李景富 崔英杰

摘? 要： 針對(duì)當(dāng)前空氣質(zhì)量檢測(cè)錯(cuò)誤率高，檢測(cè)效率低的難題，以獲得理想的空氣質(zhì)量檢測(cè)結(jié)果為目標(biāo)，設(shè)計(jì)了基于多傳感器融合的空氣質(zhì)量檢測(cè)模型。首先，分析了當(dāng)前空氣質(zhì)量檢測(cè)的研究現(xiàn)狀，找到引起空氣質(zhì)量檢測(cè)效果差的原因;然后，采用多個(gè)傳感器同時(shí)對(duì)空氣質(zhì)量檢測(cè)數(shù)據(jù)進(jìn)行采集，建立空氣質(zhì)量檢測(cè)的學(xué)習(xí)樣本;最后，采用機(jī)器學(xué)習(xí)算法對(duì)空氣質(zhì)量檢測(cè)學(xué)習(xí)樣本進(jìn)行訓(xùn)練，構(gòu)建空氣質(zhì)量檢測(cè)模型，并采用驗(yàn)證數(shù)據(jù)與其他空氣質(zhì)量檢測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，該設(shè)計(jì)模型的空氣質(zhì)量檢測(cè)精度超過(guò)95%，可以準(zhǔn)確描述空氣質(zhì)量的變化特點(diǎn)，而且空氣質(zhì)量檢測(cè)時(shí)間也遠(yuǎn)遠(yuǎn)少于對(duì)比模型，提升了空氣質(zhì)量檢測(cè)效率，具有更加廣泛的應(yīng)用范圍。

關(guān)鍵詞： 空氣質(zhì)量; BP神經(jīng)網(wǎng)絡(luò); 檢測(cè)模型; 傳感器陣列; 學(xué)習(xí)樣本; 機(jī)器學(xué)習(xí)算法

中圖分類號(hào)： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）19?0171?04

Abstract： In view of the high error rate and low detection efficiency in the air quality detection， an air quality detection model based on multi?sensor fusion is designed to obtain ideal air quality detection results. The current research status of air quality detection is analyzed， and the reasons of poor air quality detection effect are found. And then， several sensors are used to collect air quality detection data at the same time， so as to establish a learning sample of air quality detection. The machine learning algorithm is used to train the established learning sample to construct the air quality detection model. The verification data is compared with the data of other air quality detection models. The results show that the air quality detection accuracy of the proposed model is much higher than 95%， which can accurately describe the characteristics of air quality change. Moreover， its air quality detection duration is far shorter than that of the contrastive models， which improves the efficiency of air quality detection. Therefore， the proposed model has a wider application range.

Keywords： air quality; BP neural network; detection model; sensor array; learning sample; machine learning algorithm

0? 引? 言

近年來(lái)空氣污染天數(shù)有所增加，污染物主要是粉塵及其他微小顆粒物，不但直接影響人們生活質(zhì)量，也使一些大型數(shù)據(jù)中心的通信設(shè)備故障率明顯上升，通過(guò)分析，大部分故障與數(shù)據(jù)中心運(yùn)行環(huán)境中灰塵超標(biāo)有關(guān)。因此精度空氣質(zhì)量檢測(cè)模型構(gòu)建具有十分重要的研究?jī)r(jià)值[1?3]。

當(dāng)前主要采用傳感器對(duì)空氣質(zhì)量數(shù)據(jù)進(jìn)行在線采集[4?6]。由于空氣成分比較復(fù)雜，單一傳感器采集的空氣質(zhì)量數(shù)據(jù)不完整，只能描述空氣質(zhì)量的片段、部分變化特點(diǎn)，影響了后續(xù)空氣質(zhì)量的檢測(cè)結(jié)果[7]。采集空氣質(zhì)量數(shù)據(jù)后，同時(shí)需要引入一定的技術(shù)，建立空氣質(zhì)量檢測(cè)模型。當(dāng)前空氣質(zhì)量檢測(cè)模型可以劃分為兩大類：線性檢測(cè)模型和非線性檢測(cè)模型[8?10]。線性檢測(cè)主要包括：聚類分析的空氣質(zhì)量檢測(cè)模型、多元線性回歸的空氣質(zhì)量檢測(cè)模型，它們認(rèn)為空氣質(zhì)量呈現(xiàn)一種固定的變化特點(diǎn)，包括線性、隨機(jī)性、周期性、非平穩(wěn)性變化特點(diǎn)，因此線性空氣質(zhì)量檢測(cè)模型的缺陷相當(dāng)明顯，空氣質(zhì)量檢測(cè)誤差大，無(wú)法應(yīng)用于實(shí)際中[11?12]。在實(shí)際應(yīng)用中，RBF神經(jīng)網(wǎng)絡(luò)的收斂性能不穩(wěn)定，使得空氣質(zhì)量檢測(cè)結(jié)果穩(wěn)定性不夠;最小二乘支持向量機(jī)的學(xué)習(xí)時(shí)間長(zhǎng)，會(huì)對(duì)空氣質(zhì)量檢測(cè)效率產(chǎn)生不利影響，因此空氣質(zhì)量檢測(cè)有待進(jìn)一步研究。

為了提高空氣質(zhì)量檢測(cè)精度，本文設(shè)計(jì)了基于多傳感器融合的空氣質(zhì)量檢測(cè)模型。采用多個(gè)傳感器采集空氣質(zhì)量數(shù)據(jù)，利用BP神經(jīng)網(wǎng)絡(luò)建立空氣質(zhì)量檢測(cè)模型，測(cè)試結(jié)果表明，本文模型的空氣質(zhì)量檢測(cè)精度得到了大幅度提升，能夠有效降低空氣質(zhì)量檢測(cè)誤差，減少了空氣質(zhì)量檢測(cè)時(shí)間，改善了空氣質(zhì)量檢測(cè)效率，空氣質(zhì)量檢測(cè)結(jié)果要明顯優(yōu)于當(dāng)前其他檢測(cè)模型，驗(yàn)證了本文模型的優(yōu)越性。

1? 基于多傳感器融合的空氣質(zhì)量檢測(cè)模型

1.1? 多傳感器采集空氣質(zhì)量數(shù)據(jù)

因?yàn)榭諝赓|(zhì)量的影響因素多，單一傳感器采集的信息不完整，基于組合優(yōu)化原則，采用多個(gè)傳感器對(duì)同一個(gè)地方的空氣質(zhì)量數(shù)據(jù)進(jìn)行采集，使各個(gè)傳感器數(shù)據(jù)之間可以進(jìn)行互補(bǔ)，提高了空氣質(zhì)量數(shù)據(jù)的采集精度，方便后續(xù)的空氣質(zhì)量數(shù)據(jù)檢測(cè)建模。多傳感器采集空氣質(zhì)量數(shù)據(jù)的原理如圖1所示。

1.2? BP神經(jīng)網(wǎng)絡(luò)

為了解決RBF神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)在空氣質(zhì)量檢測(cè)過(guò)程中存在的缺陷，本文引入BP神經(jīng)網(wǎng)絡(luò)對(duì)空氣質(zhì)量檢測(cè)進(jìn)行建模。相對(duì)于RBF神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性更高;相對(duì)于最小二乘支持向量機(jī)，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間縮短，學(xué)習(xí)速度明顯加快，是一種當(dāng)前廣泛應(yīng)用的機(jī)器學(xué)習(xí)算法。對(duì)于一個(gè)空氣質(zhì)量檢測(cè)問(wèn)題，采用一個(gè)3層BP神經(jīng)網(wǎng)絡(luò)就可以對(duì)其變化特點(diǎn)進(jìn)行高精度、快速逼近，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以采用圖2進(jìn)行描述。

BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)可以表示為：[O（1）j=x（j）]，[j=1]，2，…，[n]，其中，[n]表示空氣質(zhì)量的影響因素，隱含層的輸入數(shù)據(jù)根據(jù)輸入層的數(shù)據(jù)確定，而隱含層的輸出數(shù)據(jù)又可以通過(guò)隱含層輸入數(shù)據(jù)和映射函數(shù)[f（）]確定，隱含層的輸入數(shù)據(jù)和輸出數(shù)據(jù)分別可以表示為：

式中[Wij]表示隱含層加權(quán)系數(shù)。

隱含層是BP神經(jīng)網(wǎng)絡(luò)最為關(guān)鍵的部分，其主要功能是對(duì)數(shù)據(jù)進(jìn)行一定的變換，映射函數(shù)[f（）]具體定義為：

根據(jù)隱含層的輸出數(shù)據(jù)確定輸出層的輸入數(shù)據(jù)，并且可以根據(jù)輸出層的輸入數(shù)據(jù)和映射函數(shù)[g（）]確定輸出層的輸出數(shù)據(jù)，輸出層的輸入數(shù)據(jù)和輸出數(shù)據(jù)分別可以表示為：

式中：[Wli]表示隱含層加權(quán)系數(shù);映射函數(shù)[g（? ）]具體定義如下：

BP神經(jīng)網(wǎng)絡(luò)空氣質(zhì)量檢測(cè)模型的實(shí)際輸出和空氣質(zhì)量檢測(cè)期望輸出之間的誤差為[E（k）]，BP神經(jīng)網(wǎng)絡(luò)[E（k）]對(duì)加權(quán)系數(shù)進(jìn)行調(diào)整和修正，引入一個(gè)慣性項(xiàng)，可以得到加權(quán)系數(shù)調(diào)整形式為：

1.3? 基于多傳感器融合的空氣質(zhì)量檢測(cè)步驟

1） 采用多個(gè)傳感器對(duì)空氣質(zhì)量數(shù)據(jù)進(jìn)行采集，并去除每一個(gè)傳感器數(shù)據(jù)中的無(wú)用信息。

2） 將多個(gè)傳感器采集的空氣質(zhì)量數(shù)據(jù)進(jìn)行融合，同時(shí)對(duì)空氣質(zhì)量數(shù)據(jù)中的重復(fù)信息進(jìn)行去除，減少空氣質(zhì)量數(shù)據(jù)的存儲(chǔ)空間，獲得高質(zhì)量空氣質(zhì)量檢測(cè)的樣本數(shù)據(jù)。

3） 將空氣質(zhì)量檢測(cè)數(shù)據(jù)劃分為學(xué)習(xí)數(shù)據(jù)和驗(yàn)證數(shù)據(jù)。

4） 根據(jù)空氣質(zhì)量檢測(cè)學(xué)習(xí)數(shù)據(jù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行初始化。

5） 采用BP神經(jīng)網(wǎng)絡(luò)對(duì)空氣質(zhì)量檢測(cè)學(xué)習(xí)數(shù)據(jù)進(jìn)行訓(xùn)練，建立空氣質(zhì)量檢測(cè)模型。

6） 采用建立的空氣質(zhì)量檢測(cè)模型對(duì)驗(yàn)證數(shù)據(jù)進(jìn)行檢測(cè)，統(tǒng)計(jì)空氣質(zhì)量檢測(cè)精度，并輸出相應(yīng)的結(jié)果。

綜合上述可以得到基于多傳感器融合的空氣質(zhì)量檢測(cè)流程如圖3所示。

2? 多傳感器融合的空氣質(zhì)量檢測(cè)的性能測(cè)試

2.1? 測(cè)試環(huán)境

為了測(cè)試基于多傳感器融合的空氣質(zhì)量檢測(cè)模型的性能，采用VC++ 6.0編程實(shí)現(xiàn)多傳感器融合的空氣質(zhì)量檢測(cè)程序，采用的測(cè)試環(huán)境如表1所示。傳感器數(shù)量為10個(gè)。

2.2? 樣本數(shù)據(jù)以及對(duì)比模型

為了使基于多傳感器融合的空氣質(zhì)量檢測(cè)結(jié)果具有可比性，選擇單一傳感器的空氣質(zhì)量檢測(cè)模型進(jìn)行對(duì)比測(cè)試，其建模工具分別為RBF神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)。因此有兩個(gè)對(duì)比模型：RBF神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)，為了使實(shí)驗(yàn)更加公平，可信度更高，每一種模型進(jìn)行5次仿真實(shí)驗(yàn)，每一次仿真實(shí)驗(yàn)的學(xué)習(xí)數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的數(shù)量如表2所示。

2.3? 空氣質(zhì)量檢測(cè)精度對(duì)比

統(tǒng)計(jì)3種空氣質(zhì)量檢測(cè)模型的檢測(cè)精度，結(jié)果如圖4所示。從圖4可以看出：RBF神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量檢測(cè)精度平均值為86.25%，最小二乘支持向量機(jī)的空氣質(zhì)量檢測(cè)精度平均值為89.00%，本文模型的空氣質(zhì)量檢測(cè)精度平均值為96.04%。相對(duì)于對(duì)比模型，本文模型的空氣質(zhì)量檢測(cè)精度平均值分別提高了9.79%和7.04%，有效降低了空氣質(zhì)量檢測(cè)誤差。這是因?yàn)椴捎枚鄠€(gè)傳感器對(duì)空氣質(zhì)量數(shù)據(jù)同時(shí)進(jìn)行采集，采集的數(shù)據(jù)更加全面，并且引入BP神經(jīng)網(wǎng)絡(luò)對(duì)空氣質(zhì)量檢測(cè)進(jìn)行建模，獲得了理想的空氣質(zhì)量檢測(cè)結(jié)果，驗(yàn)證了本文空氣質(zhì)量檢測(cè)模型的優(yōu)越性。

