祁柏林,張 欣1,,劉 閩,魏景鋒,杜毅明,金繼鑫

1(中國科學(xué)院大學(xué),北京 100049)

2(中國科學(xué)院 沈陽計(jì)算技術(shù)研究所,沈陽 110168)

3(遼寧省沈陽生態(tài)環(huán)境監(jiān)測中心,沈陽 110000)

4(遼寧省醫(yī)療器械檢驗(yàn)檢測院,沈陽 110000)

空氣環(huán)境的好壞和人們的生活密切相關(guān),越來越多的環(huán)境問題也開始引起我們的關(guān)注.早在70年代,日,美,西歐國家的環(huán)境監(jiān)測技術(shù)已經(jīng)達(dá)到了較高水平,儀器種類齊全,但內(nèi)部器件成本較高.通過幾十年的不斷發(fā)展,發(fā)達(dá)國家的環(huán)境保護(hù)工業(yè)已經(jīng)進(jìn)入了成熟階段.相比較來說國內(nèi)監(jiān)測起步較晚.之前我國重視工業(yè)發(fā)展,忽視了空氣質(zhì)量這方面的問題.如今空氣質(zhì)量問題提上日程.2014年國務(wù)院下發(fā)的《國務(wù)院辦公廳關(guān)于加強(qiáng)環(huán)境監(jiān)管執(zhí)法的通知》中就提到要全面加強(qiáng)環(huán)境監(jiān)管執(zhí)法,并在2015年年底落實(shí)對環(huán)境的網(wǎng)格化監(jiān)管.而在國外,對于空氣環(huán)境質(zhì)量的監(jiān)測早已過渡到了逐點(diǎn)位指標(biāo)評價(jià),但是國外的逐點(diǎn)指標(biāo)評價(jià)無法體現(xiàn)各點(diǎn)位的具體參考數(shù)據(jù).所以目前來看,國家對環(huán)境實(shí)現(xiàn)全面網(wǎng)格化監(jiān)管必然是一個(gè)艱巨的任務(wù).雖然國家投放的標(biāo)準(zhǔn)站點(diǎn)監(jiān)測的數(shù)據(jù)準(zhǔn)確,但是公建費(fèi)用較高,監(jiān)測設(shè)備儀器昂貴,而且在點(diǎn)位布施上不夠靈活,遠(yuǎn)遠(yuǎn)達(dá)不到當(dāng)前網(wǎng)格化監(jiān)管的政策需求,而且在局部污染以及污染細(xì)節(jié)監(jiān)測方面的能力稍顯不足[1].對應(yīng)這些問題,市場上涌現(xiàn)出很多方便布施成本又低廉的監(jiān)測空氣質(zhì)量污染指數(shù)PM2.5,PM10,NO,SO2,CO,O3的微型監(jiān)測儀器.在北京,石家莊等地都有該微型監(jiān)測儀器的應(yīng)用.但是這些監(jiān)測儀器存在一個(gè)共同的缺點(diǎn):傳感器自身的物理特性導(dǎo)致了監(jiān)測到的數(shù)據(jù)存在一定的偏差.低精準(zhǔn)度的傳感器在監(jiān)測污染物濃度時(shí)會很容易受到污染物結(jié)構(gòu)形狀等一些客觀因素的影響.研究人員嘗試用標(biāo)準(zhǔn)氣體對儀器進(jìn)行校準(zhǔn),但是傳感器的物理特性的缺點(diǎn)仍是我們需要解決的一個(gè)難題.中國環(huán)境科學(xué)研究院副研究員高健表示:目前各地網(wǎng)格監(jiān)控取得了很大進(jìn)步,下一步需在精細(xì)化方面做出突破.目前國內(nèi)關(guān)于這種微型監(jiān)測儀器數(shù)據(jù)校準(zhǔn)的技術(shù)領(lǐng)域存在很大的缺口.本文就是從優(yōu)化微型監(jiān)測儀器的精確度的角度出發(fā),提高微型監(jiān)測儀器的測量精度,從而使這些微型監(jiān)測儀器可以更為廣泛的為社會服務(wù).

1 研究方法

根據(jù)傳統(tǒng)校準(zhǔn)方法以及數(shù)據(jù)特征,本文采用了基于半監(jiān)督學(xué)習(xí)的協(xié)同訓(xùn)練的長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM).半監(jiān)督學(xué)習(xí)方式相比于監(jiān)督學(xué)習(xí)方式可以解決數(shù)據(jù)遺棄問題.監(jiān)督學(xué)習(xí)中會丟棄大量的未標(biāo)定的數(shù)據(jù),這會造成很大一部分的數(shù)據(jù)損失,本文利用半監(jiān)督學(xué)習(xí)的方法在一定程度上可以避免數(shù)據(jù)中存在大量未標(biāo)定的數(shù)據(jù)而造成數(shù)據(jù)的浪費(fèi)的問題,從而提高數(shù)據(jù)的利用率.半監(jiān)督學(xué)習(xí)將大量未標(biāo)記數(shù)據(jù)利用起來,避免了以往數(shù)據(jù)浪費(fèi)的問題.通過協(xié)同訓(xùn)練,本文把標(biāo)記數(shù)據(jù)(x,y)復(fù)制成兩個(gè)完全相同獨(dú)立的數(shù)據(jù)集1,2,同時(shí)將未標(biāo)記( xμ,yμ)的數(shù)據(jù)集也分成兩部分?jǐn)?shù)據(jù)集1,2,然后分別利用有標(biāo)記的數(shù)據(jù)對LSTM 模型進(jìn)行訓(xùn)練,將訓(xùn)練好的模型應(yīng)用到未標(biāo)記的數(shù)據(jù)集.未標(biāo)記的數(shù)據(jù)在通過相對應(yīng)的LSTM 模型預(yù)測之后會得到一個(gè)相應(yīng)的結(jié)果.未標(biāo)記的數(shù)據(jù)集中的數(shù)據(jù)經(jīng)過模型訓(xùn)練后會得到預(yù)測的結(jié)果,這樣就實(shí)現(xiàn)了給未標(biāo)記數(shù)據(jù)打上label 的目的.接下來對未標(biāo)記的數(shù)據(jù)集中的數(shù)據(jù)逐條分析.針對未標(biāo)記數(shù)據(jù)集中的數(shù)據(jù) xμ,找出 xμ在標(biāo)記數(shù)據(jù)中K-鄰近值,將這些鄰近值組合成新的鄰近數(shù)據(jù)集合.鄰近數(shù)據(jù)集集合中的數(shù)據(jù)按照y 與 yμ的差值進(jìn)行降序處理.將處理好的鄰近數(shù)據(jù)集合進(jìn)行置信度的檢測,即:在該集合中找到一條可以是該模型的損失函數(shù)(loss function)最小,則將此條數(shù)據(jù)加入到標(biāo)記數(shù)據(jù)集2 中 篩選出K 個(gè)組成新的鄰近值數(shù)據(jù)集.整體的算法流程圖如圖1 所示.

圖1 算法流程圖

1.1 數(shù)據(jù)預(yù)處理

本文主要研究的數(shù)據(jù)對象是小時(shí)數(shù)據(jù).來源是國家標(biāo)準(zhǔn)站市控小時(shí)數(shù)據(jù).國家標(biāo)準(zhǔn)站的標(biāo)準(zhǔn)數(shù)據(jù)是我們最終想要學(xué)習(xí)到的一個(gè)結(jié)果.通過學(xué)習(xí)得到的結(jié)果越接近國家標(biāo)準(zhǔn)站的數(shù)據(jù)就表明實(shí)驗(yàn)中模型學(xué)習(xí)的越好.本文截取了從四月底到五月底之間的小時(shí)數(shù)據(jù),將它們作為訓(xùn)練數(shù)據(jù)的標(biāo)簽,為了減少環(huán)境因素對儀器的影響,這里本文選取了和國家市控站儀器處于同一環(huán)境的微型監(jiān)測儀器設(shè)備,并截取相同時(shí)間段的數(shù)據(jù)作為訓(xùn)練的輸入數(shù)據(jù).通過分析發(fā)現(xiàn):數(shù)據(jù)在監(jiān)測時(shí)也存在大量的噪聲數(shù)據(jù),這些噪聲數(shù)據(jù)會導(dǎo)致我們學(xué)習(xí)模型的好壞,所以在前期要進(jìn)行數(shù)據(jù)的去噪處理.

