[发明专利]一种基于神经网络的避难硐室实时状态监测方法

权利要求书

1.一种基于神经网络的避难硐室实时状态监测方法，其特征在于，该方法包括以下步骤：

步骤一、避难硐室内监测点的布设及气体传感器的安装：其中，气体传感器包括氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器，且氧气传感器、一氧化碳传感器、甲烷传感器和二氧化碳传感器的数量均为多个；

步骤二、获取避难硐室内监测点的历史气体浓度数据：

气体传感器按照预先设定的采样时间对避难硐内的气体浓度进行检测，并将各个气体传感器各个采样时刻采集到的气体浓度发送至数据处理器，数据处理器接收到M组气体浓度，并从M组气体浓度中选择训练集和测试集；

步骤三、训练集和测试集的归一化处理：

采用所述数据处理器对训练集和测试集进行归一化处理，得到归一化训练集和归一化测试集；

步骤四、避难硐室气体状态在线测量模型的获取：

步骤401、构建改进的LSTM神经网络模型；

步骤402、采用所述数据处理器对归一化训练集和归一化测试集进行处理，得到输入特征矩阵；

步骤403、采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵；

步骤404、以避难硐室气体状态系数作为输出，将主动专心度主元特征矩阵输入改进的LSTM神经网络模型中进行训练，得到训练好的LSTM神经网络模型，并将训练好的LSTM神经网络模型记作避难硐室气体状态在线测量模型；

步骤五、根据避难硐室气体状态在线测量模型，将气体传感器实时检测的气体浓度输入实现在线测量，以获取实时的避难硐室气体状态系数；

步骤402中采用所述数据处理器对归一化训练集和归一化测试集进行处理的方法相同，其中，对归一化训练集进行处理，具体过程如下：

步骤4021、采用数据处理器从归一化训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度归一值，组成第j个采样时刻的特征矩阵X_j，并记作其中，x_1,j表示第1个气体传感器采集到的第j个气体浓度的归一化值，x_1,j+1表示第1个气体传感器采集到的第j+1个气体浓度的归一化值，x_1,j+15表示第1个气体传感器采集到的第j+15个气体浓度的归一化值；x_i,j表示第i个气体传感器采集到的第j个气体浓度的归一化值，x_i,j+1表示第i个气体传感器采集到的第j+1个气体浓度的归一化值，x_i,j+15表示第i个气体传感器采集到的第j+15个气体浓度的归一化值，x_16,j表示第16个气体传感器采集到的第j个气体浓度的归一化值，x_16,j+1表示第16个气体传感器采集到的第j+1个气体浓度的归一化值，x_16,j+15表示第16个气体传感器中第j+15个气体浓度的归一化值；

步骤4022、采用所述数据处理器根据U_j＝ReLU(C*X_j+b)，得到第j个采样时刻的输入特征矩阵U_j；其中，ReLU(·)表示ReLU函数，C表示卷积核，且C的大小为4×4，卷积核的步长为4，且卷积核的初始设定值为b表示偏置参数向量，且b的大小为4×1，且偏置参数向量的初始设定值为

步骤403中采用所述数据处理器对输入特征矩阵进行处理，得到输入主动专心度主元特征矩阵，具体过程如下：

步骤4031、采用数据处理器设定U_j＝{U_1j,U_2j,U_3j,U_4j}；其中，U_1j表示第j个采样时刻的输入特征矩阵U_j中的第一列向量，U_2j表示第j个采样时刻的输入特征矩阵U_j中的第二列向量，U_3j表示第j个采样时刻的输入特征矩阵U_j中的第三列向量，U_4j表示第j个采样时刻的输入特征矩阵U_j中的第四列向量；

步骤4032、采用数据处理器根据得到第j个采样时刻的输入特征矩阵U_j中第i′列向量的自相关矩阵R_i′j；其中，T表示向量的转置，*表示卷积运算，E{·}表示期望运算，i′为正整数，且1≤i′≤4,R_i′j的大小为4×4；

步骤4033、采用数据处理器设定第一列向量对应的先验概率系数P₁＝21％，第二列向量对应的先验概率系数P₂＝1.5％，第三列向量对应的先验概率系数P₃＝1％，第四列向量对应的先验概率系数P₄＝0.0024％；

步骤4034、采用所述数据处理器根据得到第j个采样时刻的混合分布矩阵R_j；

步骤4035、采用所述数据处理器调取特征值计算模块对第j个采样时刻的混合分布矩阵R_j进行计算，得到第j个采样时刻的混合分布矩阵R_j的各个特征值；采用所述数据处理器调取方差计算模块对第j个采样时刻的混合分布矩阵R_j的各个特征值进行处理，得到特征值方差σ²；

步骤4036、采用所述数据处理器将第j个采样时刻的混合分布矩阵R_j的各个特征值由大到小进行排序，并选择前4个且大于特征值方差σ²的特征值所对应的特征向量构成变换矩阵F；

步骤4037、采用所述数据处理器根据得到第j个采样时刻的输入原始主元特征矩阵I_j；

步骤4038、采用所述数据处理器设定专心度矩阵Z；其中，Z是上三角矩阵，Z中各个元素的取值范围为0～1；

步骤4039、采用所述数据处理器根据I_A,j＝I_j+Z×I_j，得到第j个采样时刻的输入主动专心度主元特征矩阵I_A,j；

步骤401中所述改进的LSTM神经网络模型中采用改进的sigmoid激活函数为其中，β表示第一参数，且β的取值为1～20；γ表示第二参数，且γ的取值为0～1，x表示自变量；

步骤三中训练集和测试集进行归一化处理的方法均相同，其中，对训练集进行归一化处理，具体过程如下：

步骤301、数据处理器将多个氧气传感器、多个一氧化碳传感器、多个甲烷传感器和多个二氧化碳传感器依次排序并记作气体传感器；

步骤302、数据处理器将第i个气体传感器采集到的第j个气体浓度值记作ρ_i,j；其中，i和j均为正整数，且1≤j≤m，1≤i≤16，当i取1～4时，第i个气体传感器表示氧气传感器，当i取5～8时，第i个气体传感器表示二氧化碳传感器，当i取9～12时，第i个气体传感器表示甲烷传感器，当i取13～16时，第i个气体传感器表示一氧化碳传感器；

步骤303、数据处理器设定第i个气体传感器的气体浓度值向量为ρ_i＝[ρ_i,1,...,ρ_i,j,...,ρ_i,m]^T；其中，ρ_i,1表示第i个气体传感器采集到的第1个气体浓度值，ρ_i,m表示第i个气体传感器采集到的第m个气体浓度值，T表示矩阵的转置；

步骤304、所述数据处理器从第i个气体传感器的气体浓度值向量ρ_i中获取第i个气体传感器采集到的最大气体浓度值ρ_i,max和最小气体浓度值ρ_i,min；

所述数据处理器根据公式得到第i个气体传感器采集到的第j个气体浓度的归一化值x_i,j，则第i个气体传感器的气体浓度归一化向量为x_i＝[x_i,1,...,x_i,j,...,x_i,m]^T；其中，x_i,1表示第i个气体传感器采集到的第1个气体浓度的归一化值，x_i,m表示第i个气体传感器采集到的第m个气体浓度的归一化值；

步骤305、按照步骤304所述的方法，得到归一化训练集；

步骤404中避难硐室气体状态系数的获取，具体过程如下：

步骤4041、采用数据处理器从m个训练集中选择从第j个采样时刻开始连续16个采样时刻所对应的气体浓度；

步骤4042、采用所述数据处理器根据得到第j个采样时刻的氧气浓度平均值；

采用所述数据处理器根据得到第j个采样时刻的二氧化碳浓度平均值；

采用所述数据处理器根据得到第j个采样时刻的甲烷浓度平均值；

采用所述数据处理器根据得到第j个采样时刻的一氧化碳浓度平均值；

步骤4043、采用所述数据处理器根据得到第j个采样时刻的避难硐室气体状态系数T_j。