2.4? 空氣質(zhì)量檢測(cè)效率對(duì)比

統(tǒng)計(jì)3種空氣質(zhì)量檢測(cè)模型的檢測(cè)時(shí)間，結(jié)果如圖5所示。從圖5可以看出：RBF神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量檢測(cè)時(shí)間平均值為4.03 ms，最小二乘支持向量機(jī)的空氣質(zhì)量檢測(cè)時(shí)間平均值為6.19 ms，本文模型的空氣質(zhì)量檢測(cè)時(shí)間平均值為3.16 ms。相對(duì)于對(duì)比模型，本文模型的空氣質(zhì)量檢測(cè)時(shí)間平均值分別減少了0.87 ms和3.03 ms，加快了空氣質(zhì)量檢測(cè)速度，這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度更快，提高了空氣質(zhì)量的檢測(cè)效率。

3? 結(jié)? 語(yǔ)

為了解決當(dāng)前空氣質(zhì)量檢測(cè)錯(cuò)誤率高，檢測(cè)效率低的難題，本文提出了基于多傳感器融合的空氣質(zhì)量檢測(cè)模型。首先采用多個(gè)傳感器同時(shí)對(duì)空氣質(zhì)量數(shù)據(jù)進(jìn)行采集，建立空氣質(zhì)量檢測(cè)學(xué)習(xí)樣本;然后采用機(jī)器學(xué)習(xí)算法對(duì)空氣質(zhì)量檢測(cè)學(xué)習(xí)樣本進(jìn)行訓(xùn)練，構(gòu)建空氣質(zhì)量檢測(cè)模型;最后在相同環(huán)境下與其他空氣質(zhì)量檢測(cè)模型進(jìn)行了對(duì)比實(shí)驗(yàn)，本文模型的空氣質(zhì)量檢測(cè)精度超過(guò)95%，可以準(zhǔn)確描述空氣質(zhì)量變化特點(diǎn)，而且空氣質(zhì)量檢測(cè)時(shí)間也少于對(duì)比模型，提高了空氣質(zhì)量檢測(cè)效率，為空氣質(zhì)量檢測(cè)提供了一種建模工具，對(duì)數(shù)據(jù)中心智能防塵具有重要參考價(jià)值。

參考文獻(xiàn)

[1] 何瑞林.綠化植物合理配置對(duì)小區(qū)域空氣質(zhì)量?jī)?yōu)化建模分析研究[J].環(huán)境科學(xué)與管理，2019，12（5）：160?163.

[2] 吳強(qiáng)，趙英.民用建筑換氣率與室內(nèi)空氣質(zhì)量的關(guān)系建模分析研究[J].環(huán)境科學(xué)與管理，2019，44（4）：140?144.

[3] 張健琿，楊國(guó)林，邵明，等.基于GNSS的空間PM2.5檢測(cè)系統(tǒng)設(shè)計(jì)及應(yīng)用[J].全球定位系統(tǒng)，2018，43（5）：61?66.

[4] 胡來(lái)，廉小親，吳文博，等.基于物聯(lián)網(wǎng)的室內(nèi)空氣質(zhì)量檢測(cè)系統(tǒng)設(shè)計(jì)[J].測(cè)控技術(shù)，2018，37（3）：55?58.

[5] 王書(shū)濤，王昌冰，潘釗，等.光學(xué)技術(shù)在氣體濃度檢測(cè)中的應(yīng)用[J].光電工程，2017，44（9）：862?871.

[6] 孫靈芳，于洪.基于TDLAS技術(shù)的在線多組分氣體濃度檢測(cè)系統(tǒng)[J].儀表技術(shù)與傳感器，2017，11（3）：73?77.

[7] 王媛媛，段敏杰，童軍.FPGA的室內(nèi)空氣質(zhì)量檢測(cè)與調(diào)節(jié)系統(tǒng)[J].傳感器與微系統(tǒng)，2016，35（12）：140?142.

[8] 劉永平，王霞，李帥帥，等.基于紅外技術(shù)的氣體濃度檢測(cè)方法研究[J].光子學(xué)報(bào)，2015，44（1）：195?201.

[9] 王駿鵬，王玉峰，鄧鑫，等.基于ARM的殘氧濃度檢測(cè)裝置的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2019，42（10）：88?91.

[10] 田曄非，彭華.基于無(wú)線傳感器和激光技術(shù)的氣體濃度檢測(cè)[J].激光雜志，2018，39（5）：32?35.

[11] 馬嫚，程鉛，陳慧，等.基于信息融合技術(shù)的空氣質(zhì)量檢測(cè)系統(tǒng)[J].電子器件，2013，36（4）：554?558.

[12] 張愉，童敏明，戴桂平.基于OBLPSO?LSSVM的一氧化碳濃度檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（24）：249?252.