CN117520933A - 基于机器学习的环境监测方法及*** - Google Patents
基于机器学习的环境监测方法及*** Download PDFInfo
- Publication number
- CN117520933A CN117520933A CN202311842106.1A CN202311842106A CN117520933A CN 117520933 A CN117520933 A CN 117520933A CN 202311842106 A CN202311842106 A CN 202311842106A CN 117520933 A CN117520933 A CN 117520933A
- Authority
- CN
- China
- Prior art keywords
- function
- data
- model
- representing
- environment
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 106
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 18
- 239000003795 chemical substances by application Substances 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 12
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于机器学习的环境监测方法及***,方法包括数据采集、数据预处理、建立环境监测模型、模型最优参数搜索和实时运行。本发明属于环境监测技术领域,具体是指基于机器学习的环境监测方法及***,本方案通过自适应滤波、局部二值处理、小波变换实现数据的优化处理;通过设计基于惯性权重值优化的自适应搜索位置函数来搜索模型最优参数,设计边界回溯函数对搜索方向进行回溯调整。
Description
技术领域
本发明涉及环境监测技术领域,具体是指基于机器学习的环境监测方法及***。
背景技术
基于机器学习的环境监测方法及***是利用机器学习和数据处理技术,对环境监测数据进行处理和分析,提供准确、实时的环境监测结果的方法及***。但是传统环境监测模型存在分类准确率低,模型学习能力弱及模型复杂度高的问题;传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于机器学习的环境监测方法及***,针对传统环境监测模型存在分类准确率低,模型学习能力弱及模型复杂度高的问题,本方案基于优化数据处理算法,通过自适应滤波、局部二值处理、小波的部分变换实现数据的优化处理,增强模型准确性、稳定性和可靠性,降低模型复杂度;针对传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题,本方案通过设计基于惯性权重值优化的自适应搜索位置函数来搜索模型参数,设计边界回溯函数对搜索方向进行回溯调整,提高了搜索适应性、搜索速度、后期搜索能力,进而提高搜索效率。
本发明采取的技术方案如下:本发明提供的基于机器学习的环境监测方法及***,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:建立环境监测模型;
步骤S4:搜索模型最优参数;
步骤S5:实时运行。
进一步地,在步骤S1中,所述数据采集是采集生态完整的森林图像数据,并对图像进行标注,标注类型包括正常生态环境和异常生态环境。
进一步地,在步骤S2中,所述数据预处理,采用DLBP模型和小波变换从环境信息图像中提取出特征信息再结合相关系数选择出对模型预测有用的特征数据,具体包括以下步骤:
步骤S21:设计自适应滤波去噪函数,所用公式如下:
;
其中,表示经过自适应中值滤波处理后得到的新值,N表示表示中值滤波
器,用于计算滤波后的像素值;n进行平滑处理的迭代次数,j表示子窗口中中心像素的索
引;表示子窗口中像素j在第n-1次迭代的像素值;p表示子窗口中像素集合;
步骤S22:设计迭代判别函数,所用公式如下:
;
;
其中,第n次迭代中像素点j的滤波结果,表示第n-1次迭代中像素点j的中
值滤波结果;表示第n-1次迭代中像素点j的滤波结果;表示第n次迭代中像素点j的
激活状态,它的值为1或0,当第n次迭代的滤波结果与上一次迭代相同,即时保持
为上一次的激活状态,不再进行下一次迭代;否则,设为1,表示需要进行下一次迭代;表示第n-1次迭代中像素点j的激活状态;
