一种用于智能气体传感的气体浓度预测方法及系统

专利主权项内容

1.一种用于智能气体传感的气体浓度预测方法，其特征在于：该方法包括以下步骤：步骤S1：气体数据采集，具体为采用气体传感器，通过采集得到气体数据gasD；步骤S2：数据预处理，具体为采用标准化算法和离差标准化方法，计算得到标准化气体数据；步骤S3：特征提取，具体为采用主成分分析方法对所述标准化气体数据进行特征提取，得到降维特征矩阵A；步骤S4：特征选择，具体为通过计算所述降维特征矩阵A和气体浓度gasC两者的互信息，衡量降维特征矩阵A和气体浓度gasC之间的冗余，并依据最大相关性准则的结果，得到最佳特征子集；步骤S5：气体浓度预测模型构建，具体为采用长短期记忆网络层来提取所述最佳特征子集中的特征，并采用注意力机制计算上下文向量，通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel；步骤S6：气体浓度预测结果报告；在步骤S5中，所述气体浓度预测模型构建，具体指基于长短期记忆网络和注意力机制的多任务学习预测模型构建，包括以下步骤：步骤S51：采用长短期记忆网络层来提取最佳特征子集中的特征，计算公式为：
；式中，g是当前时间步输出的隐藏状态，LSTM()是长短期记忆网络的一个时间步计算操作，g是前一时间步的隐藏状态，m是输入的最佳特征子集的时间步数；mm-1步骤S52：采用注意力机制计算上下文向量，包括以下步骤：步骤S521：计算查询向量，计算公式为：
；式中，是查询向量，g是当前时间步输出的隐藏状态，/>是查询的位置索引，μ是查询的权重矩阵；mp步骤S522：计算键向量，计算公式为：
；式中，是键向量，g是当前时间步输出的隐藏状态，/>是键和值的位置索引，μ是键的权重矩阵；mk步骤S523：计算值向量，计算公式为：
；式中，是值向量，g是当前时间步输出的隐藏状态，/>是键和值的位置索引，μ是值的权重矩阵；mv步骤S524：计算所述查询向量和所述键向量之间的相似度得分，计算公式为：
；式中，是查询向量/>和键向量/>之间的相似度得分，d是键向量的维度；k步骤S525：通过Softmax函数，计算得到注意力矩阵，计算公式为：
；式中，是注意力矩阵，Softmax()是Softmax函数，/>是查询向量/>和键向量/>之间的相似度得分；步骤S526：依据注意力机制，通过对所述值向量加权求和得到上下文向量，计算公式为：
；式中，e是查询向量相关的上下文向量，/>是值向量的数量，/>是注意力矩阵，/>是值向量；l步骤S53：从所述上下文向量中提取气体浓度的信息，并预测气体浓度值，计算公式为：
；式中，u是气体浓度的估计值，h是气体偏置向量，μ是浓度预测任务权重矩阵，e是查询向量相关的上下文向量；gcogcogcol步骤S54：通过Softmax函数，对气体类型进行分类，计算公式为：
；式中，u是气体类别的概率分布，Softmax()是Softmax函数，h是气体类型偏置向量，e是查询向量相关的上下文向量，μ是气体分类任务权重矩阵；claclalcla步骤S55：通过设置浓度预测的损失函数，来衡量模型预测结果与真实值之间的差异，计算公式为：
；式中，L是浓度预测任务均方误差损失函数，是需要预测的浓度值的数量，/>是第s个浓度预测的真实值，/>是第s个浓度预测的模型预测值；gco步骤S56：通过设置气体分类的损失函数，来衡量模型分类结果与真实值之间的差异，计算公式为：
；式中，L是气体分类任务交叉熵损失函数，是需要分类的样本数量/>是气体类别的数量/>是第/>个样本的真实标签，/>是模型对第/>个样本属于第/>个气体类别的概率；cla步骤S57：通过设置多任务学习损失函数，来平衡不同任务的重要性，计算公式为：
；式中，Loss是多任务学习损失函数，γ是取值为[0，1]的气体分类任务损失函数权重，δ是用于调整参数矩阵的惩罚常数，|μ|是浓度预测任务权重矩阵μ的L1正则化项，|μ|是气体分类任务权重矩阵μ的正则化项；gco1gcocla1cla步骤S58：通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel。