基于多傳感器融合的空氣質量檢測

李景富 崔英杰

摘? 要： 針對當前空氣質量檢測錯誤率高，檢測效率低的難題，以獲得理想的空氣質量檢測結果為目標，設計了基于多傳感器融合的空氣質量檢測模型。首先，分析了當前空氣質量檢測的研究現狀，找到引起空氣質量檢測效果差的原因;然后，采用多個傳感器同時對空氣質量檢測數據進行采集，建立空氣質量檢測的學習樣本;最后，采用機器學習算法對空氣質量檢測學習樣本進行訓練，構建空氣質量檢測模型，并采用驗證數據與其他空氣質量檢測模型進行對比實驗，該設計模型的空氣質量檢測精度超過95%，可以準確描述空氣質量的變化特點，而且空氣質量檢測時間也遠遠少于對比模型，提升了空氣質量檢測效率，具有更加廣泛的應用范圍。

關鍵詞： 空氣質量; BP神經網絡; 檢測模型; 傳感器陣列; 學習樣本; 機器學習算法

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）19?0171?04

Abstract： In view of the high error rate and low detection efficiency in the air quality detection， an air quality detection model based on multi?sensor fusion is designed to obtain ideal air quality detection results. The current research status of air quality detection is analyzed， and the reasons of poor air quality detection effect are found. And then， several sensors are used to collect air quality detection data at the same time， so as to establish a learning sample of air quality detection. The machine learning algorithm is used to train the established learning sample to construct the air quality detection model. The verification data is compared with the data of other air quality detection models. The results show that the air quality detection accuracy of the proposed model is much higher than 95%， which can accurately describe the characteristics of air quality change. Moreover， its air quality detection duration is far shorter than that of the contrastive models， which improves the efficiency of air quality detection. Therefore， the proposed model has a wider application range.

Keywords： air quality; BP neural network; detection model; sensor array; learning sample; machine learning algorithm

0? 引? 言

近年來空氣污染天數有所增加，污染物主要是粉塵及其他微小顆粒物，不但直接影響人們生活質量，也使一些大型數據中心的通信設備故障率明顯上升，通過分析，大部分故障與數據中心運行環(huán)境中灰塵超標有關。因此精度空氣質量檢測模型構建具有十分重要的研究價值[1?3]。

當前主要采用傳感器對空氣質量數據進行在線采集[4?6]。由于空氣成分比較復雜，單一傳感器采集的空氣質量數據不完整，只能描述空氣質量的片段、部分變化特點，影響了后續(xù)空氣質量的檢測結果[7]。采集空氣質量數據后，同時需要引入一定的技術，建立空氣質量檢測模型。當前空氣質量檢測模型可以劃分為兩大類：線性檢測模型和非線性檢測模型[8?10]。線性檢測主要包括：聚類分析的空氣質量檢測模型、多元線性回歸的空氣質量檢測模型，它們認為空氣質量呈現一種固定的變化特點，包括線性、隨機性、周期性、非平穩(wěn)性變化特點，因此線性空氣質量檢測模型的缺陷相當明顯，空氣質量檢測誤差大，無法應用于實際中[11?12]。在實際應用中，RBF神經網絡的收斂性能不穩(wěn)定，使得空氣質量檢測結果穩(wěn)定性不夠;最小二乘支持向量機的學習時間長，會對空氣質量檢測效率產生不利影響，因此空氣質量檢測有待進一步研究。

為了提高空氣質量檢測精度，本文設計了基于多傳感器融合的空氣質量檢測模型。采用多個傳感器采集空氣質量數據，利用BP神經網絡建立空氣質量檢測模型，測試結果表明，本文模型的空氣質量檢測精度得到了大幅度提升，能夠有效降低空氣質量檢測誤差，減少了空氣質量檢測時間，改善了空氣質量檢測效率，空氣質量檢測結果要明顯優(yōu)于當前其他檢測模型，驗證了本文模型的優(yōu)越性。

