结合传感网络和机器学习的大气污染源定位系统及方法技术方案

本发明专利技术公开了一种结合传感网络和机器学习的大气污染源定位系统及方法，涉及污染监测的技术领域

【技术实现步骤摘要】
结合传感网络和机器学习的大气污染源定位系统及方法


[0001]本专利技术涉及污染监测
，尤其涉及一种结合传感网络和机器学习的大气污染源定位系统及方法
。

技术介绍

[0002]随着工业化和城市化进程的加速，环境污染已成为全球性难题
。
针对污染源的精准定位成为有效治理环境污染的关键
。
现有的大气污染源定位技术通过机器人
、
无人机等方式定位成本过高，且不适用于复杂环境，数值模拟方法构建模型定位与实际环境相差太大，因此对大气污染源定位需要一种低成本符合实际环境的定位方法
。

技术实现思路

[0003]本专利技术目的就是为了弥补已有技术的缺陷，提供一种结合传感网络和机器学习的大气污染源定位系统及方法，本专利技术通过实测数据训练定位模型能够对区域内的污染源进行长期监测并定位，同时减少成本
。
[0004]本专利技术是通过以下技术方案实现的：
[0005]一种结合传感网络和机器学习的大气污染源定位方法，具体包括以下步骤：
[0006]S1
：由于根据扩散模型或仿真获取的数据都是在较为理想的条件下，并不能与实际污染源扩散相符，故本专利技术设计了一种数据集获取实验，获取在真实环境中污染源扩散后的监测数据集，同时对数据集进行筛选填充预处理完善扩散数据集
。
[0007]S2
：在
S1
获取的数据集基础上，本专利技术采用支持向量机
(SVM)
和深度神经网络
(DNN)
方法构建污染源的分级分类定位模型
。
将定位问题转换为分类问题，该类模型由一个一级大分类器和多个子分类器组成，大分类器的作用是对传感器数据进行初步的分类，将污染源所在的区域与其他区域进行区分
。
然后，针对大分类器确定的污染源区域，使用多个子分类器对具体污染源位置进行精细定位，此二级分类模型以提高定位准确度
。
[0008]S3
：在后台监测终端上可视化监测区域的网格化地图模型，在
X
型网格位置标记监测装置点；将
S2
中训练好的污染源分类定位模型导入后台监测终端，实时采集数据对污染源进行实时定位；当终端通过模型判断输出污染源位置同时在地图网格中标注污染源位置
。
[0009]所述步骤
S1
具体包括以下步骤：
[0010]S11
：将监测区域网格化划分，建立相对坐标系描述网格位置关系，在网格监测区域
X
型位置网格处放置污染源气体监测装置，获取污染源扩散在
X
型位置网格的浓度分布，同时记录监测装置的坐标数据；
[0011]S12
：开始初始监测，记录环境背景浓度信息用做于无污染源的参考数据
。
将污染源置于其中一个网格区域内，标记此时污染源所属网格位置，同时记录各监测节点的监测的污染物目标数据，保证一定的监测时间获取各风向完善的数据集；
[0012]S13
：改变污染源与监测装置的相对高度，记录数据；更改污染源所处网格位置，重
复以上步骤获取每个网格处污染源的数据集，整合所有位置的数据获得此区域内完整的数据集
。
[0013]由于实测数据集受环境等原因存在干扰与异常数据，所以要对数据集进行筛选填充处理
。
[0014]S14
：处理风速异常数据，将风速突变为较大值时采集的后一段时间内的监测数据删除，保证数据集中风速的稳定性；填充个别监测结点某时刻数据缺失值，具体包括对具有缺失值的特征进行均值填充
。
[0015]所述步骤
S2
具体包括以下步骤：
[0016]S21
：更改数据集目标值样式，将污染源位置坐标转换为大小标签数据，划分子分类所属的大类别，更改数据集目标值为大小类别组合关系
。
[0017]S22
：数据标准化处理，对序列
X1……
X
n
标准化公式为：
[0018][0019]其中
[0020]S23
：在基础
SVM
分类器上构建
SVM
分级分类模型，包括以下步骤：构建一级大分类模型，采用一对多分类方法，选择合适的模型参数，并采用交叉验证等方法进行模型优化，以提高模型的泛化能力和准确性；构建二级子分类模型，需要将多个子分类器的结果进行处理，采用投票方法进行结果集成
。
在集成过程中，考虑每个子分类器的权重和结果置信度等因素，模型优化可参照大分类模型的构建；对模型进行测试评估，采用独立数据集进行测试，采用准确率
、
召回率
、F1
值等指标进行评估，根据评估效果适当调整一二级分类模型的模型参数
。
[0021]S24
：在基础
DNN
分类模型上构建
DNN
分级分类模型，包括以下步骤：构建一级大分类模型，设置神经网络的隐藏层层数和激活层，经过多个隐层进行特征提取和转换，最后输出污染源的类型
。
在模型训练过程中，采用反向传播算法进行参数更新，加入早停止机制，当模型分类准确度不再提升时停止模型训练，保存此时模型参数权重，同时采用正则化等方法进行模型优化；构建二级子分类模型，在第一级大分类完成后，需要将分类结果输入到第二级子分类器中，在一级分类模型基础上，选择网络层数结构和训练方法构建子分类模型；最后，将第二级子分类器的输出与第一级分类的结果进行集成输出，得到最终的污染源定位结果
。
[0022]一种结合分类模型的大气污染源定位系统的大气污染源定位系统，包括后台监测终端初始化模块，用于构建监测区域的初始地图模型，标注网格化区域，建立初始坐标系；目标位置标记模块，标注污染源监测站点位置以及预测出的污染源位置；数据采集控制判断模块，将监测区域内所有监测站点的数据定时采集并存储，同时采集记录风速风向传感器数据，可以控制更改数据采集时间间隔，设置相应污染物临界值，同时判断异常数据的出现，当网格监测区域中任一监测节点监测数据超过临界值时，进一步判定其它监测点数据，当异常数据出现在三个监测点以上，从此时开始记录异常数据；模型导入模块，用于将第二方面实施例中所训练的定位分类模型导入；定位计算输出模块，用于将标记为异常的实时采集的数据导入定位模型进行预测，此时连续对异常值出现的以后多条数据进行模型预
测，分别记录两种导入模型对这些连续数据中的数据的预测结果，将输出结果中占比最大的预测结果输出作为若该模型的单独输出预测结果
。
然后对比两种模型所输出的预测结果是否相同，相同则直接输出预测分类结果作为系统输出污染源位置，若预测分类结果不同，则进一步判断两个模型输出该预测分类概率的大小，输出概率较大的预测结果作为最终的污染源位置，调用位置标记模块将最终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种结合传感网络和机器学习的大气污染源定位方法，其特征在于：具体包括如下步骤：
S1
：设计数据集获取实验，获取在真实环境中污染源扩散后的监测数据集，同时对数据集进行筛选填充预处理完善数据集；
S2
：构建
SVM
和
DNN
方法构建污染源分级分类定位模型，将定位问题转化为分类问题；
S3
：将污染源分类定位模型导入后台监测终端，实时采集数据对污染源进行实时定位；后台监测终端上可视化监测区域的网格化模型，在
X
型网格位置标记监测站点；当后台监测终端通过定位模型判断出污染源位置时在地图网格中标注污染源位置
。2.
根据权利要求1所述的一种结合传感网络和机器学习的大气污染源定位方法
,
其特征在于：步骤
S1
所述的数据集获取实验具体包括
:S11
：将监测区域网格化划分，在网格监测区域
X
型位置网格处放置污染源气体监测装置，同时记录污染源气体监测装置的坐标数据；
S12
：记录无污染源时以及污染源置于每个网格时污染源监测装置的数据，改变污染源与污染源监测装置的相对高度，重复实验记录数据，保证一定的监测时间获取风向完整的数据集，整合所有位置的数据获得此区域内完整的数据集；
S13
：对数据集受环境原因所存在的干扰与异常数据，对数据集进行筛选填充处理；
S14
：处理风速异常数据，将风速突变为较大值时采集的后一段时间内的监测数据删除，保证数据集中风速的稳定性
。3.
根据权利要求2所述的一种结合传感网络和机器学习的大气污染源定位方法
,
其特征在于：步骤
S2
所述的构建
SVM
和
DNN
方法构建污染源分级分类定位模型，具体如下
:
更改数据集目标值样式，将原来的具体目标值污染源更改为分级模型目标污染源样式，对数据集进行标准化处理；分别构建
SVM、DNN
的一级分类和二级分类模型
。4.
根据权利要求3所述的一种结合传感网络和机器学习的大气污染源定位方法
,
其特征在于：所述的更改数据集目标值样式，具体如下
:S21
：更改数据集目标值样式，将污染源位置坐标转换为大小标签数据，划分子分类所属的一级大类别，更改数据集目标值为大小类别组合关系；
S22
：数据标准化处理，对序列
X1…
X
n
标准化公式为：这里
5.
根据权利要求3所述的一种结合传感网络和机器学习的大气污染源定位方法
,
其特征在于：所述的构建
SVM
一级分类和二级分类模型，具体如下：
S23
：在基础
SVM
...

【专利技术属性】
技术研发人员：胡俊涛，崔灿，张士诚，孙海东，蒋炬波，张翔，方勇，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：