基于人工蜂群和神经网络的气体标定分类方法及系统技术方案

本发明专利技术公开一种基于人工蜂群和神经网络的气体标定分类方法，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分类模型进行优化，将待测气体监测数据输入至精准的神经网络分类模型中，得到气体分类结果，根据分类结果对气体进行标定。通过本发明专利技术的方法和系统，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。

【技术实现步骤摘要】
基于人工蜂群和神经网络的气体标定分类方法及系统
本专利技术涉及大数据人工智能
，尤其涉及一种基于人工蜂群和神经网络的气体标定分类方法及系统。
技术介绍
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，才知道气体中包含多少种气体，并且这些气体的种类是怎样，这样的测算方式，只能根据排放结果获得，而不能进行预测，排放的气体种类多了势必会污染环境，然后再对污染的环境进行清理，会造成资源的浪费。本专利技术是针对这种测算进行改进的，结合大数据人工智能方式，对气体预算出分类结果，达到预测的目的。
技术实现思路
本专利技术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系统。为了解决上述技术问题，本专利技术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气体标定分类方法，包括以下步骤：获取若干个气体监测点的气体监测数据，获取到的所述气体监测数据为多种类型气体的数据，至少包括单原子气体、双原子气体、三原子气体和多分子气体；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分类模型，采用人工蜂群算法对所述神经网络分类模型进行优化，得到优化后的神经网络分类模型，并采用训练集对优化后的神经网络分类模型进行验证，判断是否为误差范围内的精准神经网络分类模型，将待测气体监测数据输入至精准的神经网络分类模型中，得到气体分类结果，根据分类结果对气体进行标定。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时刻的系统状态表示为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时刻对系统的控制量，uk-1是k-1时刻对系统的控制量，A为系统k-1时刻的系统状态的参数矩阵，B为系统k-1时刻的控制量的参数矩阵，H为系统k时刻的系统状态的参数矩阵，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与系统状态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；根据测量时刻对系统进行更新，通过上一时刻的系统状态来更新当前时刻的系统状态，当前时刻的系统状态表示为：确定当前时刻的系统状态，其中，表示当前时刻的系统状态，A为系统k-1时刻的系统状态的参数矩阵，B为系统k-1时刻的控制量的参数矩阵，uk-1为k-1时刻对系统的控制量，为上一时刻的系统状态；通过所述上一时刻的系统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表示系统参数矩阵，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系统的卡尔曼增益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对当前时刻的系统状态进行校正更新，当前时刻的系统状态表示为：为经过卡尔曼滤波后的当前时刻的系统状态，其中，表示当前时刻的系统状态，H表示参数矩阵，Kk表示卡尔曼增益，表示为上一时刻的系统状态，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：当前时刻系统状态的误差表示为，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系统状态的误差，在下一个过程中作为上一时刻的系统状态的误差使用。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分类模型，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分类模型，神经网络分类模型为其中，n为神经网络分类模型的层数，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，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分类模型进行优化，得到优化后的神经网络分类模型，具体为：基于样本集选定样本数据，随机产生神经网络分类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，则神经网络分类模型训练结束，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，则神经网络分类模型训练结束，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分类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；神经网络分类模型训练结束，得到优化后的神经网络分类模型。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分类模型进行验证，判断是否为误差范围内的精准神经网络分类模型，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分类模型进行训练，重复迭代直到矩阵W的向量b收敛，则所述神经网络分类模型已训练好，此时得到了精准的神经网络分类模型。作为一种可实施方式，所述得到气体分类结果，根据分类结果对气体进行标定，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分类模型，神经网络分类模型输出未来一段时间的预测数据，根据预测数据得到分类结果；通过分类结果对气体的种类进行标定，预测出未来监测到的数据是否正常。一种基于人工蜂群和神经网络的气体标定分类系统，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，用于获取若干个本文档来自技高网...

【技术保护点】
1.一种基于人工蜂群和神经网络的气体标定分类方法，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，获取到的所述气体监测数据为多种类型气体的数据，至少包括单原子气体、双原子气体、三原子气体和多分子气体；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分类模型，采用人工蜂群算法对所述神经网络分类模型进行优化，得到优化后的神经网络分类模型，并采用训练集对优化后的神经网络分类模型进行验证，判断是否为误差范围内的精准神经网络分类模型，将待测气体监测数据输入至精准的神经网络分类模型中，得到气体分类结果，根据分类结果对气体进行标定。

【技术特征摘要】
1.一种基于人工蜂群和神经网络的气体标定分类方法，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，获取到的所述气体监测数据为多种类型气体的数据，至少包括单原子气体、双原子气体、三原子气体和多分子气体；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分类模型，采用人工蜂群算法对所述神经网络分类模型进行优化，得到优化后的神经网络分类模型，并采用训练集对优化后的神经网络分类模型进行验证，判断是否为误差范围内的精准神经网络分类模型，将待测气体监测数据输入至精准的神经网络分类模型中，得到气体分类结果，根据分类结果对气体进行标定。2.根据权利要求1所述的基于人工蜂群和神经网络的气体标定分类方法，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气体标定分类方法，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时刻的系统状态表示为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时刻对系统的控制量，uk-1是k-1时刻对系统的控制量，A为系统k-1时刻的系统状态的参数矩阵，B为系统k-1时刻的控制量的参数矩阵，H为系统k时刻的系统状态的参数矩阵，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与系统状态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；根据测量时刻对系统进行更新，通过上一时刻的系统状态来更新当前时刻的系统状态，当前时刻的系统状态表示为：确定当前时刻的系统状态，其中，表示当前时刻的系统状态，A为系统k-1时刻的系统状态的参数矩阵，B为系统k-1时刻的控制量的参数矩阵，uk-1为k-1时刻对系统的控制量，为上一时刻的系统状态；通过所述上一时刻的系统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表示系统参数矩阵，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系统的卡尔曼增益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对当前时刻的系统状态进行校正更新，当前时刻的系统状态表示为：为经过卡尔曼滤波后的当前时刻的系统状态，其中，表示当前时刻的系统状态，H表示参数矩阵，Kk表示卡尔曼增益，表示为上一时刻的系统状态，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：当前时刻系统状态的误差表示为，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系统状态的误差，在下一个过程中作为上一时刻的系统状态的误差使用。4.根据权利要求3所述的基于人工蜂群和神经网络的气体标定分类方法，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气体标定分类方法，其特征在于，所述基于所述样本集建立神经网络分类模型，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...

【专利技术属性】
技术研发人员：吕晶，
申请(专利权)人：杭州麦乐克科技股份有限公司，
类型：发明
国别省市：浙江,33