CN117079736A - 一种用于智能气体传感的气体浓度预测方法及系统 - Google Patents

一种用于智能气体传感的气体浓度预测方法及系统 Download PDF

Info

Publication number
CN117079736A
CN117079736A CN202311337457.7A CN202311337457A CN117079736A CN 117079736 A CN117079736 A CN 117079736A CN 202311337457 A CN202311337457 A CN 202311337457A CN 117079736 A CN117079736 A CN 117079736A
Authority
CN
China
Prior art keywords
gas
data
gas concentration
matrix
feature
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.)
Granted
Application number
CN202311337457.7A
Other languages
English (en)
Other versions
CN117079736B (zh
Inventor
梁文清
杨阳
袁磊
王志杰
石旭
张博文
庞华
陈瑜
康梦溪
姚丹
赵文君
郭宝昆
帖经伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEBEI GOLDEN LOCK SAFETY ENGINEERING CO LTD
Original Assignee
HEBEI GOLDEN LOCK SAFETY ENGINEERING CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HEBEI GOLDEN LOCK SAFETY ENGINEERING CO LTD filed Critical HEBEI GOLDEN LOCK SAFETY ENGINEERING CO LTD
Priority to CN202311337457.7A priority Critical patent/CN117079736B/zh
Publication of CN117079736A publication Critical patent/CN117079736A/zh
Application granted granted Critical
Publication of CN117079736B publication Critical patent/CN117079736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • 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
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于智能气体传感的气体浓度预测方法及系统，方法包括气体数据采集、数据预处理、特征提取、特征选择、气体浓度预测模型构建、气体浓度预测结果报告。本发明属于气体浓度预测领域，具体是指一种用于智能气体传感的气体浓度预测方法及系统，本方案采用主成分分析方法进行特征提取，从数据中提取最相关的主成分，提升了数据的质量，为后续的预测模型训练提供了更优质的数据基础；采用最小冗余最大相关性特征选择方法，有效减少冗余特征，减少过拟合风险，提高了预测模型的性能和鲁棒性；采用基于长短期记忆网络和注意力机制的多任务学习模型构建方法，共享任务之间的特征和结构，增强了预测模型的泛化能力。

