CN109087277A - 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 - Google Patents
一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 Download PDFInfo
- Publication number
- CN109087277A CN109087277A CN201810596929.3A CN201810596929A CN109087277A CN 109087277 A CN109087277 A CN 109087277A CN 201810596929 A CN201810596929 A CN 201810596929A CN 109087277 A CN109087277 A CN 109087277A
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- neural network
- output
- image
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 100
- 239000010419 fine particle Substances 0.000 title claims abstract description 12
- 238000000691 measurement method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 85
- 210000002569 neuron Anatomy 0.000 claims description 57
- 230000000306 recurrent effect Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000003933 environmental pollution control Methods 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000001537 neural effect Effects 0.000 abstract 1
- 238000007792 addition Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/075—Investigating concentration of particle suspensions by optical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dispersion Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法既属于环境工程领域又属于检测技术领域。大气环境系统具有多变量、非线性、内部机理复杂、信息不完备等特性,难以通过机理分析建立其数学模型,而相比于单个神经网络,集成神经网络对于高度非线性和严重不确定性系统则具有更好的处理能力,且用图像特征作为输入变量预测PM2.5能有效提高模型的实时性和高效性。本发明针对PM2.5难以高精度且实时预测的问题,首先基于特征提取方法提取与PM2.5相关的图像特征,其次利用基于简单平均方法的集成神经网络建立相关图像特征和PM2.5之间的软测量模型,最后用建立好的软测量模型对PM2.5进行预测并取得了较好的效果。该软测量模型的输出结果可为环境管理决策者和群众提供及时准确的大气环境质量信息,有利于加强大气环境污染控制,防止严重污染的发生。
Description
技术领域
本发明涉及空气中细颗粒物PM2.5的软测量方法。软测量是根据某种最优准则,选择一组既与主变量密切联系,又容易测量的输入变量,通过构造某种数学模型,依靠事先学习和记忆实现对主变量的估计。PM2.5的预测在空气污染防治中具有重要意义,将软测量方法应用于PM2.5的预测中,既可节约空气污染监测成本,又能及时提供PM2.5的浓度信息,有利于加强大气环境污染控制,是先进制造技术领域的重要分支,既属于环境工程领域,又属于检测技术领域。
背景技术
2013年颁发的《大气污染防治行动计划》明确指出,到2017年全国地级及以上城市可吸入颗粒物浓度比2012年下降10%以上,其中北京市细颗粒物浓度控制在60μg/m3。但是,当前我国大气污染形势严峻,以PM2.5等为特征污染物的区域性大气环境问题日益突出,损害公众身体健康,影响社会和经济的可持续发展。因此通过对PM2.5的预测,及时防治空气污染,防止严重污染的发生已受到社会的广泛关注。然而,PM2.5的浓度不仅和污染源、污染物有关,还和气象条件有关,其成分及比例,排放源组成及贡献率有明显的时空异质性,且大气环境系统具有多变量、非线性、内部机理复杂、信息不完备等特性,使PM2.5的预测难度较大。
目前,各国环保部门广泛采用的PM2.5测定方法有重量法、β射线吸收法和微量振荡天平法。重量法需要人工称重,操作繁琐费时。后两者属于自动监测方法,所需仪器仪表价格昂贵,维护困难,测量范围有限。常用的PM2.5预测方法确定性化学建模方法所需的模型分辨率、气象初始条件、排放源的时空分布等参数难以确定,计算复杂,精度较低。线性回归建模方法不适合对本身非线性的大气环境系统进行建模。人工神经网络虽然预测精度不高,但把神经网络进行集成会显著提高模型精度。现有的大多数PM2.5预测方法因基于不易实时获取的气象局数据而不能实时的预测PM2.5浓度。因此,研究新的PM2.5预测方法对解决PM2.5难以高精度且实时预测的问题具有深远的现实意义。
本发明提出一种新的基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法。图像特征是通过特征提取方法从图片中提取得到的,集成神经网络是利用简单平均的方法将若干个递归模糊神经网络集成得到,通过反复实验根据集成神经网络的性能表现增删递归模糊神经网络数目,使集成神经网络的性能最终变得最优,同时利用自适应学习率的梯度下降算法训练集成神经网络的子网络递归模糊神经网络的中心、宽度和权值。然后,以通过特征提取方法得到的图像特征为输入,利用该集成神经网络建立PM2.5软测量模型,实现对空气细颗粒物PM2.5的预测。
发明内容
本发明获得了一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法。该方法首先利用采集到的图片基于特征提取方法提取与PM2.5相关的图像特征,然后利用简单平均方法确定的集成神经网络建立相关图像特征和PM2.5之间的软测量模型,对PM2.5进行预测,解决了PM2.5难以高精度且实时预测的问题。
一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法设计包括以下步骤:
(1)提取图像特征
①图像对比度特征是决定图像增强的关键因素。一个经典且常用于度量图像对比度的标准是信息熵。信息熵是一种全局测量,它表征图像中包含的平均信息量。更大的熵意味着图像具有更大的对比度进而拥有更好的视觉质量。基于相位一致性的熵Epc计算公式如下:
其中,s代表图像信号,spc由s中的像素构成,l代表像素值且值域为[0,255],P代表概率分布。
图像对比度的第二种度量方式是对比能,其估计感知的是图像局部对比度。使用它的原因在于对比能具有计算简单性,更重要是在于它具有对比度感知属性。对比能在三个通道上计算公式如下:
其中,s代表图像信号,sq表示滤波器在第q个方向过滤得到的图像信号,f={rg,gr,yb}分别是s的三通道,并且rg=R-G, gr=0.299×R+0.587×G+0.114×B和yb=0.5×(G+R)-B,R,G,B分别是红、绿、蓝三个通道的颜色值,它们的取值范围为[0,255],ψh和ψυ分别代表高斯函数的水平和垂直二阶导数, CEf={CErg,CEgr,CEyb}。α取Y(sf)的最大值,θ控制对比增益,ξ用于通过阈值约束噪声。
因此,图像对比度的四组特征包括如下:Epc,CErg,CEgr,CEyb。
②图像亮度非常影响图像增强的效果,因为一方面适当的图像亮度使图像具有更宽的动态范围,另一方面它包含语义信息。我们利用亮度变化图像的熵来推断图像是否具有合适的亮度。面对多指标md的选择,其中d为选取指标的个数,指标过多有利于提高性能,但对计算速度不利。我们通过使用六个熵值在功效和效率之间找到了很好的平衡,所以取d=6,计算公式如下:
其中,n的取值依据经验给定。
因此,图像亮度的六组特征包括如下:
③图像色彩度具有与亮度类似的功能,提供具有更宽动态范围的彩色图像,从而显示与灰度图像相关的更多细节和信息。为了量化图像的色彩度,我们首先介绍色彩饱和度,它表示与其自身亮度相比颜色的色彩度。将图像转换为由色调、饱和度和明度构成的颜色空间后,它的饱和通道的全局平均值的计算公式如下:
其中,S代表一组图像色彩度特征,TX→S代表转换函数用于转换某一种类型图像为饱和通道,s代表图像信号,M表示s中的像素数,s(z)表示s中第z个像素点。
图像色彩的另一个测量量由四个重要特征构成,它们分别包括yb和rg通道的均值μyb,μrg和方差σyb,σrg。另一组图像色彩度特征C的计算公式如下:
其中,κ是修正因子,用于调整各部分的相对重要性。
因此,图像色彩度的两组特征包括如下:S,C
④由图像特征提取式(1)-式(5),图像的三类特征对比度、亮度、色彩度能分别从图片中被提取出来,分别为Epc,CErg,CEgr,CEyb、和S,C。
(2)确定输入变量和预测变量。
①变量数据的标准化处理:将从上一小时实际摄取图片中提取出来的图像特征数据和 PM2.5浓度的下一小时数据一一对应,整理出L组数据,其中L取值可为200左右,过小数据量不够,包含信息不完备,过大计算过于复杂,然后以图像特征为自变量X,PM2.5浓度为因变量Y:
X=[x1,x2,…,x12]T,Y=y (6)
