CN110135466B - 一种污染物排放超标车辆判断方法及系统 - Google Patents
一种污染物排放超标车辆判断方法及系统 Download PDFInfo
- Publication number
- CN110135466B CN110135466B CN201910326961.4A CN201910326961A CN110135466B CN 110135466 B CN110135466 B CN 110135466B CN 201910326961 A CN201910326961 A CN 201910326961A CN 110135466 B CN110135466 B CN 110135466B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- model
- remote sensing
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 20
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 144
- 238000001514 detection method Methods 0.000 claims abstract description 98
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000012216 screening Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 101150049349 setA gene Proteins 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种污染物排放超标车辆判断方法及系统,属于排污监控技术领域,包括获取M个污染源的遥感检测数据,并利用怠速法对M个污染源进行检测,得到与M个遥感检测数据对应的检测结果;将M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型;利用分类模型对污染源的遥感检测数据进行处理,判断该污染源是否超标。本发明利用宽度学习模型,可在训练样本数量较少的情况下,保证模型的准确性。
Description
技术领域
本发明涉及排污监控技术领域,特别涉及一种污染物排放超标车辆判断方法及系统。
背景技术
遥感监测技术于20世纪80年代后期由丹佛大学的FEAT(Fuel EfficiencyAutomobile Test)项目中发展起来,这种技术可测量通过车辆的尾气烟羽中污染物与CO2的浓度比。最初遥感技术仅能测量CO与CO2的浓度比,其目的是识别CO排放高的车辆,随后研究者开发了对于HC,NO,PM(用颗粒不透光度表示),NO2,SO2和NH3的检测功能。其原理都是利用尾气中的不同成分对不同波长的红外线或紫外线的吸收作用,从而计算其浓度。
虽然遥感监测技术主要是为筛查高排放污染源而开发的,但是这方面的研究却非常有限,其中的大多数研究是在美国进行的。早期研究(1997年及更早)主要依靠测量CO,评估遥感监测的有效性和准确性。总体来说大多数关于高排放车筛查的研究都使用排放百分比(%或ppm)描述排放限值。
但是,绝对排放百分比是从测量的浓度百分比计算出来的,该计算过程基于一个关键的假设,即没有氧气残留在尾气中。这一假设对于传统的汽油车来说是可满足的,但对于柴油车和现代的直喷式分层充电汽油车来说这一假设是不成立的。此外,虽然有些研究根据年限的不同为车辆设定不同的排放限值,但是未考虑道路环境及驾驶条件(例如坡度、速度、加速度),因此对所有的车辆使用固定的排放限值仍然存在其局限性。
最近一些研究提出了更为复杂的筛选策略,Park和Rakha提出了一种确定排放限值的模型,该模型考虑车辆速度、加速度以及车辆年份、重量和发动机尺寸。该模型对于识别高HC-CO排放和高HC-CO-NO排放的车辆是有效的,但对于高NO排放和高CO排放车辆需要进一步改进。Rakha等人(2010)开发了一种根据遥测设备获取的浓度比和由VT-Micro模型预测的燃料消耗率来计算污染物排放质量的新方法,其中考虑了车辆的类型、速度、加速度、年份和发动机尺寸。这种方法显示了当前高排放车筛选方法的改进。
神经网络模型虽具有强大的学习能力来揭示多变量之间的非线性关系,然而在对于高污染排放源的判定中,在神经网络训练阶段,由于排放超标的样本数量大大少于正常排放的样本数量,也就是说训练数据集是非常不平衡的,这种情况下分类算法倾向于将样本数量少的类别的样本错误地分到样本数量多的类别中,从而导致对高排放污染源的判别错误。
发明内容
本发明的目的在于提供一种污染物排放超标车辆判断方法及系统,以在训练样本数量少的前提下,保证高排放污染源判别的准确性。
为实现以上目的,本发明采用一种污染物排放超标车辆判断方法,包括如下步骤:
