基于深度卷积网络和时间序列分解技术估算混合气体中大气污染物的浓度

《Analytical Methods》：Estimating concentrations of atmospheric pollutants in mixed gases based on deep convolutional network with time series decomposition

气体混合检测中，基于CNN的时序分解模型与自动化采集系统协同实现污染物浓度估计与类型识别，实验验证了传感器阵列对降低测量不确定性的有效性。

　　

随着气体检测应用的不断增加，单一气体的检测已无法满足大多数场景的需求。因此，分析气体混合物——无论是为了识别其中的气体成分类型还是估算其浓度——已成为重要的研究焦点。本文重点研究了四种主要的大气污染物：CO、NO?、SO?和HCHO，以及它们的气体混合物。首先，我们开发了一种自动化的气体混合物生成系统，该系统能够根据预设的比例生成各种气体混合物，从而实现无人值守的数据采集，为研究混合气体中的气体检测提供了基础数据集。为了估算混合气体的浓度并识别其组成成分，我们提出了一种基于卷积神经网络（CNN）的深度学习模型，并采用了时间序列的高低频分解方法。原始信号被分解为粗略成分和详细成分，这些成分分别用于估算气体浓度的均值和偏差，同时完成气体类型的识别。鉴于多组传感器的使用可以降低测量不确定性，我们还探讨了使用传感器阵列来分析气体混合物的可行性。对比实验表明，我们提出的方法在估算精度方面取得了非常满意的结果。