[发明专利]在环境空气预报中基于深度信念网络的数据融合的方法

说明书

本发明涉及一种基于深度信念网络的数据融合在环境空气预报中应用的方法，该方法首先将监测点位的大气数据和气象数据进行预处理，去除缺测值，并对数据进行归一化处理，然后将处理后的数据输入深度信念网络(DBN)进行训练，得到训练模型，通过深度信念网络(DBN)模型对数据进行数据融合，将融合后的数据应用在环境空气预报中，并将结果返回给用户。本发明通过深度信念网络(DBN)进行数据融合的方法，相比于使用D‑S证据理论方法，降低了环境空气预报的误差，提高了相应的准确性，同时可以实现智能化监测。

技术领域

本发明属于人工智能和环境科学领域，具体的说是一种基于深度信念网络的数据融合在环境空气预报中应用的方法。

背景技术

随着社会的工业化和现代化的不断发展，带来了一系列的环境问题。由于环境与发展的不平衡问题，使得城市的空气质量问题日益突出，环境空气预报也变得尤为重要，然而传统的监测站点只能监测到当前站点的空气质量数据和气象数据。由于某些不确定因素以及突然的波动会对监测的数据造成一定的影响。使用数据融合的方法可以把多种来源的数据进行联合、相关及组合，使数据之间产生一定的关联性，数据融合方法应用在环境空气预报上有助于实现科学监测、智慧环保。

因此，本文提出了一种基于深度信念网络的数据融合在环境空气预报中应用的方法，与常用的D-S证据理论的数据融合方法相比，降低了环境空气预报的误差，提高了相应的准确性。把这种方法应用在环境空气预报中，可以提高可靠性。

发明内容

在分析基于D-S证据理论的数据融合方法应用在环境空气预报的结果时发现，6项常规污染物的预报结果与监测站点的数据都有不同程度的偏差，本发明要解决的技术问题是降低环境空气预报的误差，提高相应的准确性，使环境空气预报更具有可靠性。

在环境空气预报中基于深度信念网络的数据融合的方法，包括以下步骤：

提取监测点位的大气数据和气象数据并去除缺测值；

对处理后的大气数据和气象数据分别进行归一化处理；

将归一化后的大气数据和气象数据输入到深度信念网络DBN进行数据融合，训练深度信念网络DBN，得到训练模型；

将融合后的大气数据和气象数据应用在环境空气预报中。

所述大气数据包括：PM_2.5、PM₁₀、SO₂、CO、NO₂、O₃的浓度数据；所述气象数据包括温度、风速、大气压强、湿度。

对处理后的大气数据和气象数据分别进行归一化处理具体为：

对监测点位的大气数据和气象数据分别进行归一化处理：使监测点位的大气数据和气象数据分别映射在(0,1)范围内，X_norm表示归一化后的数据，X表示监测点位监测出的大气数据或气象数据的构成的数据集合，X_min表示所述数据集合中的最小值，X_max表示所述数据集合中的最大值，利用如下公式进行归一化：

深度信念网络DBN训练方法包括以下步骤：

采取非监督贪婪法对输入数据进行逐层预训练：分别对受限玻尔兹曼机RBM网络的每一层进行无监督的训练，初始化其权重偏置，为深度信念网络DBN提供初始参数；

在DBN的最后一层加上BP神经网络，输入数据经过预训练后通过BP算法依据误差函数进行反向调节，微调整个DBN。

受限玻尔兹曼机RBM训练方法的能量函数和联合概率分布包括：

给定状态(v,h)，假设有m个可见层神经元和n个隐藏层神经元，可定义如下能量函数：