多样性问题

　　首先，让我们从一点背景知识开始。在测量气溶胶颗粒时，我们很快就会发现有多少物质漂浮在空气中。如图1所示，有各种灰尘、燃烧残留物、花粉、孢子、细菌等等。这种气溶胶颗粒混合物高度依赖于环境条件，并且可能取决于地区、中的时间、天气和季节等。在大多数情况下，花粉只占总混合物的很小一部分。

　　像 SwisensPoleno 这样的实时气溶胶测量系统现在有一项艰巨的任务，即有意义地处理来自多样化且非常异质的混合物的数据并识别单个粒子类别。例如用于实时自动花粉识别。正是对于这样的应用，分类算法开始发挥作用。我们将在下一节解释这种分类算法是如何工作的。

　　分类算法有什么作用？

　　现在我们已经有了前提，我们需要对分类算法有一个基本的了解。因为我们可以写满关于这个主题的整本书，所以我们只是想在这里给出一个粗略的概述。

　　SwisensPoleno 算法获取测量数据，查看它，然后解释测量的气溶胶粒子属于哪一类。一个类可以对应于某种类型的花粉（例如松属）。为了做到这一点，他收到了数千个“Pinus”类的训练数据。基本上，该算法寻找表征此类数据的特征。给定足够的训练数据，该算法识别出松花粉具有特定大小和方向的心形形状，如图 2 所示。在这个训练过程之后，我们可以给算法新的数据来独立地对其进行分类。通过将训练中发现的特征与新数据进行比较，该算法确定一个概率。这个概率告诉您新数据在多大程度上属于经过训练的示例类。

　　如果我们展示从未见过示例的气溶胶粒子的算法数据会发生什么？该算法应用与之前任何其他粒子相同的过程。它将找到的特征与新数据进行比较。也许一个类有一些相似之处，算法将它们分配给那个类。这可能导致错误的分类。他认出了一类空气中不存在的粒子。在统计学中，这被称为“误报”。

　　机器学习的优缺点

　　机器学习的一个主要优势也是一个主要弱点。这意味着从大量数据中独立识别相关特征。

　　我们有两个主要选项来解决这个问题。

1. 我们可以为空中出现的所有可能的类添加训练示例。

2. 我们确保只显示经过训练可以识别的算法数据。

　　在大多数情况下，不可能有所有粒子类型的完整训练示例集。因此，我们需要限制我们展示算法的粒子，并确保我们只展示来自经过训练识别的粒子的数据。在花粉自动识别的情况下，一方面我们必须区分花粉的总数和其他气溶胶颗粒，另一方面我们必须区分各个花粉类型。此时，预过滤器开始发挥作用，它可以帮助我们将花粉与其他气溶胶颗粒分离。

　　花粉预过滤器

　　花粉和其他气溶胶颗粒的预过滤方法相当简单。花粉通常具有紧凑的球形，与其他气溶胶颗粒形成鲜明对比。仅凭这一特性，就可以分出 98% 的其他气溶胶颗粒。但是，多年来我们遇到了一些例外情况。例如，沙漠尘埃颗粒也可以看起来非常球形。雾中的水滴也往往是**的圆形。对于这种情况，我们使用这些粒子类型创建数据集，并与花粉类一起训练算法。例如，我们目前使用的每个花粉模型都经过训练以区分水滴。

　　将粒子的表面与其凸包进行比较。**球体的值为 1。对于花粉，我们发现“solidity”通常远高于 0.9，这是当前预过滤器的默认值。另一方面，尘粒的值要低得多。

　　您可以在此处 阅读有关 SwisensPoleno 形态粒子特性的更多 信息

　　除了这个紧密度过滤器之外，我们还有其他可以分配给花粉粒的特征。我们知道花粉有一定的大小范围。这两个简单的条件（紧凑性和尺寸）非常有效且易于实施。举一个当前的例子，这些过滤器正是用于 MeteoSwiss 的自动花粉测量网络等。

　　文章来源：https://swisens.ch/pollen-und-andere-aerosol-partikel/