[发明专利]基于人工蜂群和神经网络的气体标定分类方法及系统

权利要求书

1.一种基于人工蜂群和神经网络的气体标定分类方法，其特征在于包括以下步骤：

获取若干个气体监测点的气体监测数据，获取到的所述气体监测数据为多种类型气体的数据，至少包括单原子气体、双原子气体、三原子气体和多分子气体；

将气体监测数据根据时间段进行切分处理，得到每个时间段的气体数据集；

判断所述气体数据集中的野值点并统计野值点的个数，将所有野值点转换为正常数据值，去除气体数据集中的空值点以及超范围点，通过去除气体数据集中的空值点以及超范围点之后的数据集和正常数据值组成新气体数据集，并将新气体数据集分成训练集和样本集；

基于所述样本集建立神经网络分类模型，采用人工蜂群算法对所述神经网络分类模型进行优化，得到优化后的神经网络分类模型，并采用训练集对优化后的神经网络分类模型进行验证，判断是否为误差范围内的精准神经网络分类模型，将待测气体监测数据输入至精准的神经网络分类模型中，得到气体分类结果，根据分类结果对气体进行标定。

2.根据权利要求1所述的基于人工蜂群和神经网络的气体标定分类方法，其特征在于，所述获取若干个气体监测点的气体监测数据是由相应数量的气体传感器获取到的。

3.根据权利要求1所述的基于人工蜂群和神经网络的气体标定分类方法，其特征在于，所述判断所述数据集中的野值点是采用卡尔曼滤波算法识别数据集中的野值点，具体步骤为：

假设后验概率分布p(x_k-1|y_1:k-1)为高斯分布，则k时刻的系统状态表示为x_k＝Ax_k-1+Bu_k-1+q_k-1，k时刻的测量值表示为y_k＝Hx_k+r_k，其中，u_k是k时刻对系统的控制量，u_k-1是k-1时刻对系统的控制量，A为系统k-1时刻的系统状态的参数矩阵，B为系统k-1时刻的控制量的参数矩阵，H为系统k时刻的系统状态的参数矩阵，q_k-1表示过程噪声，r_k表示测量噪声，用Q_k-1表示过程噪声q_k-1与系统状态x_k的协方差矩阵，R_k表示测量噪声r_k与测量值y_k的协方差矩阵；

根据测量时刻对系统进行更新，通过上一时刻的系统状态来更新当前时刻的系统状态，当前时刻的系统状态表示为：确定当前时刻的系统状态，其中，表示当前时刻的系统状态，A为系统k-1时刻的系统状态的参数矩阵，B为系统k-1时刻的控制量的参数矩阵，u_k-1为k-1时刻对系统的控制量，为上一时刻的系统状态；

通过所述上一时刻的系统状态得到上一时刻的误差协方差p_k-1和过程噪声q_k的协方差矩阵Q，并根据上一时刻的误差协方差p_k-1和过程噪声q_k的协方差矩阵Q来预测新的误差新的误差表示为：其中，p_k-1表示误差协方差，A表示系统参数矩阵，Q表示过程噪声的协方差矩阵，T为数学符号，表示矩阵转置；

通过新的误差对当前时刻系统的卡尔曼增益K_k进行更新，卡尔曼增益表示为：其中，H为参数矩阵，表示新的误差，R表示噪声r_k的协方差矩阵，T为数学符号，表示矩阵转置；

通过更新的卡尔曼增益K_k对当前时刻的系统状态进行校正更新，当前时刻的系统状态表示为：为经过卡尔曼滤波后的当前时刻的系统状态，其中，表示当前时刻的系统状态，H表示参数矩阵，K_k表示卡尔曼增益，表示为上一时刻的系统状态，表示为新息，当数据正常时，新息序列即为白噪声序列，均值为0，新息方差为此时，D为新息均方差的r倍，对r进行设置，当新息方差超过判据D时，则当前点为野值点，统计野值点的数目，去除野值点填入正常的数据，形成新气体数据集L；

还包括校正更新过程：当前时刻系统状态的误差表示为，此过程为校正更新过程，p_k即为经过卡尔曼滤波的当前时刻系统状态的误差，在下一个过程中作为上一时刻的系统状态的误差使用。