CN115436572B - 一种基于循环神经网络的传感器校准方法及装置 - Google Patents
一种基于循环神经网络的传感器校准方法及装置 Download PDFInfo
- Publication number
- CN115436572B CN115436572B CN202211045179.3A CN202211045179A CN115436572B CN 115436572 B CN115436572 B CN 115436572B CN 202211045179 A CN202211045179 A CN 202211045179A CN 115436572 B CN115436572 B CN 115436572B
- Authority
- CN
- China
- Prior art keywords
- factors
- sensor
- neural network
- data
- monitoring data
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供的基于循环神经网络的传感器校准方法及装置,涉及环境监测领域;其方法包括分别获取布设在国家标注站周圈设定区域范围内的待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据;根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;根据各因素间的相关关系,确定任意两个因素间的权重因子;分别对各因素构建神经网络校正模型,以待校正传感器获取的各因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得校准数据。本发明适用于各类型传感器的同步校准,校准精度和工作效率高。
Description
技术领域
本发明涉及环境监测技术领域,具体涉及一种基于循环神经网络的传感器校准方法及装置。
背景技术
由于传感器在长时间使用后会产生一定的零点漂移和量程漂移,同时也需要考虑非常规气态污染物(如氢气)浓度变化对于传感器交叉干扰,天气因素的影响,微型空气质量检测仪采集的数据和国控点数据的值存在一定的差异,因此传感器在使用前、使用中都需要进行数据校准。现有技术公开的传感器校准方法大多是将传感器检测值与待测气体真实浓度之间关系看作线性关系,通过单点检测或两点检测进行校准,但是该校准方法工作效率较低,且精度不高。
为解决上述校准方法的缺陷,现有技术提出不同的校准方法。例如,专利CN103399123B公开的气体传感器校准方法,利用组成空气成分的气体在空气中广的浓度在一定范围内进行动态变化的客观事实,在微处理器电路内设定高浓度区间和低浓度区间,降低对气体浓度的要求,并通过高精度气体传感器采集的处于高浓度或低浓度区间中并稳定的气体浓度值作为参考点,通过微处理器电路对待校准气体传感器进行校准。又如专利CN105974062A公开的气体传感器校准装置校准方法,该方法设计一定容积配气装置,通过精确控制阀门打开时间来增大装置内气体浓度,从而逐次配置出不同浓度的气体,进而获取不同浓度下传感器检测值,再采用气相色谱仪或已校准的传感器检测不同浓度下的气体浓度作为真实浓度;通过与真实浓度值进行曲线拟合,实现传感器精确校准。
但是上述校准方法应用时都只能针对少数的传感器进行同时校准,不适用于同时校准大量或种类变化大的传感器。
发明内容
本发明目的在于提供一种基于循环神经网络的传感器校准方法及装置,通过将待校正传感器布控在国家标注站预设范围内,根据国家标准站的站点数据校准待校正传感器的采集数据,多个传感器能够同步进行校准,校准精度高、工作效率高。
为达成上述目的,本发明提出如下技术方案:一种基于循环神经网络的传感器校准方法,包括:
分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,待校正传感器布设在国家标注站周圈设定的区域范围内,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;
根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;
根据各因素间的相关关系,确定四气两尘因素和气象因素中任意两个因素间的权重因子;
分别对各因素构建神经网络校正模型,以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;
对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得传感器校准数据。
进一步的,所述神经网络校正模型为Keras序惯模型;
所述Keras序惯模型包括3层神经网络,该3层神经网络的神经元个数分别为512、1024和1024,激活函数为Relu,目标函数为MSE,优化函数为Adam函数,初始学习率为0.001;
所述Keras序惯模型采用梯度下降算法进行模型训练,且每25轮改变学习率的大小。
进一步的,根据皮尔森相关性分析确定的各因素间相关关系如下:
所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4,0.7),其他任意两个因素之间的相关系数属于区间(0.2,0.4)。
进一步的,根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系之前还包括:
