CN117805502B - 一种基于大数据的城市电磁辐射监测方法及*** - Google Patents
一种基于大数据的城市电磁辐射监测方法及*** Download PDFInfo
- Publication number
- CN117805502B CN117805502B CN202410224686.6A CN202410224686A CN117805502B CN 117805502 B CN117805502 B CN 117805502B CN 202410224686 A CN202410224686 A CN 202410224686A CN 117805502 B CN117805502 B CN 117805502B
- Authority
- CN
- China
- Prior art keywords
- correction
- data
- monitoring
- radiation
- equipment
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 326
- 230000005670 electromagnetic radiation Effects 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 635
- 238000012360 testing method Methods 0.000 claims abstract description 321
- 230000005855 radiation Effects 0.000 claims abstract description 252
- 238000004088 simulation Methods 0.000 claims description 78
- 238000012795 verification Methods 0.000 claims description 59
- 238000012806 monitoring device Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 8
- 230000005672 electromagnetic field Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0871—Complete apparatus or systems; circuits, e.g. receivers or amplifiers
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明公开了一种基于大数据的城市电磁辐射监测方法及***。该基于大数据的城市电磁辐射监测方法,包括以下步骤:第一辐射数据获取;第二辐射数据获取;电磁辐射监测。本发明通过对待选监测设备设计的监测设备试验获取对应的辐射监测数据,然后通过设备性能指数评估待选监测设备的设备性能,根据设备性能确定预设监测设备,接着通过选定的预设监测设备获取第一辐射数据,再通过构建的修正模型得到第一辐射数据对应预设时间段的辐射修正数据,最后通过辐射修正数据得到第二辐射数据,通过第二辐射数据实现对待监测城市的电磁辐射情况的监测,达到了提高城市电磁辐射监测准确性的效果,解决了现有技术中存在城市电磁辐射监测准确性低的问题。
Description
技术领域
本发明涉及电磁环境监测技术领域,尤其涉及一种基于大数据的城市电磁辐射监测方法及***。
背景技术
电磁辐射是一种由电磁场产生的能量传播方式。这种辐射包括多个频率范围,从低频的电力***、广播和电视信号,到高频的微波、无线通信和可见光。城市电磁辐射监测是指对城市环境中电磁场辐射水平进行***的监测和评估的过程。随着无线通讯的快速增长,快速增多通讯基站成为主要的城市区域电磁环境污染的首要来源。城市电磁辐射监测旨在确保电磁场辐射处于安全水平,不会对人体健康和城市生态环境造成不良影响。因为由一些电器设备和通信设施产生的高水平的辐射不仅可能对人体健康产生负面影响,还可能对周围环境产生影响,包括动植物。大数据是指通过收集、处理和分析大规模数据集来提取有用信息的方法。在城市电磁辐射监测方面,大数据可以用于更全面、实时地收集和分析辐射数据。
现有技术中,大多通过电磁场测量仪器对城市中不同位置的电磁场进行实时或定期测量,或者使用远场扫描技术对整个区域的电磁辐射进行扫描和监测,再或者通过建立电磁场辐射的数学模型进行不同条件下的辐射水平的模拟与预测。
例如公告号为:CN113221454B的发明专利公告的一种基于深度强化学习的电磁辐射源辨识方法,包括:采用深度Q学习算法,构造一个DQN网络模型,依据网络最大动作价值函数和当前动作价值函数计算损失函数,更新网络参数,最终使得动作价值最大化,进而得到一个最优策略,输入电磁信号数据,DQN网络模型会依据最优策略输出预测的动作,即预测的调制方式,实现对电磁辐射信号调制方式的智能识别。
例如公告号为:CN113553776B的发明专利公告的一种电磁辐射数据监控分析方法及***,包括:对目标区域内电磁辐射多源时序数据进行主成分分析识别出由目标区域中电磁辐射主发射源产生的电磁辐射主源时序数据;基于所述电磁辐射主源时序数据进行模型训练得到电磁辐射主源波动趋势模型;利用电磁辐射主源时序数据在未来时序的真实发展趋势和预测发展趋势的差异度作为监听因子,并判定电磁辐射主发射源的稳定性。
但本申请在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,传统的电磁场测量仪器通常提供点状的数据,难以实时监测整个城市范围的电磁辐射;远场扫描技术仅能提供离散的数据点,不能提供城市电磁场的连续性信息;均导致城市电磁辐射水平不能实现全面实时监测,存在城市电磁辐射监测准确性低的问题。
发明内容
本申请实施例通过提供一种基于大数据的城市电磁辐射监测方法及***,解决了现有技术中城市电磁辐射监测准确性低的问题,实现了城市电磁辐射监测准确性的提高。
本申请实施例提供了一种基于大数据的城市电磁辐射监测方法,包括以下步骤:通过选定的预设监测设备获取第一辐射数据,所述第一辐射数据用于描述预设时间段内待监测城市的电磁辐射程度;根据获取的第一辐射数据得到第二辐射数据,所述第二辐射数据用于描述通过辐射修正数据对第一辐射数据进行修正得到的结果,所述辐射修正数据用于修正待监测城市的第一辐射数据;根据获取的第二辐射数据对待监测城市的电磁辐射情况进行监测。
