CN107656905A - 一种利用误差传递的空气质量数据实时校准方法 - Google Patents
一种利用误差传递的空气质量数据实时校准方法 Download PDFInfo
- Publication number
- CN107656905A CN107656905A CN201710789191.8A CN201710789191A CN107656905A CN 107656905 A CN107656905 A CN 107656905A CN 201710789191 A CN201710789191 A CN 201710789191A CN 107656905 A CN107656905 A CN 107656905A
- Authority
- CN
- China
- Prior art keywords
- data
- error
- national standard
- model
- calibration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用误差传递的空气质量数据实时校准方法,其特征在于:首先初始化模型,然后采集最近时间段的国标数据和卓易设备数据,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;其次,对国标插值数据及卓易设备数据进行基于Bagging模型的建模;接着,基于上次模型的误差,对本次Bagging模型输出的结果进行数据校准,得到校准值;最后等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差,并将误差传递给下一个模型。本方法通过对宜兴的实测数据进行模型验证,本方法能够有效的提高低精度设备的精度和准确率,能够进行区域部署,应用于实际生产环境。
Description
技术领域
本发明属于空气质量数据实时校准方法技术领域,具体涉及一种利用误差传递的空气质量数据实时校准方法。
背景技术
随着我国工业化的发展,环境污染问题也日益严重。近年来,我国对环境问题逐步重视,我国环境污染程度逐步降低,但与发达国家相比仍差距很大。目前,监测空气环境质量是控制空气环境污染的一种有效手段。通过对工业区的空气质量进行实时监测,能够有效地监控企业的污染排放程度,严格控制空气质量环境。但是目前高精度高准确率的空气质量监测站使用的传感器成本较大,且实时性较低。江苏卓易信息科技股份有限公司自主研发了一种基于ARM架构的嵌入式设备(以下简称卓易设备),使用了成本和国家监测站相比较低的便携式传感器,能够准实时地监测空气环境质量。但是卓易设备精度和国家监测站相比较低,且准确率不高,存在一定的错误率。
基于机器学习的设备校准方法能够有效地对设备进行校准,提高设备的精度和准确度。文献1[Ma T T.P–Q decoupled control schemes using fuzzy neural networksfor the unified power flow controller[J].International Journal of ElectricalPower&Energy Systems,2007,29(10):748-758.]提出了一种基于模糊神经网络的在线校准方法运用于工业控制,文献2[Li C,Liu K,Wang H.The incremental learningalgorithm with support vector machine based on hyperplane-distance[J].AppliedIntelligence,2011,34(1):19-27.]提出了一种支持向量机的在线训练方法,能够实现增量样本的学习。但是文献1、2的方法构建的模型有效时间较短,无法长时间学习,而重新构建支持向量机或神经网络的时间复杂度较高,计算时间较长。文献3[Breiman L.Baggingpredictors[J].Machine learning,1996,24(2):123-140.]提出了一种集成学习算法——Bagging算法,能够集成多种机器学习算法,组成一个功能更强大的机器学习模型。文献4[Prasad AM,Iverson L R,Liaw A.Newer classification and regression treetechniques:bagging and random forests for ecological prediction[J].Ecosystems,2006,9(2):181-199.]提出了基于Bagging算法的回归树模型,能够对连续型数值进行回归分析,并且具有较低的时间复杂度。但是文献3、4的机器学习方法生成的模型是独立的模型,均不能满足使用需求。
发明内容
发明目的:针对现有技术中存在的不足,本发明的目的是提供一种利用误差传递的空气质量数据实时校准方法,能够有效的提高低精度设备的精度和准确率,能够进行区域部署。
技术方案:为实现上述发明目的,本发明采用的技术方案是:
一种利用误差传递的空气质量数据实时校准方法:首先初始化模型,然后采集最近时间段的国标数据和卓易设备数据,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;其次,对国标插值数据及卓易设备数据进行基于Bagging模型的建模;接着,基于上次模型的误差,对本次Bagging模型输出的结果进行数据校准,得到校准值;最后等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差,并将误差传递给下一个模型。
