一种基于图像特征和集成神经网络的空气细颗粒物PM2.5测量方法技术

一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法既属于环境工程领域又属于检测技术领域。大气环境系统具有多变量、非线性、内部机理复杂、信息不完备等特性，难以通过机理分析建立其数学模型，而相比于单个神经网络，集成神经网络对于高度非线性和严重不确定性系统则具有更好的处理能力，且用图像特征作为输入变量预测PM2.5能有效提高模型的实时性和高效性。本发明专利技术针对PM2.5难以高精度且实时预测的问题，首先基于特征提取方法提取与PM2.5相关的图像特征，其次利用基于简单平均方法的集成神经网络建立相关图像特征和PM2.5之间的软测量模型，最后用建立好的软测量模型对PM2.5进行预测并取得了较好的效果。该软测量模型的输出结果可为环境管理决策者和群众提供及时准确的大气环境质量信息，有利于加强大气环境污染控制，防止严重污染的发生。

【技术实现步骤摘要】
一种基于图像特征和集成神经网络的空气细颗粒物PM2.5测量方法
本专利技术涉及空气中细颗粒物PM2.5的软测量方法。软测量是根据某种最优准则，选择一组既与主变量密切联系，又容易测量的输入变量，通过构造某种数学模型，依靠事先学习和记忆实现对主变量的估计。PM2.5的预测在空气污染防治中具有重要意义，将软测量方法应用于PM2.5的预测中，既可节约空气污染监测成本，又能及时提供PM2.5的浓度信息，有利于加强大气环境污染控制，是先进制造
的重要分支，既属于环境工程领域，又属于检测

技术介绍
2013年颁发的《大气污染防治行动计划》明确指出，到2017年全国地级及以上城市可吸入颗粒物浓度比2012年下降10％以上，其中北京市细颗粒物浓度控制在60μg/m3。但是，当前我国大气污染形势严峻，以PM2.5等为特征污染物的区域性大气环境问题日益突出，损害公众身体健康，影响社会和经济的可持续发展。因此通过对PM2.5的预测，及时防治空气污染，防止严重污染的发生已受到社会的广泛关注。然而，PM2.5的浓度不仅和污染源、污染物有关，还和气象条件有关，其成分及比例，排放源组成及贡献率有明显的时空异质性，且大气环境系统具有多变量、非线性、内部机理复杂、信息不完备等特性，使PM2.5的预测难度较大。目前，各国环保部门广泛采用的PM2.5测定方法有重量法、β射线吸收法和微量振荡天平法。重量法需要人工称重，操作繁琐费时。后两者属于自动监测方法，所需仪器仪表价格昂贵，维护困难，测量范围有限。常用的PM2.5预测方法确定性化学建模方法所需的模型分辨率、气象初始条件、排放源的时空分布等参数难以确定，计算复杂，精度较低。线性回归建模方法不适合对本身非线性的大气环境系统进行建模。人工神经网络虽然预测精度不高，但把神经网络进行集成会显著提高模型精度。现有的大多数PM2.5预测方法因基于不易实时获取的气象局数据而不能实时的预测PM2.5浓度。因此，研究新的PM2.5预测方法对解决PM2.5难以高精度且实时预测的问题具有深远的现实意义。本专利技术提出一种新的基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法。图像特征是通过特征提取方法从图片中提取得到的，集成神经网络是利用简单平均的方法将若干个递归模糊神经网络集成得到，通过反复实验根据集成神经网络的性能表现增删递归模糊神经网络数目，使集成神经网络的性能最终变得最优，同时利用自适应学习率的梯度下降算法训练集成神经网络的子网络递归模糊神经网络的中心、宽度和权值。然后，以通过特征提取方法得到的图像特征为输入，利用该集成神经网络建立PM2.5软测量模型，实现对空气细颗粒物PM2.5的预测。
技术实现思路
本专利技术获得了一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法。该方法首先利用采集到的图片基于特征提取方法提取与PM2.5相关的图像特征，然后利用简单平均方法确定的集成神经网络建立相关图像特征和PM2.5之间的软测量模型，对PM2.5进行预测，解决了PM2.5难以高精度且实时预测的问题。一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法设计包括以下步骤：(1)提取图像特征①图像对比度特征是决定图像增强的关键因素。一个经典且常用于度量图像对比度的标准是信息熵。信息熵是一种全局测量，它表征图像中包含的平均信息量。更大的熵意味着图像具有更大的对比度进而拥有更好的视觉质量。基于相位一致性的熵Epc计算公式如下：其中，s代表图像信号，spc由s中的像素构成，l代表像素值且值域为[0,255]，P代表概率分布。图像对比度的第二种度量方式是对比能，其估计感知的是图像局部对比度。使用它的原因在于对比能具有计算简单性，更重要是在于它具有对比度感知属性。对比能在三个通道上计算公式如下：其中，s代表图像信号，sq表示滤波器在第q个方向过滤得到的图像信号，f＝{rg,gr,yb}分别是s的三通道，并且rg＝R-G，gr＝0.299×R+0.587×G+0.114×B和yb＝0.5×(G+R)-B，R,G,B分别是红、绿、蓝三个通道的颜色值，它们的取值范围为[0,255]，ψh和ψυ分别代表高斯函数的水平和垂直二阶导数，CEf＝{CErg,CEgr,CEyb}。α取Y(sf)的最大值，θ控制对比增益，ξ用于通过阈值约束噪声。因此，图像对比度的四组特征包括如下：Epc,CErg,CEgr,CEyb。②图像亮度非常影响图像增强的效果，因为一方面适当的图像亮度使图像具有更宽的动态范围，另一方面它包含语义信息。我们利用亮度变化图像的熵来推断图像是否具有合适的亮度。面对多指标md的选择，其中d为选取指标的个数，指标过多有利于提高性能，但对计算速度不利。我们通过使用六个熵值在功效和效率之间找到了很好的平衡,所以取d＝6，计算公式如下：其中，n的取值依据经验给定。因此，图像亮度的六组特征包括如下：③图像色彩度具有与亮度类似的功能，提供具有更宽动态范围的彩色图像，从而显示与灰度图像相关的更多细节和信息。为了量化图像的色彩度，我们首先介绍色彩饱和度，它表示与其自身亮度相比颜色的色彩度。将图像转换为由色调、饱和度和明度构成的颜色空间后，它的饱和通道的全局平均值的计算公式如下：其中，S代表一组图像色彩度特征，TX→S代表转换函数用于转换某一种类型图像为饱和通道，s代表图像信号，M表示s中的像素数，s(z)表示s中第z个像素点。图像色彩的另一个测量量由四个重要特征构成，它们分别包括yb和rg通道的均值μyb,μrg和方差σyb,σrg。另一组图像色彩度特征C的计算公式如下：其中，κ是修正因子，用于调整各部分的相对重要性。因此，图像色彩度的两组特征包括如下：S,C④由图像特征提取式(1)-式(5)，图像的三类特征对比度、亮度、色彩度能分别从图片中被提取出来，分别为Epc,CErg,CEgr,CEyb、和S,C。(2)确定输入变量和预测变量。①变量数据的标准化处理：将从上一小时实际摄取图片中提取出来的图像特征数据和PM2.5浓度的下一小时数据一一对应，整理出L组数据，其中L取值可为200左右，过小数据量不够，包含信息不完备，过大计算过于复杂，然后以图像特征为自变量X，PM2.5浓度为因变量Y：X＝[x1,x2,…,x12]T,Y＝y(6)其中，x1,x2,x3,x4表示图像对比度特征Epc,CErg,CEgr,CEyb，x5,x6,x7,x8,x9,x10表示图像亮度特征x11,x12表示图像色彩度特征S,C，y表示PM2.5浓度。各类特征是无量纲的，PM2.5浓度的单位是μg/m3。数据标准化处理的计算公式如下：其中，g1，g2,，g3，g4是从上一小时实际摄取图片中提取出来的图像对比度特征Epc,CEgr,CEyb,CErg的数据数组标准化后得到的数组，D1，D2，D3，D4是标准化前图像对比度特征Epc,CEgr,CEyb,CErg的数据数组，D1,min，D2,min，D3,min，D4,min分别是数组D1，D2，D3，D4中的最小值，D1,max，D2,max，D3,max，D4,max分别是数组D1，D2，D3，D4中的最大值。从上一小时实际摄取图片中提取出来的图像亮度特征和图像色彩度特征本文档来自技高网...

【技术保护点】
1.一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法，其特征在于，包括以下步骤：(1)提取图像特征①基于相位一致性的熵Epc计算公式如下：

【技术特征摘要】
1.一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法，其特征在于，包括以下步骤：(1)提取图像特征①基于相位一致性的熵Epc计算公式如下：其中，s代表图像信号，spc由s中的像素构成，l代表像素值且值域为[0,255]，P代表概率分布；图像对比度的第二种度量方式是对比能，其估计感知的是图像局部对比度；对比能在三个通道上计算公式如下：其中，s代表图像信号，sq表示滤波器在第q个方向过滤得到的图像信号，f＝{rg,gr,yb}分别是s的三通道，并且rg＝R-G，gr＝0.299×R+0.587×G+0.114×B和yb＝0.5×(G+R)-B，R,G,B分别是红、绿、蓝三个通道的颜色值，它们的取值范围为[0,255]，ψh和ψυ分别代表高斯函数的水平和垂直二阶导数，CEf＝{CErg,CEgr,CEyb}；α取Y(sf)的最大值,θ控制对比增益，ξ用于通过阈值约束噪声；因此，图像对比度的四组特征包括如下：Epc,CErg,CEgr,CEyb；②利用亮度变化图像的熵来推断图像是否具有合适的亮度；面对多指标md的选择，其中d为选取指标的个数，取d＝6，计算公式如下：其中，n的取值依据经验被给定为3.5,5.5,7.5；因此，图像亮度的六组特征包括如下：③引入色彩饱和度，它表示与其自身亮度相比颜色的色彩度；将图像转换为由色调、饱和度和明度构成的颜色空间后，它的饱和通道的全局平均值的计算公式如下：其中，S代表一组图像色彩度特征，TX→S代表转换函数用于转换某一种类型图像为饱和通道，s代表图像信号，M表示s中的像素数，s(z)表示s中第z个像素点；图像色彩的另一个测量量由四个重要特征构成，它们分别包括yb和rg通道的均值μyb,μrg和方差σyb,σrg；另一组图像色彩度特征C的计算公式如下：其中，κ是修正因子，用于调整各部分的相对重要性，经过反复实验得到，κ的最佳取值为0.3；因此，图像色彩度的两组特征包括如下：S,C④由图像特征提取式(1)-式(5)，图像的三类特征对比度、亮度、色彩度从图片中被提取出来，分别为Epc,CErg,CEgr,CEyb、和S,C；(2)确定输入变量和预测变量；①变量数据的标准化处理：将从上一小时实际摄取图片中提取出来的图像特征数据和PM2.5浓度的下一小时数据一一对应，整理出L组数据，然后以图像特征为自变量X，PM2.5浓度为因变量Y：X＝[x1,x2,…,x12]T,Y＝y(6)其中，x1,x2,x3,x4表示图像对比度特征Epc,CErg,CEgr,CEyb，x5,x6,x7,x8,x9,x10表示图像亮度特征x11,x12表示图像色彩度特征S,C，y表示PM2.5浓度；各类特征是无量纲的，PM2.5浓度的单位是μg/m3；数据标准化处理的计算公式如下：其中，g1，g2,，g3，g4是从上一小时实际摄取图片中提取出来的图像对比度特征Epc,CEgr,CEyb,CErg的数据数组标准化后得到的数组，D1，D2，D3，D4是标准化前图像对比度特征Epc,CEgr,CEyb,CErg的数据数组，D1,min，D2,min，D3,min，D4,min分别是数组D1，D2，D3，D4中的最小值，D1,max，D2,max，D3,max，D4,max分别是数组D1，D2，D3，D4中的最大值；从上一小时实际摄取图片中提取出来的图像亮度特征和图像色彩度特征S,C的数据数组和PM2.5浓度的下一小时实测数据数组分别是D5、D6、D7、D8、D9、D10，D11、D12和D13，找出各数组内部的最大值和最小值，按照式(7)相同的处理方式得到标准化数组分别是：g5、g6、g7、g8、g9、g10，g11、g12和g13；②通过①中的数据标准化处理得到g1、g2、g3、g4、g5、g6，g7、g8、g9、g10、g11、g12，将这些图像特征选作输入变量，记为r1,r2,…,r12，PM2.5浓度作为预测变量，是集成神经网络的期望输出，记为op，输入变量和预测变量的标准化观测数据阵分别记为E和F，选取E和F的前I组数据作为训练样本，后I′组数据作为测试样本；(3)设计用于PM2.5预测的集成神经网络的拓扑结构；用于PM2.5预测的集成神经网络共由Q个子网络递归模糊神经网络组成，每个子网络都是一个递归模糊神经网络；该集成神经网络通过简单平均的方法将Q个子网络集为一体，这里的简单平均方法是指所有子网络的权重一样且各权重之和为1；集成神经网络的子网络为递归模糊神经网络，该子网络共5层：输入层、隶...

【专利技术属性】
技术研发人员：乔俊飞，贺增增，顾锞，李晓理，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11