CN109858576B - 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 - Google Patents
气体渐进式自反馈浓度熵变预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109858576B CN109858576B CN201910223149.9A CN201910223149A CN109858576B CN 109858576 B CN109858576 B CN 109858576B CN 201910223149 A CN201910223149 A CN 201910223149A CN 109858576 B CN109858576 B CN 109858576B
- Authority
- CN
- China
- Prior art keywords
- data
- picture set
- prediction
- picture
- 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
Images
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种气体渐进式自反馈浓度熵变预测方法、系统及存储介质，其特征在于，包括：数据采集步骤：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；数据转化步骤：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集。本发明能在时间和空间分布不均匀的实际环境中，忽视采集设备的安装部署位置，静置平稳后，任意移动时间轴去获得关键的单向数据集和系统性融合数据集，实现对过往或未来某一时段的区域中多种气体分布模拟。
Description
技术领域
本发明涉及气体浓度熵变预测技术领域，具体地，涉及基于增强学习的气体渐进式自反馈浓度熵变预测方法、系统及存储介质。
背景技术
不同类型的气体扩散和挥发，在纯粹实验室环境中，熵变都遵循气体各自物理化学特征，而随时间和空间相差不大，可在客观的真实环境中，则受多种外界环境和生产者消费者的影响，也就是无论是常见还是非常见气体，在实际生产消费环节并不能完全依照实验室的结论做熵变推演。
比如在农业、工业生产环节中需要精确一定物理空间范围，特定气体数据做采集，计量和处理，但一方面采集设备空间部署密度有局限性，另一方面这些环境会根据业务差异引入不同的干扰因素(比如:大棚中的农作物，消费者本身也是生产者，且两者间权重会转化，非恒定温度，不同生长周期也会影响生产者消费者的机能；再比如:生活环境中，二氧化碳，氧气，一氧化碳,甲醛,二氧化硫,氮，氨苯等气体会因空间与空间中的人群变化，熵变趋势和分布会变化)。这些是实验室数据，混合型实验室数据，时间，温度，流通性和空间大小的多种影响因子参与的数据，在实际生产消费中无法准确计算而通过密集的检测点位综合获取的原因，并且在具体生产环节中的数据分布相对分散，特定环境下的数据量样本数量始终难以累积到足够的数据体量，特征信息的收敛和统计规律困难。
以上通过特定实验环节得到气体数据浓度熵变走势，配合在实施现场增加传感器的数量位置，都有明显时间空间局限性。本专利是通过直接在实践环节中采集并积累数据，根据初始和实际部署环境获得的增量样本，不依赖传感器部署的密度和位置，先把每一组合的数据转换成多变量因子关系的二维图片后，再采用神经网络的增强型深度学习，训练和学习这些二维图片变迁过程中的一些关联信息类别，学习训练出接近在此场景中的熵变趋势推理模型，以供预测特定时间和区域的气体状态。针对上述现有技术中的缺陷，本发明要解决的技术问题体现在以下几点：1.持续采集特定，若干目标环境中的气体含量密度数据，同时持续采集和标记该环境中，共同拥有和特有的扰动影响因子数据。2.时分每个因子数据，再分别单独转化成为线状图片集和点状密度图片集，再构造数据融合后的体现融合关系的图片集。3.根据融合图片集和单独线状，点状图片数据集，采用图形学方法提取图集中的每张图片的特征信息，展示已知的因果关系但不做量化处理。4.通过增强学习先散列单项的线状和点状密度图片，构造下一个计量单位的预测图片增强数据集(这样做是为了丰富初始数据集，提高学习的拟合成功率)，同时尝试并带入预测单项数据到融合图中片，用推演预测出来的数据与实际下一个时间片采集到数据做比对和修正，反复多次的调校单项的神经网络反馈响应层，渐进自我修正数据融合后的数据集模型，可增强成型后的模型健壮性和环境变化适应性。5.最终自我可学习出每一种气体的时分熵变，趋势，权重，敏感度，密度，突变因子，扰动因子等关系的若干种推演模型，满足下一时间片数据集用来做适合当前环境的气体分布和扩散的推演量化计算。
相关检索结果1：《CN201710020117.X一种通过熵变分析分子构型和空间构象变化规律的方法》摘要:本发明提供了一种通过熵变分析分子构型和空间构象变化规律的方法，该方法包括分子有效体积和自由体积概念的引入、熵变函数的定义、有效熵变和自由熵变的计算、分子构型和空间构象变化规律的分析等步骤。优选地，在通过熵变分析分子构型和空间构象变化规律的步骤中还包括分子有效体积和自由体积概念的引入、熵变函数的定义与有效熵变和自由熵变的计算等步骤，经过上述对热力学系统有效熵变和自由熵变的计算和分析可获得分子构型和空间构象变化规律，并可广泛应用于材料科学中有机、无机分子和生命科学中生物大分子构型和空间构象变化规律的分析。
技术要点比较：熵变是无规律但可以再趋势上加以预测和计算，该专利文献专注在分子构型变化规律，而我方专利在不同气体分子扩散规律和根据特定环境的时序性扩散规律发现和分类。
相关检索结果2：《CN201210336450.9基于人工智能学习机的电子鼻中非目标干扰气味的在线识别和抑制方法》摘要:本发明涉及一种电子鼻中非目标干扰气味的在线识别和抑制方法。其识别方法的步骤有目标气体和典型非目标干扰气味数据样本的采集、传感器阵列信号预处理、目标气体和非目标干扰气味样本的特征提取、人工智能学习机的训练学习和智能学习机对非目标干扰气味的实时在线识别。一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤：阵列信号动态矩阵的存储及更新、动态存储矩阵加权修正及干扰抑制和目标气体浓度预测。另一种非目标干扰气味的抑制方法包含上述识别方法的步骤，还有以下步骤：目标气体浓度预测、目标气体预测浓度动态矩阵的存储及更新和动态存储矩阵加权修正及干扰抑制。本发明的有益效果为：利用人工智能模式识别出了目标气体和非目标干扰气味，赋予了检测信号的类别标志；抑制了非目标干扰气味造成的干扰，能准确检测出目标气体的含量。
技术要点比较：该专利文献重点在通过人工智能去分别不同气体，而我方专利在于用增强和深度学习，去分类不同气体各自的分子扩散下一个时刻的熵变分类，从而推演并计算出特定时刻和区域的气体时间片浓度。
相关检索结果3：《CN201620490387.8一种室内人工智能的新鲜空气系统》摘要:一种人工智能的新鲜空气系统，其特征在于：包括空气质量监测设备、通风设备、空气处理设备、增氧设备、智能控制设备、内管道、外管道、室内进风口和室内出风口，其中空气质量监测设备与智能控制设备相连，室内进风口、通风设备、空气处理设备和室内出风口通过内管道依次相连，增氧设备通过外管道连接于空气处理设备的下游后与内管道和室内出风口相连。本系统的优点在于：可能过人工智能的方式，使室内得到新鲜空气，使室内空气质量指数更适合人们生活、工作，并使空气净化系统长期自动运行，不受环境、距离等影响。
技术要点比较：该专利文献重点在通过人工智能去根据当前室内环境来触发系统控制调度行为，控制换气等电机自动化行为，而我方专利在于用增强和深度学习，去分类不同气体各自的分子扩散下一个时刻的熵变分类，从而推演并计算出特定时刻和区域的气体时间片浓度，是种状态智能检测。
相关检索结果4：《CN201210590228.1一种便携式车内气体检测系统及方法》摘要:本发明公开了一种便携式车内气体检测系统及方法，该系统包括传感器阵列、传感器信号采集处理模块、中央处理模块和结果输出模块，首先由传感器阵列采集车内的空气信息，并将采集到的空气信息转换成电压信号传送到传感器信号采集处理模块，再由传感器信号采集处理模块将接收到的电压信号进行AD转换得到数字信号，最后由中央处理模块对数字信号进行解析识别出空气中的气体种类和浓度，并由结果输出模块输出识别结果。通过该系统及方法能够针对车内空气污染进行检测，快速实时便捷地定量识别出车内多种有害气体的浓度。
技术要点比较：该专利文献重点在通过人工智能去根据当前环境气体传感器来触发系统控制调度行为，是种电控响应处理设计，而我方专利在于用增强和深度学习，去分类不同气体各自的分子扩散下一个时刻的熵变分类，是种状态智能检测，与鉴别气体的感应器本身无关。
相关检索结果5：《PCT/CN2017/114439用于智能居家照顾的健康装置》公开了一种用于智能居家照顾的健康装置(1)，包括：由主控制板(11)控制的家用健康装置，主控制板(11)与健康装置(1)内的多个模组电连接，其中，与主控制板(11)所连接的感测模组(14)包括：血糖感测模组(145)、睡眠感测模组(146)及心脏感测模组(147)，利用非接触式的感测获得目标(2)的相关数据，并反馈至主控制板(11)。
技术要点比较：对比文重点在综合传感器对监测人主体，持续的开展健康监控，根据综合健康指标预警和通知医院，而我方专利在于用增强和深度学习，去分类不同气体各自的分子扩散下一个时刻的熵变分类，是种环境空气的状态智能检测，并不涉及其它有关人体体征的传感器和数据预测和数据间关系的深加工。
专利文献CN106770532B(申请号：201611196372.1)公开了一种气体浓度预测装置、气体浓度实时检测和预测系统。所述的气体浓度实时检测和预测系统包括气体浓度预测装置，其中，所述的气体浓度预测装置包括数据存储模块、数据获取模块、及处理分析模块。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种气体渐进式自反馈浓度熵变预测方法、系统及存储介质。
根据本发明提供的一种气体渐进式自反馈浓度熵变预测方法，包括：
数据采集步骤：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
数据转化步骤：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集；
特征信息获取步骤：根据获得的线状图片集、点状图片集和融合图片集，对图片集中的每张图片进行特征提取，获得图像特征；
模型增强学习步骤：根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集带入到融合图片集中，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
熵变预测步骤：根据获得的增强学习后的数据集模型，对当前环境的气体分布和扩散进行推演、预测。
优选地，所述数据采集步骤：
通过传感器持续采集指定环境中的目标气体的含量密度数据，通过传感器持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
所述指定环境包括以下任一种或任多种：指定的内部环境空间尺寸、纬度、海拔、湿度、温度、风速；
目标气体包括以下任一种或任多种：活性气体、惰性气体。
优选地，所述数据转化步骤包括：
数据时分步骤：对获得的每个干扰变量数据进行按时间片划分，分别将每个干扰变量数据时分为多个干扰变量数据片；
图片集构造步骤：根据每个干扰变量数据时分获得的多个干扰变量数据片，将多个干扰变量数据片分别单独绘制到一张图片上，形成多张图片，将获得的多张图片组合形成线状图片集和点状图片集，再构造数据融合后体现融合关系的图片集；
所述再构造数据融合后体现融合关系的图片集：将获得的线状图片集和点状图片集按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段画在同一张图片上，获得融合图片集。
优选地，所述特征信息获取步骤：
根据获得的线状图片集、点状图片集及融合图片集，采用图形学方法提取图片集中的每张图片进行特征提取，获得图像特征，并展示时间或空间上实际观察表现出的因果关系；
所述图形学方法包括以下任一种或任多种：尺度不变特征变换SIFT、方向梯度直方图HOG特征检测；
所述并展示时间或空间上实际观察表现出的因果关系：将传感器即时获得的数据作为修正值，将传感器获得的过往采集数据的单位平均值作为基础值，观察基础值和修正值之间所展现出的因果关系，并进行展示；
所述单位平均值指预设的时长内传感器采集到的数据的平均值。
优选地，所述模型增强学习步骤：
根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集的图像特征，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集的图像特征带入到融合图片集中，对预测图片增强数据集中的每一张图片的图像特征进行推演预测，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
所述推演预测的数据指：推演预测的图像特征；
所述采集到的数据指：采集到的图像特征。
根据本发明提供的一种气体渐进式自反馈浓度熵变预测系统，包括：
数据采集模块：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
数据转化模块：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集；
特征信息获取模块：根据获得的线状图片集、点状图片集和融合图片集，对图片集中的每张图片进行特征提取，获得图像特征；
模型增强学习模块：根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集带入到融合图片集中，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
熵变预测模块：根据获得的增强学习后的数据集模型，对当前环境的气体分布和扩散进行推演、预测。
优选地，所述数据采集模块：
通过传感器持续采集指定环境中的目标气体的含量密度数据，通过传感器持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
所述指定环境包括以下任一种或任多种：指定的内部环境空间尺寸、纬度、海拔、湿度、温度、风速；
目标气体包括以下任一种或任多种：活性气体、惰性气体。
所述数据转化模块包括：
数据时分模块：对获得的每个干扰变量数据进行按时间片划分，分别将每个干扰变量数据时分为多个干扰变量数据片；
图片集构造模块：根据每个干扰变量数据时分获得的多个干扰变量数据片，将多个干扰变量数据片分别单独绘制到一张图片上，形成多张图片，将获得的多张图片组合形成线状图片集和点状图片集，再构造数据融合后体现融合关系的图片集；
所述再构造数据融合后体现融合关系的图片集：将获得的线状图片集和点状图片集按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段画在同一张图片上，获得融合图片集。
优选地，所述特征信息获取模块：
根据获得的线状图片集、点状图片集及融合图片集，采用图形学方法提取图片集中的每张图片进行特征提取，获得图像特征，并展示时间或空间上实际观察表现出的因果关系；
所述图形学方法包括以下任一种或任多种：尺度不变特征变换SIFT、方向梯度直方图HOG特征检测；
所述并展示时间或空间上实际观察表现出的因果关系：将传感器即时获得的数据作为修正值，将传感器获得的过往采集数据的单位平均值作为基础值，观察基础值和修正值之间所展现出的因果关系，并进行展示；
所述单位平均值指预设的时长内传感器采集到的数据的平均值。
优选地，所述模型增强学习模块：
根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集的图像特征，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集的图像特征带入到融合图片集中，对预测图片增强数据集中的每一张图片的图像特征进行推演预测，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
所述推演预测的数据指：推演预测的图像特征；
所述采集到的数据指：采集到的图像特征。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的基于增强学习的气体渐进式自反馈浓度熵变预测方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
1、本发明能在时间和空间分布不均匀的实际环境中，忽视采集设备的安装部署位置，静置平稳后，任意移动时间轴去获得关键的单向数据集和系统性融合数据集，实现对过往或未来某一时段的区域中多种气体分布模拟。
2、本发明的偏差如果是因为环境突变引起的，但气体随时间会稳定趋于稳定，以多个时间片组成的时间段计算，整个熵变推演有足够的鲁棒性，满足生产环节需要。
3、本发明可用在安全生产推演模拟、风险预测预警，科学设计和规划，精细化产量分析模拟、智能无人自动化生产的预警响应等。
4、本发明可实现居住环境与人体健康有关的气体熵变指标预警，采集传感器即使辅助采集，早期为训练系统自我学习环境，修正增强学习模型的必要反馈途经。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的优选例2的流程示意图。
图2为本发明提供的优选例2的采集数据与特定时间片的拟合数据的线状示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种气体渐进式自反馈浓度熵变预测方法，包括：
数据采集步骤：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
数据转化步骤：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集；
特征信息获取步骤：根据获得的线状图片集、点状图片集和融合图片集，对图片集中的每张图片进行特征提取，获得图像特征；
模型增强学习步骤：根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集带入到融合图片集中，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
熵变预测步骤：根据获得的增强学习后的数据集模型，对当前环境的气体分布和扩散进行推演、预测。
优选地，所述数据采集步骤：
通过传感器持续采集指定环境中的目标气体的含量密度数据，通过传感器持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
所述指定环境包括以下任一种或任多种：指定的内部环境空间尺寸、纬度、海拔、湿度、温度、风速；
目标气体包括以下任一种或任多种：活性气体、惰性气体。
优选地，所述数据转化步骤包括：
数据时分步骤：对获得的每个干扰变量数据进行按时间片划分，分别将每个干扰变量数据时分为多个干扰变量数据片；
图片集构造步骤：根据每个干扰变量数据时分获得的多个干扰变量数据片，将多个干扰变量数据片分别单独绘制到一张图片上，形成多张图片，将获得的多张图片组合形成线状图片集和点状图片集，再构造数据融合后体现融合关系的图片集；
所述再构造数据融合后体现融合关系的图片集：将获得的线状图片集和点状图片集按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段画在同一张图片上，获得融合图片集。
优选地，所述特征信息获取步骤：
根据获得的线状图片集、点状图片集及融合图片集，采用图形学方法提取图片集中的每张图片进行特征提取，获得图像特征，并展示时间或空间上实际观察表现出的因果关系；
所述图形学方法包括以下任一种或任多种：尺度不变特征变换SIFT、方向梯度直方图HOG特征检测；
所述并展示时间或空间上实际观察表现出的因果关系：将传感器即时获得的数据作为修正值，将传感器获得的过往采集数据的单位平均值作为基础值，观察基础值和修正值之间所展现出的因果关系，并进行展示；
所述单位平均值指预设的时长内传感器采集到的数据的平均值。
优选地，所述模型增强学习步骤：
根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集的图像特征，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集的图像特征带入到融合图片集中，对预测图片增强数据集中的每一张图片的图像特征进行推演预测，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
所述推演预测的数据指：推演预测的图像特征；
所述采集到的数据指：采集到的图像特征。
根据本发明提供的一种气体渐进式自反馈浓度熵变预测系统，包括：
数据采集模块：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
数据转化模块：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集；
特征信息获取模块：根据获得的线状图片集、点状图片集和融合图片集，对图片集中的每张图片进行特征提取，获得图像特征；
模型增强学习模块：根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集带入到融合图片集中，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
熵变预测模块：根据获得的增强学习后的数据集模型，对当前环境的气体分布和扩散进行推演、预测。
优选地，所述数据采集模块：
通过传感器持续采集指定环境中的目标气体的含量密度数据，通过传感器持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
所述指定环境包括以下任一种或任多种：指定的内部环境空间尺寸、纬度、海拔、湿度、温度、风速；
目标气体包括以下任一种或任多种：活性气体、惰性气体。
所述数据转化模块包括：
数据时分模块：对获得的每个干扰变量数据进行按时间片划分，分别将每个干扰变量数据时分为多个干扰变量数据片；
图片集构造模块：根据每个干扰变量数据时分获得的多个干扰变量数据片，将多个干扰变量数据片分别单独绘制到一张图片上，形成多张图片，将获得的多张图片组合形成线状图片集和点状图片集，再构造数据融合后体现融合关系的图片集；
所述再构造数据融合后体现融合关系的图片集：将获得的线状图片集和点状图片集按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段画在同一张图片上，获得融合图片集。
优选地，所述特征信息获取模块：
根据获得的线状图片集、点状图片集及融合图片集，采用图形学方法提取图片集中的每张图片进行特征提取，获得图像特征，并展示时间或空间上实际观察表现出的因果关系；
所述图形学方法包括以下任一种或任多种：尺度不变特征变换SIFT、方向梯度直方图HOG特征检测；
所述并展示时间或空间上实际观察表现出的因果关系：将传感器即时获得的数据作为修正值，将传感器获得的过往采集数据的单位平均值作为基础值，观察基础值和修正值之间所展现出的因果关系，并进行展示；
所述单位平均值指预设的时长内传感器采集到的数据的平均值。
优选地，所述模型增强学习模块：
根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集的图像特征，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集的图像特征带入到融合图片集中，对预测图片增强数据集中的每一张图片的图像特征进行推演预测，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
所述推演预测的数据指：推演预测的图像特征；
所述采集到的数据指：采集到的图像特征。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的基于增强学习的气体渐进式自反馈浓度熵变预测方法的步骤。
下面通过优选例，对本发明进行更为具体地说明。
优选例1：
一种基于增强学习的气体渐进式自反馈浓度熵变预测方法，包括如下步骤：
1.持续采集特定，若干目标环境中的气体含量密度数据，同时持续采集和标记该环境中，共同拥有和特有的扰动影响因子数据。所述特定环境指：内空间尺寸，纬度海拔，湿度，温度，风速(半封闭室内)，所述若干目标指：各种活性，惰性气体充盈的稠密程度。比如氧气，二氧化碳，一氧化碳，氮气，氨气，笨，甲醛等，扰动影响因子数据指干扰变量。
2.时分每个因子数据，再分别单独转化成为线状图片集和点状密度图片集，再融合构造体现融合关系的图片集。时分指按时间片划分。
融合构造就是将上面提到的点线面的分布图像按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段(按单位小时)画在同一张图片上的过程。
3.根据融合图片集和单独线状，点状图片数据集，采用图形学方法提取图集中的每张图片的特征信息，展示已知的因果关系但不做量化处理。
采用图形学方法：
采用SIFT和HOG直方图系列特征提取的公知提取方法处理。
特征信息：抽象表达图片特质，用来区别与其他图片的微小的差异，因为图片连续产生，特征信息将这些图片的差异表达出来，并且这组特征信息可以用数字表达，放在矩阵中进行后续的矩阵运算；
展示已知的因果关系：
这种因果关系是根据当时当刻或当日的传感器读取到的数据信息，作为实测结论，以便作为修正值与推理值比对和矫正推理值，基础因果关系值是根据历史采集数据的平均值。
例如：特定空间大小，湿度温度，压力，有人无人，特定环境参数变化的平均值和新增变量变化引发的其他因子变化的过程，根源性因果原因不需要去获得，因为只是从实际的现象和实际的采集和计算获得的数据之间的实际因果可能关系。
4.根据获得的特征信息通过增强学习先散列单项的线状和点状密度图片，构造下一个计量单位的预测图片增强数据集(这样做是为了丰富初始数据集，提高学习的拟合成功率)，同时尝试并带入预测单项数据到融合图中片，用推演预测出来的数据与实际下一个时间片采集到数据做比对和修正，反复多次的调校单项的神经网络反馈响应层，渐进自我修正数据融合后的数据集模型，可增强成型后的模型健壮性和环境变化适应性。
采用学习的方法处理图片集过程中，所有被处理的是每张图像的特征信息，而非所有的图像信息。
所述散列单项的线状和点状密度图片包括：
步1：把点，线，面的信息分别作为单项数据，绘制一张张的点变线，线变面的png图片。
步2：通过设定不同的随机目标，让点找到变成或影响线的关系。设定不同的随机目标，让线找到形成面的影响关系。
步3：通过设定不同的随机多个目标，来让多个点和多条线之间的影响关系。
设定随机目标的过程是假设已经有的数据(点/线)，如何变成要得到目标数据(线/面)，那么从现有的数的分类中找到最容易变成目标数据的那条路径，而存量数据之间可能有这样的路径，这个增强过程就是寻找随机目标的过程，而找到的若干条路径就是分类的权重和关系。
所述调校单项的神经网络反馈响应层：调教就是设定一些寻找路径的方法，比如单步探测步伐，接受一定范围的设定目标，接受数据的边界忽视或矩阵再被上下采样时的近似计算等。目标还是为了在防止随机目标永远无法找到的弹性探测过程。
5.最终自我可学习出每一种气体的时分熵变，趋势，权重，敏感度，密度，突变因子，扰动因子等关系的若干种推演模型，满足下一时间片数据集用来做适合当前环境的气体分布和扩散的推演量化计算。
优选例2：
本发明由“渐进式”，“自反馈增强学习”，“熵变预测”三个模块组成，其中第二个模块中设计的训练(循环往返式)是一种闭环反馈，如图1所示。其中LOOP代表此操作过程是模块内部不依赖外部激励触发，就可以自行主动的定期执行一遍本模块的任务。Tx代表某一时间时刻，T(x+1)代表某一时刻紧接着的下一个时间片单元，这两个的间隔可以是数秒，也可是数分钟。
总图的整个过程中，涵盖几个重点：
1.【不依赖传感器的放置位置，分类采集后，分类图转化和数据融合图转换】
2.【最初从所处环境，持续的采集转化为图，再提取初步特征进行初步深度学习生成关系分类，映射每种环境特征下的物质状态和状态走势】
3.【将学习出来的渐进式预测模型回归在下一个时间片中，对比预测结果和实际采样结果，VS操作在图中，是以<和>的比对，其中理论值是根据神经网络计算出来的理论数值，实际值是根据物理传感器采集获取的，用来验证和持续增强丰富的辅助实验采集值】
4.【不断渐进式递归和修正预测推演模型，持续提高推演的扰动因子健壮性和适应性】
鉴于推演和训练不属于本专利的特有内容，并且是深度学习和增强学习中的公知操作，具体来说推演就是多次卷积操作，每一次卷积的参照矩阵以及上下采样后的参考矩阵都属于一层卷积计算中的一部分，一整套完整的多层多次卷积运算就是图中标记的行业公知推演行为。而训练操作本身，也不是本专利的特有内容，本文采用的增强深度学习是反馈的真实数据作为分类训练的目标，每次训练保存一次模型后，会结合反馈信息结果和推演结果的差，作为新的小目标再进行一次训练，往复不断的变化小目标，让真实传感器的一个个小目标都被训练所覆盖，形成能覆盖这些小目标集合的一个比较丰富的目标分类矩阵。不同气体会在特有的气体规律网络层中平级存在，这样就能针对各类气体进行不同卷积矩阵计算。
根据熵变模型和自学习反馈，将有时间片间隙的数据拟合成关系线图，如图2所示。
原本化学物质之间在生产环境中多变的化学离散关系，被传感器获取到每种气体的实际数值后，转成图形，这些图像之间的关系，借助神经网络的图形图像处理能力，提取出图像中之间原本很难发现的熵变规律。这个不断因为环境干扰因子变化，引起的新变化规律通过有限布置的硬件环境采集传感器，重新取得并用在修正预测数据的结果上，这样在实际生产环境中，一方面可以更加全面的推演出气体分布和任意时刻的大概率气体状况，不完全依赖采集传感器的数量和布局，另一方面对于预测性的生产要求，也能满足。本文没有附上RL增强学习的基础框架，是因为本专利是基于增强学习的特点和要求，来实现转换图像后的处理和需要转换何种，多少图片的自动化反馈系统。
实施举例如下：
针对选定的单项气体，在实验室中分别按照模拟生产的空间和流通性，做每个季节，每种空间大小，累计超过5日以上的持续时间片采集，并按照气体单位浓度和熵变时间关系，转换成时序值图。再将多种气体混合投放，持续采集转换成混合环境中的单项熵变时间关系，这些将构成最初的符合当前环境基础关系模型。
把这些数据转成图像缓存成一张张图片集，基于图片集做深度学习和增强学习丰富数据源样本，针对特定的前一个时刻的单项和复合数据，训练出下一个时刻大概率会趋向哪种分布函数的分类，也就是下一个时刻可用计算的熵变分类。用实际采集到的下一时刻的单项数值与分类过的分布函数预测值做比较，再循环调整分类模型的分类准确性，最终可以达到对单项和复合项的下一个连续若干时刻，可推演出特定时间，特定空间位置，特定气体所属的分类熵变函数。再通过输入变量时间和特定相关系数(空间大小、风速、温度等)，计算得出并未采集到的特定区域和时间的每种气体量状态数值。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种气体渐进式自反馈浓度熵变预测方法，其特征在于，包括：
数据采集步骤：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
数据转化步骤：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集；
特征信息获取步骤：根据获得的线状图片集、点状图片集和融合图片集，对图片集中的每张图片进行特征提取，获得图像特征；
模型增强学习步骤：根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集带入到融合图片集中，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
熵变预测步骤：根据获得的增强学习后的数据集模型，对当前环境的气体分布和扩散进行推演、预测。
2.根据权利要求1所述的气体渐进式自反馈浓度熵变预测方法，其特征在于，所述数据采集步骤：
通过传感器持续采集指定环境中的目标气体的含量密度数据，通过传感器持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
所述指定环境包括以下任一种或任多种：指定的内部环境空间尺寸、纬度、海拔、湿度、温度、风速；
目标气体包括以下任一种或任多种：活性气体、惰性气体。
3.根据权利要求2所述的气体渐进式自反馈浓度熵变预测方法，其特征在于，所述数据转化步骤包括：
数据时分步骤：对获得的每个干扰变量数据进行按时间片划分，分别将每个干扰变量数据时分为多个干扰变量数据片；
图片集构造步骤：根据每个干扰变量数据时分获得的多个干扰变量数据片，将多个干扰变量数据片分别单独绘制到一张图片上，形成多张图片，将获得的多张图片组合形成线状图片集和点状图片集，再构造数据融合后体现融合关系的图片集；
所述再构造数据融合后体现融合关系的图片集：将获得的线状图片集和点状图片集按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段画在同一张图片上，获得融合图片集。
4.根据权利要求3所述的气体渐进式自反馈浓度熵变预测方法，其特征在于，所述特征信息获取步骤：
根据获得的线状图片集、点状图片集及融合图片集，采用图形学方法提取图片集中的每张图片进行特征提取，获得图像特征，并展示时间或空间上实际观察表现出的因果关系；
所述图形学方法包括以下任一种或任多种：尺度不变特征变换SIFT、方向梯度直方图HOG特征检测；
所述并展示时间或空间上实际观察表现出的因果关系：将传感器即时获得的数据作为修正值，将传感器获得的过往采集数据的单位平均值作为基础值，观察基础值和修正值之间所展现出的因果关系，并进行展示；
所述单位平均值指预设的时长内传感器采集到的数据的平均值。
5.根据权利要求4所述的气体渐进式自反馈浓度熵变预测方法，其特征在于，所述模型增强学习步骤：
根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集的图像特征，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集的图像特征带入到融合图片集中，对预测图片增强数据集中的每一张图片的图像特征进行推演预测，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
所述推演预测的数据指：推演预测的图像特征；
所述采集到的数据指：采集到的图像特征。
6.一种气体渐进式自反馈浓度熵变预测系统，其特征在于，包括：
数据采集模块：持续采集指定环境中的目标气体的含量密度数据，同时持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
数据转化模块：对获得的每个干扰变量数据进行按时间片划分，获得时分后的干扰变量数据，将每个时分后的干扰变量数据分别转化为线状图片集、点状图片集及融合图片集；
特征信息获取模块：根据获得的线状图片集、点状图片集和融合图片集，对图片集中的每张图片进行特征提取，获得图像特征；
模型增强学习模块：根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集带入到融合图片集中，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
熵变预测模块：根据获得的增强学习后的数据集模型，对当前环境的气体分布和扩散进行推演、预测。
7.根据权利要求6所述的气体渐进式自反馈浓度熵变预测系统，其特征在于，所述数据采集模块：
通过传感器持续采集指定环境中的目标气体的含量密度数据，通过传感器持续采集和标记指定环境中的干扰变量，输出一个或多个干扰变量数据；
所述指定环境包括以下任一种或任多种：指定的内部环境空间尺寸、纬度、海拔、湿度、温度、风速；
目标气体包括以下任一种或任多种：活性气体、惰性气体；
所述数据转化模块包括：
数据时分模块：对获得的每个干扰变量数据进行按时间片划分，分别将每个干扰变量数据时分为多个干扰变量数据片；
图片集构造模块：根据每个干扰变量数据时分获得的多个干扰变量数据片，将多个干扰变量数据片分别单独绘制到一张图片上，形成多张图片，将获得的多张图片组合形成线状图片集和点状图片集，再构造数据融合后体现融合关系的图片集；
所述再构造数据融合后体现融合关系的图片集：将获得的线状图片集和点状图片集按照单一色彩画在同一张图片上或把不同颜色的点线面信息画在同一个时间段画在同一张图片上，获得融合图片集。
8.根据权利要求7所述的气体渐进式自反馈浓度熵变预测系统，其特征在于，所述特征信息获取模块：
根据获得的线状图片集、点状图片集及融合图片集，采用图形学方法提取图片集中的每张图片进行特征提取，获得图像特征，并展示时间或空间上实际观察表现出的因果关系；
所述图形学方法包括以下任一种或任多种：尺度不变特征变换SIFT、方向梯度直方图HOG特征检测；
所述并展示时间或空间上实际观察表现出的因果关系：将传感器即时获得的数据作为修正值，将传感器获得的过往采集数据的单位平均值作为基础值，观察基础值和修正值之间所展现出的因果关系，并进行展示；
所述单位平均值指预设的时长内传感器采集到的数据的平均值。
9.根据权利要求8所述的气体渐进式自反馈浓度熵变预测系统，其特征在于，所述模型增强学习模块：
根据获得的图像特征，通过增强学习先散列线状图片集和点状图片集的图像特征，构造下一个单位的预测图片增强数据集，将获得的预测图片增强数据集的图像特征带入到融合图片集中，对预测图片增强数据集中的每一张图片的图像特征进行推演预测，获得推演预测的数据，将获得的推演预测的数据与采集到的数据进行比对和修正，反馈训练获得增强学习后的数据集模型；
所述推演预测的数据指：推演预测的图像特征；
所述采集到的数据指：采集到的图像特征。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的气体渐进式自反馈浓度熵变预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223149.9A CN109858576B (zh) | 2019-03-22 | 2019-03-22 | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223149.9A CN109858576B (zh) | 2019-03-22 | 2019-03-22 | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109858576A CN109858576A (zh) | 2019-06-07 |
| CN109858576B true CN109858576B (zh) | 2020-12-22 |
Family
ID=66901634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910223149.9A Active CN109858576B (zh) | 2019-03-22 | 2019-03-22 | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109858576B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492974A (zh) * | 2022-01-18 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 一种gis气体状态预测方法及系统 |
| CN117091799B (zh) * | 2023-10-17 | 2024-01-02 | 湖南一特医疗股份有限公司 | 医用中心氧气供应安全智能立体监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592374A (zh) * | 2013-11-18 | 2014-02-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
| CN103761575A (zh) * | 2013-04-25 | 2014-04-30 | 张涛 | 一种基于两级神经网络的库房环境安全预测方法 |
| CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
| CN105701578A (zh) * | 2016-03-03 | 2016-06-22 | 重庆大学 | 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法 |
| CN107313808A (zh) * | 2016-06-12 | 2017-11-03 | 中国石油化工股份有限公司 | 易燃气体浓度监测和预警的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504300A (zh) * | 2016-10-21 | 2017-03-15 | 福建中金在线信息科技有限公司 | 一种时分图的建立方法以及系统 |
| US11567031B2 (en) * | 2017-09-08 | 2023-01-31 | Oakland University | Selective real-time gas sensing |
| KR101946784B1 (ko) * | 2017-09-29 | 2019-02-12 | 한국과학기술원 | 칼만 필터를 이용하여 배터리의 엔트로피를 측정하는 방법 |
| CN109117549B (zh) * | 2018-08-08 | 2023-09-05 | 浙江航天恒嘉数据科技有限公司 | 一种污染物扩散预测方法及系统 |
-
2019
- 2019-03-22 CN CN201910223149.9A patent/CN109858576B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761575A (zh) * | 2013-04-25 | 2014-04-30 | 张涛 | 一种基于两级神经网络的库房环境安全预测方法 |
| CN103592374A (zh) * | 2013-11-18 | 2014-02-19 | 国家电网公司 | 一种基于d-s证据理论的变压器油色谱数据预测方法 |
| CN104123476A (zh) * | 2014-08-12 | 2014-10-29 | 大连海事大学 | 基于极限学习机的气体浓度预测方法及其装置 |
| CN105701578A (zh) * | 2016-03-03 | 2016-06-22 | 重庆大学 | 一种基于电子鼻和红外摄像仪烟羽前端扩散路径预测方法 |
| CN107313808A (zh) * | 2016-06-12 | 2017-11-03 | 中国石油化工股份有限公司 | 易燃气体浓度监测和预警的方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于深度新年网络的变压器油中溶解气体浓度预测方法";代杰杰 等;《电网技术》;20170831;第41卷(第8期);全文 * |
