CN117030944A - 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 - Google Patents
一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 Download PDFInfo
- Publication number
- CN117030944A CN117030944A CN202311003962.8A CN202311003962A CN117030944A CN 117030944 A CN117030944 A CN 117030944A CN 202311003962 A CN202311003962 A CN 202311003962A CN 117030944 A CN117030944 A CN 117030944A
- Authority
- CN
- China
- Prior art keywords
- ethanol
- formaldehyde
- value
- concentration
- sensor
- 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
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 title claims abstract description 291
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 14
- IKHGUXGNUITLKF-UHFFFAOYSA-N Acetaldehyde Chemical compound CC=O IKHGUXGNUITLKF-UHFFFAOYSA-N 0.000 abstract description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 abstract 3
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000003463 adsorbent Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012855 volatile organic compound Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0047—Organic compounds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质，该方法中包括：采集不同浓度下甲醛和乙醇的传感器测量值和对应的真实浓度值组成训练集；构建支持向量回归模型，设定模型的输入为甲醛和乙醇传感器输出的电压测量值，模型的输出为预测的甲醛浓度值和乙醇浓度值，通过粒子群优化算法对模型的超参数进行优化后，通过训练集对模型进行训练；通过训练后的模型将待测区域甲醛和乙醇传感器输出的电压测量值转换为甲醛浓度预测值和乙醇浓度预测值。本发明提高了甲醛检测的准确性，削弱了乙醛对甲醇检测的干扰。
Description
技术领域
本发明涉及环境检测领域，尤其涉及一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质。
背景技术
在甲醛检测中，乙醇的气体干扰可能导致以下不良影响：
(1)误判甲醛含量：乙醇是一种常见的挥发性有机化合物，与甲醛具有相似的挥发性和化学性质。当乙醇存在时，它可能被误认为是甲醛，导致甲醛含量的误判。这可能导致甲醛超标的场景被忽略或未被正确处理，从而对人体健康产生潜在的风险。
(2)降低检测精确度：乙醇的存在会干扰甲醛检测仪器的精确度。甲醛检测仪器通常是基于特定的化学传感器或吸附剂来测量甲醛含量的，而乙醇可以与这些传感器或吸附剂发生交叉反应，导致检测结果的不准确性。这可能导致误报或漏报甲醛超标情况，给人们的健康和安全带来潜在风险。
(3)困扰数据解读：乙醇的气体干扰可能导致检测数据的解读困难。如果甲醛和乙醇同时存在，检测结果中的信号可能会被混淆，使得正确判断甲醛含量变得困难。这可能使监测人员或使用者难以准确评估环境中的甲醛污染水平，并采取适当的控制措施。
发明内容
为了解决上述问题，本发明提出了一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质。
具体方案如下：
一种避免乙醇干扰的甲醛浓度预测方法，包括以下步骤：
S1：分别通过甲醛传感器和乙醇传感器对某一恒温恒压环境下的甲醛浓度和乙醇浓度进行采集，记录甲醛传感器和乙醇传感器输出的电压测量值，同时记录该恒温恒压环境下的真实甲醛浓度值和乙醇浓度值；
S2：通过调节恒温恒压环境中真实甲醛浓度值和乙醇浓度值的方式，得到对应的甲醛传感器和乙醇传感器输出的电压测量值，将每次采集时的甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值与对应的真实甲醛浓度值和乙醇浓度值组成一组训练数据，基于训练数据构建训练集；
S3：构建支持向量回归模型，设定模型的输入为甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值，模型的输出为预测的甲醛浓度值和乙醇浓度值，通过粒子群优化算法对模型的超参数进行优化后，通过训练集对模型进行训练；
S4：通过训练后的模型将待测区域甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值转换为甲醛浓度预测值和乙醇浓度预测值。
