CN104123476B - 基于极限学习机的气体浓度预测方法及其装置 - Google Patents
基于极限学习机的气体浓度预测方法及其装置 Download PDFInfo
- Publication number
- CN104123476B CN104123476B CN201410395420.4A CN201410395420A CN104123476B CN 104123476 B CN104123476 B CN 104123476B CN 201410395420 A CN201410395420 A CN 201410395420A CN 104123476 B CN104123476 B CN 104123476B
- Authority
- CN
- China
- Prior art keywords
- gas
- gas concentration
- learning machine
- extreme learning
- time
- 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.)
- Active
Links
Abstract
本发明公开了一种基于极限学习机的气体浓度预测方法及其装置,所述方法包括如下步骤:随时间推移,分别针对每一气体,形成依次排列的历史气体浓度时间序列;分别针对每一气体,构建以第h‑1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集;将每一样本集划分为训练样本集和测试样本集两个部分;利用所述最优的输入层权值和隐含层偏移量,通过极限学习机对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型;分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列;本发明实现过程简单高效,提高了预报的准确性。
Description
技术领域
本发明涉及一种气体浓度预测方法及其系统,具体为基于极限学习机的气体浓度预测方法及其装置。
背景技术
化学试验室涉及多种化学药品,人员进行试验时会产生相关的气体生成物,可能包括CO2、CO或H2S等多种有害人体健康的气体。由于在试验过程中有害气体含量变化较快,此时人员始终在室内操作,这些气体如果浓度超过一定限度,将会对人的健康造成很大的危害。随着人们对于健康的重视程度日益提高,对试验室气体的监控和预警十分重要。现有技术中的有害气体监测报警装置通常只能进行有害气体实时监测,无法完成气体信息的预测和超前预警功能,当监测到有害气体出现时,此时有害气体非常可能已经对环境空气造成了污染,对人员的健康不利。
发明内容
本发明针对以上问题的提出,而研制一种基于极限学习机的气体浓度预测方法及其装置。
本发明的技术手段如下:
一种基于极限学习机的气体浓度预测方法,包括如下步骤:
步骤1:每隔预设时间间隔采集各气体浓度,执行步骤2;
步骤2:随时间推移,分别针对每一气体,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含预设数量气体浓度数据,且最后一个历史气体浓度时间序列中的最后一个气体浓度数据对应的采集时间点与当前时间点之间具有预设时间间隔,执行步骤3;
步骤3:随时间推移,分别针对每一气体,构建以第h-1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集,其中2≤h≤M;多种气体对应多个样本集,执行步骤4;
步骤4:将每一样本集划分为训练样本集和测试样本集两个部分,执行步骤5;
步骤5:将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体,通过所述差异进化算法随机生成初始种群,执行步骤6;
步骤6:计算出当前种群的各个体的适应值,执行步骤7;
步骤7:判断当前种群的个体是否满足进化结束条件,是则执行步骤9,否则执行步骤8;
步骤8:使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作,得到新的子代种群,针对所得到的新的子代种群和其父代种群,执行选择操作,选择两代种群中适应值优秀的个体作为下一代种群,返回步骤6;
步骤9:输出当前种群中适应值最优的个体,并获得相应的最优的输入层权值和隐含层偏移量,执行步骤10;
步骤10:利用所述最优的输入层权值和隐含层偏移量,通过极限学习机对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型,执行步骤11;
步骤11:分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列,执行步骤12;
