一种基于制造技术

本发明专利技术属于空气质量预测技术领域，具体涉及一种基于

【技术实现步骤摘要】
一种基于CC
‑
SSRVFLNN预测空气质量的方法


[0001]本专利技术属于空气质量预测
，具体涉及一种基于
CC
‑
SSRVFLNN
预测空气质量的方法
。

技术介绍

[0002]目前，空气中的各种参数指标对于空气质量的预测具有重要意义
。
各种污染物指标超标会对人们的身体造成严重损伤，许多对于空气质量预测的模型被提出
。
[0003]随着机器学习的发展，深度学习算法在逐渐应用于空气质量预测上
。
现有技术中还提出了一种基于嵌套长短期记忆神经网络的多元空气质量预测学习模型，利用该模型对北京
12
个站点的空气质量进行预测
。
现有技术中还构建了多尺度空间时间网络
(MSSTN)
的新的深度卷积神经网络模型去预测空气质量
。
为了克服超参数以及中小型数据集的影响，现有技术中构建了宽度学习系统
(BLS)
，提出了一种基于
K
‑
means
特征提取的
BLS
改进结构
。
该模型在原有
BLS
的基础上进一步对数据集进行了加强，对于处理更为复杂的数据集具有较好的预测效果
。
[0004]本专利技术中验证模型效果使用的数据集中含有大量的缺失值和异常值，半监督随机向量链接函数进行缺失值的处理，并且相关熵在处理异常值上具有较好地效果<br/>。
因此在本专利技术中构建了相关熵准则和优化半监督随机向量链接函数预测空气质量的方法，有效地提高了模型的预测精度以及预测结果的稳定性
。