步骤S23:设计局部二值模式估计函数,所用公式如下:
;
其中,表示局部二值模式函数,D为中心像素周围像素的集合,d是集合
D中的一个像素值;q(·)为量化函数,通过量化后的差异值累加,得到最终的局部二值模式
码,局部二值模式码能够描述图像的局部纹理特征;ic和id分别为中心像素及其第d个相邻
像素的灰度值;
步骤S24:设计灰度级平均值函数,所用公式如下:
;
;
其中,μ0表示它表示灰度级小于等于阈值的像素的平均值;μ1表示灰度级大于阈值
的像素的平均值,表示第e个像素的灰度值;t表示阈值;
步骤S25:设计局部二值的最小剩余误差函数,所用公式如下:
;
其中,表示最小剩余误差,通过计算最小剩余误差来找到最优阈值;N表示像素
总数;
步骤S26:设计小波变换的基本函数,所用公式如下:
;
;
其中,和分别表示平移和二元扩张过程中的基本函数;y表示在空
间上的变量;fm和hm分别表示高通和低通滤波系数;l表示平移和扩张参数;m表示小波的尺
度参数;
步骤S27:设计小波变换函数,所用公式如下:
;
其中,表示小波变换函数;Cm和bm0分别表示原始信号的近似展开系数和小波
系数;t1表示求和迭代次数;
步骤S28:利用相关系数法进行特征选择,若相关系数接近于1或-1,则特征向量间存在较强的线性关系;若相关系数接近于0,则变量间不存在线性关系;通过相关系数来选择相关的特征向量,获取原始数据中对模型预测有用的信息,所用公式如下:
;
其中,R是相关系数,V为待选择的特征向量集合,x和y分别代表待选择的特征向量
集合中的两个特征向量;是x与y的协方差,σx和σy分别是x和y的标准差。
进一步地,在步骤S3中,所述建立环境监测模型,创建非线性模型,通过设计决策函数、核函数,进行特征映射,找到超平面并进行分类预测,具体包括以下步骤:
步骤S31:设计非线性模型,通过将二值分类器问题建模为优化问题;
步骤S32:特征映射,使用核函数将数据映射到高维空间中;
步骤S33:计算超平面,所用公式如下:
;
其中,f(·)是分类函数,sign(·)是一个符号判别函数,ai是支持向量对应的拉格朗日乘子,yi是训练样本的标签,K(x,y)表示为特征空间内的核函数,b为偏差;即在高维空间中寻找一个超平面,使得各类数据点到该超平面的距离最大,将其作为最大化分类边界;
步骤S34:分类任务的预测:使用模型对样本数据进行分类预测。
进一步地,在步骤S4中,所述通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数,具体包括以下步骤:
步骤S41:设定搜索空间,参数空间包括C参数空间和γ参数空间;C参数控制着错误分类的惩罚项;γ参数控制着单个训练样本的影响范围;
步骤S42:初始化搜索集群,通过多位置并发搜索,提高搜索质量;
步骤S43:设计适应度函数,所用公式如下:
;
其中,表示适应度函数;y为分类结果正确率;ξ表示分类中呈现的误差值;k为
参数的维度;Me表示从特征提取阶段提取的数据总量,Md表示给定数据集中的数据总量;
步骤S44:设计参数搜索方向的归一化随机向量,所用公式如下:
;
其中,表示归一化随机向量,rand(·)为随机函数;
步骤S45:设计候补搜索空间,如下式:
;
其中,为第i次迭代时向量右侧的候补位置坐标,为第i次迭代时向量左侧的
候补位置坐标,yi为第i次迭代时两向量之间的候补质心坐标,b为两向量之间的距离,表
示归一化随机向量;
步骤S46:设计惯性权重值的搜索位置函数,所用公式如下:
;
;
其中,w表示设计的优化权重,wmax和wmin分别表示惯性权值的最大值和最小值;i表
示迭代次数;imax为最大迭代次数;是第i次迭代时的阶跃因子;sign(·)是一个符号判别
函数;表示归一化随机向量;
步骤S47:设计自适应优化的搜索代理位置,所用公式如下:
;
其中,为自适应优化的搜索代理位置,i为迭代次数,为从当前总体搜
索点中任意选择的搜索代理点,为第i次搜索代理的位置,k1、k2、k3、k4和r为(0,1)内独立
的随机数;为进行到第i次迭代时的当前最优位置,Hv为上边界,Dv为下边界;
步骤S48:设计边界回溯函数,所用公式如下:
;
其中,为回溯位置,即当搜索代理超出允许的边界之后,取消移动操作,返回
上一次搜索位置,ymax是搜索上限,ymin是搜索下限;
步骤S49:搜索模型最优参数,进行位置更新并迭代,全局搜索参数位置并计算适应度值,与预先设定的适应度阈值进行比较,若搜索到的位置的适应度值大于适应度阈值,则停止迭代,选取该位置参数为最优模型参数;若达到最大迭代次数仍未找到大于阈值的适应度值,则重新进行位置初始化,再次迭代;若未到达最大迭代次数且未找到大于阈值的适应度值则继续进行迭代。
进一步地,在步骤S5中,所述实时运行是采集环境信息数据,基于步骤S4搜索的最优参数建立环境监测模型实现对环境质量状态的监测,即通过实时采集环境的图像数据,将其输入建立好的环境监测模型,对环境状态进行分类,若为正常生态环境则***保持正常状态,若为异常生态环境则***进入告警状态,发出告警信息,实时对环境进行监测。
本发明提供的一种基于机器学习的环境监测***,包括数据采集模块、数据预处理模块、环境监测模型建立模块、模型最优参数搜索模块和实时运行模块;
所述数据采集模块进行数据采集,并将数据发送至数据预处理模块;
所述数据预处理模块对采集的数据进行预处理,采用DLBP模型和小波变换从环境信息图像中提取出特征信息,再结合相关系数选择出对模型预测有用的特征数据,并将数据发送至环境监测模型建立模块;
所述境监测模型建立模块创建非线性模型,通过设计决策函数、核函数,进行特征映射,找到超平面并进行分类预测,并将数据发送至模型最优参数搜索模块;
所述模型最优参数搜索模块通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数,并将数据发送至实时运行模块;
所述实时运行模块实时采集环境信息图像数据,基于最优参数搜索模块搜索的最优参数建立环境监测模型实现对环境质量状态的监测,即通过实时采集环境的图像数据,将其输入建立好的环境监测模型,对环境状态进行分类,若为正常生态环境则***保持正常状态,若为异常生态环境则***进入告警状态,发出告警信息,实时对环境进行监测。
采用上述方案本发明取得的有益效果如下:
(1)针对传统环境监测模型存在分类准确率低,模型学习能力弱及模型复杂度高的问题,本方案基于优化数据处理算法,通过自适应滤波、局部二值处理、小波的部分变换实现数据的优化处理,增强模型准确性、稳定性和可靠性,降低模型复杂度。
(2)针对传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题,本方案通过设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,提高了搜索适应性、搜索速度、后期搜索能力,进而提高搜索效率。
附图说明
图1为本发明提供的基于机器学习的环境监测方法的流程示意图;
图2为本发明提供的基于机器学习的环境监测***的示意图;
图3为步骤S2的流程示意图;
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于机器学习的环境监测方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理,采用DLBP模型和小波变换从环境信息图像中提取出特征信息再结合相关系数选择出对模型预测有用的特征数据;
步骤S3:建立环境监测模型,创建非线性模型,通过设计决策函数、核函数,进行特征映射,找到超平面并进行分类预测;
步骤S4:搜索模型最优参数,通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数;
步骤S5:实时运行。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,所述数据采集是采集生态完整的森林图像数据,并对图像进行标注,标注类型包括正常生态环境和异常生态环境。
实施例三,参阅图1和图3,该实施例基于上述实施例,在步骤S2中,所述数据预处理,采用DLBP模型和小波变换从环境信息图像中提取出特征信息再结合相关系数选择出对模型预测有用的特征数据,具体包括以下步骤:
步骤S21:设计自适应滤波去噪函数,所用公式如下:
;
其中,表示经过自适应中值滤波处理后得到的新值,N表示表示中值滤波
器,用于计算滤波后的像素值;n进行平滑处理的迭代次数,j表示子窗口中中心像素的索
引;表示子窗口中像素j在第n-1次迭代的像素值;p表示子窗口中像素集合;
步骤S22:设计迭代判别函数,所用公式如下:
;
;
其中,第n次迭代中像素点j的滤波结果,表示第n-1次迭代中像素点j的中
值滤波结果;表示第n-1次迭代中像素点j的滤波结果;表示第n次迭代中像素点j的
激活状态,它的值为1或0,当第n次迭代的滤波结果与上一次迭代相同,即时保持
为上一次的激活状态,不再进行下一次迭代;否则,设为1,表示需要进行下一次迭代;表示第n-1次迭代中像素点j的激活状态;
步骤S23:设计局部二值模式估计函数,所用公式如下:
;
其中,表示局部二值模式函数,D为中心像素周围像素的集合,d是集合
D中的一个像素值;q(·)为量化函数,通过量化后的差异值累加,得到最终的局部二值模式
码,局部二值模式码能够描述图像的局部纹理特征;ic和id分别为中心像素及其第d个相邻
像素的灰度值;
步骤S24:设计灰度级平均值函数,所用公式如下:
;
;
其中,μ0表示它表示灰度级小于等于阈值的像素的平均值;μ1表示灰度级大于阈值
的像素的平均值,表示第e个像素的灰度值;t表示阈值;
步骤S25:设计局部二值的最小剩余误差函数,所用公式如下:
;
其中,表示最小剩余误差,通过计算最小剩余误差来找到最优阈值;N表示像素
总数;
步骤S26:设计小波变换的基本函数,所用公式如下:
;
;
其中,和分别表示平移和二元扩张过程中的基本函数;y表示在空
间上的变量;fm和hm分别表示高通和低通滤波系数;l表示平移和扩张参数;m表示小波的尺
度参数;
步骤S27:设计小波变换函数,所用公式如下:
;
其中,表示小波变换函数;Cm和bm0分别表示原始信号的近似展开系数和小波
系数;t1表示求和迭代次数;
步骤S28:利用相关系数法进行特征选择,若相关系数接近于1或-1,则特征向量间存在较强的线性关系;若相关系数接近于0,则变量间不存在线性关系;通过相关系数来选择相关的特征向量,获取原始数据中对模型预测有用的信息,所用公式如下:
;
其中,R是相关系数,V为待选择的特征向量集合,x和y分别代表待选择的特征向量
集合中的两个特征向量;是x与y的协方差,σx和σy分别是x和y的标准差。
通过执行上述操作,针对传统环境监测模型存在分类准确率低,模型学习能力弱及模型复杂度高的问题,本方案基于优化数据处理算法,通过自适应滤波、局部二值处理、小波的部分变换实现数据的优化处理,增强模型准确性、稳定性和可靠性,降低模型复杂度。
实施例四,参阅图1,该实施例基于上述实施例,在步骤S3中,所述建立环境监测模型,创建非线性模型,通过设计决策函数、核函数,进行特征映射,找到超平面并进行分类预测,具体包括以下步骤:
步骤S31:设计非线性模型,通过将二值分类器问题建模为优化问题;
步骤S32:特征映射,使用核函数将数据映射到高维空间中;
步骤S33:计算超平面,所用公式如下:
;
其中,f(·)是分类函数,sign(·)是一个符号判别函数,ai是支持向量对应的拉格朗日乘子,yi是训练样本的标签,K(x,y)表示为特征空间内的核函数,b为偏差;即在高维空间中寻找一个超平面,使得各类数据点到该超平面的距离最大,将其作为最大化分类边界;
步骤S34:分类任务的预测:使用模型对样本数据进行分类预测。
实施例五,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,所述通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数,具体包括以下步骤:
步骤S41:设定搜索空间,参数空间包括C参数空间和γ参数空间;C参数控制着错误分类的惩罚项;γ参数控制着单个训练样本的影响范围;
步骤S42:初始化搜索集群,通过多位置并发搜索,提高搜索质量;
步骤S43:设计适应度函数,所用公式如下:
;
其中,表示适应度函数;y为分类结果正确率;ξ表示分类中呈现的误差值;k为
参数的维度;Me表示从特征提取阶段提取的数据总量,Md表示给定数据集中的数据总量;
步骤S44:设计参数搜索方向的归一化随机向量,所用公式如下:
;
其中,表示归一化随机向量,rand(·)为随机函数;
步骤S45:设计候补搜索空间,如下式:
;
其中,为第i次迭代时向量右侧的候补位置坐标,为第i次迭代时向量左侧的
候补位置坐标,yi为第i次迭代时两向量之间的候补质心坐标,b为两向量之间的距离,表
示归一化随机向量;
步骤S46:设计惯性权重值的搜索位置函数,所用公式如下:
;
;
其中,w表示设计的优化权重,wmax和wmin分别表示惯性权值的最大值和最小值;i表
示迭代次数;imax为最大迭代次数;是第i次迭代时的阶跃因子;sign(·)是一个符号判别
函数;表示归一化随机向量;
步骤S47:设计自适应优化的搜索代理位置,所用公式如下:
;
其中,为自适应优化的搜索代理位置,i为迭代次数,为从当前总体搜
索点中任意选择的搜索代理点,为第i次搜索代理的位置,k1、k2、k3、k4和r为(0,1)内独立
的随机数;为进行到第i次迭代时的当前最优位置,Hv为上边界,Dv为下边界;
步骤S48:设计边界回溯函数,所用公式如下:
;
其中,为回溯位置,即当搜索代理超出允许的边界之后,取消移动操作,返回
上一次搜索位置,ymax是搜索上限,ymin是搜索下限;
步骤S49:搜索模型最优参数,进行位置更新并迭代,全局搜索参数位置并计算适应度值,与预先设定的适应度阈值进行比较,若搜索到的位置的适应度值大于适应度阈值,则停止迭代,选取该位置参数为最优模型参数;若达到最大迭代次数仍未找到大于阈值的适应度值,则重新进行位置初始化,再次迭代;若未到达最大迭代次数且未找到大于阈值的适应度值则继续进行迭代。
通过执行上述操作,针对传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题,本方案通过设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,提高搜索适应性,使得搜索更加精确和全面,进而提高搜索效率。
实施例六,参阅图1,该实施例基于上述实施例,所述实时运行是采集环境信息数据,基于步骤S4搜索的最优参数建立环境监测模型实现对环境质量状态的监测,即通过实时采集环境的图像数据,将其输入建立好的环境监测模型,对环境状态进行分类,若为正常生态环境则***保持正常状态,若为异常生态环境则***进入告警状态,发出告警信息,实时对环境进行监测。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的一种基于机器学习的环境监测***,包括数据采集模块、数据预处理模块、环境监测模型建立模块、模型最优参数搜索模块和实时运行模块;
所述数据采集模块进行数据采集,并将数据发送至数据预处理模块;
所述数据预处理模块对采集的数据进行预处理,采用DLBP模型和小波变换从环境信息图像中提取出特征信息,再结合相关系数选择出对模型预测有用的特征数据,并将数据发送至环境监测模型建立模块;
所述境监测模型建立模块创建非线性模型,通过设计决策函数、核函数,进行特征映射,找到超平面并进行分类预测,并将数据发送至模型最优参数搜索模块;
所述模型最优参数搜索模块通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数,并将数据发送至实时运行模块;
所述实时运行模块实时采集环境信息图像数据,基于最优参数搜索模块搜索的最优参数建立环境监测模型实现对环境质量状态的监测,即通过实时采集环境的图像数据,将其输入建立好的环境监测模型,对环境状态进行分类,若为正常生态环境则***保持正常状态,若为异常生态环境则***进入告警状态,发出告警信息,实时对环境进行监测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (6)
1.基于机器学习的环境监测方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理;
步骤S3:建立环境监测模型;
步骤S4:搜索模型最优参数;
步骤S5:实时运行;
在步骤S4中,所述搜索模型最优参数是通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数,具体包括以下步骤:
步骤S41:设定搜索空间,参数空间包括C参数空间和γ参数空间;C参数控制着错误分类的惩罚项;γ参数控制着单个训练样本的影响范围;
步骤S42:初始化搜索集群,通过多位置并发搜索,提高搜索质量;
步骤S43:设计适应度函数,所用公式如下:
;
其中,表示适应度函数;y为分类结果正确率;ξ表示分类中呈现的误差值;k为参数的维度;Me表示从特征提取阶段提取的数据总量,Md表示给定数据集中的数据总量;
步骤S44:设计参数搜索方向的归一化随机向量,所用公式如下:
;
其中,表示归一化随机向量,rand(·)为随机函数;
步骤S45:设计候补搜索空间,如下式:
;
其中,为第i次迭代时向量右侧的候补位置坐标,/>为第i次迭代时向量左侧的候补位置坐标,yi为第i次迭代时两向量之间的候补质心坐标,b为两向量之间的距离,/>表示归一化随机向量;
步骤S46:设计惯性权重值的搜索位置函数,所用公式如下:
;
;
其中,w表示设计的优化权重,wmax和wmin分别表示惯性权值的最大值和最小值;i表示迭代次数;imax为最大迭代次数;是第i次迭代时的阶跃因子;sign(·)是一个符号判别函数;/>表示归一化随机向量;
步骤S47:设计自适应优化的搜索代理位置,所用公式如下:
;
其中,为自适应优化的搜索代理位置,i为迭代次数,/>为从当前总体搜索点中任意选择的搜索代理点,/>为第i次搜索代理的位置,k1、k2、k3、k4和r为(0,1)内独立的随机数;/>为进行到第i次迭代时的当前最优位置,Hv为上边界,Dv为下边界;
步骤S48:设计边界回溯函数,所用公式如下:
;
其中,为回溯位置,即当搜索代理超出允许的边界之后,取消移动操作,返回上一次搜索位置,ymax是搜索上限,ymin是搜索下限;
步骤S49:搜索模型最优参数,进行位置更新并迭代,全局搜索参数位置并计算适应度值,与预先设定的适应度阈值进行比较,若搜索到的位置的适应度值大于适应度阈值,则停止迭代,选取该位置参数为最优模型参数;若达到最大迭代次数仍未找到大于阈值的适应度值,则重新进行位置初始化,再次迭代;若未到达最大迭代次数且未找到大于阈值的适应度值则继续进行迭代。
2.根据权利要求1所述的基于机器学习的环境监测方法,其特征在于:在步骤S2中,所述数据预处理,特征提取,特征选择,采用DLBP模型和小波变换从环境信息图像中提取出特征信息再结合相关系数选择出对模型预测有用的特征数据,具体包括以下步骤:
步骤S21:设计自适应滤波去噪函数,所用公式如下:
;
其中,表示经过自适应中值滤波处理后得到的新值,N表示表示中值滤波器,用于计算滤波后的像素值;n进行平滑处理的迭代次数,j表示子窗口中中心像素的索引;/>表示子窗口中像素j在第n-1次迭代的像素值;p表示子窗口中像素集合;
步骤S22:设计迭代判别函数,所用公式如下:
;
;
其中,第n次迭代中像素点j的滤波结果,/>表示第n-1次迭代中像素点j的中值滤波结果;/>表示第n-1次迭代中像素点j的滤波结果;/>表示第n次迭代中像素点j的激活状态,它的值为1或0,当第n次迭代的滤波结果与上一次迭代相同,即/>时保持为上一次的激活状态,不再进行下一次迭代;否则,/>设为1,表示需要进行下一次迭代;/>表示第n-1次迭代中像素点j的激活状态;
步骤S23:设计局部二值模式估计函数,所用公式如下:
;
其中,表示局部二值模式函数,D为中心像素周围像素的集合,d是集合D中的一个像素值;q(·)为量化函数,通过量化后的差异值累加,得到最终的局部二值模式码,局部二值模式码能够描述图像的局部纹理特征;ic和id分别为中心像素及其第d个相邻像素的灰度值;
步骤S24:设计灰度级平均值函数,所用公式如下:
;
;
其中,μ0表示它表示灰度级小于等于阈值的像素的平均值;μ1表示灰度级大于阈值的像素的平均值,表示第e个像素的灰度值;t表示阈值;
步骤S25:设计局部二值的最小剩余误差函数,所用公式如下:
;
其中,表示最小剩余误差,通过计算最小剩余误差来找到最优阈值;N表示像素总数;
步骤S26:设计小波变换的基本函数,所用公式如下:
;
;
其中,和/>分别表示平移和二元扩张过程中的基本函数;y表示在空间上的变量;fm和hm分别表示高通和低通滤波系数;l表示平移和扩张参数;m表示小波的尺度参数;
步骤S27:设计小波变换函数,所用公式如下:
;
其中,表示小波变换函数;Cm和bm0分别表示原始信号的近似展开系数和小波系数;t1表示求和迭代次数;
步骤S28:利用相关系数法进行特征选择,若相关系数接近于1或-1,则特征向量间存在较强的线性关系;若相关系数接近于0,则变量间不存在线性关系;通过相关系数来选择相关的特征向量,获取原始数据中对模型预测有用的信息,所用公式如下:
;
其中,R是相关系数,V为待选择的特征向量集合,x和y分别代表待选择的特征向量集合中的两个特征向量;是x与y的协方差,σx和σy分别是x和y的标准差。
3.根据权利要求1所述的基于机器学***面并进行分类预测,具体包括以下步骤:
步骤S31:设计非线性模型,通过将二值分类器问题建模为优化问题;
步骤S32:特征映射,使用核函数将数据映射到高维空间中;
步骤S33:计算超平面,所用公式如下:
;
其中,f(·)是分类函数,sign(·)是一个符号判别函数,ai是支持向量对应的拉格朗日乘子,yi是训练样本的标签,K(x,y)表示为特征空间内的核函数,b为偏差;即在高维空间中寻找一个超平面,使得各类数据点到该超平面的距离最大,将其作为最大化分类边界;
步骤S34:分类任务的预测:使用模型对样本数据进行分类预测。
4.根据权利要求1所述的基于机器学习的环境监测方法,其特征在于:在步骤S1中,所述数据采集是采集生态完整的森林图像数据,并对图像进行标注,标注类型包括正常生态环境和异常生态环境。
5.根据权利要求1所述的基于机器学习的环境监测方法,其特征在于:在步骤S5中,所述实时运行是采集环境信息数据,基于步骤S4搜索的最优参数建立环境监测模型实现对环境质量状态的监测,即通过实时采集环境的图像数据,将其输入建立好的环境监测模型,对环境状态进行分类,若为正常生态环境则***保持正常状态,若为异常生态环境则***进入告警状态,发出告警信息,实时对环境进行监测。
6.基于机器学习的环境监测***,用于实现如权利要求1-5中任一项所述的基于机器学习的环境监测方法,其特征在于:包括数据采集模块、数据预处理模块、环境监测模型建立模块、模型最优参数搜索模块和实时运行模块;
所述数据采集模块进行数据采集,数据标注,并将数据发送至数据预处理模块;
所述数据预处理模块对采集的数据进行预处理,采用DLBP模型和小波变换从环境信息图像中提取出特征信息,再结合相关系数选择出对模型预测有用的特征数据,并将数据发送至环境监测模型建立模块;
所述境监测模型建立模块创建非线性模型,通过设计决策函数、核函数,进行特征映射,找到超平面并进行分类预测,并将数据发送至模型最优参数搜索模块;
所述模型最优参数搜索模块通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间,设计基于惯性权重值优化的自适应搜索位置函数,设计边界回溯函数对搜索方向进行回溯调整,更新迭代,找到全局最优参数,并将数据发送至实时运行模块;
所述实时运行模块实时采集环境信息图像数据,基于最优参数搜索模块搜索的最优参数建立环境监测模型实现对环境质量状态的监测,即通过实时采集环境的图像数据,将其输入建立好的环境监测模型,对环境状态进行分类,若为正常生态环境则***保持正常状态,若为异常生态环境则***进入告警状态,发出告警信息,实时对环境进行监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842106.1A CN117520933B (zh) | 2023-12-29 | 2023-12-29 | 基于机器学习的环境监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311842106.1A CN117520933B (zh) | 2023-12-29 | 2023-12-29 | 基于机器学习的环境监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117520933A true CN117520933A (zh) | 2024-02-06 |
CN117520933B CN117520933B (zh) | 2024-03-19 |
Family
ID=89749665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311842106.1A Active CN117520933B (zh) | 2023-12-29 | 2023-12-29 | 基于机器学习的环境监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520933B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881512A (zh) * | 2015-04-13 | 2015-09-02 | 中国矿业大学 | 一种基于粒子群算法的无波纹最少拍控制器自动设计方法 |
CN114579777A (zh) * | 2022-03-01 | 2022-06-03 | 广州大学 | 一种改进的符号优化对抗攻击方法 |
CN114818809A (zh) * | 2022-04-27 | 2022-07-29 | 合肥工业大学 | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 |
CN115840369A (zh) * | 2023-02-20 | 2023-03-24 | 南昌大学 | 基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备 |
-
2023
- 2023-12-29 CN CN202311842106.1A patent/CN117520933B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881512A (zh) * | 2015-04-13 | 2015-09-02 | 中国矿业大学 | 一种基于粒子群算法的无波纹最少拍控制器自动设计方法 |
CN114579777A (zh) * | 2022-03-01 | 2022-06-03 | 广州大学 | 一种改进的符号优化对抗攻击方法 |
CN114818809A (zh) * | 2022-04-27 | 2022-07-29 | 合肥工业大学 | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 |
CN115840369A (zh) * | 2023-02-20 | 2023-03-24 | 南昌大学 | 基于改进的鲸鱼优化算法的轨迹优化方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
薛文: ""一种改进惯性权重的粒子群优化算法"", 《现代信息科技》, vol. 7, no. 20, 25 October 2023 (2023-10-25), pages 88 - 91 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
CN117851922B (zh) * | 2024-03-08 | 2024-06-07 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117520933B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117520933B (zh) | 基于机器学习的环境监测方法及*** | |
CN106845510B (zh) | 基于深度层级特征融合的中国传统视觉文化符号识别方法 | |
Bhanu et al. | Adaptive integrated image segmentation and object recognition | |
Kwon et al. | Highly nonrigid object tracking via patch-based dynamic appearance modeling | |
CN105353634B (zh) | 利用手势识别控制操作的家电设备与方法 | |
CN107403426B (zh) | 一种目标物体检测方法及设备 | |
CN104835178B (zh) | 一种低信噪比运动小目标的跟踪与识别的方法 | |
KR102138657B1 (ko) | 계층적 협업 표현 기반 분류를 통한 강인한 얼굴인식 장치 및 그 방법 | |
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及*** | |
JP6620882B2 (ja) | ドメイン適応を用いたパターン認識装置、方法およびプログラム | |
CN111931654A (zh) | 一种人员跟踪智能监测方法、***和装置 | |
CN112115780A (zh) | 一种基于深度多模型协同的半监督行人重识别方法 | |
Kadim et al. | Deep-learning based single object tracker for night surveillance. | |
CN112528730A (zh) | 一种匈牙利算法下基于空间约束的成本矩阵优化方法 | |
Dou et al. | Background subtraction based on circulant matrix | |
CN108257148B (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
CN111291785A (zh) | 目标检测的方法、装置、设备及存储介质 | |
CN109588114A (zh) | 一种应用于水果采摘机器人的并行识别采摘***及方法 | |
CN116862893A (zh) | 一种基于动态特征中心的工业零件异常检测方法及*** | |
CN106851106A (zh) | 一种增强ar追踪稳定性的电子稳像方法 | |
CN111681264A (zh) | 一种监控场景的实时多目标跟踪方法 | |
CN116342653A (zh) | 一种基于相关滤波器的目标跟踪方法、***、设备及介质 | |
CN116755811A (zh) | 一种融合应用的桌面虚拟化方法及*** | |
CN116051924A (zh) | 一种图像对抗样本的分治防御方法 | |
Wang et al. | Adaptive Hamiltonian MCMC sampling for robust visual tracking |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |