【技术实现步骤摘要】
本专利技术涉及臭氧监测，尤其涉及一种基于物联网实现大气臭氧监测设备的联合控制方法及系统。
技术介绍
1、随着工业发展和城市扩张，大气污染问题日益严重，臭氧（）是一种温室气体，其浓度的上升会导致全球气候发生变化，高浓度的臭氧会刺激人体的眼睛和呼吸道，并会对心肺功能造成影响。因此对大气臭氧进行监测尤为重要。
2、当前，研究人员开发了各类大气臭氧监测设备，并通过将大气臭氧监测设备部署在多个监测站点，形成监测网络的方式对大气臭氧进行区域化监测。但当前各个监测站点的大气臭氧监测设备通常独立工作，缺乏协同控制，从而难以实时掌握地区全局污染情况，导致难以制定有效的污染防治策略，因此当前对大气臭氧监测存在监测效率低、协同性差的问题。
技术实现思路
1、本专利技术提供一种基于物联网实现大气臭氧监测设备的联合控制方法及系统，其主要目的在于解决当前对大气臭氧监测存在监测效率低、协同性差的问题。
2、为实现上述目的，本专利技术提供的一种基于物联网实现大气臭氧监测设备的联合控制方法，包括：
3、根据预设的监测位点集及预测位点集构建初始臭氧预测神经网络，其中所述初始臭氧预测神经网络的输入层节点集由静态位点输入节点集及动态位点输入节点集组成，输出层节点集为预测位点输出节点集，所述监测位点集包括静态监测位点集及动态监测位点集；
4、利用预构建的大气臭氧训练数据集对所述初始臭氧预测神经网络进行训练，得到目标臭氧预测神经网络；
5、根据静态监测位点集构建初始
6、获取大气臭氧测试数据集，在所述大气臭氧测试数据集中依次提取大气臭氧测试数据；
7、在预构建的监测位点密度集中依次提取监测位点密度，根据所述监测位点密度在所述大气臭氧测试数据中提取监测位点数据，将所述监测位点数据输入所述目标臭氧预测神经网络，得到预测位点测试数据，其中所述监测位点数据包括静态监测位点集的静态监测数据；
8、在所述大气臭氧测试数据中提取预测位点集的测试位点真实数据，根据所述预测位点测试数据及测试位点真实数据计算所述监测位点密度的预测精度，得到所述大气臭氧测试数据在不同监测位点密度下的预测精度集；
9、汇总所有大气臭氧测试数据对应的静态监测数据、监测位点密度集及预测精度集，得到精度训练数据集；
10、根据所述精度训练数据集对所述初始精度测试神经网络进行训练，得到目标精度测试神经网络；
11、接收当前静态监测数据，将所述当前静态监测数据及监测位点密度集输入所述目标精度测试神经网络，得到当前精度等级集合；
12、接收用户输入的目标精度等级，根据所述当前精度等级集合识别所述目标精度等级对应的目标监测位点密度，根据所述目标监测位点密度，在所述动态监测位点集中选取目标动态监测位点集；
13、利用所述目标臭氧预测神经网络及预构建的臭氧监测物联网对所述静态监测位点集及所述目标动态监测位点集进行臭氧联合监测，完成基于物联网实现大气臭氧监测设备的联合控制。
14、可选地，所述利用预构建的大气臭氧训练数据集对所述初始臭氧预测神经网络进行训练，得到目标臭氧预测神经网络，包括：
15、在所述大气臭氧训练数据集中依次提取大气臭氧监测数据，在预设的监测位点密度集中依次提取监测位点密度；
16、根据所述监测位点密度在所述大气臭氧监测数据中提取训练监测数据；
17、识别所述训练监测数据中每一个训练监测数值的监测位点，识别所述监测位点的输入层节点；
18、利用所述监测位点的输入层节点将所述训练监测数值输入所述初始臭氧预测神经网络，得到训练输入数据；
19、利用所述初始臭氧预测神经网络中的输入层权重、隐藏层权重及激活函数，根据所述训练输入数据计算输出预测位点训练数据，其中所述预测位点训练数据由各个输出层节点的输出数据组成；
20、在所述训练监测数据中提取预测位点集的训练位点真实数据，根据所述训练位点真实数据及所述预测位点训练数据计算训练差异值；
21、根据所述训练差异值及预测位点训练数据对所述初始臭氧预测神经网络进行反馈调节，得到目标臭氧预测神经网络。
22、可选地，所述根据预设的监测位点集及预测位点集构建初始臭氧预测神经网络之前，所述方法还包括：
23、对预设的目标区域进行网格化划分，得到目标网格区域，提取所述目标网格区域的网格相交点集及网格中心点集；
24、接收用户输入的静态监测位点的静态监测距离，根据所述静态监测距离在所述网格相交点集中选择静态监测位点集；
25、将所述静态监测位点集从所述网格相交点集中剔除，得到动态监测位点集；
26、汇总所述静态监测位点集及所述动态监测位点集，得到监测位点集；
27、将所述网格中心点集作为预测位点集。
28、可选地，所述根据所述监测位点密度在所述大气臭氧测试数据中提取监测位点数据，包括：
29、根据所述监测位点密度在所述动态监测位点集中选择启用监测位点集；
30、分别在所述大气臭氧测试数据中提取静态监测位点集及所述启用监测位点集对应的静态监测位点数据及启用监测位点数据；
31、汇总所述静态监测位点数据及启用监测位点数据，得到所述监测位点数据。
32、可选地，所述根据所述预测位点测试数据及测试位点真实数据计算所述监测位点密度的预测精度，得到所述大气臭氧测试数据在不同监测位点密度下的预测精度集，包括：
33、在所述预测位点集中依次提取预测位点；
34、在所述预测位点测试数据及测试位点真实数据中分别提取所述预测位点的预测位点测试数值及预测位点真实数值；
35、将所述预测位点测试数值及预测位点真实数值作为所述预测位点的预测数值对，汇总所有预测位点的预测数值对，得到预测数值对集；
36、根据预构建的预测精度公式，利用所述预测数值对集计算大气臭氧测试数据在所述监测位点密度下的预测精度，其中所述预测精度公式，如下所示：
37、
38、其中，τ表示预测精度，k表示精度调节因子，i表示预测位点的序号， i表示预测位点总数，yic表示第i个预测位点的预测数值对集中的预测位点测试数值，yiz表示第i个预测位点的预测数值对集中的预测位点真实数值，μ表示预设的标准预测差值，||表示绝对值符号；
39、汇总大气臭氧测试数据在所有监测位点密度下的预测精度，得到所述预测精度集。
40、可选地，所述根据所述精度训练数据集对所述初始精度测试神经网络进行训练，得到目标精度测试神经网络，包括：
41、在所述精度训练数据集中提取所有大气臭氧测试数据对应的预测精本文档来自技高网...
【技术保护点】
1.一种基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述利用预构建的大气臭氧训练数据集对所述初始臭氧预测神经网络进行训练，得到目标臭氧预测神经网络，包括：
3.如权利要求2所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据预设的监测位点集及预测位点集构建初始臭氧预测神经网络之前，所述方法还包括：
4.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据所述监测位点密度在所述大气臭氧测试数据中提取监测位点数据，包括：
5.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据所述预测位点测试数据及测试位点真实数据计算所述监测位点密度的预测精度，得到所述大气臭氧测试数据在不同监测位点密度下的预测精度集，包括：
6.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据所述精度训练数据集对所述初始精度测试神
7.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述将所述当前静态监测数据及监测位点密度集输入所述目标精度测试神经网络，得到当前精度等级集合之后，所述方法还包括：
8.如权利要求1或7所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据所述当前精度等级集合识别所述目标精度等级对应的目标监测位点密度，包括：
9.如权利要求1或3所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述利用所述目标臭氧预测神经网络及预构建的臭氧监测物联网对所述静态监测位点集及所述目标动态监测位点集进行臭氧联合监测，包括：
10.一种基于物联网实现大气臭氧监测设备的联合控制系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述利用预构建的大气臭氧训练数据集对所述初始臭氧预测神经网络进行训练，得到目标臭氧预测神经网络，包括：
3.如权利要求2所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据预设的监测位点集及预测位点集构建初始臭氧预测神经网络之前，所述方法还包括：
4.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据所述监测位点密度在所述大气臭氧测试数据中提取监测位点数据，包括：
5.如权利要求1所述的基于物联网实现大气臭氧监测设备的联合控制方法，其特征在于，所述根据所述预测位点测试数据及测试位点真实数据计算所述监测位点密度的预测精度，得到所述大气臭氧测试数据在不同监测位点密度下的预测精度集，包括：
6....
【专利技术属性】
技术研发人员：王春艳，肖勇，吴加禄，杨净，叶智，高韦韦，黄麟杰，尹彦羽，
申请(专利权)人：四川省德阳生态环境监测中心站，
类型：发明
国别省市：
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。