室内空气质量监测与评价系统的研究与设计
发布时间：2021-07-25 20:11
随着近些年生活水平的提高,室内空气质量成为了人们的关注焦点,对室内空气质量的描述,需要获取室内污染物浓度,然后进行评价。针对目前存在的室内空气质量监测与评价系统,当监测点多且分布范围广时,难以进行大规模的监测;评价时受到主观的影响较大,难以得到综合的客观评价。在此本文设计了更加智能的室内空气质量监测与评价系统,实现了大规模监测并能科学的评价,其主要内容如下:对室内常用的空气质量评价方法:空气质量指数、模糊数学、人工神经网络、模糊神经网络进行对比分析,选择模糊神经网络对室内空气质量进行评价;分析室内监测点的数量与分布范围等特点,比对几种通信技术:ZigBee、WIFI、GPRS、LoRa和NB-IoT,选择NB-IoT作为监测系统的数据交互的载体;对比本地服务器和云服务器并进行分析,选择更加合适的云服务器。最后得出了系统的总体设计方案,并对系统可行性进行了分析。为了描述多污染因子对评价等级的非线性影响,使用T-S模糊神经网络构建评价模型,并使用天牛须搜索算法优化了T-S模糊神经网络使用随机值作为初始化参数的情况,构建出了更加客观的评价模型。对于室内空气质量没有明确的等级评价方法与标准,本...
【文章来源】：成都理工大学四川省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
天牛寻找食物过程
26图 3-5 BAS 优化 TSFNN 适应度曲线从图 3-5 可以看出，BAS 优化在迭代不到二十次就基本找到最优初始参数，并在接下来的迭代无明显变化，趋于稳定。将 BAS 优化后的最优解送入到标准TSFNN 模型中作为初始化参数，在此基础上再次使用梯度下降法再次对数据进行更加精确的训练。如下图 3-6，图 3-7，图 3-8 为构建的三个评价模型的训练拟合曲线，如下所示：图 3-6 是由 BAS 优化初始化参数后的 TSFNN 模型在训练中实际输出以及期望输出与误差的曲线
示：图 3-6 是由 BAS 优化初始化参数后的 TSFNN 模型在训练中实际输出以及期望输出与误差的曲线，图 3-7 是使用随机函数作为 TSFNN 模型在训练中实际输出与期望输出以及误差的曲线，图 3-8 是人工神经网络在训练过程中实际输出与期望输出以及误差的曲线。
【参考文献】：
期刊论文
[1]基于NB-IoT和OneNet云平台的环境监测系统[J]. 蔡友宏. 电子技术与软件工程. 2018(24)
[2]基于NB-IoT/LoRa的工业环境安全监测系统设计[J]. 孙锦全,石峰. 传感器世界. 2018(11)
[3]NB-IoT在智慧城市建设中的应用[J]. 樊慧珍,王磊. 技术与市场. 2018(12)
[4]NB-IoT模组低功耗研究[J]. 何成林,王文超,丁芹,李洋,曹艳艳,刘立森. 移动通信. 2018(12)
[5]WiFi技术分析及信号调优研究[J]. 吴祈亮. 无线互联科技. 2018(23)
[6]加快完善室内空气质量安全评价体系[J]. 周泽义. 质量与认证. 2018(12)
[7]云服务器研究综述和应用探讨[J]. 倪亚路. 电子世界. 2018(21)
[8]室内空气质量监测控制系统的设计[J]. 程盼,甘霖,党小娟,李媛,方海玲. 电脑迷. 2018(12)
[9]传统服务器架构向服务器虚拟化的改造研究[J]. 刘正龙. 数字通信世界. 2018(10)
[10]基于天牛须搜索的花朵授粉算法[J]. 邵良杉,韩瑞达. 计算机工程与应用. 2018(18)
硕士论文
[1]基于ARM的室内空气质量监测系统设计[D]. 王飞.新疆大学 2017
[2]基于RT-Thread的无线室内空气品质监测评价系统的设计[D]. 张棣.西南交通大学 2017
[3]智能家居室内空气质量检测评价与监控系统设计[D]. 徐文政.北京工业大学 2017
[4]基于粗糙集和神经网络的地铁站台空气品质综合评价研究[D]. 陈安.青岛理工大学 2016
[5]室内空气质量评价的数学建模方法研究[D]. 封宁.苏州科技大学 2016
[6]低功耗室内空气质量检测系统的设计与研究[D]. 吴东东.上海师范大学 2016
[7]建筑智能气环境评价与控制方法的研究[D]. 申法帅.长安大学 2016
[8]基于uC/OS-Ⅲ的噪声主动控制系统设计[D]. 赵志洲.南京航空航天大学 2016
[9]智能家居控制系统设计与实现[D]. 邓中祚.哈尔滨工业大学 2015
[10]面向室内空气监测的无线传感器网络设计[D]. 邓拓.武汉理工大学 2015
本文编号：3302695
【文章来源】：成都理工大学四川省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
天牛寻找食物过程
26图 3-5 BAS 优化 TSFNN 适应度曲线从图 3-5 可以看出，BAS 优化在迭代不到二十次就基本找到最优初始参数，并在接下来的迭代无明显变化，趋于稳定。将 BAS 优化后的最优解送入到标准TSFNN 模型中作为初始化参数，在此基础上再次使用梯度下降法再次对数据进行更加精确的训练。如下图 3-6，图 3-7，图 3-8 为构建的三个评价模型的训练拟合曲线，如下所示：图 3-6 是由 BAS 优化初始化参数后的 TSFNN 模型在训练中实际输出以及期望输出与误差的曲线
示：图 3-6 是由 BAS 优化初始化参数后的 TSFNN 模型在训练中实际输出以及期望输出与误差的曲线，图 3-7 是使用随机函数作为 TSFNN 模型在训练中实际输出与期望输出以及误差的曲线，图 3-8 是人工神经网络在训练过程中实际输出与期望输出以及误差的曲线。
【参考文献】：
期刊论文
[1]基于NB-IoT和OneNet云平台的环境监测系统[J]. 蔡友宏. 电子技术与软件工程. 2018(24)
[2]基于NB-IoT/LoRa的工业环境安全监测系统设计[J]. 孙锦全,石峰. 传感器世界. 2018(11)
[3]NB-IoT在智慧城市建设中的应用[J]. 樊慧珍,王磊. 技术与市场. 2018(12)
[4]NB-IoT模组低功耗研究[J]. 何成林,王文超,丁芹,李洋,曹艳艳,刘立森. 移动通信. 2018(12)
[5]WiFi技术分析及信号调优研究[J]. 吴祈亮. 无线互联科技. 2018(23)
[6]加快完善室内空气质量安全评价体系[J]. 周泽义. 质量与认证. 2018(12)
[7]云服务器研究综述和应用探讨[J]. 倪亚路. 电子世界. 2018(21)
[8]室内空气质量监测控制系统的设计[J]. 程盼,甘霖,党小娟,李媛,方海玲. 电脑迷. 2018(12)
[9]传统服务器架构向服务器虚拟化的改造研究[J]. 刘正龙. 数字通信世界. 2018(10)
[10]基于天牛须搜索的花朵授粉算法[J]. 邵良杉,韩瑞达. 计算机工程与应用. 2018(18)
硕士论文
[1]基于ARM的室内空气质量监测系统设计[D]. 王飞.新疆大学 2017
[2]基于RT-Thread的无线室内空气品质监测评价系统的设计[D]. 张棣.西南交通大学 2017
[3]智能家居室内空气质量检测评价与监控系统设计[D]. 徐文政.北京工业大学 2017
[4]基于粗糙集和神经网络的地铁站台空气品质综合评价研究[D]. 陈安.青岛理工大学 2016
[5]室内空气质量评价的数学建模方法研究[D]. 封宁.苏州科技大学 2016
[6]低功耗室内空气质量检测系统的设计与研究[D]. 吴东东.上海师范大学 2016
[7]建筑智能气环境评价与控制方法的研究[D]. 申法帅.长安大学 2016
[8]基于uC/OS-Ⅲ的噪声主动控制系统设计[D]. 赵志洲.南京航空航天大学 2016
[9]智能家居控制系统设计与实现[D]. 邓中祚.哈尔滨工业大学 2015
[10]面向室内空气监测的无线传感器网络设计[D]. 邓拓.武汉理工大学 2015
本文编号：3302695
本文链接：https://www.wllwen.com/kejilunwen/huanjinggongchenglunwen/3302695.html
