一种污染源采集监测系统技术方案

本发明专利技术公开了一种污染源采集监测系统，属于涉及信息处理技术领域。所述系统包括数据采集模块、预处理模块、第一预测模块、第二预测模块和数据评估模块；数据采集模块用于采集污染数据；预处理模块用于判断污染数据的数据量类型，所述数据量类型包括第一数据量类型和第二数据量类型；预处理模块还用于预处理第一数据量类型的污染数据和第二数据量类型的污染数据，分别得到第一预处理数据和第二预处理数据；第一预测模块包括神经网络模型；第一预测模块根据第一预处理数据生成第一预测结果；第二预测模块为无迹卡尔曼滤波器；第二预测模块根据第二预处理数据生成第二预测结果；数据评估模块用于评估处理所述第一预测结果和第二预测结果。预测结果。预测结果。

【技术实现步骤摘要】
一种污染源采集监测系统


[0001]本专利技术涉及信息处理
，具体是一种污染源采集监测系统。

技术介绍

[0002]当前，环境污染已成为世界性问题，环境污染对全球的经济、社会和人民健康等方面造成了巨大的影响和危害。其中，污染源的排放行为是导致环境污染的主要原因之一，通过监测污染源的排放情况来开展科学合理的环保工作尤为重要。
[0003]专利号CN115359431A公开了一种大气环境污染源污染程度评估方法及系统，包括步骤：获得污染监测数据；获得多张污染监测图像；通过 多次将多张污染监测图像，输入污染检测网络， 判断是否出现污染情况突然变化；若出现污染情况突然变化，记录变化时间；基于多张污染监测图像，得到污染信息；基于污染监测数据、污染信息和变化时间，通过污染检测网络得到污染程度。然而，在监测新的污染源时，初期数据样本数量不足，或是部分类型的污染源难以采集大量数据样本，神经网络模型即该申请中的污染检测网络得不到大量样本数据的训练，因此神经网络模型数据处理的准确性就会受到限制，从而影响监测结果的可靠性和准确性。此外，该申请通过将多张污染监测图像输入污染情况突变检测网络，以判断是否出现污染情况突然变化；此方案存在一定的局限性，因为并非所有污染数据都能通过监测图像准确反应污染的程度细节，因此针对污染情况突然变化可能存在判断不准确的问题。

技术实现思路

[0004]为解决现有技术存在的问题，本专利技术采用以下技术方案：一种污染源采集监测系统，其特征在于：包括数据采集模块、预处理模块、第一预测模块、第二预测模块和数据评估模块；数据采集模块用于采集污染数据；预处理模块用于判断污染数据的数据量类型，所述数据量类型包括第一数据量类型和第二数据量类型；预处理模块还用于预处理第一数据量类型的污染数据和第二数据量类型的污染数据，分别得到第一预处理数据和第二预处理数据；第一预测模块包括神经网络模型；第一预测模块根据第一预处理数据生成第一预测结果；第二预测模块为无迹卡尔曼滤波器；第二预测模块根据第二预处理数据生成第二预测结果；数据评估模块用于评估处理所述第一预测结果和第二预测结果。
[0005]作为本专利技术的优选方案，所述数据评估模块存储数据量阈值；所述数据评估模块将历史数据量大于数据量阈值的污染数据设为第一数据量类型，将数据量小于数据量阈值的污染数据设为第二数据量类型，并依此生成配置文件。
[0006]作为本专利技术的优选方案，所述数据评估模块包括污染物数据库；所述污染物数据
库以污染因素类型、污染源类型、污染物大类和污染物小类为字段存储污染数据。
[0007]作为本专利技术的优选方案，所述神经网络模型采用LSTM模型；所述LSTM模型包括输入门、遗忘门、细胞状态和输出门。
[0008]作为本专利技术的优选方案，所述输入门的输出i
t
的计算公式如下：i
t = σ(W
i
[h
t
‑1, x
t
]+b
i
)；所述遗忘门的输出f
t 的计算公式如下：f
t = σ(W
f
[h
t
‑1, x
t
]+b
f
)；所述细胞状态在时刻t的计算公式如下：c
t = f
t
×
c
t
‑1+i
t
×
tanh(W
c
[h
t
‑1,x
t
]+b
c
)；所述输出门的输出o
t
的计算公式如下：o
t = σ(W
o
[h
t
‑1, x
t
]+b
o
)；其中，W
i
、W
f
、W
c
、W
o
分别为输入门、遗忘门、细胞状态和输出门的递归连接权重，b
i
、b
f
、b
c
、b
o
分别为输入门、遗忘门、细胞状态和输出门的偏置向量，c
t 和c
t
‑1分别表示t和t
‑
1时刻下的细胞状态，h
t
‑1表示t
‑
1时刻的隐藏状态h
t
，tanh()表示Tanh函数，σ表示sigmoid 激活函数。
[0009]作为本专利技术的优选方案，所述无迹卡尔曼滤波器采用无迹卡尔曼滤波算法，无迹卡尔曼滤波算法包括状态转移方程和观测方程；所述状态转移方程表示为X
k
=f(X
k
‑1,W
k
),其中，X
k
为当前状态值，X
k
‑1为前一时刻状态值，W
k
为过程高斯白噪声，f()为非线性状态转移函数；所述观测方程表示为Z
k
=h(X
k
,V
k
)，其中，Z
k
为观测值，h()为观测函数，V
k
为观测高斯白噪声。
[0010]作为本专利技术的优选方案，所述配置文件以JSON格式或XML格式存储污染数据对应的数据量类型。
[0011]作为本专利技术的优选方案，第一预测模块还包括卡尔曼滤波器；所述卡尔曼滤波器与神经网络模型的输出端连接，用于对神经网络模型的预测结果降噪和平滑处理。
[0012]作为本专利技术的优选方案，还包括与数据评估模块连接的可视化分析模块；可视化分析模块将第一预测结果、第二预测结果和根据历史污染数据得到的预测结果对比并以图表方式展示；可视化分析模块还获取根据当前时刻的污染数据得到的预测结果并以图表方式展示。
[0013]作为本专利技术的优选方案，还包括与可视化分析模块连接的预警处理模块；预警处理模块配置为接收可视化分析模块传输的污染数据异常信号，并根据污染数据异常信号自动产生预警信息并向相关负责人发送预警信息。
[0014]与现有技术相比，本专利技术具有如下有益效果：本申请将历史数据量较小的污染数据采用无迹卡尔曼滤波器进行数据处理，以得到更加准确、可靠的污染数据。无迹卡尔曼滤波技术可以对非线性系统进行状态估计，因此可以更准确地处理历史数据量较小的污染数据，从而得到更加精确和完整的数据信息。当历史数据量累积到一定数量时，本申请可以开始使用神经网络模型进行污染数据的处理和预测，以得到更高鲁棒性和更高精度的预测结果。本申请通过使用无迹卡尔曼滤波技术和神经网络模型对污染数据分别进行处理和预测，能有效地对污染数据进行处理和预测，从而拓宽了监测系统的数据处理范围，使得相关人员能够更全面地了解污染情况。
[0015]本申请的可视化分析模块将第一预测结果、第二预测结果和根据历史污染数据得到的预测结果对比并以图表方式展示，这些图表可以直观地比较各类预测结果的差异，以及借助历史数据进行预测的优势与不足，同时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污染源采集监测系统，其特征在于：包括数据采集模块、预处理模块、第一预测模块、第二预测模块和数据评估模块；数据采集模块用于采集污染数据；预处理模块用于判断污染数据的数据量类型，所述数据量类型包括第一数据量类型和第二数据量类型；预处理模块还用于预处理第一数据量类型的污染数据和第二数据量类型的污染数据，分别得到第一预处理数据和第二预处理数据；第一预测模块包括神经网络模型；第一预测模块根据第一预处理数据生成第一预测结果；第二预测模块为无迹卡尔曼滤波器；第二预测模块根据第二预处理数据生成第二预测结果；数据评估模块用于评估处理所述第一预测结果和第二预测结果；所述数据评估模块存储数据量阈值；所述数据评估模块将历史数据量大于数据量阈值的污染数据设为第一数据量类型，将数据量小于数据量阈值的污染数据设为第二数据量类型，并依此生成配置文件。2.根据权利要求1所述的污染源采集监测系统，其特征在于：所述数据评估模块包括污染物数据库；所述污染物数据库以污染因素类型、污染源类型、污染物大类和污染物小类为字段存储污染数据。3.根据权利要求1所述的污染源采集监测系统，其特征在于：所述神经网络模型采用LSTM模型；所述LSTM模型包括输入门、遗忘门、细胞状态和输出门。4.根据权利要求3所述的污染源采集监测系统，其特征在于：所述输入门的输出i
t
的计算公式如下：i
t = σ(W
i
[h
t
‑1, x
t
]+b
i
)；所述遗忘门的输出f
t 的计算公式如下：f
t = σ(W
f
[h
t
‑1, x
t
]+b
f
)；所述细胞状态在时刻t的计算公式如下：c
t = f
t
×
c
t
‑1+i
t
×
tanh(W
c
[h
t
‑1,x
t
]+b
c
)；所述输出门的输出o
t
的计算公式如下：o
t = σ(W
o
[h
t
‑1, x
t
]+b
o
)；其中，W
i...

【专利技术属性】
技术研发人员：施四清，石圣波，万宏伟，凌军海，胡小强，何芷欣，
申请(专利权)人：中通服建设有限公司，
类型：发明
国别省市：