去噪即去除噪聲數(shù)據(jù)(異常數(shù)據(jù)).微型監(jiān)測儀器正常監(jiān)測數(shù)據(jù)的變化應(yīng)該是平滑有過渡的,通過觀察部分?jǐn)?shù)據(jù)可以發(fā)現(xiàn)某些時(shí)間段的數(shù)據(jù)出現(xiàn)大幅度的波動,出現(xiàn)這種情況可能是儀器設(shè)備在進(jìn)行自我的校準(zhǔn).所以,為了保證實(shí)驗(yàn)中訓(xùn)練的學(xué)習(xí)模型能夠有更好的擬合性和泛化能力,必須要去掉這些噪聲數(shù)據(jù).原始數(shù)據(jù)如圖2 所示.

圖2 原始數(shù)據(jù)

通過圖2 的原始數(shù)據(jù)可以看出數(shù)據(jù)有很多高峰值.事實(shí)上,在實(shí)際的監(jiān)測中,微型監(jiān)測儀器采集的數(shù)據(jù)是平穩(wěn)的,數(shù)據(jù)之間的變化也是一個(gè)平穩(wěn)的過渡.去除噪聲數(shù)據(jù)的方法很多.比如針對電信號數(shù)據(jù),很多人會采用小波去噪,傅立葉去噪,針對分類問題,會用到聚類等.本文的數(shù)據(jù)與前述這些數(shù)據(jù)略有不同,它的異常數(shù)據(jù)不是離散點(diǎn),是相鄰數(shù)據(jù)之間存在大的波動.由于我的數(shù)據(jù)類型比較單一簡單,太復(fù)雜的模型應(yīng)用反而會達(dá)到適得其反的效果.本文的數(shù)據(jù)去噪主要是處理那些浮動過大的數(shù)據(jù),避免其造成模型訓(xùn)練的不準(zhǔn)確性.實(shí)質(zhì)上我們處理數(shù)據(jù)主要考慮相鄰數(shù)據(jù)之間的差異大小,從而對數(shù)據(jù)進(jìn)行一定的處理.

針對監(jiān)測數(shù)據(jù)是平滑過渡的特點(diǎn),參考小波閾值去噪的閾值思想[2].在去除異常數(shù)據(jù)之前先設(shè)定閾值,然后讀取數(shù)據(jù)進(jìn)行相鄰比較,一旦兩者差值超出設(shè)定的閾值,通過加減閾值將異常數(shù)據(jù)拉回至正常范圍.本實(shí)驗(yàn)數(shù)據(jù)選擇標(biāo)準(zhǔn)就是以第一條數(shù)據(jù)為基準(zhǔn),之后數(shù)據(jù)之間的閾值差不超過之前設(shè)定的閾值.如此不斷往后滾動計(jì)算,直至遍歷完整個(gè)的數(shù)據(jù)集.通過該方法處理后的數(shù)據(jù)相比之前數(shù)據(jù)的波動得到了一定的緩和.之間比較尖銳的數(shù)據(jù)有所下降.圖3 是處理后的數(shù)據(jù)與原始數(shù)據(jù)的對比.

1.2 置信度檢測

這里的置信度檢測是要在每次訓(xùn)練的時(shí)候,選取一條最符合我們要求的數(shù)據(jù).通過每次對標(biāo)記數(shù)據(jù)1的訓(xùn)練,可以得到新的訓(xùn)練模型1,我們將每次訓(xùn)練得到的模型1 用于未標(biāo)記數(shù)據(jù)1 中,這樣未標(biāo)記數(shù)據(jù)集1 中的數(shù)據(jù)就有了標(biāo)簽即數(shù)據(jù)形式為( xμ,yμ).對未標(biāo)記數(shù)據(jù)集1 中的數(shù)據(jù) xμ我 們在標(biāo)記數(shù)據(jù)集中找到 xμ的K-近鄰,讓后選取這些近鄰值重新組成新的集合,記作:Z.集合Z 里面數(shù)據(jù)按照y 與 yμ的距離差進(jìn)行排序.每次從集合中選取一條可以使訓(xùn)練模型的損失函數(shù)最小的一條數(shù)據(jù),該條數(shù)據(jù)就是我們認(rèn)為的置信度最大的數(shù)據(jù),可以將此條數(shù)據(jù)加入到標(biāo)記數(shù)據(jù)集2 中.標(biāo)記數(shù)據(jù)集2 中的數(shù)據(jù)進(jìn)行同樣的操作將選取的未標(biāo)記數(shù)據(jù)集2 中的數(shù)據(jù)添加到標(biāo)記數(shù)據(jù)集1 中,如此交叉進(jìn)行.直到最后沒有符合置信度要求的數(shù)據(jù)加入,此時(shí)模型達(dá)到穩(wěn)定狀態(tài).置信度高的的數(shù)據(jù)加入到訓(xùn)練數(shù)據(jù)中可以使模型訓(xùn)練的損失函數(shù)降低,模型訓(xùn)練結(jié)果會更加準(zhǔn)確.

圖3 處理前后數(shù)據(jù)對比

2 Cotraining-LSTM 整體模型

2.1 模型整體框架

Cotraining-LSTM 是一種結(jié)合了協(xié)同訓(xùn)練和LSTM 模型的混合模型.它的特點(diǎn)在于對數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)采用了協(xié)同訓(xùn)練的方式.從不同角度對模型各參數(shù)進(jìn)行優(yōu)化,同時(shí)又充分將未標(biāo)記的數(shù)據(jù)利用起來.在不斷交叉訓(xùn)練的過程中,增加了訓(xùn)練的數(shù)據(jù)量同時(shí)也在不斷動態(tài)的優(yōu)化模型[3].最終的模型具有一定的泛化能力.本文研究的課題涉及的數(shù)據(jù)不存在多維度,所以過于復(fù)雜的模型反而得不到理想的效果,采用上述協(xié)同訓(xùn)練的方式進(jìn)行訓(xùn)練在運(yùn)行效率上也有一定的優(yōu)勢.

2.2 協(xié)同訓(xùn)練

協(xié)同訓(xùn)練(contrainning)算法是半監(jiān)督學(xué)習(xí)的一種.半監(jiān)督學(xué)習(xí)顧名思義,即可監(jiān)督可不監(jiān)督.它集合二者的優(yōu)點(diǎn),能夠充分利用未標(biāo)記數(shù)據(jù)和已標(biāo)記數(shù)據(jù)來提升學(xué)習(xí)性能[4].協(xié)同訓(xùn)練方法采用標(biāo)記數(shù)據(jù)分別在兩個(gè)學(xué)習(xí)器上進(jìn)行學(xué)習(xí)訓(xùn)練,再利用訓(xùn)練好的學(xué)習(xí)規(guī)則對未標(biāo)記數(shù)據(jù)進(jìn)行預(yù)測,選取置信度較高的數(shù)據(jù),然后將選中的數(shù)據(jù)加入已有的標(biāo)記數(shù)據(jù)集,重新對分類器進(jìn)行訓(xùn)練[5].協(xié)同訓(xùn)練的方法可以有效利用未標(biāo)記數(shù)據(jù)來提高模型精準(zhǔn)度.雖然現(xiàn)在人們處在一個(gè)信息化豐富的數(shù)據(jù)社會,但是,想要獲得真正能夠?yàn)槲覀兝玫臄?shù)據(jù)并不容易,帶有標(biāo)記的數(shù)據(jù)事實(shí)上并不是很多.如果只用極少的標(biāo)記數(shù)據(jù)進(jìn)行模型的訓(xùn)練,那么訓(xùn)練出來的模型勢必存在準(zhǔn)確度不高的問題.所以,面對這些不可逆因素,本篇論文選取了協(xié)同訓(xùn)練方法.它是當(dāng)前比較流行的一種算法,利用標(biāo)記數(shù)據(jù)進(jìn)行模型訓(xùn)練,將訓(xùn)練好的學(xué)習(xí)規(guī)則應(yīng)用到未標(biāo)記數(shù)據(jù)集中,然后計(jì)算未標(biāo)記數(shù)據(jù)集中篩選出的鄰近數(shù)據(jù)集的置信度,將置信度大的數(shù)據(jù)添加到另一個(gè)訓(xùn)練模型的標(biāo)記數(shù)據(jù)集中,不斷迭代,直到訓(xùn)練的模型參數(shù)穩(wěn)定.協(xié)同訓(xùn)練從多角度對模型進(jìn)行反復(fù)訓(xùn)練,充分利用了已有數(shù)據(jù),在提高了數(shù)據(jù)利用率的同時(shí)對問題的解決也有很大的幫助.

2.3 LSTM 模型

LSTM 最早由 Hochreiter 和Schmidhuber 在1997年提出,設(shè)計(jì)初衷是希望能夠解決神經(jīng)網(wǎng)絡(luò)中的長期依賴問題[6].LSTM (長短期記憶)模型是RNN 的典型代表,本質(zhì)上來看是一種RNN 結(jié)構(gòu)的變形.圖4 是RNN結(jié)構(gòu)展開圖,從圖中可以看出從RNN 可以說在每次輸入會結(jié)合之前的輸出,相當(dāng)于擁有了記憶功能.但是RNN 不能記憶太久遠(yuǎn)的信息,所以會存在一定的梯度消失和梯度爆炸的問題.這一問題導(dǎo)致了LSTM 的盛行.

