一种基于神经网络的全光谱污染溯源方法及云系统技术方案

本发明专利技术公开了一种基于神经网络的全光谱污染溯源方法及云系统，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。模型的溯源精度。模型的溯源精度。

【技术实现步骤摘要】
一种基于神经网络的全光谱污染溯源方法及云系统


[0001]本专利技术涉及水质检测
，具体是一种基于神经网络的全光谱污染溯源方法及云系统。

技术介绍

[0002]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。
[0003]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，本专利技术提出一种基于神经网络的全光谱污染溯源方法及云系统。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于神经网络的全光谱污染溯源方法及云系统；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。
[0005]为实现上述目的，根据本专利技术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系统，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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]进一步地，该系统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。
[0011]进一步地，该系统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。
[0012]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云系统，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。
[0013]与现有技术相比，本专利技术的有益效果是：1、本专利技术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；本专利技术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、本专利技术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
[0014]为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的全光谱污染溯源云系统，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系统，其特征在于，所述信号监测模块的具体...

【专利技术属性】
技术研发人员：张友德，钱益武，程雨涵，王清泉，戴曹培，黄鸿飞，田文凤，
申请(专利权)人：安徽新宇环保科技股份有限公司，
类型：发明
国别省市：