CN104729965B - 基于区间径向基函数神经网络的pm2.5浓度检测方法 - Google Patents
基于区间径向基函数神经网络的pm2.5浓度检测方法 Download PDFInfo
- Publication number
- CN104729965B CN104729965B CN201510044221.3A CN201510044221A CN104729965B CN 104729965 B CN104729965 B CN 104729965B CN 201510044221 A CN201510044221 A CN 201510044221A CN 104729965 B CN104729965 B CN 104729965B
- Authority
- CN
- China
- Prior art keywords
- interval
- concentration
- node
- photosignal
- layer
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明基于区间径向基函数神经网络的PM2.5浓度检测方法,属于空气质量检测领域;该方法首先将空气转化成光电信号,采集光电信号和对应的实际PM2.5浓度并进行归一化,然后将归一化处理后的区间光电信号作为输入值,区间PM2.5浓度作为输出值,对区间径向基函数神经网络进行训练,最后利用训练好的区间径向基函数神经网络获得最终区间PM2.5浓度,本发明克服了求解矩阵方程算法运算困难,精度较低的缺点,不仅可以有效地检测PM2.5浓度,也可以检测出在不确定性的条件下检测的PM2.5浓度浮动在哪个范围之内,检测精度高,检测方法简便。
Description
技术领域
本发明属于空气质量检测领域,特别涉及一种基于区间径向基函数神经网络的PM2.5浓度检测方法。
背景技术
近年来,我国很多地区相继陷入严重的雾霾天气中,而PM2.5就是雾霾天气的罪魁祸首;PM2.5是指大气中空气动力学直径小于或等于2.5μm的颗粒物,也成为可入肺颗粒物;与较粗的大气颗粒物相比,PM2.5粒径小,富含大量有毒、有害物质且在大气中的停留时间长、输送距离远,污染大气环境,并会对人们健康构成严重威胁,因此开展PM2.5环境质量检测研究是一项重要而又意义的工作。
由于推导中简化运算及设备物理尺寸限制,导致传统的PM2.5浓度检测方法求解矩阵方程算法运算困难,检测精度较低;而且由于受到环境条件、检测设备、随机因素等的影响,使得检测设备在将空气转换为光电信号时,转换后的光电信号具有一定的不确定性;同时国家环境监测官网公布的实时PM2.5浓度也是由某些监测仪测得到,同样存在不确定性。
目前,现有的基于向基函数神经网络的PM2.5浓度检测方法训练数据都是点数据,同样没有考虑到所检测到的光电信号和实时PM2.5浓度的不确定性,同时也不能得到光电信号存在不确定性时,检测的PM2.5浓度浮动在何范围;在考虑这种不确定性的条件下,传统的神经网络已经显得无能为力。
发明内容
针对现有技术的不足,本发明提出一种基于区间径向基函数神经网络的PM2.5浓度检测方法,以达到在确定性的条件下和不确定性的条件下均可以检测PM2.5浓度、在不确定性的条件下获得PM2.5浓度浮动范围、提高检测精度和简化检测方法的目的。
本发明技术方案如下:
一种基于区间径向基函数神经网络的PM2.5浓度检测方法,包括以下步骤:
步骤1、将空气通过激光空气检测仪转化成光电信号,设定采集间隔时间和采集次数,根据设定的采集间隔时间和采集次数采集多组光电信号及对应的实际PM2.5浓度,作为训练区间径向基函数神经网络的训练数据;
步骤2、根据采集光电信号的误差允许范围,将采集的光电信号扩展成区间光电信号,并根据采集PM2.5浓度的误差允许范围,将采集的光电信号对应的实际PM2.5浓度扩展成区间实际PM2.5浓度;
步骤3、将区间光电信号进行归一化处理,并将区间实际PM2.5浓度进行归一化处理;
步骤4、将归一化处理后的区间光电信号作为区间径向基函数神经网络的输入值,区间PM2.5浓度作为输出值,对区间径向基函数神经网络进行训练,获得训练完成的区间径向基函数神经网络,具体步骤如下:
步骤4.1、设定区间径向基函数神经网络分为三层:输入层、隐含层和输出层,设定输入层的节点个数和隐含层的节点个数,并设定输出层为一个节点;
