[发明专利]基于浅层卷积神经网络的空气颗粒物污染程度估计方法

摘要

本发明公开了一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法，该方法的基本步骤包括：1.构建具有层增强功能的浅层卷积神经网络(PMIE)模型；2.将PMIE模型的输出结果与四种天气特征值相结合来构建回归模型；3.训练PMIE模型和回归模型；4.使用训练好的PMIE模型和回归模型估计测试集图像的PM2.5指数。本发明提出一种具有层增强功能的浅层卷积神经网络模型，并将其输出结果与四种天气特征相结合来估计图像中空气颗粒物污染程度，有效的避免了特征提取与特征优化等步骤所引起的问题，得到具体的PM2.5指数值，提高了训练的收敛速度与算法鲁棒性，具有更好的性能。

主权项

1.一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法，其特征在于，包括以下步骤：步骤1，构建层增强的浅层卷积神经网络模型步骤1.1，从ResNet‑50卷积神经网络模型中，选择第一个卷积层、第一个池化层、前N个残差块、全局平均池化层与全连接层并依次连接，构成浅层卷积神经网络模型；步骤1.2，判断浅层卷积神经网络模型中N个残差块的权重分布，具体过程包括：步骤1.2.1，对浅层卷积神经网络模型的第一个卷积层、第一个池化层与前N个残差块赋予初始权重，并进行训练，得到训练好的浅层卷积神经网络模型的权重；步骤1.2.2，对训练好的浅层卷积神经网络模型的权重进行冻结，并将随机权重K'ij分配给浅层卷积神经网络模型中每个残差块的输出；其中i表示第i个残差块，j表示该残差块的第j个特征图，得到层间权重分布判别模型；步骤1.2.3，运用反向传播算法对层间权重分布判别模型进行训练，得到训练后的每个残差块中每个特征图的权重Kij的值，并将每个残差块中的所有特征图的权重Kij值进行相加，得到每个残差块的权重，从而得到浅层卷积神经网络模型N个残差块的权重分布；步骤1.3，将第N‑1个残差块的输出结果利用式1进行计算，将得到的结果作为第N个残差块的输入，之后再次用式1对第N个残差块的输出结果进行计算，得到层增强的浅层卷积神经网络模型；其中，表示第l层的第j个特征图，“*”表示卷积运算，M_j表示待卷积的特征图区域的集合，表示第l层的第i个像素，表示第l层的第j个特征图以及第l‑1层的第i个特征图之间的卷积核，表示第l层的第j个特征图的偏置项，表示第l层的第j个特征图的第i个像素，f(·)表示激活函数；步骤2，构建回归模型步骤2.1，选择数据集，将其中50％的图像作为预训练图像，对步骤1构建的层增强的浅层卷积神经网络模型进行训练；再将数据集中剩余50％的图像作为训练图像，分别输入到训练后的层增强功能的浅层卷积神经网络模型中，得到的输出结果为每一幅训练图像的PM2.5指数值；步骤2.2，将每一幅训练图像的PM2.5指数值和对应的湿度、温度、压力、风速四种天气信息作为输入值，运用支持向量回归算法构建回归模型；步骤3，训练层增强的浅层卷积神经网络模型与回归模型；步骤4，输出待测图像的预测PM2.5指数步骤4.1，对待测图像进行预处理；步骤4.2，将预处理后的待测图像输入到步骤3训练好的浅层卷积神经网络模型中，输出待测图像的初始PM2.5指数值；步骤4.3，将初始PM2.5指数值与对应的湿度、温度、压力、风速四种天气信息值输入到步骤3训练好的回归模型中，输出结果即为待测图像的预测PM2.5指数。