[發(fā)明專利]基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的GA-SVM預(yù)警模型系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110890980.7
• 申請日: 2021-08-04
• 公開（公告）號: CN113487114A
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計）人: 陸悅悅;徐繼耀;曾英勇;戴袁園;孟子筠
• 申請（專利權(quán)）人: 安徽理工大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/04;G06F16/2458;G06F16/215;G06F16/25;G06K9/62;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的SVM預(yù)警模型系統(tǒng)，其特征在于，該系統(tǒng)包括：工業(yè)生態(tài)環(huán)境原始數(shù)據(jù)采集層，用于采集工業(yè)生產(chǎn)過程中所排放的污染物原始數(shù)據(jù)；工業(yè)污染物數(shù)據(jù)采集層是融合了先進的傳感器技術(shù)、單片機開發(fā)和NB-IoT技術(shù)；傳感器技術(shù)是針對工業(yè)污染物的對象不同選取特定的傳感器；單片機開發(fā)是對傳感器采集的工業(yè)污染物原始數(shù)據(jù)進行匯總并傳輸至NB-IoT通信模塊；NB-IoT技術(shù)則將匯總的工業(yè)污染物原始數(shù)據(jù)進行傳送；原始數(shù)據(jù)傳輸層，建立NB-IoT通信模塊與原始數(shù)據(jù)運用層的聯(lián)系媒介；原始數(shù)據(jù)運用層，用于接收工業(yè)污染原始數(shù)據(jù)，經(jīng)數(shù)據(jù)服務(wù)中心解析后，構(gòu)建GA-SVM預(yù)警模型，利用遺傳算法獲取SVM的最優(yōu)參數(shù)組合，并對模型進行評估，最終給出對工業(yè)生態(tài)環(huán)境的預(yù)測預(yù)警。

2.根據(jù)權(quán)利要求1所述的基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的GA-SVM預(yù)警模型系統(tǒng)，其特征在于，工業(yè)生態(tài)環(huán)境原始數(shù)據(jù)采集層是運用傳感器技術(shù)針對特定的監(jiān)測對象選取不同的傳感器采集相應(yīng)的原始數(shù)據(jù)；單片機開發(fā)采用STM32核心芯片為數(shù)據(jù)匯總模塊，并與NB-IoT技術(shù)建立通信連接；NB-IoT技術(shù)是無線電通信協(xié)議，可與網(wǎng)絡(luò)運營商的基礎(chǔ)設(shè)備建立通信。

3.根據(jù)權(quán)利要求1所述的基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的GA-SVM預(yù)警模型系統(tǒng)，其特征在于，原始數(shù)據(jù)傳輸層，建立NB-IoT通信模塊與數(shù)據(jù)運用層的聯(lián)系媒介。

4.根據(jù)權(quán)利要求1所述的基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的SVM預(yù)警模型系統(tǒng)，其特征在于，原始數(shù)據(jù)運用層，用于接收工業(yè)污染原始數(shù)據(jù)，經(jīng)數(shù)據(jù)服務(wù)中心解析后，將原始數(shù)據(jù)進行預(yù)處理；構(gòu)建模型訓(xùn)練集和預(yù)測集并輸入SVM模型中形成SVM的初始模型；并在此基礎(chǔ)上運用遺傳算法優(yōu)化SVM初始模型，將遺傳算法適應(yīng)度定標(biāo)，通過選擇交叉變異等操作確定GA-SVM預(yù)警模型最優(yōu)懲罰系數(shù)C、最優(yōu)不敏感系數(shù)ε以及高斯徑向基核函數(shù)的最優(yōu)gamma參數(shù)。

5.根據(jù)權(quán)利要求4所述的基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的GA-SVM預(yù)警模型系統(tǒng)，其特征在于，采集與工業(yè)污染相關(guān)的污染數(shù)據(jù)構(gòu)建原始數(shù)據(jù)集，并對數(shù)據(jù)集進行預(yù)處理，具體包括如下內(nèi)容：

數(shù)據(jù)清洗：通過多項式擬合等方法來去除原數(shù)據(jù)中的離群點并進行缺省值填充。

數(shù)據(jù)集成：整理合并多個數(shù)據(jù)源中的數(shù)據(jù)。

數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)歸約：通過數(shù)據(jù)形式轉(zhuǎn)換和規(guī)約處理，以提高后期數(shù)據(jù)挖掘的質(zhì)量和效率。

6.根據(jù)權(quán)利要求4所述的基于NB-IoT工業(yè)生態(tài)環(huán)境監(jiān)測的GA-SVM預(yù)警模型系統(tǒng)，其特征在于，構(gòu)建一個SVM的初始模型，通過訓(xùn)練序列發(fā)生器產(chǎn)生偽隨機序列作為訓(xùn)練集，構(gòu)建模型目標(biāo)函數(shù)，計算得到一個最優(yōu)超平面，具體包括如下內(nèi)容：

歸一化處理。對樣本數(shù)據(jù)進行預(yù)處理，對建立的訓(xùn)練樣本和測試樣本進行歸一化處理，消除原始變量之間的量綱差異，形成新的樣本集矩陣。隨機選取歸一化處理好的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，并對其進行分類，利用平均數(shù)方差法對工業(yè)污染數(shù)據(jù)進行歸一化處理，其中x_mean為數(shù)據(jù)序列的均值，x_var為數(shù)據(jù)的方差，公式如下：

構(gòu)建特征向量。設(shè)訓(xùn)練樣本數(shù)據(jù)集為其中y_i表示樣本所屬類別，為訓(xùn)練數(shù)據(jù)集構(gòu)建特征向量形成一個線性數(shù)據(jù)集生成目標(biāo)函數(shù)。根據(jù)線性數(shù)據(jù)集中的集合形成一個最優(yōu)超平面，構(gòu)造n個函數(shù)集且滿足不等式使得樣本被準(zhǔn)確分開，從而目標(biāo)函數(shù)取得最小值。

誤差調(diào)整。引入不敏感損失函數(shù)ε，忽略對真實值上下范圍內(nèi)的誤差，由此線性函數(shù)目標(biāo)化為：約束條件變?yōu)槭街械谝豁検购瘮?shù)平坦化，提升模型的泛化能力，第二項提升模型的精確度，常數(shù)項C既為提升精確度又保證一定的泛化能力做出平衡。

通過拉格朗日對偶原理得回歸方程。引入拉格朗日函數(shù)分別對b,ε,ε^*最小化，對α,α^*,γ,γ^*最大化，得：

將上式代入拉格朗日函數(shù)，得最優(yōu)化的對偶形式：

其約束為：

在上式條件下的約束最大化函數(shù)為：

此時：

由KTT定理即可得規(guī)則函數(shù)