本发明创造涉及室内空气质量监测领域，具体涉及一种有效的室内空气质量评估系统。
背景技术：
随着社会和工业的发展，我国的经济得到了快速的发展，但与此同时大量有害气体被释放到空气中，造成大气污染，在建筑物和室内等相对封闭的局部环境中，空气质量也遭受了同样的严重污染，此外，由于建筑物和室内的相对封闭性的特点，室内空气不易流通，长期处于污染了的空气中会对人体的健康造成不可估量的伤害，因此，对室内空气中的有害气体浓度进行实时监测，从而根据监测结果进行空气质量评估，对于用户实时了解室内的空气质量以及利用智能家居等及时改变空气质量情况有着重要的意义。
技术实现要素：
针对上述问题，本发明旨在提供一种有效的室内空气质量评估系统。
本发明创造的目的通过以下技术方案实现：
一种有效的室内空气质量评估系统，包括监测模块、控制器模块、数据传输模块和远程终端，所述监测模块用实时监测室内各类气体的浓度，所述控制器模块包括数据处理单元、空气质量评估单元和指令执行单元，所述数据处理单元用于对监测所得的数据进行处理，所述空气质量评估单元用于根据处理后的数据进行室内空气质量的评估，并将评估结果通过数据传输模块发送到远程终端，用户即可通过远程终端实时了解室内的空气质量并可通过远程终端向控制器模块下达指令，所述指令执行单元用于根据所述指令改变室内智能家居的工作状态。
优选地，所述远程终端为安装有相关应用的智能手机或平板电脑。
优选地，所述数据传输模块采用2G、3G、4G或WiFi中任一种无线传输方式。
优选地，所述监测模块用于实时监测室内的二氧化碳浓度、二氧化硫浓度、粉尘浓度、一氧化碳浓度、煤气浓度和甲醛浓度。
优选地，所述数据处理单元采用小波去噪算法对数据进行滤波，其采用一种改进的阈值函数，具体包括：
a.选取小波去噪算法中的阈值h，则h为：
式中，a(j,k)为原始小波系数，为第j层分解的所有小波系数p(j,k)幅值的中值，ω＝0.6745，为高斯白噪声标准差的调整系数，L为信号的长度，j为分解尺度；
b.提出一种改进的阈值函数，具体为：
式中，a(j,k)为原始的小波系数，a′(j,k)为滤波后得到的小波系数，h为阈值。
优选地，所述空气质量评估单元用于根据处理后的数据进行空气质量的评估，具体包括：
a.根据处理后的数据组建参数集合，具体为：
式中，ri代表从i时刻采集得到的数据中提取的参数集合，ri1、ri2……ri6分别代表室内的二氧化碳浓度、二氧化硫浓度、粉尘浓度、一氧化碳浓度、煤气浓度和甲醛浓度；
b.制定室内空气质量的参量值，具体为：
式中，bi1、bi2、……、bi5分别为优秀、良好、一般、存在风险和危险这5种空气质量的参量值；
c.采用RBF神经网络构建分类器，用于根据所述参数集合进行空气质量评估，其采用一种改进的遗传算法训练RBF神经网络，定义i时刻的参数集合作为RBF神经网络的输入变量，则RBF神经网络的实际输出为则其适应度函数为：
式中，θ1、θ2为固定系数，分别为θ1＝0.59、β＝0.41，H为隐藏神经元个数，K为输入样本个数,di为RBF神经网络的实际输出，bi为空气质量的参量值；
d.计算RBF神经网络实际输出和对应空气质量的参量值的最小均方根误差，具体为：
式中，din为RBF神经网络的实际输出，bin为空气质量的参量值，K为样本输入个数，n为空气质量分类；
e.最小均方根误差P′所对应的空气质量类别即为输入参数所属的类别，从而达到空气质量评估的目的。
本发明的有益效果为：本系统通过对室内空气中的各类气体浓度进行采集和处理，采用RBF神经网络构建分类器，用于通过所述气体浓度进行空气质量评估，实现了对室内空气质量的有效评估，方便用户实时了解室内的空气质量，并根据自身需要远程控制智能家居改变运行状态从而改善室内空气质量。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图；
附图标记：
监测模块1、控制器模块2、数据传输模块3、远程终端4、数据处理单元21、空气质量评估单元22、指令执行单元23。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种有效的室内空气质量评估系统，包括监测模块1、控制器模块2、数据传输模块3和远程终端4，所述监测模块1用于实时监测室内的各类气体的浓度，所述控制器模块2包括数据处理单元21、空气质量评估单元22和指令执行单元23，所述数据处理单元21用于对监测所得的数据进行处理，所述空气质量评估单元22用于根据处理后的数据进行室内空气质量的评估，并将评估结果通过数据传输模块发送到远程终端4，用户即可通过远程终端4实时了解室内的空气质量并可通过远程终端4向控制器模块2下达指令，所述指令执行单元23用于根据所述指令改变室内智能家居的工作状态。
优选地，所述远程终端4为安装有相关应用的智能手机或平板电脑。
优选地，所述数据传输模块3采用2G、3G、4G或WiFi中任一种无线传输方式。
优选地，所述监测模块1用于实时监测室内的二氧化碳浓度、二氧化硫浓度、粉尘浓度、一氧化碳浓度、煤气浓度和甲醛浓度。
本优选实施例通过对室内空气中的各类气体浓度进行采集和处理，采用RBF神经网络构建分类器，用于通过所述气体浓度进行空气质量评估，实现了对室内空气质量的有效评估，方便用户实时了解室内的空气质量，并根据自身需要远程控制智能家居改变运行状态从而改善室内空气质量。
优选地，所述数据处理单元21采用小波去噪算法对数据进行滤波，其采用一种改进的阈值函数，具体包括：
a.选取小波去噪算法中的阈值h，则h为：
式中，a(j,k)为原始小波系数，为第j层分解的所有小波系数p(j,k)幅值的中值，ω＝0.6745，为高斯白噪声标准差的调整系数，L为信号的长度，j为分解尺度；
b.提出一种改进的阈值函数，具体为：
式中，a(j,k)为原始的小波系数，a′(j,k)为滤波后得到的小波系数，h为阈值。
本优选实施例克服采用传统阈值函数造成的信号不连续性和重构信号存在固有偏差的缺陷，在滤除噪声的同时，控制了信号的衰减程度，具有更好的滤波效果。
优选地，所述空气质量评估单元22用于根据处理后的数据进行空气质量的评估，具体包括：
a.根据处理后的数据组建参数集合，具体为：
式中，ri代表从i时刻采集得到的数据中提取的参数集合，ri1、ri2……ri6分别代表室内的二氧化碳浓度、二氧化硫浓度、粉尘浓度、一氧化碳浓度、煤气浓度和甲醛浓度；
b.制定室内空气质量的参量值，具体为：
式中，bi1、bi2、……、bi5分别为优秀、良好、一般、存在风险和危险这5种空气质量的参量值；
c.采用RBF神经网络构建分类器，用于根据所述参数集合进行空气质量评估，其采用一种改进的遗传算法训练RBF神经网络，定义i时刻的参数集合作为RBF神经网络的输入变量，则RBF神经网络的实际输出为则其适应度函数为：
式中，θ1、θ2为固定系数，分别为θ1＝0.59、θ2＝0.41，H为隐藏神经元个数，K为输入样本个数,di为RBF神经网络的实际输出，bi为空气质量的参量值；
d.计算RBF神经网络实际输出和对应空气质量的参量值的最小均方根误差，具体为：
式中，din为RBF神经网络的实际输出，bin为空气质量的参量值，K为样本输入个数，m为空气质量分类；
e.最小均方根误差P′所对应的空气质量类别即为输入参数所属的类别，从而达到空气质量评估的目的。
本优选实施例提出一种改进的适应度函数训练BPF神经网络，获得的网络结构较为精简，同时具有较小的输出误差，在空气质量评估系统中，能够较为精确进行室内空气质量的评估。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。