王嘉 周昱 顧杰

摘 要：目前國(guó)家用于空氣質(zhì)量監(jiān)測(cè)的空氣質(zhì)量監(jiān)測(cè)中心站建設(shè)成本過高，導(dǎo)致無(wú)法進(jìn)行密集部署，實(shí)現(xiàn)環(huán)境監(jiān)測(cè)設(shè)備的網(wǎng)格化部署，需要降低環(huán)境監(jiān)測(cè)硬件成本，利用廣泛布點(diǎn)取得海量數(shù)據(jù)，提出了利用光散射法顆粒物傳感器采集到的監(jiān)測(cè)數(shù)據(jù)，采用基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，建立傳感器實(shí)際測(cè)量值、天氣等影響因素與監(jiān)測(cè)站標(biāo)準(zhǔn)值的映射關(guān)系，實(shí)現(xiàn)空氣顆粒物校校準(zhǔn)模型;通過理論分析及實(shí)驗(yàn)對(duì)比結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的模型在空氣顆粒物指數(shù)的評(píng)價(jià)上具有較好的精度和泛化能力，為科學(xué)、準(zhǔn)確的精細(xì)化城市空氣顆粒物指數(shù)評(píng)價(jià)和管控提供了可能。

關(guān)鍵詞：bp神經(jīng)網(wǎng)絡(luò)算法;空氣顆粒物;光散射法

中圖分類號(hào)：TP212.9 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2019）09-0036-05

日益復(fù)雜的大氣污染狀況正在對(duì)傳統(tǒng)的大氣污染源監(jiān)測(cè)方式提出挑戰(zhàn)，國(guó)控點(diǎn)的成本及后期運(yùn)營(yíng)費(fèi)用較高，很難進(jìn)行大面積、精密化布點(diǎn)，并且“說不清污染來源”的問題仍然存在。近年來，作為人工智能領(lǐng)域興起的研究熱點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入，已經(jīng)取得了很大的進(jìn)展。神經(jīng)網(wǎng)絡(luò)由于其學(xué)習(xí)和適應(yīng)、自組織、函數(shù)逼近和大規(guī)模并行處理等能力，因而具有用于智能系統(tǒng)的潛力。其在模式識(shí)別、智能機(jī)器人、自動(dòng)控制、預(yù)測(cè)估計(jì)、生物、醫(yī)學(xué)、經(jīng)濟(jì)等領(lǐng)域已成功地解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題。本文提出了基于bp神經(jīng)網(wǎng)絡(luò)算法通過使用低成本的光散射法傳感器采集的空氣顆粒物數(shù)值及其他大氣相關(guān)特征值進(jìn)行訓(xùn)練學(xué)習(xí)，從而建立特征值與國(guó)控點(diǎn)空氣顆粒物指數(shù)的模型映射，再用此模型將特征值轉(zhuǎn)換成標(biāo)準(zhǔn)的空氣顆粒物指數(shù)，為實(shí)現(xiàn)空氣監(jiān)測(cè)設(shè)備的高密度網(wǎng)格化部署提供一種思路。

1 環(huán)境空氣國(guó)控點(diǎn)監(jiān)測(cè)原理

當(dāng)前實(shí)施的環(huán)境空氣國(guó)控點(diǎn)監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)點(diǎn)位采用的是振蕩天平法和β射線法。

1.1 振蕩天平法

振蕩天平法是在質(zhì)量傳感器內(nèi)使用一個(gè)振蕩空心錐形管，在空心錐形管振蕩端上安放可更換的濾膜，振蕩頻率取決于錐形管特性和他的質(zhì)量。當(dāng)采樣氣流通過濾膜，其中的顆粒物沉積在濾膜上，濾膜質(zhì)量變化導(dǎo)致振蕩頻率變化，通過測(cè)量振蕩頻率的變化計(jì)算出沉積在濾膜上顆粒物的重量，再根據(jù)采樣流量、采樣現(xiàn)場(chǎng)環(huán)境溫度和氣壓計(jì)算出該時(shí)間的顆粒物標(biāo)態(tài)質(zhì)量濃度。該方法對(duì)空氣濕度變化較為敏感，為降低濕度影響，對(duì)振蕩天平室一般進(jìn)行50℃加熱，這樣會(huì)損失一部分不穩(wěn)定的半揮發(fā)性物質(zhì)。

1.2 β射線法

利用β射線衰減量測(cè)試采樣期間增加的顆粒物重量。樣氣由采樣泵吸入采樣管，經(jīng)過濾膜過濾后排出。顆粒物沉淀在采樣濾膜上，當(dāng)β射線通過沉積著顆粒物的濾膜時(shí)β射線能量衰減，通過對(duì)衰減量的測(cè)定計(jì)算出顆粒物的濃度。β射線吸收法是國(guó)際上使用較為廣泛的標(biāo)準(zhǔn)方法。

