用于智能综合性整体质量评价的神经网络的训练方法技术

本申请涉及智慧环保领域中的智能综合性整体质量评价，其具体地公开了一种用于智能综合性整体质量评价的神经网络的训练方法，其采用编码器‑解码器架构对总体水体质量进行评估，具体地，在训练过程中，通过多层编码器结构来充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息进行编码以获得编码的特征向量，再通过计算编码特征向量的三重损失函数值，并以该三重损失函数值训练所述分类器，以提高水体质量的综合性整体评价的准确性。

【技术实现步骤摘要】
用于智能综合性整体质量评价的神经网络的训练方法
本专利技术涉及智慧环保领域中的智能综合性整体质量评价，且更为具体地，涉及一种用于智能综合性整体质量评价的神经网络的训练方法、基于深度神经网络的水体质量智能评估方法、用于智能综合性整体质量评价的神经网络的训练系统、基于深度神经网络的水体质量智能评估系统和电子设备。
技术介绍
环境质量监测是一种环境监测内容，主要监测环境中污染物的分布和浓度，以确定环境质量状况，定时、定点的环境质量监测历史数据，为对污染物迁移转化规律的科学研究提供基础数据。在对水资源进行质量检测时，通常采用抽样检测的方式，也就是在检测时，获取一定量，通常为几毫升的水体样本，并通过实验室检测获得其检测结果。但是，对于复杂水体来说，比如水量较大的河流、湖泊等，水资源的质量会随着时间和检测位置，尤其是检测时的采样深度有一定的变化，导致采样结果不够准确。因此，期望提供一种能够考虑采样时间和采样深度因素对总体水体质量进行准确评估的方法。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为水体质量的智能综合性整体评价提供了新的解决思路和方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于智能综合性整体质量评价的神经网络的训练方法、基于深度神经网络的水体质量智能评估方法、用于智能综合性整体质量评价的神经网络的训练系统、基于深度神经网络的水体质量智能评估系统和电子设备，其采用编码器-解码器架构对总体水体质量进行评估，具体地，在训练过程中，通过多层编码器结构来充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息进行编码以获得编码的特征向量，再通过计算编码特征向量的三重损失函数值，并以该三重损失函数值训练所述分类器，以提高水体质量的综合性整体评价的准确性。根据本申请的一个方面，提供了一种用于智能综合性整体质量评价的神经网络的训练方法，其包括：获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度；将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后，将所述时间向量与所述深度向量进行级联并通过第一编码器，以获得标签特征向量；将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量；将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和，以获得联合特征向量；将所述联合特征向量通过第二编码器，以获得编码特征向量；计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值；计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值；将所述编码特征向量通过分类器，以获得分类损失函数值；以及基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和，来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。在上述用于智能综合性整体质量评价的神经网络的训练方法中，所述第一编码器由具有第一预定深度的全连接层组成，其中，该第一预定深度大于十。在上述用于智能综合性整体质量评价的神经网络的训练方法中，所述第二编码器由具有第二预定深度的全连接层组成，其中，该第二预定深度大于十。在上述用于智能综合性整体质量评价的神经网络的训练方法中，将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量，包括：对所述结果向量进行一维卷积处理，以获得所述检测结果特征向量。在上述用于智能综合性整体质量评价的神经网络的训练方法中，将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量，包括：对所述结果向量通过多层感知机模型，以获得所述检测结果特征向量。根据本申请的另一方面，提供了一种基于深度神经网络的水体质量智能评估方法，其包括：获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度；将所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如上所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器，所述分类器的输出表示对应于不同质量标签的水体质量的概率值；以及将所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。根据本申请的再一方面，提供了一种用于智能综合性整体质量评价的神经网络的训练系统，其包括：样本信息获取单元，用于获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度；标签特征向量生成单元，用于将所述样本信息获取单元获得的所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后，将所述时间向量与所述深度向量进行级联并通过第一编码器，以获得标签特征向量；检测结果特征向量生成单元，用于将所述样本信息获取单元获得的所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量；联合特征向量生成单元，用于将所述标签特征向量生成单元获得的所述标签特征向量插值为与所述检测结果特征向量生成单元获得的所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和，以获得联合特征向量；编码特征向量生成单元，用于将所述联合特征向量生成单元获得的所述联合特征向量通过第二编码器，以获得编码特征向量；距离损失函数值计算单元，用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述检测结果特征向量生成单元获得的所述检测结果特征向量之间的距离损失函数值；交叉熵损失函数值计算单元，用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述标签特征向量生成单元获得的所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值；分类损失函数值生成单元，用于将所述编码特征向量生成单元获得的所述编码特征向量通过分类器，以获得分类损失函数值；以及参数更新单元，用于基于所述距离损失函数值计算单元获得的所述距离损失函数值、所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值的加权和，来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。在上述用于智能综合性整体质量评价的神经网络的训练系统中，所述第一编码器由具有第一预定深度的全连接层组成，其中，该第一预定深度大于十。在上述用于智能综合性整体质量评价的神经网络的训练系统中，所述第二编码器由具有第二预定深度的全连接层组成，其中，该第二预定深度大于十。在上述用于智能综合性整体质量评价的神经网络的训练系统中，所述检测结果特征向量生成单元，进一步用于：对所述结果向量进本文档来自技高网...

【技术保护点】
1.一种用于智能综合性整体质量评价的神经网络的训练方法，其特征在于，包括：/n获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度；/n将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后，将所述时间向量与所述深度向量进行级联并通过第一编码器，以获得标签特征向量；/n将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量；/n将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和，以获得联合特征向量；/n将所述联合特征向量通过第二编码器，以获得编码特征向量；/n计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值；/n计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值；/n将所述编码特征向量通过分类器，以获得分类损失函数值；以及/n基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和，来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。/n

【技术特征摘要】
1.一种用于智能综合性整体质量评价的神经网络的训练方法，其特征在于，包括：
获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度；
将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后，将所述时间向量与所述深度向量进行级联并通过第一编码器，以获得标签特征向量；
将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量；
将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和，以获得联合特征向量；
将所述联合特征向量通过第二编码器，以获得编码特征向量；
计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值；
计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值；
将所述编码特征向量通过分类器，以获得分类损失函数值；以及
基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和，来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。


2.根据权利要求1所述的用于智能综合性整体质量评价的神经网络的训练方法，其中，所述第一编码器由具有第一预定深度的全连接层组成，其中，该第一预定深度大于十。


3.根据权利要求2所述的用于智能综合性整体质量评价的神经网络的训练方法，其中，所述第二编码器由具有第二预定深度的全连接层组成，其中，该第二预定深度大于十。


4.根据权利要求3所述的用于智能综合性整体质量评价的神经网络的训练方法，其中，将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量，包括：
对所述结果向量进行一维卷积处理，以获得所述检测结果特征向量。


5.根据权利要求3所述的用于智能综合性整体质量评价的神经网络的训练方法，其中，将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络，以获得检测结果特征向量，包括：
对所述结果向量通过多层感知机模型，以获得所述检测结果特征向量。


6.一种基于深度神经网络的水体质量智能评估方法，其特征在于，包括：
获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度；
将所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如权利要求1到5中任意一项所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器，所述分类器的输出表示对应于不同质量标签的水体质量的概率值；以及
将所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。


7.一种用于智能综合性整体质量评价的神经网络的训练系统，其特征在于，包括：
样本信息获取单元，用于获取多个单样本的水质检测结果以及其分别对应的采样时间和采样...

【专利技术属性】
技术研发人员：郑伦彬，
申请(专利权)人：广州蕊生网络科技有限公司，
类型：发明
国别省市：广东;44