[发明专利]基于迁移学习的室内颗粒悬浮物浓度预测方法

权利要求书

1.基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于：包括以下步骤:

步骤1、数据获取和整合：对不同室内环境条件下的颗粒悬浮物浓度变化情况进行监测，并按照源域和目标域数据量的不同进行数据的收集和整合；

步骤2、建模训练：构建域适应迁移算法DAELM模型，利用域适应迁移算法DAELM模型对步骤一中整合的数据进行学习训练；

步骤3、将训练后的DAELM模型用于目标域的室内颗粒悬浮物浓度预测，并给出预测结果。

2.根据权利要求1所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤1包括以下具体步骤：

步骤1.1、分别对源域室内环境条件下的悬浮物浓度变化和目标域室内环境条件下的悬浮物浓度变化进行监测，按照源域数据大于目标域数据的原则进行悬浮物浓度数据的测量；

步骤1.2、将步骤1.1中所获取的源域数据和目标域数据进行组合，按照特征数据和标签数据分别组合的原则进行数据重组，以获得DAELM模型的输入特征数据。

3.根据权利要求1所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤2中，所述域适应迁移算法DAELM模型基于ELM算法构建，所述域适应迁移算法DAELM模型在对源域数据进行学习训练的同时，加入对目标域数据的训练学习，将域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域中。

4.根据权利要求3所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法网络结构如下所示：

其中，L为ELM算法网络隐藏层个数，w_j是连接隐藏层中第j个节点和输入节点的输入权重，b_j是隐藏层中第j个节点的偏置值，β_j是连接隐藏层中第j个节点和输出节点的输出权重，h(·)是隐藏层激活函数，一般采用sigmoid函数。

5.根据权利要求3所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述ELM算法的神经元之间的参数在构建模型时以通过随机生成的方式产生，且在后续的模型训练过程中不再发生变化；设置隐含层神经元的个数为L，并计算隐藏层与输出层的连接权值β，便可以获得唯一的最优解；ELM的优化目标函数l_ELM如下式所示：

s.t.h(x_i)β＝y_i-ξ_i,i＝1,2,K,N

其中，ξ_i是第i个训练样本的预测误差，γ是模型的惩罚参数。

6.根据权利要求3所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述域适应迁移算法DAELM模型中的预测性能从源域迁移到目标域的过程中，域适应迁移算法DAELM在ELM的基础上将目标域的经验误差作为额外的正则化项，对源域的特征学习进行修正；域适应迁移算法DAELM的优化目标函数l_DAELM如下式所示：

其中，分别为源域隐藏层的输出，源域第i个样本的预测误差以及在源域第i个样本的输出标签；分别为目标域隐藏层的输出，目标域第j个样本的预测误差以及在目标域第j个样本的输出标签；为源域样本的输出权重；N_s和N_t分别为源域训练样本数和目标域训练样本数；λ_s和λ_t分别为源域训练样本的预测误差惩罚参数和目标域训练样本的预测误差惩罚参数。

7.根据权利要求1所述的基于迁移学习的室内颗粒悬浮物浓度预测方法，其特征在于所述步骤3中，包括以下步骤：

步骤3.1、将所收集到的目标域的室内颗粒悬浮物浓度数据输入训练后的域适应迁移算法DAELM模型，对数据进行标准化处理，具体公式如下所示：

其中，x'是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差；

步骤3.2、使用均方根误差RMSE指标对训练后的DAELM模型的预测结果进行评估，具体公式如下所示：

其中，表示真实数据，y_i表示模型的输出，k表示测试集包含样本个数。