一种智能传感器的连续采集和数据模型构建系统及方法

本发明涉及传感器，尤其涉及一种智能传感器的连续采集和数据模型构建系统及方法。

背景技术：

1、传感器是现代信息技术的三大支柱之一，也是智能系统的基础，发展新型智能传感技术成为一种迫切需求。化学传感器是对各种化学物质敏感并将其浓度转换为电信号进行检测的仪器，如气体传感器、离子传感器和生物传感器等。随着物联网等技术的蓬勃发展，化学传感器和移动终端结合，在安全警报、健康分析、医疗诊断、食品质量检测、环境监测和智能包装等大量领域有着比以往更为广泛和深入的需求。

2、常用的化学传感器大都需要依赖敏感材料与待检测化学物质之间的进行接触或反应，从而受到明显的动力学影响，如气体在敏感材料上的吸脱附反应过程长且高度非线性。这就造成了化学传感器对待测化学物质的响应不仅和其浓度相关，且和其动态变化特性相关，比如其处于浓度上升阶段还是下降阶段。对于可逆性能不佳的化学传感器，如在工业领域大量应用的、成本低廉且制造简单的半导体型传感器，这使得其在实时监测等任务的表现较差。对于复杂离子传感器和大分子生物传感器等，同样导致其准确度下降或者需要更多的时间恢复到平衡态。

3、传统的传感算法通常假定传感器工作在平衡状态，且其平衡状态与之前状态无关。而传感器的实际应用中样品组分的浓度和其它环境参数会不断变化，往往处于不同动态阶段。由于多数化学传感器的非线性响应和恢复特性，当其动态阶段不同，即使达到同一状态，传感器的响应信号仍然会有一定区别。目前对于这些可逆性能不佳的化学传感器，为了保证其测量可复现、易训练，通常采用离散化的数据采集模式，即对于一个浓度区间的每个样本浓度，在达到该样本浓度后都需要经过相对较长的恢复时间恢复到背景浓度。但这样的数据采集方法使得训练数据和实际应用场景不匹配，造成预测准确度不高。与此同时，采集过程变得冗长低效，不仅传感器恢复时间长，并且由于每次响应信号都是从背景浓度上升到待测浓度，响应过程也较长，尤其在高浓度下影响较大。基于这种数据采集方法，难以获得足够数据以训练如深度神经网络这样较复杂模型，不利用规模化应用。

4、目前开发的化学传感器通常只能测量单一目标，而实际被测样品组分常常复杂而未知，使得单一传感器无法准确的识别和检测。

技术实现思路

1、本发明主要解决现有技术进行化学传感器的训练数据采集存在和实际应用不符，数据采集效率低，有效数据不足的问题；提供一种智能传感器的连续采集和数据模型构建系统及方法，改善现有方法在训练和预测过程中只考虑状态信息，而没有考虑样品组成动态变化的弊端，在训练过程对不同动态阶段同时建模，并在预测过程中依据传感器信号动态调用合适模型。

2、本发明的上述技术问题主要是通过下述技术方案得以解决的：

3、一种智能传感器的连续采集和数据模型构建系统，包括：

4、采集输入模块，在训练阶段给传感器单元提供浓度连续变化的样品，连续采集响应信号数据；在预测阶段给传感器单元提供实时环境中的样品浓度，实时采集响应信号数据；

5、状态标定单元，整理采集的响应信号数据后输入预测模型进行训练或预测浓度；

6、补偿单元，获得温湿度单元给出的温湿度信息和状态标定单元给出的漂移信号后分别对温湿度和仪器漂移进行校正后将校正后数据传入状态标定单元重新整理；

7、预测模型，对状态标定单元整理后的数据进行模型训练或浓度预测。

8、使用连续数据采样方法，不进行恢复过程，并以较短的时间达到平衡状态，大大减少训练时间；连续采集响应和恢复阶段数据，使训练数据符合实际应用中信号和浓度变化过程；在预测过程中动态检测传感器所处状态并调用不同模型，提高模型准确度。

9、作为优选，在训练阶段，所述的采集输入模块包括：

10、浓度控制单元，调节不同样品的浓度；

11、样本测试单元，给传感器单元提供调节控制下的样品浓度环境；

12、在预测阶段，所述的采集输入模块包括：

13、样品输入单元，给传感器单元提供实时的样品浓度环境。

14、作为优选，对于多组分样品的训练过程中，将各个组分从小到大标号；

15、初始时，所有组分浓度均处于对应设定范围内最低值或为零；

16、在混合样的传感过程中，依次固定其他样品组分浓度而将某一样品组分浓度从低浓度梯度到高浓度梯度，再从高浓度梯度到低浓度梯度连续变化。

17、使得模型覆盖实际浓度变化过程，并在较短的时间达到平衡状态。

18、作为优选，所述的状态标定单元包括：

19、信号输入单元，接收传感器单元发送的响应数据、训练阶段的浓度数据以及补偿单元发送的根据历史数据计算得到的校正信号；

20、状态识别单元，根据信号输入单元收到的响应数据和校正信号得到校正后数据，将当前时刻的响应数据和训练阶段的浓度数据发送到补偿单元；

21、数据输出单元，将校正后的数据和训练阶段的浓度数据整合后发送到预测模型中。

22、作为优选，所述的预测模型包括输入层、隐藏层和输出层，其中输入层接收传感器响应信号和环境状态数据，输出层输出样品浓度预测结果，隐藏层包含模型参数；

23、所述的预测模型基于多层感知机、支持向量机、决策树、随机森林、卷积神经网络、隐马尔科夫模型、循环神经网络、lstm、transformer模型的一种或多种进行模型训练和预测。

24、一种智能传感器的连续采集和数据模型构建方法，数据模型构建包括训练阶段和预测阶段；

25、训练阶段包括：

26、a1：将传感器单元置于样品测试单元，并通过浓度控制单元调节不同样品组分的浓度，进行连续数据采集；其中浓度的变化速率和幅度满足一定的规定范围，以保证传感器处于正常工作区间。

27、a2：将传感器单元的响应数据和浓度控制单元处的样品浓度数据传递给状态标定单元，对采集的数据进行整理。

28、a3：补偿单元接受温湿度单元给出的温湿度信息和状态标定单元的漂移信号后，分别对温度和漂移进行校正后将校正后数据传递回状态标定单元；

29、a4：状态标定单元将该时刻数据重新整理后输入训练模型以修改模型参数；

30、预测阶段包括：

31、b1：将传感器单元置于样品输入单元；

32、b2：传感器单元采集到实时响应信号后传输至状态标定单元；

33、b3：补偿单元接受温湿度单元给出的温湿度信息和状态标定单元的漂移信号后，分别对温度和漂移进行校正后将校正后数据传递回状态标定单元；

34、b4：校正后的数据输入浓度预测模型，浓度预测模型动态检测传感器所处状态，并输出预测样品浓度。

35、使用连续数据采样方法，不进行恢复过程，并以较短的时间达到平衡状态，大大减少训练时间；连续采集响应和恢复阶段数据，使训练数据符合实际应用中信号和浓度变化过程。

36、作为优选，通过连续数据采集得到训练数据后，采用下述三种模型训练方法之一进行处理：

37、方法一：将样品各组分浓度从低浓度梯度到高浓度梯度变化的数据和样品浓度从高浓度到低浓度梯度变化的数据分别构建基于多层感知机、支持向量机、决策树、随机森林、卷积神经网络、隐马尔科夫模型、循环神经网络、lstm、transformer模型中的一种或多种任意模型；这些模型之间可以共享隐藏层参数，也可以不共享隐藏层参数；可以使用同一种模型，也可以分别使用不同模型。

38、方法二：将样品浓度从低浓度梯度到高浓度梯度变化的数据和样品浓度从高浓度到低浓度梯度变化的数据分别加上状态特征后输入基于多层感知机、支持向量机、决策树、随机森林、卷积神经网络、隐马尔科夫模型、循环神经网络、lstm、transformer模型中的一种或多种任意模型；

39、方法三：将样品数据直接输入隐马尔可夫模型、循环神经网络、lstm、transformer模型中的一种，上述模型为具有处理时序数据能力的模型。该方法要求在每个时间步，所述模型至少处理当前时间步和上一时间步的传感器响应和浓度数据。

40、作为优选，通过连续数据采集得到预测数据后，动态检测传感器所处状态并调用不同模型或利用模型不同模式或状态给出预测结果。

41、若训练数据采用如上述方法一和方法二处理，则所述动态检测过程依赖动态检测模型；所述动态检测模型采用逻辑回归、支持向量机、决策树和随机森林等分类模型之一；所述动态检测模型训练阶段中每个数据点的响应信号和上个数据点响应信号作差，得到响应变化后和状态特征一起输入分类模型；预测阶段，计算响应变化后输入该动态检测模型，得到状态特征；

