[發明專利]一種空氣細顆粒物PM2.5測量方法

有效

• 申請號: 201810596929.3
• 申請日: 2018-06-11
• 公開（公告）號: CN109087277B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 喬俊飛;賀增增;顧錁;李曉理
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/06;G06N3/04;G01N15/06
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種基于圖像特征和集成神經網絡的空氣細顆粒物PM2.5軟測量方法，其特征在于，包括以下步驟：

(1)提取圖像特征

①基于相位一致性的熵E_pc計算公式如下：

其中，s代表圖像信號，s_pc由s中的像素構成，l代表像素值且值域為[0,255]，P代表概率分布；

圖像對比度的第二種度量方式是對比能，其估計感知的是圖像局部對比度；對比能在三個通道上計算公式如下：

其中，s代表圖像信號，s_q表示濾波器在第q個方向過濾得到的圖像信號，f＝{rg,gr,yb}分別是s的三通道，并且rg＝R-G，gr＝0.299×R+0.587×G+0.114×B和yb＝0.5×(G+R)-B，R,G,B分別是紅、綠、藍三個通道的顏色值，它們的取值范圍為[0,255]，ψ_h和ψ_υ分別代表高斯函數的水平和垂直二階導數，CE_f＝{CE_rg,CE_gr,CE_yb}；α取Y(s_f)的最大值,θ控制對比增益，ξ用于通過閾值約束噪聲；

因此，圖像對比度的四組特征包括如下：E_pc,CE_rg,CE_gr,CE_yb；

②利用亮度變化圖像的熵來推斷圖像是否具有合適的亮度；面對多指標m_d的選擇，其中d為選取指標的個數，取d＝1，…，6，計算公式如下：

其中，n的取值依據經驗被給定為3.5,5.5,7.5；

因此，圖像亮度的六組特征包括如下：

③引入色彩飽和度，它表示與其自身亮度相比顏色的色彩度；將圖像轉換為由色調、飽和度和明度構成的顏色空間后，它的飽和通道的全局平均值的計算公式如下：

其中，S代表一組圖像色彩度特征，T_X→S代表轉換函數用于轉換某一種類型圖像為飽和通道，s代表圖像信號，M表示s中的像素數，s(z)表示s中第z個像素點；

圖像色彩的另一個測量量由四個重要特征構成，它們分別包括yb和rg通道的均值μ_yb,μ_rg和方差σ_yb,σ_rg；另一組圖像色彩度特征C的計算公式如下：

其中，κ是修正因子，用于調整各部分的相對重要性，經過反復實驗得到，κ的最佳取值為0.3；

因此，圖像色彩度的兩組特征包括如下：S,C

④由圖像特征提取式(1)-式(5)，圖像的三類特征對比度、亮度、色彩度從圖片中被提取出來，分別為E_pc,CE_rg,CE_gr,CE_yb、和S,C；

(2)確定輸入變量和預測變量；

①變量數據的標準化處理：將從上一小時實際攝取圖片中提取出來的圖像特征數據和PM_2.5濃度的下一小時數據一一對應，整理出L組數據，然后以圖像特征為自變量X，PM_2.5濃度為因變量Y：

X＝[x₁,x₂,…,x₁₂]^T,Y＝y (6)

其中，x₁,x₂,x₃,x₄表示圖像對比度特征E_pc,CE_rg,CE_gr,CE_yb，x₅,x₆,x₇,x₈,x₉,x₁₀表示圖像亮度特征x₁₁,x₁₂表示圖像色彩度特征S,C，y表示PM_2.5濃度；各類特征是無量綱的，PM_2.5濃度的單位是μg/m³；數據標準化處理的計算公式如下：

其中，g₁，g₂，g₃，g₄是從上一小時實際攝取圖片中提取出來的圖像對比度特征E_pc,CE_gr,CE_yb,CE_rg的數據數組標準化后得到的數組，D₁，D₂，D₃，D₄是標準化前圖像對比度特征E_pc,CE_gr,CE_yb,CE_rg的數據數組，D_1,min，D_2,min，D_3,min，D_4,min分別是數組D₁，D₂，D₃，D₄中的最小值，D_1,max，D_2,max，D_3,max，D_4,max分別是數組D₁，D₂，D₃，D₄中的最大值；從上一小時實際攝取圖片中提取出來的圖像亮度特征和圖像色彩度特征S,C的數據數組和PM_2.5濃度的下一小時實測數據數組分別是D₅、D₆、D₇、D₈、D₉、D₁₀，D₁₁、D₁₂和D₁₃，找出各數組內部的最大值和最小值，按照式(7)相同的處理方式得到標準化數組分別是：g₅、g₆、g₇、g₈、g₉、g₁₀，g₁₁、g₁₂和g₁₃；

②通過①中的數據標準化處理得到g₁、g₂、g₃、g₄、g₅、g₆，g₇、g₈、g₉、g₁₀、g₁₁、g₁₂，將這些圖像特征選作輸入變量，記為r₁,r₂,…,r₁₂，PM_2.5濃度作為預測變量，是集成神經網絡的期望輸出，記為o_p，輸入變量和預測變量的標準化觀測數據陣分別記為E和F，選取E和F的前I組數據作為訓練樣本，后I′組數據作為測試樣本；

(3)設計用于PM_2.5預測的集成神經網絡的拓撲結構；用于PM_2.5預測的集成神經網絡共由Q個子網絡遞歸模糊神經網絡組成，每個子網絡都是一個遞歸模糊神經網絡；該集成神經網絡通過簡單平均的方法將Q個子網絡集為一體，這里的簡單平均方法是指所有子網絡的權重一樣且各權重之和為1；集成神經網絡的子網絡為遞歸模糊神經網絡，該子網絡共5層：輸入層、隸屬函數層、規則層、去模糊化層和輸出層；輸入是選取的輸入變量，輸出是PM_2.5濃度，確定其12-12×J-J-J-1的連接方式，即輸入層神經元數和輸入變量的個數同是12，隸屬函數層神經元數是12×J，規則層神經元數是J，去模糊化層神經元數是J，輸出層神經元數是1；各子網絡的中心、寬度和權值的初始值設定在(0,1)之間，集成神經網絡的輸入表示為r＝[r₁,r₂,…,r₁₂]^T，[r₁,r₂,…,r₁₂]^T是[r₁,r₂,…,r₁₂]的轉置，期望輸出表示為o_p；第k組訓練樣本表示為r(k)＝[r₁(k),r₂(k),…,r₁₂(k)]^T，k＝1,2,…,I，第k組訓練樣本訓練集成神經網絡也即是分別訓練所有的子網絡，這時其中一個子網絡的各層輸出依次為：

①輸入層：該層有12個神經元：

a_i(k)＝r_i(k) (8)

其中，a_i(k)是輸入層第i個神經元的輸出，r_i(k)是該層第i個神經元的輸入變量；

②隸屬函數層：該層選取高斯函數作為隸屬函數對輸入變量進行模糊化處理，隸屬函數層有12*J個神經元，該層第ij個神經元的輸出u_ij(k)為：

其中，a_i(k)是輸入層第i個神經元的輸出，u_ij(k)是隸屬度函數層第ij個神經元的輸出，c_ij(k)，σ_ij(k)分別是遞歸模糊神經網絡的中心和寬度；

③規則層：該層有J個神經元，每個神經元代表一個模糊邏輯規則；同時，將遞歸鏈接引入此層，并將規則層的上一次輸出用作當前次規則層的輸入，且遞歸鏈連接值根據網絡精度是否達到要求自行調整；該層第j個神經元的輸出φ_j(k)為：

其中，u_ij(k)是隸屬度函數層第ij個神經元的輸出，φ_j(k)是規則層第j個神經元的當前次輸出，φ_j(k-1)是規則層第j個神經元的上一次輸出，λ_j(k)是規則層第j個神經元遞歸鏈的連接值；

④去模糊化層：該層神經元數目與規則層相同，該層第j個神經元的輸出為：

其中，φ_j(k)是規則層第j個神經元的輸出；

⑤輸出層：該層有1個神經元，該層的輸出表示子網絡預測輸出y_o(k)，如下式所示：

其中，為去模糊化層第j個神經元的輸出，w_j(k)是去模糊化層第j個神經元與輸出層神經元之間的連接權值；式(8)-式(12)中，i＝1,2,…,12，j＝1,2,…J；

子網絡遞歸模糊神經網絡的訓練均方根誤差(RMSE)為：

其中，o_p(k)和y_o(k)分別是第k組訓練樣本的期望輸出和用第k組訓練樣本訓練子網絡遞歸模糊神經網絡時的網絡輸出，訓練集成神經網絡的目的是使所有子網絡的訓練RMSE達到期望值；

集成神經網絡的輸出o(k)表示預測的PM_2.5濃度，計算如下式所示：

其中，y_ot(k)為集成神經網絡第t個子網絡的輸出，w_t(k)為集成神經網絡第t個子網絡被賦予的權重，該權重由簡單平均方法獲得；式(14)中，t＝1,2,…,Q；

(4)用訓練樣本訓練集成神經網絡，也即是用訓練樣本訓練它的所有子網絡；在訓練過程中，利用自適應學習率的梯度下降算法訓練集成神經網絡各子網絡的中心、寬度、權值和遞歸鏈連接值，直到網絡精度滿足信息處理的需求，具體為：

①選取用于訓練所有子網絡遞歸模糊神經網絡的訓練樣本I，設置最大迭代步數為1000，期望訓練RMSE設定為0.01，自適應學習率η的初始值設定為0.005；

②利用自適應學習率的梯度下降算法訓練給定初始集成神經網絡子網絡，子網絡每產生一組輸出參數更新一次，自適應學習率的梯度下降算法參數調整公式如下：

η＝η_max-h(η_max-η_min)/H (19)

其中，c_ij(k-1)、σ_ij(k-1)、w_j(k-1)和λ_j(k-1)分別是第k-1組訓練樣本訓練集成神經網絡子網絡時網絡的中心、寬度、權值和遞歸鏈連接值，c_ij(k)、σ_ij(k)、w_j(k)和λ_j(k)分別是第k組訓練樣本訓練集成神經網絡子網絡時網絡的中心、寬度、權值和遞歸鏈連接值，E(k-1)為第k-1組訓練樣本訓練集成神經網絡子網絡的訓練誤差平方和，其由計算可得，其中o_p(k-1)和y_o(k-1)分別是第k-1組訓練樣本的期望輸出和用第k-1組訓練樣本訓練集成神經網絡子網絡的輸出，η是自適應學習率,η_max,η_min分別是最大學習率和最小學習率，h是當前迭代步數，H是總迭代步數，自適應學習率η根據式(19)自行調整；

③若在某步訓練過程中，集成神經網絡所有子網絡的訓練RMSE＝0.01或算法迭代了1000步時則停止計算，否則轉向②；

(5)對測試樣本進行檢測；利用測試樣本對訓練好的集成神經網絡進行測試，集成神經網絡的輸出即為PM_2.5的預測結果，根據式(14)計算得到。