CN115062675A - 一种基于神经网络的全光谱污染溯源方法及云*** - Google Patents

Abstract

本发明公开了一种基于神经网络的全光谱污染溯源方法及云***，涉及水质检测技术领域，包括模型构建模块、数据溯源模块、数据核实模块以及信号监测模块；模型构建模块用于根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型；数据溯源模块用于获取数据感知模块收集的全光谱水质监测数据，并将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度；实现污染源头的快速、经济、智慧、准确溯源；数据核实模块用于对数据溯源模块输出的疑似污染源及相似度进行调查核实，判断溯源是否合格；信号监测模块用于对不合格信号进行监测，并对全光谱污染溯源模型进行修正分析，以提高对应模型的溯源精度。

Description

一种基于神经网络的全光谱污染溯源方法及云***

技术领域

本发明涉及水质检测技术领域，具体是一种基于神经网络的全光谱污染溯源方法及云***。

背景技术

流域水环境污染问题逐渐成为制约社会和经济可持续发展的突出问题，也成为公众关注的焦点。常规污染事故溯源方法主要是通过事后人工现场排查追溯，工作量大、时效性不足，往往要数日才能确定排放路径及污染源，失去污染事故初期最宝贵的污染控制时间。

在水污染溯源方面，国内外主要方法有PMF解析法、三维荧光图谱法、同位素法等。PMF解析法是基于PMF解析模型实现对污染类型的识别，无法实现污染源锁定。三维荧光溯源技术，图像直观，包含信息丰富，是溯源有效手段之一，但通常直接锁定污染源，在满足水质常规监测的条件下，需要补充水质三维荧光监测，造成溯源成本高。同位素法溯源技术通常在污染事件发生后，采用同位素进行追踪溯源，存在时效性不足问题。目前，现有技术中采用全光谱数据进行溯源分析应用的较为少见，针对突发水环境污染溯源不及时、难度大、成本高，污染路径说不清、污染源头抓不住；难以实现经济、精准、快速的污染源头的锁定；基于以上不足，本发明提出一种基于神经网络的全光谱污染溯源方法及云***。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于神经网络的全光谱污染溯源方法及云***；基于水质常规监测的全光谱数据，无需其他补充监测，通过神经网络建立溯源模型，并通过与全光谱水质特征数据比对分析，实现污染源头的快速、经济、智慧、准确溯源。

为实现上述目的，根据本发明的第一方面的实施例提出一种基于神经网络的全光谱污染溯源云***，包括模型构建模块、数据感知模块、数据核实模块以及信号监测模块；

所述模型构建模块用于根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型；并将构建成功的全光谱污染溯源模型反馈至数据溯源模块；所述数据溯源模块用于获取数据感知模块收集的全光谱水质监测数据；并将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度；

所述数据核实模块用于对数据溯源模块输出的疑似污染源及相似度进行调查核实，并将疑似污染源与真实污染源相比较，判断溯源是否合格；

所述信号监测模块与数据核实模块相连接，用于对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，计算得到对应模型的溯源偏值PL；判断对应模型是否需要修正相关参数。

进一步地，所述信号监测模块的具体分析步骤为：

在预设时间段内，统计不合格信号的出现次数为P1；截取相邻不合格信号之间的时间段为偏离缓冲时段；统计每个偏离缓冲时段内合格信号的出现次数为偏离缓冲频次Li；将Li与缓冲频次阈值相比较；

统计Li小于缓冲频次阈值次数为P2，当Li小于缓冲频次阈值时，获取Li与缓冲频次阈值的差值并求和得到差缓值CH，利用公式CS=P2×g1+CH×g2计算得到差缓系数CS，其中g1、g2为系数因子；

利用公式

计算得到对应模型的溯源偏值PL，其中g3、g4为系数因子；将溯源偏值PL与预设偏值阈值相比较；若PL≥预设偏值阈值，则判定对应模型的溯源结果误差较大，生成修正信号。

进一步地，所述信号监测模块用于将修正信号经云平台传输至模型修正模块，以提醒管理人员修正全光谱污染溯源模型的相关参数，并结合溯源误差对全光谱污染溯源模型进行迭代优化。

进一步地，所述模型构建模块的具体构建步骤为：

S1：采集不同污染源、不同行业、不同水体的水样，采用全光谱对水样进行扫描，建立全光谱水质特征数据库；

S2：将所述全光谱水质特征数据库的原始坐标数据可视化，转化为坐标轴一致、大小相同的水质全光谱图；

S3：对所述水质全光谱图进行解码，转化为用于计算机识别的特征矩阵数据；将解码后的特征矩阵数据标准化，并提取出每张图片的污染源名称或行业类别或水体类别作为识别标签，整合成包含水质全光谱特征矩阵及标签的数据集；

S4：搭建基于Tensorflow的4层神经网络模型，其中输入层1层，隐藏层2层，输出层1层；

S5：按行随机混匀数据集，按照设定比例划分为训练集和测试集；通过训练集和测试集对神经网络模型进行训练、测试，将完成测试的神经网络模型标记为全光谱污染溯源模型。

进一步地，所述数据感知模块用于收集全光谱水质监测数据，其中数据来源形式包含在线监测、远程接入以及云端用户上传。

进一步地，该***还包括数据展示模块；所述数据展示模块与数据溯源模块相连接，用于实现全光谱水质监测数据及溯源结果的可视化展示。

进一步地，该***还包括数据查询模块；所述数据查询模块用于用户通过手机终端输入关键字查询对应污染水样的溯源结果。

进一步地，一种基于神经网络的全光谱污染溯源方法，包括如下步骤：

步骤一：通过模型构建模块根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型；

步骤二：用户登录水环境溯源SaaS云***，通过数据感知模块将污染水样的全光谱水质监测数据上传至数据溯源模块；

步骤三：数据溯源模块通过将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度，并通过数据展示模块实现全光谱水质监测数据及溯源结果的可视化展示；

步骤四：通过数据核实模块对输出的疑似污染源及相似度进行调查核实，得到溯源误差；判断溯源是否合格；

步骤五：通过信号监测模块对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，判断对应模型是否需要修正以及迭代优化。

与现有技术相比，本发明的有益效果是：

1、本发明中模型构建模块用于根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型；所述数据溯源模块用于获取数据感知模块收集的全光谱水质监测数据，并将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度；本发明基于水质常规监测的全光谱数据，无需其他补充监测，通过神经网络建立溯源模型，并通过与全光谱水质特征数据比对分析，实现污染源头的快速、经济、智慧、准确溯源；

2、本发明中所述数据核实模块用于对数据溯源模块输出的疑似污染源及相似度进行调查核实，得到溯源误差；若溯源误差处于允许范围内，则生成合格信号；否则，生成不合格信号；所述信号监测模块用于对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，计算得到对应模型的溯源偏值PL；若PL≥预设偏值阈值，则判定对应模型的溯源结果误差较大，生成修正信号；以提醒管理人员修正全光谱污染溯源模型的相关参数，并结合溯源误差对全光谱污染溯源模型进行迭代优化，提高对应模型的溯源精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种基于神经网络的全光谱污染溯源云***的***框图。

图2为本发明一种基于神经网络的全光谱污染溯源方法的流程框图。

图3为本发明中全光谱污染溯源模型的构建流程图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1至图3所示，一种基于神经网络的全光谱污染溯源云***，包括模型构建模块、数据感知模块、数据溯源模块、数据展示模块、数据查询模块、云平台、数据核实模块、信号监测模块以及模型修正模块；

模型构建模块用于构建基于神经网络的全光谱污染溯源模型并将构建成功的全光谱污染溯源模型反馈至数据溯源模块；具体构建步骤为：

S1：采集不同污染源、不同行业、不同水体的水样，采用全光谱（200-850nm）对水样进行扫描，建立不同污染源、不同行业、不同水体的全光谱水质特征数据库；

S2：将全光谱水质特征数据库的原始坐标数据可视化，转化为坐标轴一致、大小相同的水质全光谱图；

S3：对水质全光谱图进行解码，转化为计算机可识别的特征矩阵数据；每家企业的水质全光谱含有100-150万特征，将解码后的特征矩阵数据标准化，并提取出每张图片的污染源名称或行业类别或水体类别作为识别的标签，整合成包含水质全光谱特征矩阵及标签的数据集；

S4：搭建基于Tensorflow的4层神经网络模型，其中输入层1层，隐藏层2层，输出层1层；

S5：按行随机混匀数据集，按照设定比例划分为训练集和测试集；通过训练集和测试集对神经网络模型进行训练、测试，将完成测试的神经网络模型标记为全光谱污染溯源模型；具体为：

用划分后的训练集数据对神经网络模型进行训练，打印训练准确度，并持续进行模型调参，优化神经网络模型的识别准确率；当训练集数据的模型识别准确率大于90%，用测试集数据对神经网络模型进行测试；

在神经网络模型测试时，进行模型参数的调整；当测试集数据的模型识别准确率大于85%，说明神经网络模型已基本测试完成；将完成测试的神经网络模型标记为全光谱污染溯源模型；

数据感知模块用于收集全光谱水质监测数据，其中数据来源形式包含在线监测、远程接入、云端用户上传等；

数据溯源模块与数据感知模块相连接，用于获取数据感知模块收集的全光谱水质监测数据；并将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度；

数据展示模块与数据溯源模块相连接，用于实现全光谱水质监测数据及溯源结果的可视化展示；数据查询模块与数据展示模块相连接，用于用户通过手机终端输入关键字查询对应污染水样的溯源结果；

本发明基于水质常规监测的全光谱数据，无需其他补充监测，通过神经网络建立溯源模型，并通过与全光谱水质特征数据比对分析，实现污染源头的快速、经济、智慧、准确溯源；

数据核实模块与数据溯源模块相连接，用于对数据溯源模块输出的疑似污染源及相似度进行调查核实，并将疑似污染源与真实污染源相比较，得到溯源误差；若溯源误差处于允许范围内，则生成合格信号；否则，生成不合格信号；

信号监测模块与数据核实模块相连接，用于对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，判断对应模型是否需要修正相关参数，以提高模型的溯源精度；具体分析步骤为：

在预设时间段内，统计不合格信号的出现次数为P1；截取相邻不合格信号之间的时间段为偏离缓冲时段；统计每个偏离缓冲时段内合格信号的出现次数为偏离缓冲频次Li；将Li与缓冲频次阈值相比较；

统计Li小于缓冲频次阈值次数为P2，当Li小于缓冲频次阈值时，获取Li与缓冲频次阈值的差值并求和得到差缓值CH，利用公式CS=P2×g1+CH×g2计算得到差缓系数CS，其中g1、g2为系数因子；

利用公式

计算得到对应模型的溯源偏值PL，其中g3、g4为系数因子；将溯源偏值PL与预设偏值阈值相比较；若PL≥预设偏值阈值，则判定对应模型的溯源结果误差较大，生成修正信号；

信号监测模块用于将修正信号经云平台传输至模型修正模块，以提醒管理人员修正全光谱污染溯源模型的相关参数，并结合溯源误差对全光谱污染溯源模型进行迭代优化，提高对应模型的溯源精度。

一种基于神经网络的全光谱污染溯源方法，应用于上述一种基于神经网络的全光谱污染溯源云***，包括如下步骤：

步骤一：通过模型构建模块根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型；

步骤二：用户登录水环境溯源SaaS云***，通过数据感知模块将污染水样的全光谱水质监测数据上传至数据溯源模块；

步骤三：数据溯源模块通过将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度，并通过数据展示模块实现全光谱水质监测数据及溯源结果的可视化展示；

步骤四：通过数据核实模块对输出的疑似污染源及相似度进行调查核实，得到溯源误差；判断溯源是否合格；

步骤五：通过信号监测模块对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，判断对应模型是否需要修正以及迭代优化。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

本发明的工作原理：

一种基于神经网络的全光谱污染溯源方法及云***，在工作时，模型构建模块用于根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型并反馈至数据溯源模块；数据溯源模块用于获取数据感知模块收集的全光谱水质监测数据；并将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度；数据展示模块用于实现全光谱水质监测数据及溯源结果的可视化展示；本发明基于水质常规监测的全光谱数据，无需其他补充监测，通过神经网络建立溯源模型，并通过与全光谱水质特征数据比对分析，实现污染源头的快速、经济、智慧、准确溯源；

数据核实模块用于对数据溯源模块输出的疑似污染源及相似度进行调查核实，并将疑似污染源与真实污染源相比较，得到溯源误差；若溯源误差处于允许范围内，则生成合格信号；否则，生成不合格信号；信号监测模块用于对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，计算得到对应模型的溯源偏值PL；若PL≥预设偏值阈值，则判定对应模型的溯源结果误差较大，生成修正信号；以提醒管理人员修正全光谱污染溯源模型的相关参数，并结合溯源误差对全光谱污染溯源模型进行迭代优化，提高对应模型的溯源精度。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于神经网络的全光谱污染溯源云***，其特征在于，包括模型构建模块、数据感知模块、数据核实模块以及信号监测模块；

所述模型构建模块用于构建基于神经网络的全光谱污染溯源模型并将构建成功的全光谱污染溯源模型反馈至数据溯源模块；具体构建步骤为：

S1：采集不同污染源、不同行业、不同水体的水样，采用全光谱对水样进行扫描，建立全光谱水质特征数据库；

S2：将全光谱水质特征数据库的原始坐标数据可视化，转化为坐标轴一致、大小相同的水质全光谱图；

S3：对水质全光谱图进行解码，转化为计算机可识别的特征矩阵数据；将解码后的特征矩阵数据标准化，并提取出每张图片的污染源名称或行业类别或水体类别作为识别的标签，整合成包含水质全光谱特征矩阵及标签的数据集；

S4：搭建基于Tensorflow的4层神经网络模型，其中输入层1层，隐藏层2层，输出层1层；

S5：按行随机混匀数据集，按照设定比例划分为训练集和测试集；通过训练集和测试集对神经网络模型进行训练、测试，将完成测试的神经网络模型标记为全光谱污染溯源模型；具体为：

用划分后的训练集数据对神经网络模型进行训练，打印训练准确度，并持续进行模型调参，优化神经网络模型的识别准确率；当训练集数据的模型识别准确率大于90%，用测试集数据对神经网络模型进行测试；

在神经网络模型测试时，进行模型参数的调整；当测试集数据的模型识别准确率大于85%，说明神经网络模型已基本测试完成；将完成测试的神经网络模型标记为全光谱污染溯源模型；

所述数据溯源模块用于获取数据感知模块收集的全光谱水质监测数据；并将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度；

所述数据核实模块用于对数据溯源模块输出的疑似污染源及相似度进行调查核实，并将疑似污染源与真实污染源相比较，判断溯源是否合格；

所述信号监测模块与数据核实模块相连接，用于对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，计算得到对应模型的溯源偏值PL；判断对应模型是否需要修正相关参数；

所述信号监测模块用于将修正信号经云平台传输至模型修正模块，以提醒管理人员修正全光谱污染溯源模型的相关参数，并结合溯源误差对全光谱污染溯源模型进行迭代优化。

2.根据权利要求1所述的一种基于神经网络的全光谱污染溯源云***，其特征在于，所述信号监测模块的具体分析步骤为：

在预设时间段内，统计不合格信号的出现次数为P1；截取相邻不合格信号之间的时间段为偏离缓冲时段；统计每个偏离缓冲时段内合格信号的出现次数为偏离缓冲频次Li；将Li与缓冲频次阈值相比较；

统计Li小于缓冲频次阈值次数为P2，当Li小于缓冲频次阈值时，获取Li与缓冲频次阈值的差值并求和得到差缓值CH，利用公式CS=P2×g1+CH×g2计算得到差缓系数CS，其中g1、g2为系数因子；

利用公式

计算得到对应模型的溯源偏值PL，其中g3、g4为系数因子；将溯源偏值PL与预设偏值阈值相比较；若PL≥预设偏值阈值，则判定对应模型的溯源结果误差较大，生成修正信号。

3.根据权利要求1所述的一种基于神经网络的全光谱污染溯源云***，其特征在于，所述数据感知模块用于收集全光谱水质监测数据，其中数据来源形式包含在线监测、远程接入以及云端用户上传。

4.根据权利要求1所述的一种基于神经网络的全光谱污染溯源云***，其特征在于，该***还包括数据展示模块；所述数据展示模块与数据溯源模块相连接，用于实现全光谱水质监测数据及溯源结果的可视化展示。

5.根据权利要求4所述的一种基于神经网络的全光谱污染溯源云***，其特征在于，该***还包括数据查询模块；所述数据查询模块用于用户通过手机终端输入关键字查询对应污染水样的溯源结果。

6.一种基于神经网络的全光谱污染溯源方法，应用于如权利要求1-5任一所述的一种基于神经网络的全光谱污染溯源云***，其特征在于，包括如下步骤：

步骤一：通过模型构建模块根据全光谱水质特征数据库构建基于神经网络的全光谱污染溯源模型；

步骤二：用户登录水环境溯源SaaS云***，通过数据感知模块将污染水样的全光谱水质监测数据上传至数据溯源模块；

步骤三：数据溯源模块通过将全光谱水质监测数据输入至全光谱污染溯源模型自动进行溯源分析，输出疑似污染源及相似度，并通过数据展示模块实现全光谱水质监测数据及溯源结果的可视化展示；

步骤四：通过数据核实模块对输出的疑似污染源及相似度进行调查核实，得到溯源误差；判断溯源是否合格；

步骤五：通过信号监测模块对不合格信号进行监测，并根据监测到的不合格信号对全光谱污染溯源模型进行修正分析，判断对应模型是否需要修正以及迭代优化。

Images