[go: up one dir, main page]

CN113487114A - 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统 - Google Patents

基于NB-IoT工业生态环境监测的GA-SVM预警模型系统 Download PDF

Info

Publication number
CN113487114A
CN113487114A CN202110890980.7A CN202110890980A CN113487114A CN 113487114 A CN113487114 A CN 113487114A CN 202110890980 A CN202110890980 A CN 202110890980A CN 113487114 A CN113487114 A CN 113487114A
Authority
CN
China
Prior art keywords
data
svm
industrial
iot
ecological environment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110890980.7A
Other languages
English (en)
Inventor
陆悦悦
徐继耀
曾英勇
戴袁园
孟子筠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202110890980.7A priority Critical patent/CN113487114A/zh
Publication of CN113487114A publication Critical patent/CN113487114A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

基于NB‑IoT的工业生态环境监测的GA‑SVM预警模型系统本发明公开了一种基于NB‑IoT工业生态环境监测的SVM预警模型系统，该系统包括：工业生态环境原始数据采集层，用于采集工业生产过程中所排放的污染物原始数据；原始数据传输层，通过NB‑IoT对污染物原始数据进行传输；原始数据运用层，用于接收工业生态环境监测的原始数据，从而建立数据库，并在此基础上运用GA‑SVM建立预测预警模型；通过对工业污染物数据信息采集经NB‑IoT通信传输至原始数据运用层服务中心解析，利用遗传算法获取SVM的最优参数组合，并将参数代入SVM模型中进行训练；通过训练集训练模型，将测试集输入到预报模型中获取的输出结果与测试集中的真实工业污染数据作对比，并建立基于遗传算法改进的SVM预报模型，评价预报模型的预报效果。最终能够给出对工业生态环境的预测预警。