进一步的,所述预设监测设备的具体选定方法如下:设置设备试验点,所述设备试验点包括第一设备试验点和第二设备试验点,所述第一设备试验点表示待监测城市内预设高电磁辐射区域,所述第二设备试验点表示待监测城市内预设低电磁辐射区域;设计监测设备试验,并通过监测设备试验获取辐射监测数据,所述监测设备试验包括第一监测设备试验和第二监测设备试验,所述第一监测设备试验表示在第一设备试验点对待选监测设备进行试验,所述第二监测设备试验表示在第二设备试验点对待选监测设备进行试验,所述辐射监测数据包括第一辐射监测数据和第二辐射监测数据,所述第一辐射监测数据表示第一试验时间段内通过待选监测设备在第一设备试验点获取的电磁辐射数据,所述第二辐射监测数据表示第二试验时间段内通过待选监测设备在第二设备试验点获取的电磁辐射数据;结合参考辐射监测数据获取设备性能指数,所述设备性能指数用于评估待选监测设备的设备性能,所述设备性能包括数据获取准确性和数据获取及时性;根据待选监测设备的设备性能对待选监测设备进行筛选,得到预设检测设备。
进一步的,设备性能指数的具体获取方法如下:根据获取的辐射监测数据与对应的参考辐射监测数据,分析待选监测设备在监测设备试验中的监测准确性并获取设备准确性指数,所述监测准确性包括第一监测准确性和第二监测准确性,所述设备准确性指数用于描述待选监测设备获取的辐射监测数据的准确程度;根据获取辐射监测数据的数据获取时间,分析待选监测设备在监测设备试验中的监测实时性获取设备实时性指数,所述监测实时性包括第一监测实时性和第二监测实时性,所述设备实时性指数用于描述待选监测设备获取的辐射监测数据的实时性程度;获取设备监测权重,所述设备监测权重包括监测准确性权重和监测实时性权重监测区域权重,所述监测准确性权重和监测实时性权重分别用于描述监测准确性相对偏差和监测实时性相对偏差对于设备性能指数的影响程度;获取试验点分布数据,并结合设备监测权重、设备准确性指数和设备实时性指数进一步获取设备性能指数,通过设备性能指数评估待选监测设备的设备性能,所述试验点分布数据表示设备试验点中第一设备试验点和第二设备试验点的占比。
进一步的,所述辐射修正数据的具体获取方法如下:构建修正模型,所述修正模型用于获取第一辐射数据对应的辐射修正数据;根据辐射影响参数获取预设时间段内的辐射影响数据,所述辐射影响参数表示通过预设监测设备获取待监测城市的电磁辐射程度的影响因素,所述辐射影响数据用于描述辐射影响参数对应的数据,具体包括温度、湿度、降雨量和风速;将获取的辐射影响数据输入到构建的修正模型中,通过修正模型输出对应的辐射修正数据。
进一步的,所述修正模型的具体构建方法如下:获取修正模型数据,所述修正模型数据包括修正影响数据和修正数据,所述修正影响数据包括第一修正影响数据和第二修正影响数据,所述第一修正影响数据为历史时间段内的辐射影响数据,所述第二修正影响数据为通过设计的修正模拟试验获取的辐射影响数据,所述修正模拟试验用于模拟辐射影响数据和对应的修正数据的变化,所述修正数据为修正影响数据对应的电磁辐射程度和参考辐射程度的差值,所述修正数据包括第一修正数据和第二修正数据;构建修正数据集,并将构建的修正数据集通过预设比例进行划分得到修正训练集和修正验证集,所述修正数据集为修正模型数据的集合;训练第一修正模型,所述第一修正模型用于描述通过修正训练集对预设修正预测模型进行训练与优化得到的已收敛模型,并通过修正验证集对第一修正模型进行验证得到验证结果;评估第一修正模型的修正性能,所述修正性能通过获取的修正性能指数进行数值化评估,所述修正性能指数用于描述第一修正模型的修正准确性程度和修正实时性程度;根据第一修正模型的修正性能,并结合预设修正性能指数对第一修正模型进行模型筛选得到修正模型。
进一步的,所述修正模拟试验的具体步骤如下;设计试验环境,所述试验环境包括第一试验环境、第二试验环境、第三试验环境和第四试验环境,所述第一试验环境表示试验点内的湿度、降雨量和风速为对应的参考值的环境,所述第二试验环境表示试验点内的温度、降雨量和风速为对应的参考值的环境,所述第三试验环境表示试验点内的温度、湿度和风速为对应的参考值的环境,所述第四试验环境表示试验点内的温度、湿度和降雨量为对应的参考值的环境;根据设计的试验环境在模拟试验点内进行修正模拟试验,并通过预设监测设备获取对应的第二修正影响数据和第二修正数据,所述修正模拟试验包括第一组修正模拟试验、第二组修正模拟试验、第三组修正模拟试验和第四组修正模拟试验;所述第一组修正模拟试验表示第一试验环境下在预设温度范围内改变模拟试验点的温度的试验,所述第二组修正模拟试验表示第二试验环境下在预设湿度范围内改变模拟试验点的湿度的试验,所述第三组修正模拟试验表示第三试验环境下在预设降雨量范围内改变模拟试验点的降雨量的试验,所述第四组修正模拟试验表示第四试验环境下在预设风速范围内改变模拟试验点的风速的试验;所述模拟试验点包括预设高电磁辐射区域和预设低电磁辐射区域。
进一步的,所述第一修正模型的修正性能的具体评估方法如下:根据修正验证集对第一修正模型进行验证得到的验证结果,评估第一修正模型的修正准确性,所述修正准确性通过获取第一修正模型的修正偏差指数进行评估,所述修正偏差指数用于描述通过第一修正模型获取对应的修正数据的偏差程度;根据修正验证集对第一修正模型进行验证的时间,分析第一修正模型的修正实时性,所述修正实时性通过获取第一修正模型的修正延迟指数进行评估,所述修正延迟指数用于描述通过第一修正模型获取对应的修正数据的延时程度;分析修正准确性和修正实时性对于获取修正数据的影响程度,得到修正性能权重,所述修正性能权重包括修正准确性权重和修正实时性权重,所述修正准确性权重和修正实时性权重分别用于描述修正准确性和修正实时性对于第一修正模型的修正性能指数的影响程度;根据第一修正模型的修正准确性和修正实时性的评估结果,并结合修正性能权重评估第一修正模型的修正性能。
进一步的,所述修正性能指数的具体获取方法如下:将修正验证集中的修正影响数据输入到第一修正模型中获取对应的试验修正数据和验证时间,并通过修正验证集获取第一修正模型的F1分数;根据获取的试验修正数据和F1分数,并结合修正影响数据对应的修正数据和预设试验修正偏差数据分析第一修正模型的修正准确性程度,获取第一修正模型的修正偏差指数;根据获取的验证时间,并结合修正影响数据对应的预设验证时间和预设验证时间偏差数据分析第一修正模型的修正实时性程度,获取第一修正模型的修正延迟指数;根据得到的修正偏差指数和修正延迟指数,并结合修正性能权重获取第一修正模型的修正性能指数。
进一步的,所述模型筛选的具体方法如下:步骤一,获取第一修正模型的修正性能指数并进行顺序排序,根据排序的结果得到第一修正性能指数和第二修正性能指数,所述第一修正性能指数和第二额修正性能指数分别用于描述第一修正模型的修正性能指数的最小值和最大值;步骤二,获取参考修正性能指数,并将第一修正性能指数和第二修正性能指数分别与参考修正性能指数进行比较,若第一修正性能指数和第二修正性能指数均不小于参考修正性能指数,则重新训练第一修正模型,否则执行步骤三;步骤三,判断第二修正性能指数是否唯一,若唯一,则第二修正性能指数对应的模型为修正模型,若不唯一,则根据对应模型的计算量进行再次筛选得到修正模型。
本申请实施例提供了一种基于大数据的城市电磁辐射监测***,所述基于大数据的城市电磁辐射监测***包括第一辐射数据获取模块、第二辐射数据获取模块和电磁辐射监测模块;其中,所述第一辐射数据获取模块用于通过选定的预设监测设备获取第一辐射数据,所述第一辐射数据用于描述预设时间段内待监测城市的电磁辐射程度;所述第二辐射数据获取模块用于根据获取的第一辐射数据得到第二辐射数据,所述第二辐射数据用于描述通过辐射修正数据对第一辐射数据进行修正得到的结果,所述辐射修正数据用于修正待监测城市的第一辐射数据;所述电磁辐射监测模块用于根据获取的第二辐射数据对待监测城市的电磁辐射情况进行监测。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过设计监测设备试验评估待选监测设备的设备性能,确定预设监测设备,然后通过选定的预设监测设备获取第一辐射数据,再通过构建的修正模型得到第一辐射数据对应的辐射修正数据,最后通过辐射修正数据得到第二辐射数据,并根据第二辐射数据实现待监测城市的电磁辐射情况的监测,从而实现了准确的获取电磁辐射数据,进而实现了待监测城市的电磁辐射的更准确监测,有效解决了现有技术中城市电磁辐射监测准确性低的问题。
2、通过将修正验证集中的修正影响数据输入到第一修正模型中进行验证,然后根据验证结果获取第一修正模型的修正偏差指数和修正延迟指数,接着结合修正性能权重获取第一修正模型的修正性能指数,最后通过修正性能指数对第一修正模型的修正性能进行评估,并对第一修正模型进行筛选得到修正模型,从而实现了更准确的构建修正模型,进而实现了对第一辐射数据的更准确高效修正。
3、通过监测设备试验获取辐射监测数据,然后通过辐射监测数据对待选监测设备的监测准确性和监测实时性进行分析,获取对应的设备准确性指数和设备实时性指数,接着结合设备监测权重获取待选监测设备的设备性能指数,最后通过设备性能指数对待选监测设备的设备性能进行评估,从而实现了设备性能的数值化,进而实现了更准确的确定预设监测设备。
附图说明
图1为本申请实施例提供的一种基于大数据的城市电磁辐射监测方法流程图;
图2为本申请实施例提供的设备性能指数的获取流程图;
图3为本申请实施例提供的一种基于大数据的城市电磁辐射监测***的结构示意图。
具体实施方式
本申请实施例通过提供一种基于大数据的城市电磁辐射监测方法及***,解决了现有技术中城市电磁辐射监测准确性低的问题,通过对待选监测设备在设计的第一设备试验点和第二设备试验点进行对应的第一监测设备试验和第二监测设备试验,并获取对应的第一辐射监测数据和第二辐射监测数据,然后通过分析待选监测设备在监测设备试验中的监测准确性和监测实时性获取对应的设备准确性指数和设备实时性指数,并结合获取的设备监测权重评估待选监测设备的设备性能,根据设备性能确定预设监测设备,接着在预设时间段内通过选定的预设监测设备对待监测城市的电磁辐射程度进行监测,获取第一辐射数据,再通过获取的修正影响数据和修正数据训练第一修正模型,根据第一修正模型的修正性能对第一修正模型进行筛选得到修正模型,最后通过修正模型得到第一辐射数据对应的辐射修正数据,由辐射修正数据对第一辐射数据进行修正得到第二辐射数据,并根据第二辐射数据实现对待监测城市的电磁辐射情况的监测,实现了城市电磁辐射监测准确性的提高。
本申请实施例中的技术方案为解决上述城市电磁辐射监测准确性低的问题,总体思路如下:
通过对待选监测设备设计的监测设备试验获取对应的辐射监测数据,然后通过评估的待选监测设备的设备性能确定预设监测设备,接着通过选定的预设监测设备获取第一辐射数据,再通过构建的修正模型得到第一辐射数据对应的辐射修正数据,最后通过辐射修正数据得到第二辐射数据,并通过第二辐射数据实现对待监测城市的电磁辐射情况的监测,达到了提高城市电磁辐射监测准确性的效果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,为本申请实施例提供的一种基于大数据的城市电磁辐射监测方法流程图,该方法包括以下步骤:第一辐射数据获取:通过选定的预设监测设备获取第一辐射数据,第一辐射数据用于描述预设时间段内待监测城市的电磁辐射程度;第二辐射数据获取:根据获取的第一辐射数据得到第二辐射数据,第二辐射数据用于描述通过辐射修正数据对第一辐射数据进行修正得到的结果,辐射修正数据用于修正待监测城市的第一辐射数据;电磁辐射监测:根据获取的第二辐射数据对待监测城市的电磁辐射情况进行监测。
在本实施例中,预设监测设备为待选监测设备中的一种,待选监测设备包括电磁辐射仪、远场扫描设备以及传感器等;第二辐射数据的获取方法具体为:通过传感器获取第一辐射数据对应的预设时间段内待监测城市的温度、湿度、降雨量和风速,然后将获取的数据输入到构建的修正模型中,由修正模型根据输入的数据输出对应的辐射修正数据,最后结合辐射修正数据对第一辐射数据进行修正得到第二辐射数据;预设监测设备的数据获取准确性和实时性应满足一定的要求,以保证第一辐射数据的准确性和及时性,进一步保证待监测城市的电磁辐射监测的准确性,并根据监测结果及时采取对应的措施;在数据的获取、传输和存储过程中离不开大数据的支持;辐射修正数据进一步加强监测的准确性,实现了城市电磁辐射监测准确性的提高。
进一步的,预设监测设备的具体选定方法如下:设置设备试验点,设备试验点包括第一设备试验点和第二设备试验点,第一设备试验点表示待监测城市内预设高电磁辐射区域,第二设备试验点表示待监测城市内预设低电磁辐射区域;设计监测设备试验,并通过监测设备试验获取辐射监测数据,监测设备试验包括第一监测设备试验和第二监测设备试验,第一监测设备试验表示在第一设备试验点对待选监测设备进行试验,第二监测设备试验表示在第二设备试验点对待选监测设备进行试验,辐射监测数据包括第一辐射监测数据和第二辐射监测数据,第一辐射监测数据表示第一试验时间段内通过待选监测设备在第一设备试验点获取的电磁辐射数据,第二辐射监测数据表示第二试验时间段内通过待选监测设备在第二设备试验点获取的电磁辐射数据;结合参考辐射监测数据获取设备性能指数,设备性能指数用于评估待选监测设备的设备性能,设备性能包括数据获取准确性和数据获取及时性;根据待选监测设备的设备性能对待选监测设备进行筛选,得到预设检测设备。
在本实施例中,第一设备试验点可能还包括预设中辐射区域、预设高生态辐射区域等,第二设备试验点可能还包括预设低生态辐射区域;预设高电磁辐射区域和预设低电磁辐射区域对于第一辐射数据的准确性和实时性的要求不同,需要分别设置设备试验点;待选监测设备包括电磁辐射仪、远场扫描设备以及传感器等,实现了更准确的选择预设监测设备。
进一步的,如图2所示,为本申请实施例提供的设备性能指数的获取流程图,获取设备准确性指数:根据获取的辐射监测数据与对应的参考辐射监测数据,分析待选监测设备在监测设备试验中的监测准确性并获取设备准确性指数,监测准确性包括第一监测准确性和第二监测准确性,设备准确性指数用于描述待选监测设备获取的辐射监测数据的准确程度;获取设备实时性指数:根据获取辐射监测数据的数据获取时间,分析待选监测设备在监测设备试验中的监测实时性获取设备实时性指数,监测实时性包括第一监测实时性和第二监测实时性,设备实时性指数用于描述待选监测设备获取的辐射监测数据的实时性程度;获取设备监测权重,设备监测权重包括监测准确性权重和监测实时性权重监测区域权重,监测准确性权重和监测实时性权重分别用于描述监测准确性相对偏差和监测实时性相对偏差对于设备性能指数的影响程度;评估设备性能:获取试验点分布数据,并结合设备监测权重、设备准确性指数和设备实时性指数进一步获取设备性能指数,通过设备性能指数评估待选监测设备的设备性能,试验点分布数据表示设备试验点中第一设备试验点和第二设备试验点的占比。
在本实施例中,设备性能指数采用以下公式进行计算:,式中,为待选监测设备的编号,/>,/>为待选监测设备的总数量,/>为第个待选监测设备的设备性能指数,/>和/>分别为第/>个待选监测设备的设备准确性指数和设备实时性指数,/>和/>分别为待选监测设备的参***准确性指数和参***实时性指数,/>和/>分别为监测准确性权重和监测实时性权重;设备准确性指数采用以下公式进行计算:,式中,/>为第一设备试验点的编号,/>,/>为第一设备试验点的总数量,/>为第二设备试验点的编号,/>,/>为第二设备试验点的总数量,/>为自然常数,/>为第/>个待选监测设备在第/>个第一设备试验点获取的第一辐射监测数据,为第/>个第一设备试验点的参考第一辐射监测数据,/>为第/>个待选监测设备在第/>个第二设备试验点获取的第二辐射监测数据,/>为第/>个第二设备试验点的参考第二辐射监测数据;设备实时性指数采用以下公式进行计算:,式中,为第/>个待选监测设备在第/>个第一设备试验点获取辐射监测数据的数据获取时间,/>和/>分别为第一设备试验点和第二设备试验点的参考数据获取时间,为第/>个待选监测设备在第/>个第二设备试验点获取辐射监测数据的数据获取时间,/>和/>分别为第一设备试验点和第二设备试验点的参考数据获取时间偏差;设备的准确性和设备的实时性可根据对应数据的准确性程度和数据获取时间进行评估,但通过上述公式可以实现更准确、全面的评估;待选监测设备的监测准确性和监测实时性由第一监测试验点和第二监测试验点的综合表现决定;实现了待选监测设备的设备性能的更准确评估。
进一步的,辐射修正数据的具体获取方法如下:构建修正模型,修正模型用于获取第一辐射数据对应的辐射修正数据;根据辐射影响参数获取预设时间段内的辐射影响数据,辐射影响参数表示通过预设监测设备获取待监测城市的电磁辐射程度的影响因素,辐射影响数据用于描述辐射影响参数对应的数据,具体包括温度、湿度、降雨量和风速;将获取的辐射影响数据输入到构建的修正模型中,通过修正模型输出对应的辐射修正数据。
在本实施例中,所构建的修正模型在准确性和实时性上应满足对应的预设要求;辐射影响数据对应的预设时间段与第一辐射数据的预设时间段相对应,温度的变化可以影响大气中的电导率,这可能对电磁波的传播特性产生影响,同时会影响电磁波的传播路径;湿度的增加可能降低电磁波的传播距离,也会影响信号的传播方向和强度;风速的增加可能导致大气中的颗粒物更容易产生散射,影响电磁波的传播路径;强风可能引起大气湍流,从而影响电磁波的传播;雨水对于某些频段的电磁波有吸收和散射作用,导致信号衰减,强降雨可能显著影响电磁波的传播;通过修正模型获取辐射修正数据,实现了更准确高效的修正第一辐射数据。
进一步的,修正模型的具体构建方法如下:获取修正模型数据,修正模型数据包括修正影响数据和修正数据,修正影响数据包括第一修正影响数据和第二修正影响数据,第一修正影响数据为历史时间段内的辐射影响数据,第二修正影响数据为通过设计的修正模拟试验获取的辐射影响数据,修正模拟试验用于模拟辐射影响数据和对应的修正数据的变化,修正数据为修正影响数据对应的电磁辐射程度和参考辐射程度的差值,修正数据包括第一修正数据和第二修正数据;构建修正数据集,并将构建的修正数据集通过预设比例进行划分得到修正训练集和修正验证集,修正数据集为修正模型数据的集合;训练第一修正模型,第一修正模型用于描述通过修正训练集对预设修正预测模型进行训练与优化得到的已收敛模型,并通过修正验证集对第一修正模型进行验证得到验证结果;评估第一修正模型的修正性能,修正性能通过获取的修正性能指数进行数值化评估,修正性能指数用于描述第一修正模型的修正准确性程度和修正实时性程度;根据第一修正模型的修正性能,并结合预设修正性能指数对第一修正模型进行模型筛选得到修正模型。
在本实施例中,训练第一修正模型具体指的根据修正训练集建立从输入到输出之间的映射关系,并且假定该映射关系在未知的修正验证集也同样成立,从而实现基于回归分析的预测;通过修正模拟试验模拟更多环境下的数据变化,增强了第一修正模型的数据多样性,提高了第一修正模型的准确性和鲁棒性;通过第一修正模型的修正性能筛选第一修正模型,提高了筛选的准确性;实现了更准确的构建修正模型。
进一步的,修正模拟试验的具体步骤如下;设计试验环境,试验环境包括第一试验环境、第二试验环境、第三试验环境和第四试验环境,第一试验环境表示试验点内的湿度、降雨量和风速为对应的参考值的环境,第二试验环境表示试验点内的温度、降雨量和风速为对应的参考值的环境,第三试验环境表示试验点内的温度、湿度和风速为对应的参考值的环境,第四试验环境表示试验点内的温度、湿度和降雨量为对应的参考值的环境;根据设计的试验环境在模拟试验点内进行修正模拟试验,并通过预设监测设备获取对应的第二修正影响数据和第二修正数据,修正模拟试验包括第一组修正模拟试验、第二组修正模拟试验、第三组修正模拟试验和第四组修正模拟试验;第一组修正模拟试验表示第一试验环境下在预设温度范围内改变模拟试验点的温度的试验,第二组修正模拟试验表示第二试验环境下在预设湿度范围内改变模拟试验点的湿度的试验,第三组修正模拟试验表示第三试验环境下在预设降雨量范围内改变模拟试验点的降雨量的试验,第四组修正模拟试验表示第四试验环境下在预设风速范围内改变模拟试验点的风速的试验;模拟试验点包括预设高电磁辐射区域和预设低电磁辐射区域。
在本实施例中,试验环境更全面的模拟了辐射数据和辐射影响数据的变化,有利于修正模型更准确的学习数据之间的关系,进而进行更准确的修正;实现了获取更全面的第二修正影响数据和第二修正数据。
