气体监测系统及其监测方法

技术领域

本发明涉及气体监测的领域，且更为具体地，涉及一种气体监测系统及其监测方法。

背景技术

封闭蛋鸡舍环境中存在多种有害气体，主要包括氨气、硫化氢、二氧化碳等。有害气体的存在会对蛋鸡的健康和生产性能产生不同程度的危害。有害气体中的硫化氢容易引起鸡的肺部水肿，氨气容易引起鸡眼结膜发炎，二氧化碳浓度过高容易引起鸡呼吸困难。

部分鸡舍安装有养殖环境监控设备，但往往将传感器测量的有害气体浓度数据直接用于系统调控，而并未对数据进行分析和处理。气体传感器存在的交叉敏感性问题往往导致测量结果误差较大。因此，为了对封闭蛋鸡舍环境中的气体浓度的浓度值进行准确地测量，期望一种气体监测系统。

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气体监测系统及其监测方法，其通过基于上下文的编码器模型对每个传感器在各个时间点的响应值进行高维关联特征提取，并采用卷积神经网络来对传感器的拓扑特征进行隐含特征提取，进一步将所述响应特征矩阵与所述拓扑特征矩阵一起输入图神经网络中以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，这样再基于传感器的温漂对所述响应拓扑特征向量进行修正，以保证解码回归的准确性。通过这样的方式，可以对封闭蛋鸡舍环境中三种气体浓度的浓度值进行准确地测量，进而确保蛋鸡的健康和生产性能。

根据本申请的一个方面，提供了一种气体监测系统，其包括：

传感器数据获取单元，用于获取阵列传感器中每个传感器在各个时间点的响应值；

响应值编码单元，用于将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量；

矩阵拼接单元，用于将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵；

拓扑数据单元，用于获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0；

拓扑编码单元，用于将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵；

融合单元，用于将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量；

温漂值获取单元，用于获取所述阵列传感器中每个传感器在各个时间点的温漂值；

温漂编码单元，用于将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量；

修正单元，用于基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中；

拼接单元，用于将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵；以及

解码单元，用于对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。

在上述气体监测系统中，所述响应值编码单元，进一步用于：将每个所述传感器在各个时间点的响应值通过所述编码器模型的嵌入层以将所述响应值转化为响应嵌入向量以获得响应嵌入向量的序列；将所述响应嵌入向量的序列输入所述编码器模型的转换器以获得所述多个特征向量；以及，所述多个特征向量进行级联以获得每个所述传感器的响应特征向量。

在上述气体监测系统中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵。

在上述气体监测系统中，所述修正单元，进一步用于：基于每个所述传感器的全局温漂特征向量并使用周期混沌映射以如下公式来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量；其中，所述公式为：

其中f

在上述气体监测系统中，所述解码单元，进一步用于：以如下公式对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值；其中，所述公式为：

在上述气体监测系统中，所述三种气体为氨气、硫化氢和二氧化碳。

根据本申请的另一方面，一种气体监测系统的监测方法，其包括：

获取阵列传感器中每个传感器在各个时间点的响应值；

将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量；

将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵；

获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0；

将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵；

将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量；

获取所述阵列传感器中每个传感器在各个时间点的温漂值；

将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量；

基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中；

将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵；以及

对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。

在上述气体监测系统的监测方法中，将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量，包括：将每个所述传感器在各个时间点的响应值通过所述编码器模型的嵌入层以将所述响应值转化为响应嵌入向量以获得响应嵌入向量的序列；将所述响应嵌入向量的序列输入所述编码器模型的转换器以获得所述多个特征向量；以及，所述多个特征向量进行级联以获得每个所述传感器的响应特征向量。

在上述气体监测系统的监测方法中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵。

在上述气体监测系统的监测方法中，基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，包括：基于每个所述传感器的全局温漂特征向量并使用周期混沌映射以如下公式来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量；其中，所述公式为：