技术实现思路

[0005]本专利技术提供一种基于
CC
‑
SSRVFLNN
预测空气质量的方法，能有效地解决异常的影响并且提高预测精度
。
[0006]本专利技术解决其技术问题所采用的技术方案是：一种基于
CC
‑
SSRVFLNN
预测空气质量的方法，包括如下步骤：
[0007]S1、
构建至少四个地区的空气数据集，并对构建的数据集分别进行处理：
[0008]收集整理第一地区空气污染数据集
、
第二地区空气污染数据集
、
第三年地区空气污染数据集
......
第
a
地区空气污染数据集，
a
个空气污染数据集的数据包含近四年期间的所有数据，在收集整理过程中数据分为有标签的数据和无标签的数据，对无标签的数据通过
Self
‑
Training
方法进行处理；
[0009]S2、
将处理后的无标签的数据集和有标签数据集整合输入到网络中，并进行特征映射和增加增强节点：
[0010]S2
‑
1、
对
S1
中各个地区的空气数据集中的数据分别进行特征映射，并且分别进行数据归一化处理，使各个地区的空气数据集中的数据中的特征更加突出；
[0011]从各个地区的空气数据集中的数据中选取
l
个样本，得到各个地区的空气数据集对应的映射特征
Z
i
，
Z
i
的表达式为
[0012][0013]公式
(1)
中，
i
为设定值，且是正整数，
i
＝
1,...,n
，
n
表示网络中特征层窗口的节点数量，
φ
i
表示特征节点的激活函数，
x
表示
l
个样本中当前输入的数据，表示特征层随机生成的权重，表示特征层随机生成的偏置；
[0014]S2
‑
2、
再通过增加增强节点来增加网络中的非线性因素，使网络结构更加稳定，使用激活函数对增强节点进行激活处理，得到增强节点
H
j
，
H
j
的表达式为：
[0015][0016]公式
(2)
中，
j
为设定值，且是正整数，
j
＝
1,...,m
，
m
表示网络中增强层窗口的节点数量，
ξ
j
表示增强节点的激活函数，
Z
n
表示
n
组特征映射的串联，表示增强层随机生成的权重，表示增强层随机生成的偏置；
[0017]S3、
将特征节点和增强节点合并为输入层的最终输入：
[0018]n
组特征映射的串联
Z
n
的表达式为：
[0019]Z
n
≡[Z1,...,Z
n
]公式
(3)
；
[0020]m
组增强节点为
H
m
，
H
m
的表达式为：
[0021]H
m
≡[H1,...,H
m
]公式
(4)
；
[0022]记网络输入层的最终输出结果为
A
，
A
的表达式为：
[0023]A
＝
[Z1,...,Z
n
|H1,...,H
m
]公式
(5)
；
[0024]S4、
输出最终结果：
[0025]S4
‑
1、
使用相关熵准则，给定任意两个变量，记两个变量为
X
和
Y
，可以得到相关熵的定义表达式
V(X,Y)
，
V(X,Y)
的公式为：
[0026][0027][0028]公式
(6)
中，
E(
·
)
表示数学期望，表示属于函数希尔伯特空间
Η
的非线性函数，
κ
(
·
,
·
)
代表
Mercer
核函数，
σ
代表核带宽，
G(
·
)
表示高斯核函数；
[0029]S4
‑
2、
根据公式
(6)
将相关熵的损失函数
C(X,Y)
定义成矩阵形式，具体如下：
[0030][0031]S4
‑
3、
根据相关熵的损失函数
C(X,Y)
的矩阵形式得到
CC
‑
SSRVFLNN
算法的目标函数，最后得到最终的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CC
‑
SSRVFLNN
预测空气质量的方法，其特征在于，包括如下步骤：
S1、
构建至少四个地区的空气数据集，并对构建的数据集分别进行处理：收集整理第一地区空气污染数据集
、
第二地区空气污染数据集
、
第三年地区空气污染数据集
......
第
a
地区空气污染数据集，
a
个空气污染数据集的数据包含近四年期间的所有数据，在收集整理过程中数据分为有标签的数据和无标签的数据，对无标签的数据通过
Self
‑
Training
方法进行处理；
S2、
将处理后的无标签的数据集和有标签数据集整合输入到网络中，并进行特征映射和增加增强节点：
S2
‑
1、
对
S1
中各个地区的空气数据集中的数据分别进行特征映射，并且分别进行数据归一化处理，使各个地区的空气数据集中的数据中的特征更加突出；从各个地区的空气数据集中的数据中选取
l
个样本，得到各个地区的空气数据集对应的映射特征
Z
i
，
Z
i
的表达式为：公式
(1)
中，
i
为设定值，且是正整数，
i
＝
1,...,n
，
n
表示网络中特征层窗口的节点数量，
φ
i
表示特征节点的激活函数，
x
表示
l
个样本中当前输入的数据，表示特征层随机生成的权重，表示特征层随机生成的偏置；
S2
‑
2、
再通过增加增强节点来增加网络中的非线性因素，使网络结构更加稳定，使用激活函数对增强节点进行激活处理，得到增强节点
H
j
，
H
j
的表达式为：公式
(2)
中，
j
为设定值，且是正整数，
j
＝
1,...,m
，
m
表示网络中增强层窗口的节点数量，
ξ
j
表示增强节点的激活函数，
Z
n
表示
n
组特征映射的串联，表示增强层随机生成的权重，表示增强层随机生成的偏置；
S3、
将特征节点和增强节点合并为输入层的最终输入：
n
组特征映射的串联
Z
n
的表达式为：
Z
n
≡[Z1,...,Z
n
]
公式
(3)
；
m
组增强节点为
H
m
，
H
m
的表达式为：
H
m
≡[H1,...,H
m
]
公式
(4)
；记网络输入层的最终输出结果为
A
，
A
的表达式为：
A
＝
[Z1,...,Z
n
|H1,...,H
m
]
公式
(5)
；
S4、
输出最终结果：
S4
‑
1、
使用相关熵准则，...

【专利技术属性】
技术研发人员：王林，王义兵，张双庆，王全周，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：