贾颖淼，李紫蕊，范书瑞，张 艳

(河北工业大学电子信息工程学院，天津 300401)

动态气体的分析在检测气体泄漏源[1]，环境监测[2-3]，估计气源距离[4]等方面有巨大应用。在复杂的动态环境中，传感器的响应曲线受周围环境的温度，湿度以及空气的方向和速度的影响[5-6]，导致气体羽流发生复杂的不规则变化，另外，当存在不同种类的气体时，复杂环境也会导致多种气体的不均匀分布。

为了对室外复杂环境中的气体进行准确识别，深度学习被应用到气体识别领域中。Mishra等人[7]利用最简单的四神经元人工神经网络对进行了归一化差分处理(NDSRT)的传感器数据进行分类，把原始传感器响应转换成为具有浓度不变性的虚拟多传感器使用，所有的测试样本在变换后都得到了准确分类。张天君等人[8]使用LSTM基于煤矿实际生产时检测的时间序列预测瓦斯浓度，可以较好的预测出瓦斯浓度，预测误差在0.000 5~0.040 0之间，在拐点处的预测误差也保持在0.014以下。之后，他又提出了基于RNN的多参数融合预测模型对瓦斯浓度进行预测[9]，对瓦斯浓度时间序列的预测精度较高，可作为矿井瓦斯浓度预测的参考模型。胡志伟等人[2]利用K-最近邻算法(KNN)与深度卷积神经网络相结合，实现了空气质量的短期预测。但是模型较为复杂，数据处理繁琐。但以上算法均在PC端实现，具有训练的模型大，参数多；训练缓慢；功耗大和成本高等问题，如何在终端设备上运转深度学习相关算法，实现模型的轻量化人工智能的设计，是我们还面临的一项挑战。……