1.一种气体传感器、颗粒物传感器的新校准方法，其特征在于，包括：
建立传感器校准模型；
试验舱为校准模型提供校准数据，通过试验舱提供的标准校准数据确定校准模型中的不同传感器的影响因子的线性、非线性参数具体数值大小；
校准模型针对不同参数采用通用人工智能大数据算法平台，通过建立较深层数的人工神经网络或智能基因算法模型，使传感器能够自动从试验舱交叉实验参数数据中提取并得到该传感器的温度、湿度、干扰气体或因素和时间老化的线性/非线性含有不同参数的交叉相应曲线，可映射任意复杂的非线性校准模型，具有很强的鲁棒性和适应性。
2.根据权利要求1所述的气体传感器、颗粒物传感器的新校准方法，其特征在于，所述的建立传感器校准模型具体包括：根据传感器检测原理、大气环境化学知识，初步确定影响气体传感器和颗粒物传感器的检测精度的因素，通过实时测量获得的传感器检测参数和其影响因素的时间序列，输入人工神经网络或智能基因算法，获得各个影响因素的线性或非线性因子数值，即建立了校准模型。
3.根据权利要求1所述的气体传感器、颗粒物传感器的新校准方法，其特征在于，所述的校准模型针对不同参数采用通用人工智能大数据算法平台，具体步骤包括：获取各个传感器检测参数的影响因素的实时检测序列，将检测参数和其影响因素的实时监测结果，进行数据对齐、数据误差分析、污染源事件分析，去除无效数据，然后将其输入通过人工智能大数据算法平台，即可进行校准模型中未知因素的计算。
4.根据权利要求3所述的气体传感器、颗粒物传感器的新校准方法，其特征在于，根据不同的试验舱实验数据，形成的校准模型分为标物校准、组网校准、自适应校准和传递校准；
获取传感器和传感器影响因素的实时检测序列的方式，是通过试验舱获取的，根据不同的实验舱实验数据，即实验数据的不同，选择不同的校准模型，
如果在试验舱中获取各个影响因素是单一标准气体，此时采用的算法是线性算法，校准模型中是一对一的关系，即为标物校准；
如果获取各个影响因素是交叉标准气体，即几个影响因素的随机排列组合，此时采用的算法是非线性算法，校准模型是多对多的交叉关系，即为组网校准；
如果在实验舱中引入其他未知的影响因素，此时采多对多闭环反馈式神经网络算法，通过反复迭代，自适应计算各个影响因子的大小，即为自适用校准；
如果获取的传感器和各个影响因素的实时序列是通过便携式标准仪器、移动监测车或者其他标准监测设备，自动判断此类数据，针对不同参数启动不同算法，此即为传递校准。