步骤4.2、初始化区间径向基函数神经网络的参数,包括:设定隐含层的激励函数,即设定径向基函数为高斯函数,设定输出层的激励函数为线性函数,设定隐含层每个节点到输出层节点的初始区间权值,所述隐含层每个节点到输出层节点的初始区间权值为在[-1,1]之间的设定范围,并设定权值更新效率;
步骤4.3、对归一化处理后的区间光电信号进行聚类,设定聚类中心个数为隐含层节点数,确定隐含层每个节点所有高斯函数的中心,并根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度;
步骤4.4、根据获得的隐含层每个节点所有高斯函数的中心、隐含层每个节点所有高斯函数的宽度和归一化处理后的区间光电信号,确定隐含层每个节点的输出点值;
步骤4.5、根据隐含层每个节点的输出点值和每个节点到输出层节点的区间权值,确定输出层节点所输出的区间PM2.5浓度;
步骤4.6、将获得的所有归一化处理后区间光电信号对应的区间PM2.5浓度,与对应的归一化处理后区间实际PM2.5浓度进行比较,计算获得PM2.5浓度的总误差值;
步骤4.7、设置PM2.5浓度的总误差阈值,判断获得的PM2.5浓度总误差值是否大于所设置PM2.5浓度的总误差阈值,若是,则根据PM2.5浓度的总误差值和隐含层每个节点的输出点值,调整隐含层每个节点到输出层节点的区间权值,并返回执行步骤4.5,否则,完成区间径向基函数神经网络的训练;
步骤5、在目标环境下,将空气通过激光空气检测仪转化成光电信号,设定采集间隔时间和采集次数,根据设定的采集间隔时间和采集次数采集光电信号;
步骤6、根据在目标环境下采集光电信号的误差允许范围,将在目标环境下采集的光电信号扩展成区间光电信号;
步骤7、将在目标环境下的区间光电信号进行归一化处理;
步骤8、将在目标环境下归一化处理后的区间光电信号作为训练完成的区间径向基函数神经网络的输入值,获得最终区间PM2.5浓度。
步骤4所述的区间PM2.5浓度为在光电信号有误差时,PM2.5浓度的浮动范围。
步骤4.2所述的权值更新效率,取值范围为[0,1]。
步骤4.3所述的确定隐含层每个节点所有高斯函数的中心,并根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度,采用区间聚类算法获得,所述的区间聚类算法为K-means算法。
步骤4.5所述的根据隐含层每个节点的输出点值和该节点到输出层节点的区间权值,确定输出层节点所输出的区间检测PM2.5浓度,公式如下:
其中,Y表示输出层节点所输出的区间PM2.5浓度,YL表示输出层节点所输出的区间PM2.5浓度的下限,YU表示输出层节点所输出的区间PM2.5浓度的上限,H表示隐含层节点的个数,j表示隐含层第j个节点,表示隐含层第j个节点到输出层节点区间权值的下限,表示隐含层第j个节点到输出层节点区间权值的上限,gj(X)表示输入层输入归一化处理后光电信号X时,隐含层第j个节点的输出点值,X表示输入层输入的归一化处理后区间光电信号。
步骤4.6所述的计算获得PM2.5浓度的总误差值,采用以下公式:
其中,E表示PM2.5浓度的总误差值,P表示采集光电信号的组数,p表示第p组归一化处理后的区间光电信号,p=1,2...P;
其中,Ep表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度与该组光电信号对应的区间PM2.5浓度差的平方和,表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度的下限,表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度的上限,表示第p组归一化处理后区间光电信号对应的区间PM2.5浓度的下限,表示第p组归一化处理后区间光电信号对应的区间PM2.5浓度的上限。
步骤4.7所述的根据PM2.5浓度的总误差值和隐含层每个节点的输出点值,调整隐含层每个节点到输出层的区间权值,采用梯度下降法调整。
本发明的有益效果:
本发明一种基于区间径向基函数神经网络的PM2.5浓度检测方法,克服了求解矩阵方程算法运算困难,精度较低的缺点;本发明在确定性的条件下和不确定性的条件下均可以检测PM2.5浓度;同时,区间径向基函数神经网络不仅仅可以有效地检测PM2.5浓度,也可以计算出在这种不确定性的条件下检测的PM2.5浓度浮动在哪个范围之内,检测精度高,检测方法简便。
附图说明
图1为本发明一种实施例的基于区间径向基函数神经网络的PM2.5浓度检测方法流程图;
