CN109919229A - 基于人工蜂群和神经网络的监测有害气体预测方法及*** - Google Patents
基于人工蜂群和神经网络的监测有害气体预测方法及*** Download PDFInfo
- Publication number
- CN109919229A CN109919229A CN201910175908.9A CN201910175908A CN109919229A CN 109919229 A CN109919229 A CN 109919229A CN 201910175908 A CN201910175908 A CN 201910175908A CN 109919229 A CN109919229 A CN 109919229A
- Authority
- CN
- China
- Prior art keywords
- data
- gas
- neural network
- network model
- monitoring
- 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.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于人工蜂群和神经网络的监测有害气体预测方法,包括:获取气体监测数据;将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;判断所述气体数据集中的野值点,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集;采用人工蜂群算法对所述神经网络模型进行优化,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果判断气体监测数据是否含有有害气体。通过本发明的方法和***,将人工蜂群算法和神经网络算法相互结合,能精确的预测出气体中是否含有有害气体的趋势,预测结果精准。
Description
技术领域
本发明涉及大数据人工智能技术领域,尤其涉及一种基于人工蜂群和神经网络的监测有害气体预测方法及***。
背景技术
随着工业化科技的发展,现有的气体排放被监测的很好,而传统的监测都是通过气体采集之后,然后通过人工测算,才知道气体中是不是含有有害气体,这样的测算方式,只能根据排放结果获得,而不能进行预测,排放的气体势必会污染环境,然后再对污染的环境进行清理,会造成资源的浪费。本发明是针对这种测算进行改进的,结合大数据人工智能方式,对气体测算进行改进,达到预测的目的。
发明内容
本发明针对现有技术中的缺点,提供了一种基于人工蜂群和神经网络的监测有害气体预测方法及***。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
一种基于人工蜂群和神经网络的监测有害气体预测方法,包括以下步骤:
获取若干个气体监测点的气体监测数据,所述气体监测数据为多种类型气体的数据;
将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;
判断所述气体数据集中的野值点并统计野值点的个数,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集,并将新气体数据集分成训练集和样本集;
基于所述样本集建立神经网络模型,采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体。
作为一种可实施方式,所述获取若干个气体监测点的气体监测数据是由相应数量的气体传感器获取到的。
作为一种可实施方式,所述判断所述数据集中的野值点是采用卡尔曼滤波算法识别数据集中的野值点,具体步骤为:
假设后验概率分布p(xk-1|y1:k-1)为高斯分布,则k时刻的***状态表示为xk=Axk-1+Buk-1+qk-1,k时刻的测量值表示为yk=Hxk+rk,其中,uk是k时刻对***的控制量,uk-1是k-1时刻对***的控制量,A为***k-1时刻的***状态的参数矩阵,B为***k-1时刻的控制量的参数矩阵,H为***k时刻的***状态的参数矩阵,qk-1表示过程噪声,rk表示测量噪声,用Qk-1表示过程噪声qk-1与***状态xk的协方差矩阵,Rk表示测量噪声rk与测量值yk的协方差矩阵;
根据测量时刻对***进行更新,通过上一时刻的***状态来更新当前时刻的***状态,当前时刻的***状态表示为:确定当前时刻的***状态,其中,表示当前时刻的***状态,A为***k-1时刻的***状态的参数矩阵,B为***k-1时刻的控制量的参数矩阵,uk-1为k-1时刻对***的控制量,为上一时刻的***状态;
通过所述上一时刻的***状态得到上一时刻的误差协方差pk-1和过程噪声qk的协方差矩阵Q,并根据上一时刻的误差协方差pk-1和过程噪声qk的协方差矩阵Q来预测新的误差新的误差表示为:其中,pk-1表示误差协方差,A表示***参数矩阵,Q表示过程噪声的协方差矩阵,T为数学符号,表示矩阵转置;
通过新的误差对当前时刻***的卡尔曼增益Kk进行更新,卡尔曼增益表示为:其中,H为参数矩阵,表示新的误差,R表示噪声rk的协方差矩阵,T为数学符号,表示矩阵转置;
