CN114565286A - 工业废水排放量的智能分析方法及装置 - Google Patents
工业废水排放量的智能分析方法及装置 Download PDFInfo
- Publication number
- CN114565286A CN114565286A CN202210198618.8A CN202210198618A CN114565286A CN 114565286 A CN114565286 A CN 114565286A CN 202210198618 A CN202210198618 A CN 202210198618A CN 114565286 A CN114565286 A CN 114565286A
- Authority
- CN
- China
- Prior art keywords
- waveform
- pollutant concentration
- original
- industrial wastewater
- training set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000010842 industrial wastewater Substances 0.000 title claims abstract description 85
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 195
- 231100000719 pollutant Toxicity 0.000 claims abstract description 195
- 238000012549 training Methods 0.000 claims abstract description 93
- 230000006870 function Effects 0.000 claims abstract description 66
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000004913 activation Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000356 contaminant Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000002351 wastewater Substances 0.000 abstract description 18
- 238000013441 quality evaluation Methods 0.000 abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000000746 purification Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及水质安全技术领域，揭露了一种工业废水排放量的智能分析方法、装置包括：从已净化工业废水中提取多种污染物，检测多种所述污染物的污染物浓度数据，对所述污染物浓度数据进行插值处理得到对应的污染物浓度波形，提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数，建立迭代公式，根据所述迭代公式优化所述原始模拟波形得到目标模拟波形，接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练得到目标神经网络，将所述目标模拟波形输入所述目标神经网络产生质量分级结果。本发明可解决废水排放的质量评估精度有待提高的问题。
Description
技术领域
本发明涉及水质安全技术领域，尤其涉及一种工业废水排放量的智能分析方法及装置。
背景技术
工业废水排放是我国水环境循环的重要组成部分，也是居民生活、生产的重要水资源，与社会发展和人居环境的改善关系密切。目前，随着经济高速发展的同时，我国工业废水排放质量事件频出，建立工业废水排放质量的评估措施迫在眉睫。
当前，工业废水排放量的智能分析主要使用单一的峰值及均值进行污染物浓度显示，这种废水排放后的质量评估方法稍显简单，质量评估精度有待提高。
发明内容
本发明提供一种工业废水排放量的智能分析方法及装置，其主要目的在于解决废水排放的质量评估精度有待提高的问题。
为实现上述目的，本发明提供的一种工业废水排放量的智能分析方法，包括：
接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
可选地，所述所述原始神经网络包括输入层、隐藏层和输出层。
可选地，所述接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络，包括：
归一化所述模拟波形训练集，得到归一波形训练集，将所述归一波形训练集输入到所述原始神经网络的输入层节点，利用所述输入层节点与所述隐藏层节点对应的原始前端权重，对所述归一波形训练集进行加权求和，得到各个隐藏层节点加权求和值，利用所述激活函数转换所述隐藏层加权求和值，得到各隐藏层节点的激活值；
利用所述隐藏层节点与所述输出层节点对应的原始后端权重，对所述激活值进行加权求和，得到各个输出层节点加权求和值，利用所述激活函数转换所述输出层节点加权求和值，得到输出值。
