[发明专利]一种基于神经网络的粉尘浓度检测方法

权利要求书

1.一种基于神经网络的粉尘浓度检测方法，其特征在于，方法包括：

配置粉尘浓度检测系统；

通过粉尘浓度传感器获取粉尘浓度数据；

基于小波阈值对粉尘浓度数据进行去噪处理，并提取粉尘浓度数据的特征值；

把提取的特征值作为输入量；

建立BP神经网络模型过程；

S201：根据获取的粉尘浓度数据确定BP神经网络拓扑；

S202：初始化粒子速度、位置、个体极值和全局极值；

S203：选择适应度函数来评估每个粒子的适应值；

S204：对每个粒子进行赋值；如果粒子被赋的值大于个体最优解，则更新个体极值；

S205：根据预设的算法计算粒子的速度和位置，并进行突变操作；

S206：如果迭代次数小于设定的最大值，或者如果误差参数小于设定的误差值，则返回第三步；

S207：利用改进的粒子群算法，将获得的最优权重和阈值分配给BP神经网络模型进行训练和学习；

通过BP神经网络模型对粉尘浓度数据进行融合分析，输出分析结果。

2.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，方法还包括：

建立BP神经网络模型过程中，采用模拟退火算法对BP算法进行优化和权值调整；

当系统状态趋于稳定时，视为达到局部最优解，使用模拟退火算法会以预设概率跳出局部最优解，寻找目标函数的全局最优解；状态转移概率准则如下：

其中K表示玻尔兹曼常数。

3.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，建立BP神经网络模型过程中，通过调整粒子群惯性权重和学习因子参数，引入自适应突变粒子调整搜索维度，建立了BP神经网络模型。

4.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，建立BP神经网络模型过程中，

将遗传算法中的最优个体进行解码，设置种群初始化参数，设定适应度函数；

利用初始值的组合优化得到最优的权值和阈值，将求解得到的最优权值和阈值重新代入流程进行学习训练、仿真预测；使遗传算法赋予BP神经网络最优的权值与阈值，完成GA-BP模型的搭建。

5.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，

以平均绝对误差、均方误差以及平均绝对百分比误差，作为BP神经网络和GA-BP神经网络的评价指标，验证BP神经网络模型的融合性能。

6.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，

步骤五中，根据式(2.12)、(2.13)、(3.4)、(3.7)和(3.8)计算粒子的速度和位置：

式中，ω为惯性因子；c₁、c₂为加速因子；r₁、r₂为随机数，取值为(0，1)；

其中t表示迭代次数，w_max和w_min分别表示惯性权重系数的最大值和最小值，l₁(t)表示非线性函数，l₂(t)表示线性函数，d表示是初始搜索后的初始惯性权重；

正切函数表示如下：

根据公式(3.9)进行突变操作；

p(i，k)＝5×rand，x＞0.95 (3.9)

其中p(i,k)代表种群中i粒子的k维变异操作。

7.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，小波阈值对粉尘浓度数据进行去噪处理方式包括：

获取含噪的粉尘浓度数据；

选择小波函数和分解层数；

对小波进行分解，并提取每层分解系数；

对小波进行重构；

获得去噪后的粉尘浓度数据。

8.根据权利要求1所述的基于神经网络的粉尘浓度检测方法，其特征在于，提取粉尘浓度数据的特征值包括：均值、有效值、整流平均值；

均值提取方式位表达式为：

其中，x_i表示离散数据单元，n表示离散数据长度；

有效值的提取方式为：

其中，x_i表示离散数据单元，n代表离散数据长度；

整流平均值的提取方式为：

其中，x_i表示离散数据单元，n代表离散数据长度。