采用上述兩種方法的監(jiān)測(cè)點(diǎn)位數(shù)量有限、成本高昂，以點(diǎn)代面的方法導(dǎo)致時(shí)效性不足，無(wú)法適應(yīng)空氣顆粒物指數(shù)日?qǐng)?bào)與預(yù)報(bào)的技術(shù)要求，達(dá)不到精細(xì)化管控的目標(biāo)，且無(wú)法實(shí)現(xiàn)對(duì)監(jiān)測(cè)體系中時(shí)空動(dòng)態(tài)趨勢(shì)分析、污染減排評(píng)估、污染來源追蹤、環(huán)境預(yù)警預(yù)報(bào)等能力的深度挖掘。

2 基于光散射法和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法的監(jiān)測(cè)方式

利用光散射法的在空氣懸浮顆粒物監(jiān)測(cè)的優(yōu)點(diǎn)并結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法彌補(bǔ)光散射法存在的缺點(diǎn)，就可以實(shí)現(xiàn)高密度網(wǎng)格化布局的低成本、多參數(shù)集成的緊湊型微型環(huán)境空氣監(jiān)測(cè)系統(tǒng)，網(wǎng)格化的監(jiān)測(cè)體系可在區(qū)域內(nèi)全覆蓋，實(shí)現(xiàn)高時(shí)空分辨率的大氣污染監(jiān)測(cè)，結(jié)合信息化大數(shù)據(jù)的應(yīng)用實(shí)現(xiàn)污染來源追蹤、預(yù)警預(yù)報(bào)等功能，為環(huán)境污染防控提供更為及時(shí)有效的決策支持。

2.1 光散射法

光散射等效方法原理光散射法測(cè)量質(zhì)量濃度的原理是建立在微粒的Mie散射理論基礎(chǔ)上的。當(dāng)光照射在空氣中懸浮的顆粒物上時(shí)，產(chǎn)生散射光。在顆粒物性質(zhì)一定的條件下，顆粒物的散射光強(qiáng)度與顆粒物的粒徑成正比。通過測(cè)量散射光強(qiáng)度，就可以對(duì)不同粒徑的顆粒物進(jìn)行計(jì)數(shù)，然后應(yīng)用轉(zhuǎn)換系數(shù)，求得顆粒物質(zhì)量濃度。

光散射法以其速度快、穩(wěn)定性好、體積小的優(yōu)點(diǎn)被人們廣泛的應(yīng)用在實(shí)時(shí)監(jiān)測(cè)中。光散射法與顆粒物的折射率、粒子的形態(tài)以及它的成分有關(guān)。而大氣中的濕度有可能是影響這幾個(gè)方面的主要因素，如果在一定的濕度環(huán)境中測(cè)量大氣中顆粒物的質(zhì)量濃度，得到的測(cè)量結(jié)果應(yīng)該不理想，會(huì)產(chǎn)生一定程度的誤差。如果要得到理想的測(cè)量結(jié)果，就需要消除濕度對(duì)質(zhì)量濃度的影響。

2.2 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)是一種通過BP算法實(shí)現(xiàn)的人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)是受自然神經(jīng)元靜息和動(dòng)作電位的產(chǎn)生機(jī)制啟發(fā)而建立的一個(gè)運(yùn)算模型。神經(jīng)元通過位于細(xì)胞膜或樹突上的突觸接受信號(hào)。當(dāng)接受到的信號(hào)足夠大時(shí)（超過某個(gè)門限值），神經(jīng)元被激活然后通過軸突發(fā)射信號(hào)，發(fā)射的信號(hào)也許被另一個(gè)突觸接受，并且可能激活別的神經(jīng)元，神經(jīng)元生理結(jié)構(gòu)如圖1所示。

人工神經(jīng)元模型已經(jīng)把自然神經(jīng)元的復(fù)雜性進(jìn)行了高度抽象的符號(hào)性概括。神經(jīng)元模型基本上包括多個(gè)輸入（類似突觸），這些輸入分別被不同的權(quán)值相乘（收到的信號(hào)強(qiáng)度不同），然后被一個(gè)數(shù)學(xué)函數(shù)用來計(jì)算決定是否激發(fā)神經(jīng)元，該函數(shù)被稱作激活函數(shù)，如圖2所示。人工神經(jīng)網(wǎng)絡(luò)把這些人工神經(jīng)元融合一起用于處理信息。

權(quán)值越大表示輸入的信號(hào)對(duì)神經(jīng)元影響越大。權(quán)值可以為負(fù)值，意味著輸入信號(hào)收到了抑制。權(quán)值不同那么神經(jīng)元的計(jì)算也不同。通過調(diào)整權(quán)值可以得到固定輸入下需要的輸出值。調(diào)整權(quán)重的過程稱為“學(xué)習(xí)”或者“訓(xùn)練”。

以最簡(jiǎn)單的一維線性函數(shù)y=wx+b為例，通過調(diào)整w和b兩個(gè)參數(shù)可以使該函數(shù)左右上下移動(dòng)，在引入激活函數(shù)σ（wx+b）后，線性函數(shù)即可變成更復(fù)雜的非線性函數(shù)，如圖3所示。

所謂激活函數(shù)，就是在神經(jīng)網(wǎng)絡(luò)的神經(jīng)元上運(yùn)行的函數(shù)，負(fù)責(zé)將神經(jīng)元的輸入映射到輸出端。常見的激活函數(shù)包括Sigmoid、TanHyperbolic（tanh）、ReLu、softplus以及softmax函數(shù)。這些函數(shù)有一個(gè)共同的特點(diǎn)那就是他們都是非線性的函數(shù)。引入非線性函數(shù)作為激勵(lì)函數(shù)，神經(jīng)網(wǎng)絡(luò)就可以逼近任意函數(shù)。如圖4，5所示。

更復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型及對(duì)應(yīng)的函數(shù)：

基于神經(jīng)網(wǎng)絡(luò)算法可以構(gòu)造出任意復(fù)雜的函數(shù)的理論依據(jù)，我們可以建立一個(gè)特定的神經(jīng)網(wǎng)絡(luò)模型，使用光散射法采集的傳感數(shù)據(jù)作為特征值，對(duì)應(yīng)的國(guó)控點(diǎn)或省控點(diǎn)數(shù)據(jù)作為特征標(biāo)簽進(jìn)行訓(xùn)練不斷調(diào)整網(wǎng)絡(luò)模型的權(quán)重，擬合出一個(gè)對(duì)應(yīng)的函數(shù)，然后使用該函數(shù)來做校準(zhǔn)。同時(shí)考慮到環(huán)境濕度對(duì)光散射法的影響，訓(xùn)練數(shù)據(jù)還需要增加溫度和濕度兩個(gè)特征值，這樣訓(xùn)練得到的模型會(huì)更加精確。

BP算法是目前用來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的最常用且最有效的算法。基于BP算法的神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存儲(chǔ)大量的輸入一輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，其實(shí)質(zhì)就是求解誤差函數(shù)最小值問題。

2.3 Bp神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

在訓(xùn)練數(shù)據(jù)之前，需要先將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，然后利用標(biāo)準(zhǔn)化過后的數(shù)據(jù)去進(jìn)行訓(xùn)練。不同的特征值量綱與量綱單位也是不同的，這便會(huì)影響到訓(xùn)練的過程乃至結(jié)果，數(shù)據(jù)的標(biāo)準(zhǔn)化處理可以消除指標(biāo)之間的量綱影響，用以此來解決特征值的可比性。

本文使用的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)包括pm2.5，pm10，濕度，溫度四個(gè)維度，每個(gè)維度之間的數(shù)量級(jí)差別較大，直接訓(xùn)練會(huì)導(dǎo)致每一維的梯度下降不同，使用同一個(gè)學(xué)習(xí)率也就很難迭代到代價(jià)函數(shù)最低點(diǎn)。經(jīng)過歸一化處理后，代價(jià)函數(shù)變得“更圓”，也就很容易進(jìn)行梯度下降，提高訓(xùn)練速度。常用歸一化方法有最大-最小標(biāo)準(zhǔn)化，Z-score標(biāo)準(zhǔn)化，函數(shù)轉(zhuǎn)化等。這里使用最大-最小標(biāo)準(zhǔn)化是對(duì)原始數(shù)據(jù)進(jìn)行線性變換，設(shè)minA和maxA分別是A的最小值和最大值，將A的一個(gè)原始值x通過最大-最小標(biāo)準(zhǔn)化映射到區(qū)間[0，1]的值x'。公式如下：

3 空氣顆粒物校準(zhǔn)模型的實(shí)現(xiàn)

本次對(duì)空氣顆粒物pm2.5和pm10的神經(jīng)網(wǎng)絡(luò)模型構(gòu)建、訓(xùn)練、測(cè)試通過R語(yǔ)言的Neuralnet神經(jīng)網(wǎng)絡(luò)包實(shí)現(xiàn)。使用安裝在余姚龍山公園國(guó)控點(diǎn)附近的空氣檢測(cè)設(shè)備的光散射法傳感器采集的pm2.5和pm10原始數(shù)據(jù)以及溫濕度四個(gè)指標(biāo)作為特征值，對(duì)應(yīng)余姚國(guó)控點(diǎn)發(fā)布的pm2.5和pm10指數(shù)作為特征標(biāo)簽進(jìn)行模型訓(xùn)練，pm2.5和pm10的模型構(gòu)建說明詳如表1和表2所示。

Pm10模型訓(xùn)練部分R語(yǔ)言代碼片段：

# 讀取訓(xùn)練數(shù)據(jù)

input <- read.csv（"pm10_training.csv"，header = TRUE，sep = "，"）

# 設(shè)置訓(xùn)練參數(shù)

dataCol <- "PM10"

labelCol <- "PM10_LABEL"

inputCols <-c（dataCol，"HUMIDITY"，"TEMPERATURE"，"PM25"）

# 設(shè)置訓(xùn)練數(shù)據(jù)樣本比率

trainingSetRatio <-0.9

# 歸一化

Maxs <- apply（input，2，max）

Mins <- apply（input，2，min）

# 訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型

net<-Training（input，trainingSetRatio，dataCol， labelCol，inputCols， 0.0111）

# 讀取驗(yàn)證數(shù)據(jù)

ca_input <- read.csv（"pm10_calibrated.csv"，header = TRUE，sep = "，"）

# 使用訓(xùn)練好的模型驗(yàn)證數(shù)據(jù)

predict<-Calibrate（net，ca_input，inputCols，Maxs，Mins，labelCol）

# 計(jì)算性能指標(biāo)

label<-as.data.frame（ca_input[labelCol]）

r2<-RSquare（predict，label）

mse<-Mse（predict，label）

經(jīng)過訓(xùn)練后的用于預(yù)測(cè)PM10及PM2.5的兩個(gè)神經(jīng)網(wǎng)絡(luò)模型分別如圖6，8所示。

采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測(cè)試測(cè)試數(shù)據(jù)：2018.8.6至2018.8.12（該時(shí)間段內(nèi)有余姚環(huán)保局提供的余姚龍山公園國(guó)控點(diǎn)數(shù)據(jù)做參照），PM10及PM2.5與國(guó)控點(diǎn)測(cè)試對(duì)比結(jié)果分別如圖7，9所示。

4 結(jié)語(yǔ)

（1）由于訓(xùn)練數(shù)據(jù)其值域有較大的差別，訓(xùn)練時(shí)間增大，引起無(wú)法收斂。本次實(shí)驗(yàn)編程利用BP神經(jīng)網(wǎng)絡(luò)算法的時(shí)候?qū)?shù)據(jù)進(jìn)行歸一化處理，經(jīng)過歸一化處理之后，訓(xùn)練時(shí)間大大縮短并達(dá)到了收斂，可見對(duì)于神經(jīng)網(wǎng)絡(luò)來說，對(duì)數(shù)據(jù)進(jìn)行歸一化處理顯得尤為重要，同時(shí)通過遍歷隱含層的層數(shù)以及單層的節(jié)點(diǎn)數(shù)來尋找最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型，利用模型校準(zhǔn)的數(shù)據(jù)與國(guó)控點(diǎn)數(shù)據(jù)生成的兩條曲線的趨勢(shì)和吻合度都比較良好，達(dá)到了預(yù)期的效果。

（2）通過實(shí)驗(yàn)驗(yàn)證了所構(gòu)建的基于光散射法和改進(jìn)bp神經(jīng)網(wǎng)絡(luò)算法的空氣顆粒物校準(zhǔn)模型具有一定的實(shí)用性和有效性，這種以軟件做校準(zhǔn)的空氣顆粒物監(jiān)測(cè)方式為低成本大規(guī)模的網(wǎng)格化部署，明確空氣污染的趨勢(shì)和擴(kuò)散規(guī)律，以此來確定污染物源頭和縮小污染物范圍，實(shí)現(xiàn)監(jiān)管轄區(qū)內(nèi)熱點(diǎn)范圍全覆蓋、科學(xué)分析、高效管理提供了可行性依據(jù)。

參考文獻(xiàn)

[1] 石靈芝，鄧啟紅，路嬋，劉蔚巍.基于BP人工神經(jīng)網(wǎng)絡(luò)的大氣顆粒物PM10質(zhì)量濃度預(yù)測(cè)[J].中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2012，43（5）：1964-1974.

[2] 吉祝美.環(huán)境空氣質(zhì)量標(biāo)準(zhǔn)新標(biāo)準(zhǔn)解讀[J].污染防治技術(shù)，2012，25（6）：67-69.

[3] 劉鋒，李春燕，譚祥勇，王鵬飛.基于機(jī)器學(xué)習(xí)在空氣質(zhì)量指數(shù)中的應(yīng)用[J].重慶工商大學(xué)學(xué)報(bào)：自然科學(xué)版，2017，34（3）：83-86.

[4] 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京：化學(xué)工業(yè)出版社，2002（11）：55.