分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图;
根据数据变化趋势图,判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
进一步的,所述数据变化趋势图包括曲线图、直方图和散点图。
本发明另一技术方案在于提供一种基于循环神经网络的传感器校准装置,该装置包括:
获取模块,分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,待校正传感器布设在国家标注站周圈设定的区域范围内,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;
数据分析模块,用于根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;
权重确定模块,用于根据各因素间的相关关系,确定四气两尘因素和气象因素中任意两个因素间的权重因子;
模型构建模块,用于分别对各因素构建神经网络校正模型,以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;
校正模块,用于对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得传感器校准数据。
进一步的,所述模型构建模块构建的神经网络校正模型为Keras序惯模型;
所述Keras序惯模型包括3层神经网络,该3层神经网络的神经元个数分别为512、1024和1024,激活函数为Relu,目标函数为MSE,优化函数为Adam函数,初始学习率为0.001;
所述Keras序惯模型采用梯度下降算法进行模型训练,且每25轮改变学习率的大小。
进一步的,所述数据分析模块确定的各因素间相关关系如下:
所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4,0.7),其他任意两个因素之间的相关系数属于区间(0.2,0.4)。
进一步的,所述装置还包括:
图形构建模块,用于分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图;
判断模块,用于判断根据数据变化趋势图,判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
本发明还提供一种电子设备,该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,实现如上述的基于循环神经网络的传感器校准方法。
由以上技术方案可知,本发明的技术方案获得了如下有益效果:
本发明公开基于循环神经网络的传感器校准方法及装置,其方法包括分别获取布设在国家标注站周圈设定区域范围内的待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;根据各因素间的相关关系,确定任意两个因素间的权重因子;分别对各因素构建神经网络校正模型,以待校正传感器获取的各因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得校准数据。
本发明的校准方法将待校正传感器布设在国家标注站预设范围内,通过监测采集数据与国控点数据的变化分布趋势,分析各因素间的相关关系,进而构建校正模型;校正模型采用“多对一”的思想训练,输入各因素数据,根据各因子相关关系的强弱调节权重,输出为校准后的单因子数据;采用训练后的校正模型对待校正传感器的采集数据进行校准,校准后的数据和国控点的数据更加接近,即使有偏差的区域,也同样保持相同的变化趋势。本校准方法不仅适用于各类型气体传感器的同步校准,且校准精度和工作效率高。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1为本发明基于循环神经网络的传感器校准方法流程图;
图2为本发明基于循环神经网络的传感器校准方法模型训练流程;
图3为实施例构建的自建点与国控点分别对PM2.5监测数据的变化曲线图;
图4(a)为实施例构建的自建点对PM2.5监测数据的直方图;
图4(b)为实施例构建的国控点对PM2.5监测数据的直方图;
图5为实施例构建的自建点与国控点分别对PM2.5监测数据的散点图;
图6为实施例自建点、国控点分别对PM2.5监测数据及校正后数据的变化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
技术人员在气体传感器的使用过程中发现,非常规的气态污染物浓度变化、天气因素等会对传感器的监测数据造成交叉干扰现象,导致传感器监测数据偏离真实数据;现有技术提出了多种传感器校准方法,例如将传感器放置在浓度确定的密闭环境中进行校准,但是上述方法只能针对少数的传感器进行同时校准,对于不同类型的传感器同时校准则具有操作繁琐、校准效率低的问题。本发明旨在于提出一种基于循环神经网络的传感器校准方法及装置,该校准方法或装置通过将待校正传感器布设在国家标准站附近预设范围内直接与国家标注站数据进行对比分析,并根据影响监测数据的因素权重构建校正模型,对待校正传感器数据进行校准,能适用于批量校准不同类型的传感器,校准效率高。
下面结合附图所示的具体实施例,对本发明公开的基于循环神经网络的传感器校准方法及装置做进一步具体介绍。
结合图1和图2所示,本实施例公开的基于循环神经网络的传感器校准方法,包括如下步骤:
步骤S102,分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,待校正传感器布设在国家标注站周圈设定的区域范围内,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;
具体实施时,待校正传感器布设在国家标注站***形成多个小微站,例如可布设在距离国家标注站100米、200米、300米或1000米范围内;各待校正传感器的采集数据集中上传至一控制中心,控制中心可查询并保存国家标注站的实时监测数据。
步骤S104,根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;
实施例中,采用SPSSAU数据科学分析平台进行任意两个因素的分析相关性分析,具体包括:PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4,0.7),具有较强的相关关系;其他任意两个因素之间的相关系数属于区间(0.2,0.4),相关关系较弱。
步骤S106,根据各因素间的相关关系,确定四气两尘因素和气象因素中任意两个因素间的权重因子;选定一待校准数据,例如PM2.5数据,根据其他七项因素与PM2.5的相关系数,根据相关系数的大小确定权重因子,由于PM10和CO两个因素与PM2.5数据相关性强,故分配PM10和CO两个因素数据较大,如权重值均为0.1,NO2、SO2、O3、实时温度和实时湿度分配较小的权重,如权重值为0.02。
步骤S108,分别对各因素构建神经网络校正模型,以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;
本实施例选用的校准算法为神经网络,可选的,还可以选用线性模型、传统的逻辑回归方法、单对单的线性拟合、SVM向量机、决策树等作为校准算法输出校正模型,其中神经网络的方法取得的效果最好。本方案中,对任一四气两尘因素或气象因素分别构建一神经网络校正模型。
具体的,神经网络校正模型选择Keras序惯模型,经过多次的循环试验,确定模型神经网络的层数为3层,该3层神经网络的神经元个数分别为512、1024和1024,激活函数为Relu,目标函数为MSE,优化函数为Adam函数,初始学习率为0.001;Keras序惯模型采用梯度下降算法进行模型训练,每25轮改变学习率的大小,根据损失函数MAE反向传播调整模型参数。具体的,误差基于梯度反向传播到网络的每一层,链式法则计算各层梯度,误差在梯度上的表现再乘以学习率作为更新量,参数原始值减去更新量为参数的更新结果。
步骤S110,对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得传感器校准数据。
作为一可选的实施方式,上述步骤S104根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系执行之前,还包括:
分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图;其中,数据变化趋势图包括曲线图、直方图和散点图;根据数据变化趋势图,判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
作为一可选的实施方式,实施例设置模型更新的时间步长,即在步骤S102之前确定构建校正模型的数据输入时间范围和输出数据的使用时间范围,例如校正模型以过去12小时数据预测未来1小时数据或使用过去12小时数据预测未来12小时数据(包括先预测出一个小时,再用过去11小时的数据加上预测的一小时数据预测下一个小时,以此类推)等。
图3至图5示出了待校正传感器与国家标注站分别对PM2.5监测数据的变化趋势图,其中,图3表示监测环境中PM2.5浓度随时间变化曲线,横坐标表示时间,纵坐标表示气体浓度;图4(a)和4(b)表示PM2.5的监测数据在各数据单位(浓度)下的数据量,横坐标表示数据单位的取值范围,纵坐标表示数量;图5表示由待校正传感器构成的自建点与由国家标注站构成的国控点监测数据的分布情况,横坐标为自建点的监测数据,纵坐标为国控点的监测数据。
上图中,图3所示的曲线图用于反映待校正传感器数据与国家标准站数据随时间的变化趋势,数据分析时只能对两组数据进行大致判定;图4(a)和图4(b)所示的直方图用于反映待校正传感器(自建点)数据与国家标准站(国控点)数据的数据质量分布情况,根据图示,能够判断出自建点数据和国控点数据的分布情况存在相同的分布趋势。图5所示的散点图能够直观的发现自建点数据和国控点数据的分布情况,其横纵坐标为除去时间维度影响的自建点数据和国控点数据,只关注数据分布情况;图中,自变量PM2.5_x为自建点数据的因子,因变量PM2.5_y为国控点数据的因子,从数据的分布情况可以明确得出,自变量PM2.5_x和因变量PM2.5_y存在相同的变化趋势。图6示出了采用模型对待校正传感器采集的PM2.5监测数据校正后的数据变化,图中可明显得出校准后的PM2.5监测数据曲线与国控点的监测数据曲线部分重叠,即取值十分接近,即便存在偏差的区域也保持一致的变化趋势。
采用MAE计算各传感器校准后监测数据与国控点监测数据的误差,具体为:
下表1为采用上述实施例公开的基于循环神经网络的传感器校准方法对四气两尘因素监测数据校准后的校准误差,其中,气象因素,实时温度和湿度待校正传感器和国控点的数据保持一致,不单独列出。
表1为四气两成因素监测数据的校准误差
PM2.5 | PM10 | CO | NO2 | SO2 | O3 | |
