仿生嗅觉感知系统气体识别和浓度估计模型OA北大核心CSTPCD

常用气体检测模型需要使用气体传感器阵列响应信号的稳态值对气体进行种类识别和浓度估计,而在实际环境中,气体一般处于动态变化的状态,气体传感器阵列响应信号难以达到稳态值或长时间维持稳定状态.针对上述问题,提出一种由动态小波残差卷积神经网络(Dynamic wavelet residual convolutional neural network, DWRCNN)子模型和权重信号自注意力(Weighted signal self-attention, WSSA)子模型组成的气体检测模型.该模型可以直接使用气体传感器阵列的原始动态响应信号对动态变化的气体进行成分识别,并进一步对每种成分气体的浓度在线估计.通过搭建的仿生嗅觉感知系统对模型的性能进行评估,实验结果表明,与常用气体识别模型相比, DWRCNN能获得接近100%气体识别准确率,且在线训练时间短,收敛速度快;与常用气体浓度估计模型相比, WSSA浓度估计模型能够大幅提高气体浓度估计精度,并能同时对不同气体都保持较高气体浓度估计精度,解决了动态环境中仿生嗅觉感知系统需要针对不同气体选择不同最优气体浓度估计模型问题.