[发明专利]一种空气细颗粒物PM2.5测量方法

摘要

一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法既属于环境工程领域又属于检测技术领域。大气环境系统具有多变量、非线性、内部机理复杂、信息不完备等特性，难以通过机理分析建立其数学模型，而相比于单个神经网络，集成神经网络对于高度非线性和严重不确定性系统则具有更好的处理能力，且用图像特征作为输入变量预测PM2.5能有效提高模型的实时性和高效性。本发明针对PM2.5难以高精度且实时预测的问题，首先基于特征提取方法提取与PM2.5相关的图像特征，其次利用基于简单平均方法的集成神经网络建立相关图像特征和PM2.5之间的软测量模型，最后用建立好的软测量模型对PM2.5进行预测并取得了较好的效果。该软测量模型的输出结果可为环境管理决策者和群众提供及时准确的大气环境质量信息，有利于加强大气环境污染控制，防止严重污染的发生。

主权项

1.一种基于图像特征和集成神经网络的空气细颗粒物PM2.5软测量方法，其特征在于，包括以下步骤：(1)提取图像特征①基于相位一致性的熵Epc计算公式如下：其中，s代表图像信号，spc由s中的像素构成，l代表像素值且值域为[0,255]，P代表概率分布；图像对比度的第二种度量方式是对比能，其估计感知的是图像局部对比度；对比能在三个通道上计算公式如下：其中，s代表图像信号，s_q表示滤波器在第q个方向过滤得到的图像信号，f＝{rg,gr,yb}分别是s的三通道，并且rg＝R‑G，gr＝0.299×R+0.587×G+0.114×B和yb＝0.5×(G+R)‑B，R,G,B分别是红、绿、蓝三个通道的颜色值，它们的取值范围为[0,255]，ψ_h和ψ_υ分别代表高斯函数的水平和垂直二阶导数，CE_f＝{CE_rg,CE_gr,CE_yb}；α取Y(s_f)的最大值,θ控制对比增益，ξ用于通过阈值约束噪声；因此，图像对比度的四组特征包括如下：Epc,CErg,CEgr,CEyb；②利用亮度变化图像的熵来推断图像是否具有合适的亮度；面对多指标m_d的选择，其中d为选取指标的个数，取d＝6，计算公式如下：其中，n的取值依据经验被给定为3.5,5.5,7.5；因此，图像亮度的六组特征包括如下：③引入色彩饱和度，它表示与其自身亮度相比颜色的色彩度；将图像转换为由色调、饱和度和明度构成的颜色空间后，它的饱和通道的全局平均值的计算公式如下：其中，S代表一组图像色彩度特征，TX→S代表转换函数用于转换某一种类型图像为饱和通道，s代表图像信号，M表示s中的像素数，s(z)表示s中第z个像素点；图像色彩的另一个测量量由四个重要特征构成，它们分别包括yb和rg通道的均值μyb,μrg和方差σyb,σrg；另一组图像色彩度特征C的计算公式如下：其中，κ是修正因子，用于调整各部分的相对重要性，经过反复实验得到，κ的最佳取值为0.3；因此，图像色彩度的两组特征包括如下：S,C④由图像特征提取式(1)‑式(5)，图像的三类特征对比度、亮度、色彩度从图片中被提取出来，分别为E_pc,CE_rg,CE_gr,CE_yb、和S,C；(2)确定输入变量和预测变量；①变量数据的标准化处理：将从上一小时实际摄取图片中提取出来的图像特征数据和PM2.5浓度的下一小时数据一一对应，整理出L组数据，然后以图像特征为自变量X，PM2.5浓度为因变量Y：X＝[x1,x2,…,x12]T,Y＝y   (6)其中，x₁,x₂,x₃,x₄表示图像对比度特征E_pc,CE_rg,CE_gr,CE_yb，x₅,x₆,x₇,x₈,x₉,x₁₀表示图像亮度特征x₁₁,x₁₂表示图像色彩度特征S,C，y表示PM_2.5浓度；各类特征是无量纲的，PM_2.5浓度的单位是μg/m³；数据标准化处理的计算公式如下：其中，g₁，g₂,，g₃，g₄是从上一小时实际摄取图片中提取出来的图像对比度特征E_pc,CE_gr,CE_yb,CE_rg的数据数组标准化后得到的数组，D₁，D₂，D₃，D₄是标准化前图像对比度特征E_pc,CE_gr,CE_yb,CE_rg的数据数组，D_1,min，D_2,min，D_3,min，D_4,min分别是数组D₁，D₂，D₃，D₄中的最小值，D_1,max，D_2,max，D_3,max，D_4,max分别是数组D₁，D₂，D₃，D₄中的最大值；从上一小时实际摄取图片中提取出来的图像亮度特征和图像色彩度特征S,C的数据数组和PM_2.5浓度的下一小时实测数据数组分别是D₅、D₆、D₇、D₈、D₉、D₁₀，D₁₁、D₁₂和D₁₃，找出各数组内部的最大值和最小值，按照式(7)相同的处理方式得到标准化数组分别是：g₅、g₆、g₇、g₈、g₉、g₁₀，g₁₁、g₁₂和g₁₃；②通过①中的数据标准化处理得到g1、g2、g3、g4、g5、g6，g7、g8、g9、g10、g11、g12，将这些图像特征选作输入变量，记为r1,r2,…,r12，PM2.5浓度作为预测变量，是集成神经网络的期望输出，记为op，输入