步骤12:针对各气体,分别判断未来气体浓度时间序列中的任一气体浓度预测值是否均小于气体安全阈值,是则返回步骤2,否则执行步骤13;
步骤13:输出报警提示信息,返回步骤2;
进一步地,所述步骤6具体包括如下步骤:
针对当前种群的不同个体,通过极限学习机对各训练样本集分别进行训练和学习,获得不同气体各自的浓度预测极限学习机模型;
分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),其中j为测试样本集中气体浓度采集的时间点顺序、取值为1,2…,n,xj为通过浓度预测极限学习机模型获得的第j个时间点的气体浓度预测值,xj′为测试样本集中第j个时间点采集的气体浓度值;
进一步地,所述进化结束条件为当前种群中某一个体的适应值小于预设值。
一种实施上述所述气体浓度预测方法的装置,包括:
采集单元,用于每隔预设时间间隔采集各气体浓度;
历史气体浓度时间序列形成单元,用于随时间推移,分别针对每一气体,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含预设数量气体浓度数据,且最后一个历史气体浓度时间序列中的最后一个气体浓度数据对应的采集时间点与当前时间点之间具有预设时间间隔;
样本集构建单元,用于随时间推移,分别针对每一气体,构建以第h-1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集,其中2≤h≤M;多种气体对应多个样本集;
样本集划分单元,用于将每一样本集划分为训练样本集和测试样本集两个部分;
差异进化算法单元,用于将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体,随机生成初始种群,以及当当前种群的个体不满足进化结束条件时,对父代种群中的个体依次进行变异操作和交叉操作,得到新的子代种群,针对所得到的新的子代种群和其父代种群,执行选择操作,选择两代种群中适应值优秀的个体作为下一代种群;
计算单元,用于计算出当前种群的各个体的适应值;
第一判断单元,用于判断当前种群的个体是否满足进化结束条件;
输出单元,用于当当前种群的个体满足进化结束条件时,输出当前种群中适应值最优的个体,并获得相应的最优的输入层权值和隐含层偏移量;
进化极限学习机学习单元,用于利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型;
未来气体浓度时间序列获取单元,用于分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列;
第二判断单元,用于针对各气体,分别判断未来气体浓度时间序列中的任一气体浓度预测值是否均小于气体安全阈值;
以及报警单元,用于当未来气体浓度时间序列中的任一气体浓度预测值大于气体安全阈值时,输出报警提示信息;
进一步地,所述采集单元包括多种气体浓度传感器;所述装置还包括当未来气体浓度时间序列中的任一气体浓度预测值大于气体安全阈值时,控制通风排气设备打开的启动单元;
进一步地,所述计算单元包括:
极限学习机学习模块,用于针对当前种群的不同个体,通过极限学习机对各训练样本集分别进行训练和学习,获得不同气体各自的浓度预测极限学习机模型;
和适应值获取模块,用于分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),其中j为测试样本集中气体浓度采集的时间点顺序、取值为1,2…,n,xj为通过浓度预测极限学习机模型获得的第j个时间点的气体浓度预测值,xj′为测试样本集中第j个时间点采集的气体浓度值。
由于采用了上述技术方案,本发明提供的基于极限学习机的气体浓度预测方法及其装置,能够自动在线监测不同气体浓度的变化,并且通过气体浓度预测进化极限学习机模型预测气体浓度数据,具有超前性,便于提前知道气体浓度的变化趋势,及时作出预判;采用通过差异进化算法进化后的极限学习机算法,实现过程简单高效,提高了预报的准确性。
附图说明
图1是本发明所述气体浓度预测方法的流程图;
图2是本发明所述装置的结构框图;
图3是本发明所述进化极限学习机建立过程;
图4是本发明浓度预测进化极限学习机模型的示意图;
图5是本发明所述装置用于化学试验室中采集单元的布置示意图;
图6是本发明所述装置用于化学试验室的结构框图;
图7是本发明用于化学试验室的未来气体浓度时间序列和历史气体浓度时间序列的数据对比示意图(以二氧化碳气体浓度为例)
图中:1、气体浓度传感器,2、试验台,3、试验室。
具体实施方式
如图1所示的一种基于极限学习机的气体浓度预测方法,包括如下步骤:
步骤1:每隔预设时间间隔采集各气体浓度,执行步骤2;
步骤2:随时间推移,分别针对每一气体,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含预设数量气体浓度数据,且最后一个历史气体浓度时间序列中的最后一个气体浓度数据对应的采集时间点与当前时间点之间具有预设时间间隔,执行步骤3;
步骤3:随时间推移,分别针对每一气体,构建以第h-1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集,其中2≤h≤M;多种气体对应多个样本集,执行步骤4;
步骤4:将每一样本集划分为训练样本集和测试样本集两个部分,执行步骤5;
步骤5:将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体,通过所述差异进化算法随机生成初始种群,执行步骤6;
步骤6:计算出当前种群的各个体的适应值,执行步骤7;
步骤7:判断当前种群的个体是否满足进化结束条件,是则执行步骤9,否则执行步骤8;
步骤8:使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作,得到新的子代种群,针对所得到的新的子代种群和其父代种群,执行选择操作,选择两代种群中适应值优秀的个体作为下一代种群,返回步骤6;
步骤9:输出当前种群中适应值最优的个体,并获得相应的最优的输入层权值和隐含层偏移量,执行步骤10;
步骤10:利用所述最优的输入层权值和隐含层偏移量,通过极限学习机对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型,执行步骤11;
步骤11:分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列,执行步骤12;
步骤12:针对各气体,分别判断未来气体浓度时间序列中的任一气体浓度预测值是否均小于气体安全阈值,是则返回步骤2,否则执行步骤13;
步骤13:输出报警提示信息,返回步骤2;
进一步地,所述步骤6具体包括如下步骤:
针对当前种群的不同个体,通过极限学习机对各训练样本集分别进行训练和学习,获得不同气体各自的浓度预测极限学习机模型;
分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),其中j为测试样本集中气体浓度采集的时间点顺序、取值为1,2…,n,xj为通过浓度预测极限学习机模型获得的第j个时间点的气体浓度预测值,xj′为测试样本集中第j个时间点采集的气体浓度值;
进一步地,所述进化结束条件为当前种群中某一个体的适应值小于预设值。
如图2所示的一种实施上述所述气体浓度预测方法的装置,包括:采集单元,用于每隔预设时间间隔采集各气体浓度;历史气体浓度时间序列形成单元,用于随时间推移,分别针对每一气体,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含预设数量气体浓度数据,且最后一个历史气体浓度时间序列中的最后一个气体浓度数据对应的采集时间点与当前时间点之间具有预设时间间隔;样本集构建单元,用于随时间推移,分别针对每一气体,构建以第h-1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集,其中2≤h≤M;多种气体对应多个样本集;样本集划分单元,用于将每一样本集划分为训练样本集和测试样本集两个部分;差异进化算法单元,用于将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体,随机生成初始种群,以及当当前种群的个体不满足进化结束条件时,对父代种群中的个体依次进行变异操作和交叉操作,得到新的子代种群,针对所得到的新的子代种群和其父代种群,执行选择操作,选择两代种群中适应值优秀的个体作为下一代种群;计算单元,用于计算出当前种群的各个体的适应值;第一判断单元,用于判断当前种群的个体是否满足进化结束条件;输出单元,用于当当前种群的个体满足进化结束条件时,输出当前种群中适应值最优的个体,并获得相应的最优的输入层权值和隐含层偏移量;进化极限学习机学习单元,用于利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型;未来气体浓度时间序列获取单元,用于分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列;第二判断单元,用于针对各气体,分别判断未来气体浓度时间序列中的任一气体浓度预测值是否均小于气体安全阈值;以及报警单元,用于当未来气体浓度时间序列中的任一气体浓度预测值大于气体安全阈值时,输出报警提示信息;进一步地,所述采集单元包括多种气体浓度传感器;所述装置还包括当未来气体浓度时间序列中的任一气体浓度预测值大于气体安全阈值时,控制通风排气设备打开的启动单元;进一步地,所述计算单元包括:极限学习机学习模块,用于针对当前种群的不同个体,通过极限学习机对各训练样本集分别进行训练和学习,获得不同气体各自的浓度预测极限学习机模型;和适应值获取模块,用于分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),其中j为测试样本集中气体浓度采集的时间点顺序、取值为1,2…,n,xj为通过浓度预测极限学习机模型获得的第j个时间点的气体浓度预测值,xj′为测试样本集中第j个时间点采集的气体浓度值。
