一种用于智能气体传感的气体浓度预测方法及系统技术方案

本发明专利技术公开了一种用于智能气体传感的气体浓度预测方法及系统，方法包括气体数据采集

【技术实现步骤摘要】
一种用于智能气体传感的气体浓度预测方法及系统


[0001]本专利技术属于气体浓度预测
，具体是指一种用于智能气体传感的气体浓度预测方法及系统
。

技术介绍

[0002]智能气体传感在环境保护
、
气象预报
、
交通管理等领域有广泛运用，气体浓度预测是智能气体传感的一项重要技术，它旨在提高智能气体传感的测量精度和测量范围，可以有效地降低智能气体传感的成本
。
[0003]但在现有的气体浓度预测过程中，存在因真实测量环境有多种干扰因素，难以避免测量误差，从而导致气体数据带有噪声
、
缺失值和异常值，降低了数据的质量，影响了预测模型的准确性的技术问题；存在气体浓度预测通常涉及大量的传感器数据
、
气象数据和其他环境数据，导致计算复杂度高，容易出现过拟合现象，极大地影响了气体浓度预测模型的性能和鲁棒性的技术问题；存在气体浓度预测模型适用范围有限，限制了气体预测模型运用的广泛性的技术问题
。

技术实现思路

[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种用于智能气体传感的气体浓度预测方法及系统，针对在气体浓度预测过程中，存在因真实测量环境有多种干扰因素，难以避免测量误差，从而导致气体数据带有噪声
、
缺失值和异常值，降低了数据的质量，影响了预测模型的准确性的技术问题，本方案采用主成分分析方法进行特征提取，从数据中提取最相关的主成分，提升了数据的质量，为后续的预测模型训练提供了更优质的数据基础；针对在气体浓度预测过程中，存在气体浓度预测通常涉及大量的传感器数据
、
气象数据和其他环境数据，导致计算复杂度高，容易出现过拟合现象，极大地影响了气体浓度预测模型的性能和鲁棒性的技术问题，本方案采用最小冗余最大相关性特征选择方法，有效减少冗余特征，减少过拟合风险，提高了预测模型的性能和鲁棒性；针对在气体浓度预测过程中，存在气体浓度预测模型适用范围有限，限制了气体预测模型运用的广泛性的技术问题，本方案采用基于长短期记忆网络和注意力机制的多任务学习模型构建方法，共享任务之间的特征和结构，增强了预测模型的泛化能力
。
[0005]本专利技术采取的技术方案如下：本专利技术提供的一种用于智能气体传感的气体浓度预测方法，该方法包括以下步骤：步骤
S1
：气体数据采集，具体为采用气体传感器，通过采集得到气体数据
gasD
；
[0006]步骤
S2
：数据预处理，具体为采用标准化算法和离差标准化方法，计算得到标准化气体数据；
[0007]步骤
S3
：特征提取，具体为采用主成分分析方法对所述标准化气体数据进行特征提取，得到降维特征矩阵
A
；
[0008]步骤
S4
：特征选择，具体为通过计算所述降维特征矩阵
A
和气体浓度
gasC
两者的互
信息，衡量降维特征矩阵
A
和气体浓度
gasC
之间的冗余，并依据最大相关性准则的结果，得到最佳特征子集；
[0009]步骤
S5
：气体浓度预测模型构建，具体为采用长短期记忆网络层来提取所述最佳特征子集中的特征，并采用注意力机制计算上下文向量，通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型
GasModel
；
[0010]步骤
S6
：气体浓度预测结果报告
。
[0011]作为本方案的进一步改进，在步骤
S1
中，所述气体数据
gasD
包括气体浓度
gasC、
气体类型
、
环境温度和相对湿度
。
[0012]作为本方案的进一步改进，在步骤
S2
中，所述数据预处理，包括以下步骤：步骤
S21
：异常值过滤，具体为采用标准化算法删除所述气体数据
gasD
中的异常值，包括以下步骤：步骤
S211
：计算所述气体数据
gasD
的
Z
分数，计算公式为：；
[0013]式中，
X
i
是气体数据
gasD
的第
i
个数据的
Z
分数，
C
i
是气体数据
gasD
的第
i
个数据，是数据
C
i
的平均值，是数据
C
i
的标准差；
[0014]步骤
S212
：将
Z
分数绝对值大于或等于3的数据从所述气体数据
gasD
中删除，得到异常值过滤气体数据；
[0015]步骤
S22
：采用离差标准化方法，将异常值过滤气体数据映射到
[0
，
1]区间，得到标准化气体数据，计算公式为：；
[0016]式中，是标准化气体数据，是异常值过滤气体数据，
y
min
是异常值过滤气体数据中的最小值，
y
max
是异常值过滤气体数据中的最大值
。
[0017]作为本方案的进一步改进，在步骤
S3
中，所述特征提取具体指采用主成分分析方法对所述标准化气体数据进行特征提取，包括以下步骤：
[0018]步骤
S31
：计算标准化气体数据的协方差矩阵
V
，计算公式为：；
[0019]式中，
V
是标准化气体数据的协方差矩阵，
x
是标准化气体数据所对应的矩阵集，
n
是数据点的数量，
T
是转置操作；
[0020]步骤
S32
：对所述标准化气体数据的协方差矩阵
V
进行特征值分解，并通过特征值分解得到特征值和所述特征值对应的气体特征向量矩阵
C
，计算公式为：；
[0021]式中，
C
是气体特征向量矩阵，
V
是标准化气体数据的协方差矩阵，
D
是特征值对角矩阵，其中，所述特征值是特征值对角矩阵
D
对角线上的元素，
T
是转置操作；
[0022]步骤
S33
：依据所述特征值的大小，通过对最大的
K
个特征值对应的气体特征向量
矩阵
C
进行组合，得到主成分特征向量矩阵
M
；
[0023]步骤
S34
：将所述标准化气体数据投影到所述主成分特征向量矩阵
M
，得到降维特征矩阵
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于智能气体传感的气体浓度预测方法，其特征在于：该方法包括以下步骤：步骤
S1
：气体数据采集，具体为采用气体传感器，通过采集得到气体数据
gasD
；步骤
S2
：数据预处理，具体为采用标准化算法和离差标准化方法，计算得到标准化气体数据；步骤
S3
：特征提取，具体为采用主成分分析方法对所述标准化气体数据进行特征提取，得到降维特征矩阵
A
；步骤
S4
：特征选择，具体为通过计算所述降维特征矩阵
A
和气体浓度
gasC
两者的互信息，衡量降维特征矩阵
A
和气体浓度
gasC
之间的冗余，并依据最大相关性准则的结果，得到最佳特征子集；步骤
S5
：气体浓度预测模型构建，具体为采用长短期记忆网络层来提取所述最佳特征子集中的特征，并采用注意力机制计算上下文向量，通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型
GasModel
；步骤
S6
：气体浓度预测结果报告；在步骤
S5
中，所述气体浓度预测模型构建，具体指基于长短期记忆网络和注意力机制的多任务学习预测模型构建，包括以下步骤：步骤
S51
：采用长短期记忆网络层来提取最佳特征子集中的特征，计算公式为：；式中，
g
m
是当前时间步输出的隐藏状态，
LSTM
（）是长短期记忆网络的一个时间步计算操作，
g
m
‑1是前一时间步的隐藏状态，
m
是输入的最佳特征子集的时间步数；步骤
S52
：采用注意力机制计算上下文向量，包括以下步骤：步骤
S521
：计算查询向量，计算公式为：；式中，是查询向量，
g
m
是当前时间步输出的隐藏状态，是查询的位置索引，
μ
p
是查询的权重矩阵；步骤
S522
：计算键向量，计算公式为：；式中，是键向量，
g
m
是当前时间步输出的隐藏状态，是键和值的位置索引，
μ
k
是键的权重矩阵；步骤
S523
：计算值向量，计算公式为：；式中，是值向量，
g
m
是当前时间步输出的隐藏状态，是键和值的位置索引，
μ
v
是值的权重矩阵；步骤
S524
：计算所述查询向量和所述键向量之间的相似度得分，计算公式为：；式中，是查询向量和键向量之间的相似度得分，
d
k
是键向量的维度；步骤
S525
：通过
Softmax
函数，计算得到注意力矩阵，计算公式为：
；式中，是注意力矩阵，
Softmax
（）是
Softmax
函数，是查询向量和键向量之间的相似度得分；步骤
S526
：依据注意力机制，通过对所述值向量加权求和得到上下文向量，计算公式为：；式中，
e
l
是查询向量相关的上下文向量，是值向量的数量，是注意力矩阵，是值向量；步骤
S53
：从所述上下文向量中提取气体浓度的信息，并预测气体浓度值，计算公式为：；式中，
u
gco
是气体浓度的估计值，
h
gco
是气体偏置向量，
μ
gco
是浓度预测任务权重矩阵，
e
l
是查询向量相关的上下文向量；步骤
S54
：通过
Softmax
函数，对气体类型进行分类，计算公式为：；式中，
u
cla
是气体类别的概率分布，
Softmax
（）是
Softmax
函数，
h
cla
是气体类型偏置向量，
e
l
是查询向量相关的上下文向量，
μ
cla
是气体分类任务权重矩阵；步骤
S55
：通过设置浓度预测的损失函数，来衡量模型预测结果与真实值之间的差异，计算公式为：；式中，
L
gco
是浓度预测任务均方误差损失函数，是需要预测的浓度值的数量，是第
s
个浓度预测的真实值，是第
s
个浓度预测的模型预测值；步骤
S56
：通过设置气体分类的损失函数，来衡量模型分类结果与真实值之间的差异，计算公式为：；式中，
L
cla
是气体分类任务交叉熵损失函数，是需要分类的样本数量是气体类别的数量是第个样本的真实标签，是模型对第个样本属于第个气体类别的概率；步骤
S57
：通过设置多任务学习损失函数，来平衡不同任务的重要性，计算公式为：；式中，
Loss
是多任务学习损失函数，
γ
是取值为
[0
，
1]
的气体分类任务损失函数权重，
δ
是用于调整参数矩阵的惩罚常数，
|
μ
gco
|1是浓度预测任务权重矩阵
μ
gco
的
L1
正则化项，
|
μ
cla
|1是气体分类任务权重矩阵
μ
cla
的正则化项；
步骤
S58
：通过多任务学习损失函数来进行模型训练，得到气体浓度预测模型
GasModel。2.
根据权利要求1所述的一种用于智能气体传感的气体浓度预测方法，其特征在于：在步骤
S2
中，所述数据预处理，包括以下步骤：步骤
S21
：异常值过滤，具体为采用标准化算法删除所述气体数据
gasD
中的异常值，包括以下步骤：步骤
S211
：计算所述气体数据
gasD
的
Z
分数，计算公式为：；式中，
X
i
是气体数据
gasD
的第
i
个数据的
Z
分数，
C
i
是气体数据
gasD
的第
i
个数据，是数据
C
i
的平均值，是数据
C
i
的标准差；步骤
S212
：将
...

【专利技术属性】
技术研发人员：梁文清，杨阳，袁磊，王志杰，石旭，张博文，庞华，陈瑜，康梦溪，姚丹，赵文君，郭宝昆，帖经伟，
申请(专利权)人：河北金锁安防工程股份有限公司，
类型：发明
国别省市：