一种气象环境负氧离子实时监测算法制造技术

本发明专利技术提供一种气象环境负氧离子实时监测算法，获取气象环境负氧离子浓度历史数据和实时数据A、以及负氧离子浓度相关数据；对预测函数序列的预测值取平均值得到待测样本的第一预测值A1；通过负氧离子浓度历史数据训练神经网络预测模型，并对数据进行预测获得第二预测值A2；步骤七：通过第一预测值和第二预测值与实时数据进行对比，且相似比大于预设值则输出第一预测值和第二预测值的平均值，否则重复步骤五和步骤六；本发明专利技术可以准确的检测气象环境中的负氧离子，避免了偶然误差，提高了检测精度。精度。精度。

【技术实现步骤摘要】
一种气象环境负氧离子实时监测算法


[0001]本专利技术涉及空气负氧离子
，具体为一种气象环境负氧离子实时监测算法。

技术介绍

[0002]空气负氧离子被称为“空气维他命”，具有杀菌、降尘、清洁空气、提高免疫力、调节人体机能平衡的功效，对改善大气环境有着重要的作用。空气负(氧)离子(Negative air(oxygen)ion，NAI)是带负电荷的单个气体分子和轻离子团的总称。在自然生态系统中，森林和湿地是产生空气负(氧)离子的重要场所。在空气净化、城市小气候等方面有调节作用，其浓度水平是城市空气质量评价的指标之一。
[0003]NAI主要是由空气中含氧负离子与若干个水分子结合形成的原子团，根据地理物理学和大地测量学国际联盟的大气联合委员会采用的理论，NAI就是O2
‑
(H2O)n，或OH
‑
(H2O)n，CO4(H2O)2，是带负电荷单个气体分子以及其轻离子团的总称。由于氧分子比CO2，N2等分子更具有亲电性，因此氧分子会优先获得电子形成负离子，所以NAI主要由负氧离子组成，故常被称为空气负氧离子。空气负离子浓度是判断空气质量的重要的标准，也是对目前市场上的负离子发生器产品质量鉴定的重要指标。传统的负离子浓度检测器是基于电容式离子收集器测量负离子在收集板两端形成的电流，根据电流值与负离子浓度的关系进行换算。
[0004]现有气象环境中的负氧离子并非是均匀分布的，可能存在纵向分布不均或横向分布不均的情况，通过现有的空气检测仪器在对气象环境中的负氧离子进行实时检测时在同一空间内对负氧离子的检测数值会出现波动，导致检测结果不准确，经常出现偶然误差，检测精度较低。

技术实现思路

[0005]针对上述技术问题，本专利技术提供一种气象环境负氧离子实时监测算法，可以准确的检测气象环境中的负氧离子，避免了偶然误差，提高了检测精度。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种气象环境负氧离子实时监测算法，包括以下步骤：
[0007]步骤一：获取气象环境负氧离子浓度历史数据和实时数据A、以及负氧离子浓度相关数据；
[0008]步骤二：将步骤一中的数据分为训练数据和检测数据；
[0009]步骤三：选定CART决策树作为随机森林算法中的弱学习算法，在建立CART决策树的过程中，每次随机选择部分特征，在特征属性中选择最佳划分属性，完成训练集样本的训练得到弱学习机；
[0010]步骤四：通过重复步骤二和步骤三，得到预测函数序列h，将该预测函数序列h对训练数据进行预测，并计算训练数据预测误差，当训练数据预测误差小于设定值，终止迭代过
程，共进行K次迭代，从而得到弱学习机序列，序列中包含各弱学习机h1，h2....hk，该序列即为强学习机H；
[0011]步骤五：将强学习机H作为离子预测模型，将检测数据的离子属性数据输入到强学习机H，强学习机H利用其各个弱学习机h1，h2....hk分别对检测数据进行预测，对预测函数序列的预测值取平均值得到待测样本的第一预测值A1；
[0012]步骤六：通过负氧离子浓度历史数据训练神经网络预测模型，并对数据进行预测获得第二预测值A2；
[0013]步骤七：通过第一预测值和第二预测值与实时数据进行对比，且相似比大于预设值则输出第一预测值和第二预测值的平均值，否则重复步骤五和步骤六。
[0014]优选的，通过神经网络预测模型预测数据的过程如下：
[0015]第一步：获取负氧离子浓度历史数据，并对历史数据进行预处理；
[0016]第二步：建立神经网络预测模型，再通过历史数据对神经网络预测模型进行训练；
[0017]第三步：将训练结果与实际数据进行对比，当相似度小于既定值时即训练完成，反之重复第二步；
[0018]第四步：对负氧离子浓度数据进行预测，并记录第二预测值A2。
[0019]优选的，输出第一预测值A1和第二预测值A2平均值的计算过程如下：
[0020]步骤1：分别计算第一预测值A1和第二预测值A2与实时数据A的第一相似比B1和第二相似比B2，其中
[0021]步骤2：当B1和B2的值均大于预设值时，输出平均值
[0022]优选的，气象环境负氧离子浓度相关数据包括采集时间、采集地点的纵横坐标以及相应的离子浓度，其中采集时间、采集地点的纵横坐标作为特征属性，离子浓度为预测目标。
[0023]优选的，步骤二中区分训练数据和检测数据为从初始数据中按照一定的比例抽取数据组成训练数据，剩下的的数据组成检测数据。
[0024]本专利技术的有益效果：首先通过建立离子预测模型便于对气象环境中的负氧离子浓度进行检测，并同时对气象环境中的实时监测数据进行采集和建立神经网络预测模型对负氧离子浓度进行预测，且将神经网络预测模型预测的结果和离子预测模型的预存结果与实时数据之间进行对比，并输出预测值的平均值，一方面便于起到相互验证的效果，避免出现偶然误差，提高了气象环境中负氧离子浓度检测的精度和准确度，另一方面也提高了预测值的精确度，保证了预测值的相对稳定。
附图说明
[0025]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制，在附图中：
[0026]图1为本专利技术提出的气象环境负氧离子实时监测算法简易结构示意图。
具体实施方式
[0027]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例和附图，进一步阐述本专利技术，但下述实施例仅为本专利技术的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本专利技术的保护范围。
[0028]请参阅图1，一种气象环境负氧离子实时监测算法，包括以下步骤：
[0029]步骤一：获取气象环境负氧离子浓度历史数据和实时数据A、以及负氧离子浓度相关数据；
[0030]步骤二：将步骤一中的数据分为训练数据和检测数据；
[0031]步骤三：选定CART决策树作为随机森林算法中的弱学习算法，在建立CART决策树的过程中，每次随机选择部分特征，在特征属性中选择最佳划分属性，完成训练集样本的训练得到弱学习机；
[0032]步骤四：通过重复步骤二和步骤三，得到预测函数序列h，将该预测函数序列h对训练数据进行预测，并计算训练数据预测误差，当训练数据预测误差小于设定值，终止迭代过程，共进行K次迭代，从而得到弱学习机序列，序列中包含各弱学习机h1，h2....hk，该序列即为强学习机H；
[0033]步骤五：将强学习机H作为离子预测模型，将检测数据的离子属性数据输入到强学习机H，强学习机H利用其各个弱学习机h1，h2....hk分别对检测数据进行预测，对预测函数序列的预测值取平均值得到待测样本的第一预测值A1；
[0034]步骤六：通过负氧离子浓度历史数据训练神经网络预测模型，并对数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气象环境负氧离子实时监测算法，其特征在于，包括以下步骤：步骤一：获取气象环境负氧离子浓度历史数据和实时数据A、以及负氧离子浓度相关数据；步骤二：将步骤一中的数据分为训练数据和检测数据；步骤三：选定CART决策树作为随机森林算法中的弱学习算法，在建立CART决策树的过程中，每次随机选择部分特征，在特征属性中选择最佳划分属性，完成训练集样本的训练得到弱学习机；步骤四：通过重复步骤二和步骤三，得到预测函数序列h，将该预测函数序列h对训练数据进行预测，并计算训练数据预测误差，当训练数据预测误差小于设定值，终止迭代过程，共进行K次迭代，从而得到弱学习机序列，序列中包含各弱学习机h1，h2....hk，该序列即为强学习机H；步骤五：将强学习机H作为离子预测模型，将检测数据的离子属性数据输入到强学习机H，强学习机H利用其各个弱学习机h1，h2....hk分别对检测数据进行预测，对预测函数序列的预测值取平均值得到待测样本的第一预测值A1；步骤六：通过负氧离子浓度历史数据训练神经网络预测模型，并对数据进行预测获得第二预测值A2；步骤七：通过第一预测值和第二预测值与实时数据进行对比，且相似比大于预设值则输出第一预测值和第二预测值的平均值，否则重复步骤五...

【专利技术属性】
技术研发人员：张卫东，周剑，黄德强，王春林，管东东，高昶，王江涛，
申请(专利权)人：安徽中科天达信息技术有限公司，
类型：发明
国别省市：