说明书基于云计算的电子鼻空气质量监测系统及其方法
技术领域
本发明涉及环境监测技术领域，具体涉及一种室内外空气质量监测系统。
背景技术
近年来，空气污染问题日益严重，PM2.5、NO2、SO2、CO、甲醛、苯系物等污染物成为影响人身体健康的关键因素，因此对空气质量进行有效的监测就显得尤为重要。目前，国内外的空气污染物检测方法有很多，其中，电子鼻技术以其便携性、实时性、低成本等优点，得到了快速的发展，市场上也诞生出了众多基于电子鼻技术的空气质量检测产品。然而，市场上的空气质量检测产品往往仅能对客厅、办公室等小范围内进行检测，对楼宇、小区乃至城区等大中范围进行空气质量监测却没有良好的效果。另一方面，由于芯片处理能力的限制，便携式的空气质量检测仪并不能够运行较为复杂的算法，从而限制了气体检测的精度以及监测的多功能性。
云计算是基于互联网的相关服务的增加、使用和交付模式。随着本土化云计算技术产品、解决方案的不断成熟，该技术已广泛应用于制造、医疗、金融、能源等领域。而在空气质量监测领域，将电子鼻技术与云计算技术相结合可大大提高监测系统对算法的处理能力和运行速度，从而提高对污染气体的检测精度。
物联网作为一种基于互联网实现物与物之间信息交换和通信的技术已广泛应用于国防工程、工程安全、物流管理、食品加工等领域。由于该技术可实现多点的远程互联互通，因此，将电子鼻技术与物联网技术相结合，可以对大范围内众多监测点进行实时有效的监测，成为解决大范围空气质量监测的有效方法。
人工神经网络是人工智能领域研究的热点，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。目 前人工神经网络已经被广泛用于模式识别、自动控制、生物、医学、经济等领域。而在空气质量监测领域，人工神经网络也是电子鼻对气体进行模式识别和浓度计算的主要方法。
发明内容
本申请通过提供一种基于云计算的电子鼻空气质量监测系统及其方法，融合了电子鼻、云计算、物联网、清洁能源、人工神经网络等技术，实时采集并存储各监测点的空气质量及位置信息，运用算法处理后得到各监测点污染气体类别、浓度、污染源位置及空气质量预报等信息，最后将结果推送至手机用户端，从而实现了对大范围空气质量的远程实时监测及预报功能，解决了现有技术大范围监测效果不好，气体检测精度不高，监测功能单一等技术问题。
为解决上述技术问题，本申请采用以下技术方案予以实现：
一种基于云计算的电子鼻空气质量监测系统，包括云监控中心、手机用户端以及在每个监测点设置的一个电子鼻云终端，所述云监控中心搭建在云服务器平台上，所述云监控中心一边通过无线通信网络与所述电子鼻云终端相连，另一边与所述手机用户端相连，所述云监控中心配置有模式识别网络、浓度计算网络、污染源定位网络、空气质量预报网络，其中模式识别网络用于判断气体类别，浓度计算网络用于计算气体浓度，污染源定位网络用于预测污染源的位置，空气质量预报网络用于预测监测点未来的空气质量，所述云监控中心接收所述电子鼻云终端发送来的传感器响应信号及监测点的位置、温度、湿度信息，通过模式识别网络、浓度计算网络、污染源定位网络、空气质量预报网络进行运算处理后，将得到的各类气体的浓度监测结果、污染源定位结果、空气质量预报结果推送至所述手机用户端。
其中，以云服务器为平台的云监控中心采用分布式计算技术，满足复杂算法对计算机处理能力的要求，使得监测结果更加精准。所述云监控中心的服务程序主要包含云终端通信子程序、用户APP子程序、算法子程序和数据库服务 子程序；所述云终端通信子程序用于接收所述电子鼻云终端发送过来的传感器数据和监测点位置信息，并将数据加入时间标记后存入数据库中；所述算法子程序用于对接收到的传感器数据进行算法处理，得到各类气体的浓度监测结果并提供污染源定位结果和空气质量预报结果；所述数据库服务子程序用于实现数据实时交互和历史数据的保存及查询；所述用户APP子程序用于将经过算法处理得到的预测结果发送至用户手机端。
