排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
网格化空气质量监测仪(简称微型站)利用内部集成的电化学气体传感器检测NO2、SO_(2)、CO和O_(3)等空气污染物,具有成本低、体积小等优点,但电化学传感器自身存在的气体交叉干扰问题极大地影响了监测结果的准确性。通过一元、多元线性和多元非线性回归分析的方法研究了微型站内的4种传感器的交叉干扰模型。结果表明:NO_(2)、CO传感器符合一元线性模型,拟合优度(R^(2)值)分别为0.9778和0.9898;而多元线性模型更适用于O_(3)和SO_(2)传感器,R^(2)值分别为0.9773和0.8901。在此基础上,通过进一步引入气体浓度交叉项进行优化,可以使SO2传感器的R2值提升至0.9294。气体交叉干扰模型的建立和优化有助于提高微型站对空气污染物的监测能力,同时为厂家设计和改良仪器提供参考。 相似文献
4.
针对大气微站中的电化学气体传感器选择性不足,容易受到非目标气体交叉干扰的问题,提出使用遗传算法(GA)优化的反向传播(BP)神经网络模型(GA-BP模型)对微站进行数据修正的方法。GA-BP模型在善于处理非线性黑箱问题的BP神经网络模型的基础上引入具有全局寻优能力的GA,通过GA对神经网络的初始参数进行优化,弥补了BP神经网络容易陷入局部极小值的缺陷,提升了模型整体的精度和稳定性。实验结果表明,经过GA-BP模型修正后的微站可以实现对混合气体中的NO2、CO、O3和SO2的准确定量分析,4种气体浓度的计算值和实测值之间的拟合优度(R2)均超过了0.95,与一元、多元线性回归和传统的BP神经网络相比,修正效果优势明显。此外,GA-BP模型还具有良好的泛化能力,将未参与训练的微站数据带入其中,得到的4种气体浓度计算值和实测值之间的R2值也均在0.88以上,证明了本方法具有很好的适用性,可以为厂家提升设备性能以及使用者得到准确的空气污染物的浓度数据提供有益的参考。 相似文献
5.
6.
1