预印 文章 版本1 在Portico保存 这个版本没有经过同行评审

基于机器学习(Hybrid-LSTM神经网络)的低成本PM2.5传感器评估与校准:构建空气质量监测系统的可行性研究

版本1:收稿日期:2021 9月7日/批准:2021 /在线9月7日:2021 9月7日(14时24分56秒CEST)

一个同行评审文章这个预印也存在。

公园,d;柳、G.-W;公园,工程学系;李,黄永发。低成本PM的评估和校准2.5基于机器学习的传感器(HybridLSTM神经网络):构建空气质量监测系统的可行性研究。大气层2021,12., 1306年。公园,d;柳、G.-W;公园,工程学系;李,黄永发。利用机器学习(HybridLSTM神经网络)评估和校准低成本PM2.5传感器:建立空气质量监测系统的可行性研究。大气2021,12,1306。

期刊引用:大气2021,12,1306
DOI:10.3390 / atmos12101306

抽象的

虽然市售的低成本空气质量传感器具有低精度,传感器系统被用来收集数据所造成的工业活动或以估计PM2.5个人曝光PM2.5发射的调节。在这项工作中,解决低成本PM传感器的精度问题,我们通过结合校准问题优化了深层神经网络(DNN)和时间依赖性特性优化的LSTM开发的新PM2.5校正模型。首先,产生两个数据集来测试精度性能和PM2.5校准机器学习(ML)模型的泛化性能。由低成本的传感器和基于重力-PM2.5测量仪器的PM2.5浓度,温度和湿度取样用于足够长的时间。该模型与基准(多元线性回归模型)和低成本的传感器的结果进行比较。用于PM2.5浓度根均方误差(RMSE),所提出的模型相比,减少的低成本传感器的原始数据误差的41-60%,和相对于基准模型减少误差的30-51%。ML模型的R2,MLR和原始数据分别为93,80和59%。此外,当在不同位置的新的传感器标定开发的模型仍然表现出一贯的校准性能。低成本的传感器,ML模型相结合,不仅可以提高基准的校准性能,而且还可以应用到传感器监控系统的各种流行病学调查和监管决定。

关键字

机器学习;深度学习;校准;空气质量;低成本传感器;暴露评估

评论(0)

我们鼓励来自广大读者的评论和反馈。看到评论的标准和我们的多样性陈述。

发表公众评论
向作者发送私人评论
意见 0
下载 0
评论 0
指标 0


×
警报
通知我关于本文的更新或在发布对等审核版本时。
我们在网站上使用cookie,以确保您获得最佳体验。
阅读更多关于我们的饼干的更多信息这里