变量和预测变量的标准化观测数据阵分别记为E和F，选取E和F的前I组数据作为训练样本，后I′组数据作为测试样本；(3)设计用于PM2.5预测的集成神经网络的拓扑结构；用于PM2.5预测的集成神经网络共由Q个子网络递归模糊神经网络组成，每个子网络都是一个递归模糊神经网络；该集成神经网络通过简单平均的方法将Q个子网络集为一体，这里的简单平均方法是指所有子网络的权重一样且各权重之和为1；集成神经网络的子网络为递归模糊神经网络，该子网络共5层：输入层、隶属函数层、规则层、去模糊化层和输出层；输入是选取的输入变量，输出是PM2.5浓度，确定其12‑12×J‑J‑J‑1的连接方式，即输入层神经元数和输入变量的个数同是12，隶属函数层神经元数是12×J，规则层神经元数是J，去模糊化层神经元数是J，输出层神经元数是1；各子网络的中心、宽度和权值的初始值设定在(0,1)之间，集成神经网络的输入表示为r＝[r1,r2,…,r12]T，[r1,r2,…,r12]T是[r1,r2,…,r12]的转置，期望输出表示为op；第k组训练样本表示为r(k)＝[r1(k),r2(k),…,r12(k)]T，k＝1,2,…,I，第k组训练样本训练集成神经网络也即是分别训练所有的子网络，这时其中一个子网络的各层输出依次为：①输入层：该层有12个神经元：ai(k)＝ri(k)   (8)其中，ai(k)是输入层第i个神经元的输出，ri(k)是该层第i个神经元的输入变量；②隶属函数层：该层选取高斯函数作为隶属函数对输入变量进行模糊化处理，隶属函数层有12*J个神经元，该层第ij个神经元的输出uij(k)为：其中，ai(k)是输入层第i个神经元的输出，uij(k)是隶属度函数层第ij个神经元的输出，cij(k)，σij(k)分别是递归模糊神经网络的中心和宽度；③规则层：该层有J个神经元，每个神经元代表一个模糊逻辑规则；同时，将递归链接引入此层，并将规则层的上一次输出用作当前次规则层的输入，且递归链连接值根据网络精度是否达到要求自行调整；该层第j个神经元的输出φj(k)为：其中，uij(k)是隶属度函数层第ij个神经元的输出，φj(k)是规则层第j个神经元的当前次输出，φj(k‑1)是规则层第j个神经元的上一次输出，λj(k)是规则层第j个神经元递归链的连接值；④去模糊化层：该层神经元数目与规则层相同，该层第j个神经元的输出为：其中，φj(t)是规则层第j个神经元的输出；⑤输出层：该层有1个神经元，该层的输出表示子网络预测输出yo(k)，如下式所示：其中，为去模糊化层第j个神经元的输出，w_j(k)是去模糊化层第j个神经元与输出层神经元之间的连接权值；式(8)‑式(12)中，i＝1,2,…,12，j＝1,2,…J；子网络递归模糊神经网络的训练均方根误差(RMSE)为：其中，op(k)和yo(k)分别是第k组训练样本的期望输出和用第k组训练样本训练子网络递归模糊神经网络时的网络输出，训练集成神经网络的目的是使所有子网络的训练RMSE达到期望值；集成神经网络的输出o(k)表示预测的PM2.5浓度，计算如下式所示：其中，yot(k)为集成神经网络第t个子网络的输出，wt(k)为集成神经网络第t个子网络被赋予的权重，该权重由简单平均方法获得；式(14)中，t＝1,2,…,Q；(4)用训练样本训练集成神经网络，也即是用训练样本训练它的所有子网络；在训练过程中，利用自适应学习率的梯度下降算法训练集成神经网络各子网络的中心、宽度、权值和递归链连接值，直到网络精度满足信息处理的需求，具体为：①选取用于训练所有子网络递归模糊神经网络的训练样本I，设置最大迭代步数为1000，期望训练RMSE设定为0.01，自适应学习率η的初始值设定为0.005；②利用自适应学习率的梯度下降算法训练给定初始集成神经网络子网络，子网络每产生一组输出参数更新一次，自适应学习率的梯度下降算法参数调整公式如下：η＝ηmax‑h(ηmax‑ηmin)/H     (19)其中，c_ij(k‑1)、σ_ij(k‑1)、w_j(k‑1)和λ_j(k‑1)分别是第k‑1组训练样本训练集成神经网络子网络时网络的中心、宽度、权值和递归链连接值，c_ij(k)、σ_ij(k)、w_j(k)和λ_j(k)分别是第k组训练样本训练集成神经网络子网络时网络的中心、宽度、权值和递归链连接值，E(k‑1)为第k‑1组训练样本训练集成神经网络子网络的训练误差平方和，其由计算可得，其中o_p(k‑1)和y_o(k‑1)分别是第k‑1组训练样本的期望输出和用第k‑1组训练样本训练集成神经网络子网络的输出，η是自适应学习率,η_max,η_min分别是最大学习率和最小学习率，h是当前迭代步数，H是总迭代步数，自适应学习率η根据式(19)自行调整；③若在某步训练过程中，集成神经网络所有子网络的训练RMSE<＝0.01或算法迭代了1000步时则停止计算，否则转向②；(5)对测试样本进行检测；利用测试样本对训练好的集成神经网络进行测试，集成神经网络的输出即为PM2.5的预测结果，根据式(14)计算得到。