【技术实现步骤摘要】
基于深度学习的生物安全风险指标的监测方法
[0001]本申请涉及深度学习
,具体涉及基于深度学习的生物安全风险指标的监测方法
。
技术介绍
[0002]高铁站作为重要的交通枢纽,是人群容易高密度聚集的地方,旅客在此停留的时间较长,空气的流通性较差,该环境下的空气质量尤为重要
。
空气中除了一些对人体有害的无机物以外,一些附带病毒的微生物也会通过空气进行传播
。
这些病毒会以呼吸或触摸多种方式进入人体,对身体健康的危害更为严重,导致呼吸道疾病,心血管疾病等,所以对空气中的病毒微生物风险测具有重要的现实意义
。
[0003]然而现有的空气中病毒微生物检测方法主要先通过气溶胶采样来收集空气中的微小颗粒,再将收集的样本进行分子生物学检测来判断空气中微生物含量
。
这种方式在针对某一特定病毒可能有好的效果,然而存在的问题是该过程需要相对较长的分析时间,不具有实时性,需要专业人员进行实验以及复杂的处理步骤,具有操作复杂性
。
[0004]综上所述,本专利技术通过短时间内空气温度和湿度数据得到病毒微生物繁殖舒适度,通过繁殖舒适度对气溶胶颗粒数和
VOCs
浓度序列进行修正,根据修正后气溶胶颗粒数和
VOCs
浓度序列构建平均异常自离散系数,结合神经网络得到病毒微生物安全风险等级,增强了风险检测实时性,缩短了检测时间
。
技术实现思路
[0005]为了解决上述技术问题,本专利技术提供基 ...
【技术保护点】
【技术特征摘要】
1.
基于深度学习的生物安全风险指标的监测方法,其特征在于,该方法包括以下步骤:采集各监测点空气温度
、
湿度
、
气溶胶颗粒数及挥发性有机物浓度数据;在各时间段内,将各时刻所有监测点的温度数据均值作为各时刻的第一温度数据;根据各时刻的第一温度数据得到第一温度直方图;根据不适宜病毒微生物繁殖的温度数据得到不适宜温度序列;根据第一温度直方图及不适宜温度序列得到病毒微生物的温度繁殖舒适度;获取病毒微生物的湿度繁殖舒适度;根据病毒微生物的温度及湿度繁殖舒适度得到病毒微生物的繁殖舒适指数;根据病毒微生物的繁殖舒适度得到气溶胶颗粒数的修正序列;根据气溶胶颗粒数的修正序列中元素变化得到气溶胶颗粒数修正序列的平均异常指数;根据气溶胶颗粒数修正序列的平均异常指数得到气溶胶颗粒数的平均异常自离散系数;获取挥发性有机物浓度的平均异常自离散系数;根据气溶胶颗粒数
、
挥发性有机物浓度的平均异常自离散系数得到第一
、
第二平均异常自离散系数序列;根据第一
、
第二平均异常自离散系数序列结合神经网络得到风险等级,完成生物安全风险监测
。2.
如权利要求1所述的基于深度学习的生物安全风险指标的监测方法,其特征在于,所述根据各时刻的第一温度数据得到第一温度直方图,具体为:将第一温度数据的温度分布区间等分成对各小区间,对各小区间进行温度数据统计,将各小区间作为横坐标
、
对应统计值作为纵坐标进行概率分布统计得到概率分布直方图;将概率分布直方图作为第一温度直方图
。3.
如权利要求1所述的基于深度学习的生物安全风险指标的监测方法,其特征在于,所述根据不适宜病毒微生物繁殖的温度数据得到不适宜温度序列,具体为:获取近一年来空气温度的最高温度及最低温度,将最高温度与最低温度之间的区间作为第一温度区间;将不适宜病毒微生物繁殖的温度作为第二温度区间;将第一温度区间与第二温度区间的交集作为不适宜温度区间;在不适宜温度区间中随机抽取多个数据组成的序列作为不适宜温度序列
。4.
如权利要求1所述的基于深度学习的生物安全风险指标的监测方法,其特征在于,所述根据第一温度直方图及不适宜温度序列得到病毒微生物的温度繁殖舒适度,具体包括:计算第一温度直方图中各横坐标温度与不适宜温度序列中各温度的差值,计算各横坐标温度对应概率与所述差值的乘积绝对值,计算所有乘积绝对的和值,将所述和值作为病毒微生物的温度繁殖舒适度
。5.
如权利要求1所述的基于深度学习的生物安全风险指标的监测方法,其特征在于,所述根据病毒微生物的温度及湿度繁殖舒适度得到病毒微生物的繁殖舒适指数,具体包括:将各时刻的第一温度数据组成的集合作为第一温度集合;将各时刻的第一湿度数据组成的集合作为第一湿度集合;计算归一化温度繁殖舒适度与第一温度集合中温度数据方差的乘...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。