买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中航建设集团有限公司

摘要：本申请公开了一种扬尘预警方法，涉及扬尘预测领域，包括：采集扬尘数据和环境数据；采用基于迭代最小二乘法的多元卡尔曼滤波算法对采集的扬尘数据和环境数据进行滤波处理；并将滤波处理后的数据上传至云服务器；采样长短期记忆神经网络LSTM和前向反馈神经网络FFNN分别训练两个预测子模型；其中，LSTM子模型用于获取扬尘数据的长期变化趋势，FFNN子模型用于获取扬尘数据与环境数据之间的非线性映射关系；通过加权平均方式集成LSTM子模型和FFNN子模型，生成最终的扬尘预测模型；利用扬尘预测模型对未来一段时间内的扬尘浓度进行预测。针对现有技术中存在的扬尘预警精度低问题，本申请通过多元卡尔曼滤波处理，LSTM和FFNN网络集成灯，提高了扬尘预测精度。

主权项：1.一种扬尘预警方法，包括：在施工现场布设多个扬尘监测节点，每个监测节点包含防尘传感器和气象传感器，防尘传感器器采集包含细颗粒物PM2.5和可吸入颗粒物PM10的扬尘数据；气象传感器采集包含环境温度和环境湿度的环境数据；在每个监测节点设置边缘计算节点，采用基于迭代最小二乘法的多元卡尔曼滤波算法对采集的扬尘数据和环境数据进行滤波处理；并将滤波处理后的数据上传至云服务器；在云服务器，以滤波处理后的环境数据和扬尘数据为输入，采用长短期记忆神经网络LSTM和前向反馈神经网络FFNN分别训练两个预测子模型；其中，LSTM子模型用于获取扬尘数据的长期变化趋势，FFNN子模型用于获取扬尘数据与环境数据之间的非线性映射关系；通过加权平均方式集成LSTM子模型和FFNN子模型，生成最终的扬尘预测模型；利用扬尘预测模型对未来一段时间内的扬尘浓度进行预测；采用基于迭代最小二乘法的多元卡尔曼滤波算法对采集的扬尘数据和环境数据进行滤波处理，包括：将扬尘数据和环境数据分别作为系统状态变量和观测变量，建立状态空间模型；根据状态空间模型，设置初始状态变量、状态估计协方差矩阵、过程噪声协方差矩阵和观测噪声协方差矩阵；在每个时刻k，获取当前时刻k的环境数据作为输入，根据上一时刻k-1的状态估计值和状态估计协方差矩阵，计算当前时刻k的状态预测值和状态预测协方差矩阵；获取当前时刻k的扬尘数据作为观测值，计算观测值与状态预测值之间的新息向量；利用迭代最小二乘法，通过新息向量递归更新状态变量的最优估计，得到当前时刻的状态估计值和状态估计协方差矩阵；将更新后的状态估计值作为当前时刻滤波后的扬尘数据输出，将更新后的状态估计协方差矩阵的对角元素开方作为滤波结果的标准差，用于量化估计的不确定性；重复以上步骤，进行扬尘数据和环境数据的滤波处理；建立状态空间模型，通过如下公式：状态方程：Xk＝Ak×Xk-1+Bk×Uk+Wk观测方程：Zk＝Hk×Xk+Vk其中，Xk为k时刻的系统状态变量，包含PM2.5浓度x1k和PM10浓度x2k，定义为Xk＝[x1k,x2k]'；Uk为k时刻的系统输入，包含环境温度u1k和环境湿度u2k，定义为Uk＝[u1k,u2k]'；Zk为k时刻的观测变量，包含PM2.5、PM10、温度和湿度传感器的测量值，定义为Zk＝[z1k,z2k,z3k,z4k]'；Ak、Bk和Hk分别为状态转移矩阵、输入矩阵和观测矩阵，根据扬尘污染的动力学特性和环境参数与扬尘数据的相关性估计得到；Wk和Vk为高斯白噪声；计算当前时刻的状态预测值和状态预测协方差矩阵，通过如下公式：获取k时刻的环境温度u1k和环境湿度u2k，构建系统输入向量Uk；根据上一时刻的状态估计值Xk-1和状态估计协方差矩阵Pk-1，以及当前时刻的系统输入Uk，计算当前时刻的状态预测值Xk|k-1和状态预测协方差矩阵Pk|k-1，通过如下公式：Xk|k-1＝Ak×Xk-1+Bk×UkPk|k-1＝Ak×Pk-1×Ak'+Qk-1其中，Qk-1为k-1时刻的过程噪声协方差矩阵，Qk＝ak×Qk-1，ak根据新息向量的大小自适应调整，取值范围0至1；利用迭代最小二乘法，通过递归计算状态变量的最优估计值，更新状态估计值和状态估计协方差矩阵，通过如下公式：获取k时刻的扬尘浓度观测值和环境参数观测值，构建观测向量Zk；计算新息向量Zk-Hk×Xk|k-1，即观测值与预测值之间的偏差；根据状态预测协方差矩阵Pk|k-1、观测矩阵Hk和观测噪声协方差矩阵Rk，计算最优卡尔曼增益矩阵Kk，用于权衡模型预测和观测数据的置信度，公式如下：Kk＝Pk|k-1×Hk'×Hk×Pk|k-1×Hk'+Rk-1其中，Rk为k时刻的观测噪声协方差矩阵，Rk＝1-ak×Rk-1；利用最优卡尔曼增益矩阵Kk和新息向量，更新状态估计值Xk和状态估计协方差矩阵Pk，通过如下公式：Xk＝Xk|k-1+Kk×[Zk-Hk×Xk|k-1]Pk＝[I-Kk×Hk]×Pk|k-1×[I-Kk×Hk]'+Kk×Rk×Kk'其中，I为单位矩阵；Kk'表示卡尔曼增益矩阵的转置；更新后的状态估计协方差矩阵Pk量化了估计结果的不确定性，对角元素的开方即为估计标准差；将更新后的状态估计值Xk和状态估计协方差矩阵Pk作为下一时刻的先验估计，直至处理完所有时刻的数据。

全文数据：

权利要求：

百度查询： 中航建设集团有限公司 一种扬尘预警方法