图2为本发明一种实施例的激光空气检测仪结构示意图;
图3为本发明一种实施例的对区间径向基函数神经网络进行训练方法流程图;
图4为本发明一种实施例的训练完成后的区间径向基函数神经网络结构示意图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
本发明实施例中,利用Matlab软件进行公式计算、训练区间径向基函数神经网络、显示调整后最终的隐含层每个节点到输出层节点的区间权值和输出区间PM2.5浓度。
本发明实施例中,基于区间径向基函数神经网络的PM2.5浓度检测方法,方法流程图如图1所示,包括以下步骤:
步骤1、将空气通过激光空气检测仪转化成光电信号,设定采集间隔时间和采集次数,根据设定的采集间隔时间和采集次数采集多组光电信号及对应的实际PM2.5浓度,作为训练区间径向基函数神经网络的训练数据;
本发明实施例中,将空气通过激光空气检测仪(专利申请号为201520007472X,该装置在专利中公开了结构和使用方法,属于公知常识)转化成光电信号,激光空气检测仪结构示意图如图2所示,图中1为光源系统,2为He-Ne激光器,3为空气采集系统,4为空气泵,5为空气室,6为信号接收系统,7为底座及支架,8为供电系统,9为测控系统,10为检测单片机,11为信号调理,12为计算单片机;
本发明实施例中,该激光检测仪基于夫琅禾费衍射理论,从激光器中发出的激光经过滤波透镜和扩束透镜后,形成的平行单色光作为检测系统的入射光;在空气采集系统中,气泵使空气均匀分散于样品盒中,入射光经过样品盒发生夫琅禾费衍射;信号接收系统将光线汇聚至光电探测器上,探测器为扇形结构,由70个对应于同一圆心角的扇环组成,每一环检测其对应的散射角范围内的散射光能;测控系统的作用是将70路微弱、均为毫伏级的模拟电压信号放大调理后由检测单片机采集,再将采集后的光电信号传送至计算单片机中;
本发明实施例中,设定采集间隔时间为1小时,采集次数为150次,共采集150组光电信号,激光空气检测仪有70个采集端口,每组光电信号通过70个采集端口采集70路光电信号,并采集中国环境监测总站公布的实时PM2.5浓度作为光电信号对应的实际PM2.5浓度;
步骤2、根据采集光电信号的误差允许范围,将采集的光电信号扩展成区间光电信号,并根据采集PM2.5浓度的误差允许范围,将采集的光电信号对应的实际PM2.5浓度扩展成区间实际PM2.5浓度;
本发明实施例中,激光空气检测仪误差允许范围为±0.02,将采集的光电信号扩展成区间光电信号,扩展后的前四组区间光电信号如表1所示;
表1
本发明实施例中,设定中国环境监测总站测量PM2.5浓度的测量误差允许范围为±0.02,将采集的光电信号对应的实际PM2.5浓度扩展成区间实际PM2.5浓度,扩展后的前四组区间实际PM2.5浓度如表2所示;
表2
组序 | PM2.5 |
1 | [174.44,192.24] |
2 | [178.36,185.64] |
3 | [196.98,205.02] |
4 | [190.12,197.88] |
步骤3、将区间光电信号进行归一化处理,并将区间实际PM2.5浓度进行归一化处理,采用以下公式:
其中,Xi表示归一化处理后的第i个区间光电信号,表示归一化处理后第i个区间光电信号的下限,表示归一化处理后第i个区间光电信号的上限,表示第i个区间光电信号的下限,表示第i个区间光电信号的上限,Zmin表示所有区间光电信号下限的最小值,Zmax表示所有区间光电信号上限的最大值,i表示第i个区间光电信号,L表示区间下限,U表示区间上限,min表示最小,max表示最大;
步骤4、将归一化处理后的区间光电信号作为区间径向基函数神经网络的输入值,区间PM2.5浓度作为输出值,对区间径向基函数神经网络进行训练,获得训练完成的区间径向基函数神经网络,具体步骤如下:
本发明实施例中,所述的区间PM2.5浓度为在光电信号有误差时,PM2.5浓度的浮动范围;
步骤4.1、设定区间径向基函数神经网络分为三层:输入层、隐含层和输出层,设定输入层的节点个数和隐含层的节点个数,并设定输出层为一个节点;
本发明实施例中,设定输入层的节点个数为70,隐含层的节点个数H为100;
步骤4.2、初始化区间径向基函数神经网络的参数,包括:设定隐含层的激励函数,即设定径向基函数为高斯函数,设定输出层的激励函数为线性函数,设定隐含层每个节点到输出层节点的初始区间权值,所述隐含层每个节点到输出层节点的初始区间权值为在[-1,1]之间的设定范围,并设定权值更新效率;
