相关实验视频
Updated: Jul 9, 2025
06:05
Additive Manufacturing-Enabled Low-Cost Particle Detector
Published on: March 24, 2023
1.3K
软传感器用于预测地铁内的室内PM2.5度,具有自适应增强深度学习模型
Jinyong Wang1, Dongsheng Wang2, Fengshan Zhang3
1Jiangsu Co-Innovation Center of Efficient Processing and Utilization of Forest Resources, Nanjing Forestry University, Nanjing 210037, China.
Journal of hazardous materials
|November 29, 2023
概括
一个新的软传感器模型,KPCA-AdaBoost-LSTM,准确地监测地铁内的室内颗粒物 (PM2.5). 这种先进的技术可以改善空气质量预测,提高公共卫生评估.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 室内空气质量 (IAQ) 对公共健康至关重要.
- 在地铁环境中精确监测室内颗粒物 (PM2.5) 是一个挑战.
- 软测量技术为IAQ监测提供了一个有希望的解决方案.
研究的目的:
- 开发和评估一种新的软传感器模型,用于在地铁环境中精确监测PM2.5.
- 通过集体学习提高IAQ数据分析的准确性和可靠性.
- 为了提高软传感器模型的解释性.
主要方法:
- 核心主要组件分析 (KPCA) 用于非线性维度减少和降噪.
- 适应性提升 (AdaBoost) 被用作集体学习技术,以提高长期短期记忆 (LSTM) 模型的性能.
- 拟议的KPCA-AdaBoost-LSTM模型已被开发和验证用于IAQ监测.
主要成果:
- 该KPCA-AdaBoost-LSTM模型显示了PM2.5度的高预测性能.
- 在大厅中达到0.9007的R平方值,在平台上达到0.8995.
- 沙普利添加式解释 (SHAP) 分析提供了对模型解释性的见解.
结论:
- KPCA-AdaBoost-LSTM软传感器提供了一种可靠和准确的方法来监测地铁IAQ.
- 该模型的增强性能和可解释性有助于制定更好的公共卫生战略.
- 这种方法促进了机器学习在环境监测中的应用.
