基于物联网的微型化学发光法氮氧化物气体传感器

技术领域

本申请涉及智能检测领域，且更为具体地，涉及一种基于物联网的微型化学发光法氮氧化物气体传感器。

背景技术

氮氧化物（NOx）是一类重要的大气污染物，对环境和人类健康造成严重影响。因此，开发高精度、高灵敏度的氮氧化物气体传感器对于监测和控制大气污染具有重要意义。

传统的氮氧化物气体传感器通常较大且复杂，需要使用大量的光学设备、试剂和电子元件，这使得传感器的体积庞大，不便于集成和应用于小型化系统。而微型化学发光法氮氧化物气体传感器则采用微型化设计，结合了微流控技术和微电子加工工艺，使传感器具有小尺寸、低功耗和快速响应的特点。

在微型化学发光法氮氧化物气体传感器中，氮氧化物气体与特定试剂（如臭氧、二氧化硫等）在传感器内部发生化学反应，产生的激发态分子经过退激发过程后发出可见光的化学发光信号。然后，传感器接收到的光信号经过光电探测器转换为微弱的电信号。由于信号弱，容易受到环境干扰和电子噪声的影响，这会导致信号质量下降和测量精度降低。为了增强信号强度，通常需要对接收到的电信号进行放大处理。然而，放大过程中不仅会放大有用信号，也会放大噪声信号，这样会使得噪声成为整个系统中的主要限制因素，进一步影响测量的准确性，使得氮氧化物气体传感器难以获得准确的测量结果。

因此，期望一种优化的基于物联网的微型化学发光法氮氧化物气体传感器。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于物联网的微型化学发光法氮氧化物气体传感器，其通过光电探测器将传感器测得的光信号转换为电信号后，对电信号进行放大处理，并在后端引入信号处理和分析算法来实现对放大后电信号的波形分析，以此来捕捉到放大后电信号中有关于氮氧化物气体的波形特征信息，从而降低噪声对于微弱的电信号的影响，增强传感器的抗干扰能力，实现对氮氧化物气体浓度的高精度、高灵敏度测量。

根据本申请的一个方面，提供了一种基于物联网的微型化学发光法氮氧化物气体传感器，其包括：

数据信号采集模块，用于获取由光学检测系统采集的电信号；

信号放大模块，用于对所述电信号进行放大处理以得到放大后电信号；

电信号波形特征提取模块，用于对所述放大后电信号进行波形特征提取以得到电信号波形特征；

氮氧化物气体浓度检测模块，用于基于所述电信号波形特征，确定氮氧化物气体的浓度值。

与现有技术相比，本申请提供的一种基于物联网的微型化学发光法氮氧化物气体传感器，其通过光电探测器将传感器测得的光信号转换为电信号后，对电信号进行放大处理，并在后端引入信号处理和分析算法来实现对放大后电信号的波形分析，以此来捕捉到放大后电信号中有关于氮氧化物气体的波形特征信息，从而降低噪声对于微弱的电信号的影响，增强传感器的抗干扰能力，实现对氮氧化物气体浓度的高精度、高灵敏度测量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器的框图；

图2为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器的系统架构图；

图3为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器的训练阶段的流程图；

图4为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器中电信号波形特征提取模块的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

传统的氮氧化物气体传感器通常较大且复杂，需要使用大量的光学设备、试剂和电子元件，这使得传感器的体积庞大，不便于集成和应用于小型化系统。而微型化学发光法氮氧化物气体传感器则采用微型化设计，结合了微流控技术和微电子加工工艺，使传感器具有小尺寸、低功耗和快速响应的特点。在微型化学发光法氮氧化物气体传感器中，氮氧化物气体与特定试剂（如臭氧、二氧化硫等）在传感器内部发生化学反应，产生的激发态分子经过退激发过程后发出可见光的化学发光信号。然后，传感器接收到的光信号经过光电探测器转换为微弱的电信号。由于信号弱，容易受到环境干扰和电子噪声的影响，这会导致信号质量下降和测量精度降低。为了增强信号强度，通常需要对接收到的电信号进行放大处理。然而，放大过程中不仅会放大有用信号，也会放大噪声信号，这样会使得噪声成为整个系统中的主要限制因素，进一步影响测量的准确性，使得氮氧化物气体传感器难以获得准确的测量结果。因此，期望一种优化的基于物联网的微型化学发光法氮氧化物气体传感器。