本发明实施例中,利用Matlab软件随机设定隐含层每个节点到输出层节点的初始区间权值,权值更新效率的取值范围为[0,1],设定权值更新效率为0.65;
步骤4.3、对归一化处理后的区间光电信号进行聚类,设定聚类中心个数为隐含层节点数,确定隐含层每个节点所有高斯函数的中心,并根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度;
本发明实施例中,设定聚类中心个数为100,确定隐含层每个节点所有高斯函数的中心,并根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度,采用区间聚类算法获得,所述的区间聚类算法为K-means算法,具体步骤如下:
步骤4.3.1、设定初始时输入信号的路数m为1,迭代次数k为1,选取第m路150个归一化处理后区间光电信号中,前100个区间范围不同的归一化处理后区间光电信号,将每个区间光电信号作为第m路归一化处理后区间光电信号的初始聚类中心,即隐含层每个节点的第m个高斯函数的初始中心;
步骤4.3.2、获得第m路的150个归一化处理后区间光电信号与本路聚类中心的之间的距离,采用以下公式:
其中,Xmi表示第m路中第i个归一化处理后区间光电信号,m表示输入信号的路数,m=1,2,...70,Cmj(k)表示第k次迭代时,第m路中归一化处理后区间光电信号的第j个聚类中心,表示第m路中第i个归一化处理后区间光电信号的下限,表示第m路中第i个归一化处理后区间光电信号的上限,表示第k次迭代时,第m路中归一化处理后区间光电信号第j个聚类中心的下限,表示第k次迭代时,第m路中归一化处理后区间光电信号第j个聚类中心的上限,k表示迭代次数;
步骤4.3.3、对每一路的归一化处理后区间光电信号按照最小规则进行分类,即将该路中每个归一化处理后的区间光电信号归类到与该区间光电信号距离最短的聚类中心;
步骤4.3.4、根据每一路归一化处理后区间光电信号中,每个聚类中心包含的归一化处理后区间光电信号,重新获得该路归一化处理后区间光电信号的聚类中心,采用以下公式:
其中,Cmj(k+1)表示第k+1次迭代时,第m路中归一化处理后区间光电信号的第j个聚类中心,Nmj表示第m路中归一化处理后区间光电信号的第j个聚类中心包含归一化处理后区间光电信号的个数;
步骤4.3.5、判断第k+1次迭代时,第m路中归一化处理后区间光电信号的第j个聚类中心是否等于第k次迭代时,第m路中归一化处理后区间光电信号的第j个聚类中心,若是,则聚类结束,将第k次迭代时,第m路中归一化处理后区间光电信号的100个聚类中心作为隐含层每个节点的第m个高斯函数中心,并执行步骤4.3.6,否则,返回执行步骤4.3.2;
步骤4.3.6、判断输入信号的路数m是否小于70,若是,则m=m+1,并返回执行步骤4.3.1,否则,聚类结束;
步骤4.3.7、根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度;
本发明实施例中,获得每个节点所有高斯函数的宽度,采用以下公式:
bj=δdj (7)
其中,bj表示隐含层第j个节点所有高斯函数的宽度,δ表示重叠系数,取值范围为[2,4],dj表示隐含层第j个节点中任意两个高斯函数中心之间的最短距离;
dj=min||Cjp-Cjq|| (8)
其中,Cjp表示隐含层第j个节点中第p个高斯函数中心,Cjq表示隐含层第j个节点中第q个高斯函数中心;
本发明实施例中,重叠系数取值为2;
步骤4.4、根据获得的隐含层每个节点所有高斯函数的中心、隐含层每个节点所有高斯函数的宽度和归一化处理后的区间光电信号,确定隐含层每个节点的输出点值;
本发明实施例中,确定隐含层每个节点的输出点值,采用以下公式:
其中,gj(X)表示隐含层第j个节点的输出点值,exp表示指数函数,||X-Cj||2表示任意归一化处理后区间光电信号与隐含层第j个节点高斯函数中心之间的欧几里得距离,Cj表示隐含层第j个节点的所有高斯函数中心;
步骤4.5、根据隐含层每个节点的输出点值和每个节点到输出层节点的区间权值,确定输出层节点所输出的区间PM2.5浓度;
本发明实施例中,确定输出层节点所输出的区间PM2.5浓度,公式如下:
其中,Y表示输出层节点所输出的区间PM2.5浓度,YL表示输出层节点所输出的区间PM2.5浓度下限,YU表示输出层节点所输出的区间PM2.5浓度上限,H表示隐含层节点的个数,j表示隐含层第j个节点,表示隐含层第j个节点到输出层节点的区间权值下限,表示隐含层第j个节点到输出层节点的区间权值上限,gj(X)表示输入层输入归一化处理后区间光电信号X时,隐含层第j个节点的输出点值,X表示输入层输入的归一化处理后区间光电信号;
步骤4.6、将获得的所有归一化处理后区间光电信号对应的区间PM2.5浓度,与对应的归一化处理后区间实际PM2.5浓度进行比较,计算获得PM2.5浓度的总误差值;
本发明实施例中,计算获得PM2.5浓度的总误差值,采用以下公式:
其中,E表示PM2.5浓度的总误差值,P表示采集光电信号的组数,p表示第p组归一化处理后的区间光电信号,p=1,2...P;
其中,Ep表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度与该组光电信号对应的区间PM2.5浓度差的平方和,表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度的下限,表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度的上限,表示第p组归一化处理后区间光电信号对应的区间PM2.5浓度的下限,表示第p组归一化处理后区间光电信号对应的区间PM2.5浓度的上限;
步骤4.7、设置PM2.5浓度的总误差阈值,判断获得的PM2.5浓度总误差值是否大于所设置PM2.5浓度的总误差阈值,若是,则根据PM2.5浓度的总误差值和隐含层每个节点的输出点值,调整隐含层每个节点到输出层节点的区间权值,并返回执行步骤4.5,否则,完成区间径向基函数神经网络的训练;
本发明实施例中,根据PM2.5浓度的总误差值和隐含层每个节点的输出点值,调整隐含层每个节点到输出层节点的区间权值,采用梯度下降法调整,具体步骤如下:
步骤4.7.1、获得隐含层每个节点到输出层节点的区间权值上限和下限的修正值,采用以下公式:
其中,表示隐含层每个节点到输出层节点的区间权值下限修正值,表示求偏导数;
其中,表示隐含层每个节点到输出层节点的区间权值上限修正值;
步骤4.7.2、根据修正前隐含层每个节点到输出层节点的区间权值、获得的隐含层每个节点到输出层节点的区间权值上限修正值和获得的隐含层每个节点到输出层节点的区间权值下限修正值,得到修正后隐含层每个节点到输出层节点的区间权值,采用以下公式:
其中,表示修正后隐含层每个节点到输出层节点的区间权值下限,表示修正前隐含层每个节点到输出层节点的区间权值下限,η表示权值更新效率,t表示第t次修正;
其中,表示第t次修正后隐含层每个节点到输出层节点的区间权值上限,表示第t次修正前隐含层每个节点到输出层节点的区间权值上限;
本发明实施例中,获得训练完成后的区间径向基函数神经网络结构示意图如图4所示;
步骤5、在目标环境下,将空气通过激光空气检测仪转化成光电信号,设定采集间隔时间和采集次数,根据设定的采集间隔时间和采集次数采集光电信号;
本发明实施例中,在目标环境下,将空气通过申请号为201520007472X的激光空气检测仪转化成光电信号,设定采集间隔时间为1小时,采集次数为50次,激光空气检测仪有70个采集端口,每个采集端口采集50个光电信号,并采集中国环境监测总站公布的实时PM2.5浓度作为光电信号对应的实际PM2.5浓度;
步骤6、根据在目标环境下采集光电信号的误差允许范围,将在目标环境下采集的光电信号扩展成区间光电信号;
本发明实施例中,激光空气检测仪误差允许范围为±0.02,将在目标环境下采集的光电信号扩展成区间光电信号,同时设定中国环境监测总站测量PM2.5浓度的测量误差允许范围为±0.02,将采集的光电信号对应的实际PM2.5浓度扩展成区间实际PM2.5浓度;
步骤7、将在目标环境下的区间光电信号进行归一化处理;
本发明实施例中,将在目标环境下的区间光电信号进行归一化处理,并将在目标环境下的区间实际PM2.5浓度进行归一化处理,采用公式(4);
步骤8、将在目标环境下归一化处理后的区间光电信号作为训练完成的区间径向基函数神经网络的输入值,获得最终区间PM2.5浓度。
本发明实施例中,将在目标环境下归一化处理后的50个区间光电信号作为训练好的神经网络的输入值,获得最终区间PM2.5浓度,与在目标环境下归一化处理后的50个区间光电信号对应的区间实际PM2.5浓度进行对比,对比结果如表3所示;
表3
从表3可以看出,本发明实施例的基于区间径向基函数神经网络的PM2.5浓度检测方法,检测效果良好。