MSE | 64.65 | 137.70 | 0.1528 | 99.43725 | 8.86009 | 126.65 |
MAE | 5.932 | 11.699 | 0.3007 | 5.7767 | 2.0918 | 11.47 |
上述实施例公开的基于循环神经网络的传感器校准方法,该方法以各因素的监测数据以及经由皮尔森相关性确定分配的各影响因素的权重作为输入、国家标注站对各因素的监测数据作为输出构建多因子的神经网络校正模型,各因素分别对应一神经网络校正模型,神经网络校正模型再对待校正传感器采集的实时监测数据进行校正,获得接近于国控点监测数据或与国控点监测数据保持相同变化趋势的校准结果;本发明适用于多个不同类型气体传感器同步进行校准,不仅工作效率高,且校准精度高。
在本实施例中,还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当处理器运行所述计算机程序时,实现上述实施例公开的基于循环神经网络的传感器校准方法。
上述程序可以运行在处理器中,或者也可以存储在存储器中(或称为计算机可读存储介质),计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
这些计算机程序也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤,对应与不同的步骤可以通过不同的模块来实现。
该本实施例中就提供了这样的一种装置或***,该装置被称为基于循环神经网络的传感器校准装置,其组成包括:获取模块,分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,待校正传感器布设在国家标注站周圈设定的区域范围内,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;数据分析模块,用于根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;权重确定模块,用于根据各因素间的相关关系,确定四气两尘因素和气象因素中任意两个因素间的权重因子;模型构建模块,用于分别对各因素构建神经网络校正模型,以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;校正模块,用于对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得传感器校准数据。
该装置用于实现上述的实施例中的方法的功能,该***或者装置中的每个模块与方法中的每个步骤相对应,已经在方法中进行过说明的,在此不再赘述。
例如,模型构建模块构建的神经网络校正模型为Keras序惯模型,Keras序惯模型包括3层神经网络,该3层神经网络的神经元个数分别为512、1024和1024,激活函数为Relu,目标函数为MSE,优化函数为Adam函数,初始学习率为0.001;该Keras序惯模型采用梯度下降算法进行模型训练,且每25轮改变学习率的大小。
又例如,数据分析模块确定的各因素间相关关系如下:PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4,0.7),其他任意两个因素之间的相关系数属于区间(0.2,0.4)。
作为一可选的实施方式,基于循环神经网络的传感器校准装置,还包括:图形构建模块,用于分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图;判断模块,用于判断根据数据变化趋势图,判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。图形构建模块和判断模块用于在相关性分析之前判定待校正传感器监测数据与国家标注战监测数据是否存在相同的变化趋势,若两者不存在相同的变化趋势,则不能采用皮尔森相关性进行数据分析。
可选的,基于循环神经网络的传感器校准装置的获取模块为传感器硬件***,包括:若干待校正传感器,待校正传感器分别监测环境中四气两尘因素和气象因素的实时变化;若干线缆,所述线缆电连接待校正传感器的信号输出端,用于将待校正传感器的采集数据发送到数据分析模块;或无线通信模块,用于各待校正传感器无线通信连接于数据分析模块,将实时采集数据上传至数据分析模块。可选的,数据分析模块为安装有SPSSAU数据科学分析平台的计算机,计算机对其接收的各待校正传感器的实时采集数据分类存储;为了便于进行数据分析和对比,各校正传感器进行数据采集的周期与国家标注站的数据采集周期保持一致;进行数据分析时,进入SPSSAU数据科学分析平台调取计算机分类存储的各项数据进行皮尔森相关性分析,获得分析结果。
本发明上述实施例公开的基于循环神经网络的传感器校准方法及装置,通过将待校正传感器布控在国家标注站预设范围内,根据待校正传感器的采集数据和国家标准站的站点数据构建校正模型;校正模型的输入各因素的采集数据、根据各因子相关关系的强弱调节权重,输出为校准后的单因子数据;校正模型校准待校正传感器的采集数据,校准效率高。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (8)
1.一种基于循环神经网络的传感器校准方法,其特征在于,包括:
分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,待校正传感器布设在国家标注站周圈设定的区域范围内,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;
