1.一種氣體傳感器、顆粒物傳感器的新校準方法，其特征在于，包括：
建立傳感器校準模型；
試驗艙為校準模型提供校準數(shù)據(jù)，通過試驗艙提供的標準校準數(shù)據(jù)確定校準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??；
校準模型針對不同參數(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)的人工神經網絡或智能基因算法模型，使傳感器能夠自動從試驗艙交叉實驗參數(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間老化的線性/非線性含有不同參數(shù)的交叉相應曲線，可映射任意復雜的非線性校準模型，具有很強的魯棒性和適應性。
2.根據(jù)權利要求1所述的氣體傳感器、顆粒物傳感器的新校準方法，其特征在于，所述的建立傳感器校準模型具體包括：根據(jù)傳感器檢測原理、大氣環(huán)境化學知識，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，通過實時測量獲得的傳感器檢測參數(shù)和其影響因素的時間序列，輸入人工神經網絡或智能基因算法，獲得各個影響因素的線性或非線性因子數(shù)值，即建立了校準模型。
3.根據(jù)權利要求1所述的氣體傳感器、顆粒物傳感器的新校準方法，其特征在于，所述的校準模型針對不同參數(shù)采用通用人工智能大數(shù)據(jù)算法平臺，具體步驟包括：獲取各個傳感器檢測參數(shù)的影響因素的實時檢測序列，將檢測參數(shù)和其影響因素的實時監(jiān)測結果，進行數(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，即可進行校準模型中未知因素的計算。
4.根據(jù)權利要求3所述的氣體傳感器、顆粒物傳感器的新校準方法，其特征在于，根據(jù)不同的試驗艙實驗數(shù)據(jù)，形成的校準模型分為標物校準、組網校準、自適應校準和傳遞校準；
獲取傳感器和傳感器影響因素的實時檢測序列的方式，是通過試驗艙獲取的，根據(jù)不同的實驗艙實驗數(shù)據(jù)，即實驗數(shù)據(jù)的不同，選擇不同的校準模型，
如果在試驗艙中獲取各個影響因素是單一標準氣體，此時采用的算法是線性算法，校準模型中是一對一的關系，即為標物校準；
如果獲取各個影響因素是交叉標準氣體，即幾個影響因素的隨機排列組合，此時采用的算法是非線性算法，校準模型是多對多的交叉關系，即為組網校準；
如果在實驗艙中引入其他未知的影響因素，此時采多對多閉環(huán)反饋式神經網絡算法，通過反復迭代，自適應計算各個影響因子的大小，即為自適用校準；
如果獲取的傳感器和各個影響因素的實時序列是通過便攜式標準儀器、移動監(jiān)測車或者其他標準監(jiān)測設備，自動判斷此類數(shù)據(jù)，針對不同參數(shù)啟動不同算法，此即為傳遞校準。