其中,x1,x2,x3,x4表示图像对比度特征Epc,CErg,CEgr,CEyb,x5,x6,x7,x8,x9,x10表示图像亮度特征x11,x12表示图像色彩度特征S,C,y表示PM2.5浓度。各类特征是无量纲的,PM2.5浓度的单位是μg/m3。数据标准化处理的计算公式如下:
其中,g1,g2,,g3,g4是从上一小时实际摄取图片中提取出来的图像对比度特征Epc,CEgr,CEyb,CErg的数据数组标准化后得到的数组,D1,D2,D3,D4是标准化前图像对比度特征Epc,CEgr,CEyb,CErg的数据数组,D1,min,D2,min,D3,min,D4,min分别是数组D1,D2,D3, D4中的最小值,D1,max,D2,max,D3,max,D4,max分别是数组D1,D2,D3,D4中的最大值。从上一小时实际摄取图片中提取出来的图像亮度特征和图像色彩度特征 S,C的数据数组和PM2.5浓度的下一小时实测数据数组分别是D5、D6、D7、D8、D9、D10,D11、 D12和D13,找出各数组内部的最大值和最小值,按照式(7)相同的处理方式得到标准化数组分别是:g5、g6、g7、g8、g9、g10,g11、g12和g13。
②通过①中的数据标准化处理得到g1、g2、g3、g4、g5、g6,g7、g8、g9、g10、g11、g12,将这些图像特征选作输入变量,记为r1,r2,…,r12,PM2.5浓度作为预测变量,是集成神经网络的期望输出,记为op,输入变量和预测变量的标准化观测数据阵分别记为E和F,选取E和F 的前I组数据作为训练样本,后I′组数据作为测试样本(I′=L-I,I′<=I)。
(3)设计用于PM2.5预测的集成神经网络的初始拓扑结构。本发明用于PM2.5预测的集成神经网络共由Q个子网络组成,每个子网络都是一个递归模糊神经网络。该集成神经网络通过简单平均的方法将Q个递归模糊神经网络集为一体,这里的简单平均方法是指所有子网络的权重一样且各权重之和为1。集成神经网络的子网络为递归模糊神经网络,该子网络共5层:输入层、隶属函数层、规则层、去模糊化层和输出层。输入是选取的输入变量,输出是PM2.5浓度,通过反复实验根据子网络的性能表现增删规则层神经元数目后确定它的规则层神经元数目为J,进而确定其12-12×J-J-J-1的连接方式,即输入层神经元数和输入变量的个数同是 12,隶属函数层神经元数是12×J,规则层神经元数是J,去模糊化层神经元数是J,输出层神经元数是1。各子网络的中心、宽度和权值的初始值设定在(0,1)之间,随机设定即可,不影响子网络的预测效果,只影响其收敛速度。集成神经网络的输入表示为r=[r1,r2,…,r12]T, [r1,r2,…,r12]T是[r1,r2,…,r12]的转置,期望输出表示为op。第k组训练样本表示为 r(k)=[r1(k),r2(k),…,r12(k)]T,k=1,2,…,I,其中I为训练样本数目。由于集成神经网络是由若干个递归模糊神经网络组合而成,因此用第k组训练样本训练集成神经网络也即是分别训练所有的子网络,这时其中一个子网络的各层输出依次为:
①输入层:该层有12个神经元:
ai(k)=ri(k) (8)
其中,ai(k)是输入层第i个神经元的输出,ri(k)是该层第i个神经元的输入变量。
②隶属函数层:该层选取高斯函数作为隶属函数对输入变量进行模糊化处理,隶属函数层有12×J个神经元,该层第ij个神经元的输出uij(k)为:
其中,ai(k)是输入层第i个神经元的输出,uij(k)是隶属度函数层第ij个神经元的输出, cij(k),σij(k)分别是递归模糊神经网络的中心和宽度。
③规则层:该层有J个神经元,每个神经元代表一个模糊逻辑规则。同时,将递归链接引入此层,并将规则层的上一次输出用作当前次规则层的输入,且递归链连接值根据网络精度是否达到要求自行调整。该层第j个神经元的输出φj(k)为:
其中,uij(k)是隶属度函数层第ij个神经元的输出,φj(k)是规则层第j个神经元的当前次输出,φj(k-1)是规则层第j个神经元的上一次输出,λj(k)是规则层第j个神经元递归链的连接值。
④去模糊化层:该层神经元数目与规则层相同,该层第j个神经元的输出为:
其中,φj(t)是规则层第j个神经元的输出。
⑤输出层:该层有1个神经元,该层的输出表示子网络预测输出yo(k),如下式所示:
其中,为去模糊化层第j个神经元的输出,wj(k)是去模糊化层第j个神经元与输出层神经元之间的连接权值。式(8)-式(12)中,i=1,2,…,12,j=1,2,…J。
子网络递归模糊神经网络的训练均方根误差(RMSE)为:
其中,op(k)和yo(k)分别是第k组训练样本的期望输出和用第k组训练样本训练子网络递归模糊神经网络时的网络输出,训练集成神经网络的目的是使所有子网络的训练RMSE达到期望值。
集成神经网络的输出o(k)表示预测的PM2.5浓度,由于集成神经网络是由若干个递归模糊神经网络组合而成,因此o(k)计算如下式所示:
其中,yot(k)为集成神经网络第t个子网络的输出,wt(k)为集成神经网络第t个子网络被赋予的权重,该权重由简单平均方法获得。式(14)中,t=1,2,…,Q。
(4)用训练样本I训练集成神经网络,也即是用训练样本I训练它的所有子网络。在训练过程中,利用自适应学习率的梯度下降算法训练集成神经网络各子网络的中心、宽度、权值和递归链连接值,直到网络精度满足信息处理的需求,具体为:
①选取用于训练所有子网络递归模糊神经网络的训练样本I,设置最大迭代步数为1000,期望训练RMSE设定为0.01,自适应学习率η的初始值设定为0.005,初始值过大会使子网络的误差振荡,过小会降低子网络的收敛速度。
②利用自适应学习率的梯度下降算法训练初始给定的集成神经网络的所有子网络,子网络每产生一组输出参数更新一次,自适应学习率的梯度下降算法参数调整公式如下:
η=ηmax-h(ηmax-ηmin)/H(19)
其中,cij(k-1)、σij(k-1)、wj(k-1)和λj(k-1)分别是第k-1组训练样本训练集成神经网络子网络时网络的中心、宽度、权值和递归链连接值,cij(k)、σij(k)、wj(k)和λj(k)分别是第k组训练样本训练集成神经网络子网络时网络的中心、宽度、权值和递归链连接值, E(k-1)为第k-1组训练样本训练集成神经网络子网络的训练误差平方和,其由计算可得,其中op(k-1)和yo(k-1)分别是第k-1组训练样本的期望输出和用第k-1组训练样本训练集成神经网络子网络的输出,η是自适应学习率,ηmax,ηmin分别是最大学习率和最小学习率,h是当前迭代步数,H是总迭代步数,自适应学习率η根据式(19)自行调整。
③若在某步训练过程中,集成神经网络所有子网络的训练RMSE<=0.01或算法迭代了 1000步时则停止计算,否则转向②。
(5)对测试样本进行检测。利用测试样本对训练好的集成神经网络进行测试,集成神经网络的输出即为PM2.5的预测结果,根据式(14)计算得到。
附图说明
图1是本发明的PM2.5软测量模型拓扑结构图。
图2是本发明的PM2.5软测量模型针对标准化数据的训练RMSE变化图。
图3是本发明的PM2.5软测量模型训练结果散点图。
图4是本发明的PM2.5软测量模型训练结果误差图。
图5是本发明的PM2.5软测量模型测试结果散点图。
图6是本发明的PM2.5软测量模型测试结果误差图。
具体实施方式
本发明获得了一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法。该软测量方法以PM2.5为输出,以通过特征提取方法得到的图像特征为输入,利用集成神经网络建立PM2.5软测量模型,对PM2.5进行预测。
实验数据来自于天气网站(http://www.tour-beijing.com/real_time_weather_ photo/),在该网站上采集了北京2015年3月1日至2015年4月1日的实时天气图片以及相应的PM2.5浓度数据,剔除异常及缺失数据后将从上一小时实际摄取图片中提取出来的图像特征数据和PM2.5浓度的下一小时数据一一对应,共整理出150组数据。
一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法设计包括以下步骤:
(1)提取图像特征。文中提取三类图像特征数据的步骤,具体如下:
图像对比度特征是决定图像增强的关键因素。度量图像对比度有两个标准分别是信息熵和对比能,按照式(1)-式(2),得到图像对比度特征Epc,CErg,CEgr,CEyb。
图像亮度非常影响图像增强的效果,因为一方面适当的图像亮度使图像具有更宽的动态范围,另一方面它包含语义信息。图像亮度通过式(3)得到的六个熵值来度量,其中n的取值依据经验被给定为3.5,5.5,7.5,进而得到图像亮度特征为
图像色彩度具有与亮度类似的功能,提供具有更宽动态范围的彩色图像,从而显示与灰度图像相关的更多细节和信息。我们引进色彩饱和度和四个重要特征去量化图像的色彩度,按照式(4)-式(5),得到图像色彩度特征S,C。
综上所述,由图像特征提取式(1)-式(5),三类图像特征对比度、亮度、色彩度能分别从图片中被提取出来,分别Epc,CErg,CEgr,CEyb、S,C一共有12组特征。
(2)确定输入变量和预测变量。文中提取的图像特征数据为集成神经网络的输入变量,具体如下:
变量数据的标准化处理:以图像对比度特征、图像亮度特征、图像色彩度特征为自变量 X,PM2.5浓度为因变量Y。从上一小时实际摄取图片中提取出来的图像对比度特征、图像亮度特征、图像色彩度特征的数据数组和PM2.5浓度的下一小时实测数据数组分别表示为D1、D2、 D3、D4,D5、D6、D7、D8、D9、D10,D11、D12和D13,找出各数组内部的最大值和最小值,按照式(7)的处理方式得到标准化后的数组分别是:g1、g2、g3、g4和g5、g6、g7、g8、g9、g10和g11、g12和g13。
确定输入变量和预测变量:g1,g2,g3,g4,g5,g6,g7,g8,g9,g10,g11和g12构成了自变量X的标准化观测数据阵E,g13是因变量Y的标准化观测数据阵F。取E和F的前100组数据用作训练样本,后50组数据用作测试样本。
