[發(fā)明專利]一種道路高排放源識(shí)別模型更新方法、終端及存儲(chǔ)介質(zhì)

有效

• 申請?zhí)枺?/td>: 202110150159.1
• 申請日: 2021-02-03
• 公開（公告）號(hào): CN112991765B
• 公開（公告）日: 2022-05-10
• 發(fā)明（設(shè)計(jì)）人: 李澤瑞;康宇;呂文君;昌吉
• 申請（專利權(quán)）人: 合肥綜合性國家科學(xué)中心人工智能研究院（安徽省人工智能實(shí)驗(yàn)室）
• 主分類號(hào): G08G1/048
• 分類號(hào): G08G1/048;G08G1/01;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥天明專利事務(wù)所(普通合伙) 34115
• 代理人: 閆客

1.一種道路高排放源識(shí)別模型更新方法，其特征在于，包括如下步驟：

S1、收集道路排放源的實(shí)時(shí)污染排放數(shù)據(jù)，并將收集的實(shí)時(shí)污染排放數(shù)據(jù)組成數(shù)據(jù)集X，并設(shè)定高排放源識(shí)別模型的最大更新次數(shù)T_upd以及當(dāng)前的更新次數(shù)ζ＝1；

S2、根據(jù)當(dāng)前的更新次數(shù)ζ，將數(shù)據(jù)集構(gòu)建為標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集；

S3、設(shè)定高排放源識(shí)別模型參數(shù)的值以及最大迭代次數(shù)T_iter，并根據(jù)有標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集中的污染排放數(shù)據(jù)，計(jì)算圖拉普拉斯矩陣以及計(jì)算模型隱藏層的輸出；

S4、初始化模型輸出層的權(quán)重為零，并設(shè)定當(dāng)前的迭代次數(shù)ξ＝1；

S5、判斷當(dāng)前的迭代次數(shù)ξ是否小于最大迭代次數(shù)T_iter，若否執(zhí)行步驟S8，若是執(zhí)行步驟S6；

S6、利用有標(biāo)簽數(shù)據(jù)集中的污染排放數(shù)據(jù)、圖拉普拉斯矩陣以及隱藏層的輸出，基于目標(biāo)函數(shù)最小化得到當(dāng)前迭代次數(shù)下模型的輸出層權(quán)重；

S7、判斷是否滿足ε為預(yù)先設(shè)定的閾值，若是則ξ自增1，并執(zhí)行步驟S5，否則執(zhí)行步驟S8；

S8、輸出當(dāng)前迭代次數(shù)下模型的輸出層權(quán)重，得到當(dāng)前的更新次數(shù)下的高排放源識(shí)別模型；

S9、判斷當(dāng)前的更新次數(shù)ζ是否小于最大更新次數(shù)T_upd，若是則執(zhí)行步驟S2，否則執(zhí)行步驟S10；

S10、模型更新過程結(jié)束；

所述步驟S1：收集道路排放源的實(shí)時(shí)污染排放數(shù)據(jù)，并將收集的實(shí)時(shí)污染排放數(shù)據(jù)組成數(shù)據(jù)集，包括如下步驟：

對每個(gè)道路排放源進(jìn)行監(jiān)測并記錄對應(yīng)排放源的編號(hào)，得到實(shí)時(shí)污染排放數(shù)據(jù)N_I為實(shí)時(shí)排放數(shù)據(jù)維度；

將所有收集到的實(shí)時(shí)排放數(shù)據(jù)組成數(shù)據(jù)集其中，N表示X中包含的實(shí)時(shí)排放數(shù)據(jù)總數(shù)，并定義有標(biāo)簽數(shù)據(jù)集定義無標(biāo)簽數(shù)據(jù)集X_u＝X，分別用n_l和n_u表示有標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集X_u中包含的實(shí)時(shí)排放數(shù)據(jù)數(shù)量，當(dāng)前n_l＝0，n_u＝N；

所述步驟S2：根據(jù)當(dāng)前的更新次數(shù)ζ，構(gòu)建標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集，包括如下步驟：

S21、判斷是否滿足ζ1，若否執(zhí)行步驟S22，若是執(zhí)行步驟S23；

S22、采用k-means聚類方法將所述數(shù)據(jù)集X聚為n_e個(gè)簇，并取出每個(gè)簇中距離中心最近的數(shù)據(jù)點(diǎn)，得到n_e條實(shí)時(shí)排放數(shù)據(jù)以構(gòu)成選取數(shù)據(jù)集X_e，然后執(zhí)行步驟S24；

S23、將所述無標(biāo)簽數(shù)據(jù)集X_u輸入所述高排放源識(shí)別模型F^(ζ-1)，得到n_u條實(shí)時(shí)排放數(shù)據(jù)的預(yù)測排放結(jié)果和置信度，根據(jù)n_u條實(shí)時(shí)排放數(shù)據(jù)的預(yù)測排放結(jié)果和置信度構(gòu)建選取數(shù)據(jù)集X_e，然后執(zhí)行步驟S24；

S24、根據(jù)選取數(shù)據(jù)集X_e，構(gòu)建當(dāng)前選取的有標(biāo)簽數(shù)據(jù)集

S25、令X_u＝X_u-X_e，n_l＝n_l+n_e，n_u＝n_u-n_e；

其中，所述根據(jù)n_u條實(shí)時(shí)排放數(shù)據(jù)的預(yù)測排放結(jié)果和置信度構(gòu)建選取數(shù)據(jù)集X_e，包括：

將所述n_u條實(shí)時(shí)排放數(shù)據(jù)按照預(yù)測排放結(jié)果分為預(yù)測排放結(jié)果為超標(biāo)的數(shù)據(jù)和預(yù)測排放結(jié)果為正常的數(shù)據(jù)；

將預(yù)測排放結(jié)果為超標(biāo)的數(shù)據(jù)和預(yù)測排放結(jié)果為正常的數(shù)據(jù)分別按置信度從低到高排列，并分別取每部分里的前條數(shù)據(jù)，共取出n_e條數(shù)據(jù)構(gòu)成所述選取數(shù)據(jù)集X_e；

所述根據(jù)選取數(shù)據(jù)集X_e，構(gòu)建當(dāng)前選取的有標(biāo)簽數(shù)據(jù)集包括：

對所述選取數(shù)據(jù)集X_e中實(shí)時(shí)污染排放數(shù)據(jù)對應(yīng)的排放源在排放檢測機(jī)構(gòu)進(jìn)行排放監(jiān)測，得到對應(yīng)的排放源排放是否超標(biāo)的真實(shí)結(jié)果，構(gòu)建排放結(jié)果向量其第i個(gè)元素表示第i條實(shí)時(shí)排放數(shù)據(jù)的排放結(jié)果是否超標(biāo)，為1則表示超標(biāo)，否則表示正常，i＝1,2,…,n_e；

利用n_e條實(shí)時(shí)污染排放數(shù)據(jù)X_e與其對應(yīng)的排放結(jié)果向量Y_e形成當(dāng)前選取的有標(biāo)簽數(shù)據(jù)集其中表示X_e中第i條實(shí)時(shí)排放數(shù)據(jù)，表示其對應(yīng)的排放結(jié)果，i＝1,2,…,n_e；

所述根據(jù)有標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集中的污染排放數(shù)據(jù)，計(jì)算圖拉普拉斯矩陣以及計(jì)算模型隱藏層的輸出，包括：

利用所述有標(biāo)簽數(shù)據(jù)集和無標(biāo)簽數(shù)據(jù)集中的污染排放數(shù)據(jù)，計(jì)算相似性矩陣A；

計(jì)算圖拉普拉斯矩陣L＝D-A，其中D為一個(gè)對角矩陣；

隨機(jī)生成所述高排放源識(shí)別模型的隱藏層神經(jīng)元的權(quán)重和偏置，并根據(jù)隱藏層神經(jīng)元的權(quán)重和偏置計(jì)算隱藏層的輸出H；

所述利用有標(biāo)簽數(shù)據(jù)集中的污染排放數(shù)據(jù)、圖拉普拉斯矩陣以及隱藏層的輸出，基于目標(biāo)函數(shù)最小化得到當(dāng)前迭代次數(shù)下模型的輸出層權(quán)重，包括：

計(jì)算所述有標(biāo)簽數(shù)據(jù)集中污染排放數(shù)據(jù)的預(yù)測誤差e_j；

根據(jù)預(yù)測誤差e_j計(jì)算N維對角矩陣Λ，第j個(gè)元素c表示高斯核函數(shù)的中心，j＝1,2,…,n_l；

利用N維對角矩陣Λ、圖拉普拉斯矩陣以及隱藏層的輸出，基于目標(biāo)函數(shù)最小化得到當(dāng)前迭代次數(shù)下模型的輸出層權(quán)重β^(ξ)；

所述目標(biāo)函數(shù)為：

其中，‖β‖_F表示β的Frobenius范數(shù)，ρ、λ分別為對應(yīng)兩項(xiàng)的權(quán)衡系數(shù)，表示一個(gè)函數(shù)，L為圖拉普拉斯矩陣，H為隱藏層的輸出，表示寬度為σ_q的高斯核函數(shù)，γ_q表示第q個(gè)高斯核函數(shù)的權(quán)重，ψ為一個(gè)常數(shù)，0≤γ_q≤1。