Claims (5)
1.一种基于区间径向基函数神经网络的PM2.5浓度检测方法,其特征在于:包括以下步骤:
步骤1、将空气通过激光空气检测仪转化成光电信号,设定采集间隔时间和采集次数,根据设定的采集间隔时间和采集次数采集多组光电信号及对应的实际PM2.5浓度,作为训练区间径向基函数神经网络的训练数据;
步骤2、根据采集光电信号的误差允许范围,将采集的光电信号扩展成区间光电信号,并根据采集PM2.5浓度的误差允许范围,将采集的光电信号对应的实际PM2.5浓度扩展成区间实际PM2.5浓度;
步骤3、将区间光电信号进行归一化处理,并将区间实际PM2.5浓度进行归一化处理;
步骤4、将归一化处理后的区间光电信号作为区间径向基函数神经网络的输入值,区间PM2.5浓度作为输出值,对区间径向基函数神经网络进行训练,获得训练完成的区间径向基函数神经网络,具体步骤如下:
步骤4.1、设定区间径向基函数神经网络分为三层:输入层、隐含层和输出层,设定输入层的节点个数和隐含层的节点个数,并设定输出层为一个节点;
步骤4.2、初始化区间径向基函数神经网络的参数,包括:设定隐含层的激励函数,即设定径向基函数为高斯函数,设定输出层的激励函数为线性函数,设定隐含层每个节点到输出层节点的初始区间权值,所述隐含层每个节点到输出层节点的初始区间权值为在[-1,1]之间的设定范围,并设定权值更新效率;
步骤4.3、对归一化处理后的区间光电信号进行聚类,设定聚类中心个数为隐含层节点数,确定隐含层每个节点所有高斯函数的中心,并根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度;
步骤4.4、根据获得的隐含层每个节点所有高斯函数的中心、隐含层每个节点所有高斯函数的宽度和归一化处理后的区间光电信号,确定隐含层每个节点的输出点值;
步骤4.5、根据隐含层每个节点的输出点值和每个节点到输出层节点的区间权值,确定输出层节点所输出的区间PM2.5浓度;公式如下:
其中,Y表示输出层节点所输出的区间PM2.5浓度,YL表示输出层节点所输出的区间PM2.5浓度的下限,YU表示输出层节点所输出的区间PM2.5浓度的上限,H表示隐含层节点的个数,j表示隐含层第j个节点,表示隐含层第j个节点到输出层节点区间权值的下限,表示隐含层第j个节点到输出层节点区间权值的上限,gj(X)表示输入层输入归一化处理后光电信号X时,隐含层第j个节点的输出点值,X表示输入层输入的归一化处理后区间光电信号;
步骤4.6、将获得的所有归一化处理后区间光电信号对应的区间PM2.5浓度,与对应的归一化处理后区间实际PM2.5浓度进行比较,计算获得PM2.5浓度的总误差值;采用以下公式:
其中,E表示PM2.5浓度的总误差值,P表示采集光电信号的组数,p表示第p组归一化处理后的区间光电信号,p=1,2...P;
其中,Ep表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度与该组光电信号对应的区间PM2.5浓度差的平方和,表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度的下限,表示第p组归一化处理后区间光电信号对应的区间实际PM2.5浓度的上限,表示第p组归一化处理后区间光电信号对应的区间PM2.5浓度的下限,表示第p组归一化处理后区间光电信号对应的区间PM2.5浓度的上限;
步骤4.7、设置PM2.5浓度的总误差阈值,判断获得的PM2.5浓度总误差值是否大于所设置PM2.5浓度的总误差阈值,若是,则根据PM2.5浓度的总误差值和隐含层每个节点的输出点值,调整隐含层每个节点到输出层节点的区间权值,并返回执行步骤4.5,否则,完成区间径向基函数神经网络的训练;
步骤5、在目标环境下,将空气通过激光空气检测仪转化成光电信号,设定采集间隔时间和采集次数,根据设定的采集间隔时间和采集次数采集光电信号;
步骤6、根据在目标环境下采集光电信号的误差允许范围,将在目标环境下采集的光电信号扩展成区间光电信号;
步骤7、将在目标环境下的区间光电信号进行归一化处理;
步骤8、将在目标环境下归一化处理后的区间光电信号作为训练完成的区间径向基函数神经网络的输入值,获得最终区间PM2.5浓度。
2.根据权利要求1所述的基于区间径向基函数神经网络的PM2.5浓度检测方法,其特征在于:步骤4所述的区间PM2.5浓度为在光电信号有误差时,PM2.5浓度的浮动范围。