进一步的，步骤S2中还包括对训练集中的数据进行预处理，预处理包括缺失值处理和数据标准化。
进一步的，在粒子群优化算法中惯性权重基于每次迭代后算法性能的评估结果进行更新。
进一步的，算法性能的评估结果为连续多次迭代适应度值未明显改善或连续多次迭代适应度值趋于稳定。
进一步的，惯性权重基于每次迭代后算法性能的评估结果进行更新的方法为：如果评估结果为正向结果，则增加惯性权重；如果评估结果为反向结果，则减少惯性权重。
进一步的，还包括惯性权重更新速率参数，用于确定惯性权重增加或减少的差值。
一种避免乙醇干扰的甲醛浓度预测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案，并具有有益效果：
(1)准确性提升：通过训练SVR模型，可以建立甲醛与乙醇之间的非线性关系，从而更准确地预测甲醛含量。SVR模型能够学习并利用训练数据中的模式和趋势，进而提高预测的准确性。
(2)干扰削弱：SVR模型可以通过选择合适的核函数和调整超参数，减小乙醇气体对甲醛检测的干扰。通过这种方式，SVR模型可以更好地区分甲醛和乙醇之间的影响，提高甲醛检测的可靠性。
(3)提高实际应用价值：甲醛检测在许多领域中都具有重要的应用价值，例如室内空气质量监测、工业生产过程控制等。通过减小乙醇交叉干扰，可以提高甲醛检测的实际应用价值，并更好地满足相关领域的需求。
附图说明
图1所示为本发明实施例一的流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例提供了一种避免乙醇干扰的甲醛浓度预测方法，如图1所示，所述方法包括以下步骤：
S1：分别通过甲醛传感器和乙醇传感器对某一恒温恒压环境下的甲醛浓度和乙醇浓度进行采集，记录甲醛传感器和乙醇传感器输出的电压测量值，同时记录该恒温恒压环境下的真实甲醛浓度值和乙醇浓度值。
恒温恒压环境可以通过空气试验舱来实现。将甲醛传感器和乙醇传感器均设置于空气试验舱后，甲醛传感器输出的电压测量值即为测得的该恒温恒压环境中的甲醛浓度值，乙醇传感器输出的电压测量值即为测得的该恒温恒压环境中的乙醇浓度值。
S2：通过调节恒温恒压环境中真实甲醛浓度值和乙醇浓度值的方式，得到对应的甲醛传感器和乙醇传感器输出的电压测量值，将每次采集时的甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值与对应的真实甲醛浓度值和乙醇浓度值组成一组训练数据，基于训练数据构建训练集。
由于模型训练过程需要采集多组数据，因此，为了得到多组数据，可以通过改变空气试验舱中空气浓度的方式，在不同真实甲醛浓度值和乙醇浓度值下，采集甲醛传感器和乙醇传感器输出的电压测量值。
进一步的，本实施例中还包括对训练集中的数据进行预处理，包括缺失值处理和数据标准化等。
本实施例中在构建训练集时还构建了测试集。
S3：构建支持向量回归(SVR)模型，设定模型的输入为甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值，模型的输出为预测的甲醛浓度值和乙醇浓度值，通过粒子群优化(PSO)算法对模型的超参数进行优化后，通过训练集对模型进行训练。
SVR模型通过将输入数据映射到高维特征空间，并在该空间中找到一个超平面，使得在该超平面上离超平面最近的一些数据点，即支持向量，与超平面之间的距离最大化。这些支持向量决定了模型的决策边界，从而对未知数据进行预测。
本实施例中选择SVR作为回归模型，需要定义模型中的核函数类型和其他超参数。常见的核函数类型包括线性核、多项式核和高斯核，而超参数包括核函数的参数和松弛变量参数等。
SVR模型的性能和准确性很大程度上依赖于超参数的选择，包括核函数的类型、核函数参数、松弛变量参数等。而超参数的搜索空间通常非常大，使用传统的网格搜索或随机搜索方法效率较低，并且不能保证找到全局最优解，还容易陷入局部全局最优解。本实施例中使用了pso用于自动的搜索最佳的超参数以提高SVR模型的性能和泛化能力。PSO优化算法是一种启发式优化算法，通过模拟粒子在搜索空间中的移动和信息交流来搜索最优解。在SVR模型中，PSO优化可以用于自动地搜索最佳的超参数配置，从而提高模型的性能。
PSO对超参数的优化过程包括以下步骤：
(1)PSO算法初始化：初始化PSO算法的粒子群，包括粒子的位置、速度和适应度。位置表示超参数的值，速度表示搜索的方向和步长。
(2)适应度评估：根据当前粒子的超参数配置，构建SVR模型，并使用训练集进行模型训练和测试。通过评估模型在测试集上的性能，计算粒子的适应度，作为PSO算法的优化目标。
(3)迭代更新：根据PSO算法的迭代过程，更新粒子的位置和速度。根据当前位置和速度，通过更新规则调整超参数的值，并进行下一轮迭代。
(4)终止条件：设定终止条件，例如达到最大迭代次数或达到预定的适应度阈值。如果终止条件满足，则结束优化过程，否则继续进行迭代更新。
(5)模型评估：使用优化后的超参数配置，构建SVR模型，将训练集输入到SVR模型中进行训练并得到训练好的SVR模型，将传感器输出的甲醛和乙醇电压测量值输入到训练好的SVR模型中得到最终预测的甲醛浓度值与乙醇浓度值。
通过PSO优化，可以在超参数空间中高效地搜索，以寻找最佳的超参数组合。PSO算法通过跟踪每个粒子的历史最佳位置和整个群体的全局最佳位置，以迭代方式逐渐收敛到最优解。使用PSO优化的目的是优化SVR模型的性能，并提高其对数据的拟合能力和泛化能力。通过自动搜索最佳的超参数配置，可以避免人工调参的主观性和耗时性，提高模型的效率和准确性。