其中f

在上述气体监测系统的监测方法中，对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值，包括：以如下公式对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值；其中，所述公式为：

在上述气体监测系统的监测方法中，所述三种气体为氨气、硫化氢和二氧化碳。

与现有技术相比，本申请提供的气体监测系统及其监测方法，其通过基于上下文的编码器模型对每个传感器在各个时间点的响应值进行高维关联特征提取，并采用卷积神经网络来对传感器的拓扑特征进行隐含特征提取，进一步将所述响应特征矩阵与所述拓扑特征矩阵一起输入图神经网络中以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，这样再基于传感器的温漂对所述响应拓扑特征向量进行修正，以保证解码回归的准确性。通过这样的方式，可以对封闭蛋鸡舍环境中三种气体浓度的浓度值进行准确地测量，进而确保蛋鸡的健康和生产性能。

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气体监测系统的应用场景图。

图2为根据本申请实施例的气体监测系统的框图。

图3为根据本申请实施例的气体监测系统的监测方法的流程图。

图4为根据本申请实施例的气体监测系统的监测方法的架构示意图。

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。

场景概述

如前所述，封闭蛋鸡舍环境中存在多种有害气体，主要包括氨气、硫化氢、二氧化碳等。有害气体的存在会对蛋鸡的健康和生产性能产生不同程度的危害。有害气体中的硫化氢容易引起鸡的肺部水肿，氨气容易引起鸡眼结膜发炎，二氧化碳浓度过高容易引起鸡呼吸困难。

部分鸡舍安装有养殖环境监控设备，但往往将传感器测量的有害气体浓度数据直接用于系统调控，而并未对数据进行分析和处理。气体传感器存在的交叉敏感性问题往往导致测量结果误差较大。因此，为了对封闭蛋鸡舍环境中的气体浓度的浓度值进行准确地测量，期望一种气体监测系统。

相应地，蛋鸡舍有害气体监测系统采用5种传感器构成的阵列对鸡舍中3种有害气体进行检测。在本申请的技术方案中的关键在于如何表征各个其他传感器之间的交叉敏感性。

具体地，在本申请的技术方案中，首先获取每个传感器在各个时间点的响应值，并通过包含嵌入层的基于上下文的编码器模型得到多个特征向量，再级联得到响应特征向量。并将5个传感器的响应特征向量进行二维拼接得到响应特征矩阵。

获得5个传感器的拓扑矩阵，再使用卷积神经网络对其进行处理，以生成拓扑特征矩阵，并与响应特征矩阵一起输入图神经网络得到响应拓扑特征矩阵，其中矩阵的每行为一个传感器的到响应拓扑特征向量。

基于该传感器的温漂对于响应拓扑特征向量进行修正，具体为，获得该传感器在各个时间点的温漂值，并通过包含嵌入层的基于上下文的编码器模型得到每个时间点的温漂特征向量，再级联得到全局温漂特征向量。由于温漂特征具有周期混沌性，使用周期混沌映射来改进响应拓扑特征的特征分布，从而增强特征值分布的多样性，改进后续解码时的全局优化能力：

其中f

然后，将5个传感器的修正后的响应拓扑特征向量二维拼接为回归矩阵，并通过解码器解码回归。

基于此，本申请提出了一种气体监测系统，其包括：传感器数据获取单元，用于获取阵列传感器中每个传感器在各个时间点的响应值；响应值编码单元，用于将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量；矩阵拼接单元，用于将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵；拓扑数据单元，用于获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0；拓扑编码单元，用于将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵；融合单元，用于将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量；温漂值获取单元，用于获取所述阵列传感器中每个传感器在各个时间点的温漂值；温漂编码单元，用于将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量；修正单元，用于基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中；拼接单元，用于将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵；以及，解码单元，用于对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。