所述的利用误差传递的空气质量数据实时校准方法,具体过程如下:
1)建立模型,通过多次实验的方法初始化模型参数,初始化误差error为0,每次建模使用的训练数据集大小m为30000条,误差影响率alpha为0.9,每次校准的数据量n为8;
2)实时采集最近时间段的国标数据和卓易设备数据,并保存至实时数据库,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;其中,克里金插值采用普通克里金法;
3)对国标插值数据及卓易设备数据进行基于Bagging模型的建模;其中,Bagging模型使用基于回归树的Bagging模型,回归树时间复杂度为O(m*logm),其中m为训练集大小;
4)使用误差传递的方法,基于上次模型的误差,对本次Bagging模型输出的结果进行数据实时校准,得到校准值;
5)等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差。继续执行步骤2),并将误差传递给下一个模型。
步骤2)中,普通克里金法使用空间上已知的点来估计未知的点,如式(1)所示:
其中,Y′n+1为估计值,其真实值为Yn+1,且满足估计值与真实值之间的经验均方误差最小和无偏估计两个条件,即满足式(2)和式(3)
E(Y′n+1-Yn+1)=0 (3)
使用拉格朗日方法求得估计值Y′n+1。
步骤3)中,Bagging模型:对训练集进行多次随机抽样,生成多个训练子集,并对每个训练子集使用回归树的方法进行建模,最后使用投票的方式,对多个回归树模型进行组合,形成了Bagging校准模型。
步骤4)中,数据实时校准方法的基本过程为:
(1)从步骤2)的实时数据库读入时间上最近的一个数据集;
(2)使用步骤3)的Bagging模型得到得到下个时间段n个数据的校准值;;
(3)根据拉依达准则去除n个校准值中的误差值,并对结果取均值average;
(4)更新校准值为average+alpha*error,以该结果作为该时间段的测量均值;
所述的拉依达准则假设一组测量数据只含有随机误差,对这组数据进行计算得到标准偏差,然后按一定概率确定一个区间,如果数据在该区间之外,则该数据属于粗大误差而不是随机误差,应被剔除;即对一组测量值X1,X2….Xn,其均值为μ,标准偏差为σ;若Xi满足式(4),则认为Xi为误差应被剔除;
|Xi-μ|>I*σ (4)
式(4)参数I被初始化为3。
步骤5)中,等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差为:国标均值-测量均值。
有益效果:与现有技术相比,本发明的一种利用误差传递的空气质量数据实时校准的方法,用于校准空气流动速度平缓的环境下的空气参数数据,为每次空气质量数据的校准建立一个Bagging模型,并考虑到空气质量环境的时间序列相关性,在基于回归树的Bagging算法的基础上,通过模型误差将各个模型相关起来,能够实现空气质量数据的实时校准。本方法考虑在空气流动速度平缓状态下,空气质量数据在时间上具有连续性,设备误差也具有连续性,每次使用最近时间段的历史数据作为训练数据,并计算模型误差,使用上一个模型的误差来校准下一个模型的数据。通过对宜兴的实测数据进行模型验证,本方法能够有效的提高低精度设备的精度和准确率,能够进行区域部署,应用于实际生产环境,具有很好的实用性。
附图说明
图1是方法总体流程示意图;
图2是Bagging模型示意图;
图3是空气质量数据实时校准流程图。
具体实施方式
下面结合实施例对本发明作进一步说明。
实施例1
本实施例的样区为江苏省宜兴市。宜兴市北纬31°07′~31°37′,东经119°31′~120°03′,处于江苏省、安徽省、浙江省三省交界之处,东面与太湖水面相连。宜兴市具有两个国家监测站点,分别为宜园和宜兴市环保局。本实施例使用2017年6月1日至2017年7月31日的宜园监测站数据作为标准数据,分别对卓易设备采集的PM2.5、PM10、SO2、CO、NO、O3共6个空气参数进行数据校准。卓易设备使用美国SPEC公司生产的3SP系列传感器,通过电化学方法测量SO2、CO、NO、O3共4个参数,使用济南诺方电子技术有限公司生产的SDS018传感器,通过光散射法测量PM2.5、PM10共2个参数。卓易设备使用的传感器具有采样频率高,成本低,精度及准确率低等特点。卓易设备采样频率为15秒每次,除了6个空气参数,还可采集温度、湿度、光照强度等多个指标。本实施例对宜园国标数据进行克里金插值,得到时间间隔为15秒的国标插值数据,使用国标插值数据作为模型学习的样本数据,对卓易设备采集的6个空气参数进行数据校准。
利用误差传递的空气质量数据实时校准方法,其流程示意图见图1所示。首先初始化模型,然后采集最近时间段的国标数据和卓易设备数据,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;其次,对国标插值数据及卓易设备数据进行基于Bagging模型的建模;接着,基于上次模型的误差,对本次Bagging模型输出的结果进行数据校准,得到校准值;最后等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差,并将误差传递给下一个模型。具体过程如下:
步骤1)建立模型,通过多次实验的方法初始化模型参数,初始化误差error为0,每次建模使用的训练数据集大小m为30000条,误差影响率alpha为0.9,每次校准的数据量n为8;
步骤2)实时采集最近时间段的国标数据和卓易设备数据,保存至实时数据库,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;
