期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于混核极限学习机的道路高排放源识别方法
1
作者 段培杰 李泽瑞 +3 位作者 李鲲 许镇义 吕钊 康宇 《大气与环境光学学报》 CAS CSCD 2024年第1期62-72,共11页
由于道路高排放源所产生的污染气体对环境危害巨大,因此实现对高排放源的准确识别具有重要意义。而传统的基于限值划分的识别方法及新兴的人工智能识别方法在模型选择、评价指标、识别性能等方面都存在一定的改进空间,因此针对以上问题... 由于道路高排放源所产生的污染气体对环境危害巨大,因此实现对高排放源的准确识别具有重要意义。而传统的基于限值划分的识别方法及新兴的人工智能识别方法在模型选择、评价指标、识别性能等方面都存在一定的改进空间,因此针对以上问题,提出一种基于混核极限学习机的道路高排放源识别方法。该方法使用道路遥感监测设备获取的移动源遥测数据,在核极限学习机的基础上融合不同核函数,可提升模型鲁棒性及道路高排放源识别性能。针对合肥市蜀山区真实道路遥测数据上的分析结果表明,该方法相比于其他方法具有较高的F1分数以及较低的漏报率、虚警率,证实了该方法在高排放源识别中的有效性。因此,该方法有助于对交通路网中高排放车辆进行高效识别,为进一步提升城市空气质量提供支撑。 展开更多
关键词 高排放识别 混合核函数 极限学习机 道路遥感监测
下载PDF
基于特征采样引导和集成RFELM的道路高排放源识别模型
2
作者 周汉胜 段培杰 +1 位作者 李泽瑞 周金华 《现代电子技术》 北大核心 2024年第6期124-130,共7页
机动车排放的污染气体会对环境造成严重危害,其中尾气排放超标的车辆是主要污染来源,因此实现对道路高排放源的有效识别具有重要意义。针对尾气遥测数据,提出一种基于特征采样引导和集成随机傅里叶特征极限学习机(RFELM)的道路高排放源... 机动车排放的污染气体会对环境造成严重危害,其中尾气排放超标的车辆是主要污染来源,因此实现对道路高排放源的有效识别具有重要意义。针对尾气遥测数据,提出一种基于特征采样引导和集成随机傅里叶特征极限学习机(RFELM)的道路高排放源识别模型。首先对遥测数据进行多次随机采样,构建多组训练子集;然后对每组训练子集进行多次特征采样,并训练对应的子分类器,根据组内最优子分类器的输入特征更新特征采样的概率与特征权重;最后对所有子分类器的验证分数进行排序,筛选出一定比例的RFELM组成分类器集合,采用加权投票法预测数据的标签。实验结果表明,相比于RFELM和随机森林等算法,所提模型在真实的道路遥测数据上具有更好的识别效果,还有着更强的抗噪能力。 展开更多
关键词 道路排放识别 遥测数据 特征采样 集成学习 随机傅里叶特征极限学习机 子分类器
下载PDF
基于单类分类方法的道路高排放源识别算法 被引量:1
3
作者 周汉胜 李泽瑞 周金华 《传感器与微系统》 CSCD 北大核心 2023年第1期140-143,148,共5页
为了提高对道路高排放源的识别效率,降低其造成的大气污染,提出了一种基于随机傅里叶特征和非常稀疏映射的单类分类(OCC)宽度学习系统(BLS)的道路高排放源识别方法,即OCC-FS-BLS。首先,将道路高排放源数据进行非线性的随机傅里叶特征映... 为了提高对道路高排放源的识别效率,降低其造成的大气污染,提出了一种基于随机傅里叶特征和非常稀疏映射的单类分类(OCC)宽度学习系统(BLS)的道路高排放源识别方法,即OCC-FS-BLS。首先,将道路高排放源数据进行非线性的随机傅里叶特征映射得到BLS的特征节点,再通过非常稀疏随机映射生成增强节点,拼接所有节点作为BLS输出层的输入;然后,通过岭回归求解改进BLS的输出权重;最后,根据OCC-BLS构建单类分类算法的策略,实现OCC-FS-BLS算法。实验结果表明:OC-FS-BLS在高排放源识别任务中相比OCC-BLS等其他模型表现出更好的识别性能。 展开更多
关键词 排放识别 单类分类 宽度学习系统 随机傅里叶特征 非常稀疏随机映射 遥感监测
下载PDF
基于深度特征聚类的高排放移动污染源自动识别 被引量:7
4
作者 许镇义 王仁军 +2 位作者 张聪 王瑞宾 夏秀山 《交通运输系统工程与信息》 EI CSCD 北大核心 2021年第6期298-309,共12页
传统的高排放移动源识别方式是将采集的尾气数据与预先设定的排放阈值进行比较判定,但是,排放阈值的设定很大程度上取决于人为标准,并且忽视了外部因素对尾气排放的影响,无法真正反映移动源排放水平。针对此问题,本文结合机器学习算法,... 传统的高排放移动源识别方式是将采集的尾气数据与预先设定的排放阈值进行比较判定,但是,排放阈值的设定很大程度上取决于人为标准,并且忽视了外部因素对尾气排放的影响,无法真正反映移动源排放水平。针对此问题,本文结合机器学习算法,提出一种基于深度特征聚类的高排放移动源识别方法。首先,利用随机森林算法筛选出不同污染物(CO、HC、NO)排放的主要影响特征;其次,对多维影响特征进行聚类分析,获取高排放类别标签;最后,训练得到基于深度森林的移动污染源分类模型,自动识别高排放目标源。通过对比实验,在合肥市机动车污染遥测数据集上验证了所提方法的有效性。 展开更多
关键词 信息技术 高排放识别 特征聚类 深度森林
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部