1.基于MEMS电子鼻的气体浓度预测方法，其特征在于：包括以下步骤：步骤1：构建MEMS微型便携式电子鼻系统，所述MEMS微型便携式电子鼻系统设置有气体传感器阵列，该气体传感器阵列连接有预处理模块，所述预处理模块连接有气体浓度预测网络模型CE‑CNN；

所述气体浓度预测网络模型CE‑CNN设置有依次连接的第一一维卷积层、批归一化层、第一最大池化层、注意力层、第二最大池化层和全连接层；

步骤2：所述气体传感器阵列实时采集气体特征数据a，并传递给预处理模块；

步骤3：所述预处理模块对所述气体特征数据a进行预处理操作，得到标准数据b，并传递给气体浓度预测网络模型CE‑CNN；

步骤4：所述气体浓度预测网络模型CE‑CNN中的第一一维卷积层获取所述标准数据b，并对其进行一维卷积操作，得到卷积数据c，并传递给批归一化层；

步骤5：所述批归一化层对所述卷积数据c进行批归一化操作，得到归一化数据d，并传递给第一最大池化层；

步骤6：所述第一最大池化层对所述归一化数据d进行池化操作，得到第一池化数据e，并传递给注意力层；

步骤7：所述注意力层对所述第一池化数据e进行关键特征提取，得到通道特征数据f，并传递给第二最大池化层；

步骤8：所述第二最大池化层对所述通道特征数据f进行池化操作，得到第二池化数据g，并传递给全连接层；

步骤9：所述全连接层对所述第二池化数据g进行全连接操作，并输出气体浓度预测结果Y。

2.根据权利要求1所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤1中，所述气体传感器阵列包括七个MEMS气体传感器。

3.根据权利要求1所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤2中，所述气体传感器阵列经模数转换器ADC将所述气体特征数据a传递给预处理模块，所述模数转换器ADC用于将气体传感器采集到的模拟气体特征数据转化为数字气体特征数据，并通过USART串口通信协议传递给预处理模块。

4.根据权利要求3所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤3中，所述预处理操作为对所述气体特征数据a进行降采样，并将降采样后的气体特征数据转换为响应值，即标准数据b，所述响应值的表达式如下：其中，Response表示响应值，Va表示气体传感器在空气中的ADC读数，Vg表示气体传感器在目标气体中的ADC读数，所述目标气体为气体浓度范围在10至100ppm的易燃易爆气体。

5.根据权利要求1所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤7中，所述注意力层采用高效通道注意力机制ECA，该注意力层设置有输入层，该输入层依次连接有全局平均池化层、第二一维卷积层和元素相乘单元，所述输入层还与所述元素相乘单元连接；

所述注意力层对所述第一池化数据e进行关键特征提取，步骤如下：步骤A1：所述注意力层中的输入层获取所述第一池化数据e，并将其传递给全局平均池化层和元素相乘单元；

步骤A2：所述全局平均池化层对所述第一池化数据e进行全局平均池化操作，得到平均池化数据e1，并传递给第二一维卷积层；

步骤A3：所述第二一维卷积层采用大小为k的一维卷积核对所述平均池化数据e1进行卷积操作，然后通过Sigmoid激活函数优化各个通道的权重ω，并将所述权重ω传递给元素相乘单元；

步骤A4：所述元素相乘单元将所述权重ω与第一池化数据e的对应元素相乘，得到通道特征数据f。

6.根据权利要求5所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤A3中，所述一维卷积核的大小k通过以下公式自适应确定：其中，γ和β是超参数，|t|odd表示t的最近奇数，ψ表示映射，C表示通道维度；

所述权重ω的表达式如下：

ω＝σ(C1Dk(y))

c

其中，C1D表示仅涉及k个参数的一维卷积，σ是Sigmoid激活函数，聚合的特征y∈R 在没有降维的情况下得到。

7.根据权利要求1所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：所述气体浓度预测网络模型CE‑CNN采用余弦退火热重启算法CAWR进行网络训练，在各个训练阶段周期性重启学习率。

8.根据权利要求7所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：采用平均2

绝对误差MAE、均方误差MSE和评价指标R三中评估指标来评估气体浓度预测网络模型CE‑CNN预测性能，平均绝对误差MAE和均方误差MSE的值越小，表示模型的预测结果越准确；同2

时，评价指标R的值越接近1，表示模型对数据的拟合效果越好；

平均绝对误差MAE的表达式如下：

均方误差MSE的表达式如下：

2

评价指标R的表达式如下：

其中，N表示测试集的大小；yt表示真实值， 表示预测值， 表示真实值的均值。

9.根据权利要求1所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤1中，所述气体浓度预测网络模型CE‑CNN部署到边缘设备的MCU上，进行边缘人工智能的设备计算。

10.根据权利要求1所述的基于MEMS电子鼻的气体浓度预测方法，其特征在于：在所述步骤2中，所述气体特征数据a为易燃易爆气体，该气体特征数据a或者是硫化氢H2S；或者是丙烷C3H8；或者是氨气NH3；或者是乙烯C2H4。