按照预设的误差计算公式，计算所述输出值与所述模拟波形训练集的差值是否小于预设的阈值，若小于所述阈值，则停止训练，得到目标神经网络；
若所述输出值与所述模拟波形训练集的差值大于所述阈值，则利用所述输出值与预设的正向残差公式，计算出各个输出层节点的残差；
利用所述输出层节点的残差以及所述原始后端权重，加权求和计算各隐藏层节点残差加权值；
利用所述隐藏层节点残差加权值与预构建的反向残差公式，计算出各隐藏层节点残差值；
将所述隐藏层节点残差值、随机数据和预构建的学习率相乘，得到前端权重调节因子，将所述权重调节因子与所述原始前端权重相加，得到目标前端权重，将所述激活值、残差和所述学习率相乘，得到后端权重调节因子，将所述后端权重调节因子与所述原始后端权重相加，得到目标后端权重；
返回归一化步骤，直至所述输出值与所述预警数据差值小于预设阈值，则停止训练，得到所述目标神经网络。
可选地，所述归一化所述模拟波形训练集，得到归一波形训练集，包括：
采用如下计算公式，计算得到所述归一波形训练集：
其中，p为所述归一波形训练集，e为模拟波形训练集中的最小值，z为模拟波形训练集中的最大值，i为所述模拟波形训练集。
可选地，所述从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形，包括：
设立采集所述污染物浓度数据的时间间隔标准；
启动所述污染物浓度检测设备，根据所述时间间隔标准对所述已净化工业废水执行等距采样，得到等时间间隔的污染物浓度数据；
根据所述污染物浓度数据与采样时间构建污染浓度点集，利用预构建的插值公式以及所述污染浓度点集，计算得到所述污染物浓度波形。
可选地，所述提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，包括：
划分所述污染物浓度波形，得到污染物浓度分波；
提取所述污染物浓度分波的波形峰值，波形半宽和波形中心的数值，得到所述波形参数；
利用所述初始参数建立所述污染物浓度波形的分量叠加公式，得到所述原始模拟波形。
可选地，所述划分所述污染物浓度波形，得到污染物浓度分波，包括：
根据所述污染物浓度波形的极小点划分得到所述污染物浓度分波。
可选地，所述根据所述原始模拟波形与所述污染物浓度波形的差值，建立目标函数之前，包括：
将所述原始拟合波形对应的函数在所述波形参数值处，进行泰勒展开，得到泰勒展开公式；
利用所述泰勒展开公式，提取所述原始模拟波形与所述污染物浓度波形的差值公式。
可选地，所述依据所述目标函数最小化原则，建立迭代公式，包括：
对所述目标函数求偏导，得到所述目标函数的一阶偏导与二阶偏导；
利用所述一阶偏导与二阶偏导以及所述泰勒展开公式，建立所述污染物浓度波形与所述原始拟合波形中对应参数关系，利用所述对应参数关系建立所述迭代公式。
为了解决上述问题，本发明还提供一种工业废水排放量的智能分析装置，所述装置包括：
污染物浓度波形计算模块，用于接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
目标函数构建模块，用于提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
目标模拟波形构建模块，用于依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
目标神经网络训练模块，用于接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
质量分级模块，用于将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
相比于背景技术所述：工业废水排放量的智能分析主要使用单一的峰值及均值进行污染物浓度显示，这种废水排放后的质量评估方法稍显简单，质量评估精度有待提高。本发明实施例为提高质量评估精度，先从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，由于污染物浓度检测设备所检测出的污染物浓度数据精度可进一步提高，因此根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形，同时，为了优化污染物浓度波形，提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数，依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形，其中目标模拟波形即使优化后的波形，可提高后续废水的质量评估精度。此外，接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络，由于神经网络具有高准确率的判断能力，因此进一步提高了工业废水排放量的智能分析精度，因此本发明提出的工业废水排放量的智能分析方法、装置、电子设备及计算机可读存储介质，可以解决废水排放的质量评估精度有待提高的问题。
附图说明
图1为本发明一实施例提供的工业废水排放量的智能分析方法的流程示意图；
图2为图1一实施例其中一个步骤的流程示意图；
图3为图1一实施例其中另一个步骤的流程示意图；
图4为本发明一实施例提供的工业废水排放量的智能分析装置的功能模块图；