通过更新的卡尔曼增益Kk对当前时刻的***状态进行校正更新,当前时刻的***状态表示为: 为经过卡尔曼滤波后的当前时刻的***状态,其中,表示当前时刻的***状态,H表示参数矩阵,Kk表示卡尔曼增益,表示为上一时刻的***状态,表示为新息,当数据正常时,新息序列即为白噪声序列,均值为0,新息方差为此时,D为新息均方差的r倍,对r进行设置,当新息方差超过判据D时,则当前点为野值点,统计野值点的数目,去除野值点填入正常的数据,形成新气体数据集L;
还包括校正更新过程:当前时刻***状态的误差表示为,此过程为校正更新过程,pk即为经过卡尔曼滤波的当前时刻***状态的误差,在下一个过程中作为上一时刻的***状态的误差使用。
作为一种可实施方式,所述去除野值点填入正常的数据是采用卡尔曼滤波算法填入正常的数据。
作为一种可实施方式,所述基于所述样本集建立神经网络模型,具体步骤为:
将新气体数据集L运用有重叠的滑动窗口进行数据分段,将每一段前90%的数据与后10%的数据进行切分,组成训练数据集的输入数据与输出数据;
通过训练数据集构建神经网络模型,神经网络模型为其中,n为神经网络模型的层数,W表示隐含层权值矩阵,矩阵的行数为每一层的神经元数目,其列数为输入个体数目的隐含层权值矩阵,b为行数与W相同的隐含层偏值的列向量,为每一层的输出向量,p为输入向量,f为激活函数。
作为一种可实施方式,所述采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,具体为:
基于样本集选定样本数据,随机产生神经网络模型的输入层和中间层、中间层和输出层的连接权重Wij,Wjk;
通过以下公式得到选定样本数据的单元实际输出向量公式为:其中,Ij为中间的隐藏层节点j的输入,Wij为权重,为单元实际输出向量,θj表示改变单元j活性的阈值,单元实际输出向量
通过以下公式计算样本数据实际输出向量与期望值差平方和的价值数E,若价值数不大于预设的误差值,则神经网络模型训练结束,若价值数大于误差值,则计算输入层和中间层、中间层和输出层的权重调整值及阈值调整值,公式为其中,表示单元k的输出向量,Tk表示输出层单元k的期望输出;
重新计算新的连接权重和阈值,根据新的权值和样本数据,重新计算样本的实际输出向量和价值数,若价值数不大于预设的误差值,则神经网络模型训练结束,若价值数大于误差值,则将权重和阈值作为人工蜂群的初始解,设定初始参数,将价值数作为以下公式的目标值,公式如下:其中,h为优化问题的目标函数,中hi大于0,1+abs(hi)中,hi小于0;
调用人工蜂群算法,求最优解,根据人工蜂群算法产生的最优权重和阈值作为神经网络模型的下一次训练的初始权重和阈值,重新得到输入层和中间层、中间层和输出层的权重调整值及阈值调整值;
神经网络模型训练结束,得到优化后的神经网络模型。
作为一种可实施方式,所述并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,具体为:
基于训练集运用误差反向传播的方法对所述神经网络模型进行训练,重复迭代直到矩阵W的向量b收敛,则所述神经网络模型已训练好,此时得到了精准的神经网络模型。
作为一种可实施方式,所述将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体,具体为:
当需要对一个时间点的未来数据进行预测时,取当前时间点之前一段时间的数据输入精准的神经网络模型,神经网络模型输出未来一段时间的预测数据,将所述预测趋势结果记为h;
将预测趋势结果h和正常气体的测试结果做比较,若预测趋势结果与正常气体的测试结果误差大于误差范围,则认定为有害气体。
一种基于人工蜂群和神经网络的监测有害气体预测***,包括数据获取单元、数据处理单元、数据再处理单元、模型建立及预测单元;
所述数据获取单元,用于获取若干个气体监测点的气体监测数据,所述气体监测数据为多种类型气体的数据;
所述数据处理单元,用于将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;
所述数据再处理单元,用于判断所述气体数据集中的野值点并统计野值点的个数,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集,并将新气体数据集分成训练集和样本集;
所述模型建立及预测单元,用于基于所述样本集建立神经网络模型,采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体。
本发明由于采用了以上技术方案,具有显著的技术效果:
通过本发明的方法和***,将人工蜂群算法和神经网络算法相互结合,能精确的预测出气体中是否含有有害气体的趋势,预测结果精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图;
图2是本发明的整体***示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1:
一种基于人工蜂群和神经网络的监测有害气体预测方法,如图1所示,包括以下步骤:
S100、获取若干个气体监测点的气体监测数据,所述气体监测数据为多种类型气体的数据;
S200、将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;
