20、s6、將待識(shí)別的光聲光譜輸入到訓(xùn)練好的空洞卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別待識(shí)別的光聲光譜中目標(biāo)特征氣體的濃度。
21、優(yōu)選的，聲音特征包括梅爾頻譜倒譜系數(shù)、頻率、幅度和相位。
22、優(yōu)選的，規(guī)范化操作為batchnormalization操作。
23、優(yōu)選的，所述激活函數(shù)為leaky?relu激活函數(shù)。
24、優(yōu)選的，輸出層為sigmoid輸出層，采用損失函數(shù)，公式如下：
25、
26、其中，n表示樣本數(shù)；l(i)表示第i個(gè)樣本的真實(shí)標(biāo)簽，表示第i個(gè)樣本的預(yù)測(cè)標(biāo)簽。
27、優(yōu)選的，將光聲光譜數(shù)據(jù)集和噪聲數(shù)據(jù)集進(jìn)行混合，包括隨機(jī)匹配、音調(diào)位移、時(shí)間拉伸、循環(huán)位移。
28、優(yōu)選的，基于u-net結(jié)構(gòu)的生成對(duì)抗網(wǎng)絡(luò)以u(píng)-net網(wǎng)絡(luò)為生成器。
29、本專利技術(shù)還提供了一種用于實(shí)現(xiàn)如上述的氣體光聲光譜識(shí)別增強(qiáng)方法的裝置，包括數(shù)據(jù)獲取模塊、提取模塊、樣本數(shù)據(jù)構(gòu)建模塊、空洞卷積神經(jīng)網(wǎng)絡(luò)模塊和識(shí)別模塊；
30、其中，數(shù)據(jù)獲取模塊包括光聲光譜數(shù)據(jù)獲取模塊、噪聲數(shù)據(jù)獲取模塊、混合模塊和提升模塊；
31、光聲光譜數(shù)據(jù)獲取模塊用于獲取光聲光譜數(shù)據(jù)；
32、噪聲數(shù)據(jù)獲取模塊用于獲取噪聲數(shù)據(jù)；
33、混合模塊用于將光聲光譜數(shù)據(jù)和噪聲數(shù)據(jù)進(jìn)行混合；
34、提升模塊為基于u-net結(jié)構(gòu)的生成對(duì)抗網(wǎng)絡(luò)；
35、提取模塊用于提取每個(gè)光聲光譜的聲音特征，并將所有的聲音特征進(jìn)行融合，得到每個(gè)光聲光譜的多維特征向量；
36、樣本數(shù)據(jù)構(gòu)建模塊用于將增強(qiáng)后的噪聲數(shù)據(jù)、多維特征向量和目標(biāo)特征氣體濃度作為負(fù)樣本、正樣本和標(biāo)簽，構(gòu)建樣本數(shù)據(jù)集；
37、空洞卷積神經(jīng)網(wǎng)絡(luò)模塊用于對(duì)搭建空洞卷積神經(jīng)網(wǎng)絡(luò)并訓(xùn)練；
38、識(shí)別模塊用于識(shí)別待測(cè)氣體的濃度。
39、本專利技術(shù)還提供了一種氣體光聲光譜識(shí)別增強(qiáng)裝置在識(shí)別變壓器油中氣體濃度的應(yīng)用。
40、因此，本專利技術(shù)采用上述的一種氣體光聲光譜增強(qiáng)識(shí)別裝置和方法及應(yīng)用，技術(shù)效果如下：
41、(1)構(gòu)建樣本數(shù)據(jù)集，可以減少對(duì)光聲池的特定結(jié)構(gòu)的依賴，且通過(guò)基于u-net結(jié)構(gòu)的生成對(duì)抗網(wǎng)絡(luò)，提高了噪聲重構(gòu)樣本的真實(shí)性，提升了模型的魯棒性；
42、(2)通過(guò)使用空洞卷積神經(jīng)網(wǎng)絡(luò)，較循環(huán)神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率更高。
本文檔來(lái)自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，聲音特征包括梅爾頻譜倒譜系數(shù)、頻率、幅度和相位。
3.根據(jù)權(quán)利要求2所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，規(guī)范化操作為BatchNormalization操作。
4.根據(jù)權(quán)利要求3所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，激活函數(shù)為L(zhǎng)eaky?ReLU激活函數(shù)。
5.根據(jù)權(quán)利要求4所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，輸出層為Sigmoid輸出層，采用損失函數(shù)，公式如下：
6.根據(jù)權(quán)利要求5所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，將光聲光譜數(shù)據(jù)集和噪聲數(shù)據(jù)集進(jìn)行混合，包括隨機(jī)匹配、音調(diào)位移、時(shí)間拉伸、循環(huán)位移。
7.根據(jù)權(quán)利要求6所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，基于U-Net結(jié)構(gòu)的生成對(duì)抗網(wǎng)絡(luò)以U-Net網(wǎng)絡(luò)為生成器。
8.一種用于實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的氣體光聲光譜識(shí)別增強(qiáng)方法的裝置。
9.一種如權(quán)利
...【技術(shù)特征摘要】
1.一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，聲音特征包括梅爾頻譜倒譜系數(shù)、頻率、幅度和相位。
3.根據(jù)權(quán)利要求2所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，規(guī)范化操作為batchnormalization操作。
4.根據(jù)權(quán)利要求3所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，激活函數(shù)為leaky?relu激活函數(shù)。
5.根據(jù)權(quán)利要求4所述的一種氣體光聲光譜增強(qiáng)識(shí)別方法，其特征在于，輸出層為s...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王劭菁，鄧先欽，徐鵬，丁敏，魯燕青，
申請(qǐng)(專利權(quán))人：國(guó)網(wǎng)上海市電力公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。