图5为本发明一实施例提供的实现所述工业废水排放量的智能分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种工业废水排放量的智能分析方法。所述工业废水排放量的智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述工业废水排放量的智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的工业废水排放量的智能分析方法的流程示意图。在本实施例中，所述工业废水排放量的智能分析方法包括：
S1、接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形。
可理解的是，当工业废水净化公司收集工业废水后，为了让工业废水等能被企业、市民二次利用，需要对工业废水等进行去污处理，从而得到本发明实施例所述已净化工业废水。
需解释的是，即使废水净化公司已完成去污处理，但由于不同废水净化公司的净化流程、设备精度等原因，所得到的已净化工业废水不一定均符合企业、市民的二次利用，在已净化工业废水中依然可提取出多种污染物，因此需要进一步根据多种污染物的浓度实现质量评估。
本发明实施例中，所述插值处理可采用牛顿插值法，利用所述牛顿插值法可以得到每一种污染物对应的污染物浓度波形。所述污染物浓度波形指利用所述牛顿插值法采样得到的污染物浓度数据与时间的点集而拟合得到的波形。
本发明实施例中，参阅图2所示，所述从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形，包括：
S11、设立采集所述污染物浓度数据的时间间隔标准；
S12、启动所述污染物浓度检测设备，根据所述时间间隔标准对所述已净化工业废水执行等距采样，得到等时间间隔的污染物浓度数据；
S13、根据所述污染物浓度数据与采样时间构建污染浓度点集，利用预构建的插值公式以及所述污染浓度点集，计算得到所述污染物浓度波形。
本发明实施例中，所述时间间隔标准指对所述已净化工业废水采样的时间间隔，可以根据已净化工业废水的排水口的实际排放情况进行设定，当已净化工业废水的排水口的排放量变化较大时，可以将所述时间间隔适当的减小，以保证采集到的所述污染物浓度数据的准确性。所述污染浓度点集指由采样的时间点与对应的所述污染物浓度数据建立的点的集合，所述点集可以在以时间为横坐标，所述污染物浓度数据为纵坐标的二维坐标系上建立。
详细地，利用如下公式，计算所述污染物浓度波形：
其中，f(x)指时间点为x时，检测到的所述污染物浓度数据。根据实际情况设立所述时间间隔标准，由所述时间间隔标准设立采集时间点为x0,x1,…,xn，相应的所述污染物浓度数据为f(x0),f(x1),…,f(xn)。h为所述时间间隔标准，n为采样的次数。为方便计算污染物浓度波形，设立时间点为x,对应的所述污染物浓度数据为f(x)的未知参数。
其中f(x0,x1,…,xn)为f(x)的各阶差商。例如：
f(x0,x1)为一阶差商，
f(x0,x1,x2)为二阶差商，
以此类推。
S2、提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值，建立目标函数。
本发明实施例中，所述波形参数指所述污染物浓度波形的波形峰值，波形半宽和波形中心的数值，可采用二阶差分识别算法提取。所述原始模拟波形指利用所述波形参数构建的未经优化的多个分波。所述目标函数由所述污染物浓度波形与所述原始模拟波形之间的差值建立的函数，所述目标函数的数值越小，则所述原始模拟波形的模拟效果越好。
本发明实施例中，参阅图3所示，所述提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，包括：
S21、划分所述污染物浓度波形，得到污染物浓度分波；
S22、提取所述污染物浓度分波的波形峰值，波形半宽和波形中心的数值，得到所述波形参数；
S23、利用所述初始参数建立所述污染物浓度波形的分量叠加公式，得到所述原始模拟波形。
详细地，所述污染物浓度分波指根据所述污染物浓度波形的极小点划分，得到的分波。所述分量叠加公式指累加所述原始拟合波形的公式。
详细地，所述分量叠加公式为：
其中，Ak、μk、ωk分别代表第k个分波的波形峰值，波形中心和波形半宽。N指所述分量叠加波形的分波数量。x表示时间参数。
所述根据所述原始模拟波形与所述污染物浓度波形的差值，建立目标函数之前，包括：
将所述原始拟合波形对应的函数在所述波形参数值处，进行泰勒展开，得到泰勒展开公式；
利用所述泰勒展开公式，提取所述原始模拟波形与所述污染物浓度波形的差值公式。
本发明实施例中，利用泰勒展开定理，并略去二次项及更高次项，展开所述原始拟合波形，详细地包括：
其中，P指待求的所述原始拟合波形的波形峰值，波形中心和波形半宽，P可表示为P(p1,p2,p3,……pm)，m＝3*N，N指所述原始拟合波形的分波数。m指所有所述原始拟合波形分波参数个数。f(xi,P)指所述原始拟合波形。xi指第i个所述原始拟合波形的分波。p1,p2,p3分别指所述原始拟合波形第一个分波的波形峰值，波形中心和波形半宽的值，p4,p5,p6分别指所述原始拟合波形第二个分波的波形峰值，波形中心和波形半宽的值，以此类推。p0指所述波形参数。
本发明实施例中，所述目标函数为：
其中，yi指所述污染物浓度数据，λ为预设的拟合参数，使所述目标函数更具健壮性。pj指预设的所述原始拟合波形的分波数据，
指第j个分波的初始参数。
S3、依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形。
本发明实施例中，所述最小化原则指所述原始模拟波形与所述污染物浓度波形差异最小，或达到所述迭代公式的迭代次数时，停止优化所述原始模拟波形。所述迭代公式指迭代调整所述目标函数的公式。所述目标模拟波形指所述原始拟合波形经过优化后，得到的符合预设阈值的拟合波形。
本发明实施例中，所述依据所述目标函数最小化原则，建立迭代公式，包括：
对所述目标函数求偏导，得到所述目标函数的一阶偏导与二阶偏导；
利用所述一阶偏导与二阶偏导以及所述泰勒展开公式，建立所述污染物浓度波形与所述原始拟合波形中对应参数关系，利用所述对应参数关系建立所述迭代公式。
本发明实施例中，所述对应参数关系指所述污染物浓度波形与所述原始拟合波形中所述波形参数的对应关系。
详细地，所述对所述目标函数求偏导，指对所述目标函数求一阶偏导，得到雅可比矩阵。对所述目标函数求二阶偏导，得到海塞矩阵。所述迭代公式为：
P＝p0+[H(x,p0)+λE]-1JT(x,p0)[y-f(x,p0)]
其中，J是由所述f(xi,P)的一阶偏导数组成的雅可比矩阵。H原为所述f(xi,P)的二阶偏导数组成的海塞矩阵，出于实际计算量和可行性考虑，使用拟海塞矩阵来代替，即：H＝JTJ。
本发明实施例中，所述根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形，包括：
利用所述迭代公式优化所述原始模拟波形，得到优化模拟波形；
利用所述优化模拟波形与所述污染物浓度波形构建差异公式；
当所述差异公式满足所述预设阈值的条件时，停止优化，得到所述目标拟合波形。
本发明实施例中，所述差异公式为：
其中，ε为所述预设阈值，可以按照环保标准进行设置。n指所述原始拟合波形的分波数。f(xi)指所述原始模拟波形的分波。yi指所述污染物浓度分波。
S4、接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络。
本发明实施例中，所述原始神经网络包括输入层、隐藏层和输出层。所述输入层包含负责接收模拟波形训练集的多个节点，每个节点专门接收一种污染物浓度数据，例如：氨氮污染物波形峰值接收节点、悬浮固体污染物波形峰值接收节点，此时所述输入层节点为2个。又例如：氨氮污染物波形半宽接收节点、悬浮固体污染物波形半宽接收节点、含氧量波形半宽接收节点，此时所述输入层节点为3个。
所述隐藏层包含接收所述输入层输出数据的多个节点，将所述输出的数据进行加权求和并经预构建的激活函数转换后输入到所述输出层。隐藏层的节点个数过少会导致所述原始神经网络不能得到很好的训练，训练的精度也会受到影响。隐藏层节点数过多会导致训练的原始神经网络处理数据过于拟合。所述隐藏层节点述可采用如下公式：
之一，其中l为隐藏层节点数，n为输入层节点数，m为输出层节点数，a为0-10之间的常数。
所述输出层包含接收所述隐藏层节点输出数据的多个节点，输出层节点可以根据预警等级划分需要设置，本发明实施例可将质量分级结果划分为3个。分别为低废水排放质量节点、中废水排放质量节点和高废水排放质量节点。输出层节点将所述隐藏层节点的输出数据进行加权求和并经所述激活函数转换后与模拟波形训练集进行差值比较，若差值大于预设阈值，则利用所述差值反向调节所述隐藏层中的原始前端权重和原始后端权重。所述原始前端权重和原始后端权重分别指所述隐藏层与所述输入层以及所述输出层的节点间进行数据传递时，进行加权的权重。所述激活函数指对所述加权求和后的数据进行转换的函数，本发明可采用S形曲线，所述S形曲线公式为：
本发明实施例中，所述将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络，包括：
归一化所述模拟波形训练集，得到归一波形训练集，将所述归一波形训练集输入到所述原始神经网络的输入层节点，利用所述输入层节点与所述隐藏层节点对应的原始前端权重，对所述归一波形训练集进行加权求和，得到各个隐藏层节点加权求和值，利用所述激活函数转换所述隐藏层加权求和值，得到各隐藏层节点的激活值；
利用所述隐藏层节点与所述输出层节点对应的原始后端权重，对所述激活值进行加权求和，得到各个输出层节点加权求和值，利用所述激活函数转换所述输出层节点加权求和值，得到输出值。
按照预设的误差计算公式，计算所述输出值与所述模拟波形训练集的差值是否小于预设的阈值，若小于所述阈值，则停止训练，得到目标神经网络；
若所述输出值与所述模拟波形训练集的差值大于所述阈值，则利用所述输出值与预设的正向残差公式，计算出各个输出层节点的残差；
利用所述输出层节点的残差以及所述原始后端权重，加权求和计算各隐藏层节点残差加权值；
利用所述隐藏层节点残差加权值与预构建的反向残差公式，计算出各隐藏层节点残差值；
将所述隐藏层节点残差值、随机数据和预构建的学习率相乘，得到前端权重调节因子，将所述权重调节因子与所述原始前端权重相加，得到目标前端权重，将所述激活值、残差和所述学习率相乘，得到后端权重调节因子，将所述后端权重调节因子与所述原始后端权重相加，得到目标后端权重；
返回归一化步骤，直至所述输出值与所述预警数据差值小于预设阈值，则停止训练，得到所述目标神经网络。
本发明实施例中，需要对所述模拟波形训练集在输入之前进行归一化处理，避免所述模拟波形训练集过大或过小影响训练的效率。归一化公式可采用：
其中p为归一化的模拟波形训练集，e为模拟波形训练集中的最小值，z为模拟波形训练集中的最大值，i为模拟波形训练集。
