欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202311174457X
申请人: 暨南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于单颗粒气溶胶质谱的大气颗粒物来源解析方法,其特征在于,所述基于单颗粒气溶胶质谱的大气颗粒物来源解析方法包括:通过单颗粒气溶胶质谱仪采集大气颗粒物的质谱数据;

基于预先训练好的深度学习模型,对所述质谱数据进行解析,以确定大气颗粒物的来源;所述深度学习模型包括依次连接的一维卷积神经网络、长短期记忆网络及多层感知机;所述深度学习模型的训练过程包括:获取污染谱库;所述污染谱库中包括多个单颗粒质谱数据及各单颗粒质谱数据对应的已知来源;所述单颗粒质谱数据为归一化处理后的一维数据;

根据各单颗粒质谱数据的已知来源,确定损失函数;所述损失函数为分类交叉熵损失:其中,L为损失函数值,outputsize的值取决于分类数目,yj为一个样本的真实标签在第j类别的值,使用one-hot编码方式,为预测属于第j类别的概率;

基于所述损失函数,采用反向传播算法,对深度学习模型进行迭代训练,直至损失函数收敛或达到最大迭代次数,得到训练好的深度学习模型;所述反向传播算法是使用链式法则计算模型参数的梯度;

基于预先训练好的深度学习模型,对所述质谱数据进行解析,以确定大气颗粒物的来源,具体包括:分别对所述质谱数据的正谱图及负谱图进行归一化处理,得到质谱一维数据;

采用预先训练好的一维卷积神经网络提取所述质谱一维数据的多个局部特征;

采用预先训练好的长短期记忆网络提取多个局部特征之间的依赖关系,得到序列数据;

根据所述序列数据,采用预先训练好的多层感知机确定大气颗粒物的来源。

2.根据权利要求1所述的基于单颗粒气溶胶质谱的大气颗粒物来源解析方法,其特征在于,采用L2范数分别对所述质谱数据的正谱图及负谱图进行归一化处理。

3.根据权利要求1所述的基于单颗粒气溶胶质谱的大气颗粒物来源解析方法,其特征在于,所述一维卷积神经网络采用以下公式提取所述质谱一维数据的局部特征:Y1=σ1(W1·X1+b1);

其中,Y1为局部特征,W1为一维卷积神经网络的权重矩阵,X1为质谱一维数据,b1为一维卷积神经网络的偏置向量,σ1为激活函数。

4.一种基于单颗粒气溶胶质谱的大气颗粒物来源解析系统,其特征在于,所述基于单颗粒气溶胶质谱的大气颗粒物来源解析系统包括:单颗粒气溶胶质谱仪,用于采集大气颗粒物的质谱数据;

处理器,与所述单颗粒气溶胶质谱仪连接,用于基于预先训练好的深度学习模型,对所述质谱数据进行解析,以确定大气颗粒物的来源;所述深度学习模型包括依次连接的一维卷积神经网络、长短期记忆网络及多层感知机;所述深度学习模型的训练过程包括:获取污染谱库;所述污染谱库中包括多个单颗粒质谱数据及各单颗粒质谱数据对应的已知来源;所述单颗粒质谱数据为归一化处理后的一维数据;

根据各单颗粒质谱数据的已知来源,确定损失函数;所述损失函数为分类交叉熵损失:其中,L为损失函数值,outputsize的值取决于分类数目,yj为一个样本的真实标签在第j类别的值,使用one-hot编码方式,为预测属于第j类别的概率;

基于所述损失函数,采用反向传播算法,对深度学习模型进行迭代训练,直至损失函数收敛或达到最大迭代次数,得到训练好的深度学习模型;所述反向传播算法是使用链式法则计算模型参数的梯度;

基于预先训练好的深度学习模型,对所述质谱数据进行解析,以确定大气颗粒物的来源,具体包括:分别对所述质谱数据的正谱图及负谱图进行归一化处理,得到质谱一维数据;

采用预先训练好的一维卷积神经网络提取所述质谱一维数据的多个局部特征;

采用预先训练好的长短期记忆网络提取多个局部特征之间的依赖关系,得到序列数据;

根据所述序列数据,采用预先训练好的多层感知机确定大气颗粒物的来源。