圖4 RNN 結(jié)構(gòu)展開圖

如圖5 的LSTM 結(jié)構(gòu)圖可以看出,它在傳統(tǒng)RNN的隱藏層各神經(jīng)單元中增加了記憶單元,然后通過可控門控制之前信息和當(dāng)前信息的記憶和遺忘程度,這樣可以讓時(shí)間序列上的記憶信息可以選擇性地保留下來,從而使RNN 網(wǎng)絡(luò)具備了長期記憶功能[7].

LSTM 結(jié)構(gòu)中通過設(shè)計(jì)兩個(gè)門來控制記憶單元狀態(tài)的信息量,他們分別是遺忘門 (forget gate)和輸入門(input gate).forget gate 的功能就是”丟棄”.因?yàn)槲覀儾豢赡軐⑺行畔⑻卣魅坑涀?必須有所取舍,forget gate 就實(shí)現(xiàn)這一功能.它決定了上一時(shí)刻的單元狀態(tài)有多少“記憶”可以保留到當(dāng)前時(shí)刻;input gate 決定了當(dāng)前的時(shí)刻輸入有多少被保存到單元狀態(tài).這兩個(gè)門都是通過一個(gè)權(quán)重來決定留下信息的多少.LSTM 在最后設(shè)計(jì)了一個(gè)輸出門 (output gate)來控制單元狀態(tài)有信息輸出.這三個(gè)門的功能特點(diǎn)就是LSTM 相比傳統(tǒng)RNN 的優(yōu)勢所在.

圖5 LSTM 結(jié)構(gòu)圖

1)forget gate:遺忘門是以上一個(gè)單元的輸出ht-1和本單元的輸入 Xt為輸入的Sigmoid 函數(shù),為Ct-1中的每一項(xiàng)產(chǎn)生一個(gè)在[0,1]內(nèi)的值,來控制上一單元狀態(tài)被遺忘的程度.

2)input gate:輸入門結(jié)合tanh 函數(shù)來控制有哪些新的數(shù)據(jù)信息可以被加入.tanh 函數(shù)會產(chǎn)生一個(gè)新的候選向量,輸入門為中的每一項(xiàng)產(chǎn)生一個(gè)在[0,1]內(nèi)的值來控制新信息有多少可以加入.在這之前,我們得到了forget gate 的輸出 ft,用來控制上一單元被遺忘的程度,也有了輸入門的輸出it用來控制新信息被加入的多少,我們就可以更新本記憶單元的單元狀態(tài)了.

3)output gate:輸出門的作用是用來控制當(dāng)前的單元狀態(tài)有多少被過濾掉.先將單元狀態(tài)激活,輸出門為其中每一項(xiàng)產(chǎn)生一個(gè)在[0,1]內(nèi)的值,控制單元狀態(tài).

被過濾的程度.

3 實(shí)驗(yàn)結(jié)果

3.1 評價(jià)指標(biāo)

在這里本文利用均方根誤差來衡量測試值和估計(jì)值之間的差異程度.本篇論文研究的目的就是想得到與標(biāo)準(zhǔn)站數(shù)據(jù)更接近的數(shù)據(jù)值.選擇均方根誤差在本次實(shí)驗(yàn)中更能貼近應(yīng)用的需求.均方根誤差可以反映觀測值與預(yù)測值之間的接近程度,并且對測量數(shù)據(jù)中差異明顯的數(shù)據(jù)非常敏感.所以,均方根誤差能夠很好地反映出測量的精密度.一般情況下均方根誤差越小越好.

3.2 實(shí)驗(yàn)結(jié)果分析

為了能夠體現(xiàn)出模型的效果,驗(yàn)證模型的可行性和有效性,在進(jìn)行實(shí)驗(yàn)得出結(jié)果的同時(shí),利用同樣的數(shù)據(jù)通過其他模型進(jìn)行了訓(xùn)練,對比結(jié)果如表1.

表1 不同模型訓(xùn)練結(jié)果

1)LSTM

單純只利用LSTM 進(jìn)行模型訓(xùn)練,通過表中的結(jié)果可以看出它的均方根差是16.20,損失值為0.0678.僅僅只利用LSTM 模型,造成大量未標(biāo)記的數(shù)據(jù)浪費(fèi),事實(shí)上參與到模型訓(xùn)練的數(shù)據(jù)不是很多,自然模型訓(xùn)練起來在準(zhǔn)確度上相比較而言會有一定的偏差.此處在實(shí)驗(yàn)室經(jīng)過多次探索,利用兩層layer 實(shí)現(xiàn)如表中最優(yōu)的結(jié)果.

2)Regression

在已經(jīng)應(yīng)用的項(xiàng)目中采用的算法是一元回歸.從實(shí)際應(yīng)用效果來看,有很多偏差的數(shù)據(jù)需要人為的手動校準(zhǔn),必須給數(shù)據(jù)設(shè)定上限值.這種設(shè)置上限值的做法存在一定的主觀性,對此想到利用神經(jīng)網(wǎng)絡(luò)進(jìn)行多元回歸分析.但由于標(biāo)記數(shù)據(jù)不是很多,數(shù)據(jù)很離散,多維空間提升了數(shù)據(jù)復(fù)雜度,反而使其效果不符合我們實(shí)際需求.

3)Cotraining-LSTM

基于協(xié)同訓(xùn)練的半監(jiān)督LSTM 訓(xùn)練模型,相比較單純的LSTM 模型,我在此基礎(chǔ)上加了一個(gè)協(xié)同訓(xùn)練.這種半監(jiān)督的學(xué)習(xí)方法非常適合那種標(biāo)記數(shù)據(jù)比未標(biāo)記數(shù)據(jù)少的數(shù)據(jù)集.它兼具了LSTM 模型的記憶功能,同時(shí)基于協(xié)同訓(xùn)練的半監(jiān)督模型可以從多視角上充分利用兩種類型的數(shù)據(jù)進(jìn)行訓(xùn)練,可以說是兼顧得更全面.通過表格數(shù)據(jù)對比我們可以看出,從RMSE 這一評價(jià)指標(biāo)可以看出,Cotraining-LSTM 模型訓(xùn)練效果更好.協(xié)同訓(xùn)練模塊的加入提升了LSTM 模型的訓(xùn)練精度.

3.3 實(shí)驗(yàn)結(jié)果應(yīng)用

從上述實(shí)驗(yàn)結(jié)果的分析上來看,由于我們獲得的帶標(biāo)記數(shù)據(jù)有限并且數(shù)據(jù)大量離散所以單純使用LSTM 模型和Regression 模型進(jìn)行訓(xùn)練存在數(shù)據(jù)利用率不高,可參與訓(xùn)練數(shù)據(jù)量不足,訓(xùn)練結(jié)果多維分散,誤差大等問題.Cotraining-LSTM 模型解決了上述方法存在的缺點(diǎn):提高了數(shù)據(jù)利用率,同時(shí),使用Cotraining-LSTM 模型算法校準(zhǔn)之后的數(shù)據(jù)與國家標(biāo)準(zhǔn)數(shù)據(jù)十分接近.同時(shí)我們將該算法應(yīng)用到空氣質(zhì)量微型監(jiān)測實(shí)時(shí)項(xiàng)目中,通過對微型站儀器設(shè)備的校準(zhǔn)所得到的結(jié)果數(shù)據(jù)其誤差在應(yīng)用級范圍之內(nèi),在運(yùn)用此數(shù)據(jù)進(jìn)行后續(xù)預(yù)測等相關(guān)操作結(jié)果也是一樣的.

4 結(jié)論

本文針對當(dāng)前很受大家關(guān)心的空氣環(huán)境問題出發(fā),針對目前市場上關(guān)于監(jiān)測儀器存在由于傳感器本身精度不高而存在的測量精度不準(zhǔn)確的問題進(jìn)行了改進(jìn),在基于當(dāng)前現(xiàn)有的測量數(shù)據(jù)的情況下,提出了一種Cotraining-LSTM (基于協(xié)同訓(xùn)練的半監(jiān)督LSTM)模型.實(shí)驗(yàn)結(jié)果通過和其他模型的對比可以看出該模型在處理儀器由于自身傳感器物理特性而導(dǎo)致監(jiān)測的結(jié)果數(shù)據(jù)存在偏差這類相關(guān)問題上有更好的處理效果.為今后相似領(lǐng)域的問題解決方案提供一定的參考價(jià)值,并且在此類設(shè)備投入生產(chǎn)之后,將會帶來可觀的商業(yè)價(jià)值.