S300、判断所述气体数据集中的野值点并统计野值点的个数,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集,并将新气体数据集分成训练集和样本集;
S400、基于所述样本集建立神经网络模型,采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体。
在神经网络模型的训练中,引入人工蜂群算法来优化神经网络模型的权值阈值等,可以精确的提高神经网络模型的预测结果精度和收敛速度,使得预测结果更加精准。
更佳具体地,所述获取若干个气体监测点的气体监测数据是由相应数量的气体传感器获取到的。
在步骤S300中,所述判断所述数据集中的野值点是采用卡尔曼滤波算法识别数据集中的野值点,具体步骤为:
假设后验概率分布p(xk-1|y1:k-1)为高斯分布,则k时刻的***状态表示为xk=Axk-1+Buk-1+qk-1,k时刻的测量值表示为yk=Hxk+rk,其中,uk是k时刻对***的控制量,uk-1是k-1时刻对***的控制量,A为***k-1时刻的***状态的参数矩阵,B为***k-1时刻的控制量的参数矩阵,H为***k时刻的***状态的参数矩阵,qk-1表示过程噪声,rk表示测量噪声,用Qk-1表示过程噪声qk-1与***状态xk的协方差矩阵,Rk表示测量噪声rk与测量值yk的协方差矩阵;
根据测量时刻对***进行更新,通过上一时刻的***状态来更新当前时刻的***状态,当前时刻的***状态表示为:确定当前时刻的***状态,其中,表示当前时刻的***状态,A为***k-1时刻的***状态的参数矩阵,B为***k-1时刻的控制量的参数矩阵,uk-1为k-1时刻对***的控制量,为上一时刻的***状态;
通过所述上一时刻的***状态得到上一时刻的误差协方差pk-1和过程噪声qk的协方差矩阵Q,并根据上一时刻的误差协方差pk-1和过程噪声qk的协方差矩阵Q来预测新的误差新的误差表示为:其中,pk-1表示误差协方差,A表示***参数矩阵,Q表示过程噪声的协方差矩阵,T为数学符号,表示矩阵转置;
通过新的误差对当前时刻***的卡尔曼增益Kk进行更新,卡尔曼增益表示为:其中,H为参数矩阵,表示新的误差,R表示噪声rk的协方差矩阵,T为数学符号,表示矩阵转置;
通过更新的卡尔曼增益Kk对当前时刻的***状态进行校正更新,当前时刻的***状态表示为: 为经过卡尔曼滤波后的当前时刻的***状态,其中,表示当前时刻的***状态,H表示参数矩阵,Kk表示卡尔曼增益,表示为上一时刻的***状态,表示为新息,当数据正常时,新息序列即为白噪声序列,均值为0,新息方差为此时,D为新息均方差的r倍,对r进行设置,当新息方差超过判据D时,则当前点为野值点,统计野值点的数目,去除野值点填入正常的数据,形成新气体数据集L;
还包括校正更新过程:当前时刻***状态的误差表示为,此过程为校正更新过程,pk即为经过卡尔曼滤波的当前时刻***状态的误差,在下一个过程中作为上一时刻的***状态的误差使用。
卡尔曼滤波是一种利用线性***状态方程,通过***输入输出观测数据,对***状态进行最优估计的算法。由于观测数据中包括***中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。通过卡尔曼滤波算法去除也致电,结果更加精准,使得得到的数据集杂点小,后期用于训练会使得训练处的模型更加精准。所以,在本实施例中,所述去除野值点填入正常的数据是采用卡尔曼滤波算法填入正常的数据。
所述基于所述样本集建立神经网络模型,具体步骤为:
将新气体数据集L运用有重叠的滑动窗口进行数据分段,将每一段前90%的数据与后10%的数据进行切分,组成训练数据集的输入数据与输出数据;
通过训练数据集构建神经网络模型,神经网络模型为其中,n为神经网络模型的层数,W表示隐含层权值矩阵,矩阵的行数为每一层的神经元数目,其列数为输入个体数目的隐含层权值矩阵,b为行数与W相同的隐含层偏值的列向量,为每一层的输出向量,p为输入向量,f为激活函数。
在步骤S400中,所述采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,具体为:
基于样本集选定样本数据,随机产生神经网络模型的输入层和中间层、中间层和输出层的连接权重Wij,Wjk;
通过以下公式得到选定样本数据的单元实际输出向量公式为:其中,Ij为中间的隐藏层节点j的输入,Wij为权重,为单元实际输出向量,θj表示改变单元j活性的阈值,单元实际输出向量
通过以下公式计算样本数据实际输出向量与期望值差平方和的价值数E,若价值数不大于预设的误差值,则神经网络模型训练结束,若价值数大于误差值,则计算输入层和中间层、中间层和输出层的权重调整值及阈值调整值,公式为其中,表示单元k的输出向量,Tk表示输出层单元k的期望输出;
重新计算新的连接权重和阈值,根据新的权值和样本数据,重新计算样本的实际输出向量和价值数,若价值数不大于预设的误差值,则神经网络模型训练结束,若价值数大于误差值,则将权重和阈值作为人工蜂群的初始解,设定初始参数,将价值数作为以下公式的目标值,公式如下:其中,h为优化问题的目标函数,中hi大于0,1+abs(hi)中,hi小于0;
调用人工蜂群算法,求最优解,根据人工蜂群算法产生的最优权重和阈值作为神经网络模型的下一次训练的初始权重和阈值,重新得到输入层和中间层、中间层和输出层的权重调整值及阈值调整值;
神经网络模型训练结束,得到优化后的神经网络模型。
另外,在步骤S400中,所述并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,具体为:
基于训练集运用误差反向传播的方法对所述神经网络模型进行训练,重复迭代直到矩阵W的向量b收敛,则所述神经网络模型已训练好,此时得到了精准的神经网络模型。
所述将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体,具体为:
当需要对一个时间点的未来数据进行预测时,取当前时间点之前一段时间的数据输入精准的神经网络模型,神经网络模型输出未来一段时间的预测数据,将所述预测趋势结果记为h;
将预测趋势结果h和正常气体的测试结果做比较,若预测趋势结果与正常气体的测试结果误差大于误差范围,则认定为有害气体。
实施例2:
一种基于人工蜂群和神经网络的监测有害气体预测***,包括数据获取单元100、数据处理单元200、数据再处理单元300、模型建立及预测单元400;
所述数据获取单元100,用于获取若干个气体监测点的气体监测数据,所述气体监测数据为多种类型气体的数据;
所述数据处理单元200,用于将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;
所述数据再处理单元300,用于判断所述气体数据集中的野值点并统计野值点的个数,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集,并将新气体数据集分成训练集和样本集;
所述模型建立及预测单元400,用于基于所述样本集建立神经网络模型,采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体。
通过本发明的***,将人工蜂群算法和神经网络算法相互结合,能精确的预测出气体中是否含有有害气体的趋势,预测结果精准。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于包括以下步骤:
获取若干个气体监测点的气体监测数据,所述气体监测数据为多种类型气体的数据;
将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;
判断所述气体数据集中的野值点并统计野值点的个数,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集,并将新气体数据集分成训练集和样本集;
基于所述样本集建立神经网络模型,采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体。
2.根据权利要求1所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述获取若干个气体监测点的气体监测数据是由相应数量的气体传感器获取到的。
3.根据权利要求1所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述判断所述数据集中的野值点是采用卡尔曼滤波算法识别数据集中的野值点,具体步骤为:
假设后验概率分布p(xk-1|y1:k-1)为高斯分布,则k时刻的***状态表示为xk=Axk-1+Buk-1+qk-1,k时刻的测量值表示为yk=Hxk+rk,其中,uk是k时刻对***的控制量,uk-1是k-1时刻对***的控制量,A为***k-1时刻的***状态的参数矩阵,B为***k-1时刻的控制量的参数矩阵,H为***k时刻的***状态的参数矩阵,qk-1表示过程噪声,rk表示测量噪声,用Qk-1表示过程噪声qk-1与***状态xk的协方差矩阵,Rk表示测量噪声rk与测量值yk的协方差矩阵;
根据测量时刻对***进行更新,通过上一时刻的***状态来更新当前时刻的***状态,当前时刻的***状态表示为:确定当前时刻的***状态,其中,表示当前时刻的***状态,A为***k-1时刻的***状态的参数矩阵,B为***k-1时刻的控制量的参数矩阵,uk-1为k-1时刻对***的控制量,为上一时刻的***状态;
通过所述上一时刻的***状态得到上一时刻的误差协方差pk-1和过程噪声qk的协方差矩阵Q,并根据上一时刻的误差协方差pk-1和过程噪声qk的协方差矩阵Q来预测新的误差新的误差表示为:其中,pk-1表示误差协方差,A表示***参数矩阵,Q表示过程噪声的协方差矩阵,T为数学符号,表示矩阵转置;
通过新的误差对当前时刻***的卡尔曼增益Kk进行更新,卡尔曼增益表示为:其中,H为参数矩阵,表示新的误差,R表示噪声rk的协方差矩阵,T为数学符号,表示矩阵转置;
通过更新的卡尔曼增益Kk对当前时刻的***状态进行校正更新,当前时刻的***状态表示为: 为经过卡尔曼滤波后的当前时刻的***状态,其中,表示当前时刻的***状态,H表示参数矩阵,Kk表示卡尔曼增益,表示为上一时刻的***状态,表示为新息,当数据正常时,新息序列即为白噪声序列,均值为0,新息方差为此时,D为新息均方差的r倍,对r进行设置,当新息方差超过判据D时,则当前点为野值点,统计野值点的数目,去除野值点填入正常的数据,形成新气体数据集L;
