本发明专利技术提供的基于循环神经网络的传感器校准方法及装置，涉及环境监测领域；其方法包括分别获取布设在国家标注站周圈设定区域范围内的待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据；根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系；根据各因素间的相关关系，确定任意两个因素间的权重因子；分别对各因素构建神经网络校正模型，以待校正传感器获取的各因素的监测数据及其权重因子作为模型输入，以国家标注站对该因素的监测数据作为输出，训练并测试模型；对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正，获得校准数据。本发明专利技术适用于各类型传感器的同步校准，校准精度和工作效率高。工作效率高。工作效率高。
【技术实现步骤摘要】
一种基于循环神经网络的传感器校准方法及装置
[0001]本专利技术涉及环境监测
，具体涉及一种基于循环神经网络的传感器校准方法及装置。
技术介绍
[0002]由于传感器在长时间使用后会产生一定的零点漂移和量程漂移，同时也需要考虑非常规气态污染物(如氢气)浓度变化对于传感器交叉干扰，天气因素的影响，微型空气质量检测仪采集的数据和国控点数据的值存在一定的差异，因此传感器在使用前、使用中都需要进行数据校准。现有技术公开的传感器校准方法大多是将传感器检测值与待测气体真实浓度之间关系看作线性关系，通过单点检测或两点检测进行校准，但是该校准方法工作效率较低，且精度不高。
[0003]为解决上述校准方法的缺陷，现有技术提出不同的校准方法。例如，专利CN103399123B公开的气体传感器校准方法，利用组成空气成分的气体在空气中广的浓度在一定范围内进行动态变化的客观事实，在微处理器电路内设定高浓度区间和低浓度区间，降低对气体浓度的要求，并通过高精度气体传感器采集的处于高浓度或低浓度区间中并稳定的气体浓度值作为参考点，通过微处理器电路对待校准气体传感器进行校准。又如专利CN105974062A公开的气体传感器校准装置校准方法，该方法设计一定容积配气装置，通过精确控制阀门打开时间来增大装置内气体浓度，从而逐次配置出不同浓度的气体，进而获取不同浓度下传感器检测值，再采用气相色谱仪或已校准的传感器检测不同浓度下的气体浓度作为真实浓度；通过与真实浓度值进行曲线拟合，实现传感器精确校准。
[0004]但是上述校准方法应用时都只能针对少数的传感器进行同时校准，不适用于同时校准大量或种类变化大的传感器。
技术实现思路
[0005]本专利技术目的在于提供一种基于循环神经网络的传感器校准方法及装置，通过将待校正传感器布控在国家标注站预设范围内，根据国家标准站的站点数据校准待校正传感器的采集数据，多个传感器能够同步进行校准，校准精度高、工作效率高。
[0006]为达成上述目的，本专利技术提出如下技术方案：一种基于循环神经网络的传感器校准方法，包括：
[0007]分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据，其中，待校正传感器布设在国家标注站周圈设定的区域范围内，四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3，气象因素为实时温度和实时湿度；
[0008]根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系；
[0009]根据各因素间的相关关系，确定四气两尘因素和气象因素中任意两个因素间的权重因子；
[0010]分别对各因素构建神经网络校正模型，以待校正传感器获取的四气两尘因素和气
象因素的监测数据及其权重因子作为模型输入，以国家标注站对该因素的监测数据作为输出，训练并测试模型；
[0011]对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正，获得传感器校准数据。
[0012]进一步的，所述神经网络校正模型为Keras序惯模型；
[0013]所述Keras序惯模型包括3层神经网络，该3层神经网络的神经元个数分别为512、1024和1024，激活函数为Relu，目标函数为MSE，优化函数为Adam函数，初始学习率为0.001；
[0014]所述Keras序惯模型采用梯度下降算法进行模型训练，且每25轮改变学习率的大小。
[0015]进一步的，根据皮尔森相关性分析确定的各因素间相关关系如下：
[0016]所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4，0.7)，其他任意两个因素之间的相关系数属于区间(0.2，0.4)。
[0017]进一步的，根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系之前还包括：
[0018]分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图；
[0019]根据数据变化趋势图，判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
[0020]进一步的，所述数据变化趋势图包括曲线图、直方图和散点图。
[0021]本专利技术另一技术方案在于提供一种基于循环神经网络的传感器校准装置，该装置包括：
[0022]获取模块，分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据，其中，待校正传感器布设在国家标注站周圈设定的区域范围内，四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3，气象因素为实时温度和实时湿度；
[0023]数据分析模块，用于根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系；
[0024]权重确定模块，用于根据各因素间的相关关系，确定四气两尘因素和气象因素中任意两个因素间的权重因子；
[0025]模型构建模块，用于分别对各因素构建神经网络校正模型，以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入，以国家标注站对该因素的监测数据作为输出，训练并测试模型；
[0026]校正模块，用于对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正，获得传感器校准数据。
[0027]进一步的，所述模型构建模块构建的神经网络校正模型为Keras序惯模型；
[0028]所述Keras序惯模型包括3层神经网络，该3层神经网络的神经元个数分别为512、1024和1024，激活函数为Relu，目标函数为MSE，优化函数为Adam函数，初始学习率为0.001；
[0029]所述Keras序惯模型采用梯度下降算法进行模型训练，且每25轮改变学习率的大小。
[0030]进一步的，所述数据分析模块确定的各因素间相关关系如下：
[0031]所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4，0.7)，其他任意两个因素之间的相关系数属于区间(0.2，0.4)。
[0032]进一步的，所述装置还包括：
[0033]图形构建模块，用于分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图；
[0034]判断模块，用于判断根据数据变化趋势图，判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。
[0035]本专利技术还提供一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器运行所述计算机程序时，实现如上述的基于循环神经网络的传感器校准方法。
[0036]由以上技术方案可知，本专利技术的技术方案获得了如下有益效果：
[0037]本专利技术公开基于循环神经网络的传感器校准方法及装置，其方法包括分别获取布设在国家标注站周圈设定区域范围内的待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据，其中，四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3，气象因素为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于循环神经网络的传感器校准方法，其特征在于，包括：分别获取待校正传感器和国家标注站对四气两尘因素及气象因素的若干监测数据，其中，待校正传感器布设在国家标注站周圈设定的区域范围内，四气两尘因素为CO、PM2.5、PM10、NO2、SO2和O3，气象因素为实时温度和实时湿度；根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系；根据各因素间的相关关系，确定四气两尘因素和气象因素中任意两个因素间的权重因子；分别对各因素构建神经网络校正模型，以待校正传感器获取的四气两尘因素和气象因素的监测数据及其权重因子作为模型输入，以国家标注站对该因素的监测数据作为输出，训练并测试模型；对待校正传感器的监测数据调用其对应的神经网络校正模型进行校正，获得传感器校准数据。2.根据权利要求1所述的基于循环神经网络的传感器校准方法，其特征在于，所述神经网络校正模型为Keras序惯模型；所述Keras序惯模型包括3层神经网络，该3层神经网络的神经元个数分别为512、1024和1024，激活函数为Relu，目标函数为MSE，优化函数为Adam函数，初始学习率为0.001；所述Keras序惯模型采用梯度下降算法进行模型训练，且每25轮改变学习率的大小。3.根据权利要求1所述的基于循环神经网络的传感器校准方法，其特征在于，根据皮尔森相关性分析确定的各因素间相关关系如下：所述PM2.5、PM10和CO三因素中任意两个因素之间的相关系数属于区间(0.4，0.7)，其他任意两个因素之间的相关系数属于区间(0.2，0.4)。4.根据权利要求1所述的基于循环神经网络的传感器校准方法，其特征在于，根据皮尔森相关性分析获取的监测数据以确定各因素间的相关关系之前还包括：分别对待校正传感器获取的任一因素的若干监测数据和与其对应的国家标注站获取的若干监测数据构建数据变化趋势图；根据数据变化趋势图，判断待校正传感器获取数据和国家标注站获取数据的变化分布趋势。5.根据权利要求4所述的基于循环神经网络的传感器校准方法，其特征在于，所述数据变化趋势图包括曲线图、直方图和散点图。6.一种基于循环神经网络的传感器校准装置，其特征在于，包括：获取模块，分别获取待校正传感器和国家标注站...
【专利技术属性】
技术研发人员：刘鹏，张真，张堃，左成婷，秦敏轩，高中强，
申请(专利权)人：南京云创大数据科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。