Description

基于NB-IoT工业生态环境监测的GA-SVM预警模型系统
技术领域
本发明涉及工业生态环境监测技术领域，具体为基于NB-IoT工业生态环境监测的GA-SVM预警模型系统。
背景技术
目前，在工业生态环境监测中对多传感器监测的数据存在条块分割，监测数据交互性低。在此背景下，开发一种能够实时采集工业生态环境污染物原始数据并在建立的GA-SVM预警模型中对原始数据通过训练集训练模型，将测试集输入到预报模型中获取的输出结果与测试集中的真实工业污染数据作对比的系统，以达到对工业生态环境的等级分类和预警功能。
当前对工业生态环境监测因为传感器的个性问题和对区域监测的特性问题，无法对整个空间的工业生态环境监测原始数据进行分类和预测预警。
因此，本发明提出了一种基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，通过NB-IoT技术和单片机技术采集工业生态环境监测的原始数据，从而建立工业生态环境原始数据库，提取工业生态环境原始数据库中的数据进行数据预处理，将预处理好的数据输入GA-SVM模型中训练，利用遗传算法得出SVM模型的最优参数组合，通过数据挖掘和机器学习方法对工业生态环境实时监测数据进行分析、预测，给出对生态环境的等级预测。
发明内容
本发明的目的在于提供基于NB-IoT工业生态环境监测的SVM预警模型系统，该系统包括：工业生态环境原始数据采集层，用于采集工业生产过程中所排放的污染物原始数据；原始数据传输层，通过NB-IoT对污染物原始数据进行传输；原始数据运用层，用于接收工业生态环境监测的原始数据，从而建立数据库，并在此基础上运用基于遗传算法改进的SVM建立预警模型；通过对工业污染物数据信息采集经NB-IoT通信传输至数据运用服务中心解析，依靠建立的SVM预警模型，对工业污染物数据进行数据预处理以及利用遗传算法获取SVM的最优参数组合，并将参数代入SVM模型中进行训练；通过训练集训练模型，将测试集输入到预报模型中获取的输出结果与测试集中的真实工业污染数据作对比，并建立基于遗传算法改进的SVM预报模型，评价预报模型的预报效果。最终能够给出对工业生态环境的预测预警。
工业生态环境原始数据采集层，用于采集工业生产过程中所排放的污染物原始数据；工业生态环境原始数据采集层包括传感器模块、单片机模块和 NB-IoT通信模块；传感器模块是根据特定环境采集不同的原始数据；单片机模块是对传感器采集的原始数据进行整合并传输至NB-IoT通信模块；NB-IoT 模块则将整合的原始数据发送；原始数据传输层，用于对采集层采集的工业生态环境原始数据与原始数据运用层建立信道连接；原始数据运用层，用于接收工业生态环境监测的原始数据，建立相应的原始数据库，并对原始数据进行预处理，通过遗传算法寻优SVM参数建立相应预测预警模型。
通过传感器技术、NB-IoT窄带物联网技术和单片机技术对工业生态环境监测的原始数据进行采集、整合、传送，在数据运用层中根据非结构化指标数据建立工业生态环境数据库，采用GA-SVM算法优化工业生态环境监测指标预警模型，从而达到对工业生态环境的实时监测和预测预警。
优选的，原始数据采集层中传感器是对监测工业生态环境特定区域的不同而选取特定的传感器；单片机模块采用STM32微处理器为核心的主控模块； NB-IoT通信模块采用的是BC20通信模块，能够与网络运营商的基础设备建立通信。
优选的，原始数据传输层用于实现NB-IoT通信模块与运用层建立信道连接，负责将采集层采集的工业生态环境监测的原始数据发送至运用层。
优选的，原始数据运用层对工业环境监测原始数据进行预处理操作，包括：
数据清洗：通过箱形图、多项式拟合等方法来去除原数据中的离群点并进行缺省值填充。
数据集成：整理合并多个数据源中的数据。
数据转换和数据归约：通过数据形式转换和规约处理，以提高后期数据挖掘的质量和效率。
优选的，通过训练序列发生器产生伪随机序列作为训练集，构建模型目标函数，计算得到一个最优超平面，具体包括如下内容：
构建训练数据集。随机选取归一化处理好的数据集作为训练数据集，并对其进行分类，利用平均数方差法对工业污染数据进行归一化处理，其中xmean为数据序列的均值，xvar为数据的方差，公式如下：
Figure RE-GDA0003223645820000031
构建特征向量。设训练样本数据集为
Figure RE-GDA0003223645820000032
其中 yi表示样本所属类别，为训练数据集构建特征向量
Figure RE-GDA0003223645820000033
形成一个线性数据集
Figure RE-GDA0003223645820000034
生成目标函数。根据线性数据集中的集合形成一个最优超平面，构造n 个函数集
Figure RE-GDA0003223645820000035
且满足不等式
Figure RE-GDA0003223645820000039
使得样本被准确分开，从而目标函数
Figure RE-GDA0003223645820000036
取得最小值。
误差调整。引入不敏感损失函数ε，忽略对真实值上下范围内的误差，由此线性函数目标化为：
Figure RE-GDA0003223645820000037
约束条件变为
Figure RE-GDA0003223645820000038
式中第一项使函数平坦化，提升模型的泛化能力，第二项提升模型的精确度，常数项C既为提升精确度又保证一定的泛化能力做出平衡。
通过拉格朗日对偶原理得回归方程。引入拉格朗日函数