手机用户端接收并显示各监测点当前的空气质量信息、污染源位置预测、未来的空气质量预报，同时也可在手机APP中调用地图以观察各监测点的空气质量情况及污染源位置。
进一步地，所述电子鼻云终端包括微处理器、气体传感器阵列、A/D转换模块、GPS模块、无线通信模块、温度传感器、湿度传感器、存储模块、供电模块，其中所述气体传感器阵列将检测到的气体信息转化为电信号输出到所述A/D转换模块，所述A/D转换模块将模拟信号转换为数字信号输出到所述微处理器，所述GPS模块用于获取监测点的位置信息，所述温度传感器用于检测监测点的温度，所述湿度传感器用于检测监测点的湿度，所述微处理器控制所述无线通信模块将传感器响应信号及监测点的位置、温度、湿度信息发送至所述云监控中心，所述供电模块为所述电子鼻云终端供电，所述存储模块用于存储所述电子鼻云终端的数据信息。其中，气体传感器阵列中的传感器应具有良好的选择性，其对PM2.5、NO2、SO2、CO、甲醛、苯系物等主要污染气体的响应应具有较好的差异性。
作为一种优选的技术方案，所述供电模块采用太阳能电池板供电，保证了分布于室外各监测点的电子鼻云终端持续工作，特别适用于室外大规模的推广应用。
一种基于云计算的电子鼻空气质量监测系统的监测方法，包括以下步骤：
S1：给分布于不同监测点的电子鼻云终端编号，并下载相应编号的程序；
S2：登陆云服务器账号，打开所述云监控中心的服务程序；
S3：所述电子鼻云终端通过无线通信模块自动注册到移动网络，设定传输方式、IP地址、端口号并进行网络连接，发送以下数据：电子鼻云终端编号、各传感器的响应信号、经纬度信息、温度信息、湿度信息；
S4：所述云监控中心将接收到的数据添加时间标签后存储于所述数据库中；
S5：所述云监控中心调用算法子程序进行算法处理，计算相应监测点的各类气体的浓度监测结果、污染源定位结果、空气质量预报结果，并推送至所述手机用户端；
S6：用户打开手机用户端的APP，接收并查看各监测点当前的空气质量信息、污染源位置以及未来空气质量预报。
进一步地，步骤S5具体包括以下步骤：
S5.1：构建模式识别网络，并利用样本数据进行训练，结合智能优化算法优化网络的权值和训练误差、泛化误差范围，通过训练后的模式识别网络对气体类别进行判断；
S5.2：构建浓度计算网络，并利用样本数据进行训练，结合智能优化算法优化网络的权值和训练误差、泛化误差范围，通过训练后的浓度计算网络对气体浓度进行计算；
S5.3：所述云监控中心调用所有监测点的位置信息及污染气体浓度信息，绘制污染梯度图，并通过污染源定位网络预测污染源位置；
S5.4：调用数据库中的历史数据，训练用于空气质量预报的人工神经网络，结合智能优化算法优化网络的权值和训练误差、泛化误差范围，通过所述空气质量预报网络预报监测点未来的空气质量。
作为一种优选的技术方案，所述模式识别网络采用Fisher线性判别法与人工神经网络/支持向量机相结合的混合模式识别网络，所述模式识别网络的具体训练步骤如下：
S5.1.1：将采集到的传感器响应信号进行滤波、归一化预处理；
S5.1.2：通过Fisher线性判别法对气体进行预分类；
S5.1.3：设计多个人工神经网络/支持向量机子分类器(简称子分类器)，将所有子分类器的结果按“一对一”机制进行投票，作出最终判决；其中，“一对一”是在任意两类样本之间设计一个子分类器，当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。
其中，投票是这样进行的：
A＝B＝C＝D＝0；
(A,B)-classifier如果是A win,则A＝A+1；otherwise,B＝B+1；
(A,C)-classifier如果是A win,则A＝A+1；otherwise,C＝C+1；
...
(C,D)-classifier如果是C win,则C＝C+1；otherwise,D＝D+1；
The decision is the Max(A,B,C,D)
对N种气体进行识别，就需要设计N×(N-1)/2个子分类器。
Fisher线性判别法用于预分类，类似于信号预处理阶段，人工神经网络/支持向量机用于分析Fisher线性判别法预处理后的信号，通过“一对一”法给出最终的判决结果即判别类别。获得的Fisher线性判别法预分类模型参数和人工神经网络/支持向量机训练模型参数，可以直接用于在线应用。
作为一种优选的技术方案，所述浓度计算网络为智能算法(如粒子群、遗传算法)优化的人工神经网络。由于人工神经网络算法本身容易陷入局部最优的缺点，相应的优化算法需要被设计。因此，采用智能优化算法优化人工神经网络，以获得更高的预测精度。
其中所述浓度计算网络的具体训练步骤如下：
S5.2.1：将采集到的传感器响应信号进行滤波、归一化预处理；
S5.2.2：通过样本子集选择法将数据集划分为训练样本集、测试样本集和验证样本集；
S5.2.3：通过训练样本集和测试样本集，结合智能优化算法不断优化人工神经网络的权值和训练误差、泛化误差范围，得到最优的浓度计算权值；
S5.2.4：通过验证样本集来验证训练得到的网络，根据输出的预测精度来判断该网络是否可用。作为一种优选的技术方案，所述污染源定位网络为智能算法(如粒子群、遗传算法)优化的人工神经网络，所述污染源定位网络的具体训练步骤如下：
S5.3.1：将各个监测点的监测结果：气体类别、浓度、经度、维度进行归一化预处理；
S5.3.2：通过样本子集选择法将数据集划分为训练样本集、测试样本集和验证样本集；
S5.3.3：通过训练样本集和测试样本集结合智能优化算法不断优化人工神经网络的权值和训练误差、泛化误差范围，得到最优的浓度计算权值；
S5.3.4：通过验证样本集来验证训练得到的网络，根据输出的预测精度来判断该网络是否可用。
作为一种优选的技术方案，所述空气质量预报网络为智能算法(如粒子群、遗传算法)优化的人工神经网络，该空气质量预报网络分为短期空气质量预报网络和长期空气质量预报网络，所述短期空气质量预报网络和长期空气质量预报网络的具体训练步骤如下：
S5.4.1：将各个监测点的历史监测结果：气体类别、浓度进行归一化预处理；
S5.4.2：通过样本子集选择法将数据集划分为训练样本集、测试样本集和验证样本集；
S5.4.3：通过训练样本集和测试样本集结合智能优化算法不断优化人工神经网络的权值和训练误差、泛化误差范围，得到最优的浓度计算权值；
S5.4.4：通过验证样本集来验证训练得到的网络，根据输出的预测精度来判断该网络是否可用。
与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：适用于远程大范围、大规模空气质量的监测及预报，监测结果精准，监测功能强 大。
附图说明
图1为本发明空气质量监测系统的结构框图；
图2为本发明中云监控中心服务程序结构框图；
图3为本发明中电子鼻云终端的结构框图；
图4为本发明空气质量监测方法的流程图；
图5为本发明数据库的数据存储格式示意图；
图6为本发明模式识别网络的网络模型；
图7为本发明浓度计算网络的网络模型；
图8为本发明污染源定位网络的网络模型；
图9为本发明短期空气质量预报网络的网络模型；
图10为本发明长期空气质量预报网络的网络模型。
具体实施方式
本申请实施例通过提供一种基于云计算的电子鼻空气质量监测系统及其方法，融合了电子鼻、云计算、物联网、清洁能源、人工神经网络等技术，实时采集并存储各监测点的空气质量及位置信息，运用算法处理后得到各监测点污染气体类别、浓度、污染源位置及空气质量预报等信息，最后将结果推送至手机用户端，从而实现了大范围、大规模的空气质量远程实时监测及预报，解决了现有技术大范围监测效果不好，气体检测精度不高，监测功能单一等技术问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
一种基于云计算的电子鼻空气质量监测系统，如图1所示，包括云监控中心、手机用户端以及在每个监测点设置的一个电子鼻云终端，所述云监控中心搭建在云服务器平台上，所述云监控中心一边通过无线通信网络与所述电子鼻 云终端相连，另一边与所述手机用户端相连，所述云监控中心配置有模式识别网络、浓度计算网络、污染源定位网络、空气质量预报网络，其中模式识别网络用于判断气体类别，浓度计算网络用于计算气体浓度，污染源定位网络用于预测污染源的位置，空气质量预报网络用于预测监测点未来的空气质量，所述云监控中心接收所述电子鼻云终端发送来的传感器响应信号及监测点的位置、温度、湿度信息，通过模式识别网络、浓度计算网络、污染源定位网络、空气质量预报网络进行运算处理后，将得到的各类气体的浓度监测结果、污染源定位结果、空气质量预报结果推送至所述手机用户端。
其中，以云服务器为平台的云监控中心采用分布式计算技术，满足复杂算法对计算机处理能力的要求，使得监测结果更加精准。如图2所示，所述云监控中心的服务程序主要包含云终端通信子程序、用户APP子程序、算法子程序和数据库服务子程序；所述云终端通信子程序用于接收所述电子鼻云终端发送过来的传感器数据和监测点位置信息，并将数据加入时间标记后存入数据库中；所述算法子程序用于对接收到的传感器数据进行算法处理，得到各类气体的浓度监测结果并提供污染源定位结果和空气质量预报结果；所述数据库服务子程序用于实现数据实时交互和历史数据的保存及查询；所述用户APP子程序用于将经过算法处理得到的预测结果发送至用户手机端。
手机用户端接收并显示各监测点当前的空气质量信息、污染源位置预测、未来的空气质量预报，同时也可在手机APP中调用地图以观察各监测点的空气质量情况及污染源位置。
如图3所示，所述电子鼻云终端包括微处理器、气体传感器阵列、A/D转换模块、GPS模块、无线通信模块、温度传感器、湿度传感器、存储模块、供电模块，其中所述气体传感器阵列将检测到的气体信息转化为电信号输出到所述A/D转换模块，所述A/D转换模块将模拟信号转换为数字信号输出到所述微处理器，所述GPS模块用于获取监测点的位置信息，所述温度传感器用于检测监测点的温度，所述湿度传感器用于检测监测点的湿度，所述微处理器控制所 述无线通信模块将传感器响应信号及监测点的位置、温度、湿度信息发送至所述云监控中心，所述供电模块为所述电子鼻云终端供电，所述存储模块用于存储所述电子鼻云终端的数据信息。其中，气体传感器阵列中的传感器应具有良好的选择性，其对PM2.5、NO2、SO2、CO、甲醛、苯系物等主要污染气体的响应应具有较好的差异性，在本实施例中，气体传感器阵列设置了5个气体传感器，分别为TGS2602、TGS2620、TGS2201A、TGS2201B和PM2.5传感器。
作为一种优选的技术方案，所述供电模块采用太阳能电池板供电，保证了广泛分布于室外各监测点的电子鼻云终端持续工作，特别适用于室外大规模的推广应用。
一种基于云计算的电子鼻空气质量监测系统的监测方法，如图4所示，包括以下步骤：
S1：给10台分布于不同监测点的电子鼻云终端编号A0～A9，并下载相应编号的程序；
S2：登陆云服务器账号，打开所述云监控中心的服务程序；
S3：所述电子鼻云终端通过无线通信模块自动注册到移动网络，设定传输方式、IP地址、端口号并进行网络连接，发送以下数据：电子鼻云终端编号、各传感器的响应信号、经纬度信息、温度信息、湿度信息；
S4:所述云监控中心将接收到的数据添加时间标签后存储于所述数据库中；
S5：所述云监控中心调用算法子程序进行算法处理，计算相应监测点的各类气体的浓度监测结果、污染源定位结果、空气质量预报结果，并以socket通信的方式推送至所述手机用户端；
S6：用户打开手机用户端的APP，接收并查看各监测点当前的空气质量信息、污染源位置以及未来空气质量预报。
进一步地，步骤S4中所述数据库中数据存储格式如图5所示，包含数据接收时间(Data_time)、云终端编号(ID)、云终端位置(Loc)、传感器响应信 号(Data_origin)和数据处理结果(Data_deal)。
进一步地，步骤S5具体包括以下步骤：
S5.1：构建模式识别网络，并利用样本数据进行训练，通过训练后的模式识别网络对气体类别进行判断；
S5.2：构建浓度计算网络，并利用样本数据进行训练，通过训练后的浓度计算网络对气体浓度进行计算；
S5.3：所述云监控中心调用所有监测点的位置信息及污染气体浓度信息，绘制污染梯度图，并通过污染源定位网络预测污染源位置；
S5.4：调用数据库中的历史数据，训练用于空气质量预报的人工神经网络，通过所述空气质量预报网络预报监测点未来的空气质量。
上述所有的网络都结合了智能优化算法对其权值和训练误差、泛化误差进行了优化。
作为一种优选的技术方案，所述模式识别网络采用Fisher线性判别法与人工神经网络/支持向量机相结合的混合模式识别网络,所述模式识别网络的具体训练步骤如下：
S5.1.1：将采集到的传感器响应信号进行滤波、归一化预处理；
S5.1.2：通过Fisher线性判别法对气体进行预分类，缩小类内差距，扩大类间差距；
S5.1.3：设计多个人工神经网络/支持向量机子分类器，将所有子分类器的结果按“一对一”机制进行投票，作出最终判决；其中，“一对一”是在任意两类样本之间设计一个子分类器，当对一个未知样本进行分类时，最后得票最多的类别即为该未知样本的类别。
其中，投票是这样进行的：
A＝B＝C＝D＝0；
(A,B)-classifier如果是A win,则A＝A+1；otherwise,B＝B+1；
(A,C)-classifier如果是A win,则A＝A+1；otherwise,C＝C+1；
...
(C,D)-classifier如果是C win,则C＝C+1；otherwise,D＝D+1；
The decision is the Max(A,B,C,D)
对N种气体进行识别，就需要设计N×(N-1)/2个支持向量子分类器。
Fisher线性判别法用于预分类，类似于信号预处理阶段，人工神经网络/支持向量机用于分析Fisher线性判别法预处理后的信号，通过一对一法给出最终的判决结果即判别类别。获得的Fisher线性判别法预分类模型参数和人工神经网络/支持向量机训练模型参数，可以直接用于在线应用。如图6所示，本实施例中模式识别网络的输入为7路传感器信号，即温度传感器、湿度传感器、气体传感器TGS2602、TGS2620、TGS2201A、TGS2201B、PM2.5的响应信号，模式识别网络的输出为气体类别信息。
作为一种优选的技术方案，所述浓度计算网络为智能算法(如粒子群、遗传算法)优化的人工神经网络。由于人工神经网络算法本身容易陷入局部最优的缺点，相应的优化算法需要被设计。因此，我们采用智能优化算法优化人工神经网络，以获得更高的预测精度。
其中所述浓度计算网络的具体训练步骤如下：
S5.2.1：将采集到的传感器响应信号进行滤波、归一化预处理；
S5.2.2：通过样本子集选择法将数据集划分为训练样本集、测试样本集和验证样本集；
S5.2.3：通过训练样本集和测试样本集结合智能优化算法不断优化人工神经网络的权值和训练误差、泛化误差，得到最优的浓度计算权值；
S5.2.4：通过验证样本集来验证训练得到的网络，根据输出的预测精度来判断该网络是否可用。
本系统中样本子集的选择是基于样本之间的欧氏距离进行选择，通过最大化传感器响应间欧式距离的方式，使得选择的样本能够覆盖多维空间，而且满足均匀分布。
在特征点的选择中，本系统对各类气体试验样本的传感器响应稳定段选取3个特征点(2*m/3,3*m/4,4*m/5)，其中m为样本的数据总长度(观测点数)。对选择的特征点，分别做归一化处理和低通滤波处理。
如图7所示，本实施例中浓度计算网络的输入为7路传感器信号，即温度传感器、湿度传感器、气体传感器TGS2602、TGS2620、TGS2201A、TGS2201B、PM2.5的响应信号，浓度计算网络的输出为气体浓度信息。
作为一种优选的技术方案，所述污染源定位网络为智能算法(如粒子群、遗传算法)优化的人工神经网络，所述污染源定位网络的具体训练步骤如下：
S5.3.1：将各个监测点的监测结果：气体类别、浓度、经度、维度进行归一化预处理；
S5.3.2：通过样本子集选择法将数据集划分为训练样本集、测试样本集和验证样本集；
S5.3.3：通过训练样本集和测试样本集不断优化人工神经网络的权值、训练误差和泛化误差，得到最优的浓度计算权值；
S5.3.4：通过验证样本集来验证训练得到的网络，根据输出的预测精度来判断该网络是否可用。
如图8所示，本实施例中污染源定位网络的输入为10个监测点的监测结果，包括污染气体类别、浓度、经度、纬度信息，因此，该网络的输入为一个40维的向量，输出为预测污染源的经度和纬度。
作为一种优选的技术方案，所述空气质量预报网络为智能算法(如粒子群、遗传算法)优化的人工神经网络。该空气质量预报网络分为短期空气质量预报网络和长期空气质量预报网络，所述短期空气质量预报网络和长期空气质量预报网络的具体训练步骤如下：
S5.4.1：将各个监测点的历史监测结果：气体类别、浓度进行归一化预处理；
S5.4.2：通过样本子集选择法将数据集划分为训练样本集、测试样本集和 验证样本集；
S5.4.3：通过训练样本集和测试样本集不断优化人工神经网络的权值、训练误差和泛化误差，得到最优的浓度计算权值；
S5.4.4：通过验证样本集来验证训练得到的网络，根据输出的预测精度来判断该网络是否可用。
如图9所示，在短期空气质量预报网络中，输入为当前实时空气质量和最近72小时中每个时段(在本实施例中，以一个小时为一个时段)的空气质量，包含污染气体类别和浓度信息，因此，该网络的输入为一个146维的向量，输出为预测的当前时间点之后24小时内每个时段的污染气体类别和浓度。
如图10所示，在长期空气质量预报网络中，输入为当前实时空气质量和最近10天中每天的空气质量，包含污染气体类别和浓度信息，因此，该网络的输入为一个22维的向量，输出为预测的当前时间点之后三天内的污染气体类别和浓度。
本申请的上述实施例中，通过提供一种基于云计算的电子鼻空气质量监测系统及其方法，设置有电子鼻云终端、云监控中心、手机用户端，所述云监控中心配置有模式识别网络、浓度计算网络、污染源定位网络、空气质量预报网络，本系统融合了电子鼻、云计算、物联网、清洁能源、人工神经网络等技术，实时采集并存储各监测点的空气质量及位置信息，运用算法处理后得到各监测点污染气体类别、浓度、污染源位置及空气质量预报等信息，最后将结果推送至手机用户端，从而实现了大范围、大规模的空气质量远程实时监测及预报功能，监测结果精准，监测功能强大。
应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。