1.一种对硫化氢气体的电子鼻检测方法，其特征在于，包括以下步骤：

1)采集不同浓度的硫化氢气体的气味数据；

2)对气味数据进行预处理和特征提取，得到特征点数据，并以特征点数据和气味数据构建CNN训练数据集。

3)构建CNN模型；

4)利用CNN训练数据集对CNN模型进行训练，得到特征提取模型；

5)构建XGBoost模型；

6)以特征点数据和硫化氢气体浓度构建XGBoost模型训练数据集；

7)利用XGBoost模型训练数据集对XGBoost模型进行训练，得到回归预测模型；

8)实时采集待监测环境的气味数据，并输入至特征提取模型中，得到特征点数据；

9)将特征点数据输入至回归预测模型中，得到待监测环境硫化氢气体浓度的预测值。

2.根据权利要求1所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，采集气味数据的设备包括布置在待监测环境中的电子鼻；

所述所述气味数据为电子鼻监测到的电阻值。

3.根据权利要求1所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述对气味数据进行的预处理包括噪声滤波和数据校正；

所述对气味数据进行特征提取的方法包括统计特征提取、频域特征提取、时域特征提取、特征选择方法；

所述统计特征提取提取的特征值包括均值、方差、峰值；

所述频域特征提取方法包括傅里叶变换、小波变换；

所述时域特征提取方法包括自相关函数、滑动窗口统计；

所述特征选择方法包括主成分分析、线性判别分析。

4.根据权利要求1所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述CNN模型包括1DCNN模型。

5.根据权利要求1所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述CNN模型包括卷积层、池化层和全连接层；

所述卷积层通过使用若干卷积核对气味数据的时间序列进行卷积运算，提取出气味数据的时间序列中的局部特征；

所述池化层用于降低输出特征图的空间维度；

所述全连接层将卷积层和池化层提取的特征映射转化为最终的分类结果，如下所示：Z＝W·X+b     (1)

式中，Z表示全连接层的输出结果，W是权重矩阵，X是池化层输出的向量，b是偏置向量。

6.根据权利要求1所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，得到特征提取模型和回归预测模型后，还通过评价指标对特征提取模型和回归预测模型的回归性能进行评估，若评估不合适，则更新数据集，并重新对特征提取模型和回归预测模型进行训练。

7.根据权利要求6所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述评价指标包括决定系数、均方误差和平均绝对误差。

8.根据权利要求7所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述决定系数如下所示：2

式中，R为决定系数，表示由响应变量与解释变量的关系所解释的响应变量内的方差百分比的估计值；i表示解释变量的序数，i＝1,2,…,n，n表示解释变量的总数；yi表示第i个解释变量； 表示响应变量；表示解释变量的平均值。

9.根据权利要求7所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述均方误差如下所示：式中，MSE为均方误差；i表示解释变量的序数，i＝1,2,…,n，n表示解释变量的总数；yi表示第i个解释变量； 表示响应变量。

10.根据权利要求7所述的一种对硫化氢气体的电子鼻检测方法，其特征在于，所述平均绝对误差如下所示：式中，MAE为平均绝对误差；i表示解释变量的序数，i＝1,2,…,n，n表示解释变量的总数；yi表示第i个解释变量； 表示响应变量。