在本申请的技术方案中，提出了一种基于物联网的微型化学发光法氮氧化物气体传感器。图1为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器的框图。图2为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器的系统架构图。如图1和图2所示，根据本申请的实施例的基于物联网的微型化学发光法氮氧化物气体传感器300，包括：数据信号采集模块310，用于获取由光学检测系统采集的电信号；信号放大模块320，用于对所述电信号进行放大处理以得到放大后电信号；电信号波形特征提取模块330，用于对所述放大后电信号进行波形特征提取以得到电信号波形特征；氮氧化物气体浓度检测模块340，用于基于所述电信号波形特征，确定氮氧化物气体的浓度值。

特别地，所述数据信号采集模块310，用于获取由光学检测系统采集的电信号。值得一提的是，光学检测系统是一种利用光学原理和技术进行检测和测量的系统。它使用光学传感器、光源、光学元件和图像处理等组件，通过对光的特性进行分析和处理，实现对被检测物体的特征、形状、位置、尺寸、颜色等参数的测量和判断。

相应的，在一种可能的实现方式中，可通过以下步骤获取由光学检测系统采集的电信号，例如：光学传感器通常是由光敏元件构成，例如光电二极管（Photodiode）或光电转换器（Phototransistor）。当光线照射到光敏元件上时，它会产生电流或电压信号；由于光敏元件产生的电信号较弱，通常需要经过放大器进行信号放大，以增加信号的幅度和可靠性；在某些情况下，光敏元件可能会受到噪声或干扰的影响，因此需要对信号进行滤波处理。滤波器可以去除不需要的频率成分，以提高信号的质量和稳定性；根据具体的应用需求，可能需要对信号进行进一步的调理，例如增益调节、偏置校准、线性化等；将模拟信号转换为数字信号，通常使用模数转换器（ADC）进行采样和量化。这将光学检测系统采集到的连续信号转换为离散的数字信号，以便进行后续的数字信号处理和分析；通过图像处理算法、信号处理算法或其他特定的分析算法，对数字信号进行处理和分析。这可以包括提取特征、测量参数、进行图像重建、进行模式识别等。

特别地，所述信号放大模块320，用于对所述电信号进行放大处理以得到放大后电信号。应可以理解，光学检测系统产生的电信号通常较弱，放大处理可以增加信号的幅度，使其更容易被检测和分析。放大后的信号可以提高系统的灵敏度和可靠性。此外，在信号传输和处理过程中，可能会引入各种噪声或干扰。放大处理可以将信号的幅度放大到噪声水平以上，从而提高信噪比。这有助于减小噪声对信号的影响，提高系统的测量精度和准确性。

相应的，在一种可能的实现方式中，可通过以下步骤对所述电信号进行放大处理以得到放大后电信号，例如：根据信号的特性和需求，选择适当的放大器。放大器可以是模拟放大器或数字放大器，具体选择取决于信号的类型和处理要求；将采集到的电信号通过电缆或连接器连接到放大器的输入端；根据信号的幅度范围和需要，设置放大器的增益。增益决定了信号在放大器中被放大的倍数；打开放大器电源，使其开始工作。放大器将采集到的电信号进行放大处理，增加信号的幅度；将放大后的信号通过电缆或连接器连接到后续的处理设备或系统。

特别地，所述电信号波形特征提取模块330，用于对所述放大后电信号进行波形特征提取以得到电信号波形特征。特别地，在本申请的一个具体示例中，如图4所示，所述电信号波形特征提取模块330，包括：波形浅层特征提取单元331，用于通过基于第一深度神经网络模型的波形浅层特征提取器对所述放大后电信号进行浅层特征提取以得到电信号波形浅层特征图；波形深层特征提取单元332，用于通过基于第二深度神经网络模型的波形深层特征提取器对所述电信号波形浅层特征图进行深层特征提取以得到电信号波形深层特征图；联合语义传播单元333，用于使用联合语义传播模块来融合所述电信号波形深层特征图和所述电信号波形浅层特征图以得到融合语义电信号波形浅层特征图；感受野扩增单元334，用于对所述融合语义电信号波形浅层特征图进行感受野扩增以得到全局语义电信号波形特征图作为所述电信号波形特征。

