[發明專利]基于支持向量機和樹葉磁學的大氣顆粒物濃度監測方法

在審

• 申請號: 201711210523.9
• 申請日: 2017-11-28
• 公開（公告）號: CN108072597A
• 公開（公告）日: 2018-05-25
• 發明（設計）人: 李慧明;冷湘梓;錢新;王金花;劉雪梅;許悅
• 申請（專利權）人: 南京大學
• 主分類號: G01N15/06
• 分類號: G01N15/06;G06F17/50;G06K9/62
• 代理公司: 北京棧橋知識產權代理事務所(普通合伙) 11670
• 代理人: 劉亞娟

1.基于支持向量機和樹葉磁學的大氣顆粒物濃度監測方法，其特征在于，包括以下步驟：

(1)樹葉樣品采集：在待測城市目標區域內多個監測站點分別選擇1-3個常見的典型植物作為采集對象，分別間隔一定時間對其進行采樣，采樣為期一年，樣品采集后放入自封袋，冷藏保存，備用；

(2)樹葉磁學參數測試：將采集到的各個樹葉樣品分別進行預處理后，分別稱取2g樣品置于用于磁學參數測試的圓柱狀聚乙烯樣品盒中，壓實；分別測量得到各個樣品的體積磁化率(κ)、質量磁化率(χ)、非磁滯剩磁(ARM)、等溫剩磁(IRM1T)及樣品的飽和等溫剩磁(SIRM)；

(3)大氣顆粒物濃度與樹葉磁學參數的相關性分析：使用SPSS 23.0軟件將PM2.5和PM10同步監測的4天移動平均濃度值與樹葉磁學參數進行皮爾遜相關性分析，得到PM2.5和PM10濃度與各個樹葉樣品的三個磁學參數χ、ARM和SIRM的相關性及相關性系數，根據各個樣品的磁學參數與顆粒物濃度的相關性進行高低排序，分別進行下面的建模研究；

(4)支持向量機模型構建：使用Libsvm作為建模工具，選取支持向量機中常用的徑向核函數即RBF核函數epsilon-SVR模型，以PM2.5和PM10濃度作為輸出層，以“樹葉磁學參數”作為輸入參數，通過交叉試驗的方法選取模型最佳核函數g值及懲罰因子c值，分別建立PM2.5和PM10濃度的磁學模擬模型；

模型如下：

y ( x ) = Σ i = 1 l ( α i - α i * ) K ( x i , x ) + b - - - ( 1 ) ]]>

其中，xi為預測輸入樣本，y(x)為預測值，b為偏置量；

αi和是拉格朗日乘子，滿足以下條件：

α i , α i * ∈ [ 0 , C ] - - - ( 2 ) ]]>

Σ i = 1 l ( α i - α i * ) = 0 - - - ( 3 ) ]]>

其中，K為核函數，其表達式為：

K ( x , y ) = exp ( - | | x - y | | 2 2 δ 2 ) - - - ( 4 ) ]]>

其中，δ2是核函數的方差；

(5)模型誤差評估：使用相關性系數(Correlation coefficient,R)、平均絕對誤差(Mean absolute error,MAE)、均方根誤差(Root mean squared error,RMSE)、一致性指數(Index of agreement,IA)評價模型模擬精度，計算公式如下：

R = Σ i = 1 n ( Y i - Y ‾ i ) 2 Σ i = 1 n ( Y i - Y ‾ i ) 2 Σ i = 1 n ( Y i - Y ‾ i ) 2 - - - ( 5 ) ]]>

M A E = 1 n Σ i = 1 n | Y ^ r - Y i | - - - ( 6 ) ]]>

R M S E = 1 n Σ i = 1 n ( Y i - Y ^ i ) 2 - - - ( 7 ) ]]>

I A = 1 - [ Σ i = 1 n ( Y ^ i - Y i ) 2 ] [ Σ i = 1 n ( | Y ^ i - Y ‾ i | + | Y i - Y ‾ i | ) 2 ] - - - ( 8 ) ]]>

其中,Yi是樣品i的觀測值,是樣品i的模擬值，n是數據個數；R用于評價觀測值和模擬值間的相互關系，MAE和RMSE用于評價預測值誤差的實際情況，IA用于評價模型預測能力。