本发明实施例中，所述原始前端权重指未经调节的各个输入层节点各个隐藏层节点对应的权重，所述原始后端权重指未经调节的各个隐藏层节点与各个输出层节点对应的权重。所述误差计算公式指计算所述输出值与模拟波形训练集差值的公式，本发明实施例可采用(输出值-模拟波形训练集)2的计算公式。所述正向残差公式在本案中采用激活函数为S形曲线公式的情况下，为残差＝(输出值-样本数据)×激活函数的导数。所述反向残差公式为残差＝(各隐藏层节点加权求和值)×激活函数的导数。所述学习率是控制每次调节权重幅度的参数。
本发明实施例中，可以在所述各输出层节点设置预警数值区间，并根据所述预警数值区间，建立分级预警信号器的报警装置，可以将预警等级划分为低废水排放质量、中废水排放质量和高废水排放质量3个等级。
S5、将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
根据S4步骤所训练出的目标神经网络具有工业废水排放量的智能分析能力，将利用已净化工业废水而得到的目标模拟波形输入所述目标神经网络，从而得到低废水排放质量、中废水排放质量和高废水排放质量3个等级的质量分级结果。
相比于背景技术所述：工业废水排放量的智能分析主要使用单一的峰值及均值进行污染物浓度显示，这种废水排放后的质量评估方法稍显简单，质量评估精度有待提高。本发明实施例为提高质量评估精度，先从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，由于污染物浓度检测设备所检测出的污染物浓度数据精度可进一步提高，因此根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形，同时，为了优化污染物浓度波形，提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数，依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形，其中目标模拟波形即使优化后的波形，可提高后续废水的质量评估精度。此外，接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络，由于神经网络具有高准确率的判断能力，因此进一步提高了工业废水排放量的智能分析精度，因此本发明提出的工业废水排放量的智能分析方法、装置、电子设备及计算机可读存储介质，可以解决废水排放的质量评估精度有待提高的问题。
如图4所示，是本发明一实施例提供的工业废水排放量的智能分析装置的功能模块图。
本发明所述工业废水排放量的智能分析装置100可以安装于电子设备中。根据实现的功能，所述工业废水排放量的智能分析装置100可以包括污染物浓度波形计算模块101、目标函数构建模块102、目标模拟波形构建模块103、目标神经网络训练模块104及质量分级模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述污染物浓度波形计算模块101，用于接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
所述目标函数构建模块102，用于提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
所述目标模拟波形构建模块103，用于依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
所述目标神经网络训练模块104，用于接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
所述质量分级模块105，用于将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
详细地，本发明实施例中所述工业废水排放量的智能分析装置100中的所述各模块在使用时采用与上述的图1中所述的工业废水排放量的智能分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现工业废水排放量的智能分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如工业废水排放量的智能分析方法程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如工业废水排放量的智能分析方法程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如工业废水排放量的智能分析方法程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的工业废水排放量的智能分析方法程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图6对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种工业废水排放量的智能分析方法，其特征在于，所述方法包括：
接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
2.如权利要求1所述的工业废水排放量的智能分析方法，其特征在于，所述原始神经网络包括输入层、隐藏层和输出层。
3.如权利要求2所述的工业废水排放量的智能分析方法，其特征在于，所述接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络，包括：