图1图示了根据本申请实施例的气体监测系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署于蛋鸡舍(例如，如图1中所示意的E)中的阵列传感器(例如，如图1中所示意的R)获取每个传感器在各个时间点的响应值，并且基于每两个传感器之间的距离来获得所述阵列传感器的拓扑矩阵，以及通过温度传感器(例如，如图1中所示意的T)获取所述阵列传感器中每个传感器在各个时间点的温漂值。然后，将获得的所述每个传感器在各个时间点的响应值与温漂值以及所述阵列传感器的拓扑矩阵输入至部署有气体监测算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以气体监测算法对所述每个传感器在各个时间点的响应值与温漂值以及所述阵列传感器的拓扑矩阵进行处理，以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。进而，基于所述气体的浓度值对封闭蛋鸡舍的系统环境进行调控，以保证蛋鸡的健康和生产性能。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的气体监测系统的框图。如图2所示，根据本申请实施例的气体监测系统200，包括：传感器数据获取单元210，用于获取阵列传感器中每个传感器在各个时间点的响应值；响应值编码单元220，用于将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量；矩阵拼接单元230，用于将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵；拓扑数据单元240，用于获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0；拓扑编码单元250，用于将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵；融合单元260，用于将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量；温漂值获取单元270，用于获取所述阵列传感器中每个传感器在各个时间点的温漂值；温漂编码单元280，用于将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量；修正单元290，用于基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中；拼接单元300，用于将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵；以及，解码单元310，用于对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。

具体地，在本申请实施例中，所述传感器数据获取单元210和所述响应值编码单元220，用于获取阵列传感器中每个传感器在各个时间点的响应值，并将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量。如前所述，在本申请的技术方案中，期望采用5种传感器构成的阵列对鸡舍中3种有害气体进行检测，这里，所述三种气体为氨气、硫化氢和二氧化碳，并且考虑到其关键在于如何表征各个其他传感器之间的交叉敏感性。因此，在本申请的技术方案中，首先，通过部署于蛋鸡舍中的阵列传感器获取每个传感器在各个时间点的响应值。接着，再将获得的每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以提取出全局性的响应值关联信息，从而获得多个特征向量。然后，将所述多个特征向量进行级联，从而获得每个所述传感器的响应特征向量，以便于后续处理。

更具体地，在本申请实施例中，所述响应值编码单元，包括：首先，将每个所述传感器在各个时间点的响应值通过所述编码器模型的嵌入层以将所述响应值转化为响应嵌入向量以获得响应嵌入向量的序列。然后，将所述响应嵌入向量的序列输入所述编码器模型的转换器以获得所述多个特征向量。应可以理解，由于基于转换器的编码器模型能够基于上下文对所述响应嵌入向量进行编码处理，从而使得获得的多个特征向量具有全局性的响应值关联特征。最后，所述多个特征向量进行级联以获得每个所述传感器的响应特征向量。

具体地，在本申请实施例中，所述矩阵拼接单元230，用于将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵。也就是，在本申请的技术方案中，在得到每个所述传感器的响应特征向量后，将5个所述传感器的特征向量进行二维拼接，以整合5个所述传感器的特征信息，进而得到响应特征矩阵。

具体地，在本申请实施例中，所述拓扑数据单元240和所述拓扑编码单元250，用于获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0，并将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵。应可以理解，考虑到气体传感器之间存在交叉敏感性，而这种交叉敏感性信息与5个所述传感器之间的拓扑信息有关，也就是，如果所述两个传感器之间的距离相距较远，则所述交叉敏感度的程度较弱。因此，在本申请的技术方案中，还需要根据每两个所述传感器之间的距离来获取所述阵列传感器的拓扑矩阵。值得一提的是，这里，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0。然后，将所述拓扑矩阵通过卷积神经网络中进行处理，以提取出所述阵列传感器的高维拓扑特征，从而获得拓扑特征矩阵。相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵。

具体地，在本申请实施例中，所述融合单元260，用于将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量。也就是，在本申请的技术方案中，为了更有效地融合所述拓扑特征信息和所述响应特征信息，进一步将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵。这里，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵。应可以理解，所述图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而能够提取出数据样本由于响应特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的所述响应拓扑特征矩阵相比直接将拼接得到的特征矩阵能够提高解码回归的准确性。