3.根据权利要求1所述的基于区间径向基函数神经网络的PM2.5浓度检测方法,其特征在于:步骤4.2所述的权值更新效率,取值范围为[0,1]。
4.根据权利要求1所述的基于区间径向基函数神经网络的PM2.5浓度检测方法,其特征在于:步骤4.3所述的确定隐含层每个节点所有高斯函数的中心,并根据每个节点中各高斯函数中心之间的距离获得每个节点所有高斯函数的宽度,采用区间聚类算法获得,所述的区间聚类算法为K-means算法。
5.根据权利要求1所述的基于区间径向基函数神经网络的PM2.5浓度检测方法,其特征在于:步骤4.7所述的根据PM2.5浓度的总误差值和隐含层每个节点的输出点值,调整隐含层每个节点到输出层的区间权值,采用梯度下降法调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510044221.3A CN104729965B (zh) | 2015-01-28 | 2015-01-28 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510044221.3A CN104729965B (zh) | 2015-01-28 | 2015-01-28 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104729965A CN104729965A (zh) | 2015-06-24 |
CN104729965B true CN104729965B (zh) | 2017-05-10 |
Family
ID=53454062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510044221.3A Expired - Fee Related CN104729965B (zh) | 2015-01-28 | 2015-01-28 | 基于区间径向基函数神经网络的pm2.5浓度检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104729965B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056210B (zh) * | 2016-06-07 | 2018-06-01 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
CN106990769A (zh) * | 2017-06-08 | 2017-07-28 | 辽宁省农业科学院 | 一种温室环境综测仪及方法 |
CN108446506B (zh) * | 2018-03-26 | 2021-06-08 | 东北大学 | 一种基于区间反馈神经网络的不确定系统建模方法 |
CN108415336A (zh) * | 2018-04-17 | 2018-08-17 | 江苏博亨光电科技有限公司 | 基于径向基神经网络的荧光温度解调系统及方法 |
CN109492752A (zh) * | 2018-11-05 | 2019-03-19 | 常熟理工学院 | 采用数据信号与知识引导结合的智能学习系统及方法 |
CN109794149B (zh) * | 2019-03-20 | 2021-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 一种cfb锅炉烟气脱硝自动控制方法及系统 |
CN111474094B (zh) * | 2020-03-20 | 2022-03-18 | 淮阴工学院 | 一种粉尘浓度智能化检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256687A (zh) * | 2008-03-26 | 2008-09-03 | 河北工业大学 | 基于径向基神经网络的红外光电客流采集装置及方法 |
CN103955742A (zh) * | 2014-04-28 | 2014-07-30 | 淮阴工学院 | 一种基于集成学习的pm2.5预报方法 |
-
2015
- 2015-01-28 CN CN201510044221.3A patent/CN104729965B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256687A (zh) * | 2008-03-26 | 2008-09-03 | 河北工业大学 | 基于径向基神经网络的红外光电客流采集装置及方法 |
CN103955742A (zh) * | 2014-04-28 | 2014-07-30 | 淮阴工学院 | 一种基于集成学习的pm2.5预报方法 |
Non-Patent Citations (3)
Title |
---|
人工神经网络在空气质量预测中的应用研究;杜晓亮;《万方学位论文》;20100119;全文 * |
基于RBF神经网络的PM10污染预测研究;王兰霞;《万方学位论文》;20120427;全文 * |
基于神经网络的大气细颗粒物软测量研究;商潇潇;《万方学位论文》;20141119;说明书第2页第1-9行 * |
Also Published As
Publication number | Publication date |
---|---|
CN104729965A (zh) | 2015-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104729965B (zh) | 基于区间径向基函数神经网络的pm2.5浓度检测方法 | |
CN105606499B (zh) | 悬浮颗粒物质量浓度实时检测装置及测量方法 | |
CN107917987B (zh) | 一种面向城市空气污染物溯源分析方法 | |
Gogolak et al. | Indoor fingerprint localization in WSN environment based on neural network | |
US20170185892A1 (en) | Intelligent detection method for Biochemical Oxygen Demand based on a Self-organizing Recurrent RBF Neural Network | |
CN110362949B (zh) | 一种基于神经网络的滑坡敏感性评估方法 | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN105809249B (zh) | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 | |
CN109213839A (zh) | 基于网格化特征深度学习的热点网格污染物数据获取方法 | |
CN103353923A (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN109387452A (zh) | 基于人工神经网络的森林地表死可燃物含水率预测系统 | |
CN105787184A (zh) | 一种基于pm2.5的大气气溶胶光学厚度估计方法 | |
CN106528788A (zh) | 基于gis技术分析地面雨径流污染空间分布特征的方法 | |
CN104316167B (zh) | 一种低信噪比下结构响应异常检测方法 | |
CN110133703A (zh) | 一种基于BP神经网络和蒙特卡洛算法的γ射线剂量测量方法 | |
CN111678880A (zh) | 平流层臭氧侵入对流层中低层的卫星遥感识别方法及系统 | |
CN114186491A (zh) | 基于改进lur模型的细颗粒物浓度时空特征分布方法 | |
CN108804395A (zh) | 一种氡钍子体固定能区比例系数扣除算法 | |
CN109784769B (zh) | 一种农业面源污染风险识别方法 | |
CN106940290A (zh) | 基于高光谱数据的水库水体氨氮含量估算方法 | |
CN104977602B (zh) | 一种地震数据采集施工的控制方法及装置 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN106645985A (zh) | 一种基于人工神经网络的雷电流反演方法 | |
CN105825231A (zh) | 一种基于人工智能的空间碎片光谱特征分类方法 | |
CN104535465B (zh) | 基于神经网络的pm2.5浓度检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170510 Termination date: 20220128 |