(3)初始化用于PM2.5预测的集成神经网络。本发明用于PM2.5预测的集成神经网络由若干个递归模糊神经网络构成,其拓扑结构如图1所示。根据输入变量的选取,以图像对比度特征 Epc,CEgr,CEyb,CErg、图像亮度特征图像色彩度特征S,C为输入, PM2.5浓度为输出,通过反复实验依据集成神经网络的性能表现增删子网络数目后确定集成神经网络的子网络有10个,且子网络为递归模糊神经网络,每个子网络共5层:输入层、隶属函数层、规则层、去模糊化层和输出层。输入层神经元数是12,输出层神经元数是1,通过反复实验根据子网络的性能表现增删规则层神经元数目后确定它的规则层神经元数目为13,去模糊化层神经元数目与规则层一样同为13,隶属函数层的神经元数是156,即子网络的连接方式是12-156-13-13-1。集成神经网络子网络的中心、宽度和权值赋初值为(0,1)上的伪随机数,用第k组训练样本训练集成神经网络也即是分别训练所有的子网络时,子网络的各层输出按照式 (8)-式(12)计算,式(13)定义的训练RMSE的期望值设定为0.01。
(4)用训练样本训练集成神经网络。在训练过程中,利用自适应学习率的梯度下降算法训练集成神经网络的子网络的中心、宽度和权值,直到网络精度满足信息处理的需求。具体为:
①选取用于训练集成神经网络所有子网络的100组训练样本,设置最大迭代步数为1000,期望训练RMSE设定为0.01,自适应学习率η的初始值设定为0.005。
②利用自适应学习率的梯度下降算法训练初始给定的集成神经网络的所有子网络,模糊神经网络的中心、宽度、权值和递归链连接值按照式(15)-式(18)进行更新,网络每产生一组输出参数更新一次,并按照式(19)自适应调整学习率η。
③若在某步训练过程中集成神经网络所有子网络都满足RMSE<=0.01或算法迭代了1000 步时则停止计算,否则转向②。
(5)对测试样本进行检测。将测试样本的图像特征作为已训练好的集成神经网络的输入,集成神经网络的输出即为PM2.5的预测结果,集成神经网络的输出根据式(14)计算得到。
图2是PM2.5软测量模型训练RMSE变化图,X轴:训练步数,Y轴:集成神经网络训练RMSE。图3是PM2.5软测量模型训练结果散点图,X轴:训练期望输出(μg/m3),Y轴:训练实际输出(μg/m3)。图4是PM2.5软测量模型训练结果误差图,X轴:训练样本个数,Y 轴:集成神经网络训练误差(μg/m3)。图5是PM2.5软测量模型测试结果散点图,X轴:测试期望输出(μg/m3),Y轴:测试实际输出(μg/m3)。图6是PM2.5软测量模型测试结果误差图,X 轴:测试样本个数,Y轴:集成神经网络测试误差(μg/m3)。
表1-28是本发明的实验数据,表1-12是训练样本,表13是PM2.5训练期望值,表14是集成神经网络训练输出值,表15-26是测试样本,表27是PM2.5测试期望值,表28是集成神经网络测试输出值。
训练样本:
表1.输入变量图像对比度特征Epc的实际值:
表2.输入变量图像对比度特征CEgr的实际值:
1.7522 | 1.7459 | 2.0548 | 1.1149 | 1.5235 | 1.0085 | 1.7027 | 1.9433 | 1.4928 | 1.0455 |
1.8324 | 1.2822 | 1.6013 | 1.6253 | 1.6701 | 2.0431 | 2.5163 | 1.0511 | 0.8565 | 2.1004 |
1.3187 | 2.5740 | 2.1330 | 1.3328 | 1.1401 | 2.7818 | 1.2191 | 2.9173 | 1.9981 | 4.7104 |
2.3815 | 1.7289 | 2.9284 | 2.0949 | 2.4216 | 1.9834 | 3.0040 | 1.8713 | 2.0974 | 0.9710 |
3.6453 | 1.5697 | 2.9388 | 3.5442 | 4.2394 | 3.1977 | 1.1990 | 2.7263 | 3.5171 | 1.4842 |
2.1466 | 4.0364 | 2.9548 | 2.4666 | 1.8854 | 3.2234 | 2.2738 | 1.8997 | 1.6860 | 1.8080 |
4.0296 | 2.1967 | 1.5142 | 1.4135 | 1.2107 | 2.3820 | 2.4131 | 1.5606 | 5.1537 | 2.0064 |
0.9039 | 2.4085 | 3.4954 | 3.2913 | 1.7626 | 3.6717 | 2.2194 | 2.5868 | 3.5630 | 2.7281 |
2.7281 | 1.8003 | 3.2995 | 2.9853 | 4.1113 | 2.1408 | 2.6257 | 3.7662 | 2.0336 | 4.9911 |
3.0028 | 3.0460 | 3.6601 | 2.7461 | 2.8271 | 5.6727 | 3.6926 | 2.6177 | 4.5972 | 0.8818 |
表3.输入变量图像对比度特征CEyb的实际值:
0.0822 | 0.3007 | 0.3363 | 0.4972 | 0.5573 | 0.2770 | 0.2904 | 0.4205 | 0.2768 | 0.2221 |
0.3610 | 0.4083 | 0.4095 | 0.3467 | 0.4549 | 0.1711 | 0.3735 | 0.2931 | 0.1410 | 0.5282 |
0.5380 | 0.5120 | 0.4938 | 0.2592 | 0.2117 | 0.9733 | 0.3363 | 0.8298 | 0.5763 | 0.4219 |
0.5962 | 0.4469 | 0.4846 | 0.6531 | 0.4956 | 0.4162 | 0.8108 | 0.5140 | 0.6639 | 0.2700 |
0.8401 | 0.4440 | 0.3974 | 1.4683 | 1.0059 | 0.6001 | 0.3750 | 0.6128 | 0.7597 | 0.3277 |
1.0893 | 0.9353 | 0.8908 | 0.7377 | 0.6209 | 1.3262 | 0.8410 | 0.3722 | 0.6340 | 0.5416 |
0.5060 | 0.4951 | 0.2195 | 0.5641 | 0.3514 | 0.9560 | 0.7427 | 0.4521 | 0.5899 | 0.9366 |
0.3620 | 0.5045 | 0.8367 | 1.3924 | 1.0645 | 1.0622 | 1.0031 | 0.8059 | 1.1278 | 0.4553 |
0.4553 | 0.8165 | 0.8071 | 0.6836 | 1.5025 | 0.5143 | 0.5906 | 1.1323 | 0.7434 | 1.3887 |
0.4050 | 1.4069 | 1.5577 | 1.1510 | 0.8375 | 1.9946 | 1.3030 | 0.5823 | 0.7636 | 0.5181 |
表4.输入变量图像对比度特征CErg的实际值:
表5.输入变量图像亮度特征的实际值:
4.8420 | 4.4911 | 5.2851 | 5.4927 | 5.7570 | 5.2739 | 5.1453 | 5.4794 | 5.1915 | 5.3936 |
5.2003 | 4.8279 | 5.6720 | 5.1032 | 5.7391 | 5.2294 | 5.4975 | 5.5340 | 5.2906 | 5.4309 |
5.5343 | 5.5013 | 5.7216 | 5.7720 | 5.2695 | 5.3595 | 5.5008 | 5.4154 | 5.6399 | 5.9716 |
5.6810 | 5.0951 | 5.8844 | 5.4346 | 5.3789 | 5.4952 | 5.7188 | 4.7955 | 5.4591 | 5.9861 |
5.5266 | 5.0451 | 5.5945 | 5.6795 | 5.7384 | 5.5825 | 5.5790 | 5.4788 | 5.7482 | 4.9973 |
5.4610 | 5.7608 | 5.4926 | 5.4873 | 5.3678 | 5.6506 | 5.6821 | 5.4222 | 5.4517 | 5.1973 |
5.7652 | 5.3933 | 5.5487 | 5.6119 | 4.8773 | 5.6549 | 5.7723 | 5.4359 | 5.3520 | 5.3108 |
5.6275 | 5.4401 | 5.5849 | 5.6975 | 5.3307 | 5.6577 | 5.4090 | 5.6559 | 5.4601 | 5.6203 |
5.6203 | 5.1939 | 5.8371 | 5.7124 | 5.7821 | 5.6548 | 5.2539 | 5.3283 | 5.4039 | 5.5162 |
5.2834 | 5.5632 | 5.5580 | 5.4630 | 5.8939 | 6.1037 | 5.6836 | 5.9154 | 5.5907 | 4.7263 |
表6.输入变量图像亮度特征的实际值:
4.2502 | 3.8967 | 4.6613 | 4.8655 | 5.1182 | 4.6300 | 4.5160 | 4.8477 | 4.5689 | 4.7528 |
4.5685 | 4.1721 | 5.0418 | 4.4744 | 5.1009 | 4.6116 | 4.8612 | 4.8992 | 4.6637 | 4.7889 |
4.8909 | 4.8637 | 5.0822 | 5.1335 | 4.6343 | 4.7195 | 4.8627 | 4.7942 | 5.0054 | 5.3258 |
5.0866 | 4.4645 | 5.2478 | 4.8003 | 4.7641 | 4.8686 | 5.0870 | 4.2011 | 4.8335 | 5.3485 |
4.8922 | 4.5086 | 4.9448 | 5.0457 | 5.1002 | 4.9426 | 4.9432 | 4.8477 | 5.1126 | 4.3703 |
4.8232 | 5.1220 | 4.8633 | 4.8517 | 4.7460 | 5.0457 | 5.0539 | 4.8285 | 4.8042 | 4.5894 |
5.1466 | 4.7672 | 4.9196 | 4.9774 | 4.2488 | 5.0225 | 5.1345 | 4.7988 | 4.6530 | 4.6741 |
4.9955 | 4.8053 | 4.9513 | 5.0616 | 4.7000 | 5.0276 | 4.7634 | 5.0155 | 4.8342 | 4.9951 |
4.9951 | 4.5531 | 5.1781 | 5.0850 | 5.1447 | 5.0184 | 4.6245 | 4.7043 | 4.7659 | 4.8867 |
4.5999 | 4.9095 | 4.8918 | 4.8195 | 5.2581 | 5.4499 | 5.0459 | 5.2764 | 5.0012 | 4.0816 |
表7.输入变量图像亮度特征的实际值:
3.8201 | 3.4161 | 4.2659 | 4.4281 | 4.6788 | 4.2017 | 4.1349 | 4.4239 | 4.1271 | 4.3268 |
4.1339 | 3.7801 | 4.6082 | 4.0619 | 4.6623 | 4.1830 | 4.4272 | 4.4588 | 4.2263 | 4.3658 |
4.4577 | 4.4371 | 4.6600 | 4.6959 | 4.2170 | 4.3123 | 4.4298 | 4.3541 | 4.5665 | 4.8950 |
4.6751 | 4.0352 | 4.8033 | 4.3796 | 4.3933 | 4.4180 | 4.6509 | 3.8367 | 4.4166 | 4.9134 |
4.4674 | 3.9418 | 4.5527 | 4.6235 | 4.6621 | 4.5361 | 4.5224 | 4.3852 | 4.6837 | 3.9842 |
4.3920 | 4.6843 | 4.4753 | 4.4125 | 4.3135 | 4.5673 | 4.6287 | 4.4124 | 4.3911 | 4.2352 |
4.7079 | 4.3384 | 4.4840 | 4.5525 | 3.8539 | 4.5951 | 4.6957 | 4.3637 | 4.3483 | 4.2526 |
4.5488 | 4.3693 | 4.5105 | 4.6206 | 4.2751 | 4.5889 | 4.3446 | 4.5787 | 4.4094 | 4.5613 |
4.5613 | 4.1350 | 4.7728 | 4.6447 | 4.7271 | 4.5838 | 4.1800 | 4.2645 | 4.3277 | 4.4545 |
4.2704 | 4.5155 | 4.5070 | 4.3850 | 4.8247 | 5.0273 | 4.6021 | 4.8379 | 4.5343 | 3.6468 |
表8.输入变量图像亮度特征的实际值:
0.5184 | 0.9938 | 2.1229 | 1.4689 | 3.3085 | 0.8607 | 2.1307 | 1.7365 | 2.4660 | 2.2550 |
0.0088 | 0.4234 | 1.6534 | 1.8343 | 2.9669 | 3.5521 | 1.7966 | 1.6869 | 1.9789 | 0.6785 |
2.2862 | 2.3076 | 1.5237 | 1.7066 | 3.1759 | 1.3306 | 3.7157 | 2.0674 | 3.2751 | 2.2285 |
1.1286 | 1.1136 | 0.7139 | 1.6029 | 0.7775 | 2.6185 | 1.6845 | 1.9490 | 2.6967 | 1.8145 |
1.3196 | 0.5784 | 2.9317 | 3.8461 | 3.9130 | 2.9086 | 0.1434 | 2.2107 | 2.7993 | 3.0702 |
1.2032 | 2.6462 | 0.4817 | 3.6820 | 3.0215 | 1.1024 | 2.6987 | 2.0130 | 2.9571 | 2.6364 |
1.8287 | 3.8694 | 0.6078 | 2.7842 | 0.9824 | 1.9572 | 1.8080 | 2.5920 | 0.2764 | 2.0129 |
3.7625 | 0.3966 | 1.4080 | 0.9259 | 3.7922 | 2.1580 | 3.5037 | 3.1610 | 2.0805 | 2.9885 |
3.2814 | 0.5001 | 1.6105 | 1.4740 | 3.6057 | 1.1377 | 3.7782 | 1.1689 | 2.3405 | 2.1623 |
2.4322 | 1.8211 | 2.4505 | 2.9788 | 3.3903 | 0.6928 | 0.1629 | 2.4660 | 4.1510 | 0.0381 |
表9.输入变量图像亮度特征的实际值:
0.0118 | 0.0050 | 1.0760 | 0.7989 | 0.3330 | 0.5734 | 1.2278 | 1.6983 | 0.4705 | 0.5034 |
0.2772 | 0.1475 | 0.4264 | 0.3935 | 0.0664 | 1.8192 | 1.5809 | 0.0276 | 0.1306 | 0.1682 |
0.3729 | 0.4081 | 0.9337 | 0.2225 | 1.9229 | 0.1001 | 0.0891 | 0.5092 | 0.3679 | 1.0210 |
0.8603 | 0.7041 | 0.9097 | 0.4445 | 2.6115 | 2.1648 | 1.5483 | 0.3055 | 0.9301 | 1.6065 |
1.1986 | 2.0047 | 1.8132 | 0.2699 | 2.6897 | 1.7831 | 0.4538 | 1.3727 | 1.7415 | 2.4974 |
0.1520 | 1.9847 | 0.6040 | 1.2072 | 1.5760 | 0.5130 | 1.1783 | 1.1455 | 0.2478 | 0.0277 |
1.7797 | 0.4683 | 1.8626 | 0.7275 | 0.0888 | 1.5305 | 0.9667 | 2.1058 | 2.6582 | 0.0127 |
0.1974 | 0.6694 | 1.1384 | 0.9920 | 1.0497 | 1.3414 | 1.7363 | 1.0815 | 0.4899 | 1.5595 |
1.5595 | 0.2904 | 2.0202 | 1.5588 | 1.1726 | 1.5035 | 0.0892 | 1.3394 | 0.8048 | 2.1009 |
0.9674 | 0.4937 | 1.1923 | 0.4299 | 1.7402 | 1.3946 | 1.2507 | 2.0773 | 0.9680 | 0.0009 |
表10.输入变量图像亮度特征的实际值:
0.0017 | 0.0008 | 0.2582 | 0.6081 | 0.0205 | 0.4144 | 0.8728 | 0.9070 | 0.0872 | 0.0505 |
0.1447 | 0.0789 | 0.1073 | 0.1859 | 0.0123 | 1.1837 | 0.6024 | 0.0014 | 0.0277 | 0.0001 |
0.0307 | 0.0923 | 0.7659 | 0.0252 | 0.6691 | 0.0374 | 0.0120 | 0.1870 | 0.0789 | 0.2253 |
0.5349 | 0.2053 | 0.5751 | 0.0444 | 1.9970 | 1.2535 | 0.5659 | 0.1364 | 0.6700 | 0.9074 |
0.5833 | 1.1568 | 0.9999 | 0.1370 | 1.9022 | 0.7868 | 0.2305 | 0.7150 | 1.0318 | 1.4533 |
0.0341 | 1.0736 | 0.3150 | 0.5757 | 0.8603 | 0.2512 | 0.6020 | 0.4891 | 0.0506 | 0.0022 |
1.4694 | 0.0069 | 0.7843 | 0.3920 | 0.0402 | 0.6950 | 0.5682 | 0.7059 | 1.9572 | 0.0002 |
0.0289 | 0.3246 | 0.6208 | 0.4814 | 0.4499 | 0.8291 | 1.1675 | 0.3865 | 0.2344 | 0.9046 |
0.9046 | 0.1415 | 1.2359 | 0.8247 | 0.6091 | 1.2085 | 0.0398 | 0.8630 | 0.2358 | 0.9120 |
0.5184 | 0.3912 | 0.6531 | 0.1057 | 0.7605 | 0.8156 | 0.7517 | 1.5482 | 0.4221 | 0.0001 |
表11.输入变量图像色彩度特征S的实际值
表12.输入变量图像色彩度特征C的实际值
8.4529 | 12.8504 | 7.9127 | 9.7753 | 12.2306 | 9.3826 | 7.4348 | 7.6045 | 10.6001 | 7.3947 |
9.3463 | 14.0764 | 10.2275 | 10.3106 | 11.2721 | 10.0991 | 9.6636 | 16.7206 | 13.3884 | 11.5301 |
12.4742 | 11.1347 | 13.7324 | 16.8555 | 9.0566 | 19.1572 | 20.1390 | 18.3582 | 13.0404 | 12.1902 |
16.3988 | 15.3100 | 12.9828 | 13.5590 | 10.6971 | 13.4321 | 16.3262 | 17.1916 | 15.4497 | 13.3617 |
16.6692 | 17.9523 | 10.7845 | 19.0315 | 18.4758 | 18.6854 | 23.1877 | 16.6319 | 15.8145 | 10.3160 |
22.5619 | 13.9716 | 18.9657 | 12.7798 | 11.8591 | 23.5683 | 19.4871 | 15.1278 | 25.4376 | 19.3178 |
8.2457 | 16.6584 | 14.9290 | 15.5776 | 24.5151 | 15.7472 | 14.7475 | 12.0143 | 9.9793 | 31.1821 |
22.2475 | 16.3449 | 16.6754 | 19.6853 | 23.3351 | 20.7302 | 20.2697 | 14.2658 | 27.7307 | 16.6459 |
16.6459 | 32.2470 | 16.0829 | 21.0663 | 21.9577 | 10.9523 | 28.1976 | 22.8899 | 15.3581 | 21.9707 |
17.7923 | 37.1292 | 31.9840 | 27.3772 | 24.3733 | 25.2074 | 36.8498 | 12.4355 | 24.4440 | 28.6015 |
表13.预测变量PM2.5的训练期望值(μg/m3)
144 | 62 | 50 | 70 | 205 | 56 | 150 | 125 | 170 | 56 |
84 | 105 | 127 | 84 | 93 | 88 | 135 | 109 | 1 | 189 |
105 | 24 | 43 | 118 | 80 | 93 | 173 | 189 | 54 | 93 |
226 | 30 | 60 | 143 | 144 | 171 | 197 | 182 | 199 | 55 |
192 | 118 | 261 | 154 | 205 | 84 | 108 | 74 | 9 | 161 |
84 | 20 | 78 | 24 | 200 | 136 | 182 | 34 | 136 | 78 |
189 | 112 | 12 | 111 | 191 | 161 | 26 | 161 | 118 | 50 |
191 | 20 | 122 | 153 | 78 | 189 | 20 | 125 | 7 | 148 |
50 | 17 | 138 | 43 | 135 | 17 | 148 | 310 | 85 | 24 |
226 | 85 | 161 | 1 | 66 | 34 | 54 | 138 | 138 | 296 |
表14.预测变量PM2.5的网络训练输出值(μg/m3)
145.204 | 63.333 | 49.968 | 70.078 | 204.268 | 54.535 | 150.001 | 125.000 | 169.738 | 57.246 |
84.189 | 104.996 | 127.000 | 84.290 | 92.817 | 88.023 | 134.533 | 108.980 | 6.230 | 188.846 |
105.066 | 23.178 | 43.078 | 117.897 | 80.066 | 92.543 | 172.880 | 188.912 | 54.000 | 93.083 |
224.692 | 30.568 | 61.161 | 142.739 | 143.707 | 171.663 | 195.559 | 182.830 | 198.924 | 55.413 |
192.001 | 118.001 | 258.217 | 155.230 | 209.319 | 83.974 | 108.226 | 72.329 | 10.305 | 160.994 |
83.980 | 20.010 | 77.156 | 24.892 | 199.168 | 136.000 | 185.478 | 34.000 | 136.000 | 79.732 |
189.000 | 115.303 | 11.798 | 110.864 | 188.728 | 161.426 | 30.974 | 160.724 | 117.771 | 50.179 |
191.135 | 20.128 | 122.232 | 153.000 | 78.078 | 188.373 | 20.198 | 125.000 | 7.066 | 147.797 |
49.702 | 17.639 | 138.000 | 43.053 | 133.545 | 17.702 | 148.160 | 310.066 | 85.235 | 18.335 |
218.983 | 85.481 | 160.837 | -2.196 | 66.000 | 33.998 | 53.998 | 138.000 | 138.000 | 280.042 |
测试样本:
表15.输入变量图像对比度特征Epc的实际值:
7.1407 | 7.7111 | 7.3476 | 7.3252 | 7.4352 | 7.4347 | 7.2829 | 7.0172 | 7.5074 | 7.5293 |
7.8198 | 7.6509 | 7.4232 | 7.1830 | 7.1752 | 7.3413 | 7.6101 | 7.7011 | 7.1669 | 7.5518 |
7.6589 | 7.4004 | 7.4095 | 7.4769 | 7.4884 | 7.7193 | 7.4477 | 7.4514 | 7.4514 | 7.5513 |
7.6609 | 7.5338 | 7.3635 | 7.6559 | 6.6420 | 7.6855 | 7.4253 | 7.7839 | 7.6221 | 7.6600 |
7.0125 | 7.9123 | 7.2202 | 7.6177 | 7.5056 | 7.6845 | 7.8085 | 7.7618 | 7.2658 | 7.5811 |
表16.输入变量图像对比度特征CEgr的实际值:
2.0548 | 1.1149 | 1.5235 | 1.7027 | 1.9433 | 1.6013 | 2.5163 | 2.1004 | 2.1330 | 2.7818 |
4.7104 | 2.3815 | 1.7289 | 2.0949 | 2.4216 | 1.9834 | 3.0040 | 2.0974 | 0.9710 | 3.6453 |
2.9388 | 1.8997 | 1.8080 | 2.0064 | 3.4954 | 3.2913 | 2.5868 | 2.7281 | 2.7281 | 1.8003 |
2.9853 | 4.9911 | 2.7461 | 2.8271 | 0.8818 | 3.7002 | 1.6416 | 3.7751 | 2.2053 | 2.1801 |
1.6431 | 3.9325 | 3.3491 | 3.6615 | 3.3173 | 2.2766 | 4.1208 | 3.7466 | 1.6549 | 3.7199 |
表17.输入变量图像对比度特征CEyb的实际值:
0.3363 | 0.4972 | 0.5573 | 0.2904 | 0.4205 | 0.4095 | 0.3735 | 0.5282 | 0.4938 | 0.9733 |
0.4219 | 0.5962 | 0.4469 | 0.6531 | 0.4956 | 0.4162 | 0.8108 | 0.6639 | 0.2700 | 0.8401 |
0.3974 | 0.3722 | 0.5416 | 0.9366 | 0.8367 | 1.3924 | 0.8059 | 0.4553 | 0.4553 | 0.8165 |
0.6836 | 1.3887 | 1.1510 | 0.8375 | 0.5181 | 1.1272 | 0.6314 | 1.2730 | 0.8149 | 0.9962 |
0.3270 | 1.8077 | 0.7732 | 1.8267 | 1.0154 | 0.9781 | 0.9935 | 2.2088 | 0.5526 | 1.8964 |
表18.输入变量图像对比度特征CErg的实际值:
0.6386 | 0.6451 | 0.5822 | 0.6259 | 0.5625 | 0.5848 | 0.7295 | 0.7132 | 0.8562 | 0.9426 |
0.6315 | 0.5776 | 0.8206 | 0.7880 | 0.6016 | 0.5109 | 0.9158 | 0.6861 | 0.4656 | 1.1066 |
0.8194 | 0.6181 | 0.7839 | 1.5298 | 0.8885 | 1.4988 | 1.0975 | 0.9084 | 0.9084 | 0.8965 |
0.9811 | 1.3809 | 1.1480 | 0.9797 | 0.6953 | 1.2480 | 0.8259 | 1.2462 | 1.3207 | 0.8712 |
0.5686 | 1.9720 | 1.1303 | 1.5643 | 0.8646 | 1.8830 | 1.1522 | 2.3175 | 0.8062 | 1.4209 |