还包括校正更新过程:当前时刻***状态的误差表示为,此过程为校正更新过程,pk即为经过卡尔曼滤波的当前时刻***状态的误差,在下一个过程中作为上一时刻的***状态的误差使用。
4.根据权利要求3所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述去除野值点填入正常的数据是采用卡尔曼滤波算法填入正常的数据。
5.根据权利要求1所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述基于所述样本集建立神经网络模型,具体步骤为:
将新气体数据集L运用有重叠的滑动窗口进行数据分段,将每一段前90%的数据与后10%的数据进行切分,组成训练数据集的输入数据与输出数据;
通过训练数据集构建神经网络模型,神经网络模型为其中,n为神经网络模型的层数,W表示隐含层权值矩阵,矩阵的行数为每一层的神经元数目,其列数为输入个体数目的隐含层权值矩阵,b为行数与W相同的隐含层偏值的列向量,为每一层的输出向量,p为输入向量,f为激活函数。
6.根据权利要求1所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,具体为:
基于样本集选定样本数据,随机产生神经网络模型的输入层和中间层、中间层和输出层的连接权重Wij,Wjk;
通过以下公式得到选定样本数据的单元实际输出向量公式为:其中,Ij为中间的隐藏层节点j的输入,Wij为权重,为单元实际输出向量,θj表示改变单元j活性的阈值,单元实际输出向量
通过以下公式计算样本数据实际输出向量与期望值差平方和的价值数E,若价值数不大于预设的误差值,则神经网络模型训练结束,若价值数大于误差值,则计算输入层和中间层、中间层和输出层的权重调整值及阈值调整值,公式为其中,表示单元k的输出向量,Tk表示输出层单元k的期望输出;
重新计算新的连接权重和阈值,根据新的权值和样本数据,重新计算样本的实际输出向量和价值数,若价值数不大于预设的误差值,则神经网络模型训练结束,若价值数大于误差值,则将权重和阈值作为人工蜂群的初始解,设定初始参数,将价值数作为以下公式的目标值,公式如下:其中,h为优化问题的目标函数,中hi大于0,1+abs(hi)中,hi小于0;
调用人工蜂群算法,求最优解,根据人工蜂群算法产生的最优权重和阈值作为神经网络模型的下一次训练的初始权重和阈值,重新得到输入层和中间层、中间层和输出层的权重调整值及阈值调整值;
神经网络模型训练结束,得到优化后的神经网络模型。
7.根据权利要求1所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,具体为:
基于训练集运用误差反向传播的方法对所述神经网络模型进行训练,重复迭代直到矩阵W的向量b收敛,则所述神经网络模型已训练好,此时得到了精准的神经网络模型。
8.根据权利要求7所述的基于人工蜂群和神经网络的监测有害气体预测方法,其特征在于,所述将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体,具体为:
当需要对一个时间点的未来数据进行预测时,取当前时间点之前一段时间的数据输入精准的神经网络模型,神经网络模型输出未来一段时间的预测数据,将所述预测趋势结果记为h;
将预测趋势结果h和正常气体的测试结果做比较,若预测趋势结果与正常气体的测试结果误差大于误差范围,则认定为有害气体。
9.一种基于人工蜂群和神经网络的监测有害气体预测***,其特征在于,包括数据获取单元、数据处理单元、数据再处理单元、模型建立及预测单元;
所述数据获取单元,用于获取若干个气体监测点的气体监测数据,所述气体监测数据为多种类型气体的数据;
所述数据处理单元,用于将气体监测数据根据时间段进行切分处理,得到每个时间段的气体数据集;
所述数据再处理单元,用于判断所述气体数据集中的野值点并统计野值点的个数,将所有野值点转换为正常数据值,去除气体数据集中的空值点以及超范围点,通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集,并将新气体数据集分成训练集和样本集;
所述模型建立及预测单元,用于基于所述样本集建立神经网络模型,采用人工蜂群算法对所述神经网络模型进行优化,得到优化后的神经网络模型,并采用训练集对优化后的神经网络模型进行验证,判断是否为误差范围内的精准神经网络模型,将待测气体监测数据输入至精准的神经网络模型中,得到预测趋势结果,根据预测趋势结果判断气体监测数据是否含有有害气体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175908.9A CN109919229A (zh) | 2019-03-08 | 2019-03-08 | 基于人工蜂群和神经网络的监测有害气体预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175908.9A CN109919229A (zh) | 2019-03-08 | 2019-03-08 | 基于人工蜂群和神经网络的监测有害气体预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919229A true CN109919229A (zh) | 2019-06-21 |
Family
ID=66963913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175908.9A Pending CN109919229A (zh) | 2019-03-08 | 2019-03-08 | 基于人工蜂群和神经网络的监测有害气体预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919229A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780040A (zh) * | 2019-10-29 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 有害气体数据处理方法、装置、电子设备及存储介质 |
CN111291855A (zh) * | 2020-01-19 | 2020-06-16 | 西安石油大学 | 基于改进智能算法的天然气环状管网布局优化方法 |
CN111539479A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 生成样本数据的方法和装置 |
CN111743543A (zh) * | 2020-05-27 | 2020-10-09 | 武汉齐物科技有限公司 | 一种骑行者运动状态检测方法、装置及码表 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN112229952A (zh) * | 2020-09-30 | 2021-01-15 | 重庆科技学院 | 一种检测化工园区有毒有害气体的方法 |
CN113240640A (zh) * | 2021-05-13 | 2021-08-10 | 广东粤港供水有限公司 | 菌落计数方法、装置及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN103761575A (zh) * | 2013-04-25 | 2014-04-30 | 张涛 | 一种基于两级神经网络的库房环境安全预测方法 |
CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
CN106326577A (zh) * | 2016-08-26 | 2017-01-11 | 上海中威天安公共安全科技有限公司 | 一种基于危化品事故扩散模型的短期风速计算方法 |
CN106777528A (zh) * | 2016-11-25 | 2017-05-31 | 山东蓝光软件有限公司 | 矿井需风量的全息预测方法 |
CN107561472A (zh) * | 2017-09-29 | 2018-01-09 | 杭州安脉盛智能技术有限公司 | 用于变压器的传感器和监测装置的状态诊断方法 |
CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其*** |
CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和*** |
CN109274651A (zh) * | 2018-08-30 | 2019-01-25 | 上海海事大学 | 一种DDoS攻击检测方法 |
-
2019
- 2019-03-08 CN CN201910175908.9A patent/CN109919229A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761575A (zh) * | 2013-04-25 | 2014-04-30 | 张涛 | 一种基于两级神经网络的库房环境安全预测方法 |
CN103577694A (zh) * | 2013-11-07 | 2014-02-12 | 广东海洋大学 | 一种基于多尺度分析的水产养殖水质短期组合预测方法 |
CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
CN106326577A (zh) * | 2016-08-26 | 2017-01-11 | 上海中威天安公共安全科技有限公司 | 一种基于危化品事故扩散模型的短期风速计算方法 |
CN106777528A (zh) * | 2016-11-25 | 2017-05-31 | 山东蓝光软件有限公司 | 矿井需风量的全息预测方法 |
CN107561472A (zh) * | 2017-09-29 | 2018-01-09 | 杭州安脉盛智能技术有限公司 | 用于变压器的传感器和监测装置的状态诊断方法 |
CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其*** |
CN109061341A (zh) * | 2018-07-10 | 2018-12-21 | 杭州安脉盛智能技术有限公司 | 基于神经网络的卡尔曼滤波变压器故障预测方法和*** |
CN109274651A (zh) * | 2018-08-30 | 2019-01-25 | 上海海事大学 | 一种DDoS攻击检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780040A (zh) * | 2019-10-29 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 有害气体数据处理方法、装置、电子设备及存储介质 |
CN110780040B (zh) * | 2019-10-29 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 有害气体数据处理方法、装置、电子设备及存储介质 |
CN111291855A (zh) * | 2020-01-19 | 2020-06-16 | 西安石油大学 | 基于改进智能算法的天然气环状管网布局优化方法 |
CN111291855B (zh) * | 2020-01-19 | 2023-04-07 | 西安石油大学 | 基于改进智能算法的天然气环状管网布局优化方法 |
CN111539479A (zh) * | 2020-04-27 | 2020-08-14 | 北京百度网讯科技有限公司 | 生成样本数据的方法和装置 |
CN111539479B (zh) * | 2020-04-27 | 2023-08-08 | 北京百度网讯科技有限公司 | 生成样本数据的方法和装置 |
CN111743543A (zh) * | 2020-05-27 | 2020-10-09 | 武汉齐物科技有限公司 | 一种骑行者运动状态检测方法、装置及码表 |
CN111896044A (zh) * | 2020-06-09 | 2020-11-06 | 山东信通电子股份有限公司 | 一种铁路接触网补偿装置的监测方法及设备 |
CN112229952A (zh) * | 2020-09-30 | 2021-01-15 | 重庆科技学院 | 一种检测化工园区有毒有害气体的方法 |
CN112229952B (zh) * | 2020-09-30 | 2022-11-15 | 重庆科技学院 | 一种监测化工园区有毒有害气体的方法 |
CN113240640A (zh) * | 2021-05-13 | 2021-08-10 | 广东粤港供水有限公司 | 菌落计数方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919229A (zh) | 基于人工蜂群和神经网络的监测有害气体预测方法及*** | |
CN109946424A (zh) | 基于人工蜂群和神经网络的气体标定分类方法及*** | |
CN110147450B (zh) | 一种知识图谱的知识补全方法及装置 | |
CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
CN112581475B (zh) | 一种预测放疗计划的伽马通过率的方法 | |
Do Koo et al. | Nuclear reactor vessel water level prediction during severe accidents using deep neural networks | |
CN107169610A (zh) | 水产养殖溶解氧预测方法及装置 | |
CN107233102A (zh) | 基于bp神经网络算法的多参数心理压力评估方法 | |
CN102609612A (zh) | 一种用于多参数仪表检定的数据融合方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN109376933A (zh) | 基于神经网络的锂离子电池负极材料能量密度预测方法 | |
CN103324981A (zh) | 基于神经网络的放化疗规范化质量控制的量化方法 | |
CN113610381A (zh) | 一种基于5g网络的水质远程实时监测*** | |
CN115619271A (zh) | 一种基于cnn和随机森林的充电桩状态评估方法及装置 | |
CN116304706A (zh) | 一种基于lstm模型匹配认知训练最适参数的方法 | |
CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN112397202B (zh) | 一种青少年儿童身高生长曲线的预测方法 | |
CN107515876A (zh) | 一种特征模型的生成、应用方法及装置 | |
CN114648178B (zh) | 一种基于ddpg算法的电能计量装置运维策略优化方法 | |
CN109408638A (zh) | 定标集更新方法及装置 | |
CN115441475A (zh) | 一种电网输电线路功率紧急控制方法 | |
CN115761024A (zh) | 血管掩码图像生成方法、装置、电子设备及存储介质 | |
CN107292425A (zh) | 水产养殖溶解氧预测方法及装置 | |
CN114358502A (zh) | 一种基于优化elm的食用油风险评估方法 | |
CN112330072A (zh) | 一种软件研发质量风险预测模型的构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |