基于小波分解与CBAM-CNN多噪声增强混合气体识别

摘要

随着工业化进程的加快和环境污染问题的加剧，快速、准确地识别空气中混合气体成分已成为环境监测与智能传感领域的关键挑战.传统方法在面对高强度噪声干扰、非线性响应及多源耦合等复杂环境时性能下降显著，难以满足工业泄漏预警和城市空气质量监测等实际应用需求.因此，该文旨在提出一种鲁棒性强、适应性高的混合气体识别模型，提升在多噪声干扰条件下识别准确率与模型稳定性.该文基于UCI气体传感器数据集，构建了一个融合二维小波分解与卷积块注意力模块（CBAM）-卷积神经网络（CBAM-CNN）的混合气体识别模型.首先，利用二维小波分解对传感器输出的多通道信号进行多尺度特征提取，生成包含低频主趋势与各方向高频细节的四通道图像结构.然后，设计包含通道注意力与空间注意力模块的CBAM-CNN网络结构，引导模型聚焦于对分类任务最具判别力的局部区域.在数据预处理阶段，引入多尺度高斯噪声扰动生成策略，构造不同噪声水平下的训练样本（σ²分别为0、0.01～2、0.03～2、0.06～2）,以提升模型对复杂背景扰动的鲁棒学习能力.最后，通过10次交叉验证评估模型在甲烷、乙烯和一氧化碳3类混合气体下的识别性能，并与SVM、RFC、ResNet-18和Swin Transformer等方法进行对比.实验结果表明，在无噪声条件下，所提模型的识别准确率达到98.7%,在高噪声水平（σ²=0.06～2）下依然保持91.6%的识别准确率，表现出显著的抗干扰能力.与传统SVM和CNN模型相比，在中等噪声背景下（σ²=0.03～2）,该文方法准确率分别提高15.3%和8.9%.与ResNet-18和Swin Transformer相比，该文模型在高噪声场景中识别精度分别提升2.2%和4.2%.该文提出的Wavelet-CBAM-CNN模型通过多尺度特征融合与注意力机制的协同优化，显著增强了对气体混合信号中关键特征的提取与聚焦能力，同时结合多噪声扰动训练策略，实现了模型在复杂传感环境下的稳定识别性能.该方法不仅适用于气体识别任务，还具备良好的拓展性，有望推广应用于工业有毒气体泄漏检测、智能家居空气质量监控等多类环境感知场景.

关键词

小波分解 / 注意力机制 / CBAM-CNN / 图像识别 / 气体检测 / 多噪声增强