论文部分内容阅读
机器感知技术是基于人工智能驱动的自动化领域的重要研究方向,其中机器嗅觉感知是通过模拟生物嗅觉的工作原理实现气体信息的智能获取。机器嗅觉系统综合运用传感器阵列、信号处理和模式识别技术实现气体信息的决策分析,因此有效的数据决策分析方法将会直接影响机器嗅觉系统的检测精度。为解决现阶段在机器嗅觉系统的数据决策过程中出现的三个问题:（i）在特征处理的过程中,容易丢失影响决策精度的重要特征;（ii）特征提取存在不确定性;（iii）数据决策过程集成度不高,分类性能低。本文对机器嗅觉系统的数据决策分析方法进行研究,提出了协同降维策略、快速皮尔逊图卷积神经网络（Fast Pearson Graph Convolutional Network,FPGCN）、轻量交错残差密集网络（Lightweight Interleaved Residual Dense Network,LIRD）以及数据增强结合多分支核高效注意力机制（Multi-branch Kernels Channel Attention,MBKCA）的数据决策分析方法。主要工作如下:（1）以由半导体电导式传感器阵列构成的自主研发和商业化的机器嗅觉系统为研究对象,其两套机器嗅觉系统的检测原理相同,信号输出物理意义一致。结合实际的工程应用背景,分别对不同温度下工业聚丙烯和不同农场相同品牌的大米进行气体信息采集,基于两套机器嗅觉系统检测数据去验证数据决策分析方法的有效性。（2）基于经典的气体数据决策方法,提出一种协同降维策略对气体检测特征进行降维处理。首先,协同降维策略利用核主成分分析（Kernel Principle Component Analysis,KPCA）和核熵主成分分析（Kernel Entropy Component Analysis,KECA）的无监督降维方法对原始气体特征进行去相关性和非线性操作,并初步减少特征维度。然后,提出一种全局判别分析（Global Discriminant Analysis,GDA）的有监督降维方法对KPCA和KECA获得的降维特征集进行再次处理。最后,结合多模式识别方法验证协同降维策略的有效性。该策略结合了无监督降维和有监督降维的优点,最大化综合特征之间的线性关系,降低特征间的非线性,同时减小类内差异,增大类间间距,基于该协同降维策略和多模式识别方法实现气体检测数据的决策分析。（3）为有效解决机器嗅觉系统数据决策过程出现的问题（i）,提出FPGCN对气体检测特征进行图结构处理。该方法不删除任何气体特征,充分的利用了特征之间的数据关系,基于皮尔逊相关系数值（Pearson Correlation Coefficient,PCC）来构建特征之间的图架构,然后引入切比雪夫多项式去轻量化图卷积神经网络（Graph Convolutional Neural Network,GCN）的图卷积核参数量和复杂度,基于FPGCN的气体数据决策方法将特征处理和模式识别过程集成。（4）为解决问题（ii）和（iii）,提出一种轻量化的卷积神经网络（Convolutional Neural Network,CNN）对原始气体信息进行特征提取、特征处理与模式识别。该网络首先设计了轻量级交错组卷积（Lightweight Interleaved Group Convolution,LIGC）模块,以减少卷积参数的数量,实现通道间的信息交换,降低训练难度。然后引入残差密集网络（Residual Dense Network,RDN）来避免特征退化,它通过局部密集连接融合浅层和深层特征,自适应学习网络参数。该数据决策分析方法不需要对原始检测信号进行气体特征的提取,借助于卷积和全连接层作用将特征提取、特征处理与模式识别整个过程高度集成。（5）同解决问题（ii）和（iii）,提出一种气体信息的数据增强方法并结合MBKCA实现原始气体数据的有效决策。CNN由于参数量多的特点需要大量的样本对其进行训练,机器嗅觉系统的检测数据具有样本量少、形式单一的缺点。因此,提出一种基于样本加权的数据增强方法来扩增训练集进而充分地训练CNN。同时,为了增加卷积分支以实现多核特征提取,自适应卷积核大小可以有效提取气体数据的全局特征和局部特征,并引入注意力机制的计算过程,提出了一种MBKCA自适应调整卷积核实现通道注意力来加强CNN特征表达能力。基于本文提出的系列数据决策分析方法,极大程度减少在后端数据分析过程的人工干预,简化特征提取、特征处理和模式识别的决策过程,有效提升了分类精度和稳定性,为推动机器嗅觉系统的快速发展提供新的研究方法。