-
公开(公告)号：CN117216659B
公开(公告)日：2025-03-14
申请号：CN202311174457.X
申请日：2023-09-12
Applicant: 暨南大学
IPC: G06F18/241 , G01N27/62 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06F17/16
Abstract: 本发明提供了一种基于单颗粒气溶胶质谱的大气颗粒物来源解析方法及系统，属于颗粒物识别领域，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，对质谱数据进行解析，以确定大气颗粒物的来源；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。本发明通过深度学习模型进行端到端的颗粒物来源解析，从输入到输出达到较高程度的自动化，降低了主观因素的影响，深度学习模型有更好的特征提取与泛化能力，能够更好地捕捉颗粒物的弱线性与非线性关系，进而提高了大气颗粒物来源解析的精度。
-
公开(公告)号：CN118114100B
公开(公告)日：2024-08-16
申请号：CN202410430599.6
申请日：2024-04-11
Applicant: 暨南大学
IPC: G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06F18/10 , G06F18/21
Abstract: 本发明公开一种VOCs协同来源解析的方法、产品、介质及设备，涉及源解析领域，方法包括：基于一维卷积神经网络、自注意力机制和多层感知机构建单颗粒分类模型，利用本地污染谱库对该模型进行训练和优化，利用优化后的该模型分析待解析单颗粒质谱数据的污染来源，得到各个污染源对颗粒物贡献的时间序列；利用PMF模型获取各个污染源的VOCs因子及其时间序列；将各个污染源对颗粒物贡献的时间序列与各个VOCs因子的时间序列进行相关性计算，得到相关系数；将相关系数高于设定阈值的颗粒物和VOCs因子归属到同一污染源上，实现颗粒物与VOCs来源的协同解析，识别出颗粒物和VOCs共同的污染来源。
-
公开(公告)号：CN118114100A
公开(公告)日：2024-05-31
申请号：CN202410430599.6
申请日：2024-04-11
Applicant: 暨南大学
IPC: G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/0499 , G06N3/084 , G06F18/10 , G06F18/21
Abstract: 本发明公开一种VOCs协同来源解析的方法、产品、介质及设备，涉及源解析领域，方法包括：基于一维卷积神经网络、自注意力机制和多层感知机构建单颗粒分类模型，利用本地污染谱库对该模型进行训练和优化，利用优化后的该模型分析待解析单颗粒质谱数据的污染来源，得到各个污染源对颗粒物贡献的时间序列；利用PMF模型获取各个污染源的VOCs因子及其时间序列；将各个污染源对颗粒物贡献的时间序列与各个VOCs因子的时间序列进行相关性计算，得到相关系数；将相关系数高于设定阈值的颗粒物和VOCs因子归属到同一污染源上，实现颗粒物与VOCs来源的协同解析，识别出颗粒物和VOCs共同的污染来源。
-
公开(公告)号：CN117216659A
公开(公告)日：2023-12-12
申请号：CN202311174457.X
申请日：2023-09-12
Applicant: 暨南大学
IPC: G06F18/241 , G01N27/62 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06F17/16
Abstract: 本发明提供了一种基于单颗粒气溶胶质谱的大气颗粒物来源解析方法及系统，属于颗粒物识别领域，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，对质谱数据进行解析，以确定大气颗粒物的来源；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。本发明通过深度学习模型进行端到端的颗粒物来源解析，从输入到输出达到较高程度的自动化，降低了主观因素的影响，深度学习模型有更好的特征提取与泛化能力，能够更好地捕捉颗粒物的弱线性与非线性关系，进而提高了大气颗粒物来源解析的精度。
-
-
-
Search Results
4
records
(took 0.014 seconds)