Figure RE-GDA0003223645820000041
分别对
Figure RE-GDA0003223645820000042
b,ε,ε*最小化，对α,α*,γ,γ*最大化，得：
Figure RE-GDA0003223645820000043
Figure RE-GDA0003223645820000044
将上式代入拉格朗日函数，得最优化的对偶形式：
Figure RE-GDA0003223645820000045
其约束为：
Figure RE-GDA0003223645820000046
Figure RE-GDA0003223645820000047
在上式条件下的约束最大化函数为：
Figure RE-GDA0003223645820000048
此时：
Figure RE-GDA0003223645820000049
由KTT定理即可得规则函数
Figure RE-GDA00032236458200000410
优选的，在构建的SVM初始模型的基础上运用遗传算法获取SVM的最优参数组合，具体包括如下内容：
种群初始化。进行染色体编码、解码与种群的初始化。
计算适应度函数。根据得到的初始SVM的初始权值和阈值，用训练数据训练SVM模型后输出，把预测输出与期望输出之间的误差绝对值作为个体适应度值F，计算公式为：
Figure RE-GDA00032236458200000411
yi为期望输出，Oi为预测输出，k 为系数。
选择交叉变异。选择操作的主要目的是为了从旧群体中以一定的概率选择出部分个体到新的群体中，个体被选出的概率与适应度值的大小有关，若个体的适应度值越高，则被选中的几率也就越大。交叉操作指的是从群体中任意选择出两个个体，通过其中两个染色体的相互交换组合进一步产生新个体。变异操作指的是从群体中随机选择一个个体，并从染色体中选取一点来进行变异，进一步生成更加优秀的个体。
计算适应度。对染色体进行解码，计算种群内的个体适应度值，若适应度值越小，则个体的性能越优。
优选的，将工业污染物原始数据经数据采集层、传输层传送至运用层构建的基于NB-IoT的工业生态环境监测的GA-SVM预警模型系统中进行数据预测分析输出测试结果。采用均方根误差(RMSE)作为评价指标。
与现有技术相比，本发明的有益效果是：本发明基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，建立了工业污染的预测预警系统，通过工业生态环境原始数据采集层，原始数据传输层和原始数据运用层建立数据库，并在此基础上运用基于遗传算法改进的SVM建立预警模型，将工业污染物数据信息采集经NB-IoT通信传输至数据运用服务中心解析，并建立基于遗传算法改进的SVM预报模型，评价预报模型的预报效果。
附图说明
图1为基于NB-IoT工业生态环境监测的GA-SVM预警模型系统示意图；
图2为GA-SVM预测模型流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
结合图1-2所示，本发明提供了一种基于NB-IoT工业生态环境监测的 GA-SVM预警模型，由原始数据采集层、原始数据传输层和原始数据运用层组成，所述原始数据采集层包括传感器的数据采集、主控模块和NB-IoT通信模块；所述原始数据运用层是核心网络；所述原始数据运用层包括数据预处理，构建SVM初始模型；运用遗传算法优化SVM初始模型，将遗传算法适应度定标，通过选择交叉变异等操作确定GA-SVM预警模型的最优参数。
原始数据采集层：
用于采集工业生产过程中所排放的污染物原始数据；工业污染物数据采集层是融合了先进的传感器技术、单片机开发和NB-IoT技术；传感器技术是针对工业污染物的对象不同选取特定的传感器；单片机开发是对传感器采集的工业污染物原始数据进行汇总并传输至NB-IoT通信模块；NB-IoT技术则将汇总的工业污染物原始数据进行传送；
原始数据传输层：
建立NB-IoT通信模块与原始数据运用层的联系媒介；
原始数据运用层：
用于接收工业污染原始数据，经数据服务中心解析后，将原始数据进行预处理；构建模型训练集和预测集并输入SVM模型中形成SVM的初始模型；利用遗传算法获取SVM的最优参数组合，并对模型进行评估，最终给出对工业生态环境的预测预警；
原始数据运用层对工业环境监测原始数据进行预处理操作，包括：
数据清洗：通过箱形图、多项式拟合等方法来去除原数据中的离群点并进行缺省值填充。
数据集成：整理合并多个数据源中的数据。
数据转换和数据归约：通过数据形式转换和规约处理，以提高后期数据挖掘的质量和效率。
通过训练序列发生器产生伪随机序列作为训练集，构建模型目标函数，计算得到一个最优超平面，具体包括如下内容：
构建训练数据集。随机选取归一化处理好的数据集作为训练数据集，并对其进行分类，利用平均数方差法对工业污染数据进行归一化处理，其中xmean为数据序列的均值，xvar为数据的方差，公式如下：
Figure RE-GDA0003223645820000071
构建特征向量。设训练样本数据集为
Figure RE-GDA0003223645820000072
其中 yi表示样本所属类别，为训练数据集构建特征向量
Figure RE-GDA00032236458200000714
形成一个线性数据集
Figure RE-GDA0003223645820000073
生成目标函数。根据线性数据集中的集合形成一个最优超平面，构造n 个函数集
Figure RE-GDA0003223645820000074
且满足不等式
Figure RE-GDA0003223645820000075
使得样本被准确分开，从而目标函数
Figure RE-GDA0003223645820000076
取得最小值。
误差调整。引入不敏感损失函数ε，忽略对真实值上下范围内的误差，由此线性函数目标化为：
Figure RE-GDA0003223645820000077
约束条件变为
Figure RE-GDA0003223645820000078
式中第一项使函数平坦化，提升模型的泛化能力，第二项提升模型的精确度，常数项C既为提升精确度又保证一定的泛化能力做出平衡。
通过拉格朗日对偶原理得回归方程。引入拉格朗日函数
Figure RE-GDA0003223645820000079
分别对
Figure RE-GDA00032236458200000710
最小化，对α,α*,γ,γ*最大化，得：
Figure RE-GDA00032236458200000711
Figure RE-GDA00032236458200000712
将上式代入拉格朗日函数，得最优化的对偶形式：
Figure RE-GDA00032236458200000713
其约束为：
Figure RE-GDA0003223645820000081
Figure RE-GDA0003223645820000082
在上式条件下的约束最大化函数为：
Figure RE-GDA0003223645820000083
此时：
Figure RE-GDA0003223645820000084
由KTT定理即可得规则函数
Figure RE-GDA0003223645820000085
所述的遗传算法优化的SVM预测预警模型具体步骤包括：确定C、ε、gamma 三个参数的取值范围，具体包括如下步骤：
种群初始化。进行染色体编码、解码与种群的初始化。
计算适应度函数。根据得到的初始SVM的初始权值和阈值，用训练数据训练SVM模型后输出，把预测输出与期望输出之间的误差绝对值作为个体适应度值F，计算公式为：
Figure RE-GDA0003223645820000086
yi为期望输出，Oi为预测输出，k 为系数。
选择交叉变异。选择操作的主要目的是为了从旧群体中以一定的概率选择出部分个体到新的群体中，个体被选出的概率与适应度值的大小有关，若个体的适应度值越高，则被选中的几率也就越大。交叉操作指的是从群体中任意选择出两个个体，通过其中两个染色体的相互交换组合进一步产生新个体。变异操作指的是从群体中随机选择一个个体，并从染色体中选取一点来进行变异，进一步生成更加优秀的个体。
计算适应度。对染色体进行解码，计算种群内的个体适应度值，若适应度值越小，则个体的性能越优。
所述的将工业污染物原始数据经数据采集层、传输层传送至运用层构建的基于NB-IoT的工业生态环境监测的GA-SVM预警模型系统中进行数据预测分析输出测试结果。采用均方根误差(RMSE)作为评价指标。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.基于NB-IoT工业生态环境监测的SVM预警模型系统，其特征在于，该系统包括：工业生态环境原始数据采集层，用于采集工业生产过程中所排放的污染物原始数据；工业污染物数据采集层是融合了先进的传感器技术、单片机开发和NB-IoT技术；传感器技术是针对工业污染物的对象不同选取特定的传感器；单片机开发是对传感器采集的工业污染物原始数据进行汇总并传输至NB-IoT通信模块；NB-IoT技术则将汇总的工业污染物原始数据进行传送；原始数据传输层，建立NB-IoT通信模块与原始数据运用层的联系媒介；原始数据运用层，用于接收工业污染原始数据，经数据服务中心解析后，构建GA-SVM预警模型，利用遗传算法获取SVM的最优参数组合，并对模型进行评估，最终给出对工业生态环境的预测预警。
2.根据权利要求1所述的基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，其特征在于，工业生态环境原始数据采集层是运用传感器技术针对特定的监测对象选取不同的传感器采集相应的原始数据；单片机开发采用STM32核心芯片为数据汇总模块，并与NB-IoT技术建立通信连接；NB-IoT技术是无线电通信协议，可与网络运营商的基础设备建立通信。
3.根据权利要求1所述的基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，其特征在于，原始数据传输层，建立NB-IoT通信模块与数据运用层的联系媒介。
4.根据权利要求1所述的基于NB-IoT工业生态环境监测的SVM预警模型系统，其特征在于，原始数据运用层，用于接收工业污染原始数据，经数据服务中心解析后，将原始数据进行预处理；构建模型训练集和预测集并输入SVM模型中形成SVM的初始模型；并在此基础上运用遗传算法优化SVM初始模型，将遗传算法适应度定标，通过选择交叉变异等操作确定GA-SVM预警模型最优惩罚系数C、最优不敏感系数ε以及高斯径向基核函数的最优gamma参数。
5.根据权利要求4所述的基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，其特征在于，采集与工业污染相关的污染数据构建原始数据集，并对数据集进行预处理，具体包括如下内容：
数据清洗：通过多项式拟合等方法来去除原数据中的离群点并进行缺省值填充。
数据集成：整理合并多个数据源中的数据。
数据转换和数据归约：通过数据形式转换和规约处理，以提高后期数据挖掘的质量和效率。
6.根据权利要求4所述的基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，其特征在于，构建一个SVM的初始模型，通过训练序列发生器产生伪随机序列作为训练集，构建模型目标函数，计算得到一个最优超平面，具体包括如下内容：
归一化处理。对样本数据进行预处理，对建立的训练样本和测试样本进行归一化处理，消除原始变量之间的量纲差异，形成新的样本集矩阵。随机选取归一化处理好的数据集作为训练数据集，并对其进行分类，利用平均数方差法对工业污染数据进行归一化处理，其中xmean为数据序列的均值，xvar为数据的方差，公式如下：
Figure FDA0003196053350000021
构建特征向量。设训练样本数据集为
Figure FDA0003196053350000031
其中yi表示样本所属类别，为训练数据集构建特征向量
Figure FDA0003196053350000032
形成一个线性数据集
Figure FDA0003196053350000033
生成目标函数。根据线性数据集中的集合形成一个最优超平面，构造n个函数集
Figure FDA0003196053350000034
且满足不等式
Figure FDA0003196053350000035
使得样本被准确分开，从而目标函数
Figure FDA0003196053350000036
取得最小值。
误差调整。引入不敏感损失函数ε，忽略对真实值上下范围内的误差，由此线性函数目标化为：
Figure FDA0003196053350000037
约束条件变为
Figure FDA0003196053350000038
式中第一项使函数平坦化，提升模型的泛化能力，第二项提升模型的精确度，常数项C既为提升精确度又保证一定的泛化能力做出平衡。
通过拉格朗日对偶原理得回归方程。引入拉格朗日函数
Figure FDA0003196053350000039
分别对
Figure FDA00031960533500000310
b,ε,ε*最小化，对α,α*,γ,γ*最大化，得：
Figure FDA00031960533500000311
Figure FDA00031960533500000312
将上式代入拉格朗日函数，得最优化的对偶形式：
Figure FDA00031960533500000313
其约束为：
Figure FDA00031960533500000314
Figure FDA0003196053350000041
在上式条件下的约束最大化函数为：
Figure FDA0003196053350000042
此时：
Figure FDA0003196053350000043
由KTT定理即可得规则函数
Figure FDA0003196053350000044
7.根据权利要求4所述的基于NB-IoT工业生态环境监测的GA-SVM预警模型系统，其特征在于，在构建的SVM初始模型的基础上运用遗传算法获取SVM的最优参数组合，具体包括如下内容：
种群初始化。进行染色体编码、解码与种群的初始化。
计算适应度函数。根据得到的初始SVM的初始权值和阈值，用训练数据训练SVM模型后输出，把预测输出与期望输出之间的误差绝对值作为个体适应度值F，计算公式为：
Figure FDA0003196053350000045
yi为期望输出，Oi为预测输出，k为系数。
选择交叉变异。选择操作的主要目的是为了从旧群体中以一定的概率选择出部分个体到新的群体中，个体被选出的概率与适应度值的大小有关，若个体的适应度值越高，则被选中的几率也就越大。交叉操作指的是从群体中任意选择出两个个体，通过其中两个染色体的相互交换组合进一步产生新个体。变异操作指的是从群体中随机选择一个个体，并从染色体中选取一点来进行变异，进一步生成更加优秀的个体。
计算适应度。对染色体进行解码，计算种群内的个体适应度值，若适应度值越小，则个体的性能越优。
8.根据权利要求1所述的基于NB-IoT工业生态环境监测的SVM预警模型系统，其特征在于，采用均方根误差作为评价指标，评价基于NB-IoT的工业生态环境监测的GA-SVM预警模型系统，所述均方根误差计算公式如下：
Figure FDA0003196053350000051
其中，yt、
Figure FDA0003196053350000052
分别为t时刻的径流量预测值和径流量实测值，n为测试集的样本个数。
CN202110890980.7A 2021-08-04 2021-08-04 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统 Pending CN113487114A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110890980.7A CN113487114A (zh) 2021-08-04 2021-08-04 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110890980.7A CN113487114A (zh) 2021-08-04 2021-08-04 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统

Publications (1)

Publication Number Publication Date
CN113487114A true CN113487114A (zh) 2021-10-08

Family

ID=77945653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110890980.7A Pending CN113487114A (zh) 2021-08-04 2021-08-04 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统

Country Status (1)

Country Link
CN (1) CN113487114A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295620A (zh) * 2023-02-17 2023-06-23 南通科瑞环境科技有限公司 一种环境监测采集检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605909A (zh) * 2013-12-09 2014-02-26 重庆绿色智能技术研究院 一种基于灰色理论及支持向量机的水质预测方法
CN108132340A (zh) * 2017-12-14 2018-06-08 浙江大学 一种河道多传感器融合上下游污染预警系统及方法
CN108171259A (zh) * 2017-12-13 2018-06-15 南京理工大学 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN110232461A (zh) * 2018-10-22 2019-09-13 鲁东大学 基于量子遗传算法优化的多关联向量机水质预测方法
CN110969238A (zh) * 2019-12-31 2020-04-07 安徽建筑大学 一种校准用电数据的方法及装置
CN110988295A (zh) * 2019-12-31 2020-04-10 广东交通职业技术学院 一种基于NB_IoT的漂浮式污水检测系统及方法
CN111679608A (zh) * 2020-06-16 2020-09-18 南通大学 一种基于NB-IoT的湿地生态环境监测系统
AU2020103356A4 (en) * 2020-02-26 2021-01-21 Chinese Research Academy Of Environmental Sciences Method and device for building river diatom bloom warning model

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605909A (zh) * 2013-12-09 2014-02-26 重庆绿色智能技术研究院 一种基于灰色理论及支持向量机的水质预测方法
CN108171259A (zh) * 2017-12-13 2018-06-15 南京理工大学 一种基于NB-IoT的智慧末梢水质监测系统及方法
CN108132340A (zh) * 2017-12-14 2018-06-08 浙江大学 一种河道多传感器融合上下游污染预警系统及方法
CN110232461A (zh) * 2018-10-22 2019-09-13 鲁东大学 基于量子遗传算法优化的多关联向量机水质预测方法
CN110969238A (zh) * 2019-12-31 2020-04-07 安徽建筑大学 一种校准用电数据的方法及装置
CN110988295A (zh) * 2019-12-31 2020-04-10 广东交通职业技术学院 一种基于NB_IoT的漂浮式污水检测系统及方法
AU2020103356A4 (en) * 2020-02-26 2021-01-21 Chinese Research Academy Of Environmental Sciences Method and device for building river diatom bloom warning model
CN111679608A (zh) * 2020-06-16 2020-09-18 南通大学 一种基于NB-IoT的湿地生态环境监测系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295620A (zh) * 2023-02-17 2023-06-23 南通科瑞环境科技有限公司 一种环境监测采集检测方法

Similar Documents

Publication Publication Date Title
CN118246744B (zh) 一种特长隧道施工现场风险评估方法及系统
CN110990718B (zh) 一种公司形象提升系统的社会网络模型构建模块
CN113762329A (zh) 一种大型轧机状态预测模型的构建方法及构建系统
CN103235098A (zh) 地下水在线水质监测系统
CN117611015A (zh) 一种建筑工程质量实时监测系统
CN115096627B (zh) 一种液压成形智能装备制造过程故障诊断与运维方法及系统
EP3995814A1 (en) Sample analysis device and program for sample analysis
CN118548114B (zh) 一种隧道监测数据应急响应预警方法及系统
CN117235655B (zh) 基于联邦学习的智慧供热异常工况识别方法及系统
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
Sengupta et al. Interpreting impact echo data to predict condition rating of concrete bridge decks: A machine-learning approach
CN113487114A (zh) 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统
CN111737294B (zh) 一种基于动态增量集成模糊的数据流分类方法
CN118606847B (zh) 基于机器学习的桥梁技术状况预测方法及系统
CN118861819A (zh) 一种基于自适应模糊聚类的水质评估方法及系统
CN111858568B (zh) 一种基于集成学习与改变决策阈值的化验数据校验方法
CN116738354B (zh) 一种电力物联网终端行为异常检测方法及系统
CN118469285A (zh) 基于变电站及输电线路的气象预警方法及系统
CN117874509A (zh) 一种基于可解释性集成学习的沥青路面车辙深度预测方法
CN116796894A (zh) 一种高效深度学习气象预测模型的构建方法
Zeyang Research on intelligent acceleration algorithm for big data mining in communication network based on support vector machine
Wang et al. LTE network quality analysis method based on MR data and XGBoost algorithm
CN117131969A (zh) 基于遥感下的mea-ga-bp耦合模型的湖泊水质参数预测方法
CN116318773A (zh) 基于ae模型优化的对抗训练式无监督入侵检测系统及方法
CN112634993A (zh) 化学品雌激素受体激活活性的预测模型及筛查方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination