[发明专利]一种基于深度学习的PM2.5污染物测量方法

权利要求书

1.一种基于深度学习的PM2.5污染物测量方法，其特征在于，包括步骤如下：

1)将全部N个样本I进行预处理，包括进行零均值处理和样本扩增；

2)利用的深度学习网络将处理后的第i个样本I_i输入到深度学习网络中，前两层为卷积层，每个卷积层后均有降采样层，对卷积层的输出进行最大值-降采样后两层为全连接层，其中最后一层为Soft-max层，由此输出与给定的PM2.5污染值P_real(i)对应的1-500维的特征P_pred(i)；

3)通过优化下面的目标函数来训练网络：

argminΣi=1N||Preal(i)-Ppred(i)||2---(1)]]>

4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练网络；

其中，降采样是采用一个大小为n*n的采样窗按照一定步长s扫描：先按行从左至右，再按列从上至下遍历整个卷积层大小为m*m的输出，扫描时在每个采样窗中，取其中n*n个值的最大值作为采样值，把每个采样值按照扫描次序组成一个(m/s)*(m/s)大小的降采样输出，特殊情况下步长s为1时，降采样的结果的尺寸与输入相同。

2.根据权利要求1所述一种基于深度学习的PM2.5污染物测量方法，其特征在于，所述步骤1)中样本扩增包括样本翻转和尺度变换。

3.一种基于深度学习的PM2.5污染物测量方法，其特征在于，包括步骤如下：

1)将需要测试样本I进行预处理，包括进行零均值处理和样本的翻转及尺度变换处理；

2)利用深度卷积神经网络将处理后的样本I输入训练好到深度卷积神经网络中，在输出层得到500维的特征P_pred；

3)通过优化下面的目标函数来训练网络：

argminΣi=1N||Preal(i)-Ppred(i)||2---(1)]]>

4)当目标函数停止收敛或者网络训练迭代次数超过设定值M时，停止训练网络；

5)利用输出得到500维的特征P_pred判断实际PM2.5污染值，即取该特征最大响应值所在列标，即为实际的PM2.5污染值；

其中列标理解为：特征响应值有1-500维，最大值所在的维度数，即坐标，即为所预测的PM2.5值；若第100维度的响应值为0.9，其余维度的响应均小于0.9，则取最大响应值0.9所在的维度数100，即“列标”作为预测的PM2.5值。