基于传感器阵列和LightGBM-SR模型的危化品泄露监测方法研究

探索了使用传感器阵列和LightGBM-SR模型的危化品泄露监测方法,采用多个传感器实时获取危化品监测数据,并且采用非线性随机共振(stochastic resonance,SR)模型对监测数据调整获取特征信息。选取ExtraTrees、XGBoost、KNN和LightGBM模型作为研究对照模型,分别使用传感器阵列原始数据和SR调理数据对四种模型进行自主学习拟合,然后对测试集数据进行回归预测。研究结果证明未经非线性模型调理的原始传感器阵列监测数据与四种模型的匹配度有所不足。数据经非线性SR算法处理后代入训练,LightGBM-SR模型准确率由LightGBM模型的78.75%提升至98.34%,ExtraTrees-SR稳定性最佳但实际依然存在用时较长,XGBoost-SR和KNN-SR泛化能力与稳定性良好,但是平均准确率不高。LightGBM-SR模型展现了较高的平均准确率,更适合危化品泄露监测的应用场景。