根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;
根据各因素间的相关关系,确定四气两尘因素和气象因素中任意两个因素间的权重因子;
分别对各因素构建神经网络校正模型,以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;
对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得传感器校准数据;
其中,所述神经网络校正模型为Keras序惯模型;
所述Keras序惯模型包括3层神经网络,该3层神经网络的神经元个数分别为512、1024和1024,激活函数为Relu,目标函数为MSE,优化函数为Adam函数,初始学习率为0.001;
所述Keras序惯模型采用梯度下降算法进行模型训练,且每25轮改变学习率的大小。
2.根据权利要求1所述的基于循环神经网络的传感器校准方法,其特征在于,根据皮尔森相关性分析确定的各因素间相关关系如下:
所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4,0.7),其他任意两个因素之间的相关系数属于区间(0.2,0.4)。
3.根据权利要求1所述的基于循环神经网络的传感器校准方法,其特征在于,根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系之前还包括:
分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图;
根据数据变化趋势图,判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
4.根据权利要求3所述的基于循环神经网络的传感器校准方法,其特征在于,所述数据变化趋势图包括曲线图、直方图和散点图。
5.一种基于循环神经网络的传感器校准装置,其特征在于,包括:
获取模块,分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据,其中,待校正传感器布设在国家标注站周圈设定的区域范围内,四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3,气象因素为实时温度和实时湿度;
数据分析模块,用于根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系;
权重确定模块,用于根据各因素间的相关关系,确定四气两尘因素和气象因素中任意两个因素间的权重因子;
模型构建模块,用于分别对各因素构建神经网络校正模型,以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入,以国家标注站对该因素的监测数据作为输出,训练并测试模型;
校正模块,用于对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正,获得传感器校准数据;
其中,所述模型构建模块构建的神经网络校正模型为Keras序惯模型;
所述Keras序惯模型包括3层神经网络,该3层神经网络的神经元个数分别为512、1024和1024,激活函数为Relu,目标函数为MSE,优化函数为Adam函数,初始学习率为0.001;
所述Keras序惯模型采用梯度下降算法进行模型训练,且每25轮改变学习率的大小。
6.根据权利要求5所述的基于循环神经网络的传感器校准装置,其特征在于,所述数据分析模块确定的各因素间相关关系如下:
所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4,0.7),其他任意两个因素之间的相关系数属于区间(0.2,0.4)。
7.根据权利要求5所述的基于循环神经网络的传感器校准装置,其特征在于,还包括:
图形构建模块,用于分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图;
判断模块,用于判断根据数据变化趋势图,判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
8.一种电子设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器运行所述计算机程序时,实现如权利要求1-4中任一项所述的基于循环神经网络的传感器校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045179.3A CN115436572B (zh) | 2022-08-30 | 2022-08-30 | 一种基于循环神经网络的传感器校准方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045179.3A CN115436572B (zh) | 2022-08-30 | 2022-08-30 | 一种基于循环神经网络的传感器校准方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115436572A CN115436572A (zh) | 2022-12-06 |
CN115436572B true CN115436572B (zh) | 2023-06-06 |
Family
ID=84244503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211045179.3A Active CN115436572B (zh) | 2022-08-30 | 2022-08-30 | 一种基于循环神经网络的传感器校准方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115436572B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598164B (zh) * | 2022-12-14 | 2023-04-07 | 南京师范大学 | 一种集成机器学习的土壤重金属浓度检测方法及*** |
CN115901890A (zh) * | 2022-12-28 | 2023-04-04 | 苏州数言信息技术有限公司 | 一种适用于水培***的传感器及测试方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109781934A (zh) * | 2017-11-13 | 2019-05-21 | 富士通株式会社 | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器*** |
CN112505644A (zh) * | 2020-02-28 | 2021-03-16 | 加特兰微电子科技(上海)有限公司 | 传感器测量校正方法、装置、终端设备及存储介质 |
CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
CN113219130B (zh) * | 2021-04-16 | 2022-08-02 | 中国农业大学 | 一种多参数气体传感器的校准方法及测试平台 |
CN114676779A (zh) * | 2022-03-28 | 2022-06-28 | 河南工业大学 | 基于鲁棒宽度网络的大气质量监测数据校准方法及*** |
-
2022
- 2022-08-30 CN CN202211045179.3A patent/CN115436572B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115436572A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115436572B (zh) | 一种基于循环神经网络的传感器校准方法及装置 | |
EP3769047B1 (en) | Sensor calibration | |
CN105651939A (zh) | 电子鼻***中基于凸集投影的浓度检测精度校正方法 | |
Xiang et al. | Collaborative calibration and sensor placement for mobile sensor networks | |
CN108614071B (zh) | 分布式室外大气质量监测精度校正***及参数更新方法 | |
CN116297068B (zh) | 基于地表反射率优化的气溶胶光学厚度反演方法及*** | |
CN110418283B (zh) | 基于WiFi数据的位置指纹库创建方法 | |
CN110081923B (zh) | 野外基线环境参数自动采集***故障检测方法与装置 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN111157413B (zh) | 一种pm2.5网格化监控网络***及其一致性校准方法 | |
CN112798738A (zh) | 基于传感器特性曲线的响应模型及浓度补偿方法 | |
CN112462005A (zh) | 温度补偿方法及相关产品 | |
CN113777224B (zh) | 一种网格化空气质量评估数据的生成方法及*** | |
CN114279554A (zh) | 低温振颤传感器的多地同步自适应性能测试方法及*** | |
CN111327630B (zh) | 基于全对称多胞形理论的攻击检测与修正方法 | |
CN107656905A (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN113311509B (zh) | 一种基于神经网络的mwhts对海面气压的敏感性测试方法 | |
CN114510850B (zh) | 一种大气六参差异化的多模型融合校准方法及*** | |
CN115855133A (zh) | 传感器的校准方法、装置、计算机设备和可读存储介质 | |
CN114485800B (zh) | 适用于气体多参数移动监测仪的远程质控方法 | |
CN113945684A (zh) | 一种基于大数据的微型空气站自校准方法 | |
CN106686719B (zh) | 一种rssi拟合方法 | |
CN101277527B (zh) | 一种蜂窝网距离重构算法 | |
CN117969769B (zh) | 基于传感技术的大气污染物含量监测方法 | |
CN110850366A (zh) | 混合视距和非视距环境下基于接收信号强度的定位方法 |
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 |