基于STM32的小范围空气质量的监测与预报
| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1. 绪论 | 第9-12页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.1.1 雾霾天气的叙述 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 2. 系统整体设计 | 第12-15页 |
| 2.1 监测参数的和模块的选取 | 第12页 |
| 2.2 AQI多元回归模型 | 第12-13页 |
| 2.3 监测系统的总体介绍 | 第13-14页 |
| 2.4 AQI预测模型的总体介绍 | 第14-15页 |
| 3. 小范围空气质量监测系统硬件设计 | 第15-23页 |
| 3.1 基于STM32F103VET6的总体设计 | 第15-17页 |
| 3.2 数据采集 | 第17-21页 |
| 3.2.1 温湿度采集模块 | 第17-18页 |
| 3.2.2 紫外线采集模块 | 第18页 |
| 3.2.3 PM2.5 采集模块 | 第18-20页 |
| 3.2.4 PM10采集模块和SO2采集模块 | 第20-21页 |
| 3.3 数据传送 | 第21-22页 |
| 3.4 数据显示 | 第22-23页 |
| 4. 小范围空气质量监测系统软件设计 | 第23-38页 |
| 4.1 开发环境及程序设计流程 | 第23-25页 |
| 4.1.1 软件开发环境 | 第23-24页 |
| 4.1.2 仿真调试工具介绍 | 第24-25页 |
| 4.2 各个模块驱动程序设计 | 第25-32页 |
| 4.2.1 温湿度程序设计 | 第25-27页 |
| 4.2.2 紫外线模块程序设计 | 第27-29页 |
| 4.2.3 PM2.5 和SO2模块程序设计 | 第29-30页 |
| 4.2.4 蓝牙模块和PM10模块程序设计 | 第30-32页 |
| 4.3 AQI回归模型的建立 | 第32-38页 |
| 4.3.1 多元回归模型最小二乘法求解 | 第32-33页 |
| 4.3.2 AQI与各个因素之间的相关性分 | 第33-35页 |
| 4.3.3 模型的建立与分析 | 第35-38页 |
| 5. 基于神经网络的AQI预测 | 第38-52页 |
| 5.1 RBF神经网络模型的建立 | 第38-43页 |
| 5.1.1 RBF神经网络结构 | 第39页 |
| 5.1.2 样本量的选取和归一化处理 | 第39-40页 |
| 5.1.3 RBF神经网络预测模型的创建 | 第40-43页 |
| 5.2 BP神经网络模型的建立 | 第43-50页 |
| 5.2.1 BP神经网络算法基本流程 | 第43-44页 |
| 5.2.2 模型参数的选取 | 第44-45页 |
| 5.2.3 训练算法的选择 | 第45-49页 |
| 5.2.4 建立模型与仿真分析 | 第49-50页 |
| 5.3 RBF模型和BP模型的对比 | 第50-52页 |
| 6. 系统测试 | 第52-56页 |
| 6.1 各个模块测试 | 第52-54页 |
| 6.1.1 温湿度模块测试 | 第52页 |
| 6.1.2 紫外线模块测试 | 第52-53页 |
| 6.1.3 PM2.5 模块测试 | 第53页 |
| 6.1.4 PM10与SO2模块测试 | 第53-54页 |
| 6.2 整体测试 | 第54-56页 |
| 7. 总结与展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60-61页 |