具体地，在本申请实施例中，所述温漂值获取单元270和所述温漂编码单元280，用于获取所述阵列传感器中每个传感器在各个时间点的温漂值，并将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量。应可以理解，由于气体传感器之间存在交叉敏感性，并且所述交叉敏感性还与各个所述传感器自身的温度有关，即，温漂的影响。因此，在本申请的技术方案中，还需要基于所述传感器的温漂对于所述响应拓扑特征向量进行修正。也就是，具体地，在本申请的技术方案中，首先通过温度传感器获取所述阵列传感器中每个传感器在各个时间点的温漂值。接着，将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型中进行编码处理，以提取出全局性的温漂关联信息，从而获得每个时间点的温漂特征向量。然后，将得到的每个时间点的温漂特征向量进行级联，以整合所述温漂特征信息，从而获得每个所述传感器的全局温漂特征向量。

具体地，在本申请实施例中，所述修正单元290，用于基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中。应可以理解，由于温漂特征具有周期混沌性，使用所述周期混沌映射来改进所述响应拓扑特征的特征分布，从而增强特征值分布的多样性，改进后续解码时的全局优化能力。因此，在本申请的技术方案中，进一步基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正，以获得每个所述传感器的修正后响应拓扑特征向量。这里，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中。

更具体地，在本申请实施例中，所述修正单元，进一步用于：基于每个所述传感器的全局温漂特征向量并使用周期混沌映射以如下公式来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量；其中，所述公式为：

其中f

具体地，在本申请实施例中，所述拼接单元300和所述解码单元310，用于将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵，并对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。也就是，在本申请的技术方案中，在得到每个所述传感器的修正后响应拓扑特征向量后，将5个所述传感器的修正后的响应拓扑特征向量二维拼接为回归矩阵，以整合所有所述传感器的拓扑响应特征，以便于后续的解码回归。然后，再将所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。这里，所述三种气体为氨气、硫化氢和二氧化碳。

相应地，在一个具体示例中，所述解码单元，进一步用于：以如下公式对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值；其中，所述公式为：

综上，基于本申请实施例的所述气体监测系统200被阐明，其通过基于上下文的编码器模型对每个传感器在各个时间点的响应值进行高维关联特征提取，并采用卷积神经网络来对传感器的拓扑特征进行隐含特征提取，进一步将所述响应特征矩阵与所述拓扑特征矩阵一起输入图神经网络中以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，这样再基于传感器的温漂对所述响应拓扑特征向量进行修正，以保证解码回归的准确性。通过这样的方式，可以对封闭蛋鸡舍环境中三种气体浓度的浓度值进行准确地测量，进而确保蛋鸡的健康和生产性能。

如上所述，根据本申请实施例的气体监测系统200可以实现在各种终端设备中，例如气体监测算法的服务器等。在一个示例中，根据本申请实施例的气体监测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该气体监测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该气体监测系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该气体监测系统200与该终端设备也可以是分立的设备，并且该气体监测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图3图示了气体监测系统的监测方法的流程图。如图3所示，根据本申请实施例的气体监测系统的监测方法，包括步骤：S110，获取阵列传感器中每个传感器在各个时间点的响应值；S120，将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量；S130，将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵；S140，获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0；S150，将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵；S160，将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量；S170，获取所述阵列传感器中每个传感器在各个时间点的温漂值；S180，将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量；S190，基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中；S200，将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵；以及，S210，对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。

