1.一種氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法，其特征在于，包括：
建立傳感器校準(zhǔn)模型；
試驗(yàn)艙為校準(zhǔn)模型提供校準(zhǔn)數(shù)據(jù)，通過試驗(yàn)艙提供的標(biāo)準(zhǔn)校準(zhǔn)數(shù)據(jù)確定校準(zhǔn)模型中的不同傳感器的影響因子的線性、非線性參數(shù)具體數(shù)值大小；
校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，通過建立較深層數(shù)的人工神經(jīng)網(wǎng)絡(luò)或智能基因算法模型，使傳感器能夠自動(dòng)從試驗(yàn)艙交叉實(shí)驗(yàn)參數(shù)數(shù)據(jù)中提取并得到該傳感器的溫度、濕度、干擾氣體或因素和時(shí)間老化的線性/非線性含有不同參數(shù)的交叉相應(yīng)曲線，可映射任意復(fù)雜的非線性校準(zhǔn)模型，具有很強(qiáng)的魯棒性和適應(yīng)性。
2.根據(jù)權(quán)利要求1所述的氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法，其特征在于，所述的建立傳感器校準(zhǔn)模型具體包括：根據(jù)傳感器檢測原理、大氣環(huán)境化學(xué)知識，初步確定影響氣體傳感器和顆粒物傳感器的檢測精度的因素，通過實(shí)時(shí)測量獲得的傳感器檢測參數(shù)和其影響因素的時(shí)間序列，輸入人工神經(jīng)網(wǎng)絡(luò)或智能基因算法，獲得各個(gè)影響因素的線性或非線性因子數(shù)值，即建立了校準(zhǔn)模型。
3.根據(jù)權(quán)利要求1所述的氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法，其特征在于，所述的校準(zhǔn)模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，具體步驟包括：獲取各個(gè)傳感器檢測參數(shù)的影響因素的實(shí)時(shí)檢測序列，將檢測參數(shù)和其影響因素的實(shí)時(shí)監(jiān)測結(jié)果，進(jìn)行數(shù)據(jù)對齊、數(shù)據(jù)誤差分析、污染源事件分析，去除無效數(shù)據(jù)，然后將其輸入通過人工智能大數(shù)據(jù)算法平臺，即可進(jìn)行校準(zhǔn)模型中未知因素的計(jì)算。
4.根據(jù)權(quán)利要求3所述的氣體傳感器、顆粒物傳感器的新校準(zhǔn)方法，其特征在于，根據(jù)不同的試驗(yàn)艙實(shí)驗(yàn)數(shù)據(jù)，形成的校準(zhǔn)模型分為標(biāo)物校準(zhǔn)、組網(wǎng)校準(zhǔn)、自適應(yīng)校準(zhǔn)和傳遞校準(zhǔn)；
獲取傳感器和傳感器影響因素的實(shí)時(shí)檢測序列的方式，是通過試驗(yàn)艙獲取的，根據(jù)不同的實(shí)驗(yàn)艙實(shí)驗(yàn)數(shù)據(jù)，即實(shí)驗(yàn)數(shù)據(jù)的不同，選擇不同的校準(zhǔn)模型，
如果在試驗(yàn)艙中獲取各個(gè)影響因素是單一標(biāo)準(zhǔn)氣體，此時(shí)采用的算法是線性算法，校準(zhǔn)模型中是一對一的關(guān)系，即為標(biāo)物校準(zhǔn)；
如果獲取各個(gè)影響因素是交叉標(biāo)準(zhǔn)氣體，即幾個(gè)影響因素的隨機(jī)排列組合，此時(shí)采用的算法是非線性算法，校準(zhǔn)模型是多對多的交叉關(guān)系，即為組網(wǎng)校準(zhǔn)；
如果在實(shí)驗(yàn)艙中引入其他未知的影響因素，此時(shí)采多對多閉環(huán)反饋式神經(jīng)網(wǎng)絡(luò)算法，通過反復(fù)迭代，自適應(yīng)計(jì)算各個(gè)影響因子的大小，即為自適用校準(zhǔn)；
如果獲取的傳感器和各個(gè)影響因素的實(shí)時(shí)序列是通過便攜式標(biāo)準(zhǔn)儀器、移動(dòng)監(jiān)測車或者其他標(biāo)準(zhǔn)監(jiān)測設(shè)備，自動(dòng)判斷此類數(shù)據(jù)，針對不同參數(shù)啟動(dòng)不同算法，此即為傳遞校準(zhǔn)。