| "痕量多组分可燃气体爆炸风险的图谱特征变化趋势识别";周作梅;《科技通报》;20161231;第32卷(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109858576A (zh) | 2019-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Attention-based recurrent neural networks for accurate short-term and long-term dissolved oxygen prediction | |
| CN108241905B (zh) | 用于预测土壤和/或植物状况的方法 | |
| EP3482630A1 (en) | Method, system and computer program for performing a pest forecast | |
| CN109858576B (zh) | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 | |
| Jiang et al. | Biome‐specific climatic space defined by temperature and precipitation predictability | |
| CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
| JP6848998B2 (ja) | 学習システム、学習方法及び学習プログラム | |
| Effendy et al. | Forest quality assessment based on bird sound recognition using convolutional neural networks | |
| Jebari et al. | Poultry-Edge-AI-IoT System for Real-Time Monitoring and Predicting by Using Artificial Intelligence. | |
| Laktionov et al. | An explainable AI approach to agrotechnical monitoring and crop diseases prediction in Dnipro region of Ukraine | |
| Eo et al. | Deep learning framework with essential pre-processing techniques for improving mixed-gas concentration prediction | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| Illahi et al. | BombNose: A multiple bomb-related gas prediction model using machine learning with electronic nose sensor substitution technique | |
| Abdulla et al. | Deep learning and IoT for Monitoring Tomato Plant. | |
| Pan et al. | A new electronic nose for downwind livestock farm odour measurement | |
| Sani et al. | Crop Recommendation System using Random Forest Algorithm in Machine Learning | |
| Chen et al. | A prediction model for piggery ammonia concentration based on least squares support vector regression using fruit fly optimisation algorithm | |
| US20230301247A1 (en) | Machine learning systems for autonomous and semiautonomous plant growth | |
| Theodorou et al. | Decision Making in Precision Agriculture-The Case of VEL OS Intelligent Decision Support System | |
| Tan et al. | Automated Chilli Pesticide Residues Detection Using Odour Gas Sensors (OGS) and Deep Learning (DL) Algorithm | |
| Licen et al. | Extracting knowledge from hybrid instrumental environmental odour monitoring systems: self organizing maps, data fusion and supervised kohonen networks for prediction | |
| Honda et al. | Prediction of Photosynthetic Carbon Assimilation Rate of Individual Rice Leaves under Changes in Light Environment Using BLSTM-Augmented LSTM. | |
| CN115808504B (zh) | 一种用于浓度预测的气体传感器在线漂移补偿方法 | |
| Cao et al. | Rice Growth Prediction Based on Periodic Growth | |
| Vignesh et al. | Deep Reinforcement Learning Based Weather Monitoring Systemusing Arduino for Smart Environment |
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 |