图4图示了根据本申请实施例的气体监测系统的监测方法的架构示意图。如图4所示，在所述气体监测系统的监测方法的网络架构中，首先，将获得的每个所述传感器在各个时间点的响应值(例如，如图4中所示意的P1)通过包含嵌入层的基于上下文的编码器模型(例如，如图4中所示意的E)以获得多个特征向量(例如，如图4中所示意的VF1)，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量(例如，如图4中所示意的VF2)；接着，将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵(例如，如图4中所示意的MF1)；然后，将获得的所述拓扑矩阵(例如，如图4中所示意的M)通过卷积神经网络(例如，如图4中所示意的CNN)以获得拓扑特征矩阵(例如，如图4中所示意的MF2)；接着，将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络(例如，如图4中所示意的GNN)以获得响应拓扑特征矩阵(例如，如图4中所示意的MF)；然后，将获得的每个所述传感器在各个时间点的温漂值(例如，如图4中所示意的P2)通过所述包含嵌入层的基于上下文的编码器模型(例如，如图4中所示意的E)以获得每个时间点的温漂特征向量(例如，如图4中所示意的VF3)，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量(例如，如图4中所示意的VF4)；接着，基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量(例如，如图4中所示意的VF)；然后，将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵(例如，如图4中所示意的MR)；以及，最后，对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。

更具体地，在步骤S110和S120中，获取阵列传感器中每个传感器在各个时间点的响应值，并将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量。应可以理解，在本申请的技术方案中，期望采用5种传感器构成的阵列对鸡舍中3种有害气体进行检测，这里，所述三种气体为氨气、硫化氢和二氧化碳，并且考虑到其关键在于如何表征各个其他传感器之间的交叉敏感性。因此，在本申请的技术方案中，首先，通过部署于蛋鸡舍中的阵列传感器获取每个传感器在各个时间点的响应值。接着，再将获得的每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型中进行编码处理，以提取出全局性的响应值关联信息，从而获得多个特征向量。然后，将所述多个特征向量进行级联，从而获得每个所述传感器的响应特征向量，以便于后续处理。

具体地，在本申请实施例中，将每个所述传感器在各个时间点的响应值通过包含嵌入层的基于上下文的编码器模型以获得多个特征向量，并将所述多个特征向量进行级联以获得每个所述传感器的响应特征向量的过程，包括：首先，将每个所述传感器在各个时间点的响应值通过所述编码器模型的嵌入层以将所述响应值转化为响应嵌入向量以获得响应嵌入向量的序列。然后，将所述响应嵌入向量的序列输入所述编码器模型的转换器以获得所述多个特征向量。应可以理解，由于基于转换器的编码器模型能够基于上下文对所述响应嵌入向量进行编码处理，从而使得获得的多个特征向量具有全局性的响应值关联特征。最后，所述多个特征向量进行级联以获得每个所述传感器的响应特征向量。

更具体地，在步骤S130中，将每个所述传感器的响应特征向量进行二维拼接以获得响应特征矩阵。也就是，在本申请的技术方案中，在得到每个所述传感器的响应特征向量后，将5个所述传感器的特征向量进行二维拼接，以整合5个所述传感器的特征信息，进而得到响应特征矩阵。

更具体地，在步骤S140和步骤S150中，获得所述阵列传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0，并将所述拓扑矩阵通过卷积神经网络以获得拓扑特征矩阵。应可以理解，考虑到气体传感器之间存在交叉敏感性，而这种交叉敏感性信息与5个所述传感器之间的拓扑信息有关，也就是，如果所述两个传感器之间的距离相距较远，则所述交叉敏感度的程度较弱。因此，在本申请的技术方案中，还需要根据每两个所述传感器之间的距离来获取所述阵列传感器的拓扑矩阵。值得一提的是，这里，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的特征值为0。然后，将所述拓扑矩阵通过卷积神经网络中进行处理，以提取出所述阵列传感器的高维拓扑特征，从而获得拓扑特征矩阵。相应地，在一个具体示例中，所述卷积神经网络的各层在层的正向传递过程中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述卷积神经网络的最后一层输出所述拓扑特征矩阵，其中，所述卷积神经网络的第一层的输入为所述拓扑矩阵。

更具体地，在步骤S160中，将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵，其中，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵，所述拓扑特征矩阵中每个行向量对应于一个传感器的响应拓扑特征向量。也就是，在本申请的技术方案中，为了更有效地融合所述拓扑特征信息和所述响应特征信息，进一步将所述拓扑特征矩阵和所述响应特征矩阵通过图神经网络以获得响应拓扑特征矩阵。这里，所述图神经网络通过可学习的神经网络参数来生成包含响应特征信息与不规则的拓扑结构信息的所述拓扑特征矩阵。应可以理解，所述图神经网络能够用于处理处于不规则的非欧几里得空间中的图数据，从而能够提取出数据样本由于响应特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的所述响应拓扑特征矩阵相比直接将拼接得到的特征矩阵能够提高解码回归的准确性。

更具体地，在步骤S170和步骤S180中，获取所述阵列传感器中每个传感器在各个时间点的温漂值，并将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型以获得每个时间点的温漂特征向量，并将每个时间点的温漂特征向量进行级联以获得每个所述传感器的全局温漂特征向量。应可以理解，由于气体传感器之间存在交叉敏感性，并且所述交叉敏感性还与各个所述传感器自身的温度有关，即，温漂的影响。因此，在本申请的技术方案中，还需要基于所述传感器的温漂对于所述响应拓扑特征向量进行修正。也就是，具体地，在本申请的技术方案中，首先通过温度传感器获取所述阵列传感器中每个传感器在各个时间点的温漂值。接着，将每个所述传感器在各个时间点的温漂值通过所述包含嵌入层的基于上下文的编码器模型中进行编码处理，以提取出全局性的温漂关联信息，从而获得每个时间点的温漂特征向量。然后，将得到的每个时间点的温漂特征向量进行级联，以整合所述温漂特征信息，从而获得每个所述传感器的全局温漂特征向量。

更具体地，在步骤S190中，基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量，其中，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中。应可以理解，由于温漂特征具有周期混沌性，使用所述周期混沌映射来改进所述响应拓扑特征的特征分布，从而增强特征值分布的多样性，改进后续解码时的全局优化能力。因此，在本申请的技术方案中，进一步基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正，以获得每个所述传感器的修正后响应拓扑特征向量。这里，所述周期混沌映射表示将全局温漂特征向量结合到周期函数中。

具体地，在本申请实施例中，基于每个所述传感器的全局温漂特征向量并使用周期混沌映射来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量的过程，包括：基于每个所述传感器的全局温漂特征向量并使用周期混沌映射以如下公式来对每个所述传感器的响应拓扑特征向量进行修正以获得每个所述传感器的修正后响应拓扑特征向量；其中，所述公式为：

其中f

更具体地，在步骤S200和步骤S210中，将每个所述传感器的修正后响应拓扑特征向量二维拼接为回归矩阵，并对所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。也就是，在本申请的技术方案中，在得到每个所述传感器的修正后响应拓扑特征向量后，将5个所述传感器的修正后的响应拓扑特征向量二维拼接为回归矩阵，以整合所有所述传感器的拓扑响应特征，以便于后续的解码回归。然后，再将所述回归矩阵进行解码回归以生成封闭蛋鸡舍环境中三种气体浓度的浓度值。这里，所述三种气体为氨气、硫化氢和二氧化碳。

综上，基于本申请实施例的所述气体监测系统的监测方法被阐明，其通过基于上下文的编码器模型对每个传感器在各个时间点的响应值进行高维关联特征提取，并采用卷积神经网络来对传感器的拓扑特征进行隐含特征提取，进一步将所述响应特征矩阵与所述拓扑特征矩阵一起输入图神经网络中以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，这样再基于传感器的温漂对所述响应拓扑特征向量进行修正，以保证解码回归的准确性。通过这样的方式，可以对封闭蛋鸡舍环境中三种气体浓度的浓度值进行准确地测量，进而确保蛋鸡的健康和生产性能。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。