[發明專利]在環境空氣預報中基于深度信念網絡的數據融合的方法

在審

• 申請號: 202010835732.8
• 申請日: 2020-08-19
• 公開（公告）號: CN114077883A
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 馬元婧;王寧;李俊雙;祁柏林;王帥;杜毅明;王世海;王興剛;范秋楓
• 申請（專利權）人: 中國科學院沈陽計算技術研究所有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G01N33/00;G01N15/06;G01W1/02
• 代理公司: 沈陽科苑專利商標代理有限公司 21002
• 代理人: 王倩

本發明涉及一種基于深度信念網絡的數據融合在環境空氣預報中應用的方法，該方法首先將監測點位的大氣數據和氣象數據進行預處理，去除缺測值，并對數據進行歸一化處理，然后將處理后的數據輸入深度信念網絡(DBN)進行訓練，得到訓練模型，通過深度信念網絡(DBN)模型對數據進行數據融合，將融合后的數據應用在環境空氣預報中，并將結果返回給用戶。本發明通過深度信念網絡(DBN)進行數據融合的方法，相比于使用D?S證據理論方法，降低了環境空氣預報的誤差，提高了相應的準確性，同時可以實現智能化監測。

技術領域

本發明屬于人工智能和環境科學領域，具體的說是一種基于深度信念網絡的數據融合在環境空氣預報中應用的方法。

背景技術

隨著社會的工業化和現代化的不斷發展，帶來了一系列的環境問題。由于環境與發展的不平衡問題，使得城市的空氣質量問題日益突出，環境空氣預報也變得尤為重要，然而傳統的監測站點只能監測到當前站點的空氣質量數據和氣象數據。由于某些不確定因素以及突然的波動會對監測的數據造成一定的影響。使用數據融合的方法可以把多種來源的數據進行聯合、相關及組合，使數據之間產生一定的關聯性，數據融合方法應用在環境空氣預報上有助于實現科學監測、智慧環保。

因此，本文提出了一種基于深度信念網絡的數據融合在環境空氣預報中應用的方法，與常用的D-S證據理論的數據融合方法相比，降低了環境空氣預報的誤差，提高了相應的準確性。把這種方法應用在環境空氣預報中，可以提高可靠性。

發明內容

在分析基于D-S證據理論的數據融合方法應用在環境空氣預報的結果時發現，6項常規污染物的預報結果與監測站點的數據都有不同程度的偏差，本發明要解決的技術問題是降低環境空氣預報的誤差，提高相應的準確性，使環境空氣預報更具有可靠性。

在環境空氣預報中基于深度信念網絡的數據融合的方法，包括以下步驟：

提取監測點位的大氣數據和氣象數據并去除缺測值；

對處理后的大氣數據和氣象數據分別進行歸一化處理；

將歸一化后的大氣數據和氣象數據輸入到深度信念網絡DBN進行數據融合，訓練深度信念網絡DBN，得到訓練模型；

將融合后的大氣數據和氣象數據應用在環境空氣預報中。

所述大氣數據包括：PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃的濃度數據；所述氣象數據包括溫度、風速、大氣壓強、濕度。

對處理后的大氣數據和氣象數據分別進行歸一化處理具體為：

對監測點位的大氣數據和氣象數據分別進行歸一化處理：使監測點位的大氣數據和氣象數據分別映射在(0,1)范圍內，X_norm表示歸一化后的數據，X表示監測點位監測出的大氣數據或氣象數據的構成的數據集合，X_min表示所述數據集合中的最小值，X_max表示所述數據集合中的最大值，利用如下公式進行歸一化：

深度信念網絡DBN訓練方法包括以下步驟：

采取非監督貪婪法對輸入數據進行逐層預訓練：分別對受限玻爾茲曼機RBM網絡的每一層進行無監督的訓練，初始化其權重偏置，為深度信念網絡DBN提供初始參數；

在DBN的最后一層加上BP神經網絡，輸入數據經過預訓練后通過BP算法依據誤差函數進行反向調節，微調整個DBN。

受限玻爾茲曼機RBM訓練方法的能量函數和聯合概率分布包括：

給定狀態(v,h)，假設有m個可見層神經元和n個隱藏層神經元，可定義如下能量函數：