获取M个污染源的遥感检测数据,并利用怠速法对M个污染源进行检测,得到与所述M个遥感检测数据对应的检测结果;
将所述M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型;
利用分类模型对污染源的遥感检测数据进行处理,判断该污染源是否超标。
进一步地,所述将所述M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型,包括:
从所述候训样本集中随机选取部分数据作为训练集,余下数据作为测试集;
利用训练集中的训练数据对预先构建的宽度学习模型进行迭代训练,得到训练后的模型;
利用测试集中的测试数据对所述训练后的模型进行测试,得到所述分类模型。
进一步地,在所述获取M个污染源的遥感检测数据之后,还包括:
对所述获取的M个污染源的遥感检测数据进行标准化处理;
相应地,利用怠速法对M个污染源进行检测,得到与所述M个遥感检测数据对应的检测结果。
进一步地,所述宽度学习模型为基于代价敏感宽度学习模型,该模型的代价敏感的损失函数为:
进一步地,还包括:
计算所述训练后的模型在所述训练集上的分类正确率,作为第一分类正确率;
计算所述分类模型在所述测试集上的分类正确率,作为第二分类正确率;
根据第一分类正确率和第二分类正确率,判断所述训练后的模型是否存在过拟合或者欠拟合;
若是,则调整所述预先构建的宽度学习模型中的超参数取值,并重新执行所述利用训练集中的训练数据对构建的宽度学习模型进行迭代训练,得到训练后的模型。
另一方面,提供一种污染物排放超标车辆判断系统,包括数据获取模块、检测模块、训练模块以及判断模块;
数据获取模块用于获取M个污染源的遥感检测数据;
检测模块用于利用怠速法对M个污染源进行检测,得到与所述M个遥感检测数据对应的检测结果;
训练模块用于将所述M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型;
判断模块用于利用分类模型对污染源的遥感检测数据进行处理,判断该污染源是否超标。
进一步地,所述训练模块包括选取单元、训练单元和测试单元;
选取单元用于从所述候训样本集中随机选取部分数据作为训练集,余下数据作为测试集;
训练单元用于利用训练集中的训练数据对预先构建的宽度学习模型进行迭代训练,得到训练后的模型;
测试单元用于利用测试集中的测试数据对所述训练后的模型进行测试,得到所述分类模型。
进一步地,还包括标准化模块,其用于对所述获取的M个污染源的遥感检测数据进行标准化处理。
进一步地,所述宽度学习模型为基于代价敏感宽度学习模型,该模型的代价敏感的损失函数为:
进一步地,还包括第一计算模块、第二计算模块、拟合判断模块和超参数调整模块;
第一计算模块用于计算所述训练后的模型在所述训练集上的分类正确率,作为第一分类正确率;
第二计算模块用于计算所述分类模型在所述测试集上的分类正确率,作为第二分类正确率;
拟合判断模块用于根据第一分类正确率和第二分类正确率,判断所述训练后的模型是否存在过拟合或者欠拟合;
超参数调整模块用于在所述拟合判断模块的判断结果为是时,调整所述预先构建的宽度学习模型中的超参数取值,并重新执行所述利用训练集中的训练数据对构建的宽度学习模型进行迭代训练,得到训练后的模型。
与现有技术相比,本发明存在以下技术效果:本发明通过利用污染源的遥感检测数据及其对应的检测结果,对宽度学习模型进行训练,得到分类模型,用于对当前获取的污染源遥感检测数据进行分类处理,得到污染源是超标或者合格的分类结果。通过采用宽度学习模型,不仅可在样本数量大大减少的情况下保证对污染源判定结果的准确性,还提高了模型的训练速度。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是一种污染物排放超标车辆判断方法的流程示意图;
图2是另一种污染物排放超标车辆判断方法的流程示意图;
图3是一种污染物排放超标车辆判断系统的结构示意图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了一种污染物排放超标车辆判断方法,包括如下步骤S1至S2:
S1、获取M个污染源的遥感检测数据,并利用怠速法对M个污染源进行检测,得到与所述M个遥感检测数据对应的检测结果;
需要说明的是,污染源的遥感检测数据包括CO浓度、HC浓度和NO浓度等,遥感数据的检测条件包括一定的温度、相对湿度、风速和风向等。
S2、将所述M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型;
其中,预先构建的宽度学习模型包括7个输入神经元,分别表示遥感检测结果的CO浓度、HC浓度、NO浓度、温度、相对湿度、风速和风向,特征节点有10组,每组包括5个神经元,增强节点数量为20。
S3、利用分类模型对当前获取的污染源的遥感检测数据进行处理,判断该污染源是否超标。
进一步地,在上述步骤获取M个污染源的遥感检测数据之后,还包括:
对所述获取的M个污染源的遥感检测数据进行标准化处理,标准化处理的方法如下:
v=(1-(-1))×(u-umin)/(umax-umin)+(-1),
其中,u表示数据原始值,v表示标准化处理后的数据值,umin和umax分别表示该数据维度中的最小值和最大值。
相应地,利用怠速法对M个污染源进行检测,得到与所述M个遥感检测数据对应的检测结果。
需要说明的是,通过标准化将各数据维度的范围统一,从而可以提升模型训练速度和模型效果。
相应地,在上述步骤S3中,将污染源的遥感检测数据进行标准化处理后,利用分类模型对标准化处理后的数据进行处理,得到车辆的排污状态。
具体地,数据标准化处理之后,用X={x1,x2,…,xM}表示,其中xi,i=1,2,…,M表示第i个污染源的遥感检测数据,M表示收集到的污染源遥感检测数据总量。利用怠速法对标准化处理后的遥感检测数据进行处理,得到各污染源的排放状态用Y={y1,y2,…,yM}表示,其中yi为第i个污染源的遥感检测数据xi对应的检测结果,检测结果为超标或合格,将检测结果为“超标”用1表示,将检测结果为“合格”用-1表示。然后将{(x1,y1),(x2,y2),…,(xM,yM)}作为所述候选样本集。
进一步地,上述步骤S2:将所述M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型,包括如下细分步骤S21至S23:
S21、从所述候训样本集中随机选取部分数据作为训练集,余下数据作为测试集;
具体地,在候选样本集{(x1,y1),(x2,y2),…,(xM,yM)}中随机选择部分数据作为训练集Tr,Tr中训练数据的下标用r1,r2,…,ra表示,a表示训练集中训练数据的总数,余下的数据构成测试集Te,Te中的测试数据的下标用e1,e2,…,eb表示,b表示测试集中测试数据的总数,b=M-a。
S22、利用训练集中的训练数据对预先构建的宽度学习模型进行迭代训练,得到训练后的模型;
S23、利用测试集中的测试数据对所述训练后的模型进行测试,得到所述分类模型。
进一步地,宽度学习模型为基于代价敏感宽度学习模型,该模型的代价敏感的损失函数为:
将训练集中的遥感检测数据作为模型的输入,将训练集中遥感检测数据对应的检测结果作为模型的输出,并采用梯度下降法训练模型,如果模型的输出大于0,则表示模型的判定结果为“超标”,如果模型的输出小于或等于0,则表示模型的判定结果为“合格”。然后利用测试集中的测试数据对训练出来的模型进行测试,得到分类模型。
需要说明的是,本实施例通过设计代价敏感的损失函数,利用基于代价敏感的宽度学习模型,使用污染源的遥感检测数据及其检测结果对其进行训练,由于在损失函数中检测结果为“超标”的数据其权重是检测结果为“合格”的数据的10倍,即模型对于将“超标”误分类为“合格”这样的分类错误施以更大的惩罚力度,因此在训练过程完成后得到的模型就更少地出现将超标车辆误判为合格车辆的错误,则利用训练得到的分类模型对当前获取的污染源的遥感检测数据进行处理,可以大大降低污染排放超标车辆的漏检率,以增强相关部门对污染排放超标车辆的检查能力。
进一步地,如图2所示,本实施例在上述实施例公开的内容的基础上,还包括如下步骤:
计算所述训练后的模型在所述训练集上的分类正确率,作为第一分类正确率;即当训练迭代次数达到预设的最大迭代次数时,通过以下公式计算模型在训练集上的第一分类正确率:其中Numtr表示在训练集上模型的判定结果与真实值相同的训练数据数量。
计算所述分类模型在所述测试集上的分类正确率,作为第二分类正确率;即将测试集数据输入训练出来的模型,得到该模型在测试集上的第二分类正确率:其中Numte表示在测试集上模型的判定结果与真实值相同的测试数据数量。
根据第一分类正确率和第二分类正确率,判断所述训练后的模型是否存在过拟合或者欠拟合,如果第一分类正确率过低,如低于80%,则判断存在欠拟合现象,若第一分类正确率和第二分类正确率的差值较大,如大于10%,则判断存在过拟合现象;
若是,则调整所述预先构建的宽度学习模型中的超参数取值,具体如下:若存在欠拟合现象,则增加模型中特征节点或增强节点数量,若存在过拟合现象,则适当减少模型中特征节点或增强节点数量,然后重新执行所述利用训练集中的训练数据对宽度学习模型进行迭代训练,得到训练后的模型;
若否,则将该训练后的模型作为最终的分类模型。
如图3所示,本实施例公开了一种污染物排放超标车辆判断系统,包括数据获取模块10、检测模块20、训练模块30以及判断模块40;
数据获取模块10用于获取M个污染源的遥感检测数据;
检测模块20用于利用怠速法对M个污染源进行检测,得到与所述M个遥感检测数据对应的检测结果;
训练模块30用于将所述M个遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型;
判断模块40用于利用分类模型对污染源的遥感检测数据进行处理,判断该污染源是否超标。
进一步地,还包括标准化模块,其用于对所述获取的M个污染源的遥感检测数据进行标准化处理,数据标准化处理之后,用X={x1,x2,…,xM}表示,其中xi,i=1,2,…,M表示第i个污染源的遥感检测数据,M表示收集到的污染源遥感检测数据总量。利用怠速法对M个污染源进行检测,得到各污染源的排放状态用Y={y1,y2,…,yM}表示,其中yi为第i个污染源的遥感检测数据xi对应的检测结果,检测结果为超标或合格,将检测结果为“超标”用1表示,将检测结果为“合格”用-1表示。然后将{(x1,y1),(x2,y2),…,(xM,yM)}作为所述候选样本集。
进一步地,所述训练模块30包括选取单元、训练单元和测试单元;
选取单元用于从所述候训样本集中随机选取部分数据作为训练集,余下数据作为测试集;
训练单元用于利用训练集中的训练数据对预先构建的宽度学习模型进行迭代训练,得到训练后的模型;
测试单元用于利用测试集中的测试数据对所述训练后的模型进行测试,得到所述分类模型。
具体地,在候选样本集{(x1,y1),(x2,y2),…,(xM,yM)}中随机选择部分数据作为训练集Tr,Tr中训练数据的下标用r1,r2,…,ra表示,a表示训练集中训练数据的总数,余下的数据构成测试集Te,Te中的测试数据的下标用e1,e2,…,eb表示,b表示测试集中测试数据的总数,b=M-a。
进一步地,宽度学习模型为基于代价敏感宽度学习模型,该模型的代价敏感的损失函数为:
将训练集中的遥感检测数据作为模型的输入,将训练集中遥感检测数据对应的检测结果作为模型的输出,并采用梯度下降法训练模型,如果模型的输出大于0,则表示模型的判定结果为“超标”,如果模型的输出小于或等于0,则表示模型的判定结果为“合格”。然后利用测试集中的测试数据对训练出来的模型进行测试,得到分类模型。
进一步地,还包括第一计算模块、第二计算模块、拟合判断模块40和超参数调整模块;
第一计算模块用于计算所述训练后的模型在所述训练集上的分类正确率,作为第一分类正确率;即当训练迭代次数达到预设的最大迭代次数时,通过以下公式计算模型在训练集上的第一分类正确率:其中Numtr表示在训练集上模型的判定结果与真实值相同的训练数据数量。
第二计算模块用于计算所述分类模型在所述测试集上的分类正确率,作为第二分类正确率;即将测试集数据输入训练出来的模型,得到该模型在测试集上的第二分类正确率:其中Numte表示在测试集上模型的判定结果与真实值相同的测试数据数量。
拟合判断模块40用于根据第一分类正确率和第二分类正确率,判断所述训练后的模型是否存在过拟合或者欠拟合;
超参数调整模块用于在所述拟合判断模块40的判断结果为是时,调整所述预先构建的宽度学习模型中的超参数取值,并重新执行所述利用训练集中的训练数据对构建的宽度学习模型进行迭代训练,得到训练后的模型。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种污染物排放超标车辆判断方法,其特征在于,包括:
获取M个污染源的遥感检测数据,并利用怠速法对M个污染源进行检测,得到与所述M个污染源的遥感检测数据对应的检测结果;
将所述M个污染源的遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型,包括:
从所述候选样本集中随机选取部分数据作为训练集,余下数据作为测试集;
利用训练集中的训练数据对预先构建的宽度学习模型进行迭代训练,得到训练后的模型;
利用测试集中的测试数据对所述训练后的模型进行测试,得到所述分类模型;所述预先构建的宽度学习模型为基于代价敏感宽度学习模型,该模型的代价敏感的损失函数为:
利用分类模型对污染源的遥感检测数据进行处理,判断该污染源是否超标。
2.如权利要求1所述的污染物排放超标车辆判断方法,其特征在于,在所述获取M个污染源的遥感检测数据之后,还包括:
对所述获取的M个污染源的遥感检测数据进行标准化处理;
相应地,利用怠速法对M个污染源进行检测,得到与所述M个污染源的遥感检测数据对应的检测结果。
3.如权利要求1所述的污染物排放超标车辆判断方法,其特征在于,还包括:
计算所述训练后的模型在所述训练集上的分类正确率,作为第一分类正确率;
计算所述分类模型在所述测试集上的分类正确率,作为第二分类正确率;
根据第一分类正确率和第二分类正确率,判断所述训练后的模型是否存在过拟合或者欠拟合;
若是,则调整所述预先构建的宽度学习模型中的超参数取值,并重新执行所述利用训练集中的训练数据对构建的宽度学习模型进行迭代训练,得到训练后的模型。
4.一种污染物排放超标车辆判断系统,其特征在于,包括数据获取模块、检测模块、训练模块以及判断模块;
数据获取模块用于获取M个污染源的遥感检测数据;
检测模块用于利用怠速法对M个污染源进行检测,得到与所述M个污染源的遥感检测数据对应的检测结果;
训练模块用于将所述M个污染源的遥感检测数据及其对应的检测结果作为候选样本集,以对预先构建的宽度学习模型进行迭代训练,得到分类模型;
所述训练模块包括选取单元、训练单元和测试单元;
选取单元用于从所述候选样本集中随机选取部分数据作为训练集,余下数据作为测试集;
训练单元用于利用训练集中的训练数据对预先构建的宽度学习模型进行迭代训练,得到训练后的模型;
测试单元用于利用测试集中的测试数据对所述训练后的模型进行测试,得到所述分类模型;
所述宽度学习模型为基于代价敏感宽度学习模型,该模型的代价敏感的损失函数为:
判断模块用于利用分类模型对污染源的遥感检测数据进行处理,判断该污染源是否超标。
5.如权利要求4所述的污染物排放超标车辆判断系统,其特征在于,还包括标准化模块,其用于对所述获取的M个污染源的遥感检测数据进行标准化处理。
6.如权利要求5所述的污染物排放超标车辆判断系统,其特征在于,还包括第一计算模块、第二计算模块、拟合判断模块和超参数调整模块;
第一计算模块用于计算所述训练后的模型在所述训练集上的分类正确率,作为第一分类正确率;
第二计算模块用于计算所述分类模型在所述测试集上的分类正确率,作为第二分类正确率;
拟合判断模块用于根据第一分类正确率和第二分类正确率,判断所述训练后的模型是否存在过拟合或者欠拟合;
超参数调整模块用于在所述拟合判断模块的判断结果为是时,调整所述预先构建的宽度学习模型中的超参数取值,并重新执行所述利用训练集中的训练数据对构建的宽度学习模型进行迭代训练,得到训练后的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910326961.4A CN110135466B (zh) | 2019-04-23 | 2019-04-23 | 一种污染物排放超标车辆判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910326961.4A CN110135466B (zh) | 2019-04-23 | 2019-04-23 | 一种污染物排放超标车辆判断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135466A CN110135466A (zh) | 2019-08-16 |
CN110135466B true CN110135466B (zh) | 2022-07-15 |
Family
ID=67570548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910326961.4A Active CN110135466B (zh) | 2019-04-23 | 2019-04-23 | 一种污染物排放超标车辆判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135466B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428595B (zh) * | 2020-03-13 | 2021-10-26 | 五邑大学 | 水底视觉垃圾清理机器人及其运作方法 |
CN112991765B (zh) * | 2021-02-03 | 2022-05-10 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种道路高排放源识别模型更新方法、终端及存储介质 |
CN113222217B (zh) * | 2021-04-15 | 2022-02-25 | 中国科学技术大学先进技术研究院 | 基于离散排放标签的柴油车排放连续值预测方法及系统 |
CN114795258B (zh) * | 2022-04-18 | 2022-10-21 | 浙江大学 | 一种儿童髋关节发育不良诊断系统 |
CN114880626B (zh) * | 2022-06-30 | 2022-09-20 | 智联万维科技有限公司 | 一种获取地理区域内异常车辆的数据处理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480839A (zh) * | 2017-10-13 | 2017-12-15 | 深圳市博安达信息技术股份有限公司 | 基于主成分分析和随机森林的高危污染源的分类预测方法 |
CN107993311A (zh) * | 2017-11-15 | 2018-05-04 | 常州大学 | 一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法 |
CN108197731A (zh) * | 2017-12-26 | 2018-06-22 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9208402B2 (en) * | 2013-03-28 | 2015-12-08 | Honeywell International Inc. | Face matching for mobile devices |
-
2019
- 2019-04-23 CN CN201910326961.4A patent/CN110135466B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480839A (zh) * | 2017-10-13 | 2017-12-15 | 深圳市博安达信息技术股份有限公司 | 基于主成分分析和随机森林的高危污染源的分类预测方法 |
CN107993311A (zh) * | 2017-11-15 | 2018-05-04 | 常州大学 | 一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法 |
CN108197731A (zh) * | 2017-12-26 | 2018-06-22 | 中国科学技术大学 | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 |
Non-Patent Citations (2)
Title |
---|
Placement of UPFC for Minimizing Active Power Loss and Total Cost Function by PSO Algorithm;Arup Ratan Bhowmik 等;《IEEE》;20131111;第217-220页 * |
基于代价敏感RBF神经网络的道岔故障诊断系统;马艳东等;《铁路计算机应用》;20180225(第02期);第16-18,28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110135466A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135466B (zh) | 一种污染物排放超标车辆判断方法及系统 | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
WO2022036621A1 (zh) | 一种柴油车排放遥感大数据监测系统及监测方法 | |
WO2021088397A1 (zh) | 一种柴油车气态排气污染物遥感检测系统及方法 | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN109489978B (zh) | 一种基于V-a工况的柴油机车多种排放检测方法的多源数据关联分析方法 | |
CN105806627A (zh) | 一种车载排放测试装置及其测试方法 | |
CN111024898B (zh) | 一种基于CatBoost模型的车辆尾气浓度超标判别方法 | |
CN111639683B (zh) | 基于obd技术评价柴油车氮氧化物排放等级的方法 | |
WO2022036619A1 (zh) | 点燃式发动机汽车尾气排放遥感大数据检测方法和系统 | |
CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
CN107330300A (zh) | 一种基于支持向量回归的车辆尾气浓度反演方法 | |
CN108763643B (zh) | 一种地区机动车排放因子计算方法 | |
CN105912862A (zh) | 一种尾气排放量检测方法及大气污染分析方法和装置 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN1381721A (zh) | 便携式智能电子鼻及其制备方法 | |
CN113435471A (zh) | 深度特征聚类的高排放移动源污染识别方法及系统 | |
CN110827444B (zh) | 适用于obd远程排放监控数据的重型车排放因子获取方法 | |
CN114368795B (zh) | 一种在线式黑臭水体的多模态辨识方法及系统 | |
CN116992240B (zh) | 一种车辆排放远程评估方法、设备和存储介质 | |
CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
US11561212B1 (en) | Method for determining NOx sensor data falsification based on remote emission monitoring | |
Fei et al. | Discrimination of excessive exhaust emissions of vehicles based on Catboost algorithm | |
CN114062478B (zh) | 一种可实现自验证的颗粒污染物来源解析的方法 | |
CN115048875A (zh) | 基于机动车排放数据的城市大气环境指标预警方法及系统 |
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 |