CN112528566A - 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 - Google Patents
基于AdaBoost训练模型的空气质量数据实时校准方法及系统 Download PDFInfo
- Publication number
- CN112528566A CN112528566A CN202011504113.7A CN202011504113A CN112528566A CN 112528566 A CN112528566 A CN 112528566A CN 202011504113 A CN202011504113 A CN 202011504113A CN 112528566 A CN112528566 A CN 112528566A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- error
- real
- air quality
- 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims description 22
- 239000002356 single layer Substances 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于AdaBoost训练模型的空气质量数据实时校准方法,包括如下步骤:步骤一、初始化AdaBoost训练模型,将国标数据和设备采集的数据导入所述模型中;步骤二、将国标插值数据及设备采集的数据,置入构建好的Boosting模型进行建模;步骤三、采集最新的国标数据以更新校准误差数据,并将更新的误差数据递送给下一次的Boosting模型,再对新的样本数据集不断更新所分配的权重,从而实现气质量数据的实时校准。本发明的方法能够有效的降低设备误差,提高设备的准确率。
Description
技术领域
本发明数据信息技术领域,尤其涉及一种基于AdaBoost训练模型的空气质量数据实时校准方法及系统。
背景技术
近年来,我国对环境问题逐步重视,我国环境污染情形得到进一步改善,但较发达国家而言差距仍为明显。调控空气环境污染的一种效果明显的手段是监测空气环境质量,在工业区,针对空气质量进行实时监测,企业的污染排放量程度可以有效地监控,空气质量环境得到有效地控制。日常上或工业上所使用的电化学气体传感器经过长时间使用会产生一定的零点漂移及量程漂移,而非常规气态污染物(气)浓度变化对传感器存在交叉干扰,以及生态影响和天气因素对传感器产生的影响。但就目前高精度高准确率的空气质量监测站使用的传感器而言成本较大,且实时性较低。传统技术自主研发了一种基于ARM架构的嵌入式设备(以下简称设备),使用了成本和国家监测站相比较低的便携式传感器,能够准实时地监测空气环境质量。但是设备精度和国家监测站相比较低,且准确率不高,存在一定的错误率。
Boosting算法,是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器,然后把这些弱分类器集合起来,组成一个更强的最终分类器。在目前直接构造强学习器非常困难的情况下,急需一种有效的学习算法方面的新方法,能够有效地对设备进行校准,提高设备的精度和准确度。
发明内容
本发明的目的是为解决目前空气质量数据准确率和精度较低的问题,进而提供一种基于AdaBoost训练模型迭代更新误差的空气质量数据实时校准方法。
本发明涉及一种基于AdaBoost训练模型的空气质量数据实时校准方法,包括如下步骤:
步骤一、初始化AdaBoost训练模型,将国标数据和设备采集的数据导入所述模型中,利用改进谢别德插值算法对所述国标数据进行处理,得到国标插值数据,国标插值数据的采样频率和分辨率均与设备采集的数据相等;
步骤二、将国标插值数据及设备采集的数据,置入构建好的Boosting模型进行建模;根据上一次Boosting模型中对样本数据集不断更新所分配的权重来进行训练,得到来自最低错误率的分类器的误差数据,将Boosting模型输出的数据进行校准,保留校准值;
步骤三、采集最新的国标数据以更新校准误差数据,并将更新的误差数据递送给下一次的Boosting模型,再对新的样本数据集不断更新所分配的权重,来进行训练出最低错误率的分类器,从而得出新的误差数据,从而实现气质量数据的实时校准。
步骤一中,所述Boosting模型使用基于单层决策树的AdaBoost训练模型,训练数据集输出校准值,单层决策树的训练时间复杂度为O(n*log(n)*d),其中,n为训练集中的样本数,d为数据的维数,d取值为2。
步骤一中,建立AdaBoost训练模型时,利用多次实验得到的全部信息确定模型参数;误差error初始值定为0,将准确率和召回率作为不平衡数据集下度量模型表现的合理标准,每次模型使用的训练数据集大小z为230000条,误差影响率theta在0.4至0.9之间,每次校准数据量m设为15。
步骤一中,利用改进谢别德插值算法对采集的国标数据进行预测,应用最小二乘法求取每个节点的节函数,得到改进谢别德函数,如式(1),(2)所示:
式中,Qk(x,y)为定义的采样点节函数,其中x,y分别为插值点的二维坐标,在此应用中表示检测时间及空气某气体质量,Rw定义为插值区域内节函数可以影像的半径,dk为待插点与其邻域内第k个点之间的距离。
步骤一中,使用牛顿插值法求得改进谢别德函数值数据,将插值后的国际数据及设备数据置入构建好的基于单层决策树的AdaBoost模型中,训练数据中的每一个样本,并赋予其一个权重构成向量D,然后迭代计算数据集的错误率,其中,本次样本的权重根据上一次分类的对错情况进行重新调整,将本次的错位率与已有的错误率不断比较而更新保留得到具有最小错误率的单层决策树;对于决策树算法,通过数据集样本的分析描述一个空气质量分类规则,根据决策树模型得到新数据分类结果;决策树策树的训练时间复杂度为O(n*log(n)*d),其中n为训练集中的样本数,d为数据的维数,该应用模型中d取值为2。
步骤三中,使用格拉布斯准则对输出的校准数据结果进行处理,剔除每个样本数据中的异常值,并对结果取均值。
步骤三中,所述格拉布斯准则的测试过程为:若检测到异常值,则进行迭代测试直到没有检测到异常值,若某个测量值的残余误差的绝对值|Vi|>Gg,则判断此值中有较大误差,应以剔除;若某测量值xi对应的残差Vi满足式(3)时应将该数据舍去;
|Vi|=|xi-x|≥g(n,a)×σ(x) (3)
式中,x为n次采集数据值的平均值,σ(x)为测量数据组的标准差,g(n,a)取决于测量次数n和显著性水平a,a取0.01或0.05,当作出接受原假设的决定时,其正确的可能性为95%或99%。
本发明还涉及一种基于AdaBoost训练模型的空气质量数据实时校准系统,所述系统包括数据采集装置、数据校准装置和数据输出装置,所述数据校准装置采用上述的基于AdaBoost训练模型的空气质量数据实时校准方法。
本发明的有益效果:
1)本发明对于空气流速平缓的环境下的空气参数数据,关联多个模型的误差,空气质量的实时校准能够很好的实现。
2)本发明中考虑空气流速平缓时,空气质量数据具有连续性,同时设备误差也具有连续性。
3)本发明中通过对实测数据进行模型验证,能够有效的提高设备的精度和准确率,结果见表1所示,能够进行区域调控,在实际生产中实用性较强。
附图说明
图1为本发明中迭代更新误差的空气质量数据实时校准方法的总体流程示意图;
图2为本发明中基于单层决策树的AdaBoost模型示意图;
图3为本发明中算法模拟仿真PM2.5实时检测结果图;
图4为本发明中空气质量数据实时校准具体流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明。
参见图1~4,本发明的基于AdaBoost训练模型迭代更新误差的空气质量数据实时校准方法,主要包括如下步骤:
步骤一、初始化AdaBoost训练模型,将国标数据和设备采集的数据导入所述模型中,利用改进谢别德插值算法对所述国标数据进行处理,得到国标插值数据,国标插值数据的采样频率和分辨率均与设备采集的数据相等;
Boosting模型使用基于单层决策树的AdaBoost训练模型,训练数据集输出校准值,单层决策树的训练时间复杂度为O(n*log(n)*d),其中,n为训练集中的样本数,d为数据的维数,该应用模型中d取值为2。
建立AdaBoost训练模型时,利用多次实验得到的全部信息确定模型参数;误差error初始值定为0,将准确率和召回率(又称敏感性)作为不平衡数据集下度量模型表现的合理标准,本次模型中数据采用一段时间内某个国控点每小时的数据和该国控点近邻的一个自建点数据,每次模型使用的训练数据集大小z为230000条;所谓误差影响率是指测试中由于某一影响因素产生的误差值,与所有因素产生的误差总和的比率,本次选取了占主导的国标插值数据与设备数据的准确度、温湿度、光照强度等因素,误差影响率theta控制为在0.4至0.9之间;由于模型数据集过大会产生数据过拟合,每次校准数据量m设为15。
利用改进谢别德插值算法对采集的国标数据进行预测,应用最小二乘法求取每个节点的节函数,得到改进谢别德函数,如式(1),(2)所示:
式中,Qk(x,y)为定义的采样点节函数,其中x,y分别为插值点的二维坐标,在此应用中表示检测时间及空气某气体质量,Rw定义为插值区域内节函数可以影像的半径,dk为待插点与其邻域内第k个点之间的距离。
使用牛顿插值法求得改进谢别德函数值数据,将插值后的国际数据及设备数据置入构建好的基于单层决策树的AdaBoost模型中,训练数据中的每一个样本,并赋予其一个权重构成向量D,然后迭代计算数据集的错误率,其中,本次样本的权重根据上一次分类的对错情况进行重新调整,将本次的错位率与已有的错误率不断比较而更新保留得到具有最小错误率的单层决策树;对于决策树算法,通过大量数据集样本的分析描述一个空气质量分类规则,根据决策树模型得到新数据分类结果;决策树策树的训练时间复杂度为O(n*log(n)*d),其中n为训练集中的样本数,d为数据的维数,该应用模型中d取值为2。
步骤二、将国标插值数据及设备采集的数据,置入构建好的Boosting模型进行建模;根据上一次Boosting模型中对样本数据集不断更新所分配的权重来进行训练出最低错误率的分类器而得出的误差数据,将Boosting模型输出的数据进行校准,保留校准值;
步骤三、采集最新的国标数据以更新校准误差,并将更新误差辗转递送给下一次Boosting模型再对新的样本数据集不断更新所分配的权重来进行训练出最低错误率的分类器而得出新的误差数据。使用格拉布斯准则对输出的校准数据结果进行处理,剔除每个样本数据中的异常值,并对结果取均值。格拉布斯准则的测试过程为:若检测到异常值,则进行迭代测试直到没有检测到异常值,若某个测量值的残余误差的绝对值|Vi|>Gg,则判断此值中有较大误差,应以剔除;若某测量值xi对应的残差Vi满足式(3)时应将该数据舍去;
|Vi|=|xi-x|≥g(n,a)×σ(x) (3)
式中,x为n次采集数据值的平均值,σ(x)为测量数据组的标准差,g(n,a)取决于测量次数n和显著性水平a,a取0.01或0.05,这表明当作出接受原假设的决定时,其正确的可能性为95%或99%。
实施例
本实例的样区为一段时间内某个国控点每小时的数据,以及该国控点近邻的一个自建点数据。将国控监测站数据作为标准数据,分别对设备采集的PM2.5、PM10、SO2、CO、NO、O3共6个空气参数在温湿度、光照强度等不同条件下进行数据校准。实施例对国标数据进行改进谢别德插值,得到时间间隔为1小时的国标插值数据,使用国标插值数据作为模型学习的样本数据,对设备采集的6个空气参数进行数据校准,结果如表1所示。设备采样频率及采样分辨率为1-5分钟每次,除了6个空气参数,还可采集温度、湿度、光照强度等多个指标,校准流程示意图见图1所示。
表1
空气质 | Boosting模 | 模型误差校准 | 误差在20% | 误差在50% |
O<sub>3</sub> | 89% | 3% | 86% | 98.8% |
CO | 85% | 0.005% | 100% | 100% |
NO | 99% | 2.5% | 96% | 100% |
SO<sub>2</sub> | 86% | 5% | 85.2% | 98% |
PM2.5 | 99% | 1.2% | 97.8% | 99.6% |
PM10 | 99% | 1.3% | 97.6% | 100% |
本实施例实时校准的方法针对空气流动速度平缓的环境中较为适用。该环境下,空气的质量数据变化较为平缓,因而使用均值替代一段时间的测量值。本实施例的设备的测量误差与空气环境相关,在空气流动速度平缓的环境中,误差变化也较为平缓,因此可以根据前一个模型的误差来修正后一个模型的校准值。本方法考虑在空气流速平缓时,空气质量数据具有连续性,同时设备误差也具有连续性,每次等待最新时间段的采集数据进行训练,并计算模型误差,使用前一个模型的误差来校准后一个模型的数据。通过对实测数据进行模型验证,最终实验证明,该方法能够有效的降低设备误差,提高设备的准确率。
Claims (8)
1.一种基于AdaBoost训练模型的空气质量数据实时校准方法,其特征在于,包括如下步骤:
步骤一、初始化AdaBoost训练模型,将国标数据和设备采集的数据导入所述模型中,利用改进谢别德插值算法对所述国标数据进行处理,得到国标插值数据,国标插值数据的采样频率和分辨率均与设备采集的数据相等;
步骤二、将国标插值数据及设备采集的数据,置入构建好的Boosting模型进行建模;根据上一次Boosting模型中对样本数据集不断更新所分配的权重来进行训练,得到来自最低错误率的分类器的误差数据,将Boosting模型输出的数据进行校准,保留校准值;
步骤三、采集最新的国标数据以更新校准误差数据,并将更新的误差数据递送给下一次的Boosting模型,再对新的样本数据集不断更新所分配的权重,来进行训练出最低错误率的分类器,从而得出新的误差数据,从而实现气质量数据的实时校准。
2.根据权利要求1所述的基于AdaBoost训练模型的空气质量数据实时校准方法,其特征在于,步骤一中,所述Boosting模型使用基于单层决策树的AdaBoost训练模型,训练数据集输出校准值,单层决策树的训练时间复杂度为O(n*log(n)*d),其中,n为训练集中的样本数,d为数据的维数,d取值为2。
3.根据权利要求1所述的基于AdaBoost训练模型的空气质量数据实时校准方法,其特征在于,步骤一中,建立AdaBoost训练模型时,利用多次实验得到的全部信息确定模型参数;误差error初始值定为0,将准确率和召回率作为不平衡数据集下度量模型表现的合理标准,每次模型使用的训练数据集大小z为230000条,误差影响率theta在0.4至0.9之间,每次校准数据量m设为15。
5.根据权利要求4所述的基于AdaBoost训练模型的空气质量数据实时校准方法,其特征在于,步骤一中,使用牛顿插值法求得改进谢别德函数值数据,将插值后的国际数据及设备数据置入构建好的基于单层决策树的AdaBoost模型中,训练数据中的每一个样本,并赋予其一个权重构成向量D,然后迭代计算数据集的错误率,其中,本次样本的权重根据上一次分类的对错情况进行重新调整,将本次的错位率与已有的错误率不断比较而更新保留得到具有最小错误率的单层决策树;对于决策树算法,通过数据集样本的分析描述一个空气质量分类规则,根据决策树模型得到新数据分类结果;决策树策树的训练时间复杂度为O(n*log(n)*d),其中n为训练集中的样本数,d为数据的维数,该应用模型中d取值为2。
6.根据权利要求1所述的基于AdaBoost训练模型的空气质量数据实时校准方法,其特征在于,步骤三中,使用格拉布斯准则对输出的校准数据结果进行处理,剔除每个样本数据中的异常值,并对结果取均值。
7.根据权利要求6所述的基于AdaBoost训练模型的空气质量数据实时校准方法,其特征在于,步骤三中,所述格拉布斯准则的测试过程为:若检测到异常值,则进行迭代测试直到没有检测到异常值,若某个测量值的残余误差的绝对值|Vi|>Gg,则判断此值中有较大误差,应以剔除;若某测量值xi对应的残差Vi满足式(3)时应将该数据舍去;
|Vi|=|xi-x|≥g(n,a)×σ(x) (3)
式中,x为n次采集数据值的平均值,σ(x)为测量数据组的标准差,g(n,a)取决于测量次数n和显著性水平a,a取0.01或0.05,当作出接受原假设的决定时,其正确的可能性为95%或99%。
8.一种基于AdaBoost训练模型的空气质量数据实时校准系统,其特征在于,所述系统包括数据采集装置、数据校准装置和数据输出装置,所述数据校准装置中,采用了权利要求1至7任一项所述的基于AdaBoost训练模型的空气质量数据实时校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504113.7A CN112528566A (zh) | 2020-12-18 | 2020-12-18 | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011504113.7A CN112528566A (zh) | 2020-12-18 | 2020-12-18 | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528566A true CN112528566A (zh) | 2021-03-19 |
Family
ID=75001510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011504113.7A Pending CN112528566A (zh) | 2020-12-18 | 2020-12-18 | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528566A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330553A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 基于监督学习的数字采集系统校准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107656905A (zh) * | 2017-09-05 | 2018-02-02 | 江苏卓易信息科技股份有限公司 | 一种利用误差传递的空气质量数据实时校准方法 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
WO2020006378A1 (en) * | 2018-06-29 | 2020-01-02 | Zoox, Inc. | Sensor calibration |
-
2020
- 2020-12-18 CN CN202011504113.7A patent/CN112528566A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107656905A (zh) * | 2017-09-05 | 2018-02-02 | 江苏卓易信息科技股份有限公司 | 一种利用误差传递的空气质量数据实时校准方法 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
WO2020006378A1 (en) * | 2018-06-29 | 2020-01-02 | Zoox, Inc. | Sensor calibration |
Non-Patent Citations (1)
Title |
---|
谢敏 等: "基于机器学习的非接触式水位计校准算法研究", 《水利信息化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330553A (zh) * | 2021-12-29 | 2022-04-12 | 电子科技大学 | 基于监督学习的数字采集系统校准方法 |
CN114330553B (zh) * | 2021-12-29 | 2023-04-07 | 电子科技大学 | 基于监督学习的数字采集系统校准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021120788A1 (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN108182433B (zh) | 一种表计读数识别方法及系统 | |
CN109784552B (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
CN110081923B (zh) | 野外基线环境参数自动采集系统故障检测方法与装置 | |
CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及系统 | |
CN110595960B (zh) | 一种基于机器学习的pm2.5浓度遥感估算方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN113743013A (zh) | 一种基于XGBoost气温预测数据修正的方法 | |
CN112949466B (zh) | 视频ai烟尘污染源识别与定位方法 | |
CN109655585B (zh) | 一种能识别厨房空气质量的油烟机 | |
CN112560270B (zh) | 一种化学危害同化系统 | |
CN112581445A (zh) | 一种输电线路螺栓的检测方法、装置、存储介质及电子设备 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN111157413B (zh) | 一种pm2.5网格化监控网络系统及其一致性校准方法 | |
Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
CN112733419A (zh) | 一种突发大气污染事故源反演准确性提升方法 | |
CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
CN114462717A (zh) | 一种基于改进gan与lstm的小样本气体浓度预测方法 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN110045250B (zh) | 一种电力电缆的绝缘状态判断方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
RJ01 | Rejection of invention patent application after publication |