具体地，所述波形浅层特征提取单元331，用于通过基于第一深度神经网络模型的波形浅层特征提取器对所述放大后电信号进行浅层特征提取以得到电信号波形浅层特征图。考虑到在对于所述放大后电信号进行特征分析以抑制噪声和无关信息的表达过程中，需要更加关注于电信号的浅层语义特征信息，以此来增强电信号的有用成分，提高信号与噪声的信噪比。因此，在本申请的技术方案中，进一步将所述放大后电信号通过基于第一卷积神经网络模型的波形浅层特征提取器中进行特征挖掘，以提取出所述放大后电信号的浅层语义特征信息，从而得到电信号波形浅层特征图。特别地，所述波形浅层特征提取器可以自动学习所述放大后电信号中的相关浅层语义特征，这使得系统能够适应不同类型的信号和变化的环境条件，提高了传感器的适应性和泛化能力。具体地，使用所述基于第一卷积神经网络模型的波形浅层特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第一卷积神经网络模型的波形浅层特征提取器的最后一层的输出为所述电信号波形浅层特征图，所述基于第一卷积神经网络模型的波形浅层特征提取器的第一层的输入为所述放大后电信号。

值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构数据的任务，如图像和视频。CNN的核心思想是通过卷积层、池化层和全连接层来学习和提取输入数据的特征。以下是CNN的主要组成部分：卷积层：卷积层是CNN的核心组件之一。它使用一组可学习的滤波器（也称为卷积核）对输入数据进行卷积操作。卷积操作通过滑动滤波器在输入数据上进行局部特征提取，从而捕捉到输入数据的空间结构信息。每个滤波器会产生一个对应的特征图，多个滤波器可以提取多个不同的特征；池化层：池化层用于减小特征图的空间尺寸，并减少参数数量，从而降低计算量和内存需求。常用的池化操作包括最大池化和平均池化，它们分别提取特征图中局部区域的最大值或平均值作为池化结果；全连接层：全连接层将池化层输出的特征图展平为一维向量，并与权重连接形成全连接结构。全连接层的作用是将提取到的特征进行分类或回归等任务；激活函数：在CNN的各个层之间，通常会插入激活函数，如ReLU，用于引入非线性变换，增加网络的表达能力。CNN通过多层的卷积、池化和全连接层的堆叠，逐渐学习到输入数据的抽象特征表示。在训练过程中，CNN通过反向传播算法自动调整网络参数，以最小化预测输出与真实标签之间的差距。这使得CNN能够在图像分类、目标检测、图像生成等计算机视觉任务中取得出色的性能。

具体地，所述波形深层特征提取单元332，用于通过基于第二深度神经网络模型的波形深层特征提取器对所述电信号波形浅层特征图进行深层特征提取以得到电信号波形深层特征图。也就是，在本申请的技术方案中，为了进一步提取出有关于所述放大后电信号的更高级别的特征信息，以更全面、准确地描述信号的特性，在本申请的技术方案中，需要进一步将所述电信号波形浅层特征图通过基于第二卷积神经网络模型的波形深层特征提取器以得到电信号波形深层特征图。应可以理解，所述波形深层特征提取器能够学习和提取有关于电信号的更抽象、更高级别的特征，这些特征可能包括时序关系、频率模式、周期性变化等。通过捕捉这些高级特征，可以更好地描述信号的复杂性和动态变化。此外，所述波形深层特征提取器可以将不同层次的特征进行融合，从而综合考虑多个层次的信息，这有助于提高特征的表达能力和区分度，使得系统能够更好地区分不同的信号模式和噪声。具体地，使用所述基于第二深度神经网络模型的波形深层特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第二深度神经网络模型的波形深层特征提取器的最后一层的输出为所述电信号波形深层特征图，所述基于第二深度神经网络模型的波形深层特征提取器的第一层的输入为所述电信号波形浅层特征图。

具体地，所述联合语义传播单元333，用于使用联合语义传播模块来融合所述电信号波形深层特征图和所述电信号波形浅层特征图以得到融合语义电信号波形浅层特征图。也就是，使用联合语义传播模块来融合所述电信号波形深层特征图和所述电信号波形浅层特征图以得到融合语义电信号波形浅层特征图。特别地，这里，所述联合语义传播模块能够通过学习和传播所述电信号波形深层特征图中的语义信息，将其融合到所述电信号波形浅层特征图中，这样可以使得特征图中的每个位置都能够受益于其他位置的语义信息，提高特征的一致性和表达能力，从而使融合后的特征图具有更丰富的语义信息，以提高对所述放大后电信号的语义理解和特征表达能力，提高氮氧化物气体的浓度检测的精准度。

相应的，在一种可能的实现方式中，可通过以下步骤使用联合语义传播模块来融合所述电信号波形深层特征图和所述电信号波形浅层特征图以得到融合语义电信号波形浅层特征图，例如：首先，从电信号波形中提取深层特征图和浅层特征图。这可以通过使用卷积神经网络（CNN）等深度学习模型对电信号进行特征提取来实现。深层特征图通常包含更抽象和高级的特征表示，而浅层特征图则包含更底层和局部的特征表示；联合语义传播模块是用于融合深层特征图和浅层特征图的组件。它可以采用不同的形式，如注意力机制、特征融合操作等。该模块的目标是通过有效的信息传递和融合，将深层特征图和浅层特征图结合起来，以获取更丰富的语义信息；由于深层特征图和浅层特征图的空间尺寸可能不同，需要进行特征图对齐操作。这可以通过插值、裁剪或填充等方法来实现，以确保两个特征图具有相同的空间尺寸；将对齐后的深层特征图和浅层特征图输入到联合语义传播模块中，进行特征融合。具体的融合方式可以根据实际需求选择，如使用注意力机制将不同特征图的重要信息加权融合；经过特征融合后，得到融合的语义电信号波形浅层特征图。这个融合后的特征图将包含来自深层特征图和浅层特征图的丰富语义信息。

具体地，所述感受野扩增单元334，用于对所述融合语义电信号波形浅层特征图进行感受野扩增以得到全局语义电信号波形特征图作为所述电信号波形特征。考虑到由于卷积是典型的局部操作，其只能提取电信号波形图的局部特征，而无法关注全局，会影响检测精度。为了进一步扩大电信号的隐含特征表达的感受野，捕捉更广阔的上下文信息，以获取更全局、更具语义的特征表示，特别地，在本申请的一个具体示例中，进一步将所述融合语义电信号波形浅层特征图通过基于非局部神经网络模型的特征感受野扩增器以得到全局语义电信号波形特征图。特别地，这里，所述特征感受野扩增器能够捕捉更广泛的上下文信息，包括全局的语义关系和长距离的依赖关系，这有助于提高特征的语义表达能力，使得网络能够更好地理解电信号波形的整体结构和语义含义。并且，非局部操作可以捕捉远距离位置之间的关联关系，而不仅仅局限于局部邻域，这有助于处理信号中的长程依赖和全局一致性，提高特征的连贯性和稳定性。

值得注意的是，非局部神经网络（Non-Local Neural Network）是一种用于计算机视觉任务的深度学习模型，旨在捕捉图像或视频中的长距离依赖关系。与传统的卷积神经网络（CNN）相比，非局部神经网络引入了非局部操作，使得网络能够在全局范围内进行信息交互和建模。在传统的CNN中，卷积操作是局部的，每个卷积核只关注输入图像的一小部分区域。这种局部性质在许多任务中是有效的，但对于一些需要全局上下文信息的任务，如图像分割、目标跟踪和视频分析等，局部操作可能无法捕捉到长距离的依赖关系。非局部神经网络通过引入非局部操作来解决这个问题。非局部操作通过计算输入特征图中不同位置之间的相似度来建立全局上下文之间的联系。这种相似度可以通过计算特征之间的欧氏距离、余弦相似度等来衡量。然后，根据相似度权重对特征进行加权求和，以得到每个位置的非局部响应。这样，网络可以在全局范围内进行信息交互，从而捕捉到长距离的依赖关系。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述融合语义电信号波形浅层特征图进行感受野扩增以得到全局语义电信号波形特征图作为所述电信号波形特征，例如：首先需要确定感受野扩增的尺度，即希望在特征图中捕捉到的全局上下文范围。这个尺度可以根据任务的需求和数据的特点进行选择，例如可以选择较大的感受野来捕捉更广阔的上下文信息；感受野扩增模块是用于对特征图进行感受野扩增的组件。它可以采用不同的形式，如空洞卷积、金字塔池化等。这些方法可以通过调整卷积核的空洞率或池化操作的尺度来扩大感受野范围；将融合的语义电信号波形浅层特征图输入到感受野扩增模块中，进行感受野扩增操作。具体的操作方式取决于所选择的感受野扩增模块，例如使用空洞卷积时，可以通过调整卷积核的空洞率来改变感受野的范围；经过感受野扩增操作后，得到全局语义电信号波形特征图。这个特征图将包含更广阔的上下文信息，能够更好地捕捉到全局语义特征。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述放大后电信号进行波形特征提取以得到电信号波形特征，例如：根据需要提取的波形特征类型，选择适当的波形特征提取方法。常见的波形特征包括峰值、峰-to-峰值、均值、标准差、上升时间、下降时间、周期等；使用采样设备或数据采集卡，对放大后的电信号进行采样。采样频率应根据信号的最高频率成分进行选择，以确保采样到足够的细节和准确性；将采样到的模拟信号转换为数字信号。这可以通过模数转换器（ADC）完成，将模拟信号转换为数字表示形式；利用所选的波形特征提取方法，对数字化的信号进行计算，以得到所需的波形特征。例如，可以计算信号的峰值、平均值、标准差等；根据波形特征的计算结果，进行数据分析和进一步的应用。根据具体需求，可以进行信号分类、故障检测、模式识别等。

特别地，所述氮氧化物气体浓度检测模块340，用于基于所述电信号波形特征，确定氮氧化物气体的浓度值。特别地，在申请的一个具体示例中，将所述全局语义电信号波形特征图通过解码器以得到解码值，所述解码值用于表示氮氧化物气体的浓度值。也就是，利用所述放大后电信号的全局深浅融合语义特征信息来进行解码回归，从而对于氮氧化物气体的浓度值进行检测，通过这样的方式，能够降低噪声对于微弱的电信号的影响，增强传感器的抗干扰能力。具体地，使用所述解码器以如下公式将所述全局语义电信号波形特征图进行解码回归以获得用于表示氮氧化物气体的浓度值的解码值；其中，所述公式为：

值得注意的是，解码回归是一种机器学习或深度学习中的任务，旨在通过输入数据预测连续数值型的目标变量。在解码回归中，模型的训练目标是最小化预测值与真实值之间的差异，通常使用损失函数来度量这种差异。常见的损失函数包括均方误差、平均绝对误差=等，这些损失函数可以衡量预测值与真实值之间的距离或差异。解码回归任务的模型可以是各种各样的，包括线性回归、决策树回归、支持向量回归、神经网络等。深度学习模型在解码回归任务中表现出色，因为它们能够学习到更复杂的特征表示，并且可以通过深层的神经网络进行端到端的训练。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述电信号波形特征，确定氮氧化物气体的浓度值，例如：收集与氮氧化物气体浓度相关的电信号波形特征数据；对采集到的数据进行预处理，以确保数据的质量和一致性。这可能包括去除噪声、处理缺失值、数据归一化等操作，以准备数据用于后续的建模和预测；从电信号波形特征数据中提取与氮氧化物气体浓度相关的特征。这可以通过各种特征提取技术实现，例如时域特征提取、频域特征提取、小波变换等。目标是提取能够捕捉氮氧化物浓度信息的有效特征；使用提取的特征作为输入，氮氧化物气体浓度作为目标变量，建立回归模型。可以选择不同的回归算法，如线性回归、支持向量回归、决策树回归、神经网络等。模型的选择应基于数据的特点和任务的需求；使用已标记的数据集对回归模型进行训练，并使用评估指标（如均方误差、平均绝对误差等）评估模型的性能。如果模型的性能不满足要求，可以进行调参或尝试其他模型；对新的电信号波形特征数据应用训练好的回归模型，预测氮氧化物气体的浓度值。模型将根据输入的电信号波形特征生成相应的浓度预测结果。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于第一卷积神经网络模型的波形浅层特征提取器、所述基于第二卷积神经网络模型的波形深层特征提取器、所述联合语义传播模块、所述基于非局部神经网络模型的特征感受野扩增器和所述解码器进行训练。也就是说，根据本申请的基于物联网的微型化学发光法氮氧化物气体传感器300，还包括训练阶段400，用于对所述基于第一卷积神经网络模型的波形浅层特征提取器、所述基于第二卷积神经网络模型的波形深层特征提取器、所述联合语义传播模块、所述基于非局部神经网络模型的特征感受野扩增器和所述解码器进行训练。

图3为根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器的训练阶段的流程图。如图3所示，根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器300，包括：训练阶段400，包括：训练数据采集单元410，用于获取训练数据，所述训练数据包括由所述光学检测系统采集的训练电信号，以及，所述氮氧化物气体的浓度值的真实值；训练信号放大单元420，用于对所述训练电信号进行放大处理以得到训练放大后电信号；训练波形浅层特征提取单元430，用于将所述训练放大后电信号通过所述基于第一卷积神经网络模型的波形浅层特征提取器以得到训练电信号波形浅层特征图；训练波形深层特征提取单元440，用于将所述训练电信号波形浅层特征图通过所述基于第二卷积神经网络模型的波形深层特征提取器以得到训练电信号波形深层特征图；训练深浅语义特征融合单元450，用于使用所述联合语义传播模块来融合所述训练电信号波形深层特征图和所述训练电信号波形浅层特征图以得到训练融合语义电信号波形浅层特征图；训练感受野扩增单元460，用于将所述训练融合语义电信号波形浅层特征图通过所述基于非局部神经网络模型的特征感受野扩增器以得到训练全局语义电信号波形特征图；特征激活单元470，用于对所述训练全局语义电信号波形特征图展开后得到的全局语义电信号波形特征向量进行特征秩表达的语义信息均一化激活以得到激活后训练全局语义电信号波形特征图；解码损失单元480，用于将所述激活后训练全局语义电信号波形特征图通过所述解码器以得到解码损失函数值；模型训练单元490，用于基于所述解码损失函数值并通过梯度下降的反向传播来对所述基于第一卷积神经网络模型的波形浅层特征提取器、所述基于第二卷积神经网络模型的波形深层特征提取器、所述联合语义传播模块、所述基于非局部神经网络模型的特征感受野扩增器和所述解码器进行训练。

特别地，在本申请的技术方案中，使用联合语义传播模块来融合所述电信号波形深层特征图和所述电信号波形浅层特征图得到所述融合语义电信号波形浅层特征图时，是基于所述电信号波形深层特征图的深层图像语义特征全局表示来对所述电信号波形浅层特征图所表达的浅层图像语义特征以特征矩阵的图像语义特征表示为单位进行加权，并且，将所述融合语义电信号波形浅层特征图通过基于非局部神经网络模型的特征感受野扩增器时，也是对特征矩阵的图像语义特征表示进行全局图像语义特征提取，这样，所述全局语义电信号波形特征图通过解码器进行解码回归时，也是基于所述全局语义电信号波形特征图的各个特征矩阵来进行尺度启发式的回归概率映射，但是考虑到各个特征矩阵均具有的浅层-深层和局部-全局的混合图像语义特征分布表示，这会导致所述解码器的训练效率降低。基于此，本申请的申请人在将所述全局语义电信号波形特征图通过解码器进行解码时，对所述全局语义电信号波形特征图展开后得到的全局语义电信号波形特征向量进行特征秩表达的语义信息均一化激活，具体表示为：

如上所述，根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器300可以实现在各种无线终端中，例如具有基于物联网的微型化学发光法氮氧化物气体检测算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于物联网的微型化学发光法氮氧化物气体传感器300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于物联网的微型化学发光法氮氧化物气体传感器300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于物联网的微型化学发光法氮氧化物气体传感器300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于物联网的微型化学发光法氮氧化物气体传感器300与该无线终端也可以是分立的设备，并且该基于物联网的微型化学发光法氮氧化物气体传感器300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。