1? 基于多傳感器融合的空氣質量檢測模型

1.1? 多傳感器采集空氣質量數據

因為空氣質量的影響因素多，單一傳感器采集的信息不完整，基于組合優(yōu)化原則，采用多個傳感器對同一個地方的空氣質量數據進行采集，使各個傳感器數據之間可以進行互補，提高了空氣質量數據的采集精度，方便后續(xù)的空氣質量數據檢測建模。多傳感器采集空氣質量數據的原理如圖1所示。

1.2? BP神經網絡

為了解決RBF神經網絡和最小二乘支持向量機在空氣質量檢測過程中存在的缺陷，本文引入BP神經網絡對空氣質量檢測進行建模。相對于RBF神經網絡，BP神經網絡的穩(wěn)定性更高;相對于最小二乘支持向量機，BP神經網絡的學習時間縮短，學習速度明顯加快，是一種當前廣泛應用的機器學習算法。對于一個空氣質量檢測問題，采用一個3層BP神經網絡就可以對其變化特點進行高精度、快速逼近，BP神經網絡結構可以采用圖2進行描述。

BP神經網絡的輸入數據可以表示為：[O（1）j=x（j）]，[j=1]，2，…，[n]，其中，[n]表示空氣質量的影響因素，隱含層的輸入數據根據輸入層的數據確定，而隱含層的輸出數據又可以通過隱含層輸入數據和映射函數[f（）]確定，隱含層的輸入數據和輸出數據分別可以表示為：

式中[Wij]表示隱含層加權系數。

隱含層是BP神經網絡最為關鍵的部分，其主要功能是對數據進行一定的變換，映射函數[f（）]具體定義為：

根據隱含層的輸出數據確定輸出層的輸入數據，并且可以根據輸出層的輸入數據和映射函數[g（）]確定輸出層的輸出數據，輸出層的輸入數據和輸出數據分別可以表示為：

式中：[Wli]表示隱含層加權系數;映射函數[g（? ）]具體定義如下：

BP神經網絡空氣質量檢測模型的實際輸出和空氣質量檢測期望輸出之間的誤差為[E（k）]，BP神經網絡[E（k）]對加權系數進行調整和修正，引入一個慣性項，可以得到加權系數調整形式為：

1.3? 基于多傳感器融合的空氣質量檢測步驟

1） 采用多個傳感器對空氣質量數據進行采集，并去除每一個傳感器數據中的無用信息。

2） 將多個傳感器采集的空氣質量數據進行融合，同時對空氣質量數據中的重復信息進行去除，減少空氣質量數據的存儲空間，獲得高質量空氣質量檢測的樣本數據。

3） 將空氣質量檢測數據劃分為學習數據和驗證數據。

4） 根據空氣質量檢測學習數據，對BP神經網絡結構進行初始化。

5） 采用BP神經網絡對空氣質量檢測學習數據進行訓練，建立空氣質量檢測模型。

6） 采用建立的空氣質量檢測模型對驗證數據進行檢測，統(tǒng)計空氣質量檢測精度，并輸出相應的結果。

綜合上述可以得到基于多傳感器融合的空氣質量檢測流程如圖3所示。

2? 多傳感器融合的空氣質量檢測的性能測試

2.1? 測試環(huán)境

為了測試基于多傳感器融合的空氣質量檢測模型的性能，采用VC++ 6.0編程實現多傳感器融合的空氣質量檢測程序，采用的測試環(huán)境如表1所示。傳感器數量為10個。

2.2? 樣本數據以及對比模型

為了使基于多傳感器融合的空氣質量檢測結果具有可比性，選擇單一傳感器的空氣質量檢測模型進行對比測試，其建模工具分別為RBF神經網絡和最小二乘支持向量機。因此有兩個對比模型：RBF神經網絡和最小二乘支持向量機，為了使實驗更加公平，可信度更高，每一種模型進行5次仿真實驗，每一次仿真實驗的學習數據和驗證數據的數量如表2所示。

2.3? 空氣質量檢測精度對比

統(tǒng)計3種空氣質量檢測模型的檢測精度，結果如圖4所示。從圖4可以看出：RBF神經網絡的空氣質量檢測精度平均值為86.25%，最小二乘支持向量機的空氣質量檢測精度平均值為89.00%，本文模型的空氣質量檢測精度平均值為96.04%。相對于對比模型，本文模型的空氣質量檢測精度平均值分別提高了9.79%和7.04%，有效降低了空氣質量檢測誤差。這是因為采用多個傳感器對空氣質量數據同時進行采集，采集的數據更加全面，并且引入BP神經網絡對空氣質量檢測進行建模，獲得了理想的空氣質量檢測結果，驗證了本文空氣質量檢測模型的優(yōu)越性。

2.4? 空氣質量檢測效率對比

統(tǒng)計3種空氣質量檢測模型的檢測時間，結果如圖5所示。從圖5可以看出：RBF神經網絡的空氣質量檢測時間平均值為4.03 ms，最小二乘支持向量機的空氣質量檢測時間平均值為6.19 ms，本文模型的空氣質量檢測時間平均值為3.16 ms。相對于對比模型，本文模型的空氣質量檢測時間平均值分別減少了0.87 ms和3.03 ms，加快了空氣質量檢測速度，這是因為BP神經網絡的學習速度更快，提高了空氣質量的檢測效率。

3? 結? 語

為了解決當前空氣質量檢測錯誤率高，檢測效率低的難題，本文提出了基于多傳感器融合的空氣質量檢測模型。首先采用多個傳感器同時對空氣質量數據進行采集，建立空氣質量檢測學習樣本;然后采用機器學習算法對空氣質量檢測學習樣本進行訓練，構建空氣質量檢測模型;最后在相同環(huán)境下與其他空氣質量檢測模型進行了對比實驗，本文模型的空氣質量檢測精度超過95%，可以準確描述空氣質量變化特點，而且空氣質量檢測時間也少于對比模型，提高了空氣質量檢測效率，為空氣質量檢測提供了一種建模工具，對數據中心智能防塵具有重要參考價值。

參考文獻

[1] 何瑞林.綠化植物合理配置對小區(qū)域空氣質量優(yōu)化建模分析研究[J].環(huán)境科學與管理，2019，12（5）：160?163.

[2] 吳強，趙英.民用建筑換氣率與室內空氣質量的關系建模分析研究[J].環(huán)境科學與管理，2019，44（4）：140?144.

[3] 張健琿，楊國林，邵明，等.基于GNSS的空間PM2.5檢測系統(tǒng)設計及應用[J].全球定位系統(tǒng)，2018，43（5）：61?66.

[4] 胡來，廉小親，吳文博，等.基于物聯(lián)網的室內空氣質量檢測系統(tǒng)設計[J].測控技術，2018，37（3）：55?58.

[5] 王書濤，王昌冰，潘釗，等.光學技術在氣體濃度檢測中的應用[J].光電工程，2017，44（9）：862?871.

[6] 孫靈芳，于洪.基于TDLAS技術的在線多組分氣體濃度檢測系統(tǒng)[J].儀表技術與傳感器，2017，11（3）：73?77.

[7] 王媛媛，段敏杰，童軍.FPGA的室內空氣質量檢測與調節(jié)系統(tǒng)[J].傳感器與微系統(tǒng)，2016，35（12）：140?142.

[8] 劉永平，王霞，李帥帥，等.基于紅外技術的氣體濃度檢測方法研究[J].光子學報，2015，44（1）：195?201.

[9] 王駿鵬，王玉峰，鄧鑫，等.基于ARM的殘氧濃度檢測裝置的設計[J].現代電子技術，2019，42（10）：88?91.

[10] 田曄非，彭華.基于無線傳感器和激光技術的氣體濃度檢測[J].激光雜志，2018，39（5）：32?35.

[11] 馬嫚，程鉛，陳慧，等.基于信息融合技術的空氣質量檢測系統(tǒng)[J].電子器件，2013，36（4）：554?558.

[12] 張愉，童敏明，戴桂平.基于OBLPSO?LSSVM的一氧化碳濃度檢測[J].計算機工程與應用，2013，49（24）：249?252.