Description

一种用于智能气体传感的气体浓度预测方法及系统
技术领域
本发明属于气体浓度预测技术领域，具体是指一种用于智能气体传感的气体浓度预测方法及系统。
背景技术
智能气体传感在环境保护、气象预报、交通管理等领域有广泛运用，气体浓度预测是智能气体传感的一项重要技术，它旨在提高智能气体传感的测量精度和测量范围，可以有效地降低智能气体传感的成本。
但在现有的气体浓度预测过程中，存在因真实测量环境有多种干扰因素，难以避免测量误差，从而导致气体数据带有噪声、缺失值和异常值，降低了数据的质量，影响了预测模型的准确性的技术问题；存在气体浓度预测通常涉及大量的传感器数据、气象数据和其他环境数据，导致计算复杂度高，容易出现过拟合现象，极大地影响了气体浓度预测模型的性能和鲁棒性的技术问题；存在气体浓度预测模型适用范围有限，限制了气体预测模型运用的广泛性的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了一种用于智能气体传感的气体浓度预测方法及系统，针对在气体浓度预测过程中，存在因真实测量环境有多种干扰因素，难以避免测量误差，从而导致气体数据带有噪声、缺失值和异常值，降低了数据的质量，影响了预测模型的准确性的技术问题，本方案采用主成分分析方法进行特征提取，从数据中提取最相关的主成分，提升了数据的质量，为后续的预测模型训练提供了更优质的数据基础；针对在气体浓度预测过程中，存在气体浓度预测通常涉及大量的传感器数据、气象数据和其他环境数据，导致计算复杂度高，容易出现过拟合现象，极大地影响了气体浓度预测模型的性能和鲁棒性的技术问题，本方案采用最小冗余最大相关性特征选择方法，有效减少冗余特征，减少过拟合风险，提高了预测模型的性能和鲁棒性；针对在气体浓度预测过程中，存在气体浓度预测模型适用范围有限，限制了气体预测模型运用的广泛性的技术问题，本方案采用基于长短期记忆网络和注意力机制的多任务学习模型构建方法，共享任务之间的特征和结构，增强了预测模型的泛化能力。
本发明采取的技术方案如下：本发明提供的一种用于智能气体传感的气体浓度预测方法，该方法包括以下步骤：
步骤S1：气体数据采集，具体为采用气体传感器，通过采集得到气体数据gasD；
步骤S2：数据预处理，具体为采用标准化算法和离差标准化方法，计算得到标准化气体数据；
步骤S3：特征提取，具体为采用主成分分析方法对所述标准化气体数据进行特征提取，得到降维特征矩阵A；
步骤S4：特征选择，具体为通过计算所述降维特征矩阵A和气体浓度gasC两者的互信息，衡量降维特征矩阵A和气体浓度gasC之间的冗余，并依据最大相关性准则的结果，得到最佳特征子集；
步骤S5：气体浓度预测模型构建，具体为采用长短期记忆网络层来提取所述最佳特征子集中的特征，并采用注意力机制计算上下文向量，通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel；
步骤S6：气体浓度预测结果报告。
作为本方案的进一步改进，在步骤S1中，所述气体数据gasD包括气体浓度gasC、气体类型、环境温度和相对湿度。
作为本方案的进一步改进，在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：异常值过滤，具体为采用标准化算法删除所述气体数据gasD中的异常值，包括以下步骤：
步骤S211：计算所述气体数据gasD的Z分数，计算公式为：
；
式中，Xi是气体数据gasD的第i个数据的Z分数，Ci是气体数据gasD的第i个数据，是数据Ci的平均值，/>是数据Ci的标准差；
步骤S212：将Z分数绝对值大于或等于3的数据从所述气体数据gasD中删除，得到异常值过滤气体数据；
步骤S22：采用离差标准化方法，将异常值过滤气体数据映射到[0，1]区间，得到标准化气体数据/>，计算公式为：
；
式中，是标准化气体数据，/>是异常值过滤气体数据，ymin是异常值过滤气体数据/>中的最小值，ymax是异常值过滤气体数据/>中的最大值。
作为本方案的进一步改进，在步骤S3中，所述特征提取具体指采用主成分分析方法对所述标准化气体数据进行特征提取，包括以下步骤：
步骤S31：计算标准化气体数据的协方差矩阵V，计算公式为：
；
式中，V是标准化气体数据的协方差矩阵，x是标准化气体数据/>所对应的矩阵集，n是数据点的数量，T是转置操作；
步骤S32：对所述标准化气体数据的协方差矩阵V进行特征值分解，并通过特征值分解得到特征值和所述特征值对应的气体特征向量矩阵C，计算公式为：
；
式中，C是气体特征向量矩阵，V是标准化气体数据的协方差矩阵，D是特征值对角矩阵，其中，所述特征值是特征值对角矩阵D对角线上的元素，T是转置操作；
步骤S33：依据所述特征值的大小，通过对最大的K个特征值对应的气体特征向量矩阵C进行组合，得到主成分特征向量矩阵M；
步骤S34：将所述标准化气体数据投影到所述主成分特征向量矩阵M，得到降维特征矩阵A，计算公式为：
；
式中，A是降维特征矩阵，x是标准化气体数据所对应的矩阵集，M是主成分特征向量矩阵。
作为本方案的进一步改进，在步骤S4中，所述特征选择具体为采用最小冗余最大相关性特征选择方法，从降维特征矩阵中选出最佳特征子集，包括以下步骤：
步骤S41：通过计算降维特征矩阵A和气体浓度gasC两者的互信息来衡量降维特征矩阵A和气体浓度gasC之间的冗余，计算公式为：
；
式中，B是气体浓度gasC数据，I（A，B）是降维特征矩阵A和气体浓度gasC两者的互信息，a是降维特征矩阵A中的特征值，b是气体浓度gasC的取值，f（a，b）是a和b的联合概率分布，f（a）是降维特征矩阵A的边缘概率分布，f（b）是气体浓度gasC的边缘概率分布；
步骤S42：依据最大相关性准则，计算降维特征子集和气体浓度gasC数据B的相关性，计算公式为：
；
