CN116933084A - 一种污染物排放的预测方法和装置 - Google Patents
一种污染物排放的预测方法和装置 Download PDFInfo
- Publication number
- CN116933084A CN116933084A CN202310909130.6A CN202310909130A CN116933084A CN 116933084 A CN116933084 A CN 116933084A CN 202310909130 A CN202310909130 A CN 202310909130A CN 116933084 A CN116933084 A CN 116933084A
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- gas
- gas concentration
- data
- 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
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 46
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 241000220317 Rosa Species 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 12
- 239000000356 contaminant Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 82
- 238000004088 simulation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- LSDPWZHWYPCBBB-UHFFFAOYSA-N Methanethiol Chemical compound SC LSDPWZHWYPCBBB-UHFFFAOYSA-N 0.000 description 2
- PPBRXRYQALVLMV-UHFFFAOYSA-N Styrene Chemical compound C=CC1=CC=CC=C1 PPBRXRYQALVLMV-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- WQOXQRCZOLPYPM-UHFFFAOYSA-N dimethyl disulfide Chemical compound CSSC WQOXQRCZOLPYPM-UHFFFAOYSA-N 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- GETQZCLCWQTVFV-UHFFFAOYSA-N trimethylamine Chemical compound CN(C)C GETQZCLCWQTVFV-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- QMMFVYPAHWMCMS-UHFFFAOYSA-N Dimethyl sulfide Chemical compound CSC QMMFVYPAHWMCMS-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 231100000693 bioaccumulation Toxicity 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- QGJOPFRUJISHPQ-NJFSPNSNSA-N carbon disulfide-14c Chemical compound S=[14C]=S QGJOPFRUJISHPQ-NJFSPNSNSA-N 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
- G01N30/02—Column chromatography
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- 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
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明公开了一种污染物排放的预测方法,包括:获取气体的探测浓度信号;对所述探测浓度信号进行预处理,生成可视化样本数据;构建神经网络模型;将所述可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;通过训练完成的神经网络训练模型输出气体浓度预测结果;获取色谱装置检测的气体浓度信号,并将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果,本发明还公开了一种污染物排放预测装置。
Description
技术领域
本发明涉及污染物排放检测技术领域,更具体地,涉及一种染物排放的预测方法和装置。
背景技术
污染物是指排放到环境中,且具有生物毒性、环境持久性、生物累积性等特征,对生态环境或人体健康存在较大风险,因此污染物的排放过程中需要大量的检测数据,但在实际应用中,由于应用环境的气体成份复杂,很难预先取得大量数据。因此会采用一些数据处理方法进行辅助检测,现有技术中通常选用神经网络模型进行检测结果预测,在实际应用时由于神经网络对噪声环境下训练不足,遇到较大气体噪声干扰时神经网络的模式识别往往会失效。主成分分析方法虽然是一种非监督聚类算法,但主要是基于数据间的欧式距离,聚类的置信区间随数据量大小有很大变化,并且抗噪性能差,而且对于混合气体无法识别,因此急需一种预测方法能够解决上述问题。
