【技术实现步骤摘要】
一种面向污染监测的多通路深度神经网络高效训练方法
[0001]本专利技术方法既属于污染监测领域又属于人工智能领域，使用采集的污染物图像样本与随机初始化的参数独立训练每个单通路网络，然后训练融合网络的融合部分参数而冻结剩下部分参数，最后对整个融合网络进行微调，实现了在烟气监测、河流浊度监测、细颗粒物监测任务上模型性能的有效提高。
技术介绍
[0002]由于传统的火电、化工等行业在我国经济中占有较大的比重，工业废气废水大量排放，导致空气污染、水体污染的问题依然困扰着政府与企业。除传统方法外，基于深度神经网络的方法已经大量应用在污染监测任务中。
[0003]基于深度神经网络的方法利用训练集对神经网络进行训练以拟合环境数据分布，从而构建出污染监测模型。在模型参数方面，现有训练方法主要分为直接训练法与预训练法。直接训练法通常随机初始化所有的模型给参数，然后让模型从零开始学习针对当前任务的合适参数，即根据每次迭代输出的预测值与真实值进行对比得到差值，然后根据该差值输出梯度，最后按照梯度修改神经网络模型网络参数，直至满足训练结束条...
【技术保护点】
【技术特征摘要】
1.一种面向污染监测的多通路深度神经网络高效训练方法，其特征在于，包括以下步骤：第一步：获取目标污染监测环境下的污染物图像样本；第二步：确定污染监测神经网络参数基础训练方法；第三步：利用污染物图像样本独立训练污染监测网络中每个单通路神经网络时，通过试错法找到最优神经网络结构，再应用污染监测网络参数基础训练方法确定最优的单通路网络模型参数；第四步：利用拼接与集成操作融合多个单通路神经网络，根据融合后的污染监测深度神经网络结构，优化融合部分的网络参数并冻结剩余部分网络参数以训练融合后的污染监测深度神经网络；第五步：对融合后的污染监测多通路深度神经网络整体参数进行微调，以找到深度神经网络模型最优参数。2.根据权利要求1所述的一种面向污染监测的多通路深度神经网络高效训练方法，其特征在于，第一步中：通过非接触式方法对目标环境进行污染监测时，利用图像采集设备与处理平台获取污染物图像样本，并将样本划分为训练集、验证集、测试集，每张污染物图像样本中均包含污染程度信息。3.根据权利要求1所述的一种面向污染监测的多通路深度神经网络高效训练方法，其特征在于，第二步中确定污染监测神经网络基础训练方法如下：通过Xavier初始化方法对神经网络中各项权值进行初始化，利用动量、学习衰减率以及随机梯度下降的训练方法对神经网络进行训练，提高训练效果并防止其陷入局部最优，其中动量系数设为0.92，初始学习率设为0.002，学习衰减系数设为0.0002，梯度下降法的随机系数设为0.92；训练...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。