式中，D是降维特征子集和气体浓度gasC数据B的相关性，/>是降维特征子集，/>是降维特征子集/>的第o个特征，I（/>，B）是降维特征子集/>的第o个特征/>和气体浓度gasC数据B的互信息；
步骤S43：依据最大相关性准则的结果，从所述降维特征矩阵A中选取所述降维特征子集和气体浓度gasC数据B的相关性D最高的特征子集，得到最佳特征子集/>。
作为本方案的进一步改进，在步骤S5中，所述气体浓度预测模型构建，具体指基于长短期记忆网络和注意力机制的多任务学习预测模型构建，包括以下步骤：
步骤S51：采用长短期记忆网络层来提取最佳特征子集中的特征，计算公式为：
；
式中，gm是当前时间步输出的隐藏状态，LSTM（）是长短期记忆网络的一个时间步计算操作，gm-1是前一时间步的隐藏状态，m是输入的最佳特征子集的时间步数；
步骤S52：采用注意力机制计算上下文向量，包括以下步骤：
步骤S521：计算查询向量，计算公式为：
；
式中，是查询向量，gm是当前时间步输出的隐藏状态，/>是查询的位置索引，μp是查询的权重矩阵；
步骤S522：计算键向量，计算公式为：
；
式中，是键向量，gm是当前时间步输出的隐藏状态，/>是键和值的位置索引，μk是键的权重矩阵；
步骤S523：计算值向量，计算公式为：
；
式中，是值向量，gm是当前时间步输出的隐藏状态，/>是键和值的位置索引，μv是值的权重矩阵；
步骤S524：计算所述查询向量和所述键向量之间的相似度得分，计算公式为：
；
式中，是查询向量/>和键向量/>之间的相似度得分，dk是键向量的维度；
步骤S525：通过Softmax函数，计算得到注意力矩阵，计算公式为：
；
式中，是注意力矩阵，Softmax（）是Softmax函数，/>是查询向量/>和键向量之间的相似度得分；
步骤S526：依据注意力机制，通过对所述值向量加权求和得到上下文向量，计算公式为：
；
式中，el是查询向量相关的上下文向量，/>是值向量的数量，/>是注意力矩阵，是值向量；
步骤S53：从所述上下文向量中提取气体浓度的信息，并预测气体浓度值，计算公式为：
；
式中，ugco是气体浓度的估计值，hgco是气体偏置向量，μgco是浓度预测任务权重矩阵，el是查询向量相关的上下文向量；
步骤S54：通过Softmax函数，对气体类型进行分类，计算公式为：
；
式中，ucla是气体类别的概率分布，Softmax（）是Softmax函数，hcla是气体类型偏置向量，el是查询向量相关的上下文向量，μcla是气体分类任务权重矩阵；
步骤S55：通过设置浓度预测的损失函数，来衡量模型预测结果与真实值之间的差异，计算公式为：
；
式中，Lgco是浓度预测任务均方误差损失函数，是需要预测的浓度值的数量，是第s个浓度预测的真实值，/>是第s个浓度预测的模型预测值；
步骤S56：通过设置气体分类的损失函数，来衡量模型分类结果与真实值之间的差异，计算公式为：
；
式中，Lcla是气体分类任务交叉熵损失函数，是需要分类的样本数量/>是气体类别的数量/>是第/>个样本的真实标签，/>是模型对第/>个样本属于第/>个气体类别的概率；
步骤S57：通过设置多任务学习损失函数，来平衡不同任务的重要性，计算公式为：
；
式中，Loss是多任务学习损失函数，γ是取值为[0，1]的气体分类任务损失函数权重，δ是用于调整参数矩阵的惩罚常数，|μgco|1是浓度预测任务权重矩阵μgco的L1正则化项，|μcla|1是气体分类任务权重矩阵μcla的正则化项；
步骤S58：通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel。
作为本方案的进一步改进，在步骤S6中，所述气体浓度预测结果报告，具体为通过所述气体浓度预测模型GasModel进行气体浓度预测，将气体分类并生成气体浓度报告。
本发明提供的一种用于智能气体传感的气体浓度预测系统，包括：气体数据采集模块、数据预处理模块、特征提取模块、特征选择模块、气体浓度预测模型构建模块、气体浓度预测结果报告模块；
所述气体数据采集模块通过气体传感器采集气体数据，并将所述气体数据发送至数据预处理模块；
所述数据预处理模块接收来自气体数据采集模块的气体数据，对所述气体数据进行异常值删除和离差标准化的操作，得到标准化气体数据，并将所述标准化气体数据发送至特征提取模块；
所述特征提取模块接收来自数据预处理模块的标准化气体数据，对所述标准化气体数据进行主成分分析来提取特征，得到降维特征矩阵，并将所述降维特征矩阵发送至特征选择模块；
所述特征选择模块接收来自特征提取模块的降维特征矩阵，采用最小冗余最大相关性方法计算得到最佳特征子集，并将所述最佳特征子集发送至气体浓度预测模型构建模块；
所述气体浓度预测模型构建模块接收来自特征选择模块的最佳特征子集，从所述最佳特征子集中获取数据并通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型，并将所述气体浓度预测模型发送至气体浓度预测结果报告模块；
所述气体浓度预测结果报告模块接收来自气体浓度预测模型的气体浓度预测模型，通过所述气体浓度预测模型进行气体浓度预测，将气体分类并生成气体浓度报告。
采用上述方案本发明取得的有益效果如下：
（1）针对在气体浓度预测过程中，存在因真实测量环境有多种干扰因素，难以避免测量误差，从而导致气体数据带有噪声、缺失值和异常值，降低了数据的质量，影响了预测模型的准确性的技术问题，本方案采用主成分分析方法进行特征提取，从数据中提取最相关的主成分，提升了数据的质量，为后续的预测模型训练提供了更优质的数据基础。
（2）针对在气体浓度预测过程中，存在气体浓度预测通常涉及大量的传感器数据、气象数据和其他环境数据，导致计算复杂度高，容易出现过拟合现象，极大地影响了气体浓度预测模型的性能和鲁棒性的技术问题，本方案采用最小冗余最大相关性特征选择方法，有效减少冗余特征，减少过拟合风险，提高了预测模型的性能和鲁棒性。
（3）针对在气体浓度预测过程中，存在气体浓度预测模型适用范围有限，限制了气体预测模型运用的广泛性的技术问题，本方案采用基于长短期记忆网络和注意力机制的多任务学习模型构建方法，共享任务之间的特征和结构，增强了预测模型的泛化能力。
附图说明
图1为本发明提供的一种用于智能气体传感的气体浓度预测方法的流程示意图；
图2为本发明提供的一种用于智能气体传感的气体浓度预测系统的示意图；
图3为数据预处理方法的流程示意图；
图4为特征提取方法的流程示意图；
图5为特征选择方法的流程示意图；
图6为气体浓度预测模型构建方法的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的一种用于智能气体传感的气体浓度预测方法，该方法包括以下步骤：
步骤S1：气体数据采集，具体为采用气体传感器，通过采集得到气体数据gasD；
步骤S2：数据预处理，具体为采用标准化算法和离差标准化方法，计算得到标准化气体数据；
步骤S3：特征提取，具体为采用主成分分析方法对所述标准化气体数据进行特征提取，得到降维特征矩阵A；
步骤S4：特征选择，具体为通过计算所述降维特征矩阵A和气体浓度gasC两者的互信息，衡量降维特征矩阵A和气体浓度gasC之间的冗余，并依据最大相关性准则的结果，得到最佳特征子集；
步骤S5：气体浓度预测模型构建，具体为采用长短期记忆网络层来提取所述最佳特征子集中的特征，并采用注意力机制计算上下文向量，通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel；
步骤S6：气体浓度预测结果报告。
实施例二，参阅图1，在步骤S1中，所述气体传感器由8个TGS传感器阵列组成，采样频率设置为50Hz，所述气体数据gasD包括气体浓度gasC、气体类型、环境温度和相对湿度。
实施例三，参阅图1和图3，该实施例基于上述实施例，进一步地，在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：异常值过滤，具体为采用标准化算法删除所述气体数据gasD中的异常值，包括以下步骤：
步骤S211：计算所述气体数据gasD的Z分数，计算公式为：
；
式中，Xi是气体数据gasD的第i个数据的Z分数，Ci是气体数据gasD的第i个数据，是数据Ci的平均值，/>是数据Ci的标准差；
步骤S212：将Z分数绝对值大于或等于3的数据从所述气体数据gasD中删除，得到异常值过滤气体数据；
步骤S22：采用离差标准化方法，将异常值过滤气体数据映射到[0，1]区间，得到标准化气体数据/>，计算公式为：
；
式中，是标准化气体数据，/>是异常值过滤气体数据，ymin是异常值过滤气体数据/>中的最小值，ymax是异常值过滤气体数据/>中的最大值。
实施例四，参阅图1和图4，该实施例基于上述实施例，进一步地，在步骤S3中，所述特征提取具体指采用主成分分析方法对所述标准化气体数据进行特征提取，包括以下步骤：
步骤S31：计算标准化气体数据的协方差矩阵V，计算公式为：
；
式中，V是标准化气体数据的协方差矩阵，x是标准化气体数据/>所对应的矩阵集，n是数据点的数量，T是转置操作；
步骤S32：对所述标准化气体数据的协方差矩阵V进行特征值分解，并通过特征值分解得到特征值和所述特征值对应的气体特征向量矩阵C，计算公式为：
；
式中，C是气体特征向量矩阵，V是标准化气体数据的协方差矩阵，D是特征值对角矩阵，其中，所述特征值是特征值对角矩阵D对角线上的元素，T是转置操作，具体的，所述特征值对角矩阵D的计算公式为/>，其中，/>是第1个特征值，m是特征值总数；
步骤S33：依据所述特征值的大小，通过对最大的K个特征值对应的气体特征向量矩阵C进行组合，得到主成分特征向量矩阵M；
步骤S34：将所述标准化气体数据投影到所述主成分特征向量矩阵M，得到降维特征矩阵A，计算公式为：
；
式中，A是降维特征矩阵，x是标准化气体数据所对应的矩阵集，M是主成分特征向量矩阵；
通过执行上述操作，针对在气体浓度预测过程中，存在因真实测量环境存在有干扰因素，难以避免测量误差，从而导致气体数据带有噪声、缺失值和异常值，降低了数据的质量，影响了预测模型的准确性的技术问题，本方案采用主成分分析方法进行特征提取，从数据中提取最相关的主成分，提升了数据的质量，为后续的预测模型训练提供了更优质的数据基础。
实施例五，参阅图1和图5，该实施例基于上述实施例，进一步地，在步骤S4中，所述特征选择具体为采用最小冗余最大相关性特征选择方法，从降维特征矩阵中选出最佳特征子集，包括以下步骤：
步骤S41：通过计算降维特征矩阵A和气体浓度gasC两者的互信息来衡量降维特征矩阵A和气体浓度gasC之间的冗余，计算公式为：
；
式中，B是气体浓度gasC数据，I（A，B）是降维特征矩阵A和气体浓度gasC两者的互信息，a是降维特征矩阵A中的特征值，b是气体浓度gasC的取值，f（a，b）是a和b的联合概率分布，f（a）是降维特征矩阵A的边缘概率分布，f（b）是气体浓度gasC的边缘概率分布；
步骤S42：依据最大相关性准则，计算降维特征子集和气体浓度gasC数据B的相关性，计算公式为：
；
式中，D是降维特征子集和气体浓度gasC数据B的相关性，/>是降维特征子集，/>是降维特征子集/>的第o个特征，I（/>，B）是降维特征子集/>的第o个特征/>和气体浓度gasC数据B的互信息；
步骤S43：依据最大相关性准则的结果，从所述降维特征矩阵A中选取所述降维特征子集和气体浓度gasC数据B的相关性D最高的特征子集，得到最佳特征子集/>；
通过执行上述操作，针对在气体浓度预测过程中，存在气体浓度预测通常涉及大量的传感器数据、气象数据和其他环境数据，导致计算复杂度高，容易出现过拟合现象，极大地影响了气体浓度预测模型的性能和鲁棒性的技术问题，本方案采用最小冗余最大相关性特征选择方法，有效减少冗余特征，减少过拟合风险，提高了预测模型的性能和鲁棒性。
实施例六，参阅图1和图6，该实施例基于上述实施例，进一步地，在步骤S5中，所述气体浓度预测模型构建，具体指基于长短期记忆网络和注意力机制的多任务学习预测模型构建，包括以下步骤：
步骤S51：采用长短期记忆网络层来提取最佳特征子集中的特征，计算公式为：
；
式中，gm是当前时间步输出的隐藏状态，LSTM（）是长短期记忆网络的一个时间步计算操作，gm-1是前一时间步的隐藏状态，m是输入的最佳特征子集的时间步数；
步骤S52：采用注意力机制计算上下文向量，包括以下步骤：
步骤S521：计算查询向量，计算公式为：
；
式中，是查询向量，gm是当前时间步输出的隐藏状态，/>是查询的位置索引，μp是查询的权重矩阵，具体的，所述查询的权重矩阵μp通过模型训练自动获取，所述查询的权重矩阵μp的取值范围为[-1,1]；
步骤S522：计算键向量，计算公式为：
；
式中，是键向量，gm是当前时间步输出的隐藏状态，/>是键和值的位置索引，μk是键的权重矩阵，具体的，所述键的权重矩阵μk通过模型训练自动获取，所述键的权重矩阵μk的取值范围为[-1,1]；
步骤S523：计算值向量，计算公式为：
；
式中，是值向量，gm是当前时间步输出的隐藏状态，/>是键和值的位置索引，μv是值的权重矩阵，具体的，所述值的权重矩阵μv通过模型训练自动获取，所述值的权重矩阵μv的取值范围为[-1,1]；
步骤S524：计算所述查询向量和所述键向量之间的相似度得分，计算公式为：
；
式中，是查询向量/>和键向量/>之间的相似度得分，dk是键向量的维度；
步骤S525：通过Softmax函数，计算得到注意力矩阵，计算公式为：
；
式中，是注意力矩阵，Softmax（）是Softmax函数，/>是查询向量/>和键向量之间的相似度得分；
步骤S526：依据注意力机制，通过对所述值向量加权求和得到上下文向量，计算公式为：
；
式中，el是查询向量相关的上下文向量，/>是值向量的数量，/>是注意力矩阵，是值向量；
步骤S53：从所述上下文向量中提取气体浓度的信息，并预测气体浓度值，计算公式为：
；
式中，ugco是气体浓度的估计值，hgco是气体偏置向量，μgco是浓度预测任务权重矩阵，el是查询向量相关的上下文向量，具体的，所述气体偏置向量hgco的取值范围为[-0.1,0.1]；
步骤S54：通过Softmax函数，对气体类型进行分类，计算公式为：
；
式中，ucla是气体类别的概率分布，Softmax（）是Softmax函数，hcla是气体类型偏置向量，el是查询向量相关的上下文向量，μcla是气体分类任务权重矩阵；
步骤S55：通过设置浓度预测的损失函数，来衡量模型预测结果与真实值之间的差异，计算公式为：
；
式中，Lgco是浓度预测任务均方误差损失函数，是需要预测的浓度值的数量，是第s个浓度预测的真实值，/>是第s个浓度预测的模型预测值；
步骤S56：通过设置气体分类的损失函数，来衡量模型分类结果与真实值之间的差异，计算公式为：
；
式中，Lcla是气体分类任务交叉熵损失函数，是需要分类的样本数量/>是气体类别的数量/>是第/>个样本的真实标签，/>是模型对第/>个样本属于第/>个气体类别的概率；
步骤S57：通过设置多任务学习损失函数，来平衡不同任务的重要性，计算公式为：
；
式中，Loss是多任务学习损失函数，γ是取值为[0，1]的气体分类任务损失函数权重，δ是用于调整参数矩阵的惩罚常数，|μgco|1是浓度预测任务权重矩阵μgco的L1正则化项，|μcla|1是气体分类任务权重矩阵μcla的正则化项；
步骤S58：通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel；
通过执行上述操作，针对在气体浓度预测过程中，存在气体浓度预测模型适用范围有限，限制了气体预测模型运用的广泛性的技术问题，本方案采用基于长短期记忆网络和注意力机制的多任务学习模型构建方法，共享任务之间的特征和结构，增强了预测模型的泛化能力。
实施例七，参阅图1，该实施例基于上述实施例，进一步地，在步骤S6中，所述气体浓度预测结果报告，具体为通过所述气体浓度预测模型GasModel进行气体浓度预测，将气体分类并生成气体浓度报告。
实施例八，参阅图2，该实施例基于上述实施例，本发明提供的一种用于智能气体传感的气体浓度预测系统，包括：气体数据采集模块、数据预处理模块、特征提取模块、特征选择模块、气体浓度预测模型构建模块、气体浓度预测结果报告模块；
所述气体数据采集模块通过气体传感器采集气体数据，并将所述气体数据发送至数据预处理模块；
所述数据预处理模块接收来自气体数据采集模块的气体数据，对所述气体数据进行异常值删除和离差标准化的操作，得到标准化气体数据，并将所述标准化气体数据发送至特征提取模块；
所述特征提取模块接收来自数据预处理模块的标准化气体数据，对所述标准化气体数据进行主成分分析来提取特征，得到降维特征矩阵，并将所述降维特征矩阵发送至特征选择模块；
所述特征选择模块接收来自特征提取模块的降维特征矩阵，采用最小冗余最大相关性方法计算得到最佳特征子集，并将所述最佳特征子集发送至气体浓度预测模型构建模块；
所述气体浓度预测模型构建模块接收来自特征选择模块的最佳特征子集，从所述最佳特征子集中获取数据并通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型，并将所述气体浓度预测模型发送至气体浓度预测结果报告模块；
所述气体浓度预测结果报告模块接收来自气体浓度预测模型的气体浓度预测模型，通过所述气体浓度预测模型进行气体浓度预测，将气体分类并生成气体浓度报告。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (8)

1.一种用于智能气体传感的气体浓度预测方法，其特征在于：该方法包括以下步骤：
步骤S1：气体数据采集，具体为采用气体传感器，通过采集得到气体数据gasD；
步骤S2：数据预处理，具体为采用标准化算法和离差标准化方法，计算得到标准化气体数据；
步骤S3：特征提取，具体为采用主成分分析方法对所述标准化气体数据进行特征提取，得到降维特征矩阵A；
步骤S4：特征选择，具体为通过计算所述降维特征矩阵A和气体浓度gasC两者的互信息，衡量降维特征矩阵A和气体浓度gasC之间的冗余，并依据最大相关性准则的结果，得到最佳特征子集；
步骤S5：气体浓度预测模型构建，具体为采用长短期记忆网络层来提取所述最佳特征子集中的特征，并采用注意力机制计算上下文向量，通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel；
步骤S6：气体浓度预测结果报告；
在步骤S5中，所述气体浓度预测模型构建，具体指基于长短期记忆网络和注意力机制的多任务学习预测模型构建，包括以下步骤：
步骤S51：采用长短期记忆网络层来提取最佳特征子集中的特征，计算公式为：
；
式中，gm是当前时间步输出的隐藏状态，LSTM（）是长短期记忆网络的一个时间步计算操作，gm-1是前一时间步的隐藏状态，m是输入的最佳特征子集的时间步数；
步骤S52：采用注意力机制计算上下文向量，包括以下步骤：
步骤S521：计算查询向量，计算公式为：
；
式中，是查询向量，gm是当前时间步输出的隐藏状态，/>是查询的位置索引，μp是查询的权重矩阵；
步骤S522：计算键向量，计算公式为：
；
式中，是键向量，gm是当前时间步输出的隐藏状态，/>是键和值的位置索引，μk是键的权重矩阵；
步骤S523：计算值向量，计算公式为：
；
式中，是值向量，gm是当前时间步输出的隐藏状态，/>是键和值的位置索引，μv是值的权重矩阵；
步骤S524：计算所述查询向量和所述键向量之间的相似度得分，计算公式为：
；
式中，是查询向量/>和键向量/>之间的相似度得分，dk是键向量的维度；
步骤S525：通过Softmax函数，计算得到注意力矩阵，计算公式为：
；
式中，是注意力矩阵，Softmax（）是Softmax函数，/>是查询向量/>和键向量/>之间的相似度得分；
步骤S526：依据注意力机制，通过对所述值向量加权求和得到上下文向量，计算公式为：
；
式中，el是查询向量相关的上下文向量，/>是值向量的数量，/>是注意力矩阵，/>是值向量；
步骤S53：从所述上下文向量中提取气体浓度的信息，并预测气体浓度值，计算公式为：
；
式中，ugco是气体浓度的估计值，hgco是气体偏置向量，μgco是浓度预测任务权重矩阵，el是查询向量相关的上下文向量；
步骤S54：通过Softmax函数，对气体类型进行分类，计算公式为：
；
式中，ucla是气体类别的概率分布，Softmax（）是Softmax函数，hcla是气体类型偏置向量，el是查询向量相关的上下文向量，μcla是气体分类任务权重矩阵；
步骤S55：通过设置浓度预测的损失函数，来衡量模型预测结果与真实值之间的差异，计算公式为：
；
式中，Lgco是浓度预测任务均方误差损失函数，是需要预测的浓度值的数量，/>是第s个浓度预测的真实值，/>是第s个浓度预测的模型预测值；
步骤S56：通过设置气体分类的损失函数，来衡量模型分类结果与真实值之间的差异，计算公式为：
；
式中，Lcla是气体分类任务交叉熵损失函数，是需要分类的样本数量/>是气体类别的数量/>是第/>个样本的真实标签，/>是模型对第/>个样本属于第/>个气体类别的概率；
步骤S57：通过设置多任务学习损失函数，来平衡不同任务的重要性，计算公式为：
；
式中，Loss是多任务学习损失函数，γ是取值为[0，1]的气体分类任务损失函数权重，δ是用于调整参数矩阵的惩罚常数，|μgco|1是浓度预测任务权重矩阵μgco的L1正则化项，|μcla|1是气体分类任务权重矩阵μcla的正则化项；
步骤S58：通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型GasModel。
2.根据权利要求1所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：在步骤S2中，所述数据预处理，包括以下步骤：
步骤S21：异常值过滤，具体为采用标准化算法删除所述气体数据gasD中的异常值，包括以下步骤：
步骤S211：计算所述气体数据gasD的Z分数，计算公式为：
；
式中，Xi是气体数据gasD的第i个数据的Z分数，Ci是气体数据gasD的第i个数据，是数据Ci的平均值，/>是数据Ci的标准差；
步骤S212：将Z分数绝对值大于或等于3的数据从所述气体数据gasD中删除，得到异常值过滤气体数据；
步骤S22：采用离差标准化方法，将异常值过滤气体数据映射到[0，1]区间，得到标准化气体数据/>，计算公式为：
；
式中，是标准化气体数据，/>是异常值过滤气体数据，ymin是异常值过滤气体数据/>中的最小值，ymax是异常值过滤气体数据/>中的最大值。
3.根据权利要求2所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：在步骤S3中，所述特征提取具体指采用主成分分析方法对所述标准化气体数据进行特征提取，包括以下步骤：
步骤S31：计算标准化气体数据的协方差矩阵V，计算公式为：
；
式中，V是标准化气体数据的协方差矩阵，x是标准化气体数据/>所对应的矩阵集，n是数据点的数量，T是转置操作；
步骤S32：对所述标准化气体数据的协方差矩阵V进行特征值分解，并通过特征值分解得到特征值和所述特征值对应的气体特征向量矩阵C，计算公式为：
；
式中，C是气体特征向量矩阵，V是标准化气体数据的协方差矩阵，D是特征值对角矩阵，其中，所述特征值是特征值对角矩阵D对角线上的元素，T是转置操作；
步骤S33：依据所述特征值的大小，通过对最大的K个特征值对应的气体特征向量矩阵C进行组合，得到主成分特征向量矩阵M；
步骤S34：将所述标准化气体数据投影到所述主成分特征向量矩阵M，得到降维特征矩阵A，计算公式为：
；
式中，A是降维特征矩阵，x是标准化气体数据所对应的矩阵集，M是主成分特征向量矩阵。
4.根据权利要求3所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：在步骤S4中，所述特征选择具体为采用最小冗余最大相关性特征选择方法，从降维特征矩阵中选出最佳特征子集，包括以下步骤：
步骤S41：通过计算降维特征矩阵A和气体浓度gasC两者的互信息来衡量降维特征矩阵A和气体浓度gasC之间的冗余，计算公式为：
；
式中，B是气体浓度gasC数据，I（A，B）是降维特征矩阵A和气体浓度gasC两者的互信息，a是降维特征矩阵A中的特征值，b是气体浓度gasC的取值，f（a，b）是a和b的联合概率分布，f（a）是降维特征矩阵A的边缘概率分布，f（b）是气体浓度gasC的边缘概率分布；
步骤S42：依据最大相关性准则，计算降维特征子集和气体浓度gasC数据B的相关性，计算公式为：
；
式中，D是降维特征子集和气体浓度gasC数据B的相关性，/>是降维特征子集，/>是降维特征子集/>的第o个特征，I（/>，B）是降维特征子集/>的第o个特征/>和气体浓度gasC数据B的互信息；
步骤S43：依据最大相关性准则的结果，从所述降维特征矩阵A中选取所述降维特征子集和气体浓度gasC数据B的相关性D最高的特征子集，得到最佳特征子集/>。
5.根据权利要求4所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：在步骤S1中，所述气体数据gasD包括气体浓度gasC、气体类型、环境温度和相对湿度。
6.根据权利要求5所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：在步骤S6中，所述气体浓度预测结果报告，具体为通过所述气体浓度预测模型GasModel进行气体浓度预测，将气体分类并生成气体浓度报告。
7.一种用于智能气体传感的气体浓度预测系统，用于实现如权利要求1-6中任一项所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：包括气体数据采集模块、数据预处理模块、特征提取模块、特征选择模块、气体浓度预测模型构建模块、气体浓度预测结果报告模块。
8.根据权利要求7所述的一种用于智能气体传感的气体浓度预测系统，其特征在于：所述气体数据采集模块通过气体传感器采集气体数据，并将所述气体数据发送至数据预处理模块；
所述数据预处理模块接收来自气体数据采集模块的气体数据，对所述气体数据进行异常值删除和离差标准化的操作，得到标准化气体数据，并将所述标准化气体数据发送至特征提取模块；
所述特征提取模块接收来自数据预处理模块的标准化气体数据，对所述标准化气体数据进行主成分分析来提取特征，得到降维特征矩阵，并将所述降维特征矩阵发送至特征选择模块；
所述特征选择模块接收来自特征提取模块的降维特征矩阵，采用最小冗余最大相关性方法计算得到最佳特征子集，并将所述最佳特征子集发送至气体浓度预测模型构建模块；
所述气体浓度预测模型构建模块接收来自特征选择模块的最佳特征子集，从所述最佳特征子集中获取数据并通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型，并将所述气体浓度预测模型发送至气体浓度预测结果报告模块；
所述气体浓度预测结果报告模块接收来自气体浓度预测模型的气体浓度预测模型，通过所述气体浓度预测模型进行气体浓度预测，将气体分类并生成气体浓度报告。
CN202311337457.7A 2023-10-17 2023-10-17 一种用于智能气体传感的气体浓度预测方法及系统 Active CN117079736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311337457.7A CN117079736B (zh) 2023-10-17 2023-10-17 一种用于智能气体传感的气体浓度预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311337457.7A CN117079736B (zh) 2023-10-17 2023-10-17 一种用于智能气体传感的气体浓度预测方法及系统

Publications (2)

Publication Number Publication Date
CN117079736A true CN117079736A (zh) 2023-11-17
CN117079736B CN117079736B (zh) 2024-02-06

Family

ID=88706491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311337457.7A Active CN117079736B (zh) 2023-10-17 2023-10-17 一种用于智能气体传感的气体浓度预测方法及系统

Country Status (1)

Country Link
CN (1) CN117079736B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118468228A (zh) * 2024-07-10 2024-08-09 清华大学 基于效能网络强化权重选择的气体浓度预测方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898639A (zh) * 2020-06-30 2020-11-06 河海大学 基于降维的分层时间记忆工业异常检测方法与装置
CN112488145A (zh) * 2019-11-26 2021-03-12 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN112734028A (zh) * 2020-12-28 2021-04-30 三峡大学 一种变压器油中溶解气体浓度预测模型建模方法
CN115238595A (zh) * 2022-08-24 2022-10-25 西安交通大学 一种pm10浓度预测方法、系统、设备及存储介质
CN115275991A (zh) * 2022-07-29 2022-11-01 国网上海市电力公司 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法
CN115330082A (zh) * 2022-09-14 2022-11-11 重庆邮电大学 一种基于注意力机制的lstm网络的pm2.5浓度预测方法
CN115964932A (zh) * 2022-11-22 2023-04-14 辽宁东科电力有限公司 基于EMD-BiLSTM-Attention机制变压器数字孪生模型的气体预测方法
CN116245212A (zh) * 2022-12-06 2023-06-09 江苏方天电力技术有限公司 基于pca-lstm的电力数据异常检测与预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488145A (zh) * 2019-11-26 2021-03-12 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN111898639A (zh) * 2020-06-30 2020-11-06 河海大学 基于降维的分层时间记忆工业异常检测方法与装置
CN112734028A (zh) * 2020-12-28 2021-04-30 三峡大学 一种变压器油中溶解气体浓度预测模型建模方法
CN115275991A (zh) * 2022-07-29 2022-11-01 国网上海市电力公司 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法
CN115238595A (zh) * 2022-08-24 2022-10-25 西安交通大学 一种pm10浓度预测方法、系统、设备及存储介质
CN115330082A (zh) * 2022-09-14 2022-11-11 重庆邮电大学 一种基于注意力机制的lstm网络的pm2.5浓度预测方法
CN115964932A (zh) * 2022-11-22 2023-04-14 辽宁东科电力有限公司 基于EMD-BiLSTM-Attention机制变压器数字孪生模型的气体预测方法
CN116245212A (zh) * 2022-12-06 2023-06-09 江苏方天电力技术有限公司 基于pca-lstm的电力数据异常检测与预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔俊飞等: "《基于多层特征选择的固废焚烧过程二噁英排放浓度软测量》", 《信息与控制》, vol. 50, no. 1 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118468228A (zh) * 2024-07-10 2024-08-09 清华大学 基于效能网络强化权重选择的气体浓度预测方法和装置

Also Published As

Publication number Publication date
CN117079736B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN117079736B (zh) 一种用于智能气体传感的气体浓度预测方法及系统
CN115270965A (zh) 一种配电网线路故障预测方法和装置
CN113408742B (zh) 一种基于机器学习的高精度海表温度反演方法
CN108133225A (zh) 一种基于支持向量机的覆冰闪络故障预警方法
CN112285376A (zh) 一种基于cnn-lstm的风速预测方法
CN107463950B (zh) 一种基于外部气象环境影响的接触网故障预测方法
CN114117852B (zh) 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN117494034A (zh) 基于交通拥堵指数和多源数据融合的空气质量预测方法
Zhang et al. Tiny‐RainNet: a deep convolutional neural network with bi‐directional long short‐term memory model for short‐term rainfall prediction
Singh et al. Unsupervised change detection from remote sensing images using hybrid genetic FCM
CN109871805A (zh) 一种电磁信号开集识别方法
CN111783845A (zh) 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法
CN114611608A (zh) 基于深度学习模型的海表面高度数值预报偏差订正方法
CN115457403A (zh) 一种基于多类型遥感图像的农作物智能识别方法
CN115700558A (zh) 一种基于时空特征解析的异常流量检测方法
CN117725448A (zh) 气象导航信号特征的聚类分析方法
CN115757103A (zh) 基于树结构的神经网络测试用例生成方法
CN115545100A (zh) 基于LSTM的GB-InSAR大气相位补偿方法
CN116663404A (zh) 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统
Celik et al. Change detection without difference image computation based on multiobjective cost function optimization
CN115754199B (zh) 基于隶属度函数和主成分分析的水质检测方法
Wibowo et al. Food price prediction using time series linear ridge regression with the best damping factor
CN116822716A (zh) 一种基于时空注意力的台风预测方法、系统、设备及介质
CN115659323A (zh) 一种基于信息熵理论结合卷积神经网络的入侵检测方法

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
GR01 Patent grant
GR01 Patent grant