发明内容
本发明的一个目的是提供一种污染物排放的预测方法的新技术方案,分别检测污染物中每种成分气体的浓度,形成训练样本输入神经网络模型进行训练,通过训练完成的模型得到每种气体成分的浓度和信号,并对结果进行比对分析,检测结果准确,且解决了混合气体无法识别的问题。
根据本发明的第一方面,提供了一种污染物排放的预测方法,包括:
分别获取污染物排放每种气体的探测浓度信号;
对所述探测浓度信号进行预处理,生成可视化样本数据;
构建神经网络模型;
将所述可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;
通过训练完成的神经网络训练模型输出气体浓度预测结果;
获取色谱装置检测的气体浓度信号,并将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;
若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;
配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果。
可选地,所述对所述探测浓度信号进行预处理,生成可视化样本数据,具体包括:
利用均值公式对所述探测浓度信号进行标准化处理,得到标准化信号;
对所述标准化信号进行降维处理的得到可视化样本数据。
可选地,所述神经网络模型包括:输入层、隐含层和输出层;
所述输入层的数据为可视化样本数据;
所述隐含层通过多个神经元与所述输入层相关联;
所述输出层为预测污染物结果数据,所述预测污染物结果包括所述气体污染物的种类和浓度。
可选地,所述输入层和所述隐含层通过正切S型传输函数进行数据传递,所述隐含层到输出层的传递函数为hardlim阈值型传递函数。
可选地,所述正切S型传输函数计算公式:
其中,tansig表示传输函数,a表示输入数据向量矩阵,e表述自然底数。
可选地,所述预测污染物结果数据的种类为8个。
可选地,所述神经网络模型采用非线性规则方程训练,所述非线性规则方程公式为:
f(c)=tanh(xc)exp(-yc+2);
其中,c=b(t)-b(t-1);d(t+1)=d(t)-n×m(t)+f(c);c为阈值型传递函数输出向量矩阵,x,y均为可调节参数,t为时间,d为非线性规格训练后所得向量矩阵,n为学习速率,m为误差函数,m=1/2∑j(hjp-djp),其中hjp为神经元j期望输出矩阵,djp为神经元j实际输出矩阵,p为训练样本数。
可选地,所述可调节参数设定为x=0.5,y=0.2,所述学习速率设定为0.05。
可选地,还包括:
若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号不一致,将所述气体浓度预测结果反馈到所述神经网络训练模型,作为训练样本。
本发明的另一方面,还提供了一种污染物排放的预测装置,包括:
多个气体探测传感器,其用于获分别获取每种气体的探测浓度信号;
预处理模块,其用于对所述探测浓度信号进行预处理,生成可视化样本数据;
训练模块,其用于构建神经网络模型;
输出模块,其用于将所述可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;通过训练完成的神经网络训练模型输出气体浓度预测结果;
比较模块,获取色谱装置检测的气体浓度信号,并将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;
分析模块,其用于配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果。
根据本公开的一个实施例,本发明的一个目的是提供一种污染物排放的预测方法的新技术方案,分别检测污染物中每种成分气体的浓度,形成训练样本输入神经网络模型进行训练,通过训练完成的模型得到每种气体成分的浓度和信号,并对结果进行比对分析,检测结果准确,且解决了混合气体无法识别的问题。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1为本发明所述的污染物排放的预测方法的流程图。
图2为本发明所述的探测浓度信号进行预处理流程图。
图3为本发明所述的污染物排放的预测方法另一实施例的流程图。
图4为本发明所述的污染物排放的预测装置结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
如图1所示,基于背景技术提出的技术问题,本发明提供了污染物排放的预测方法,包括:
步骤S110、分别获取污染物排放每种气体的探测浓度信号,具体的说,在本实施例中,可以根据污染物排放标准确定需要检测的气体成分,并分别针对每种气体成分设置传感器,分别检测对应气体成分的气体浓度,进而确定混合气体污染物中的气体成分和气体浓度;
步骤S120、对探测浓度信号进行预处理,生成可视化样本数据,在一个具体实施例中,气体的探测浓度信号分别来源于不同的传感器,且对应不同的气体组分和浓度,因此通过预处理使探测到的信号形成数据矩阵;
步骤S130、构建神经网络模型,在本实施例中,神经网络模型选用BP神经网络模型,神经元结构简单,预测准确率高,便于排除干扰结果以优化传感器结果准确度。
步骤S140、将可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;
步骤S150、通过训练完成的神经网络训练模型输出气体浓度预测结果;
步骤S160、获取色谱装置检测的气体浓度信号;
步骤S170、将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;
步骤S180、若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果。
具体的说,在本实施例中,分别检测污染物中每种成分气体的浓度,形成训练样本输入神经网络模型进行训练,通过训练完成的模型得到每种气体成分的浓度和信号,并对结果进行比对分析,检测结果准确,且解决了混合气体无法识别的问题。
在一个优选实施例中,检测传感器形成检测阵列,且传感器电阻由调整电路转换成电压,通过位高精度模数转换器进行传感器阵列的多路独立电压信号的采集,确保了采集信号的准确度。
如图2所示,在一个优选实施例中,本发明步骤S120,对探测浓度信号进行预处理,生成可视化样本数据,具体包括:
步骤S121、利用均值公式对所述探测浓度信号进行标准化处理,得到标准化信号,通过对传感器获取的数据进行分析,具体的说,通过公式进行标准化,其中,x为9个传感器经过采集及滤波后得到的样品矩阵,mean(x)表示对样品矩阵x进行均值化处理,std(x)为样品矩阵x的方差。
步骤S122、对所述标准化信号进行降维处理的得到可视化样本数据。
在具体应用过程中,通过PCA分析方法降维后得到的主要成分数据,COEFF=princomp(s),其中COEFF为成分矩阵,princomp(s)为matlab中的PCA分析函数。利用PCA分析方法降维后得到的主要成分数据在可视范围内呈现。然后对PCA所得的新变量组进行BP神经网络所需要训练的参数设定。根据训练样本为9×8组传感器数据。
在一个优选实施例中,神经网络模型包括:输入层、隐含层和输出层;在一个具体实施例中,神经网络模型的输入层数据为可视化样本数据;隐含层通过多个神经元与所述输入层相关联;输出层为预测污染物结果数据,所述预测污染物结果包括所述气体污染物的种类和浓度。在一个优选实施例中,输入层和隐含层通过正切S型传输函数进行数据传递,隐含层到输出层的传递函数为hardlim阈值型传递函数。
具体的说,正切S型传输函数计算公式:
其中,tansig表示传输函数,a表示输入数据向量矩阵,e表述自然底数。
在一个优选实施例中,预测污染物结果数据的种类为8个,具体的说,确定输入层节点数为72个。输出层为所识别的类别数,依据恶臭排放八项来确定输出层个数为8个,隐含层的神经元个数经过网络测试,确定为482个。需要特别说明的是,在多隐层情况下,采用正切S型传输函数和传递函数为hardlim阈值型传递函数每层输出即下层的输入均统一,有利于激活函数的活跃区间。
在一个优选实施例中,神经网络模型采用非线性规则方程训练,所述非线性规则方程公式为:f(c)=tanh(xc)exp(-yc+2);其中,c=b(t)-b(t-1);d(t+1)=d(t)-n×m(t)+f(c);c为阈值型传递函数输出向量矩阵,x,y均为可调节参数,t为时间,d为非线性规格训练后所得向量矩阵,n为学习速率,m为误差函数,m=1/2∑j(hjp-djp),其中,hjp为神经元j期望输出矩阵,djp为神经元j实际输出矩阵,p为训练样本数。可调节参数设定为x=0.5,y=0.2,所述学习速率设定为0.05。最终经过测试11560次训练达到103的预定目标。
如图3所示,在一个优选实施例中,在另一实施例中,还包括如下步骤:
步骤S110、分别获取污染物排放每种气体的探测浓度信号,具体的说,在本实施例中,可以根据污染物排放标准确定需要检测的气体成分,并分别针对每种气体成分设置传感器,分别检测对应气体成分的气体浓度,进而确定混合气体污染物中的气体成分和气体浓度;
步骤S120、对探测浓度信号进行预处理,生成可视化样本数据,在一个具体实施例中,气体的探测浓度信号分别来源于不同的传感器,且对应不同的气体组分和浓度,因此通过预处理使探测到的信号形成数据矩阵;
步骤S130、构建神经网络模型,在本实施例中,神经网络模型选用BP神经网络模型,神经元结构简单,预测准确率高,便于排除干扰结果以优化传感器结果准确度。
步骤S140、将可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;
步骤S150、通过训练完成的神经网络训练模型输出气体浓度预测结果;
步骤S160、获取色谱装置检测的气体浓度信号;
步骤S170、将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;
步骤S180、若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果。
步骤S190、若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号不一致,将所述气体浓度预测结果反馈到所述神经网络训练模型,作为训练样本。
具体的说,神经网络模型输出样品种类。最后9台传感器的输出结果与高精度GC通过上位机进行结果比对,比对结果一致则结合气相五参数数据输出玫瑰风向图,若结果不一致则GC结果反馈至BP存档进入数据库,作为训练数据,最终以实现该系统对恶臭污染物排放又精准又快速的预测功能。
应用实例:收集两个月数据前一个月数据作为学习、训练样本,后一个月数据作为测试样本。数据对象为传感器所输出的甲硫醇、甲硫醚、二甲二硫、二硫化碳、三甲胺、氨气、硫化氢、苯乙烯的电压信号。以传感器的各因子电压信号按上述训练步骤进行训练,将输出拟结果,将该拟结果与GC同期各因子的浓度值做对比,若差异<5%,则将拟结果作为最终结果输出;若>5%,将拟结果中差异较大的因子浓度值替换成GC做出的浓度值,反算调整对应因子的电压信号进行重新训练直到差异<5%才可将结果输出。
如表1所示,传感器数据未经过校准时,拟输出值与GC值差异较大准确性较差:
表1未校准前传感器的检测值
如表2所示,经过校准后,测试组的拟输出值与GC值差异<5%,准确性较高。
表2经校准后传感器的检测值
综上所述,采用该预测系统既可以获得传感器快速检测的优势又可保留GC精准的特点。
如图4所示,在一个优选实施例中,本发明还提供了一种污染物排放的预测装置,包括:气体探测传感器210、预处理模块220、训练模块230、输出模块240、比较模块250和分析模块260。
其中,气体探测传感器210用于获分别获取每种气体的探测浓度信号;
预处理模块220用于对探测浓度信号进行预处理,生成可视化样本数据;训练模块230用于构建神经网络模型;输出模块240用于将可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;通过训练完成的神经网络训练模型输出气体浓度预测结果;比较模块250用于获取色谱装置检测的气体浓度信号,并将色谱装置检测的气体浓度信号与气体浓度预测结果相比较;若气体浓度预测结果与色谱装置检测的气体浓度信号一致;分析模块260用于配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果。
需要特别说明的是,本发明提供的污染物排放的预测装置,基于修正补偿后的传感器阵列测量结果,对高精度气相色谱法的监测结果进行反馈溯源,结合气象参数,对大气模型进行优化,提高高精度气相色谱站点的溯源指向性,从而精确预测污染物分布情况。
本发明提供的污染物排放的预测方法的新技术方案,分别检测污染物中每种成分气体的浓度,形成训练样本输入神经网络模型进行训练,通过训练完成的模型得到每种气体成分的浓度和信号,并对结果进行比对分析,检测结果准确,且解决了混合气体无法识别的问题。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种污染物排放的预测方法,其特征在于,包括:
分别获取污染物排放每种气体的探测浓度信号;
对所述探测浓度信号进行预处理,生成可视化样本数据;
构建神经网络模型;
将所述可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;
通过训练完成的神经网络训练模型输出气体浓度预测结果;
获取色谱装置检测的气体浓度信号,并将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;
若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;
配合气相参数数据输出玫瑰风向图,进而得到预测气体污染物结果。
2.根据权利要求1所述的污染物排放的预测方法,其特征在于,所述对所述探测浓度信号进行预处理,生成可视化样本数据,具体包括:
利用均值公式对所述探测浓度信号进行标准化处理,得到标准化信号;
对所述标准化信号进行降维处理的得到可视化样本数据。
3.根据权利要求1或2所述的污染物排放的预测方法,其特征在于,所述神经网络模型包括:输入层、隐含层和输出层;
所述输入层的数据为可视化样本数据;
所述隐含层通过多个神经元与所述输入层相关联;
所述输出层为预测污染物结果数据,所述预测污染物结果包括所述气体污染物的种类和浓度。
4.根据权利要求3所述的污染物排放的预测方法,其特征在于,所述输入层和所述隐含层通过正切S型传输函数进行数据传递,所述隐含层到输出层的传递函数为hardlim阈值型传递函数。
5.根据权利要求4所述的污染物排放的预测方法,其特征在于,所述正切S型传输函数计算公式:
其中,tansig表示传输函数,a表示输入数据向量矩阵,e表述自然底数。
6.根据权利要求5所述的污染物排放的预测方法,其特征在于,所述预测污染物结果数据的种类为8个。
7.根据权利要求6所述的污染物排放的预测方法,其特征在于,所述神经网络模型采用非线性规则方程训练,所述非线性规则方程公式为:
f(c)=tanh(xc)exp(-yc+2);
其中,c=b(t)-b(t-1);d(t+1)=d(t)-n×m(t)+f(c);c为阈值型传递函数输出向量矩阵,x,y均为可调节参数,t为时间,d为非线性规格训练后所得向量矩阵,n为学习速率,m为误差函数,m=1/2∑j(hjp-djp),其中hjp为神经元j期望输出矩阵,djp为神经元j实际输出矩阵,p为训练样本数。
8.根据权利要求7所述的污染物排放的预测方法,其特征在于,所述可调节参数设定为x=0.5,y=0.2,所述学习速率设定为0.05。
9.根据权利要求1-2和4-8中任一项所述的污染物排放的预测方法,其特征在于,还包括:
若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号不一致,将所述气体浓度预测结果反馈到所述神经网络训练模型,作为训练样本。
10.一种污染物排放的预测装置,其特征在于,包括:
多个气体探测传感器,其用于获分别获取每种气体的探测浓度信号;
预处理模块,其用于对所述探测浓度信号进行预处理,生成可视化样本数据;
训练模块,其用于构建神经网络模型;
输出模块,其用于将所述可视化样本数据作为所述神经网络的训练样本输入所述神经网络模型进行训练;通过训练完成的神经网络训练模型输出气体浓度预测结果;
比较模块,获取色谱装置检测的气体浓度信号,并将所述色谱装置检测的气体浓度信号与所述气体浓度预测结果相比较;若所述气体浓度预测结果与所述色谱装置检测的气体浓度信号一致;
分析模块,其用于配合气相参数数据输出玫瑰风向图,进而得到预测污染物结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310909130.6A CN116933084A (zh) | 2023-07-24 | 2023-07-24 | 一种污染物排放的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310909130.6A CN116933084A (zh) | 2023-07-24 | 2023-07-24 | 一种污染物排放的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116933084A true CN116933084A (zh) | 2023-10-24 |
Family
ID=88389235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310909130.6A Pending CN116933084A (zh) | 2023-07-24 | 2023-07-24 | 一种污染物排放的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933084A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612644A (zh) * | 2024-01-23 | 2024-02-27 | 上海凌泽信息科技有限公司 | 一种空气安全评价方法及系统 |
-
2023
- 2023-07-24 CN CN202310909130.6A patent/CN116933084A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612644A (zh) * | 2024-01-23 | 2024-02-27 | 上海凌泽信息科技有限公司 | 一种空气安全评价方法及系统 |
CN117612644B (zh) * | 2024-01-23 | 2024-04-09 | 上海凌泽信息科技有限公司 | 一种空气安全评价方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Spinelle et al. | Field calibration of a cluster of low-cost commercially available sensors for air quality monitoring. Part B: NO, CO and CO2 | |
US6192351B1 (en) | Fuzzy neural networks | |
US11428658B2 (en) | Gas sensing device and method for operating a gas sensing device | |
CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
CN112462001B (zh) | 一种基于条件生成对抗网络进行数据增广的气体传感器阵列模型校准方法 | |
CN110018294B (zh) | 土壤重金属检测值校正方法、装置和计算机存储介质 | |
CN106779217B (zh) | 空气质量检测方法和空气质量检测系统 | |
CN116933084A (zh) | 一种污染物排放的预测方法和装置 | |
Garces et al. | Outliers detection in environmental monitoring databases | |
CN113283288B (zh) | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 | |
CN111340132B (zh) | 一种基于da-svm的机器嗅觉模式识别方法 | |
CN111191726A (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
Cheng et al. | A concentration-based drift calibration transfer learning method for gas sensor array data | |
CN109633094A (zh) | 一种臭气浓度在线监测方法 | |
CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
CN113740381B (zh) | 一种基于流形学习的跨域子空间学习电子鼻漂移补偿方法 | |
Eo et al. | Deep learning framework with essential pre-processing techniques for improving mixed-gas concentration prediction | |
CN116167007A (zh) | 基于门控递归单元自编码神经网络的模拟电路检测方法 | |
CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
US11971397B2 (en) | Gas sensing device for sensing one or more gases in a mixture of gases | |
CN115049026A (zh) | 基于gsnnr的空间非平稳性关系的回归分析方法 | |
CN113804833A (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
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 | |
Lazzerini et al. | Fros: a fuzzy logic-based recogniser of olfactory signals |
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 |