改进的深度残差网络的混合气体定量分析方法
信息技术与网络安全
詹灿坚，何家峰，骆德汉
(广东工业大学 信息工程学院，广东 广州510000)
摘要： 为了有效监测室内有害气体，提出了一种改进的深度残差网络的室内有害气体定量分析方法。该方法使用残差网络来提高深度学习方法学习干扰信号特征的能力，并提高混合气体定量分析的准确性以及模型的鲁棒性。将软阈值化用作非线性层，并将其嵌入到深度神经网络中，以消除非必要的噪声特征。该方法结合了深度学习与传统信号处理降噪算法的优点，通过使用具有不同干扰水平的甲醛气体样本集进行了验证，实验结果表明该模型在有干扰的场景下仍具有较高的准确率。
中图分类号： TP212.9
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.03.008
引用格式： 詹灿坚，何家峰，骆德汉. 改进的深度残差网络的混合气体定量分析方法[J].信息技术与网络安全，2021，40(3)：43-47.
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.03.008
引用格式： 詹灿坚，何家峰，骆德汉. 改进的深度残差网络的混合气体定量分析方法[J].信息技术与网络安全，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
随着国民经济的快速发展、人民物质生活水平的不断提高，人们对室内居住环境的舒适化、高档化和智能化提出了更高的要求，由此直接带动了装修装饰热和室内设施现代化的热潮兴起。但是由于质量参差不齐的住宅建筑材料、装饰家具材料所释放的甲醛、甲苯、氨气等有害化学气体，使得室内空气质量不断恶化，严重者会对居住者的健康带来一定程度的损害；空调设备的广泛使用，使得室内通风率明显降低，导致住宅内空气污染程度不断累积[1]。
本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003422
作者信息:
詹灿坚，何家峰，骆德汉
(广东工业大学 信息工程学院，广东 广州510000)
此内容为AET网站原创，未经授权禁止转载。