42、若训练数据采用方法一处理，则根据状态特征，检索对应模型后，使用该模型进行预测；

43、若训练数据采用方法二处理，则将预测数据添加对应的状态特征后输入模型后进行预测；

44、若训练数据采用方法三处理，则预测时使用时间步应该和训练时相同。

45、作为优选，预测模型的优化方法包括以下方法的一种或两种；

46、方法一：利用模型超参数优化方法，包括遗传算法或深度q学习网络；

47、方法二：模型融合技术，将多个预测模型结果进行融合；融合后的结果o等于nc个子模型结果{oi，i∈{1，...，nc}}的线性组合或者专家模型输出结果。

48、作为优选，线性组合若包括权重wi，则权重取子模型训练损失值的倒数wi＝1/li；

49、

50、专家模型采用逻辑回归、支持向量机、决策树和随机森林等分类模型之一；

51、训练结束后，得到子模型oi在第j个训练样本{xj，yj}上的损失lij；

52、设置模型标签ml，其中mlj＝argminilij，从而得到训练数据对{xj，mlj}j；

53、将其输入专家模型中进行训练；

54、预测时，先利用专家模型选择进行预测的子模型，再由该子模型输出预测结果。

55、作为优选，所述遗传算法需执行以下步骤：

56、步骤一：将所有待优化超参数进行离散化编码，设超参数列表为{hp1，hp2，...，hpn}，其中每个超参数hpi∈{1，...，mi}，hpi的取值和该超参数的离散化后状态一一对应。

57、步骤二：初始化包含q个个体的种群p＝{c1，c2，...，cq}，所述个体ci维护一份随机初始化的离散编码超参数。

58、步骤三：对该种群个体以概率pmut抽取进行变异操作，对该种群每两个个体对以概率pcross抽取进行交叉操作。所述变异操作先随机生成一个变异位点，将该变异位点个体保存的超参数用该超参数范围内随机生成的值将其覆盖。所述交叉操作先随机生成交叉起始点和结束点，然后将两个个体从起始点到结束点的超参数进行交换。

59、步骤四：将得到的超参数输入模型，并进行训练，得到的损失函数取负值作为适应度。将种群所有个体按照适应度排序，选择e(e＜q)个个体进入下一种群，同时在剩下的个体中每次随机抽取两个，并将适应度较大的个体加入种群，直至种群个体数达到q。

60、步骤五：重复步骤三到步骤四一定次数后终止，返回种群中适应度最高个体维护的超参数列表并解码，即为优化后超参数。

61、作为优选，所述深度q学习网络需执行以下步骤：

62、步骤一：将所有待优化超参数进行离散化编码；

63、步骤二：随机初始化状态向量s0＝s，所述状态向量维护一份编码后超参数列表，即s＝{hp1，hp2，...，hpn}。对任意给定状态向量s，以某一概率给出某一动作的过程就是行为策略：π(a|s)＝p[at＝a|st＝s]。

64、步骤三：以概率∈随机给出动作空间a中的随机动作，以概率1-∈给出模型预测的当前状态下最优动作aopt＝argmaxa∈aq(s，a)，其中q(s，a)值是由深度q学习网络根据当前状态s对所有动作空间a中的动作计算得到的：q(s，a)＝es′[π[rt+1+γea′～π(·|s)[q(s′，a′]|st＝s，at＝a]]，其中rt为第t步后的回报，γ是折现系数。将得到的动作施加到状态向量s后得到新的状态向量s′，将其输入模型，并进行训练后，得到的模型损失函数取负值即可作为回报rt+1，并通过如下损失函数训练深度q学习网络：lt(θt)＝e[(rt+1+γmaxa′q(s′，a′)-q(s，a))2]，其中θt是第t步后深度q学习网络参数。

65、步骤四：重复步骤三直至一定次数或者损失函数l减小到指定值，返回此时的状态向量维护的超参数列表并解码，即为优化后超参数。

66、本发明的有益效果是：

67、1.使用连续数据采样方法，不进行恢复过程，并以较短的时间达到平衡状态，大大减少训练时间；

68、2.连续采集响应和恢复阶段数据，使训练数据符合实际应用中信号和浓度变化过程。

69、3.在预测过程中动态检测传感器所处状态并调用不同模型，提高模型准确度。