进一步的,第一修正模型的修正性能的具体评估方法如下:根据修正验证集对第一修正模型进行验证得到的验证结果,评估第一修正模型的修正准确性,修正准确性通过获取第一修正模型的修正偏差指数进行评估,修正偏差指数用于描述通过第一修正模型获取对应的修正数据的偏差程度;根据修正验证集对第一修正模型进行验证的时间,分析第一修正模型的修正实时性,修正实时性通过获取第一修正模型的修正延迟指数进行评估,修正延迟指数用于描述通过第一修正模型获取对应的修正数据的延时程度;分析修正准确性和修正实时性对于获取修正数据的影响程度,得到修正性能权重,修正性能权重包括修正准确性权重和修正实时性权重,修正准确性权重和修正实时性权重分别用于描述修正准确性和修正实时性对于第一修正模型的修正性能指数的影响程度;根据第一修正模型的修正准确性和修正实时性的评估结果,并结合修正性能权重评估第一修正模型的修正性能。
在本实施例中,修正性能权重一般通过主观赋权法或客观赋权法获得;修正模型的修正性能对于电磁辐射监测的准确性和实时性有直接影响,实现了第一修正模型的修正性能的更精准评估。
进一步的,修正性能指数的具体获取方法如下:将修正验证集中的修正影响数据输入到第一修正模型中获取对应的试验修正数据和验证时间,并通过修正验证集获取第一修正模型的F1分数;根据获取的试验修正数据和F1分数,并结合修正影响数据对应的修正数据和预设试验修正偏差数据分析第一修正模型的修正准确性程度,获取第一修正模型的修正偏差指数;根据获取的验证时间,并结合修正影响数据对应的预设验证时间和预设验证时间偏差数据分析第一修正模型的修正实时性程度,获取第一修正模型的修正延迟指数;根据得到的修正偏差指数和修正延迟指数,并结合修正性能权重获取第一修正模型的修正性能指数。
在本实施例中,修正性能指数采用以下公式进行计算:,式中,/>为第一修正模型的编号,/>,/>为第一修正模型的总数量,/>为第/>个第一修正模型的修正性能指数,/>和/>分别为第/>个第一修正模型的修正偏差指数和修正延迟指数,/>和/>分别为第一修正模型的预设修正偏差指数和预设修正延迟指数,/>和分别为修正准确性权重和修正实时性权重;修正偏差指数采用以下公式进行计算:,式中,/>为修正验证集中修正影响数据的编号,/>,/>为修正验证集中修正影响数据的总数量,/>为自然常数,/>为修正验证集中第/>组修正影响数据通过第/>个第一修正模型得到的试验修正数据,/>为修正验证集中第/>组修正影响数据对应的修正数据,/>为修正验证集中第/>组修正影响数据的预设试验修正偏差数据,/>为第/>个第一修正模型的F1分数;修正延迟指数采用以下公式进行计算:,式中,/>为修正验证集中第/>组修正影响数据通过第/>个第一修正模型进行验证的验证时间,/>为修正验证集中第/>组修正影响数据对应的预设验证时间,/>为修正验证集中第/>组修正影响数据的预设验证时间偏差数据;修正偏差指数可以通过模型的准确率、召回率等数据进行评估,修正延迟指数可以直接根据验证时间的关系进行评估,进而评估模型的修正性能指数,但通过上述公式可以实现更准确全面的评估;F1分数的最大值为1,最小值为0,数值越大,模型的准确性越高;修正偏差指数越大,表明模型的修正准确性程度越差;修正延迟指数越大,表明模型的修正实时性程度越差;实现了更准确的获取第一修正模型的修正性能指数。
进一步的,模型筛选的具体方法如下:步骤一,获取第一修正模型的修正性能指数并进行顺序排序,根据排序的结果得到第一修正性能指数和第二修正性能指数,第一修正性能指数和第二修正性能指数分别表示第一修正模型的修正性能指数的最小值和最大值;步骤二,获取参考修正性能指数,并将第一修正性能指数和第二修正性能指数分别与参考修正性能指数进行比较,若第一修正性能指数和第二修正性能指数均不小于参考修正性能指数,则重新训练第一修正模型,否则执行步骤三;步骤三,判断第二修正性能指数是否唯一,若唯一,则第二修正性能指数对应的模型为修正模型,若不唯一,则根据对应模型的计算量进行再次筛选得到修正模型。
在本实施例中,在步骤三中,当第二修正性能指数不唯一时,除了通过模型的计算量进行再次筛选,还可以通过模型的参数量和内存占用等指标进行筛选;重新训练第一修正模型指的是重新选择预设修正预测模型进行训练,并在训练的过程中通过自动寻参等方法寻找最优参数来对模型进行优化;预设修正预测模型为可实现数据预测功能的模型;实现了更准确的获取修正模型。
如图3所示,为本申请实施例提供的一种基于大数据的城市电磁辐射监测***的结构示意图,本申请实施例提供的基于大数据的城市电磁辐射监测***包括第一辐射数据获取模块、第二辐射数据获取模块和电磁辐射监测模块;其中,第一辐射数据获取模块用于通过选定的预设监测设备获取第一辐射数据,第一辐射数据用于描述预设时间段内待监测城市的电磁辐射程度;第二辐射数据获取模块用于根据获取的第一辐射数据得到第二辐射数据,第二辐射数据用于描述通过辐射修正数据对第一辐射数据进行修正得到的结果,辐射修正数据用于修正待监测城市的第一辐射数据;电磁辐射监测模块用于根据获取的第二辐射数据对待监测城市的电磁辐射情况进行监测。
在本实施例中,辐射修正数据的获取还涉及预设时间段内待检测城市的辐射影响数据的获取;实现了对待监测城市的电磁辐射情况的更准确监测。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:相对于公告号为:CN113221454B公告的一种基于深度强化学习的电磁辐射源辨识方法,本申请实施例通过将修正验证集中的修正影响数据输入到第一修正模型中进行验证,然后根据验证结果获取第一修正模型的修正偏差指数和修正延迟指数,接着结合修正性能权重获取第一修正模型的修正性能指数,最后通过修正性能指数对第一修正模型的修正性能进行评估,并对第一修正模型进行筛选得到修正模型,从而实现了更准确的构建修正模型,进而实现了对第一辐射数据的更准确高效修正;相对于公告号为:CN113553776B公告的一种电磁辐射数据监控分析方法及***,本申请实施例通过监测设备试验获取辐射监测数据,然后通过辐射监测数据对待选监测设备的监测准确性和监测实时性进行分析,获取对应的设备准确性指数和设备实时性指数,接着结合设备监测权重获取待选监测设备的设备性能指数,最后通过设备性能指数对待选监测设备的设备性能进行评估,从而实现了设备性能的数值化,进而实现了更准确的确定预设监测设备。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于大数据的城市电磁辐射监测方法,其特征在于,包括以下步骤:
通过选定的预设监测设备获取第一辐射数据,所述第一辐射数据用于描述预设时间段内待监测城市的电磁辐射程度;
根据获取的第一辐射数据得到第二辐射数据,所述第二辐射数据用于描述通过辐射修正数据对第一辐射数据进行修正得到的结果,所述辐射修正数据用于修正待监测城市的第一辐射数据;
根据获取的第二辐射数据对待监测城市的电磁辐射情况进行监测;
所述预设监测设备的具体选定方法如下:
设置设备试验点,所述设备试验点包括第一设备试验点和第二设备试验点,所述第一设备试验点表示待监测城市内预设高电磁辐射区域,所述第二设备试验点表示待监测城市内预设低电磁辐射区域;
设计监测设备试验,并通过监测设备试验获取辐射监测数据,所述监测设备试验包括第一监测设备试验和第二监测设备试验,所述第一监测设备试验表示在第一设备试验点对待选监测设备进行试验,所述第二监测设备试验表示在第二设备试验点对待选监测设备进行试验,所述辐射监测数据包括第一辐射监测数据和第二辐射监测数据,所述第一辐射监测数据表示第一试验时间段内通过待选监测设备在第一设备试验点获取的电磁辐射数据,所述第二辐射监测数据表示第二试验时间段内通过待选监测设备在第二设备试验点获取的电磁辐射数据;
结合参考辐射监测数据获取设备性能指数,所述设备性能指数用于评估待选监测设备的设备性能,所述设备性能包括数据获取准确性和数据获取及时性;
根据待选监测设备的设备性能对待选监测设备进行筛选,得到预设检测设备;
所述设备性能指数的具体获取方法如下:
根据获取的辐射监测数据与对应的参考辐射监测数据,分析待选监测设备在监测设备试验中的监测准确性并获取设备准确性指数,所述监测准确性包括第一监测准确性和第二监测准确性,所述设备准确性指数用于描述待选监测设备获取的辐射监测数据的准确程度;
根据获取辐射监测数据的数据获取时间,分析待选监测设备在监测设备试验中的监测实时性获取设备实时性指数,所述监测实时性包括第一监测实时性和第二监测实时性,所述设备实时性指数用于描述待选监测设备获取的辐射监测数据的实时性程度;
获取设备监测权重,所述设备监测权重包括监测准确性权重和监测实时性权重监测区域权重,所述监测准确性权重和监测实时性权重分别用于描述监测准确性相对偏差和监测实时性相对偏差对于设备性能指数的影响程度;
获取试验点分布数据,并结合设备监测权重、设备准确性指数和设备实时性指数进一步获取设备性能指数,通过设备性能指数评估待选监测设备的设备性能,所述试验点分布数据表示设备试验点中第一设备试验点和第二设备试验点的占比;
所述辐射修正数据的具体获取方法如下:
构建修正模型,所述修正模型用于获取第一辐射数据对应的辐射修正数据;
根据辐射影响参数获取预设时间段内的辐射影响数据,所述辐射影响参数表示通过预设监测设备获取待监测城市的电磁辐射程度的影响因素,所述辐射影响数据用于描述辐射影响参数对应的数据,具体包括温度、湿度、降雨量和风速;
将获取的辐射影响数据输入到构建的修正模型中,通过修正模型输出对应的辐射修正数据;
所述修正模型的具体构建方法如下:
获取修正模型数据,所述修正模型数据包括修正影响数据和修正数据,所述修正影响数据包括第一修正影响数据和第二修正影响数据,所述第一修正影响数据为历史时间段内的辐射影响数据,所述第二修正影响数据为通过设计的修正模拟试验获取的辐射影响数据,所述修正模拟试验用于模拟辐射影响数据和对应的修正数据的变化,所述修正数据为修正影响数据对应的电磁辐射程度和参考辐射程度的差值,所述修正数据包括第一修正数据和第二修正数据;
构建修正数据集,并将构建的修正数据集通过预设比例进行划分得到修正训练集和修正验证集,所述修正数据集为修正模型数据的集合;
训练第一修正模型,所述第一修正模型用于描述通过修正训练集对预设修正预测模型进行训练与优化得到的已收敛模型,并通过修正验证集对第一修正模型进行验证得到验证结果;
评估第一修正模型的修正性能,所述修正性能通过获取的修正性能指数进行数值化评估,所述修正性能指数用于描述第一修正模型的修正准确性程度和修正实时性程度;
根据第一修正模型的修正性能,并结合预设修正性能指数对第一修正模型进行模型筛选得到修正模型;
所述修正模拟试验的具体步骤如下;
设计试验环境,所述试验环境包括第一试验环境、第二试验环境、第三试验环境和第四试验环境,所述第一试验环境表示试验点内的湿度、降雨量和风速为对应的参考值的环境,所述第二试验环境表示试验点内的温度、降雨量和风速为对应的参考值的环境,所述第三试验环境表示试验点内的温度、湿度和风速为对应的参考值的环境,所述第四试验环境表示试验点内的温度、湿度和降雨量为对应的参考值的环境;
根据设计的试验环境在模拟试验点内进行修正模拟试验,并通过预设监测设备获取对应的第二修正影响数据和第二修正数据,所述修正模拟试验包括第一组修正模拟试验、第二组修正模拟试验、第三组修正模拟试验和第四组修正模拟试验;
所述第一组修正模拟试验表示第一试验环境下在预设温度范围内改变模拟试验点的温度的试验,所述第二组修正模拟试验表示第二试验环境下在预设湿度范围内改变模拟试验点的湿度的试验,所述第三组修正模拟试验表示第三试验环境下在预设降雨量范围内改变模拟试验点的降雨量的试验,所述第四组修正模拟试验表示第四试验环境下在预设风速范围内改变模拟试验点的风速的试验;
所述模拟试验点包括预设高电磁辐射区域和预设低电磁辐射区域。
2.如权利要求1所述一种基于大数据的城市电磁辐射监测方法,其特征在于,所述第一修正模型的修正性能的具体评估方法如下:
根据修正验证集对第一修正模型进行验证得到的验证结果,评估第一修正模型的修正准确性,所述修正准确性通过获取第一修正模型的修正偏差指数进行评估,所述修正偏差指数用于描述通过第一修正模型获取对应的修正数据的偏差程度;
根据修正验证集对第一修正模型进行验证的时间,分析第一修正模型的修正实时性,所述修正实时性通过获取第一修正模型的修正延迟指数进行评估,所述修正延迟指数用于描述通过第一修正模型获取对应的修正数据的延时程度;
分析修正准确性和修正实时性对于获取修正数据的影响程度,得到修正性能权重,所述修正性能权重包括修正准确性权重和修正实时性权重,所述修正准确性权重和修正实时性权重分别用于描述修正准确性和修正实时性对于第一修正模型的修正性能指数的影响程度;
根据第一修正模型的修正准确性和修正实时性的评估结果,并结合修正性能权重评估第一修正模型的修正性能。
3.如权利要求2所述一种基于大数据的城市电磁辐射监测方法,其特征在于,所述修正性能指数的具体获取方法如下:
将修正验证集中的修正影响数据输入到第一修正模型中获取对应的试验修正数据和验证时间,并通过修正验证集获取第一修正模型的F1分数;
根据获取的试验修正数据和F1分数,并结合修正影响数据对应的修正数据和预设试验修正偏差数据分析第一修正模型的修正准确性程度,获取第一修正模型的修正偏差指数;
根据获取的验证时间,并结合修正影响数据对应的预设验证时间和预设验证时间偏差数据分析第一修正模型的修正实时性程度,获取第一修正模型的修正延迟指数;
根据得到的修正偏差指数和修正延迟指数,并结合修正性能权重获取第一修正模型的修正性能指数。
4.如权利要求3所述一种基于大数据的城市电磁辐射监测方法,其特征在于,所述模型筛选的具体方法如下:
步骤一,获取第一修正模型的修正性能指数并进行顺序排序,根据排序的结果得到第一修正性能指数和第二修正性能指数,所述第一修正性能指数和第二修正性能指数分别用于描述第一修正模型的修正性能指数的最小值和最大值;
步骤二,获取参考修正性能指数,并将第一修正性能指数和第二修正性能指数分别与参考修正性能指数进行比较,若第一修正性能指数和第二修正性能指数均不小于参考修正性能指数,则重新训练第一修正模型,否则执行步骤三;
步骤三,判断第二修正性能指数是否唯一,若唯一,则第二修正性能指数对应的模型为修正模型,若不唯一,则根据对应模型的计算量进行再次筛选得到修正模型。
5.一种基于大数据的城市电磁辐射监测***,其特征在于,包括第一辐射数据获取模块、第二辐射数据获取模块和电磁辐射监测模块;
其中,所述第一辐射数据获取模块用于通过选定的预设监测设备获取第一辐射数据,所述第一辐射数据用于描述预设时间段内待监测城市的电磁辐射程度;
所述第二辐射数据获取模块用于根据获取的第一辐射数据得到第二辐射数据,所述第二辐射数据用于描述通过辐射修正数据对第一辐射数据进行修正得到的结果,所述辐射修正数据用于修正待监测城市的第一辐射数据;
所述电磁辐射监测模块用于根据获取的第二辐射数据对待监测城市的电磁辐射情况进行监测;
所述预设监测设备的具体选定方法如下:
设置设备试验点,所述设备试验点包括第一设备试验点和第二设备试验点,所述第一设备试验点表示待监测城市内预设高电磁辐射区域,所述第二设备试验点表示待监测城市内预设低电磁辐射区域;
设计监测设备试验,并通过监测设备试验获取辐射监测数据,所述监测设备试验包括第一监测设备试验和第二监测设备试验,所述第一监测设备试验表示在第一设备试验点对待选监测设备进行试验,所述第二监测设备试验表示在第二设备试验点对待选监测设备进行试验,所述辐射监测数据包括第一辐射监测数据和第二辐射监测数据,所述第一辐射监测数据表示第一试验时间段内通过待选监测设备在第一设备试验点获取的电磁辐射数据,所述第二辐射监测数据表示第二试验时间段内通过待选监测设备在第二设备试验点获取的电磁辐射数据;
结合参考辐射监测数据获取设备性能指数,所述设备性能指数用于评估待选监测设备的设备性能,所述设备性能包括数据获取准确性和数据获取及时性;
根据待选监测设备的设备性能对待选监测设备进行筛选,得到预设检测设备;
所述设备性能指数的具体获取方法如下:
根据获取的辐射监测数据与对应的参考辐射监测数据,分析待选监测设备在监测设备试验中的监测准确性并获取设备准确性指数,所述监测准确性包括第一监测准确性和第二监测准确性,所述设备准确性指数用于描述待选监测设备获取的辐射监测数据的准确程度;
根据获取辐射监测数据的数据获取时间,分析待选监测设备在监测设备试验中的监测实时性获取设备实时性指数,所述监测实时性包括第一监测实时性和第二监测实时性,所述设备实时性指数用于描述待选监测设备获取的辐射监测数据的实时性程度;
获取设备监测权重,所述设备监测权重包括监测准确性权重和监测实时性权重监测区域权重,所述监测准确性权重和监测实时性权重分别用于描述监测准确性相对偏差和监测实时性相对偏差对于设备性能指数的影响程度;
获取试验点分布数据,并结合设备监测权重、设备准确性指数和设备实时性指数进一步获取设备性能指数,通过设备性能指数评估待选监测设备的设备性能,所述试验点分布数据表示设备试验点中第一设备试验点和第二设备试验点的占比;
所述辐射修正数据的具体获取方法如下:
构建修正模型,所述修正模型用于获取第一辐射数据对应的辐射修正数据;
根据辐射影响参数获取预设时间段内的辐射影响数据,所述辐射影响参数表示通过预设监测设备获取待监测城市的电磁辐射程度的影响因素,所述辐射影响数据用于描述辐射影响参数对应的数据,具体包括温度、湿度、降雨量和风速;
将获取的辐射影响数据输入到构建的修正模型中,通过修正模型输出对应的辐射修正数据;
所述修正模型的具体构建方法如下:
获取修正模型数据,所述修正模型数据包括修正影响数据和修正数据,所述修正影响数据包括第一修正影响数据和第二修正影响数据,所述第一修正影响数据为历史时间段内的辐射影响数据,所述第二修正影响数据为通过设计的修正模拟试验获取的辐射影响数据,所述修正模拟试验用于模拟辐射影响数据和对应的修正数据的变化,所述修正数据为修正影响数据对应的电磁辐射程度和参考辐射程度的差值,所述修正数据包括第一修正数据和第二修正数据;
构建修正数据集,并将构建的修正数据集通过预设比例进行划分得到修正训练集和修正验证集,所述修正数据集为修正模型数据的集合;
训练第一修正模型,所述第一修正模型用于描述通过修正训练集对预设修正预测模型进行训练与优化得到的已收敛模型,并通过修正验证集对第一修正模型进行验证得到验证结果;
评估第一修正模型的修正性能,所述修正性能通过获取的修正性能指数进行数值化评估,所述修正性能指数用于描述第一修正模型的修正准确性程度和修正实时性程度;
根据第一修正模型的修正性能,并结合预设修正性能指数对第一修正模型进行模型筛选得到修正模型;
所述修正模拟试验的具体步骤如下;
设计试验环境,所述试验环境包括第一试验环境、第二试验环境、第三试验环境和第四试验环境,所述第一试验环境表示试验点内的湿度、降雨量和风速为对应的参考值的环境,所述第二试验环境表示试验点内的温度、降雨量和风速为对应的参考值的环境,所述第三试验环境表示试验点内的温度、湿度和风速为对应的参考值的环境,所述第四试验环境表示试验点内的温度、湿度和降雨量为对应的参考值的环境;
根据设计的试验环境在模拟试验点内进行修正模拟试验,并通过预设监测设备获取对应的第二修正影响数据和第二修正数据,所述修正模拟试验包括第一组修正模拟试验、第二组修正模拟试验、第三组修正模拟试验和第四组修正模拟试验;
所述第一组修正模拟试验表示第一试验环境下在预设温度范围内改变模拟试验点的温度的试验,所述第二组修正模拟试验表示第二试验环境下在预设湿度范围内改变模拟试验点的湿度的试验,所述第三组修正模拟试验表示第三试验环境下在预设降雨量范围内改变模拟试验点的降雨量的试验,所述第四组修正模拟试验表示第四试验环境下在预设风速范围内改变模拟试验点的风速的试验;
所述模拟试验点包括预设高电磁辐射区域和预设低电磁辐射区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224686.6A CN117805502B (zh) | 2024-02-29 | 2024-02-29 | 一种基于大数据的城市电磁辐射监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410224686.6A CN117805502B (zh) | 2024-02-29 | 2024-02-29 | 一种基于大数据的城市电磁辐射监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117805502A CN117805502A (zh) | 2024-04-02 |
CN117805502B true CN117805502B (zh) | 2024-06-11 |
Family
ID=90425835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410224686.6A Active CN117805502B (zh) | 2024-02-29 | 2024-02-29 | 一种基于大数据的城市电磁辐射监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117805502B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN112731525A (zh) * | 2020-12-28 | 2021-04-30 | 湖南科技大学 | 微震与电磁辐射同步监测的巷道围岩稳定性智能预测方法 |
CN116125178A (zh) * | 2023-02-17 | 2023-05-16 | 中国人民解放军陆军工程大学 | 一种用频设备电磁辐射阻塞效应综合确定方法及*** |
CN117330850A (zh) * | 2023-12-01 | 2024-01-02 | 上海优立检测技术股份有限公司 | 用于智能移动终端的辐射检测方法、***、设备及介质 |
CN117368586A (zh) * | 2023-12-08 | 2024-01-09 | 成都德辰博睿科技有限公司 | 一种射电天文环境电磁监测方法、***、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114256843B (zh) * | 2022-03-01 | 2022-07-08 | 中国电力科学研究院有限公司 | 一种分布式光伏辐射数据修正方法及装置 |
-
2024
- 2024-02-29 CN CN202410224686.6A patent/CN117805502B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与*** |
CN112731525A (zh) * | 2020-12-28 | 2021-04-30 | 湖南科技大学 | 微震与电磁辐射同步监测的巷道围岩稳定性智能预测方法 |
CN116125178A (zh) * | 2023-02-17 | 2023-05-16 | 中国人民解放军陆军工程大学 | 一种用频设备电磁辐射阻塞效应综合确定方法及*** |
CN117330850A (zh) * | 2023-12-01 | 2024-01-02 | 上海优立检测技术股份有限公司 | 用于智能移动终端的辐射检测方法、***、设备及介质 |
CN117368586A (zh) * | 2023-12-08 | 2024-01-09 | 成都德辰博睿科技有限公司 | 一种射电天文环境电磁监测方法、***、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117805502A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** | |
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及*** | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集*** | |
CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
CN103136539A (zh) | 接地网腐蚀速率等级预测方法 | |
CN112285807A (zh) | 一种气象信息预测方法及装置 | |
CN108375363B (zh) | 天线方位角偏转核查方法、装置、设备及介质 | |
CN109325633A (zh) | 一种天气预报集合成员选取方法和*** | |
Li et al. | Comparison of parameter uncertainty analysis techniques for a TOPMODEL application | |
CN103344600A (zh) | 一种蚁群优化算法的近红外光谱特征波长选择方法 | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
Mustafa et al. | Measuring the effect of stochastic perturbation component in cellular automata urban growth model | |
CN112347705B (zh) | 一种建立变电站厂界噪声模型的方法和*** | |
CN114117953B (zh) | 水文模型结构诊断方法、径流预报方法及装置 | |
CN115459868A (zh) | 一种复杂环境下的毫米波通信性能评估方法及*** | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN117805502B (zh) | 一种基于大数据的城市电磁辐射监测方法及*** | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN117787081A (zh) | 一种基于Morris和Sobol法的水文模型参数不确定性分析方法 | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
CN114339855B (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
CN110472801B (zh) | 直流输电线路电磁环境评估方法及*** | |
CN114170427A (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
Shilton et al. | Error propagation analysis of XPS 31-133 and CRTN to help develop a noise mapping data standard |
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 |