技术领域
[0001] 本
发明属于建筑突发污染溯源技术领域，具体涉及一种耦合深度学习方法的公共建筑突发污染的溯源。
背景技术
[0002] 近年来，恐怖主义者开始使用高致命性、非常规生化武器来攻击建筑类民用设施，通过蓄意施放化学战剂或
生物战剂对人类的居住环境的健康和安全提出了挑战。
[0003] 由于多数公共建筑内的人员较为密集，导致其可能成为恐怖分子的潜在袭击目标。基于建筑环境安全与健康控制的要求，需要在空气污染事件发生时，反向探寻到建筑环境中的污染散发
位置和污染强度等源信息，以期在事件发生的第一时间即采取清除污染源，实施应急通
风等手段，实现快速、高效的污染危害控制。与已知污染源信息条件下求解污染物在建筑环境中的传播过程相比，污染溯源是一个反向的过程，不停留于当
传感器监测到污染浓度信息时发出超标或安全警报，还需要进一步按图索骥、及时准确地辨识出污染源的信息。然而，在实际污染溯源过程中，数据通常来自于预先布局的传感器的监测结果，由于传感器的数目有限，加之数据可能带有人为和仪器的误差，通过此类数据开展溯源时可能遇到解不存在、不唯一以及不连续依赖数据等问题。
[0004] 传统的污染溯源问题在求解上是以模型为
基础的，首先必须运用领域知识对建筑内部空气污染传播过程进行细致建模，进而根据确定模型下的传感器监测值发展一个精确高效的模拟方法，最后结合各种先验条件选择最优的变分形式，得到溯源问题的解。此类完全基于模型的反向题求解方法充满着困难性和不确定性。首先，建模做到精确很难实现，即使在各种各样的近似及假设条件下，近似建模成为可能但通常也有相当大的困难性；其次，发展高
精度的正演模拟(通常表现为一个偏微分方程数值解)难免引进新的近似；最后，由于观测误差存在且不确定、解的先验条件难以描述等诸多困难，导致直接基于模型的溯源方法所需时间长且很难应用于实际工程。而另一类溯源方法如遗传
算法、粒子群算法等的求解速度快且不依赖于模型(主要依赖数据
质量)，但其有效性本质上依赖于假设空间，假设空间的确定往往是随机的，容易导致溯源结果与实际污染源参数间出现较大偏差。如何同时发挥传统基于模型的溯源方法的准确性和基于数据的溯源方法的时效性，目前尚无可借鉴的公开技术。
[0005] 深度学习方法在
图像识别及
语音识别领域得以广泛应用，常见的深度学习方法例如用于
图像处理的
卷积神经网络(Convolution Neural Networks,CNN)和用于序列
数据处理的循环神经网络(Recurrent Neural Networks,RNN)。卷积神经网络将卷积层和
池化层不断堆叠形成若干层全连接层，卷积层能捕捉区域性连接特征，且应用权值共享原理使模型要训练的参数个数大大减少，池化层通过合并相邻
节点来合并相似特征，减小训练的数据量。循环神经网络在传统的前向反馈神经网络的基础上引入定向循环，
隐藏层之间的节点是有连接的，且隐藏层的输入不仅包括
输入层的输出，还包括上一时刻隐藏层的输出。相较于遗产算法等基于数据的溯源方法，深度学习方法所提供的多隐层的
人工神经网络具有更优异的特征学习能
力及更高的时效性，在构建溯源方法的过程中可以将其展开为W层
深度神经网络，并利用神经网络的特征学习与识别实现污染源信息的辨识。目前尚未有可借鉴的公开技术将深度学习方法用于建筑突发污染溯源领域。
发明内容
[0006] 本发明针对
现有技术中的不足，目的是提供一种耦合深度学习方法的公共建筑突发污染的溯源。
[0007] 为达到上述目的，本发明的解决方案是：
[0008] 一种耦合深度学习方法的公共建筑突发污染的溯源，其包括如下步骤：
[0009] (1)、构建溯源模型族并获取匹
配对集；
[0010] (2)、将溯源模型族中的溯源方法展开成深度神经网络；
[0011] (3)、训练和测试深度神经网络；
[0012] (4)、突发污染溯源求解。
[0013] 优选地，在步骤(1)中，构建溯源模型族并获取匹配对集的具体过程为：
[0014] (1.1)、根据不同的建筑类型和结构，运用
计算流体动力学(Computational Fluid Dynamics，CFD)模型的技术建立相应的物理模型并开展突发污染传播的正向模拟，得到观测算子，而监测所得的假设传感器位置的浓度值即为观测值，观测算子与观测值共同定义了一个可供选择的溯源模型族；
[0015] (1.2)、溯源模型族中的溯源方法以实际的传感器位置的浓度值(即实际观测值C)作为输入值，运用
迭代法求解的最终污染源参数S作为输出值；
[0016] (1.3)、已通过观测算子得到了一组实际公共建筑中污染源参数和观测值的匹配对集G＝(C1，S1)，(C2，S2)，…，(CN，SN)；
[0017] (1.4)、将匹配对集G随机拆分为训练集GTrain和测试集GTest两部分。
[0018] 优选地，匹配对集G中的匹配对均服从未知分布且是独立同分布。
[0019] 优选地，在步骤(2)中，将溯源方法展开成深度神经网络(Deep Neural Network，DNN)的具体过程为：
[0020] 深度神经网络(DNN)通过步骤(1)中溯源模型族决定学习过程的假设空间，通过溯源模型族中的溯源方法决定深度神经网络(DNN)的拓扑结构。
[0021] 优选地，深度神经网络(DNN)由W层操作单元
串联组成，每个操作单元包括四个网络层：溯源层、卷积层、非线性变换层和乘子更新层。
[0022] 优选地，在步骤(3)中，训练和测试深度神经网络(DNN)的具体过程为：
[0023] 基于训练集运用经验风险最小化方法训练深度神经网络后，再基于测试集进行测试。
[0024] 其中，训练集训练DNN即确定DNN各层的最优连接权值，其主要作用是学习训练其中各匹配对所蕴含的分布。
[0025] 经验风险最小化方法通过反向梯度法进行求解。
[0026] 优选地，在步骤(4)中，突发污染溯源求解的具体过程为：
[0027] 针对测试后的深度神经网络输入浓度实际观测值C，将输出的DNN(C)作为溯源问题的最终解。
[0028] 由于采用上述方案，本发明的有益效果是：
[0029] 第一、本发明提供了一种耦合基于模型求解和基于数据深度学习的污染溯源方法，该方法允许在溯源模型族中基于匹配对数据进行寻优，既能容忍建模与溯源中的不确定性，同时也能输出精确的溯源结果。
[0030] 第二、本发明的溯源方法可展开为W层深度神经网络DNN，DNN的拓扑结构由正向模拟及基于模型的溯源方法唯一确定，DNN的引入大幅度提升了溯源方法的求解效率，使针对建筑突发污染事件的快速溯源及工程
化成为可能。
[0031] 总之，本发明针对公共建筑突发污染的不确定性及溯源时效性问题，首次将深度学习方法引入公共建筑突发污染的溯源理论中，大幅提升了溯源问题的时效性，也奠定了由传感器监测网络和溯源理论方法
支撑的公共建筑突发污染应急技术体系工程的应用基础。
附图说明
[0032] 图1为本发明的耦合深度学习方法的公共建筑突发污染的溯源的流程示意图。
[0033] 图2为本发明的耦合深度学习方法的公共建筑突发污染的溯源中深度神经网络DNN的拓扑结构示意图。
[0034] 图3为本发明的
实施例中三维建筑模型的结构示意图。
[0035] 图4为本发明的实施例中关于三维建筑模型的二维平面示意图。
[0036] 附图标记：SA1‐
空调送风系统、RA1‐第一空调回风系统、RA2‐第二空调回风系统、a‐空调
通风系统至地面的标准高度和b‐目标公共建筑的标准高度。
具体实施方式
[0037] 本发明提供了一种耦合深度学习方法的公共建筑突发污染的溯源。
[0038] <耦合深度学习方法的公共建筑突发污染的溯源>
[0039] 如图1所示，本发明的耦合深度学习方法的公共建筑突发污染的溯源包括如下步骤：
[0040] (1)、构建溯源模型族并获取匹配对集阶段：
[0041] (1.1)、根据不同的建筑类型和结构，运用计算流体动力学(Computational Fluid Dynamics，CFD)模型的技术建立相应的物理模型并开展突发污染传播的正向模拟，并得到观测算子，而监测假设的传感器位置的浓度值即为观测值，观测算子与观测值共同定义了一个可供选择的溯源模型族；
[0042] (1.2)、溯源模型族中的溯源方法以实际的传感器位置的浓度值(即实际观测值C)作为输入值，运用迭代法求解的最终污染源参数S作为输出值；
[0043] (1.3)、已通过观测算子得到了一组实际公共建筑中污染源参数和观测值的匹配对集G；
[0044] (1.4)、将匹配对集G随机拆分为训练集GTrain和测试集GTest两部分。
[0045] 即匹配对集G为：
[0046] G＝GTrain UGTest
[0047] 其中，匹配对集G中的匹配对均服从未知分布且是独立同分布。
[0048] 上述匹配对集G拆分为训练集GTrain和测试集GTest后用于对深度神经网络的网络参数进行学习。
[0049] (2)、将溯源方法展开成深度神经网络阶段：
[0050] 深度神经网络(DNN)通过步骤(1)中溯源模型族决定学习过程的假设空间，通过溯源模型族中的溯源方法决定深度神经网络(DNN)的拓扑结构。
[0051] 令S∈SN是可能的污染源信息，C∈CN'(N'＜N)是传感器的非连续
采样信息，根据空气污染传播理论，空气污染溯源模型可构建为如下优化问题：
[0052]
[0053] 其中，arg min{}表示使{}中的函数取得最小值时的所有污染源信息S集合，D为观测算子，Ai为线性变换，j(·)为非凸正则化函数，λi为权系数，I为可能的变量分组参数，优化问题中的所有参数(Ai,j(·),λi,I)都是不确定和可供选择的。通过CFD技术构成的观测算子D、监测假设的传感器位置的浓度值构成的观测值C以及上述模型参数定义了一个溯源模型族。在这个溯源模型族中，I≤N时， 对应的正则化子为该正则化子描述非连续先验下的溯源过程。
[0054] 将上述优化问题映射到一个W层的深度神经网络，该深度神经网络(DNN)的拓扑结构如图2所示，它由W层操作单元串联组成，每个操作单元包括4个网络层：溯源层、卷积层、非线性变换层和乘子更新层。
[0055] 其中，溯源层S(n)实现溯源模型族的溯源运算，经过该溯源层的操作，可以通过给(n) (n)定的观测值C输入并输出污染源信息S；卷积层H 执行卷积操作；非线性变换层L 实现非线性投影函数操作；乘子更新层R(n)实现深度神经网络中的乘子更新操作。
[0056] (3)、深度神经网络的训练与测试阶段：
[0057] 首先需对深度神经网络内的各参数进行初始化，取初始线性变换Ai正弦变换，初始化正则化子为 对应的非线性投影函数为软
阈值函数，其余网络参数随机初始化。然后取定一个损失函数作为优化目标，其对应的经验风险为：
[0058]
[0059] 其中，n为训练集GTrain所含的匹配对数，θ＝(θ1,θ2,...θW)为DNN各层的权值，y为损失函数，通常取为最小二乘函数 其中，||·‖代表泛函。
[0060] 因此，训练DNN即学习求解以下优化问题：
[0061]
[0062] 上述学习问题运用反向
梯度下降法进行求解。
[0063] 实际上，反向梯度下降法的计算公式为：
[0064]
[0065]
[0066] 其中，M为待求的经验风险，θ为可能的污染源参数，f为中间变量，w为污染源参数的总个数(如位置、强度、释放初始时刻等)，j为第j个污染源参数。
[0067] 训练好后的DNN由测试集GTest测试其有效性。
[0068] (4)、突发污染溯源求解阶段：
[0069] 在突发污染的溯源阶段，针对测试好的深度神经网络输入浓度实际观测值C，将输出的DNN(C)作为溯源问题的最终解，该最终解包含污染源的所有信息(即位置、强度及释放初始时刻)。
[0070] 以下结合实施例对本发明作进一步的说明。
[0071] 实施例：
[0072] 本实施例的耦合深度学习方法的公共建筑突发污染的溯源包括如下步骤：
[0073] (1)、构建目标公共建筑的三维CFD
几何模型，如图3所示，长方体所示区域为目标公共建筑大空间，上方的管道为公共建筑配备的空调通风系统，空调通风系统是其中的常备系统，空调通风系统既有可能成为空气污染的潜在传播通道，也能在事后作为空气污染的排出通道。实际上，空调通风系统包括空调送风系统SA1、第一空调回风系统RA1和第二空调回风系统RA2，其中，空调送风系统SA1的总风量为15800m3/h，第一空调回风系统RA1和第二空调回风系统RA2的总风量均为6300m3/h，空调通风系统至地面的标准高度a为5.0m，目标公共建筑的标准高度b为4.5m。在该三维公共建筑空间设有5个空气污染监测传感器(以黑色三
角形表示)，具体位置分别为：D1(6.0,22.5,0.2)、D2(20.0,7.5,0.5)、D3(20.0,22.5,1.5)、D4(12.5,15.0,5.2)和D5(6.0,7.5,2.5)。
[0074] (2)、如图4所示，在CFD技术的正向模拟阶段中36个潜在污染源位置(以黑色实心圆表示)和实际污染源位置(以黑色空心圆表示)处，假设空气污染物为瞬态释放，CFD技术的模拟时间为300s，每个空气污染监测传感器在一个监测周期内共返回5个监测数据，则所得污染源参数与监测浓度共组成5×5×36个匹配对，该匹配对集中包含900个匹配对数据，将其中的600个匹配对数据作为
训练数据，而剩下300个匹配对数据作为测试数据。
[0075] (3)、取深度神经网络DNN的深度W＝20，每层的神经元数目为4个(即4个网络层)：溯源层、卷积层、非线性变换层和乘子更新层，每层的拓扑结构如图2所示。
[0076] (4)、将监测传感器的浓度数据作为输入值，将归一化形式的污染源参数作为输出值即为溯源问题的最终解。
[0077] 所得结果与传统的只基于模型求解的后向概率法溯源以及只基于数据的
遗传算法溯源针对同一溯源问题的结果进行了对比，以平均方误差MSE作为比较准则，比较结果如表1所示。
[0078] 表1不同溯源方法针对同一污染源的溯源结果比较
[0079]
[0080] 从表1可以看出，本发明的耦合深度学习方法溯源在溯源精度和求解速度方面均显著优于遗传算法和后向概率法，该方法融合了基于模型求解的溯源求解方法以及基于数据学习的模型选择方法，从而大幅度提高溯源求解速度的同时保证了溯源精度，对解决实际中溯源时效性的问题具有较大价值，同时也验证了耦合深度学习方法的公共建筑突发污染溯源的可行性与高效性。
[0081] 上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术人员显然可以容易的对这些实施例做出各种
修改，并把在此说明的一般原理应用到其他实施例中，而不必经过创造性的劳动。因此，本发明不限于上述实施例。本领域技术人员根据本发明的原理，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。
