改進的深度殘差網絡的混合氣體定量分析方法
信息技術與網絡安全
詹燦堅，何家峰，駱德漢
(廣東工業大學 信息工程學院，廣東 廣州510000)
摘要： 為了有效監測室內有害氣體，提出了一種改進的深度殘差網絡的室內有害氣體定量分析方法。該方法使用殘差網絡來提高深度學習方法學習干擾信號特征的能力，并提高混合氣體定量分析的準確性以及模型的魯棒性。將軟閾值化用作非線性層，并將其嵌入到深度神經網絡中，以消除非必要的噪聲特征。該方法結合了深度學習與傳統信號處理降噪算法的優點，通過使用具有不同干擾水平的甲醛氣體樣本集進行了驗證，實驗結果表明該模型在有干擾的場景下仍具有較高的準確率。
中圖分類號： TP212.9
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.03.008
引用格式： 詹燦堅，何家峰，駱德漢. 改進的深度殘差網絡的混合氣體定量分析方法[J].信息技術與網絡安全，2021，40(3)：43-47.
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.03.008
引用格式： 詹燦堅，何家峰，駱德漢. 改進的深度殘差網絡的混合氣體定量分析方法[J].信息技術與網絡安全，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
隨著國民經濟的快速發展、人民物質生活水平的不斷提高，人們對室內居住環境的舒適化、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設施現代化的熱潮興起。但是由于質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、氨氣等有害化學氣體，使得室內空氣質量不斷惡化，嚴重者會對居住者的健康帶來一定程度的損害；空調設備的廣泛使用，使得室內通風率明顯降低，導致住宅內空氣污染程度不斷累積[1]。
本文詳細內容請下載:http://www.xxav2194.com/resource/share/2000003422
作者信息:
詹燦堅，何家峰，駱德漢
(廣東工業大學 信息工程學院，廣東 廣州510000)
此內容為AET網站原創，未經授權禁止轉載。