[发明专利]一种基于卷积神经网络算法的隧道空气质量监测方法

权利要求书

1.一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于，该方法包括以下步骤：

步骤一、在隧道内布设多个空气质量监测节点；所述空气质量监测节点包括微处理器模块和为装置中各用电模块供电的电源模块，以及与微处理器模块相接的晶振电路和复位电路，所述微处理器模块的输入端接有硫化物传感器、瓦斯浓度传感器和粉尘传感器；

步骤二、隧道空气质量相关数据实时采集及传输：每个空气质量监测节点中，硫化物传感器对隧道内的硫化物浓度进行实时检测并将检测到的信号输出给微处理器模块；瓦斯浓度传感器对隧道内的瓦斯浓度进行实时检测并将检测到的信号输出给微处理器模块；粉尘传感器对隧道内的粉尘浓度进行实时检测并将检测到的信号输出给微处理器模块；

步骤三、数据分析处理，得到隧道空气质量状况：微处理器模块将硫化物浓度、瓦斯浓度、粉尘浓度数据输入预先构建并存储在其中的空气质量预测卷积神经网络模型中，得到空气质量预测卷积神经网络模型的输出，所述空气质量预测卷积神经网络模型的输出为隧道空气质量状况；

所述空气质量预测卷积神经网络模型的构建过程为：

步骤301、训练样本获取：将硫化物浓度、瓦斯浓度、粉尘浓度的历史检测数据和与这组数据对应的空气质量状况构成训练样本；

步骤302、空气质量预测卷积神经网络构建：将所述空气质量预测卷积神经网络构建为包含输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S6、全连接层F7、全连接层F8和输出层的卷积神经网络；

输入层:用于输入硫化物浓度、瓦斯浓度和粉尘浓度；

卷积层C1：对输入的硫化物浓度、瓦斯浓度和粉尘浓度卷积，卷积核取11*11，步长取4；

池化层S2：对卷积层C1卷积后的数据进行降维处理；

卷积层C3：对池化层S2降维后的数据卷积；

池化层S4：对卷积层C3卷积后的数据进行降维处理；

卷积层C5：对池化层S4降维后的数据卷积；

池化层S6：对卷积层C5卷积后的数据进行降维处理；

全连接层F7：设置1024个神经元，连接池化层S6输出的所有数据；

全连接层F8：设置512个神经元，与全连接层F7的神经元全连接；

输出层：设置2个神经元，与全连接层F8的神经元全连接，对输出结果进行二分类；二分类得到空气质量良好和空气质量欠佳；

步骤303、空气质量预测卷积神经网络训练：采用步骤301中的训练样本对步骤302中构建的空气质量预测卷积神经网络进行训练，得到训练好的空气质量预测卷积神经网络。

2.按照权利要求1所述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述微处理器模块为ARM微处理器。

3.按照权利要求1所述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述全连接层F7设置ReLU函数为激活函数。

4.按照权利要求1所述的一种基于卷积神经网络算法的隧道空气质量监测方法，其特征在于：所述全连接层F8设置ReLU函数为激活函数。