克里金插值方法是空间地理学中常用的一种优化插值方法。针对传统的反距离插值法,克里金插值方法引进了以距离为变量的半变差函数,解决了描述空间关联程度不够准确等问题,能够更有效准确的完成插值。克里金插值方法主要分为普通克里金法和泛克里金法。普通克里金法是是目前使用最广泛的方法,是针对单个变量的局部线性最优无偏估计的方法。本文针对单个变量进行插值,因此使用普通克里金法[Van Beers W C M,Kleijnen J P C.Kriging interpolation in simulation:a survey[C]//SimulationConference,2004.Proceedings of the 2004Winter.IEEE,2004,1.]。
普通克里金法使用空间上已知的点来估计未知的点,如式(1)所示:
其中,Y′n+1为估计值,其真实值为Yn+1,且满足估计值与真实值之间的经验均方误差(Empirical Integrated Mean SquaredError,EIMSE)最小和无偏估计两个条件,即满足式(2)和式(3)
E(Y′n+1-Yn+1)=0 (3)
使用拉格朗日方法可以求得估计值Y′n+1。
步骤3)对国标插值数据及卓易设备数据进行基于Bagging模型的建模;
Bagging模型如图2所示:对训练集进行多次随机抽样,生成多个训练子集,并对每个训练子集使用回归树的方法进行建模,最后使用投票的方式,对多个回归树模型进行组合,形成了Bagging校准模型。
本实施例使用基于回归树的Bagging模型,回归树时间复杂度为O(n*logn),其中n为训练集大小。经实验测试,计算时间较短,能够满足实时计算的要求。
步骤4)基于上次模型的误差,对本次Bagging模型输出的结果进行数据实时校准,得到校准值;
空气质量数据实时校准方法的流程图如图3所示,其基本过程为:
(1)使用步骤1)中初始化的模型参数,初始化误差error为0,每次建模使用的训练数据集大小m为30000条,误差影响率alpha为0.9,每次校准的数据量n为8;
(2)从步骤2)中的实时数据库读入时间上最近的一个数据集;
(3)使用步骤3)中的Bagging校准模型得到下个时间段n个数据的校准值;
(4)根据拉依达准则去除n个数据中的误差值,并对结果取均值average;
(5)更新校准值为average+alpha*error,以该结果作为该时间段的测量均值;
(6)根据步骤5)的方法来更新误差值error。
其中拉依达准则是一种去除误差的方法。拉依达准则假设一组测量数据只含有随机误差,对这组数据进行计算得到标准偏差,然后按一定概率确定一个区间,如果数据在该区间之外,则该数据属于粗大误差而不是随机误差,应被剔除。即对一组测量值X1,X2….Xn,其均值为μ,标准偏差为σ。若Xi满足式(4),则认为Xi为误差应被剔除。
|Xi-μ|>I*σ (4)
式(4)参数I被初始化为3。
步骤5)等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差为:国标均值-测量均值,并将误差传递给下一个模型。
本实施例实时校准的方法适用于空气流动速度平缓的环境中。在该环境中,空气质量数据变化较平缓,因此可以使用均值来代表一段时间(约2-5分钟)的测量值。本实施例的卓易设备的测量误差与空气环境相关,在空气流动速度平缓的环境中,误差变化也较为平缓,因此可以根据上一个模型的误差来修正下一个模型的校准值。最终实验证明,该方法能够有效的降低卓易设备误差,提高卓易设备的准确率。
本实施例对2017年6月、7月两个月的数据进行校准,结果如表1所示:
表1.空气质量数据实时校准结果分析
结果表明,使用了本发明的实时校准方法之后,总体误差得到了有效的控制,全部控制在10%以内。其中PM2.5,PM10,NO三个参数校准后结果较好,Bagging模型的拟合优度较高,均在95%以上,最终个体误差基本控制在20%以内,总体误差在5%以内。SO2,CO,O3三个参数使用Bagging模型校准后的结果一般,模型拟合优度在85%以下,但是在加入拉依达准则及误差传递修正两种方法之后,个体误差基本控制在50%以内,且大部分误差控制在20%以内。其中对CO的校准结果尤为明显,个体误差均落在20%以内,总体误差为0.025%。
Claims (6)
1.一种利用误差传递的空气质量数据实时校准方法,其特征在于:首先初始化模型,然后采集最近时间段的国标数据和卓易设备数据,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;其次,对国标插值数据及卓易设备数据进行基于Bagging模型的建模;接着,基于上次模型的误差,对本次Bagging模型输出的结果进行数据校准,得到校准值;最后等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差,并将误差传递给下一个模型。
2.根据权利要求1所述的利用误差传递的空气质量数据实时校准方法,其特征在于,具体过程如下:
1)建立模型,使用多次实验的方法确定模型参数;
2)采集最近时间段的国标数据和卓易设备数据,并对采集的国标数据进行克里金插值,得到采样频率与卓易设备相等的国标插值数据;其中,克里金插值采用普通克里金法;
3)对国标插值数据及卓易设备数据进行基于Bagging模型的建模;其中,Bagging模型使用基于回归树的Bagging模型,回归树时间复杂度为O(n*logn),其中n为训练集大小;
4)基于上次模型的误差,对本次Bagging模型输出的结果进行数据实时校准,得到校准值;
