基于Zigbee无线传感网络与BP神经网络算法的空气质量预测研究

摘要

空气是人类赖以生存和发展的宝贵财富，是所有生命活动的基本要素之一。国务院已经在相关计划中要求全国各部门建立健全的空气质量监测预警体系，提高监测预警的准确度，及时向公众发布监测预警信息。随着空气质量监测系统的建立，空气质量数据逐渐丰富起来，使得空气质量预测成为可能。为了能够更好地反映环境污染变化趋势，预防严重污染事件发生。本文以北辰经济技术开发区的路灯系统为依托，采用Zigbee组网技术构建空气质量监测网，并用监测网采集的空气质量数据对BP神经网络模型进行训练，然后将训练好的模型移植到Jetson TX2嵌入式AI计算设备上，实现实时预测和监控。因此，开展如下研究: (1)以现有的路灯系统网为基础，通过在园区的九个路口的路灯上安装Zigbee节点和环境监测微基站，组建Zigbee无线传感网络，使路灯成为空气质量数据采集、传输的绝佳节点，实现数据实时采集。在2018年4月15日到9月30日采集了78418组数据，并将数据用于BP神经网络预测模型的训练和测试。 (2)通过数学原理推导BP神经网络的正反向传播过程，对BP神经网络存在的问题提出改进方法。根据AQI（环境空气质量指数）的评价标准和计算方法分析空气质量影响因素，确定以温度、湿度、风向和风速四种气象数据与环境监测的PM10、 PM2.5、 SO2、 NO2、 O3和CO六种污染物的浓度值作为BP神经网络的输入参数，建立AQI预测模型。然后通过个案剔除法、均值替换法、热卡填充法和K最近距离邻法对缺失数据进行预处理;最后采用经验公式和试凑法确定隐含层层数、隐含层神经元节点数和学习率，并通过分析比较，最终确定激活函数采用Tanh函数，完成BP神经网络模型设计。 (3)基于带有双路GTX1080Ti显卡的GPU塔式服务器和Jetson TX2分别构建GPU深度学习平台，作为模型训练平台和模型预测平台，并进行模型训练和模型预测。将训练好的预测模型移植到Jetson TX2的深度学习平台上进行实时预测，提高了模型训练速率和空气质量预测的实时性。 (4)将采集的数据划分为训练集和测试集，用训练集对设计好的BP神经网络模型进行训练，并用测试集验证训练好的模型性能。然后通过平均绝对误差和准确率的计算公式，计算出预测结果的平均绝对误差和准确率。最后分析预测结果发现AQI的预测准确率达到93.5％以上。由此，可证明本文提出的基于BP神经网络的空气质量预测模型是有效可行的。

目录

声明

摘要

第一章绪论

1．1课题研究背景及意义

1．1．1课题研究背景

1．1．2课题研究意义

1．2国内外研究现状

1．2．1空气质量自动监测系统国内外研究现状

1．2．2空气质量预测国内外研究现状

1．3本文研究内容与结构安排

第二章Zigbee无线传感网络的组网和环境数据采集

2．1引言

2．2 Zigbee概述

2．3 Zigbee组网设计

2．3．1 Zigbee网络初始化

2．3．2 Zigbee节点通过协调器加入网络

2．4 Zigbee软件设计

2．4．1协调器程序设计

2．4．2终端程序设计

2．5环境数据采集系统整体结构设计

2．5．1系统整体结构

2．5．2数据采集程序设计

2．6本章小结

第三章BP神经网络模型设计与数据预处理

3．1引言

3．2 BP神经网络概述

3．2．1 BP神经网络的结构

3．2．2 BP神经网络的数学原理及推导过程

3．2．3 BP神经网络存在的问题及改进方法

3．3特征选择、数据预处理

3．3．1影响空气质量的因素分析

3．3．2本文涉及的数据预处理方法

3．3．3特征提取

3．4 BP神经网络模型设计

3．4．1分析确定BP神经网络的结构

3．4．2确定学习率

3．4．3确定激活函数

3．5本章小结

第四章构建深度学习平台

4．1引言

4．2硬件平台介绍

4．2．1 NVIDIA Jetson TX2的性能介绍

4．2．2 NVIDIA Jetson TX2技术参数

4．3模型训练平台构建

4．3．1 TensorFlow、CUDA和cuDNN的安装及调试

4．3．2配置Nsight Eclipse EdRion工程交叉编译工具链

4．4模型预测平台构建

4．4．1 Host PC的配置与更新系统

4．4．2 Jetson TX2部署深度学习环境

4．5本章小结

第五章空气质量预测结果分析

5．1引言

5．2实验数据

5．3预测结果分析

5．3．1预测结果分析相关计算

5．3．2预测结果曲线图对比分析

5．3．3空气质量分指数分析

5．4本章小结

第六章总结与展望

6．1本文总结

6．2工作展望

参考文献

发表论文和参加科研情况

致谢