进一步的，在传统PSO算法中，惯性权重对算法性能有重要影响。本实施例中引入自适应惯性权重更新策略，根据优化过程中的动态信息，动态调整惯性权重，可以增强PSO算法在全局搜索和局部搜索之间的平衡，提高PSO算法的收敛速度和优化性能。具体过程包括以下步骤：
(1)初始化惯性权重(Inertia Weight)：在算法开始时，设定惯性权重的初始值。通常情况下，惯性权重的初始值可以设置为一个较大的值，以促进全局搜索。
(2)设定惯性权重的取值范围：本领域技术人员可以根据实际问题的特性和需求，设定惯性权重的取值范围。通常情况下，惯性权重的范围应该在0和1之间。
(3)计算适应度值：在每次迭代中，对于当前的惯性权重值，执行一次PSO算法，并计算每个粒子的适应度值。
(4)算法性能评估：根据当前迭代的优化进展和收敛情况，对算法性能进行评估。算法性能的评估可以使用适当的收敛判断标准，比如连续多次迭代适应度值未明显改善或连续多次迭代适应度值趋于稳定等。
(5)基于每次迭代后算法性能的评估结果对惯性权重进行更新。
本实施例中采用如下策略进行更新：如果评估结果为正向结果(适应度值在连续多次迭代中有显著改善)，则增加惯性权重，以增强全局搜索能力；如果评估结果为反向结果(适应度值在连续多次迭代中没有显著改善货适应度值趋于稳定)，则减少惯性权重，以增强局部搜索能力。
在调整惯性权重时通过设置惯性权重更新速率参数的方式进行调整，根据惯性权重更新速率参数，可以得到惯性权重的调整大小(即增加或减少的差值)，以避免惯性权重更新过快导致算法不稳定
(6)终止条件：设定一个终止条件，当满足该条件时，算法终止。终止条件可以是达到最大迭代次数、适应度值满足一定精度要求等。
(7)输出结果：当算法终止时，输出最终优化结果，即找到的最优解及其对应的适应度值。
S4：通过训练后的模型将待测区域甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值转换为甲醛浓度预测值和乙醇浓度预测值。
在实际应用过程中，通过甲醛传感器和乙醛传感器同步对待测区域进行测量，将输出的电压测量值输入训练后的模型中，将模型输出的甲醛浓度预测值作为所需的待测区域的甲醛浓度测量结果。
实施例二：
本发明还提供一种避免乙醇干扰的甲醛浓度预测终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地，作为一个可执行方案，所述避免乙醇干扰的甲醛浓度预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述避免乙醇干扰的甲醛浓度预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述避免乙醇干扰的甲醛浓度预测终端设备的组成结构仅仅是避免乙醇干扰的甲醛浓度预测终端设备的示例，并不构成对避免乙醇干扰的甲醛浓度预测终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述避免乙醇干扰的甲醛浓度预测终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述避免乙醇干扰的甲醛浓度预测终端设备的控制中心，利用各种接口和线路连接整个避免乙醇干扰的甲醛浓度预测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述避免乙醇干扰的甲醛浓度预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述避免乙醇干扰的甲醛浓度预测终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (8)
1.一种避免乙醇干扰的甲醛浓度预测方法，其特征在于，包括以下步骤：
S1：分别通过甲醛传感器和乙醇传感器对某一恒温恒压环境下的甲醛浓度和乙醇浓度进行采集，记录甲醛传感器和乙醇传感器输出的电压测量值，同时记录该恒温恒压环境下的真实甲醛浓度值和乙醇浓度值；
S2：通过调节恒温恒压环境中真实甲醛浓度值和乙醇浓度值的方式，得到对应的甲醛传感器和乙醇传感器输出的电压测量值，将每次采集时的甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值与对应的真实甲醛浓度值和乙醇浓度值组成一组训练数据，基于训练数据构建训练集；
S3：构建支持向量回归模型，设定模型的输入为甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值，模型的输出为预测的甲醛浓度值和乙醇浓度值，通过粒子群优化算法对模型的超参数进行优化后，通过训练集对模型进行训练；
S4：通过训练后的模型将待测区域甲醛传感器输出的电压测量值和乙醇传感器输出的电压测量值转换为甲醛浓度预测值和乙醇浓度预测值。
2.根据权利要求1所述的避免乙醇干扰的甲醛浓度预测方法，其特征在于：步骤S2中还包括对训练集中的数据进行预处理，预处理包括缺失值处理和数据标准化。
3.根据权利要求1所述的避免乙醇干扰的甲醛浓度预测方法，其特征在于：在粒子群优化算法中惯性权重基于每次迭代后算法性能的评估结果进行更新。
4.根据权利要求3所述的避免乙醇干扰的甲醛浓度预测方法，其特征在于：算法性能的评估结果为连续多次迭代适应度值未明显改善或连续多次迭代适应度值趋于稳定。
5.根据权利要求3所述的避免乙醇干扰的甲醛浓度预测方法，其特征在于：惯性权重基于每次迭代后算法性能的评估结果进行更新的方法为：如果评估结果为正向结果，则增加惯性权重；如果评估结果为反向结果，则减少惯性权重。
6.根据权利要求3所述的避免乙醇干扰的甲醛浓度预测方法，其特征在于：还包括惯性权重更新速率参数，用于确定惯性权重增加或减少的差值。
7.一种避免乙醇干扰的甲醛浓度预测终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1～6中任一所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～6中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311003962.8A CN117030944A (zh) | 2023-08-10 | 2023-08-10 | 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311003962.8A CN117030944A (zh) | 2023-08-10 | 2023-08-10 | 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117030944A true CN117030944A (zh) | 2023-11-10 |
Family
ID=88622212
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311003962.8A Pending CN117030944A (zh) | 2023-08-10 | 2023-08-10 | 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117030944A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118010939A (zh) * | 2024-04-10 | 2024-05-10 | 山东华检检测有限公司 | 一种智能化甲醛检测方法 |
-
2023
- 2023-08-10 CN CN202311003962.8A patent/CN117030944A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118010939A (zh) * | 2024-04-10 | 2024-05-10 | 山东华检检测有限公司 | 一种智能化甲醛检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978228B (zh) | 一种pm2.5浓度预测方法、装置及介质 | |
| Jiang et al. | Indoor occupancy estimation from carbon dioxide concentration | |
| CN112232495B (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
| CN117030944A (zh) | 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 | |
| CN114969995A (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
| FI20185271A1 (en) | Sensor Calibration | |
| CN110969200A (zh) | 基于一致性负样本的图像目标检测模型训练方法及装置 | |
| CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
| CN114065510A (zh) | 冷却塔风机的故障预警方法、装置及电子设备 | |
| CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
| CN112580539A (zh) | 基于psvm-lstm的电子鼻信号长期漂移抑制方法 | |
| CN114818809A (zh) | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 | |
| CN108428012B (zh) | 一种优化神经网络的风机噪音预测方法 | |
| CN112113926A (zh) | 一种基于改进gwo-svm的减小红外甲烷传感器测量误差的方法 | |
| CN111539508A (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
| CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
| CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
| CN112881620B (zh) | 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质 | |
| CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
| CN112733903B (zh) | 基于svm-rf-dt组合的空气质量监测与告警方法、系统、装置和介质 | |
| CN113408692A (zh) | 网络结构的搜索方法、装置、设备及存储介质 | |
| CN112098782A (zh) | 一种基于神经网络的moa绝缘状态检测方法及系统 | |
| CN115508511B (zh) | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
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 |