本发明能够自动在线监测不同气体浓度的变化,并且通过浓度预测进化极限学习机模型预测气体浓度数据,具有超前性,便于提前知道气体浓度的变化趋势,及时作出预判;采用通过差异进化算法进化后的极限学习机算法,实现过程简单高效,提高了预报的准确性,本发明可以用于化学试验室,图5示出了本发明所述装置用于化学试验室中采集单元的布置示意图,所述采集单元包括多种气体浓度传感器,如CO浓度传感器、CH4浓度传感器、H2S浓度传感器、NH3浓度传感器、SO2浓度传感器、HCHO浓度传感器等;实际应用在试验室时,各气体浓度传感器可以通过AD转换器连接处理器,处理器集成历史气体浓度时间序列形成单元、样本集构建单元、样本集划分单元、差异进化算法单元、计算单元、第一判断单元、输出单元、进化极限学习机学习单元、未来气体浓度时间序列获取单元和第二判断单元,所述装置还可以包括用于显示报警提示信息的显示单元;所述装置还包括用于对采集单元所采集的气体浓度数据进行存储的存储单元,所述预设时间间隔可以为10min或20min等,图6示出了本发明所述装置用于化学试验室的结构框图;应该在试验室中,能够在操作人员试验过程中,自动灵敏地获得空气中污染气体的变化,及时对气体未来变化数据进行分析和预测,从而有效反映化学试验室中有害气体的变化趋势,并可以提前进行报警,提示操作人员迅速了解空气污染状态,以便给试验室内操作人员明确的提醒,使得操作人员及时离开被有害气体污染的现场,能够可靠避免对身体造成的危害;所述启动单元连接通风排气设备,能够及时对污染空气进行排放;同时,考虑试验室内由于试验操作可能导致污染气体的浓度变化剧烈,污染气体浓度增量是判断气体未来浓度状态是否危险的关键信息,气体浓度时间序列中蕴含了气体浓度变化趋势。
在步骤5之前还包括对极限学习机算法进行初始化设置,包括设置极限学习机的隐含层节点数、设置差异进化算法的种群数量、进化代数、交叉因子CR和放大因子F。
极限学习机(ELM)是继BP神经网络和支持向量机之后的一种新的单隐层前向神经网络(single-hidden-layer feed forward neural networks-SLFNs),其特点是结构简单、泛化性能强、学习速度快、并且避免了局部极小、迭代次数过多等问题,极限学习机的数学模型如下:
对于N个不同学习样本(xi,yi)∈Rn×Rm(i=1,2,…,N)、具有L个隐含层节点、隐含层激活函数为g(x)的单隐藏层前馈神经网络,第i个样本输出值可采用如下的公式表示:
式(1)中,oi为第i个样本的输出值,αj=[αj1,αj2,…,αjn]T,表示输入层到隐含层的连接权值;bj=[bj1,bj2,…,bjm]T表示隐含层节点的偏移量,βj=[βj1,βj2,…,βjm]T表示隐含层第i个节点到输出层的连接权值,g(x)为激活函数;
所述网络若以零误差逼近训练样本,则:
式(2)可以简记为:
Hβ=Y (3)
其中, 这里的aj、bj、βj的含义与式(1)中的含义相同,H为神经网络隐含层输出矩阵,H(xi)为H的第i行向量,H的第j列为输入变量x1,x2,…,xN时第j个隐含层对应的输出。
极限学习机的学习算法一般包括以下三个步骤:
①确定隐含层节点(神经元)个数,设定输入层与隐含层之间的连接权值a和隐含层节点的偏移量b;
②选择一个无限可微的函数作为隐含层节点的激活函数,进而计算隐含层输出矩阵H;
③计算输出层权值β,上述过程极限学习机通过随机设置隐含层到输入层的权值和偏移量,可对输出层权值产生唯一解,若隐含层节点足够多,理论上可逼近任何连续函数。
差异进化算法(DE)是一种新型直接寻优算法,具有较好的全局收敛属性,假设需优化N个参数,则首先产生维数为N的Np个向量,Np称为种群规模,每个向量即一组潜在解,称为个体;对每一个个体向量按照目标函数进行计算,作为适应值,根据适应值大小按照差异进化算法的规则循环迭代,逐渐接近最优解,差异进化算法的迭代规则包括产生初始种群、变异操作、交叉操作和选择操作;差异进化算法(DE)的原理和步骤如下:
令第G代种群中向量的个数为NP,第G代中向量可以表示为xi,G,i=1,2,…,NP,每个向量个体包含D个分量,DE算法过程如下:
1)产生初始种群:在D维空间里随机产生满足自变量上下界约束的NP个染色体,公式如下:
i=1,2,…,NP;j=1,2,…,D.
式中分别为第j个分量的上界和下界,randij(0,1)是[0,1]之间的随机数。
2)变异操作:在DE算法中,缩放种群中任意两个目标向量个体之间的差值并叠加到种群中的第3个向量个体上,形成新的变量,此过程称为变异。对于第G代每个目标向量,其变异向量第j分量为:
vi,j(G+1)=xr1j(G)+F(xr2j(G)-xr3j(G)) (5)
式中下标r1,r2,r3为[1,NP]中的随机整数且互不相同,F为缩放因子,用来调节向量差异的步长幅值,在0~2内取值。公式(5)是基本的变异模式,被称作DE/rand/1模式;随着该公式的改变,尚能形成其它模式,如DE/best/1、DE/best/2、DE/rand/2等。
3)交叉操作:将目标向量xi,G与变异向量vi,G+1按照如下规则杂交,生成新的试样向量ui,G+1:
式中rj∈[0,1]为与向量第j个分量对应的随机数;CR∈[0,1]为杂交概率常数;rni为在1,2,…,D中随机挑选一个整数,以确保变异向量Vi(G+1)中,至少有一个分量被试样向量ui(G+1)采用。
4)选择操作:采用贪婪搜索方法进行选择操作。将试样向量ui(G+1)与目标向量xi(G)比较,如果ui(G+1)对应较小的目标函数值,则选择向量ui(G+1);反之如果,xi(G)对应较小的目标函数值,则保留向量xi(G)。
普通极限学习机算法存在如下问题:训练时输入层权值矩阵和隐含层偏差是随机产生的,将会造成网络不稳定,从而影响整个极限学习机预测效果;输入层权值和隐含层偏差是极限学习机算法拓扑结构的重要部分,如何选取是影响其预测性能的关键;本发明通过差异进化算法对极限学习机算法的输入层权值和隐含层偏差进行优化,进而改进训练算法;
如图3所示,本发明进化极限学习机模型的建立过程包括如下步骤:
①确定训练样本和测试样本;
②产生初始种群;
③极限学习机参数取值;
④极限学习机学习预测;
⑤适应值计算;
⑥适应值是否满足要求,是则终止,否则执行步骤⑦;
⑦变异操作;
⑧交叉操作;
⑨选择操作,返回步骤③。
本发明将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的优化变量,同时以训练预测误差作为差异进化算法的适应值,同时根据随时间推移不断变化的气体浓度时间序列,构造具有代表性的样本集,该样本集包括训练样本集和测试样本集,然后设定差异进化算法的参数包括种群数量、进化代数、交叉因子CR和放大因子F,并随机产生初始种群,每个个体对应极限学习机的输入层权值和隐含层偏移量,进行训练,获得输出权值,进而获得极限学习机的拓扑结构,分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),当适应值不小于预设值(进化结束条件),预设值可以取0,差异进化算法进行变异、交叉和选择等迭代操作,直到满足进化结束条件,此时当前种群中适应值最优的个体即作为最佳输入层权值和隐含层偏移量,然后训练获得输出层权值;图4是本发明浓度预测进化极限学习机模型的示意图,假设每一历史气体浓度时间序列中包含m个气体浓度数据,即预设数量为m,最后一个历史气体浓度时间序列为{zi,zi+1,zi+2,…zi+m-1}(最接近当前时间点的历史气体浓度时间序列),则以该历史气体浓度时间序列作为浓度预测进化极限学习机模型的输入,输出未来气体浓度时间序列为{zi+m,zi+m+1,…,zi+m+n-1},进一步的,时间推移预设时间间隔,与当前时间点具有预设时间间隔的下一时间点对应的历史气体浓度时间序列为{zi+1,zi+2,zi+3…zi+m},则以该历史气体浓度时间序列作为浓度预测进化极限学习机模型的输入,输出未来气体浓度时间序列为{zi+m+1,zi+m+2…,zi+m+n}。
采用历史气体浓度时间序列得到未来气体浓度时间序列,即寻找在某时间点之前的气体浓度时间序列与该时间点的气体浓度之间的关系,即zi+m=f(zi,zi+1,…zi+m-1),其中zi是第i个时间点监测到的气体浓度数据,f是一个非线性函数,表示气体浓度时间序列历史数据与未来数据之间的非线性关系,根据极限学习机理论,上述的非线性对应关系可以通过极限学习机算法对若干组实际监测的数据样本集进行学习获得,并通过公式(3)求解,在利用进化极限学习机进行气体浓度时间序列预测时,为了充分利用最新的信息,提高预测准确性,采用滚动预测方式,即用于构建样本集的历史气体浓度时间序列是最接近当前时间点的气体浓度监测数据,通常采用最接近当前时间点的m个气体浓度监测数据替代之前的最接近上一时间点的m个气体浓度监测数据,来作为最后一个历史气体浓度时间序列。
下面具体说明本发明所述气体浓度预测方法及其装置具体应用的实例,通过该实例对其实施过程和效果进行说明:以某试验室为例,采集单元布置情况如图5所示,现以其中二氧化碳气体浓度为例,采用本发明气体浓度预测方法进行数据分析,首先按照已有的历史气体浓度时间序列构建样本集,构造50组样本,用前40组作为训练样本集,后10组作为测试样本集,设置DE参数NP=50,ITERATION=50,按照前述预测方法获得浓度预测进化极限学习机模型,然后将当前时间点之前的最接近当前时间点的历史气体浓度时间序列作为输入,预测下一时间点的气体浓度。随着下一时间点的气体浓度监测数据的获得,利用新获得的气体浓度监测数据加入,去掉历史最老的(最早采集时间点对应的)气体浓度数据,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含m个气体浓度数据,新获得的气体浓度数据与其前面m-1个气体浓度数据形成新的最后一个历史气体浓度时间序列,可以再进行学习训练和更下一时间点的预测。如此滚动预测下去,获得对应的未来气体浓度时间序列和历史气体浓度时间序列的数据对比如图7所示,预测最大误差为6ppm,效果令人满意。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于极限学习机的气体浓度预测方法,其特征在于包括如下步骤:
步骤1:每隔预设时间间隔采集各气体浓度,执行步骤2;
步骤2:随时间推移,分别针对每一气体,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含预设数量气体浓度数据,且最后一个历史气体浓度时间序列中的最后一个气体浓度数据对应的采集时间点与当前时间点之间具有预设时间间隔,执行步骤3;
步骤3:随时间推移,分别针对每一气体,构建以第h-1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集,其中2≤h≤M;多种气体对应多个样本集,执行步骤4;
步骤4:将每一样本集划分为训练样本集和测试样本集两个部分,执行步骤5;
步骤5:将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体,通过所述差异进化算法随机生成初始种群,执行步骤6;
步骤6:计算出当前种群的各个体的适应值,执行步骤7;
步骤7:判断当前种群的个体是否满足进化结束条件,是则执行步骤9,否则执行步骤8;
步骤8:使用差异进化算法对父代种群中的个体依次进行变异操作和交叉操作,得到新的子代种群,针对所得到的新的子代种群和其父代种群,执行选择操作,选择两代种群中适应值优秀的个体作为下一代种群,返回步骤6;
步骤9:输出当前种群中适应值最优的个体,并获得相应的最优的输入层权值和隐含层偏移量,执行步骤10;
步骤10:利用所述最优的输入层权值和隐含层偏移量,通过极限学习机对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型,执行步骤11;
步骤11:分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列,执行步骤12;
步骤12:针对各气体,分别判断未来气体浓度时间序列中的任一气体浓度预测值是否均小于气体安全阈值,是则返回步骤2,否则执行步骤13;
步骤13:输出报警提示信息,返回步骤2;
所述步骤6具体包括如下步骤:
针对当前种群的不同个体,通过极限学习机对各训练样本集分别进行训练和学习,获得不同气体各自的浓度预测极限学习机模型;
分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),其中j为测试样本集中气体浓度采集的时间点顺序,取值为1,2…,n;xj为通过浓度预测极限学习机模型获得的第j个时间点的气体浓度预测值,xj′为测试样本集中第j个时间点采集的气体浓度值。
2.根据权利要求1所述的一种基于极限学习机的气体浓度预测方法,其特征在于所述进化结束条件为当前种群中某一个体的适应值小于预设值。
3.一种实施权利要求1所述气体浓度预测方法的装置,其特征在于包括:
采集单元,用于每隔预设时间间隔采集各气体浓度;
历史气体浓度时间序列形成单元,用于随时间推移,分别针对每一气体,形成M个依次排列的历史气体浓度时间序列,每一历史气体浓度时间序列中包含预设数量气体浓度数据,且最后一个历史气体浓度时间序列中的最后一个气体浓度数据对应的采集时间点与当前时间点之间具有预设时间间隔;
样本集构建单元,用于随时间推移,分别针对每一气体,构建以第h-1个历史气体浓度时间序列作为输入,以第h个历史气体浓度时间序列作为输出的样本集,其中2≤h≤M;多种气体对应多个样本集;
样本集划分单元,用于将每一样本集划分为训练样本集和测试样本集两个部分;
差异进化算法单元,用于将极限学习机的输入层权值和隐含层偏移量作为差异进化算法的个体,随机生成初始种群,以及当当前种群的个体不满足进化结束条件时,对父代种群中的个体依次进行变异操作和交叉操作,得到新的子代种群,针对所得到的新的子代种群和其父代种群,执行选择操作,选择两代种群中适应值优秀的个体作为下一代种群;
计算单元,用于计算出当前种群的各个体的适应值;
第一判断单元,用于判断当前种群的个体是否满足进化结束条件;
输出单元,用于当当前种群的个体满足进化结束条件时,输出当前种群中适应值最优的个体,并获得相应的最优的输入层权值和隐含层偏移量;
进化极限学习机学习单元,用于利用所述最优的输入层权值和隐含层偏移量,通过极限学习机分别对各训练样本集进行训练和学习,获得不同气体各自的浓度预测进化极限学习机模型;
未来气体浓度时间序列获取单元,用于分别以各气体的最后一个历史气体浓度时间序列作为输入,通过各气体对应的浓度预测进化极限学习机模型输出各气体的未来气体浓度时间序列;
第二判断单元,用于针对各气体,分别判断未来气体浓度时间序列中的任一气体浓度预测值是否均小于气体安全阈值;
以及报警单元,用于当未来气体浓度时间序列中的任一气体浓度预测值大于气体安全阈值时,输出报警提示信息;
所述计算单元包括:
极限学习机学习模块,用于针对当前种群的不同个体,通过极限学习机对各训练样本集分别进行训练和学习,获得不同气体各自的浓度预测极限学习机模型;
和适应值获取模块,用于分别利用各气体的测试样本集对不同气体各自的浓度预测极限学习机模型进行测试,针对每一气体均获得测试误差(xj-xj′),通过适应值函数获得适应值E(x),其中j为测试样本集中气体浓度采集的时间点顺序,取值为1,2…,n;xj为通过浓度预测极限学习机模型获得的第j个时间点的气体浓度预测值,xj′为测试样本集中第j个时间点采集的气体浓度值。
4.根据权利要求3所述的气体浓度预测方法的装置,其特征在于所述采集单元包括多种气体浓度传感器;所述装置还包括当未来气体浓度时间序列中的任一气体浓度预测值大于气体安全阈值时,控制通风排气设备打开的启动单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410395420.4A CN104123476B (zh) | 2014-08-12 | 2014-08-12 | 基于极限学习机的气体浓度预测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410395420.4A CN104123476B (zh) | 2014-08-12 | 2014-08-12 | 基于极限学习机的气体浓度预测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123476A CN104123476A (zh) | 2014-10-29 |
CN104123476B true CN104123476B (zh) | 2017-03-08 |
Family
ID=51768885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410395420.4A Active CN104123476B (zh) | 2014-08-12 | 2014-08-12 | 基于极限学习机的气体浓度预测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123476B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326677B (zh) * | 2016-09-12 | 2018-12-25 | 北京化工大学 | 一种pta装置醋酸消耗的软测量方法 |
CN107067080A (zh) * | 2016-12-05 | 2017-08-18 | 哈尔滨理工大学 | 基于核极限学习机的泄露气体监测浓度数据虚拟扩展方法 |
CN106874644B (zh) * | 2016-12-28 | 2018-04-13 | 中南大学 | 一种加氢精制中氢解程度的实时预测方法及其系统 |
CN109241627B (zh) * | 2018-09-07 | 2020-08-18 | 大连海事大学 | 概率分级的动态支护方法及自动设计支护方案的装置 |
CN109446697B (zh) * | 2018-11-08 | 2023-04-18 | 辽宁工程技术大学 | 一种基于elm的矿井风速故障分支诊断方法 |
CN109615082B (zh) * | 2018-11-26 | 2023-05-12 | 北京工业大学 | 一种基于堆叠选择性集成学习器的空气中细颗粒物pm2.5浓度的预测方法 |
CN109858576B (zh) * | 2019-03-22 | 2020-12-22 | 盾钰(上海)互联网科技有限公司 | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 |
CN110334382B (zh) * | 2019-05-09 | 2020-11-17 | 电子科技大学 | 一种基于循环神经网络的汽车车窗起雾状况预测方法 |
CN110738641B (zh) * | 2019-10-07 | 2022-07-01 | 福州大学 | 基于图像处理及kelm的医药试剂浓度定性检测方法 |
CN111080976B (zh) * | 2019-12-24 | 2021-09-10 | 北京优航机电技术有限公司 | 一种温度变化场景下实时监测天然气泄漏的方法及装置 |
CN111289414A (zh) * | 2020-03-12 | 2020-06-16 | 徐州工业职业技术学院 | Pm2.5污染监测与预测方法 |
CN112100924B (zh) * | 2020-09-17 | 2022-06-07 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
CN112712192B (zh) * | 2020-11-24 | 2021-09-03 | 江苏中矿安华科技发展有限公司 | 结合集成学习与加权极限学习机的煤矿瓦斯浓度预测方法 |
CN113420071A (zh) * | 2021-06-24 | 2021-09-21 | 天津大学 | 大气污染区域联防联控应急调控方案优选方法 |
CN113516831A (zh) * | 2021-07-05 | 2021-10-19 | 南京盛航海运股份有限公司 | 一种船舶安全检测方法、系统、设备及存储介质 |
CN115331415B (zh) * | 2022-10-14 | 2023-01-13 | 河北省科学院应用数学研究所 | 氧气浓度预警方法、装置、电子设备及可读存储介质 |
CN117275615B (zh) * | 2023-10-31 | 2024-04-09 | 源康(东阿)健康科技有限公司 | 一种明胶生产废水智能处理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916394A (zh) * | 2010-08-25 | 2010-12-15 | 清华大学 | 一种基于知识融合的在线软测量方法 |
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
CN103823963A (zh) * | 2013-12-09 | 2014-05-28 | 浙江大学 | 一种鲁棒聚丙烯熔融指数软测量系统和方法 |
CN103942461A (zh) * | 2014-05-14 | 2014-07-23 | 浙江师范大学 | 基于在线贯序极限学习机的水质参数预测方法 |
-
2014
- 2014-08-12 CN CN201410395420.4A patent/CN104123476B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916394A (zh) * | 2010-08-25 | 2010-12-15 | 清华大学 | 一种基于知识融合的在线软测量方法 |
CN103823963A (zh) * | 2013-12-09 | 2014-05-28 | 浙江大学 | 一种鲁棒聚丙烯熔融指数软测量系统和方法 |
CN103728431A (zh) * | 2014-01-09 | 2014-04-16 | 重庆科技学院 | 基于极限学习机的工业污水cod在线软测量方法 |
CN103942461A (zh) * | 2014-05-14 | 2014-07-23 | 浙江师范大学 | 基于在线贯序极限学习机的水质参数预测方法 |
Non-Patent Citations (2)
Title |
---|
"C02浓度实时检测方法及其实现研究";颜世平;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130331(第3期);第I140-594页 * |
"基于极限学习机的混合气体FTIR光谱定量分析";陈媛媛等;《中北大学学报(自然科学版)》;20110629;第32卷(第5期);第636-641页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104123476A (zh) | 2014-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123476B (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
Moonchai et al. | Short-term forecasting of renewable energy consumption: Augmentation of a modified grey model with a Kalman filter | |
CN103064289B (zh) | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 | |
CN115829120B (zh) | 基于机器学习方法的水质预测预警系统 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN105046453A (zh) | 一种引入云模型进行评价选择的建设工程项目群构建方法 | |
CN105652845A (zh) | 一种基于即时学习局部模型的发酵过程故障监测方法 | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
CN109492768A (zh) | 空气质量预测模型训练方法及装置 | |
CN115713162A (zh) | 一种分布式低碳能源站健康状态预警预测方法 | |
CN100470427C (zh) | 基于仿生智能的工业软测量仪表及软测量方法 | |
CN105404142A (zh) | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 | |
CN108537343A (zh) | 一种基于集成学习的差错控制方法和系统 | |
CN110910263A (zh) | 一种基于ga-bp神经网络粮情监测方法 | |
Zhao et al. | Path planning based on multi-objective topological map | |
KR102565266B1 (ko) | Ai분석기반 환경영향예측모델 생성방법 및 그것을 이용한 환경영향 예측방법 | |
Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting | |
Shou et al. | Learning path planning algorithm based on kl divergence and d-value matrix similarity | |
CN113988311A (zh) | 质量变量的预测方法、装置、终端及存储介质 |
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 |