5)等待最新国标数据的采集,并根据新采集的国标数据,来更新校准误差,继续执行步骤2),并将误差传递给下一个模型。
3.根据权利要求2所述的利用误差传递的空气质量数据实时校准方法,其特征在于,步骤2)中,普通克里金法使用空间上已知的点来估计未知的点,如式(1)所示:
<mrow>
<msubsup>
<mi>Y</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,Y′n+1为估计值,其真实值为Yn+1,且满足估计值与真实值之间的经验均方误差最小和无偏估计两个条件,即满足式(2)和式(3)
<mrow>
<mi>E</mi>
<mi>I</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>Y</mi>
<mi>i</mi>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
E(Y′n+1-Yn+1)=0 (3)
使用拉格朗日方法求得估计值Y′n+1。
4.根据权利要求2所述的利用误差传递的空气质量数据实时校准方法,其特征在于,步骤3)中,Bagging模型:对训练集进行多次随机抽样,生成多个训练子集,并对每个训练子集使用回归树的方法进行建模,最后使用投票的方式,对多个回归树模型进行组合,形成了Bagging校准模型。
5.根据权利要求2所述的利用误差传递的空气质量数据实时校准方法,其特征在于,步骤4)与步骤5)中,数据实时校准方法的基本过程为:
(1)初始化误差error为0,数据集大小m为30000条,误差影响率alpha为0.9,每次校准的数据量n为8;
(2)从数据库读入时间上最近的一个数据集;
(3)使用Bagging模型得到下个时间段n个数据的校准值;
(4)根据拉依达准则去除n个数据中的误差值,并对结果取均值average;
(5)更新校准值为average+alpha*error,以该结果作为该时间段的测量均值;
(6)将结果与国标值比较,更新误差为:国标均值-测量均值;继续执行(2)。
6.根据权利要求5所述的利用误差传递的空气质量数据实时校准方法,其特征在于,步骤(4)中,所述的拉依达准则假设一组测量数据只含有随机误差,对这组数据进行计算得到标准偏差,然后按一定概率确定一个区间,如果数据在该区间之外,则该数据属于粗大误差而不是随机误差,应被剔除;即对一组测量值X1,X2….Xn,其均值为μ,标准偏差为σ;若Xi满足式(4),则认为Xi为误差应被剔除;
|Xi-μ|>I*σ (4)
式(4)参数I被初始化为3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789191.8A CN107656905B (zh) | 2017-09-05 | 2017-09-05 | 一种利用误差传递的空气质量数据实时校准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789191.8A CN107656905B (zh) | 2017-09-05 | 2017-09-05 | 一种利用误差传递的空气质量数据实时校准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107656905A true CN107656905A (zh) | 2018-02-02 |
CN107656905B CN107656905B (zh) | 2022-02-08 |
Family
ID=61129119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710789191.8A Active CN107656905B (zh) | 2017-09-05 | 2017-09-05 | 一种利用误差传递的空气质量数据实时校准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107656905B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613183A (zh) * | 2019-01-03 | 2019-04-12 | 北京英视睿达科技有限公司 | 低精度监测设备数据的修定方法及*** |
CN112528566A (zh) * | 2020-12-18 | 2021-03-19 | 江西理工大学南昌校区 | 基于AdaBoost训练模型的空气质量数据实时校准方法及*** |
CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697964A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种随机森林算法结合激光诱导击穿光谱定量分析钢铁中硫磷的方法 |
CN105548946A (zh) * | 2015-12-09 | 2016-05-04 | 北京市计量检测科学研究院 | 针对智能电能表的计量误差的多准则筛查方法和装置 |
CN106714336A (zh) * | 2016-10-25 | 2017-05-24 | 南京邮电大学 | 一种基于改进克里金算法的无线传感网温度监测方法 |
-
2017
- 2017-09-05 CN CN201710789191.8A patent/CN107656905B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697964A (zh) * | 2015-03-10 | 2015-06-10 | 西北大学 | 一种随机森林算法结合激光诱导击穿光谱定量分析钢铁中硫磷的方法 |
CN105548946A (zh) * | 2015-12-09 | 2016-05-04 | 北京市计量检测科学研究院 | 针对智能电能表的计量误差的多准则筛查方法和装置 |
CN106714336A (zh) * | 2016-10-25 | 2017-05-24 | 南京邮电大学 | 一种基于改进克里金算法的无线传感网温度监测方法 |
Non-Patent Citations (4)
Title |
---|
ANANTHA M. PRASAD 等: "Newer Classification and Regression Tree Techniques: Bagging and Random Forests for Ecological Prediction", 《ECOSYSTEMS》 * |
WIM C.M. VAN BEERS 等: "KRIGING INTERPOLATION IN SIMULATION: A SURVEY", 《WIM C.M. VAN BEERS 等,WSC "04: PROCEEDINGS OF THE 36TH CONFERENCE ON WINTER SIMULATION》 * |
王涛 等: "《自动检测与转换技术》", 31 August 2017, 北京理工大学出版社 * |
石玉立等: "1998-2012年青藏高原TRMM 3B43降水数据的校准", 《干旱区地理》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109613183A (zh) * | 2019-01-03 | 2019-04-12 | 北京英视睿达科技有限公司 | 低精度监测设备数据的修定方法及*** |
CN112528566A (zh) * | 2020-12-18 | 2021-03-19 | 江西理工大学南昌校区 | 基于AdaBoost训练模型的空气质量数据实时校准方法及*** |
CN115508511A (zh) * | 2022-09-19 | 2022-12-23 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107656905B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
US12031966B2 (en) | Networked environmental monitoring system and method | |
CN104469942B (zh) | 一种基于隐马尔科夫模型的室内定位方法 | |
CN109784552B (zh) | 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法 | |
Tang et al. | Development of a 50-year daily surface solar radiation dataset over China | |
CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN110595968B (zh) | 一种基于静止轨道卫星的pm2.5浓度估算方法 | |
CN107656905A (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN110389087B (zh) | 一种污染天气下的pm2.5浓度卫星遥感估算方法 | |
CN107658881A (zh) | 基于戴维南等值方法的电压稳定临界点判断方法 | |
CN116297068B (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及*** | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂***不确定性分析方法 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持***与方法 | |
CN109618288B (zh) | 基于深度卷积神经网络的无线传感网距离测量***及方法 | |
CN115776724B (zh) | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN113486591B (zh) | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 | |
CN112906300A (zh) | 基于双通道卷积神经网络的极化sar土壤湿度反演方法 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及*** | |
CN111126466B (zh) | 一种多源pwv数据融合方法 | |
CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 | |
CN117933095A (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
CN106202926B (zh) | 基于多节点协同探测的空间***偏差配准优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |