[發(fā)明專利]基于BP神經(jīng)網(wǎng)絡(luò)的IP指標(biāo)測(cè)量方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210380622.6
• 申請(qǐng)日: 2022-04-12
• 公開（公告）號(hào): CN114814092A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 柳爽;谷占昊;王海峰;孫啟新;李寬
• 申請(qǐng)（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 主分類號(hào): G01N33/00
• 分類號(hào): G01N33/00;G06N3/08
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

本發(fā)明公開一種基于BP神經(jīng)網(wǎng)絡(luò)的IP指標(biāo)測(cè)量方法，基于BP神經(jīng)網(wǎng)絡(luò)模型，采用神經(jīng)網(wǎng)絡(luò)迭代優(yōu)化算法，通過(guò)引入與IP指標(biāo)相關(guān)性的輔助變量作為輸入層，所述隱藏層為迭代優(yōu)化運(yùn)算法則，激活函數(shù)是其根據(jù)相關(guān)關(guān)系定義，輸出層是預(yù)測(cè)IP指標(biāo)值。本發(fā)明選擇與IP指標(biāo)在理論上具有相關(guān)關(guān)系的輔助變量。相較于傳統(tǒng)的監(jiān)測(cè)方式，通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算預(yù)測(cè)IP指標(biāo)，具有更快的運(yùn)算速度和更高的精度。在輔助標(biāo)量中SO₂、NO₂和O₃的濃度以及風(fēng)速和濕度對(duì)IP指標(biāo)的影響中，風(fēng)速濕度可以采用連續(xù)監(jiān)測(cè)。通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型，采用迭代優(yōu)化運(yùn)算法則，預(yù)測(cè)IP指標(biāo)，降低對(duì)設(shè)備標(biāo)準(zhǔn)的要求以及設(shè)備的維護(hù)成本，且提高了對(duì)空氣質(zhì)量監(jiān)測(cè)時(shí)效性，對(duì)環(huán)境變化做出更及時(shí)的反應(yīng)。

技術(shù)領(lǐng)域

本發(fā)明涉及空氣監(jiān)測(cè)領(lǐng)域，尤其涉及一種基于BP神經(jīng)網(wǎng)絡(luò)的IP指標(biāo)測(cè)量方法。

背景技術(shù)

隨著工業(yè)進(jìn)程不斷加快，空氣質(zhì)量問(wèn)題在環(huán)境問(wèn)題日益嚴(yán)重的當(dāng)下備受關(guān)注，居民對(duì)和身體健康密切相關(guān)的環(huán)境問(wèn)題的關(guān)注度不斷提高，同時(shí)，工業(yè)化和城鎮(zhèn)化的發(fā)展導(dǎo)致空氣污染的范圍不斷擴(kuò)散、程度不斷加深。環(huán)境惡化和人民需求標(biāo)準(zhǔn)上升之間的矛盾，為空氣凈化處理及相關(guān)行業(yè)提供了廣闊的發(fā)展空間。空氣監(jiān)測(cè)是環(huán)境質(zhì)量評(píng)估、資源管理與保護(hù)的重要基礎(chǔ)，對(duì)空氣質(zhì)量進(jìn)行在線自動(dòng)監(jiān)測(cè)已經(jīng)成為相關(guān)部門及時(shí)獲得連續(xù)性的監(jiān)測(cè)數(shù)據(jù)的有效手段。隨著我國(guó)空氣質(zhì)量自動(dòng)檢測(cè)站建設(shè)的快速推進(jìn)，全國(guó)性的空氣環(huán)境進(jìn)入網(wǎng)格化管理階段，由此凸顯了有害排放對(duì)于空氣污染的嚴(yán)峻形勢(shì)。

在空氣質(zhì)量監(jiān)測(cè)中，IP指標(biāo)的高低能夠在很大程度上反映出空氣質(zhì)量的優(yōu)劣等級(jí)，因此要實(shí)現(xiàn)對(duì)IP指標(biāo)的實(shí)時(shí)監(jiān)測(cè)。而對(duì)于IP指標(biāo)的檢測(cè)，從檢測(cè)原理上線檢測(cè)儀主要有微量震蕩天平法、β射線收集法和重量法三大類。

以上測(cè)定IP指標(biāo)的方法均是以物理法為基礎(chǔ)，通過(guò)改變收集方式等來(lái)優(yōu)化IP指標(biāo)的測(cè)定，但是仍無(wú)法避免其存在二次污染、資源浪費(fèi)、設(shè)備昂貴、維護(hù)成本高的缺點(diǎn)，并且上述方法無(wú)法實(shí)現(xiàn)對(duì)空氣質(zhì)量實(shí)時(shí)的動(dòng)態(tài)監(jiān)測(cè)，因此對(duì)于能夠?qū)崿F(xiàn)對(duì)IP指標(biāo)連續(xù)性的實(shí)時(shí)監(jiān)測(cè)裝置是非常有必要性的。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于BP神經(jīng)網(wǎng)絡(luò)的IP指標(biāo)測(cè)量方法，包含輸入層、隱藏層和輸出層組成的網(wǎng)絡(luò)算法模型，其特征在于所述輸入層為與IP指標(biāo)有相關(guān)關(guān)系的輔助變量，所述隱藏層為神經(jīng)網(wǎng)絡(luò)迭代優(yōu)化算法，所述輸出層為IP指標(biāo)預(yù)測(cè)值，所述基于BP神經(jīng)網(wǎng)絡(luò)的IP指標(biāo)測(cè)量方法包括以下步驟：

步驟一，采集空氣的測(cè)試樣本數(shù)據(jù)，測(cè)定IP指標(biāo)的測(cè)量值，獲取與IP指標(biāo)相關(guān)的SO₂、NO₂、O₃的濃度、風(fēng)速和濕度的輔助變量；

步驟二，構(gòu)建所述神經(jīng)網(wǎng)絡(luò)算法模型，步驟如下：

(1)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，讀取測(cè)試樣本數(shù)據(jù)，從測(cè)試樣本數(shù)據(jù)中隨機(jī)選取訓(xùn)練集和測(cè)試集，然后進(jìn)行歸一化；

(2)根據(jù)相關(guān)關(guān)系定義激活函數(shù)；

(3)初始化隱藏層中每個(gè)所述激活函數(shù)的權(quán)重；

(4)編寫擬合函數(shù)，將所述測(cè)試樣本數(shù)據(jù)中的部分?jǐn)?shù)據(jù)輸入，求出IP指標(biāo)的輸出值，并根據(jù)IP指標(biāo)的輸出值與IP指標(biāo)的測(cè)量值之間的絕對(duì)誤差，更新激活函數(shù)的權(quán)重和參數(shù)，直到IP指標(biāo)的輸出值與IP指標(biāo)的測(cè)量值之間的誤差滿足設(shè)定的閾值，將迭代調(diào)整的最終權(quán)重值與參數(shù)作為所述網(wǎng)絡(luò)算法模型的權(quán)重值與參數(shù)；

(5)根據(jù)最終權(quán)重值與參數(shù)，對(duì)所述測(cè)試樣本數(shù)據(jù)編寫計(jì)算所述IP指標(biāo)預(yù)測(cè)值的函數(shù)；

(6)根據(jù)計(jì)算預(yù)測(cè)值的函數(shù)，對(duì)所述測(cè)試樣本數(shù)據(jù)中的剩余部分進(jìn)行IP指標(biāo)的預(yù)測(cè)，以得到預(yù)測(cè)得到的數(shù)據(jù)，預(yù)測(cè)標(biāo)準(zhǔn)為所述IP指標(biāo)的預(yù)測(cè)值與所述輔助變量去無(wú)量綱化數(shù)據(jù)之間的最優(yōu)擬合函數(shù)；

(7)將預(yù)測(cè)得到的數(shù)據(jù)還原成原始值。