表19.输入变量图像亮度特征的实际值:
5.2851 | 5.4927 | 5.7570 | 5.1453 | 5.4794 | 5.6720 | 5.4975 | 5.4309 | 5.7216 | 5.3595 |
5.9716 | 5.6810 | 5.0951 | 5.4346 | 5.3789 | 5.4952 | 5.7188 | 5.4591 | 5.9861 | 5.5266 |
5.5945 | 5.4222 | 5.1973 | 5.3108 | 5.5849 | 5.6975 | 5.6559 | 5.6203 | 5.6203 | 5.1939 |
5.7124 | 5.5162 | 5.4630 | 5.8939 | 4.7263 | 5.6613 | 5.5776 | 5.4820 | 5.0964 | 5.8194 |
5.4163 | 5.7842 | 5.3805 | 5.7558 | 5.4598 | 5.7748 | 5.8570 | 5.8097 | 5.8633 | 5.7096 |
表20.输入变量图像亮度特征的实际值:
4.6613 | 4.8655 | 5.1182 | 4.5160 | 4.8477 | 5.0418 | 4.8612 | 4.7889 | 5.0822 | 4.7195 |
5.3258 | 5.0866 | 4.4645 | 4.8003 | 4.7641 | 4.8686 | 5.0870 | 4.8335 | 5.3485 | 4.8922 |
4.9448 | 4.8285 | 4.5894 | 4.6741 | 4.9513 | 5.0616 | 5.0155 | 4.9951 | 4.9951 | 4.5531 |
5.0850 | 4.8867 | 4.8195 | 5.2581 | 4.0816 | 5.0065 | 4.9358 | 4.8546 | 4.5129 | 5.1913 |
4.7780 | 5.1433 | 4.7578 | 5.1182 | 4.8168 | 5.1321 | 5.2202 | 5.1768 | 5.2357 | 5.0890 |
表21.输入变量图像亮度特征的实际值:
4.2659 | 4.4281 | 4.6788 | 4.1349 | 4.4239 | 4.6082 | 4.4272 | 4.3658 | 4.6600 | 4.3123 |
4.8950 | 4.6751 | 4.0352 | 4.3796 | 4.3933 | 4.4180 | 4.6509 | 4.4166 | 4.9134 | 4.4674 |
4.5527 | 4.4124 | 4.2352 | 4.2526 | 4.5105 | 4.6206 | 4.5787 | 4.5613 | 4.5613 | 4.1350 |
4.6447 | 4.4545 | 4.3850 | 4.8247 | 3.6468 | 4.6389 | 4.5030 | 4.3877 | 4.0006 | 4.7700 |
4.3530 | 4.7118 | 4.3091 | 4.7053 | 4.3776 | 4.6964 | 4.7780 | 4.7406 | 4.8020 | 4.6628 |
表22.输入变量图像亮度特征的实际值:
2.2862 | 1.1286 | 1.3196 | 1.8287 | 3.7625 | 2.3076 | 3.8694 | 1.8211 | 1.5237 | 0.4817 |
2.4505 | 1.4689 | 1.8343 | 1.6029 | 3.8461 | 3.6820 | 2.7842 | 1.4740 | 2.9788 | 3.3085 |
3.1759 | 2.1580 | 0.6928 | 0.1629 | 2.0674 | 1.9490 | 3.1610 | 2.4660 | 2.4660 | 1.9789 |
2.6967 | 4.1510 | 1.8145 | 3.0702 | 0.0381 | 3.9154 | 2.9244 | 2.1406 | 2.2562 | 3.6368 |
2.9674 | 1.1993 | 2.8213 | 3.0361 | 0.7055 | 3.2045 | 3.2222 | 2.4948 | 3.3639 | 3.3055 |
表23.输入变量图像亮度特征的实际值:
1.0760 | 0.7989 | 0.3330 | 1.2278 | 1.6983 | 0.4264 | 1.5809 | 0.1682 | 0.9337 | 0.1001 |
1.0210 | 0.8603 | 0.7041 | 0.4445 | 2.6115 | 2.1648 | 1.5483 | 0.9301 | 1.6065 | 1.1986 |
1.8132 | 1.1455 | 0.0277 | 0.0127 | 1.1384 | 0.9920 | 1.0815 | 1.5595 | 1.5595 | 0.2904 |
1.5588 | 2.1009 | 0.4299 | 1.7402 | 0.0009 | 2.3790 | 2.0492 | 1.0692 | 0.8058 | 2.2387 |
1.2066 | 0.6561 | 1.4877 | 1.5834 | 0.4949 | 1.9527 | 2.3292 | 1.2484 | 2.3340 | 2.5489 |
表24.输入变量图像亮度特征的实际值:
0.2582 | 0.6081 | 0.0205 | 0.8728 | 0.9070 | 0.1073 | 0.6024 | 0.0001 | 0.7659 | 0.0374 |
0.2253 | 0.5349 | 0.2053 | 0.0444 | 1.9970 | 1.2535 | 0.5659 | 0.6700 | 0.9074 | 0.5833 |
0.9999 | 0.4891 | 0.0022 | 0.0002 | 0.6208 | 0.4814 | 0.3865 | 0.9046 | 0.9046 | 0.1415 |
0.8247 | 0.9120 | 0.1057 | 0.7605 | 0.0001 | 1.6268 | 1.5849 | 0.5004 | 0.4818 | 1.4925 |
0.1825 | 0.3950 | 0.5686 | 0.7713 | 0.4118 | 0.9947 | 1.8920 | 0.6235 | 1.7518 | 2.0941 |
表25.输入变量图像色彩度特征S的实际值:
表26.输入变量图像色彩度特征C的实际值:
7.9127 | 9.7753 | 12.2306 | 7.4348 | 7.6045 | 10.2275 | 9.6636 | 11.5301 | 13.7324 | 19.1572 |
12.1902 | 16.3988 | 15.3100 | 13.5590 | 10.6971 | 13.4321 | 16.3262 | 15.4497 | 13.3617 | 16.6692 |
10.7845 | 15.1278 | 19.3178 | 31.1821 | 16.6754 | 19.6853 | 14.2658 | 16.6459 | 16.6459 | 32.2470 |
21.0663 | 21.9707 | 27.3772 | 24.3733 | 28.6015 | 19.6953 | 19.4943 | 36.0586 | 27.2726 | 26.5374 |
34.5996 | 63.4272 | 36.8524 | 35.8485 | 70.7999 | 58.8045 | 46.5361 | 59.0660 | 60.9743 | 77.7500 |
表27.预测变量PM2.5的测试期望值(μg/m3)
184 | 171 | 132 | 192 | 141 | 146 | 144 | 108 | 290 | 202 |
96 | 154 | 153 | 261 | 134 | 188 | 306 | 85 | 66 | 64 |
191 | 137 | 151 | 139 | 56 | 221 | 70 | 14 | 143 | 131 |
148 | 189 | 317 | 43 | 50 | 207 | 55 | 127 | 164 | 25 |
30 | 54 | 49 | 34 | 15 | 66 | 152 | 127 | 134 | 7 |
表28.预测变量PM2.5的网络测试输出值(μg/m3)
183.241 | 168.487 | 133.192 | 191.834 | 138.962 | 145.122 | 144.232 | 107.815 | 290.432 | 220.185 |
97.736 | 155.130 | 154.125 | 259.158 | 120.326 | 183.323 | 300.113 | 87.701 | 64.012 | 60.001 |
181.443 | 135.074 | 150.221 | 137.450 | 60.354 | 231.741 | 74.614 | 16.812 | 141.472 | 140.394 |
150.101 | 191.754 | 319.645 | 41.861 | 55.761 | 208.851 | 52.561 | 129.125 | 160.645 | 30.761 |
39.331 | 49.872 | 53.362 | 37.843 | 20.125 | 69.318 | 145.642 | 125.329 | 140.149 | 10.376 |
Claims (1)
1.一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法,其特征在于,包括以下步骤:
(1)提取图像特征
①基于相位一致性的熵Epc计算公式如下:
其中,s代表图像信号,spc由s中的像素构成,l代表像素值且值域为[0,255],P代表概率分布;
图像对比度的第二种度量方式是对比能,其估计感知的是图像局部对比度;对比能在三个通道上计算公式如下:
其中,s代表图像信号,sq表示滤波器在第q个方向过滤得到的图像信号,f={rg,gr,yb}分别是s的三通道,并且rg=R-G,gr=0.299×R+0.587×G+0.114×B和yb=0.5×(G+R)-B,R,G,B分别是红、绿、蓝三个通道的颜色值,它们的取值范围为[0,255],ψh和ψυ分别代表高斯函数的水平和垂直二阶导数,CEf={CErg,CEgr,CEyb};α取Y(sf)的最大值,θ控制对比增益,ξ用于通过阈值约束噪声;
因此,图像对比度的四组特征包括如下:Epc,CErg,CEgr,CEyb;
②利用亮度变化图像的熵来推断图像是否具有合适的亮度;面对多指标md的选择,其中d为选取指标的个数,取d=6,计算公式如下:
其中,n的取值依据经验被给定为3.5,5.5,7.5;
因此,图像亮度的六组特征包括如下:
③引入色彩饱和度,它表示与其自身亮度相比颜色的色彩度;将图像转换为由色调、饱和度和明度构成的颜色空间后,它的饱和通道的全局平均值的计算公式如下:
其中,S代表一组图像色彩度特征,TX→S代表转换函数用于转换某一种类型图像为饱和通道,s代表图像信号,M表示s中的像素数,s(z)表示s中第z个像素点;
图像色彩的另一个测量量由四个重要特征构成,它们分别包括yb和rg通道的均值μyb,μrg和方差σyb,σrg;另一组图像色彩度特征C的计算公式如下:
其中,κ是修正因子,用于调整各部分的相对重要性,经过反复实验得到,κ的最佳取值为0.3;
因此,图像色彩度的两组特征包括如下:S,C
④由图像特征提取式(1)-式(5),图像的三类特征对比度、亮度、色彩度从图片中被提取出来,分别为Epc,CErg,CEgr,CEyb、和S,C;
(2)确定输入变量和预测变量;
①变量数据的标准化处理:将从上一小时实际摄取图片中提取出来的图像特征数据和PM2.5浓度的下一小时数据一一对应,整理出L组数据,然后以图像特征为自变量X,PM2.5浓度为因变量Y:
X=[x1,x2,…,x12]T,Y=y (6)
其中,x1,x2,x3,x4表示图像对比度特征Epc,CErg,CEgr,CEyb,x5,x6,x7,x8,x9,x10表示图像亮度特征x11,x12表示图像色彩度特征S,C,y表示PM2.5浓度;各类特征是无量纲的,PM2.5浓度的单位是μg/m3;数据标准化处理的计算公式如下:
其中,g1,g2,,g3,g4是从上一小时实际摄取图片中提取出来的图像对比度特征Epc,CEgr,CEyb,CErg的数据数组标准化后得到的数组,D1,D2,D3,D4是标准化前图像对比度特征Epc,CEgr,CEyb,CErg的数据数组,D1,min,D2,min,D3,min,D4,min分别是数组D1,D2,D3,D4中的最小值,D1,max,D2,max,D3,max,D4,max分别是数组D1,D2,D3,D4中的最大值;从上一小时实际摄取图片中提取出来的图像亮度特征和图像色彩度特征S,C的数据数组和PM2.5浓度的下一小时实测数据数组分别是D5、D6、D7、D8、D9、D10,D11、D12和D13,找出各数组内部的最大值和最小值,按照式(7)相同的处理方式得到标准化数组分别是:g5、g6、g7、g8、g9、g10,g11、g12和g13;
②通过①中的数据标准化处理得到g1、g2、g3、g4、g5、g6,g7、g8、g9、g10、g11、g12,将这些图像特征选作输入变量,记为r1,r2,…,r12,PM2.5浓度作为预测变量,是集成神经网络的期望输出,记为op,输入变量和预测变量的标准化观测数据阵分别记为E和F,选取E和F的前I组数据作为训练样本,后I′组数据作为测试样本;
(3)设计用于PM2.5预测的集成神经网络的拓扑结构;用于PM2.5预测的集成神经网络共由Q个子网络递归模糊神经网络组成,每个子网络都是一个递归模糊神经网络;该集成神经网络通过简单平均的方法将Q个子网络集为一体,这里的简单平均方法是指所有子网络的权重一样且各权重之和为1;集成神经网络的子网络为递归模糊神经网络,该子网络共5层:输入层、隶属函数层、规则层、去模糊化层和输出层;输入是选取的输入变量,输出是PM2.5浓度,确定其12-12×J-J-J-1的连接方式,即输入层神经元数和输入变量的个数同是12,隶属函数层神经元数是12×J,规则层神经元数是J,去模糊化层神经元数是J,输出层神经元数是1;各子网络的中心、宽度和权值的初始值设定在(0,1)之间,集成神经网络的输入表示为r=[r1,r2,…,r12]T,[r1,r2,…,r12]T是[r1,r2,…,r12]的转置,期望输出表示为op;第k组训练样本表示为r(k)=[r1(k),r2(k),…,r12(k)]T,k=1,2,…,I,第k组训练样本训练集成神经网络也即是分别训练所有的子网络,这时其中一个子网络的各层输出依次为:
①输入层:该层有12个神经元:
ai(k)=ri(k) (8)
其中,ai(k)是输入层第i个神经元的输出,ri(k)是该层第i个神经元的输入变量;
②隶属函数层:该层选取高斯函数作为隶属函数对输入变量进行模糊化处理,隶属函数层有12*J个神经元,该层第ij个神经元的输出uij(k)为:
其中,ai(k)是输入层第i个神经元的输出,uij(k)是隶属度函数层第ij个神经元的输出,cij(k),σij(k)分别是递归模糊神经网络的中心和宽度;
③规则层:该层有J个神经元,每个神经元代表一个模糊逻辑规则;同时,将递归链接引入此层,并将规则层的上一次输出用作当前次规则层的输入,且递归链连接值根据网络精度是否达到要求自行调整;该层第j个神经元的输出φj(k)为:
其中,uij(k)是隶属度函数层第ij个神经元的输出,φj(k)是规则层第j个神经元的当前次输出,φj(k-1)是规则层第j个神经元的上一次输出,λj(k)是规则层第j个神经元递归链的连接值;
④去模糊化层:该层神经元数目与规则层相同,该层第j个神经元的输出为:
其中,φj(t)是规则层第j个神经元的输出;
⑤输出层:该层有1个神经元,该层的输出表示子网络预测输出yo(k),如下式所示:
其中,为去模糊化层第j个神经元的输出,wj(k)是去模糊化层第j个神经元与输出层神经元之间的连接权值;式(8)-式(12)中,i=1,2,…,12,j=1,2,…J;
子网络递归模糊神经网络的训练均方根误差(RMSE)为:
其中,op(k)和yo(k)分别是第k组训练样本的期望输出和用第k组训练样本训练子网络递归模糊神经网络时的网络输出,训练集成神经网络的目的是使所有子网络的训练RMSE达到期望值;
集成神经网络的输出o(k)表示预测的PM2.5浓度,计算如下式所示:
其中,yot(k)为集成神经网络第t个子网络的输出,wt(k)为集成神经网络第t个子网络被赋予的权重,该权重由简单平均方法获得;式(14)中,t=1,2,…,Q;
(4)用训练样本训练集成神经网络,也即是用训练样本训练它的所有子网络;在训练过程中,利用自适应学习率的梯度下降算法训练集成神经网络各子网络的中心、宽度、权值和递归链连接值,直到网络精度满足信息处理的需求,具体为:
①选取用于训练所有子网络递归模糊神经网络的训练样本I,设置最大迭代步数为1000,期望训练RMSE设定为0.01,自适应学习率η的初始值设定为0.005;
②利用自适应学习率的梯度下降算法训练给定初始集成神经网络子网络,子网络每产生一组输出参数更新一次,自适应学习率的梯度下降算法参数调整公式如下:
η=ηmax-h(ηmax-ηmin)/H (19)
其中,cij(k-1)、σij(k-1)、wj(k-1)和λj(k-1)分别是第k-1组训练样本训练集成神经网络子网络时网络的中心、宽度、权值和递归链连接值,cij(k)、σij(k)、wj(k)和λj(k)分别是第k组训练样本训练集成神经网络子网络时网络的中心、宽度、权值和递归链连接值,E(k-1)为第k-1组训练样本训练集成神经网络子网络的训练误差平方和,其由计算可得,其中op(k-1)和yo(k-1)分别是第k-1组训练样本的期望输出和用第k-1组训练样本训练集成神经网络子网络的输出,η是自适应学习率,ηmax,ηmin分别是最大学习率和最小学习率,h是当前迭代步数,H是总迭代步数,自适应学习率η根据式(19)自行调整;
③若在某步训练过程中,集成神经网络所有子网络的训练RMSE<=0.01或算法迭代了1000步时则停止计算,否则转向②;
(5)对测试样本进行检测;利用测试样本对训练好的集成神经网络进行测试,集成神经网络的输出即为PM2.5的预测结果,根据式(14)计算得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596929.3A CN109087277B (zh) | 2018-06-11 | 2018-06-11 | 一种空气细颗粒物pm2.5测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810596929.3A CN109087277B (zh) | 2018-06-11 | 2018-06-11 | 一种空气细颗粒物pm2.5测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087277A true CN109087277A (zh) | 2018-12-25 |
CN109087277B CN109087277B (zh) | 2021-02-26 |
Family
ID=64839933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810596929.3A Active CN109087277B (zh) | 2018-06-11 | 2018-06-11 | 一种空气细颗粒物pm2.5测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087277B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082283A (zh) * | 2019-05-23 | 2019-08-02 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及系统 |
CN110286072A (zh) * | 2019-06-25 | 2019-09-27 | 华北水利水电大学 | 一种基于模式识别的风沙输移动态量测方法 |
CN110706200A (zh) * | 2019-09-02 | 2020-01-17 | 杭州深睿博联科技有限公司 | 数据预测的方法及装置 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN110849879A (zh) * | 2019-11-29 | 2020-02-28 | 华润电力技术研究院有限公司 | 含碳量的检测方法、检测系统及计算机存储介质 |
CN111310774A (zh) * | 2020-04-01 | 2020-06-19 | 江苏商贸职业学院 | 一种基于图像质量的pm2.5浓度测量方法 |
CN111340771A (zh) * | 2020-02-23 | 2020-06-26 | 北京工业大学 | 一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法 |
CN112130450A (zh) * | 2020-09-03 | 2020-12-25 | 北京工业大学 | 城市污水处理自动控制虚拟仿真实验教学系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011002272A1 (en) * | 2009-07-01 | 2011-01-06 | Universiti Sains Malaysia | Air pollution measuring and warning system |
CN104462778A (zh) * | 2014-11-06 | 2015-03-25 | 华北电力大学 | 一种基于深度学习的pm2.5污染物测量方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN107044947A (zh) * | 2017-05-02 | 2017-08-15 | 山西大学 | 一种基于图像特征的pm2.5污染指数的识别方法 |
-
2018
- 2018-06-11 CN CN201810596929.3A patent/CN109087277B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011002272A1 (en) * | 2009-07-01 | 2011-01-06 | Universiti Sains Malaysia | Air pollution measuring and warning system |
CN104462778A (zh) * | 2014-11-06 | 2015-03-25 | 华北电力大学 | 一种基于深度学习的pm2.5污染物测量方法 |
CN105784556A (zh) * | 2016-05-07 | 2016-07-20 | 北京工业大学 | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 |
CN107044947A (zh) * | 2017-05-02 | 2017-08-15 | 山西大学 | 一种基于图像特征的pm2.5污染指数的识别方法 |
Non-Patent Citations (4)
Title |
---|
JINGJING XIE: "《Deep Neural Network for PM2.5 Pollution Forecasting Based on Manifold Learning》", 《2017 INTERNATIONAL CONFERENCE ON SENSING,DIAGNOSTICS,PROGNOSTICS AND CONTROL》 * |
SHANSHAN ZHOU,ET AL: "《Prediction of PM2.5 concentration based on recurrent fuzzy neural network》", 《2017 36TH CHINESE CONTROL CONFERENCE》 * |
张亚吉: "《基于主成分分析和神经网络的PM_(2.5)浓度预测研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
王敏,等: "《基于BP人工神经网络的城市PM2.5浓度空间预测》", 《环境污染与防治》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082283A (zh) * | 2019-05-23 | 2019-08-02 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及系统 |
CN110082283B (zh) * | 2019-05-23 | 2021-12-14 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及系统 |
CN110286072A (zh) * | 2019-06-25 | 2019-09-27 | 华北水利水电大学 | 一种基于模式识别的风沙输移动态量测方法 |
CN110286072B (zh) * | 2019-06-25 | 2022-10-21 | 华北水利水电大学 | 一种基于模式识别的风沙输移动态量测方法 |
CN110706200A (zh) * | 2019-09-02 | 2020-01-17 | 杭州深睿博联科技有限公司 | 数据预测的方法及装置 |
CN110796284A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 细颗粒物污染等级的预测方法、装置及计算机设备 |
CN110849879A (zh) * | 2019-11-29 | 2020-02-28 | 华润电力技术研究院有限公司 | 含碳量的检测方法、检测系统及计算机存储介质 |
CN111340771A (zh) * | 2020-02-23 | 2020-06-26 | 北京工业大学 | 一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法 |
CN111340771B (zh) * | 2020-02-23 | 2024-04-09 | 北京工业大学 | 一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法 |
CN111310774A (zh) * | 2020-04-01 | 2020-06-19 | 江苏商贸职业学院 | 一种基于图像质量的pm2.5浓度测量方法 |
CN112130450A (zh) * | 2020-09-03 | 2020-12-25 | 北京工业大学 | 城市污水处理自动控制虚拟仿真实验教学系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109087277B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087277A (zh) | 一种基于图像特征和集成神经网络的空气细颗粒物pm2.5测量方法 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN103840988B (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN105784556B (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
CN108537383A (zh) | 一种基于模型融合的室内空气预测方法 | |
CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN105913087A (zh) | 基于最优池化卷积神经网络的物体识别方法 | |
CN110224862A (zh) | 基于多层感知器的多智能体系统网络容侵能力评估方法 | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106953854B (zh) | 一种基于svm机器学习的暗网流量识别模型的建立方法 | |
CN111340771B (zh) | 一种融合视觉信息丰富度和宽深度联合学习的细颗粒物实时监测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN110717520A (zh) | 基于高光谱图像空间特征和光谱特征融合的固废识别方法 | |
CN114580696A (zh) | 一种pm2.5浓度预测方法 | |
CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
CN114862035A (zh) | 一种基于迁移学习的组合式海湾水温预测方法 | |
CN114022035A (zh) | 一种城市热岛效应内建筑物碳排放评估方法 | |
Liu et al. | Grading tobacco leaves based on image processing and generalized regression neural network | |
CN107705330A (zh) | 基于道路摄像头的能见度智能估测方法 | |
CN109412152B (zh) | 一种基于深度学习与弹性网正则化的电网网损计算方法 | |
CN112686310B (zh) | 一种基于锚框的目标检测算法中先验框设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |