基于全息三维模型及制造技术

基于全息三维模型及

【技术实现步骤摘要】
基于全息三维模型及Kernel
‑
KNN算法的水质监测方法


[0001]本专利技术涉及生态领域
、
机器学习领域以及深度学习领域，具体为基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法
。

技术介绍

[0002]化工园区可能涉及大量的化学物质和有害物质的储存和处理，这些物质可能会渗透至地下水体中，对地下水质量和周边环境造成潜在的污染风险
。
传统的水质检测通常需要将水样采集回实验室进行处理和测试，这个过程需要一定的时间延迟
。
时间延迟可能导致对水质变化的实时响应不够敏捷，从而无法及时采取必要的措施，另外，水质检测方法也需要进行繁琐的样品采集
、
处理和测试步骤，这些步骤涉及人为操作，存在人为误差的可能
。
操作不标准或实验室仪器的精度问题都可能导致数据的不准确性
。
因此，急需一种操作系统，既可以实时进行数据收集，又可以精确预测水质
。

技术实现思路

[0003]为解决上述问题，本专利技术提出了基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法，通过本套系统，可以解决数据收集慢，水质检测不准确的问题
。
[0004]为实现上述目的，本专利技术采取的技术方案是：
[0005]基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法，包括以下步骤：
[0006]1)
实时收集不同地下水质数据
。
[0007]首先建立化工园区地下水实时在线监测系统，及实时数据表征
。
根据园区产业结构与污染特征确定监测指标要求
,
在地下
100
米，
200
米，
300
米的不同位置配备在线水位监测仪
、
在线水位电导率监测仪
、
多指标水质与水位同步监测仪
、
气象监测仪等专业化仪表产品，用于实时掌控水质变化；
[0008]2)
实时数据上传
。
[0009]根据上述步骤收集到的实时数据，上传到云端，针对实时数据上传需求，选择一个可靠的云服务提供商，如
Amazon Web Services(AWS)、Microsoft Azure、Google Cloud
等
。
每个提供商都提供了各种存储和数据处理服务等
。
将实时数据上传到云端后，可以基于云端的计算和分析服务进行实时数据处理
、
聚合和分析，从中提取有价值的信息和洞察力；
[0010]3)Kernel
‑
KNN
模型训练
。
[0011]其中，所述
3)Kernel
‑
KNN
模型训练包括以下子步骤：
[0012]数据输入；
[0013]Kernel
函数；
[0014]距离权重；
[0015]K
值选择；
[0016]KD tree
查找最近邻；
[0017]计算损失；
[0018]参数优化；
[0019]模型部署；
[0020]4)Kernel
‑
KNN
模型预测
。
[0021]将步骤
S2
处理过的数据执行步骤
S3
所训练的模型，此时，我们可以获得当前区域的水质预测结果，并且返回数值；
[0022]5)
三维影像图水质展示
。
[0023]经过步骤
S4
之后返回数值1表示地下水被严重污染，在三维图中显示为红色，返回数值2表示地下水被污染较重，在三维图中显示为黄色，返回数值3表示地下水被污染较轻，在三维图中显示为绿色；
[0024]作为本专利技术进一步改进，所述步骤
3)Kernel
函数公式，具体表示为：
[0025]f(x)
＝
S(x1+x2+x3
…
xk)2k
＝
1,2,3
…
n
[0026]其中
x1
，
x2
，
x3
…
xk
表示样本数据特征，也就是上面我们收集到的数据，
S
表示对于取平方后的数据做出选择，在这里我们主要选择带有平方项的数据作为扩充数据
。
之所以要进行选择，是因为如果所有的数据都当作扩充数据，那么会产生过拟合的现象，也就是在训练的时候完全拟合，然而在预测的时候并不能达到我们想要的结果
。
[0027]区别于以往，本次申请首次提出对于扩充的数据进行选择机制，即根据数据情况，自主选择扩充的数量以及种类
。
经过本模型的处理，一方面，解决了模型欠拟合的影响，另一方面，提高了模型的鲁棒性，使得模型泛化效果更好
。
[0028]作为本专利技术进一步改进，所述步骤
3)
距离权重计算公式表示为：
[0029][0030]其中，
k1,k2
…
kn
表示距离的权重，
a1b1,a2b2,
…
anbn
表示每个样本特征，通过上述计算公式可以获得每个样本点和其他样本点的距离大小
。
[0031]区别于以往，本次申请首次提出对于样本点的距离进行加权处理，距离数值小的说明离得近，那么我们给与它较大的权重，距离数值大的，说明离得远，我们给与它较小的权重，通过加权处理，使得模型可以将对当前影响大的样本给与更高的关注
。
[0032]作为本专利技术进一步改进，所述步骤
3)
计算损失公式，具体表示为：
[0033][0034]其中，
α
表示权重信息，
h
s
(x
(i)
)
表示预测获得的样本标签，
y
(i)
表示真实的样本标签
。
[0035]区别于以往，本次申请对于样本损失值添加权重处理，即当损失大时，权重就减小，损失小时，权重就加大，经过这种处理方式，使得模型更容易学习到预测错误的样本，并着重对其处理操作
。
[0036]与现有技术相比，本专利技术的有益效果为：
[0037]1.
本专利技术提出基于全息三维模型及
Kernel
‑
KNN
算法水质监测系统
。
通过在线水位电导率监测仪
、
多指标水质与水位同步监测仪
、
气象监测仪等专业化仪表产品，并实时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于全息三维模型及
Kernel
‑
KNN
算法的水质监测方法，其特征在于：包括如下步骤：
1)
实时收集不同地下水质数据；首先建立化工园区地下水实时在线监测系统，及实时数据表征，根据园区产业结构与污染特征确定监测指标要求
,
在地下
100
米，
200
米，
300
米的不同位置配备在线水位监测仪
、
在线水位电导率监测仪
、
多指标水质与水位同步监测仪和气象监测仪专业化仪表产品，用于实时掌控水质变化；
2)
实时数据上传；根据上述步骤收集到的实时数据，上传到云端，针对实时数据上传需求，选择云服务提供商，每个提供商都提供了各种存储和数据处理服务，将实时数据上传到云端后，基于云端的计算和分析服务进行实时数据处理
、
聚合和分析，从中提取有价值的信息和洞察力；
3)Kernel
‑
KNN
模型训练；其中，所述
3)Kernel
‑
KNN
模型训练包括以下子步骤：数据输入；
Kernel
函数；距离权重；
K
值选择；
KD tree
查找最近邻；计算损失；参数优化；模型部署；
4)Kernel
‑
KNN
模型预测；将步骤
S2
处理过的数据执行步骤
S3
所训练的模型，获得当前区域的水质预测结果，并且返回数值；
5)
三维影像图水质展示；经过步骤
S4
之后返回数值1表示地下水被严重污染，在三维图中显示为红色，返回数值2表示地下水被污染较重，在三维图中显示为黄色，返回数值3表示地下水被污染较轻，在三维图中显示为绿色
。2.<...

【专利技术属性】
技术研发人员：祝欣，张晓东，盛峰，曹少华，黄剑波，
申请(专利权)人：生态环境部南京环境科学研究所，
类型：发明
国别省市：