CN102999664A - 一种室内污染源位置识别方法 - Google Patents
一种室内污染源位置识别方法 Download PDFInfo
- Publication number
- CN102999664A CN102999664A CN2012104726441A CN201210472644A CN102999664A CN 102999664 A CN102999664 A CN 102999664A CN 2012104726441 A CN2012104726441 A CN 2012104726441A CN 201210472644 A CN201210472644 A CN 201210472644A CN 102999664 A CN102999664 A CN 102999664A
- Authority
- CN
- China
- Prior art keywords
- network
- pollution source
- training
- source position
- pollutant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种室内污染源位置识别方法，在正向模拟阶段，根据研究对象，建立相应的物理模型，设定传感器位置、数量及检出限，确定训练样本数，进行正向模拟计算。在网络训练阶段，使用三层网络结构，分别使用三种监测数据作为网络的输入，根据正向计算结果确定输入层神经元个数，将归一化后的污染源空间坐标作为网络的输出，使用贝叶斯正则化算法对网络进行训练，选定合适的训练参数，对网络进行训练，以确定最佳网络参数。在识别阶段可利用实际监测的污染物数据作为输入信息，进而快速识别出污染源位置；与现有技术相比，本发明使用CFD技术与BP神经网络技术相结合，实现室内污染源位置的快速识别，且识别结果准确、有效。
Description
技术领域
本发明涉及一种室内污染源位置识别方法，特别是涉及一种基于CFD技术与BP神经网络相结合的室内污染源位置识别方法。
背景技术
随着生活水平的提高，人们对室内空气品质的要求越来越高。近年来屡次出现的室内空气污染事件使室内环境的安全问题受到了公众和社会的广泛关注。室内空气环境中可能存在的污染物主要为有机污染物，且种类众多。如何快速找到污染源位置，并最终确定污染源成为当前的研究热点问题。
计算流体力学（CFD）方法已经广泛应用于室内空气环境模拟，成本低，效果好。通过求解粘性流体运动方程（Navier-Stokes）NS方程，CFD方法能够模拟出真实室内空气环境，因此现有对室内污染源的识别技术往往是结合CFD方法提出的。现有技术的CFD方法主要有伴随方程法、马尔科夫链蒙特卡洛积分、贝叶斯概率法等，这些方法的计算过程复杂，计算时间往往较长，当实际污染事件发生时，不能实现快速识别。
人工神经网络是在现代神经科学的基础上提出和发展起来的，能反映人脑结构及功能。它在模式识别、图像处理、智能控制、金融预测与管理，通信等领域得到广泛的应用。多层前馈网络（back propagation）BP神经网络是使用最为广泛的一类神经网络模型，它实现了一个从输入到输出的映射功能。BP神经网络的结构包括输入层、隐含层和输出层，计算过程包括信息正向传递和误差反相传递两部分。求解网络输出值与所需输出值之间的均方差或总方差最小的过程，即为误差反向传递过程。误差反向传递是根据一定的训练算法，对权值及阈值进行修正，使网络输出值与真值的均方差或总方差达到设定值。常用的训练算法包括：LM算法、梯度下降法、拟牛顿法、贝叶斯正则化算法等。贝叶斯正则化方法具有较好的泛化能力。使用BP神经网络技术对污染源位置的识别，虽然前期计算量大，但当实际污染事件发生时，能够利用训练好的网络进行快速识别。
发明内容
基于上述现有技术存在的问题，本发明提出了一种室内污染源位置识别方法，结合CFD方法和BP网络，分别使用不同监测数据作为神经网络的输入信息，实现了室内污染源位置的快速识别。
本发明提出了一种室内污染源位置识别方法，利用流体力学模拟CFD方法与多层前馈网络BP网络的结合，分为正向模拟阶段、训练阶段和识别阶段，实现神经网络的污染源位置识别，其特征在于，该方法包括具体以下步骤：
步骤一，正向模拟阶段：
利用CFD方法根据研究对象建立物理模型，在要识别的污染源中设定传感器，确定训练样本数，进行正向模拟计算；
利用CFD方法根据研究对象建立物理模型，在要识别的污染源中设定传感器，确定训练样本数，进行正向模拟计算；
步骤二、网络训练阶段：
将训练样本中污染源位置和污染源位置监测信息输入BP网络，根据正向模拟计算结果确定输入层神经元个数，将归一化后的训练样本中污染源空间坐标作为BP网络的输出，选定训练参数，使用贝叶斯正则化算法对BP网络进行训练，对BP网络进行训练，以确定最佳网络参数；
步骤三、识别阶段：
将实际污染污染物监测信息输入BP网络，所述归一化后的污染源空间坐标作为输出信息，所述输出信息处理即对应得到实际污染源位置。
所述实际污染污染物监测信息分为三种类型，包括污染物到达不同监测点的时间间隔CT；各监测点处污染物浓度达到峰值的时刻P；污染物到达监测点与污染物浓度达到峰值的时间差PC。
所述BP网络使用三层神经网络结构，即输入层、隐含层、输出层。
与现有技术相比，本发明使用CFD技术与BP神经网络技术相结合，实现室内污染源位置的快速识别，且识别结果准确、有效。
附图说明
图1为本发明的室内污染源位置识别方法流程图；
图2为本发明的二维模型实例示意图；
图3为本发明的关于二维模型实例的训练样本及实际污染源位置示意图。
具体实施方式
下面结合附图对本发明具体流程作进一步详述，以下通过二维模型、瞬态释放污染源示例结合附图进一步说明本发明。
使用CFD技术与BP神经网络技术相结合，快速识别室内污染源位置。分别使用三种不同类型监测数据作为网络的输入：污染物到达不同监测点的时间间隔CT；各监测点处污染物浓度达到峰值的时刻P；污染物到达监测点与污染物浓度达到峰值的时间差PC。使用CT值能同时处理瞬态源与持续源，使用P值与PC值仅能处理瞬态源。该方法共分为三个阶段：正向模拟阶段、训练阶段和识别阶段。在正向模拟阶段，根据研究对象，建立相应的物理模型，设定传感器位置、数量及检出限，确定训练样本（污染源可能位置）数，进行正向模拟计算。在网络训练阶段，使用三层网络结构，分别使用监测数据作为网络的输入，根据正向计算结果确定输入层神经元个数，将归一化后的污染源空间坐标作为网络的输出，使用贝叶斯正则化算法对网络进行训练，选定合适的训练参数，对网络进行训练，以确定最佳网络参数。在识别阶段可利用实际监测的污染物数据作为输入信息，进而快速识别出污染源位置。
如图1所示，流程共分为三个阶段：正向模拟阶段、训练阶段和识别阶段。在正向模拟阶段，根据研究对象，建立相应的模型，进行正向模拟计算。在网络训练阶段，使用监测数据作为网络的输入，归一化后的污染源空间坐标作为网络的输出对网络进行训练，选定合适的训练参数（训练参数是通过经验设定，反复试验后确定的），对网络进行训练，以确定最佳网络参数。在识别阶段可利用实际监测的污染物数据作为输入信息，进而快速识别出污染源位置。
其中，二维模型如图2所示，几何尺寸为5m×3m，入口及出口位置见图，在该空间布置5个传感器，位置坐标分别为：A(0.5，1.5)，B(2.5，0.5)，C(2.5，2.5)，D(4.5，1.5)，E(4.8，2.8)，单位m。
如图3所示的45个训练样本点及7个真实污染源位置。本例中的实际污染源位置的监测数据也使用CFD方法模拟计算得到。
正向计算阶段，使用CFD技术，分别将训练样本中的45个位置作为污染源位置，进行模拟计算，得到相应的监测数据。污染物为瞬态释放，计算时间100s，传感器读取数据时间间隔为2s，检出限为10ppm，入口空气速度为0.5m/s。训练阶段，使用三层BP神经网络，输入层与输出层使用purline转换函数，隐含层使用sigmod转换函数，将归一化后的坐标作为输出信息。学习速率为0.0001，动量为0.09，目标误差为0.0001。使用CT作为输入信息时，只需D，E两个监测点的数据就可区分45个样本点，网络结构为2-5-2（即输入层、隐含层、输出层分别含有2、5和2个神经元）；使用P时，需要BCDE四个监测点的数据来区分样本点，网络结构为4-10-2（即输入层、隐含层、输出层分别含有4、10和2个神经元）；使用PC时，需要用到所有监测点的数据区分样本点网络结构为5-11-2（即输入层、隐含层、输出层分别含有5、11和2个神经元）。识别阶段，使用训练好的网络确定污染源位置，根据实际污染源位置得到的CT,，P，PC分别作为网络的输入信息，归一化形式的污染源坐标作为输出信息，将输出信息代入归一化方程，即可得到实际污染源位置。实际污染源位置与分别使用CT，P，PC作为输入信息时的计算结果见表1，可看出利用本发明的识别方法计算得出的结果与实际污染源位置非常接近，对于实际应用，该识别结果准确、有效。
表1实际污染源位置与分别使用CT，P，PC作为输入信息时BP神经网络的计算结果
Claims (4)
1.一种室内污染源位置识别方法，利用计算流体力学CFD方法与多层前馈网络BP网络的结合，分为正向模拟阶段、训练阶段和识别阶段，实现神经网络的污染源位置识别，其特征在于，该方法包括具体以下步骤：
步骤一，正向模拟阶段：
利用CFD方法根据研究对象建立物理模型，设定传感器数量、位置为检出限，设定初始条件与边界条件，位确定训练样本的数量及位置，进行正向模拟计算，得到各个监测点处污染物浓度随时间变化的曲线；
步骤二、网络训练阶段：
将训练样本中污染源位置和污染源位置监测信息输入BP网络，根据正向模拟计算结果确定输入层神经元个数，将归一化后的训练样本中污染源空间坐标作为BP网络的输出，选定训练参数；使用贝叶斯正则化算法对BP网络进行训练，对BP网络进行训练，以确定最佳网络参数；
步骤三、识别阶段：
将实际污染污染物监测信息输入BP网络，所述归一化后的污染源空间坐标作为输出信息，所述输出信息处理即对应得到实际污染源位置。
2.如权利要求1所述的室内污染源位置识别方法，其特征在于，所述传感器的设置参数包括位置、数量及检出限。
3.如权利要求1所的室内污染源位置识别方法，其特征在于，所述实际污染污染物监测信息分为三种类型，包括污染物到达不同监测点的时间间隔CT；各监测点处污染物浓度达到峰值的时刻P；污染物到达监测点与污染物浓度达到峰值的时间差PC。
4.如权利要求1所的室内污染源位置识别方法，其特征在于，所述BP网络使用三层神经网络结构，即输入层、隐含层、输出层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210472644.1A CN102999664B (zh) | 2012-11-20 | 2012-11-20 | 一种室内污染源位置识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210472644.1A CN102999664B (zh) | 2012-11-20 | 2012-11-20 | 一种室内污染源位置识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102999664A true CN102999664A (zh) | 2013-03-27 |
| CN102999664B CN102999664B (zh) | 2015-05-13 |
Family
ID=47928224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210472644.1A Expired - Fee Related CN102999664B (zh) | 2012-11-20 | 2012-11-20 | 一种室内污染源位置识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102999664B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104633856A (zh) * | 2015-01-27 | 2015-05-20 | 天津大学 | Cfd数值模拟结合bp神经网络人工环境控制方法 |
| CN105353099A (zh) * | 2015-10-26 | 2016-02-24 | 中国地质大学（武汉） | 一种基于多种群协同算法的给水管网污染源定位方法 |
| CN105389614A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种神经网络自更新过程的实现方法 |
| CN105425588A (zh) * | 2015-12-09 | 2016-03-23 | 天津大学 | 一种提高室内环境反向设计效率的模糊控制方法 |
| CN108008099A (zh) * | 2017-11-01 | 2018-05-08 | 佛山科学技术学院 | 一种污染源定位方法 |
| CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
| CN110006799A (zh) * | 2019-02-14 | 2019-07-12 | 北京市环境保护监测中心 | 一种热点网格污染类型的分类方法 |
| CN111190143A (zh) * | 2020-01-10 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于机器学习的室内可见光定位方法 |
| CN111912937A (zh) * | 2020-07-20 | 2020-11-10 | 清华大学 | 一种室内突发污染物智能实时溯源方法及系统 |
| TWI710787B (zh) * | 2018-10-11 | 2020-11-21 | 碁曄科技股份有限公司 | 應用飛行載具之空氣品質數據映射系統及其方法 |
| TWI720324B (zh) * | 2018-06-29 | 2021-03-01 | 南臺學校財團法人南臺科技大學 | 具多點空氣品質偵測之汙染源分析系統運作方法 |
| CN112949466A (zh) * | 2021-02-26 | 2021-06-11 | 重庆若上科技有限公司 | 视频ai烟尘污染源识别与定位方法 |
| CN113706127A (zh) * | 2021-10-22 | 2021-11-26 | 长视科技股份有限公司 | 一种水域分析报告的生成方法及电子设备 |
-
2012
- 2012-11-20 CN CN201210472644.1A patent/CN102999664B/zh not_active Expired - Fee Related
Non-Patent Citations (6)
| Title |
|---|
| 常海娟等: "飞行器舱室突发污染源散发强度动态辨识", 《宇航学报》 * |
| 张腾飞: "辨识室内空气污染源的反问题建模", 《建筑热能通风空调》 * |
| 李祚泳等: "大气颗粒物源解析的BP网络权重分析模型", 《四川大学学报(自然科学版)》 * |
| 王智文等: "一种基于神经网络的混合气体体积分数预测模型", 《传感器与微系统》 * |
| 祝翠玲等: "基于B-P神经网络的环境空气质量预测模型", 《计算机工程与应用》 * |
| 赵彬等: "基于简化分区模型的室内污染源位置辨识方法", 《建筑科学》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104633856A (zh) * | 2015-01-27 | 2015-05-20 | 天津大学 | Cfd数值模拟结合bp神经网络人工环境控制方法 |
| CN105353099A (zh) * | 2015-10-26 | 2016-02-24 | 中国地质大学（武汉） | 一种基于多种群协同算法的给水管网污染源定位方法 |
| CN105353099B (zh) * | 2015-10-26 | 2017-04-05 | 中国地质大学（武汉） | 一种基于多种群协同算法的给水管网污染源定位方法 |
| CN105389614A (zh) * | 2015-12-09 | 2016-03-09 | 天津大学 | 一种神经网络自更新过程的实现方法 |
| CN105425588A (zh) * | 2015-12-09 | 2016-03-23 | 天津大学 | 一种提高室内环境反向设计效率的模糊控制方法 |
| CN105389614B (zh) * | 2015-12-09 | 2018-04-03 | 天津大学 | 一种神经网络自更新过程的实现方法 |
| CN105425588B (zh) * | 2015-12-09 | 2018-08-17 | 天津大学 | 一种提高室内环境反向设计效率的模糊控制方法 |
| CN108008099A (zh) * | 2017-11-01 | 2018-05-08 | 佛山科学技术学院 | 一种污染源定位方法 |
| TWI720324B (zh) * | 2018-06-29 | 2021-03-01 | 南臺學校財團法人南臺科技大學 | 具多點空氣品質偵測之汙染源分析系統運作方法 |
| TWI710787B (zh) * | 2018-10-11 | 2020-11-21 | 碁曄科技股份有限公司 | 應用飛行載具之空氣品質數據映射系統及其方法 |
| CN109711547A (zh) * | 2018-12-24 | 2019-05-03 | 武汉邦拓信息科技有限公司 | 一种基于深度学习算法的污染源异常数据识别方法 |
| CN110006799A (zh) * | 2019-02-14 | 2019-07-12 | 北京市环境保护监测中心 | 一种热点网格污染类型的分类方法 |
| CN111190143A (zh) * | 2020-01-10 | 2020-05-22 | 北京航天测控技术有限公司 | 一种基于机器学习的室内可见光定位方法 |
| CN111912937A (zh) * | 2020-07-20 | 2020-11-10 | 清华大学 | 一种室内突发污染物智能实时溯源方法及系统 |
| CN111912937B (zh) * | 2020-07-20 | 2022-02-11 | 清华大学 | 一种室内突发污染物智能实时溯源方法及系统 |
| CN112949466A (zh) * | 2021-02-26 | 2021-06-11 | 重庆若上科技有限公司 | 视频ai烟尘污染源识别与定位方法 |
| CN113706127A (zh) * | 2021-10-22 | 2021-11-26 | 长视科技股份有限公司 | 一种水域分析报告的生成方法及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102999664B (zh) | 2015-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102999664B (zh) | 一种室内污染源位置识别方法 | |
| CN111108457B (zh) | 用于运行机器人控制系统的方法、设备和计算机程序 | |
| US11783590B2 (en) | Method, apparatus, device and medium for classifying driving scenario data | |
| WO2020102988A1 (zh) | 基于特征融合和稠密连接的红外面目标检测方法 | |
| WO2017051411A1 (en) | Near real-time modeling of pollution dispersion | |
| CN109118055A (zh) | 一种驾驶行为评分方法及装置 | |
| CN111462917A (zh) | 基于空间地理分析和机器学习的疫情预警方法及系统 | |
| CN109740676A (zh) | 基于相似目标的物体检测迁移方法 | |
| US20140012787A1 (en) | System and method for information processing and motor control | |
| CN111912937B (zh) | 一种室内突发污染物智能实时溯源方法及系统 | |
| CN105373830A (zh) | 误差反向传播神经网络的预测方法、系统及服务器 | |
| US20230058194A1 (en) | Text classification method and apparatus, device, and computer-readable storage medium | |
| CN108733893A (zh) | 耦合深度学习方法的公共建筑突发污染的溯源 | |
| US20100138366A1 (en) | System and method for information processing and motor control | |
| CN113159403B (zh) | 路口行人轨迹预测的方法及装置 | |
| CN105424598A (zh) | 一种基于图像识别的机动车尾气检测方法 | |
| CN112949466B (zh) | 视频ai烟尘污染源识别与定位方法 | |
| Yuan et al. | Autonomous tracking of chemical plumes developed in both diffusive and turbulent airflow environments using Petri nets | |
| CN110956684B (zh) | 基于残差网络的人群运动疏散仿真方法及系统 | |
| CN106354940A (zh) | 基于水质模型不确定性输入的景观水水质模拟与预警方法 | |
| Shen et al. | A novel plume tracking method in partial 3D diffusive environments using multi-sensor fusion | |
| CN105823801B (zh) | 一种基于深度信念网络特征提取的电子鼻漂移补偿方法 | |
| CN107784482A (zh) | 招聘方法、电子装置及可读存储介质 | |
| CN107729920A (zh) | 一种基于bp神经网络与d‑s证据理论结合的状态估计方法 | |
| Cabrita et al. | Odor Guided Exploration and Plume Tracking-Particle Plume Explorer. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150513 Termination date: 20211120 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |