物联网烟雾与环境参数大数据系统

1.本发明涉及环境参数与烟雾大数据智能检测的自动化装备技术领域，具体涉及一种物联网烟雾与环境参数大数据系统。


背景技术：

2.火灾是社会生活中最常见的灾害之一，会对人类的生命、财产、公共安全造成威胁，各级政府将消防工作作为保障民生安全的重要内容之一。目前消防子系统存在监测手段单一、数据交互封闭、应用场景局限等问题，严重制约了智慧消防的发展。为了确保人民生命财产安全，必须及时将火灾信息上传至报警中心。物联网技术的发展为智慧消防的发展带来了新的契机，物联网技术为环境参数与烟雾大数据检测提供了新的思路，通过物联网技术实现数据远程双向传输，确保无人值守火灾监测功能把火灾消灭在萌芽状态。基于lora物联网络架构结合环境大数据检测和人工智能技术，设计环境参数物联网智能检测和烟雾大数据系统在第一时间将烟雾状况向消防指控中心进行汇报，提高火灾感知的及时性和准确性，降低环境影响因素导致的误报率和消防部门的科学决策能力。


技术实现要素：

3.本发明提供物联网烟雾与环境参数大数据系统，本发明有效解决了现有环境烟雾没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对烟雾影响，没有对环境烟雾进行预测和对环境参数进行精确检测与调节，从而极大的影响环境烟雾净化和生产管理问题。
4.本发明通过以下技术方案实现：
5.环境参数物联网智能检测和烟雾大数据系统由环境参数采集与控制平台和烟雾大数据预测子系统两部分组成，环境参数采集与控制平台实现对环境参数检测、调节和监控；烟雾大数据预测子系统实现对环境烟雾检测和预测，提高环境生产管理效率和效益。
6.本发明进一步技术改进方案是：
7.环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、云平台和移动端app组成，检测节点采集环境参数经网关节点上传到云平台，并利用云平台提供的数据给移动端app，移动端app通过云平台提供的环境信息可实时监测环境参数和调节控制节点的外部设备，检测节点和控制节点负责采集环境参数信息和调节环境控制设备，通过网关节点实现检测节点、控制节点、现场监控端、云平台和移动端app之间的双向通信，实现环境参数采集和环境设备控制；环境参数采集与控制平台结构如图1所示。
8.本发明进一步技术改进方案是：
9.烟雾大数据预测子系统由烟雾检测模块、参数检测模块、vague数值融合模型和vague集的anfis模糊神经网络烟雾预测模型组成；参数检测模块包括多个参数检测模型，多个烟雾传感器作为烟雾检测模块的输入，烟雾检测模块输出作为vague集的anfis模糊神经网络烟雾预测模型的对应输入，多个温度传感器和湿度传感器的输出分别作为对应的参
数检测模块的多个参数检测模型输入，参数检测模块的多个参数检测模型输出分别作为对应的vague数值融合模型的输入，2个vague数值融合模型的输出分别作为vague集的anfis模糊神经网络烟雾预测模型的对应输入，vague集的anfis模糊神经网络烟雾预测模型输出三个参数分别为y、z和1-k，y为被检测环境烟雾大小的预测值，z为可信度，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测环境烟雾大小的vague集的预测数值为[y，(z，1-k)]。烟雾大数据预测子系统如图2所示。
[0010]
本发明进一步技术改进方案是：
[0011]
烟雾检测模块由lstm神经网络模型、gm(1，1)灰色预测模型、k-means聚类分类器、cnn卷积-narx神经网络模型和vague集的模糊小波神经网络模型组成；烟雾传感器感知被检测环境的时间序列烟雾值分别作为对应的lstm神经网络模型和gm(1，1)灰色预测模型的输入，lstm神经网络模型与gm(1，1)灰色预测模型输出的差作为被检测环境的烟雾波动值，多个时间序列烟雾波动值和多个gm(1，1)灰色预测模型输出分别作为对应的k-means聚类分类器的输入，k-means聚类分类器输出的多个类型的时间序列烟雾波动值和gm(1，1)灰色预测模型输出分别作为对应的cnn卷积-narx神经网络模型的输入，cnn卷积-narx神经网络模型输出作为vague集的模糊小波神经网络模型的对应输入，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测烟雾的实数值，t为可信度，f为不可信度，1-f-t为不确定度，x、t和1-f构成被检测烟雾的vague集数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为烟雾检测模块输出。烟雾检测模块如图3所示。
[0012]
本发明进一步技术改进方案是：
[0013]
参数检测模型由lstm神经网络模型、gm(1，1)灰色预测模型、变分模态分解模型、k-means聚类分类器、cnn卷积-narx神经网络模型和vague集的模糊小波神经网络模型组成；参数传感器感知被检测环境的时间序列参数值分别作为lstm神经网络模型和gm(1，1)灰色预测模型的输入，lstm神经网络模型与gm(1，1)灰色预测模型输出的差作为被检测环境的参数波动值，时间序列参数波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数imf分量，多个imf分量能量熵作为k-means聚类分类器的输入，k-means聚类分类器输出的多个类型的imf分量能量熵分别作为多个对应的cnn卷积-narx神经网络模型输入，gm(1，1)灰色预测模型和cnn卷积-narx神经网络模型的输出作为vague集的模糊小波神经网络模型的对应输入，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的vague集数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为参数检测模型输出。参数检测模型如图4所示。
[0014]
本发明进一步技术改进方案是：
[0015]
vague数值融合模型
[0016]
(1)、一段时间多个参数测量传感器的参数检测模型输出的vague集数构成时间序列vague集数值阵列，每个参数测量传感器的时间序列vague集数值的正理想值距离测度除以该参数测量传感器的时间序列vague集数值的负理想值距离测度与该参数测量传感器的时间序列vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列vague集数值的相对距离测度；每个参数测量传感器的时间序列vague集数值的相对距离测度除以所有参数测量传感器的时间序列vague集数值的相对距离测度的和得到的商为每
个参数测量传感器的时间序列vague集数值的距离测度融合权重；
[0017]
(2)、每个参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列vague集数值与vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列vague集数值的相似度相对测度；每个参数测量传感器的时间序列vague集数值的相似度相对测度除以所有参数测量传感器的时间序列vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列vague集数值的相似度融合权重；
[0018]
(3)每个参数测量传感器的时间序列vague集数值的距离测度融合权重和该参数测量传感器的时间序列vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列vague集数值的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列vague集数值与该参数测量传感器的时间序列vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列vague集数的融合值为时间序列的区间vague集数值；vague数值融合模型如图2所示。
[0019]
本发明与现有技术相比，具有以下明显优点：
[0020]
一、本发明针对参数测量过程中，传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性，本发明专利通过参数检测模型将传感器测量的参数值转化为检测参数vague集的数值形式表示，有效地处理了传感器测量参数的模糊性、动态性和不确定性，提高了传感器检测参数的客观性和可信度。
[0021]
二、本发明lstm神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样参数传感器输出的序列数据中提取信息，还能够保留来自于先前较远步骤的参数传感器输出的长期相关性的信息，参数传感器输出值存在长期空间和时间上的相关性，而lstm神经网络模型有足够的长期记忆来处理先前参数传感器输出值之间的时空关系，提高处理参数传感器输出值的准确性和鲁棒性。
[0022]
三、本发明变分模态分解模型能将时间序列参数波动值分解为一系列本征模态函数imf，并不断迭代更新每个分量的中心频率和频段带宽，分离原始时间序列参数波动值的自适应频率成分，提取包含时间序列参数波动值的特征频率分量，变分模态分解模型可以有效地克服模态混叠问题实现时间序列参数波动值的去噪，去噪后的被时间序列参数波动值演变曲线密集的峰刺特征消失并逐渐变得平滑，变分模态分解模型提高处理处理时间序列参数波动值的精确性和鲁棒性。
[0023]
四、本发明采用k-means对输入数据进行聚类分析，以聚类分析得到的聚类中心把输入数据进行分类分别作为对应的cnn卷积-narx神经网络模型输入，对不同类型的输入数据采用对应的cnn卷积-narx神经网络模型进行分别预测，提高检测和预测输入数据的精确度。
[0024]
五、本发明cnn卷积-narx神经网络模型中，cnn卷积神经网络是一种深度前馈神经网络，其典型结构由输入层、卷积层、池化层与全连接层构成，cnn卷积神经网络是对输入数据上进行卷积和池化等操作，通过建立多个滤波器来提取数据的局部特征，得到具有平移旋转不变性的鲁棒特征。narx神经网络模型输入包括一段时间的cnn卷积神经网络输出和narx神经网络模型输出历史反馈，这部分反馈输入可以认为包含了cnn卷积神经网络输出
一段时间的历史信息参的预测，narx神经网络模型是一种能够有效对cnn卷积神经网络输出的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对cnn卷积神经网络输出时间序列的预测精度；narx神经网络模型由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将cnn卷积神经网络输出和narx神经网络模型输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，narx神经网络模型的输入不仅包括原始cnn卷积神经网络输出数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性被检测参数的时间序列预测中较传统的静态神经网络有更高的精确度和鲁棒性。
附图说明
[0025]
图1为本发明的环境参数采集与控制平台；
[0026]
图2为本发明的烟雾大数据预测子系统；
[0027]
图3为本发明的烟雾检测模块；
[0028]
图4为本发明的参数检测模型；
[0029]
图5为本发明的检测节点；
[0030]
图6为本发明的控制节点；
[0031]
图7为本发明的网关节点；
[0032]
图8为本发明的现场监控端软件。
具体实施方式
[0033]
结合附图1-8，对本发明技术方案作进一步描述：
[0034]
一、系统总体功能设计
[0035]
本发明环境参数物联网智能检测和烟雾大数据系统实现对环境因子参数进行检测和预测烟雾浓度等级，该系统由环境参数采集与控制平台和烟雾大数据预测子系统两部分组成。环境参数采集与控制平台包括环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端app组成，检测节点和控制节点以自组织方式构建成lora监测网络来实现检测节点、控制节点和网关节点之间的lora通信；检测节点将检测的环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台实现现场监控端和移动端app之间环境参数和控制信息的双向传输。环境参数采集与控制平台结构见图1。
[0036]
二、检测节点的设计
[0037]
采用大量基于lora传感器网络的检测节点1作为环境参数感知终端，检测节点通过自组织lora网络实现网关节点之间的信息相互交互。检测节点包括采集环境湿度、温度、烟雾和光照度参数的传感器和对应的信号调理电路、stm32微处理器和lora通信模块sx1278；检测节点的软件主要实现lora通信和环境参数的采集与预处理。软件采用c语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图5。
[0038]
三、控制节点的设计
[0039]
控制节点通过自组织lora网络实现网关节点之间的信息相互交互，控制节点包括控制外部设备对应的4个数模转换电路、stm32微处理器、4个外部设备控制器和lora通信模
块sx1278；4个外部设备控制器分别为温度控制器、湿度控制器、烟雾净化器和光照控制器。控制节点结构见图6。
[0040]
四、网关节点设计
[0041]
网关节点包括sx1278模块、nb-iot模块、stm32微处理器和rs232接口，网关节点包括sx1278模块实现与检测节点和控制节点之间的通信的自组织网络，nb-iot模块实现网关与云平台之间的数据双向交互，rs232接口连接现场监控端，实现网关与现场监控端之间的信息交互。网关节点结构见图7。
[0042]
五、现场监控端软件
[0043]
现场监控端是一台工业控制计算机，现场监控端主要实现对环境参数进行采集和预测环境烟雾等级，实现与网关节点的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理、烟雾大数据预测子系统。该管理软件选择了microsoft visual 6.0作为开发工具，调用系统的mscomm通信控件来设计通讯程序，现场监控端软件功能见图8。烟雾大数据预测子系统由烟雾检测模块、参数检测模块、vague数值融合模型和vague集的anfis模糊神经网络烟雾预测模型组成；烟雾大数据预测子系统的设计过程如下：
[0044]
a、烟雾检测模块设计
[0045]
1、lstm神经网络模型设计
[0046]
烟雾传感器感知被检测环境的时间序列烟雾值分别作为对应的lstm神经网络模型和gm(1，1)灰色预测模型的输入，lstm神经网络模型与gm(1，1)灰色预测模型输出的差作为被检测环境的烟雾波动值；lstm神经网络模型引入了记忆单元(memory cell)和隐藏层状态(cell state)的机制来控制隐藏层之间的信息传递。一个lstm神经网络的记忆单元内有3个门(gates)计算结构分别是输入门(input gate)、遗忘门(forget gate)和输出门(output gate)。其中，输入门能控制烟雾新信息的加入或滤出；遗忘门能忘记需要丢掉的烟雾检测信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的烟雾检测信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(lstm)结构单元由单元(cell)，输入门(input gate)，输出门(output gate)和忘记门(forget gate)组成。lstm神经网络模型是可以持续较长时间短期记忆模型适合用预测时间序列烟雾输入量的变化，lstm神经网络网络模型有效防止了rnn训练时的梯度消失，长短期记忆(lstm)网络是一种特殊的rnn。lstm神经网络模型可以学习长期的检测烟雾依赖信息，同时避免梯度消失问题。lstm在神经元内部结构rnn的隐藏层的神经节点中增加了一种被称为记忆单元(memory cell)的结构用来记忆过去的检测烟雾的动态变化信息，并增加了三种门(input、forget、output)结构来控制检测烟雾历史信息的使用。设输入为检测烟雾输入量的时间序列值为(x1，x2，
…
，x
t
)，隐含层状态为(h1，h2，
…
，h
t
)，则t时刻有：
[0047]it
＝sigmoid(w
hiht-1
w
xi
x
t
)
ꢀꢀ
(1)
[0048]ft
＝sigmoid(w
hfht-1
w
hf
x
t
)
ꢀꢀ
(2)
[0049]ct
＝f
t
⊙ct-1
i
t
⊙
tanh(w
hcht-1
w
xc
x
t
)
ꢀꢀ
(3)
[0050]ot
＝sigmoid(w
hoht-1
w
hx
x
t
w
coct
)
ꢀꢀꢀ
(4)
[0051]ht
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀ
(5)
[0052]
其中i
t
、f
t
、o
t
代表input门、forget门和output门，c
t
代表cell单元，wh代表递归连
接的权重，w
x
代表输入层到隐含层的权重，sigrnoid与tanh为两种激活函数，lstm神经网络模型输出为被检测环境烟雾非线性值。
[0053]
2、gm(1，1)灰色预测模型设计
[0054]
烟雾传感器感知被检测环境的时间序列烟雾值分别作为对应的lstm神经网络模型和gm(1，1)灰色预测模型的输入，lstm神经网络模型与gm(1，1)灰色预测模型输出的差作为被检测环境的烟雾波动值；灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据烟雾传感器输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加烟雾传感器输出的原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立gm(1，1)灰色预测模型的实质是对烟雾传感器输出的原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对烟雾传感器输出值进行预测。
[0055]
3、k-means聚类分类器设计
[0056]
多个时间序列烟雾波动值和多个gm(1，1)灰色预测模型输出分别作为对应的k-means聚类分类器的输入，k-means聚类分类器输出的多个类型的时间序列烟雾波动值和gm(1，1)灰色预测模型输出分别作为对应的cnn卷积-narx神经网络模型的输入；k-means聚类分类器算法核心思想将n个数据对象划分为k个类，并且使每类中的所有数据对象到该类的聚类中心点的平方和最小，但其聚类时间比较长，为实现对数据的快速聚类，保留k-means聚类分类器的效率同时将k-means聚类分类器的应用范围扩大到离散数据，其k-means聚类分类器的计算过程如下：
[0057]
(1)从整个样本x中，令i＝1，在x中随机挑选k个数据对象作为初始聚类中心mj(i)，其中j＝1，2，
…
，k。
[0058]
(2)设d(i，j)代表k个聚类中心mj(i)与大数据样本x中每个对象xi之间的距离，即为：
[0059][0060]
利用公式(6)寻找d(i，j)的所有(i，j)取值对应的欧式距离中最小的欧式距离d，在聚类中心mj(i)相同的簇sj中存储对象xi。设mj(i 1)代表新聚类中心点，其计算式为：
[0061][0062]
公式(7)中nj代表数据对象在第j个类中的数目。
[0063]
(4)设置判断准则，判断是否满足准则，如果满足则进行下一步，如果不满足则转到步骤(2)中。
[0064]
(5)输出大数据的聚类结果，通常情况下利用判断准则对是否终止循环进行确定，即当第i次迭代和第i-1次迭代获得的划分结果相同时，认为划分合理，结束迭代。
[0065]
4、cnn卷积-narx神经网络模型设计
[0066]
k-means聚类分类器输出的多个类型的时间序列烟雾波动值和gm(1，1)灰色预测模型输出分别作为对应的cnn卷积-narx神经网络模型的输入，cnn卷积-narx神经网络模型
输出作为vague集的模糊小波神经网络模型的对应输入；cnn卷积-narx神经网络模型为cnn卷积神经网络的输出作为narx神经网络模型的输入，cnn卷积神经网络模型能够直接从大量的时间序列烟雾波动值和gm(1，1)灰色预测模型输出值中自动挖掘提取出表征时间序列烟雾波动值和gm(1，1)灰色预测模型输出值的敏感空间特征，cnn卷积神经网络模型结构主要包括4个部分：
①
输入层(input)。输入层即为cnn卷积神经网络模型的输入，一般将时间序列烟雾波动值和gm(1，1)灰色预测模型输出值直接输入。
②
卷积层(conv)。由于输入层数据维度较大，cnn卷积神经网络模型难以直接全面感知所有时间序列烟雾波动值和gm(1，1)灰色预测模型输出值的信息，需要将输入数据分为若干部分进行局部感知，再通过权值共享得到全局信息，同时降低cnn卷积神经网络模型结构的复杂度，这一过程即卷积层的主要功能，具体流程是利用特定尺寸的卷积核以固定步长对时间序列烟雾波动值和gm(1，1)灰色预测模型输出值信号进行遍历和卷积运算，从而实现对时间序列烟雾波动值和gm(1，1)灰色预测模型输出值信号敏感特征的挖掘与提取。
③
池化层(pool，又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大，需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合，因此，在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性，采用最大值池化法进行降采样。
④
、全连接层。经过所有的卷积运算和池化操作后，时间序列烟雾波动值和gm(1，1)灰色预测模型输出值特征提取数据进入到全连接层，该层中的每个神经层与其前一层的所有神经元进行全连接，将卷积层和池化层提取到的时间序列烟雾波动值和gm(1，1)灰色预测模型的局部特征信息进行整合。同时，为避免过拟合现象，在该层中加入丢失数据(dropout)技术，经过最后一层全连接层的输出值会传递到输出层，将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层并作为narx神经网络模型的输入，narx神经网络模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的bp神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。narx神经网络模型第i个隐层节点的输出hi为：
[0067][0068]
narx神经网络第j个输出层节点输出oj为：
[0069][0070]
5、vague集的模糊小波神经网络模型设计
[0071]
cnn卷积-narx神经网络模型输出作为vague集的模糊小波神经网络模型的对应输入，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测烟雾的实数值，t为可信度，f为不可信度，1-f-t为不确定度，x、t和1-f构成被检测烟雾的vague集数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为烟雾检测模块输出。本专利应用模糊神经网络进行模糊推理，并结合小波的多分辨分析的特点，将小波函数作为神经网络神经元的激励函数，构建vague集的模糊小波网络(fuzzy wavelet network，fwnn)。这种基于fwnn具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性，vague集的模糊小波
神经网络包含两部分：模糊神经网络(fnn)和小波神经网络(wnn)。vague集的模糊神经网络包含4个基本层：第一层是输入层，每个输入向量对应一个神经元；第二层的每个神经元代表一个语言变量值；第三层的每个神经元代表一条模糊规则；第四层是归一化层。同时，模糊神经网络的输入作为小波神经网络的输入，每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组，因此，不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征，不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点，若用小波函数作为神经网络神经元的激励函数，则由于每个神经元的伸缩和平移都可以调节，选用低尺度参数可以学习光滑函数，提高尺度能以较高精度学习局部奇异函数，比相同神经元数和参数的ann精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现，各层神经网络节点数目分别是n，n
×
m，m，m和3。一旦决定了输入n和规则m的数目，就决定了fwnn模型的结构。其中vague集的模糊小波神经网络的输入为x＝[x1，x2，
…
xn]，ti是第i个规则对应的小波数量；w
ik
是权值系数；是小波函数，是规则i对应的局部模型小波网络线性组合的输出值是：
[0072][0073]
第一层为输入层：该层的各个节点直接与输入向量的各分量xj连接，将输入值x＝[x1，x2，
…
xn]传递到下一层；第二层计算每一个输入变量对应的隶属函数值；第三层计算每条规则的适用度；第四层是小波网络层输出，主要用于输出补偿；第五层为控制信号输出层，也称反模糊化层，在这一层进行解模糊计算，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测烟雾的实数值，t为可信度，f为不可信度，1-f-t为不确定度，x、t和1-f构成被检测烟雾的vague集数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为烟雾检测模块输出。
[0074]
b、参数检测模型设计
[0075]
1、lstm神经网络模型设计
[0076]
参数传感器感知被检测环境的时间序列参数值分别作为lstm神经网络模型和gm(1，1)灰色预测模型的输入，lstm神经网络模型与gm(1，1)灰色预测模型输出的差作为被检测环境的参数波动值，lstm神经网络模型设计过程参照本专利的烟雾检测模块中的lstm神经网络模型设计过程。
[0077]
2、gm(1，1)灰色预测模型设计
[0078]
参数传感器感知被检测环境的时间序列参数值分别作为lstm神经网络模型和gm(1，1)灰色预测模型的输入，lstm神经网络模型与gm(1，1)灰色预测模型输出的差作为被检测环境的参数波动值，gm(1，1)灰色预测模型设计过程参照本专利的烟雾检测模块中的gm(1，1)灰色预测模型设计过程。
[0079]
3、变分模态分解模型设计
[0080]
时间序列参数波动值作为变分模态分解模型的输入，变分模态分解模型输出多个模态函数imf分量，多个imf分量能量熵作为k-means聚类分类器的输入；变分模态分解模型输出多个模态函数imf分量，多个imf分量能量熵作为k-means聚类分类器的输入；变分模态分解模型是一种自适应、非递归的信号时频分析方法，可将时间序列测量参数波动值信号
分解为若干个测量参数波动值的子信号，即imf分量uk，并使所有imf分量的带宽和最小，uk是调幅调频函数可表示为：
[0081]
uk(t)＝akcos[φk(t)]
ꢀꢀ
(11)
[0082]
式中φk(t)为非递减函数，ak(t)为包络线，构造约束变分问题求解uk，对该变分问题求解引入二次惩罚项和拉格朗日乘子，使其变为无约束问题。变分模态分解模型可将待分解的时间序列测量参数波动值信号分解为若干个imf分量。能量熵值可衡量时间序列测量参数波动的规律程度，表示时间序列测量参数波动信号在不同频带的能量特征，在时间序列测量参数波动值发生突变，能量也会变化，定义第m个imf分量的能量为：
[0083][0084]
式中xm(i)为时间序列测量参数波动信号样本分解后的第m个分量，n为采样点数，第m个imf分量的能量熵为：
[0085][0086]
4、k-means聚类分类器设计
[0087]
多个imf分量能量熵作为k-means聚类分类器的输入，k-means聚类分类器输出的多个类型的imf分量能量熵分别作为多个对应的cnn卷积-narx神经网络模型输入；k-means聚类分类器的设计过程参照本专利烟雾检测模块的k-means聚类分类器的设计过程。
[0088]
5、cnn卷积-narx神经网络模型设计
[0089]
k-means聚类分类器输出的多个类型的imf分量能量熵分别作为多个对应的cnn卷积-narx神经网络模型输入，cnn卷积-narx神经网络模型的设计过程参照本专利的烟雾检测模块的cnn卷积-narx神经网络模型设计过程。
[0090]
6、vague集的模糊小波神经网络模型设计
[0091]
gm(1，1)灰色预测模型和cnn卷积-narx神经网络模型的输出作为vague集的模糊小波神经网络模型的对应输入，vague集的模糊小波神经网络模型输出的三个参数分别为x、t和1-f，x为被检测参数的实数值，t为可信度，1-f-t为不确定度，f为不可信度，x、t和1-f构成被检测参数的vague集数值为[x，(t，1-f)]，vague集的模糊小波神经网络模型输出作为参数检测模型输出。vague集的模糊小波神经网络模型设计参照本专利的烟雾检测模块的vague集的模糊小波神经网络模型设计过程。
[0092]
c、vague数值融合模型设计
[0093]
①
、构建参数测量传感器的时间序列vague集数值阵列
[0094]
一段时间多个参数测量传感器的参数检测模型输出的vague集数构成时间序列vague集数值阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的vague集数值构成n行和m列的参数测量传感器的时间序列vague集数值阵列，设同一参数测量传感器的不同时刻vague集数值为a
ij
(t)，a
ij
(t 1)，
…
，a
ij
(m)，则所有参数测量传感器的时间序列vague集数值阵列为：
[0095][0096]
②
、计算参数测量传感器的时间序列vague集数值的距离融合权重
[0097]
同一时刻所有参数测量传感器的vague集数值的平均值构成vague集数值阵列的正理想值，vague集数值阵列的正理想值为：
[0098]
同一时刻所有参数测量传感器的vague集数值与vague集数值阵列的正理想值距离测度最大的vague集数值构成vague集数值阵列的负理想值，vague集数值阵列的负理想值为：
[0099][0100]
每个参数测量传感器的时间序列vague集数值的正理想值距离测度是每个参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值的距离测度为：
[0101][0102]
其中：π
ij
＝1-t
ij-f
ij
和
[0103]
每个参数测量传感器的时间序列vague集数值的负理想值距离测度是每个参数测量传感器的时间序列vague集数值与vague集数值阵列的负理想值的距离测度为：
[0104][0105]
其中：π
ij
＝1-t
ij-f
ij
和
[0106]
每个参数测量传感器的时间序列vague集数值的正理想值距离测度除以该参数测量传感器的时间序列vague集数值的负理想值距离测度与该参数测量传感器的时间序列vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列vague集数值的相对距离测度，公式为：
[0107][0108]
通过(19)公式计算可以知道，每个参数测量传感器的时间序列vague集数值的相对距离测度越大，则该参数测量传感器的时间序列vague集数值与对应的正理想值就越接近，否则该参数测量传感器的时间序列vague集数值与对应的正理想值就越远，根据这个原理确定每个参数测量传感器的时间序列vague集数值的相对距离测度除以所有参数测量传感器的时间序列vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间
序列vague集数值的距离测度融合权重为：
[0109][0110]
③
、计算参数测量传感器的时间序列vague集数值的相似度融合权重
[0111]
每个参数测量传感器的时间序列vague集数值与vague集数值阵列正理想值的相似度为：
[0112][0113]
每个参数测量传感器的时间序列vague集数值与vague集数值阵列负理想值的相似度为：
[0114][0115]
每个参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列vague集数值与vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列vague集数值的相似度相对测度为：
[0116][0117]
通过(23)公式计算可以知道，每个参数测量传感器的时间序列vague集数值的相似度相对测度越大，则该参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值的形状相似度越大，否则该参数测量传感器的时间序列vague集数值与vague集数值阵列的正理想值的形状相似度越小，根据这个原理确定每个参数测量传感器的时间序列vague集数值的相似度相对测度除以所有参数测量传感器的时间序列vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列vague集数值的相似度融合权重为：
[0118][0119]
根据公式(20)和公式(24)得到该参数测量传感器的时间序列vague集数值的区间数融合权重为wi：
[0120]
wi＝[min(αi，βi)，max(αi，βi)]
ꢀꢀ
(25)
[0121]
从公式(25)可以知每个参数测量传感器的时间序列vague集数值的距离测度融合权重和该参数测量传感器的时间序列vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列vague集数值的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列vague集数值与该参数测量传感器的时间序列vague
集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列vague集数的融合值为时间序列的区间vague集数值，该时间序列的区间vague集数值为：
[0122][0123]
d、vague集的anfis模糊神经网络烟雾预测模型设计
[0124]
烟雾检测模块输出作为vague集的anfis模糊神经网络烟雾预测模型的对应输入，2个vague数值融合模型的输出分别作为vague集的anfis模糊神经网络烟雾预测模型的对应输入，基于神经网络的自适应模糊推理系统anfis，也称为自适应神经模糊推理系统(adaptive neuro-fuzzy inference system)，将神经网络和模糊推理有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，anfis最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。vague集的anfis模糊神经网络烟雾预测模型的主要运算步骤如下：第1层：将输入的数据模糊化，n为每个输入隶属函数个数，隶属函数采用高斯隶属函数，每个节点对应输出可表示为：
[0125][0126]
第2层：实现规则运算，输出规则的适用度，vague集的anfis模糊神经网络烟雾预测模型的规则运算采用乘法。
[0127][0128]
第3层：将各条规则的适用度归一化：
[0129][0130]
第4层：每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为：
[0131][0132]
第5层：该层的单节点是一个固定节点，计算vague集的anfis模糊神经网络烟雾预测模型的补偿估计值总输出为：
[0133][0134]
vague集的anfis模糊神经网络烟雾预测模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。vague集的anfis模糊神经网络烟雾预测模型每一次迭代中首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论
参数；信号继续沿网络正向传递直到输出层。vague集的anfis模糊神经网络烟雾预测模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对vague集的anfis模糊神经网络烟雾预测模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高vague集的anfis模糊神经网络烟雾预测模型参数的收敛速度。vague集的anfis模糊神经网络烟雾预测模型输出三个参数分别为y、z和1-k，y为被检测环境烟雾大小的预测值，z为可信度，1-k-z为不确定度，k为不可信度，y、z和1-k构成被检测环境烟雾大小的vague集的预测数值为[y，(z，1-k)]。
[0135]
六、环境参数采集与控制平台的设计举例
[0136]
根据环境大数据检测系统的实际状况，系统布置了环境参数采集与控制平台的检测节点、网关节点和现场监控端的平面布置安装图，其中检测节点的传感器根据检测的需要均衡布置在环境的各个方位，通过该系统实现对环境参数进行采集与控制。
[0137]
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。