归一化所述模拟波形训练集，得到归一波形训练集，将所述归一波形训练集输入到所述原始神经网络的输入层节点，利用所述输入层节点与所述隐藏层节点对应的原始前端权重，对所述归一波形训练集进行加权求和，得到各个隐藏层节点加权求和值，利用所述激活函数转换所述隐藏层加权求和值，得到各隐藏层节点的激活值；
利用所述隐藏层节点与所述输出层节点对应的原始后端权重，对所述激活值进行加权求和，得到各个输出层节点加权求和值，利用所述激活函数转换所述输出层节点加权求和值，得到输出值。
按照预设的误差计算公式，计算所述输出值与所述模拟波形训练集的差值是否小于预设的阈值，若小于所述阈值，则停止训练，得到目标神经网络；
若所述输出值与所述模拟波形训练集的差值大于所述阈值，则利用所述输出值与预设的正向残差公式，计算出各个输出层节点的残差；
利用所述输出层节点的残差以及所述原始后端权重，加权求和计算各隐藏层节点残差加权值；
利用所述隐藏层节点残差加权值与预构建的反向残差公式，计算出各隐藏层节点残差值；
将所述隐藏层节点残差值、随机数据和预构建的学习率相乘，得到前端权重调节因子，将所述权重调节因子与所述原始前端权重相加，得到目标前端权重，将所述激活值、残差和所述学习率相乘，得到后端权重调节因子，将所述后端权重调节因子与所述原始后端权重相加，得到目标后端权重；
返回归一化步骤，直至所述输出值与所述预警数据差值小于预设阈值，则停止训练，得到所述目标神经网络。
4.如权利要求3所述的工业废水排放量的智能分析方法，其特征在于，所述归一化所述模拟波形训练集，得到归一波形训练集，包括：
采用如下计算公式，计算得到所述归一波形训练集：
其中，p为所述归一波形训练集，e为模拟波形训练集中的最小值，z为模拟波形训练集中的最大值，i为所述模拟波形训练集。
5.如权利要求1所述的工业废水排放量的智能分析方法，其特征在于，所述从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形，包括：
设立采集所述污染物浓度数据的时间间隔标准；
启动所述污染物浓度检测设备，根据所述时间间隔标准对所述已净化工业废水执行等距采样，得到等时间间隔的污染物浓度数据；
根据所述污染物浓度数据与采样时间构建污染浓度点集，利用预构建的插值公式以及所述污染浓度点集，计算得到所述污染物浓度波形。
6.如权利要求5所述的工业废水排放量的智能分析方法，其特征在于，所述提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，包括：
划分所述污染物浓度波形，得到污染物浓度分波；
提取所述污染物浓度分波的波形峰值，波形半宽和波形中心的数值，得到所述波形参数；
利用所述初始参数建立所述污染物浓度波形的分量叠加公式，得到所述原始模拟波形。
7.如权利要求6所述的工业废水排放量的智能分析方法，其特征在于，所述划分所述污染物浓度波形，得到污染物浓度分波，包括：
根据所述污染物浓度波形的极小点划分得到所述污染物浓度分波。
8.如权利要求7所述的工业废水排放量的智能分析方法，其特征在于，所述根据所述原始模拟波形与所述污染物浓度波形的差值，建立目标函数之前，包括：
将所述原始拟合波形对应的函数在所述波形参数值处，进行泰勒展开，得到泰勒展开公式；
利用所述泰勒展开公式，提取所述原始模拟波形与所述污染物浓度波形的差值公式。
9.如权利要求8所述的工业废水排放量的智能分析方法，其特征在于，所述依据所述目标函数最小化原则，建立迭代公式，包括：
对所述目标函数求偏导，得到所述目标函数的一阶偏导与二阶偏导；
利用所述一阶偏导与二阶偏导以及所述泰勒展开公式，建立所述污染物浓度波形与所述原始拟合波形中对应参数关系，利用所述对应参数关系建立所述迭代公式。
10.一种工业废水排放量的智能分析装置，其特征在于，所述装置包括：
污染物浓度波形计算模块，用于接收已净化工业废水，从所述已净化工业废水中提取多种污染物，根据污染物浓度检测设备检测多种所述污染物的污染物浓度数据，根据预设的时间间隔对所述污染物浓度数据进行插值处理，得到每一种污染物对应的污染物浓度波形；
目标函数构建模块，用于提取所述污染物浓度波形的波形参数，利用所述波形参数建立原始模拟波形，根据所述原始模拟波形与所述污染物浓度波形的差值建立目标函数；
目标模拟波形构建模块，用于依据所述目标函数最小化原则，建立迭代公式，根据所述迭代公式优化所述原始模拟波形，得到目标模拟波形；
目标神经网络训练模块，用于接收模拟波形训练集，将所述模拟波形训练集输入至预构建的原始神经网络执行训练，得到目标神经网络；
质量分级模块，用于将所述目标模拟波形输入所述目标神经网络，产生所述已净化工业废水的排放量质量分级结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210198618.8A CN114565286A (zh) | 2022-03-01 | 2022-03-01 | 工业废水排放量的智能分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210198618.8A CN114565286A (zh) | 2022-03-01 | 2022-03-01 | 工业废水排放量的智能分析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565286A true CN114565286A (zh) | 2022-05-31 |
Family
ID=81716357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210198618.8A Pending CN114565286A (zh) | 2022-03-01 | 2022-03-01 | 工业废水排放量的智能分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565286A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821622A (zh) * | 2023-06-29 | 2023-09-29 | 广西昌洲天然药业有限公司 | 一种基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408205A (zh) * | 2021-06-22 | 2021-09-17 | 平安国际智慧城市科技股份有限公司 | 环境污染分级方法、装置、设备及存储介质 |
-
2022
- 2022-03-01 CN CN202210198618.8A patent/CN114565286A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408205A (zh) * | 2021-06-22 | 2021-09-17 | 平安国际智慧城市科技股份有限公司 | 环境污染分级方法、装置、设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821622A (zh) * | 2023-06-29 | 2023-09-29 | 广西昌洲天然药业有限公司 | 一种基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
| CN116821622B (zh) * | 2023-06-29 | 2024-02-13 | 广西昌洲天然药业有限公司 | 基于神经网络实现积雪草总苷的提取效果分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paatero et al. | Methods for estimating uncertainty in factor analytic solutions | |
| Liu et al. | Optimal harvesting of a stochastic mutualism model with Lévy jumps | |
| Liao et al. | A novel serial crime prediction model based on Bayesian learning theory | |
| CN106803799B (zh) | 一种性能测试方法和装置 | |
| CN112308124B (zh) | 一种面向用电信息采集***的智能防窃电方法 | |
| CN110231447A (zh) | 水质异常检测的方法、装置及终端设备 | |
| CN101409634A (zh) | 基于信息检索的互联网新闻影响力定量分析工具及方法 | |
| CN115423373A (zh) | 一种园区的碳排放评价方法、***、电子设备及存储介质 | |
| CN112000055B (zh) | 挥发性有机污染物总量控制***及方法 | |
| CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
| CN114565286A (zh) | 工业废水排放量的智能分析方法及装置 | |
| CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
| CN110543996A (zh) | 一种职位薪资评估方法、装置、服务器和存储介质 | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN113408205B (zh) | 环境污染分级方法、装置、设备及存储介质 | |
| CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
| CN116559396A (zh) | 一种河流中硝酸盐检测方法、装置、电子设备及存储介质 | |
| CN115093032B (zh) | 一种适用于黑臭小微水体的生态氧化塘修复方法及装置 | |
| CN115034812B (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
| CN111738604A (zh) | 空间环境风险指标的构建方法、装置及存储介质 | |
| CN115792158B (zh) | 基于物联网实现水质动态监测方法及装置 | |
| CN117706045B (zh) | 基于物联网实现大气臭氧监测设备的联合控制方法及*** | |
| CN113011707B (zh) | 一种面向流程阶段的指标异常的根因定位方法及*** | |
| CN112527853B (zh) | 基于大数据的水生态承载力分析方法 | |
| CN117422484B (zh) | 一种数字化营销协同数据处理***、方法、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |