一种生活垃圾收集过程臭气智能监测预警方法

1.本发明涉及生活垃圾收集过程智能监测预警方法；建立了基于模块化神经网络的硫化氢h2s、氨气nh3预测模型，实现对h2s、nh3浓度趋势的智能预测；通过设置h2s、nh3浓度预警阈值，拟定臭气预警级别，实现臭气监测预警。既属于生活垃圾治理领域，又属于智能建模领域。


背景技术：

2.随着我国经济的快速发展与城市化进程的不断加快，城市生活垃圾产量与日俱增。为了提高生活垃圾治理效果，国家先后出台了一系列政策推进垃圾分类工作，防范环境风险。在生活垃圾收集过程中，垃圾种类多，成分复杂，易造成污染，尤其是易腐垃圾。易腐垃圾在生活垃圾中占比大，可降解性高、易腐烂，是生活垃圾收集过程恶臭气体产生的根源，严重危害居民身心健康及生活环境。h2s、nh3是恶臭气体的主要成分，对其浓度趋势进行预测，并确定预警等级，则可采取相应措施控制臭气排放。因此，实现臭气浓度的监测预警，具有重要的理论意义和应用价值。


技术实现要素：

3.本发明的目的在于提出一种生活垃圾收集过程智能监测预警方法，采用模块化神经网络建立h2s、nh3浓度预测模型，实现对未来时刻臭气浓度的预测。通过设置h2s、nh3浓度预警阈值，拟定臭气预警级别，实现臭气监测预警。
4.本发明采用如下的技术方案及实现步骤：
5.1、采集现场数据；
6.通过安装在生活垃圾分类驿站的设备实时采集、存储硫化氢h2s、氨气nh3浓度数据，采样间隔时间为30秒；
7.步骤2、确定预测模型输入、输出变量；
8.预测模型的输入变量表示为x＝(x1,x2,x3,x4)
t
，分别代表t-3、t-2、t-1以及t时刻的h2s、nh3浓度，模型的输出变量y为t+2时刻的h2s、nh3浓度；
9.步骤3、设计模块化神经网络，建立预测模型；
10.建立预测模型的方法如下：首先，基于注意力机制实现模块化分区；其次，基于自组织模糊神经网络构建子网络；最后，基于注意力机制整合各个子网络的输出，得到最终预测结果，具体如下：
11.(1)基于注意力机制的模块化分区方法如下：
12.模块化指标mq由模块内的密集程度和模块间的稀疏程度组成，其中，模块内的密集程度计算如下：
[0013][0014]
其中，jc为模块内的密集程度，p为当前网络中模块的数量，n
l
为分配给第l个模块
的样本数，xi为第i个训练样本的输入向量，h
l
和r
l
分别表示第l个模块的核心节点和作用范围；
[0015]
模块间的稀疏程度基于欧式距离进行计算：
[0016][0017]
其中，js为模块间的稀疏程度，d(h
l
,hs)代表第l个模块核心节点和第s个模块核心节点间的距离，根据模块内的密集程度jc和模块间的稀疏程度js，提出模块化指标衡量方式如下：
[0018][0019]
mq的值越大，该网络的模块化程度越高，基于注意力机制的模块化分区方法如下：首先，根据点密度的思想确定各初始子模块的核心节点；其次，基于注意机制向各个子模块分配样本；然后，通过寻求网络的最大“模块化”来确定现有模块的新核心节点；最后，通过合并距离最近的核心节点并寻求网络的最大“模块化”来确定网络中的最佳模块数；
[0020]
①
确定各初始子模块的中心
[0021]
数据集不能明确地描述样本点分布情况，引入点密度思想即样本点分布的密度，若样本点周围的点越多，则在该样本点处的样本分布密度就越大，该样本越有可能成为模块化分区的核心节点；因此，提出一种点密度函数作为初始子模块核心节点的选取方法；
[0022]
对于每个训练样本的输入向量x，其点密度函数的表达式定义如下：
[0023][0024]dij
＝||x
i-xj||
ꢀꢀꢀ
(5)
[0025]
其中，d
ij
表示两个训练样本输入向量xi和xj间的距离；若xi周围的点越多，则zi的值越大；
[0026]
计算各个样本的点密度，将点密度最大的前n个训练样本的输入向量作为初始子模块的核心节点，具体设置如下：
[0027][0028][0029][0030]
其中，hi和ri分别表示第i个初始子模块的核心节点和作用范围；x
zi
为第i个点密度最大的训练样本输入向量；d
max
为训练样本输入向量xi和xj间的最大距离；
[0031]
②
基于注意力机制分配样本
[0032]
t时刻，当第t个训练样本x
t
进入网络时，计算各个子模块对x
t
的注意力值attention：
[0033][0034]
其中，attentiond为第d个子模块对x
t
的注意力值，qd为第d个子模块的核心节点，q
di
为第d个子模块核心节点的第i个分量，k、v为输入样本x
t
，如式(10)所示，ki、vi为样本x
t
的第i个分量；si为相关性值，如式(11)所得；
[0035]
k＝v＝x
t
＝[x1,
…
,xi,
…
,xk]
ꢀꢀꢀ
(10)
[0036]
子模块d对样本x
t
注意力值的具体计算步骤如下：
[0037]
a)根据qd和k计算二者的相关性，计算公式为：
[0038]
si＝|q
di-ki|
ꢀꢀꢀ
(11)
[0039]
b)对si值进行softmax归一化处理得到ai值；
[0040]
c)根据步骤b)中得到的ai值计算1-ai值；
[0041]
d)根据得到的1-ai值对v进行加权求和，得到注意力值attentiond，完成子模块d对x
t
的注意力值计算；
[0042]
若第d个子模块对x
t
的注意力值大于阈值λ，即attention≥λ，则将x
t
分配到该模块，λ取0.5；
[0043]
③
优化模块
[0044]
为了使网络具有最优的“模块化”程度，根据公式(3)，分别计算在新增样本和原有模块核心节点分别作为子模块核心节点的情况下整个网络的模块化指标值mq
t
和mq
lmin
：
[0045]
若mq
lmin
《mq
t
，选用当前新增样本作为核心节点的网络模块化程度更高，用该样本替换原模块核心节点成为新的模块核心节点，初始参数设置如下：
[0046]ht
＝x
t (12)
[0047][0048]
其中，h
t
为模块的新核心节点，x
t
为新增样本的输入向量，r
t
为模块的作用范围，n
lmin
为分到该模块的样本数；
[0049]
若mq
lmin
》mq
t
，当前模块核心节点保持不变，只需要调整该模块的作用范围：
[0050][0051]
其中，r
lmin
为模块的作用范围，n
lmin
为分到该模块的样本数；
[0052]
当所有训练样本都比较完毕后，样本被分配到了不同的子模块；
[0053]
④
合并模块
[0054]
若t时刻，存在两个或两个以上的模块，计算各个模块核心节点之间的欧式距离，当核心节点ci到cj的距离最小，则将两个模块合成一个新的模块，初始参数设置如下：
[0055][0056]
其中，c
new
为合并后模块的核心节点，z
ci
和z
cj
分别为核心节点ci和cj的点密度；
[0057]
根据公式(3)，分别计算合并模块前和合并模块后整个网络的模块化指标值mq，并
找到mq值最大时的模块数，此时，网络的模块化程度是最大的，模块化分区形成；
[0058]
(2)采用自组织模糊神经网络来构建每个模块对应的子网络，子网络的设计包括三个部分：网络结构增长、网络结构修剪和网络参数调整；
[0059]
①
网络结构增长
[0060]
当第一个训练样本进入网络后，将该样本作为第一个rbf神经元的中心、宽度以及到输出层的连接权值：
[0061]
c1＝x1ꢀꢀꢀꢀ
(16)
[0062]
σ1＝1
ꢀꢀꢀ
(17)
[0063]
w1＝y
d1
ꢀꢀꢀ
(18)
[0064]
其中，c1为第一个神经元的中心，x1为第一个训练样本的输入向量，σ1为第一个神经元的宽度，w1为规则化层神经元到输出层神经元的连接权值，y
d1
为第一个训练样本的输出值；
[0065]
在时间ts时刻，训练误差向量e(ts)由下式获得：
[0066][0067][0068]
其中，yf是第f个训练样本的期望输出值，是第f个样本在时刻ts的网络输出值；
[0069]
寻找期望输出值和网络输出值相差最大的样本
[0070][0071]
新增一个规则对第个样本进行学习，补偿当前最大误差；新增规则的中心向量和输出权值设置如下所示:
[0072]ct
＝x
l
ꢀꢀꢀ
(22)
[0073]wt
＝y
dl
ꢀꢀꢀ
(23)
[0074]
其中，c
t
为新增神经元的中心，x
l
为第l个训练样本的输入向量，w
t
为规则化层神经元到输出层神经元的连接权值，y
dl
为第l个训练样本的输出值；
[0075]
每新增一个规则后，计算该规则与已有规则间的欧式距离并寻找最小距离d
min
:
[0076]dmin
＝min{dist(c
t
,c
j≠t
)}
ꢀꢀꢀ
(24)
[0077]
基于该最小距离，将新增神经元的宽度σ
t
设置为：
[0078]
σ
t
＝0.7d
min
ꢀꢀꢀ
(25)
[0079]
每次新增规则时，网络参数通过二阶学习算法进行调整；当达到预设最大结构j
max
或期望训练精度e0，网络结构增长过程结束；实验过程中j
max
＝10，e0＝0.0001，采用误差平方和sse来衡量网络的训练精度，计算如下：
[0080][0081]
其中，yi和分别为第i个训练样本的期望输出值以及网络输出值，ns为子模块s中的样本数；
[0082]
②
网络结构修剪
[0083]
为避免网络结构出现冗余，因此提出了基于rbf层神经元激活强度的度量值：
[0084][0085]
其中，φ(j)为第j个rbf神经元的输出，j
mins
为rbf层激活强度最小的神经元；
[0086]
因此，删除激活强度最小的规则，并通过二阶学习算法调整参数，将删除该规则后的均方根误差值sse_1与未删除该规则时的均方根误差值sse_0进行比较；如果sse_1≤sse_0，可以在不牺牲网络学习能力的情况下对所选规则进行修剪，然后，重复上述过程，相反，无法删除选定的规则；此时，网络结构修剪过程结束，子网络构建完成；每次删减神经元时，使用二阶学习算法调整参数；
[0087]
③
网络参数调整
[0088]
改进二阶学习算法如下所示：
[0089]
△
t+1
＝
△
t-(q
t
+μ
t
i)-1gt
ꢀꢀꢀ
(28)
[0090]
其中，δ
t+1
为调整后的参数，δ为调整前的参数，包括中心、宽度和连接权值；q
t
为类海森矩阵；g
t
为梯度向量；i为单位矩阵；μ
t
为学习率参数，取0.01。
[0091]
为了减少雅可比矩阵计算过程中的空间复杂度和时间复杂度，将类hessian矩阵q
t
和梯度向量g
t
的计算转化为子类hessian矩阵求和和子梯度向量求和：
[0092][0093][0094]
qz为子类hessian矩阵、ηz为子梯度向量，均可由下式计算得到：
[0095][0096][0097]
其中，ez为第z个样本的期望输出值yz与网络预测输出值的差值，jz为雅克比向量，计算如下：
[0098][0099][0100]
根据链式求导法则，式(34)中雅克比向量中的每个分量计算如下：
[0101][0102][0103][0104]
其中cj，σj，wj分别为第j个神经元的中心、宽度和到输出层的连接权值，xz是第z个训练样本的输入向量；
[0105]
(3)基于注意力机制的整合策略方法如下：
[0106]
将测试数据作为模型的输入，模型的输出为t+2时刻的h2s、nh3浓度预测值：
[0107]
t时刻，当第t个测试样本进入模型后，计算各个子模块对x
t
的注意力值attention，当attention≥λ时，激活相应的子模块对输入样本进行计算；
[0108]
当各子模块对样本进行计算后，输出整合层对各激活子模块的输出进行加权整合：
[0109][0110]
其中，yr为第r个子网络的输出值，εr为第r个子网络到输出层的权重系数，其根据子网络对输入样本的注意力程度进行确定，计算公式如下：
[0111][0112]
其中，attentionr为第r个被激活的子网络对输入样本x
t
的注意力值；r为被激活的子网络总数。
[0113]
步骤4、设置h2s、nh3浓度预警阈值，拟定臭气预警级别，实现臭气预警；
[0114]
参考《恶臭污染物排放标准(gb 14554-93)》及《室内空气质量标准(gb/t18883-2002)》，设置h2s、nh3浓度预警阈值，拟定的臭气预警级别如表1所示，当h2s、nh3浓度达到相应阈值，便进行相应等级的预警，采取相应等级的控制措施减少h2s、nh3排放；
[0115]
表1:h2s和nh3浓度预警级别
[0116][0117]
采用均方根误差(rmse)、平均百分比误差(mape)对测试精度进行定量评价，rmse，mape计算公式如下：
[0118][0119][0120]
式中，yi和分别为第i个样本的期望输出以及网络输出，n
t
为测试样本个数。
[0121]
本发明基于模块化神经网络良好的非线性映射能力以及泛化能力，建立了稳定有效的臭气浓度预测模型，可实现对臭气浓度的准确预测，并通过判定臭气浓度的预警级别，采取相应等级的措施控制臭气浓度的排放，对生活垃圾收集过程臭气排放控制具有重要意
义。
附图说明
[0122]
图1为本发明的流程图；
[0123]
图2为模块化神经网络基本结构图；
[0124]
图3为自组织模糊神经网络结构图；
[0125]
图4为注意力机制计算流程图；
[0126]
图5为基于注意力机制的子网络整合流程图；
[0127]
图6为h2s浓度测试结果图；
[0128]
图7为h2s浓度测试误差图；
[0129]
图8为nh3浓度测试结果图；
[0130]
图9为nh3浓度测试误差图。
具体实施方式
[0131]
本发明利用训练数据集建立用于臭气浓度预测的模块化神经网络模型；利用测试数据集验证模块化神经网络模型输出的未来时刻臭气浓度预测值的准确性。
[0132]
作为一种实施例，采用来自北京某垃圾分类驿站的数据对本发明所提方法的有效性进行验证，选用2021年6月15日的2800组数据进行实验，其中前2000组数据作为训练数据，其余800组数据作为测试数据。
[0133]
(1)基于2000组训练数据，选用t-3、t-2、t-1以及t时刻的臭气浓度作为模型输入，t+2时刻的臭气浓度作为模型输出，建立基于模块化神经网络的臭气浓度预测模型；
[0134]
(2)基于800组测试数据，通过模块化神经网络进行臭气浓度预测，h2s、nh3测试结果分别如图6、图8所示，x轴：测试样本数，单位是个/样本，y轴：臭气浓度，单位是mg/m3；测试误差分别如图7、图9所示，x轴：测试样本数，单位是个/样本，y轴：臭气浓度测试误差，单位是mg/m3；
[0135]
(3)采用均方根误差rmse、平均百分比误差mape对测试精度进行定量评价，h2s浓度计算结果为rmse＝0.0037，mape＝9.8259％，nh3浓度计算结果为rmse＝0.0139，mape＝0.8006％；
[0136]
(4)基于臭气浓度的预测结果，并结合臭气预警等级表，判断臭气预警级别，采取相应措施控制臭气排放。
[0137]
显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的精神和范围。应注意到的是，以上所述仅为本发明的具体实施例，并不限制本发明，凡在本发明的精神和原则之内，所做的调制和优化，皆应属本发明权利要求的涵盖范围。

技术特征：
1.一种生活垃圾收集过程臭气智能监测预警方法，其特征在于，包括以下步骤：步骤1、采集现场数据；通过安装在生活垃圾分类驿站的设备实时采集、存储硫化氢h2s、氨气nh3浓度数据，采样间隔时间为30秒；步骤2、确定预测模型输入、输出变量；预测模型的输入变量表示为x＝(x1,x2,x3,x4)
t
，分别代表t-3、t-2、t-1以及t时刻的h2s、nh3浓度，模型的输出变量y为t+2时刻的h2s、nh3浓度；步骤3、设计模块化神经网络，建立预测模型，实现h2s、nh3浓度预测；步骤4、设置h2s、nh3浓度预警阈值，拟定臭气预警级别，实现臭气预警。2.如权利要求1所述的生活垃圾收集过程臭气智能监测预警方法，其特征在于，步骤3中，设计模块化神经网络，建立预测模型的方法如下：首先，基于注意力机制实现模块化分区；其次，基于自组织模糊神经网络构建子网络；最后，基于注意力机制整合各个子网络的输出，得到最终预测结果，具体如下：(1)基于注意力机制的模块化分区方法如下：模块化指标mq由模块内的密集程度和模块间的稀疏程度组成，其中，模块内的密集程度计算如下：其中，j
c
为模块内的密集程度，p为当前网络中模块的数量，n
l
为分配给第l个模块的样本数，x
i
为第i个训练样本的输入向量，h
l
和r
l
分别表示第l个模块的核心节点和作用范围；模块间的稀疏程度基于欧式距离进行计算：其中，j
s
为模块间的稀疏程度，d(h
l
,h
s
)代表第l个模块核心节点和第s个模块核心节点间的距离，根据模块内的密集程度j
c
和模块间的稀疏程度j
s
，提出模块化指标衡量方式如下：mq的值越大，该网络的模块化程度越高，基于注意力机制的模块化分区方法如下：首先，根据点密度的思想确定各初始子模块的核心节点；其次，基于注意机制向各个子模块分配样本；然后，通过寻求网络的最大“模块化”来确定现有模块的新核心节点；最后，通过合并距离最近的核心节点并寻求网络的最大“模块化”来确定网络中的最佳模块数；
①
确定各初始子模块的中心
数据集不能明确地描述样本点分布情况，引入点密度思想即样本点分布的密度，若样本点周围的点越多，则在该样本点处的样本分布密度就越大，该样本越有可能成为模块化分区的核心节点；因此，提出一种点密度函数作为初始子模块核心节点的选取方法；对于每个训练样本的输入向量x，其点密度函数的表达式定义如下：d
ij
＝||x
i-x
j
||
ꢀꢀꢀꢀ
(5)其中，d
ij
表示两个训练样本输入向量x
i
和x
j
间的距离；若x
i
周围的点越多，则z
i
的值越大；计算各个样本的点密度，将点密度最大的前n个训练样本的输入向量作为初始子模块的核心节点，具体设置如下：的核心节点，具体设置如下：的核心节点，具体设置如下：其中，h
i
和r
i
分别表示第i个初始子模块的核心节点和作用范围；x
zi
为第i个点密度最大的训练样本输入向量；d
max
为训练样本输入向量x
i
和x
j
间的最大距离；
②
基于注意力机制分配样本t时刻，当第t个训练样本x
t
进入网络时，计算各个子模块对x
t
的注意力值attention：其中，attention
d
为第d个子模块对x
t
的注意力值，q
d
为第d个子模块的核心节点，q
di
为第d个子模块核心节点的第i个分量，k、v为输入样本x
t
，如式(10)所示，k
i
、v
i
为样本x
t
的第i个分量；s
i
为相关性值，如式(11)所得；k＝v＝x
t
＝[x1,
…
,x
i
,
…
,x
k
] (10)子模块d对样本x
t
注意力值的具体计算步骤如下：a)根据q
d
和k计算二者的相关性，计算公式为：s
i
＝q
di-k
i (11)b)对s
i
值进行softmax归一化处理得到a
i
值；c)根据步骤b)中得到的a
i
值计算1-a
i
值；d)根据得到的1-a
i
值对v进行加权求和，得到注意力值attention
d
，完成子模块d对x
t
的注意力值计算；若第d个子模块对x
t
的注意力值大于阈值λ，即attention≥λ，则将x
t
分配到该模块，λ取0.5；
③
优化模块为了使网络具有最优的“模块化”程度，根据公式(3)，分别计算在新增样本和原有模块核心节点分别作为子模块核心节点的情况下整个网络的模块化指标值mq
t
和mq
lmin
：若mq
lmin
<mq
t
，选用当前新增样本作为核心节点的网络模块化程度更高，用该样本替换
原模块核心节点成为新的模块核心节点，初始参数设置如下：h
t
＝x
t (12)其中，h
t
为模块的新核心节点，x
t
为新增样本的输入向量，r
t
为模块的作用范围，n
lmin
为分到该模块的样本数；若mq
lmin
>mq
t
，当前模块核心节点保持不变，只需要调整该模块的作用范围：其中，r
lmin
为模块的作用范围，n
lmin
为分到该模块的样本数；当所有训练样本都比较完毕后，样本被分配到了不同的子模块；
④
合并模块若t时刻，存在两个或两个以上的模块，计算各个模块核心节点之间的欧式距离，当核心节点c
i
到c
j
的距离最小，则将两个模块合成一个新的模块，初始参数设置如下：其中，c
new
为合并后模块的核心节点，z
ci
和z
cj
分别为核心节点c
i
和c
j
的点密度；根据公式(3)，分别计算合并模块前和合并模块后整个网络的模块化指标值mq，并找到mq值最大时的模块数，此时，网络的模块化程度是最大的，模块化分区形成；(2)采用自组织模糊神经网络来构建每个模块对应的子网络，子网络的设计包括三个部分：网络结构增长、网络结构修剪和网络参数调整；
①
网络结构增长当第一个训练样本进入网络后，将该样本作为第一个rbf神经元的中心、宽度以及到输出层的连接权值：c1＝x1ꢀꢀꢀꢀ
(16)σ1＝1
ꢀꢀꢀꢀ
(17)w1＝y
d1
ꢀꢀꢀꢀ
(18)其中，c1为第一个神经元的中心，x1为第一个训练样本的输入向量，σ1为第一个神经元的宽度，w1为规则化层神经元到输出层神经元的连接权值，y
d1
为第一个训练样本的输出值；在时间t
s
时刻，训练误差向量e(t
s
)由下式获得：)由下式获得：其中，y
f
是第f个训练样本的期望输出值，是第f个样本在时刻t
s
的网络输出值；寻找期望输出值和网络输出值相差最大的样本寻找期望输出值和网络输出值相差最大的样本新增一个规则对第个样本进行学习，补偿当前最大误差；新增规则的中心向量和输出权值设置如下所示:c
t
＝x
l
ꢀꢀꢀꢀ
(22)
w
t
＝y
dl
ꢀꢀꢀꢀ
(23)其中，c
t
为新增神经元的中心，x
l
为第l个训练样本的输入向量，w
t
为规则化层神经元到输出层神经元的连接权值，y
dl
为第l个训练样本的输出值；每新增一个规则后，计算该规则与已有规则间的欧式距离并寻找最小距离d
min
:d
min
＝min{dist(c
t
,c
j≠t
)}
ꢀꢀꢀꢀ
(24)基于该最小距离，将新增神经元的宽度σ
t
设置为：σ
t
＝0.7d
min
ꢀꢀꢀꢀ
(25)每次新增规则时，网络参数通过二阶学习算法进行调整；当达到预设最大结构j
max
或期望训练精度e0，网络结构增长过程结束；实验过程中j
max
＝10，e0＝0.0001，采用误差平方和sse来衡量网络的训练精度，计算如下：其中，y
i
和分别为第i个训练样本的期望输出值以及网络输出值，n
s
为子模块s中的样本数；
②
网络结构修剪为避免网络结构出现冗余，因此提出了基于rbf层神经元激活强度的度量值：其中，φ(j)为第j个rbf神经元的输出，j
mins
为rbf层激活强度最小的神经元；因此，删除激活强度最小的规则，并通过二阶学习算法调整参数，将删除该规则后的均方根误差值sse_1与未删除该规则时的均方根误差值sse_0进行比较；如果sse_1≤sse_0，可以在不牺牲网络学习能力的情况下对所选规则进行修剪，然后，重复上述过程，相反，无法删除选定的规则；此时，网络结构修剪过程结束，子网络构建完成；每次删减神经元时，使用二阶学习算法调整参数；
③
网络参数调整改进二阶学习算法如下所示：
△
t+1
＝
△
t-(q
t
+μ
t
i)-1
g
t
ꢀꢀꢀꢀꢀ
(28)其中，δ
t+1
为调整后的参数，δ
t
为调整前的参数，包括中心、宽度和连接权值；q
t
为类海森矩阵；g
t
为梯度向量；i为单位矩阵；μ
t
为学习率参数，取0.01；为了减少雅可比矩阵计算过程中的空间复杂度和时间复杂度，将类hessian矩阵q
t
和梯度向量g
t
的计算转化为子类hessian矩阵求和和子梯度向量求和：的计算转化为子类hessian矩阵求和和子梯度向量求和：q
z
为子类hessian矩阵、η
z
为子梯度向量，均可由下式计算得到：为子梯度向量，均可由下式计算得到：其中，e
z
为第z个样本的期望输出值y
z
与网络预测输出值的差值，j
z
为雅克比向量，计
算如下：算如下：根据链式求导法则，式(34)中雅克比向量中的每个分量计算如下：根据链式求导法则，式(34)中雅克比向量中的每个分量计算如下：根据链式求导法则，式(34)中雅克比向量中的每个分量计算如下：其中c
j
，σ
j
，w
j
分别为第j个神经元的中心、宽度和到输出层的连接权值，x
z
是第z个训练样本的输入向量；(3)基于注意力机制的整合策略方法如下：将测试数据作为模型的输入，模型的输出为t+2时刻的h2s、nh3浓度预测值：t时刻，当第t个测试样本进入模型后，计算各个子模块对x
t
的注意力值attention，当attention≥λ时，激活相应的子模块对输入样本进行计算；当各子模块对样本进行计算后，输出整合层对各激活子模块的输出进行加权整合：其中，y
r
为第r个子网络的输出值，ε
r
为第r个子网络到输出层的权重系数，其根据子网络对输入样本的注意力程度进行确定，计算公式如下：其中，attention
r
为第r个被激活的子网络对输入样本x
t
的注意力值；r为被激活的子网络总数。3.如权利要求1所述的生活垃圾收集过程臭气智能监测预警方法，其特征在于，步骤4中，设置h2s、nh3浓度预警阈值，拟定臭气预警级别，实现臭气预警；参考《恶臭污染物排放标准(gb 14554-93)》及《室内空气质量标准(gb/t18883-2002)》，设置h2s、nh3浓度预警阈值，拟定的臭气预警级别如下：(1)h2s浓度预测级别：m<0.03时，一级预警；0.03≤m<0.06，二级预警；m≥0.06，三级预警；m为h2s浓度，单位为mg/m3；(2)nh3浓度预警级别：n<0.2，一级预警；0.2≤n<1.0，二级预警；1.0≤n<1.5，三级预警；n≥1.5，四级预警；n为nh3浓度，单位为mg/m3；当h2s、nh3浓度达到相应阈值，便进行相应等级的预警，采取相应等级的控制措施减少h2s、nh3排放。

技术总结
本发明涉及一种生活垃圾收集过程臭气智能监测预警方法，实现了臭气浓度的预测，并确定预警级别，实现臭气智能监测预警，包括以下步骤：首先，采集数据并对数据进行预处理；确定模型的输入变量和输出变量；然后，采用模块化神经网络建立臭气浓度预测模型；最后，参考《恶臭污染物排放标准(GB 14554-93)》及《室内空气质量标准(GB/T 18883-2002)》，设置硫化氢H2S、氨气NH3浓度预警阈值，拟定臭气预警级别，实现臭气监测预警。本发明有效地实现了臭气浓度的准确预测以及监测预警，具有重要的理论意义和应用价值。应用价值。应用价值。


技术研发人员：蒙西 王岩 孙子健 韩红桂
受保护的技术使用者：北京工业大学
技术研发日：2023.06.05
技术公布日：2023/10/15