申请/专利权人：生态环境部环境规划院

申请日：2024-01-19

公开（公告）日：2024-04-30

公开（公告）号：CN117592870B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06Q50/06;G06Q50/26;G06F18/10;G06F18/2135;G06F18/22;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明公开了基于水环境监测信息的综合分析系统，具体涉及水域环境分析领域，是首先通过统计和罗列出监测指标和对应监测数据，识别异常数据点并进行修正处理，然后利用主成分提取各个监测站点的监测数据的主成分，从而减少不相关数据和异常数据对训练模型的干扰影响程度，减少变量之间的相关性，实现对监测指标的优化，筛选出最具代表性的指标，依据各个监测站点的主成分作为训练集训练构建相似性学习模型，并使用训练完毕的模型对所有监测站点的主成分投影进行预测，得到相似性矩阵，依据相似性矩阵和监测站点的空间位置关系，对监测站点进行裁撤，解决目前河流水污染处理存在的监测站点监测布设冗余、监测效率低下和监测指标不合理问题。

主权项：1.基于水环境监测信息的综合分析系统，其特征在于，包括数据预处理模块、主成分分析模块、相似性分析模块、管理优化模块和决策支持模块；数据预处理模块运用物联网技术，通过历史数据和领域知识整合水质监测的指标，获取各项水质指标和监测站点信息，再经过异常检验算法和标准化技术处理，确保数据的准确性和一致性，通过数据传输协议将预处理过后的数据传递给数据预处理模块；主成分分析模块采用核主成分分析和机器学习中的特征选择算法，捕捉非线性关系和提取对水质影响程度符合要求的主要监测指标，将提取的主成分发送相似性分析模块；相似性分析模块结合深度学习的相似性学习方法，计算监测站点对相似性矩阵，将监测站点对相似性矩阵发送至管理优化模块；管理优化模块引入使用训练好的相似性学习模型预测对所有监测站点的主成分投影进行预测，得到相似性矩阵，结合监测站点之间的空间位置关系，对裁撤的监测站点进行标识，将标识结果发送至决策支持模块；决策支持模块运用交互式可视化技术以及自然语言处理技术，生成动态可视化结果；数据收集模块的运行过程如下：通过布置各类传感器设备实现水质监测数据的实时采集，传感器通过物联网技术，采用特定的测量方法获取水体的实时水质数据，同时，已有的历史水质监测数据被整合到系统中；对于监测指标的选择，根据领域知识和水质监测需求，对所选的水质监测指标进行归一化处理，映射到相同的尺度上；监测站点的相关信息，包括地理位置和监测站点编号，被整合到系统中，与水质监测数据相关联，形成包含各项水质指标和监测站点信息的完整数据集；引入质控流程，对每个水质监测指标，计算其均值和标准差，使用原则，判断是否存在超过3倍标准的异常值；对于每个水质监测指标，绘制箱线图，通过箱线图识别位于箱体之外的数据点，即可能的异常值，在箱线图中，箱体代表数据的中间50%范围，箱体之外的点被认为是潜在的异常值；根据原则和线箱图的结果，识别并标记出存在的异常值，对于被标识为异常值的数据点，采用此数据点前后额定范围内的数量点的平均值来替代此异常值；数据预处理模块的运行过程如下：a.针对水质监测数据，选择高斯核函数；b.计算水质监测数据的核矩阵；c.对核函数进行中心化操作，确保数值在非线性空间中的零均值；d.对中心化的核矩阵进行特征值分解，得到特征值和特征向量；e.在特征值分解后，按大小降序排列特征值，筛选出大于或等于特征阈值的监测指标，并选取相应的特征向量作为主成分；相似性分析模块的运行过程如下：步骤一，使用核主成分分析对每个监测站点的水质监测数据进行处理，得到对应监测站点的主成分；步骤二，使用Siamese神经网络组作为相似性学习模型，该网络具有共享权重的两个分支，每个分支处理一个监测站点的主成分投影值；步骤三，输入层接收两个监测站点的主成分投影作为输入，每个监测站点的主成分投影值作为一个输入节点，共有两个输入节点；在共享的卷积层和池化层，卷积和池化操作被共享，确保两个分支学到相似的特征表示，连接全连接层负责将两个分支的特征连接在一起，为后续的相似性评估提供完整的特征表示，最后，输出层生成相似性得分，使用Sigmoid函数将输出值映射到0到1之间，表示相似性的概率；步骤四，准备训练数据对，每一对包含两个监测站点的主成分投影值及其相似或不相似的标签，提供网络学习监测站点之间相似性的监督信号；步骤五，使用对比损失作为网络的损失函数，通过调整权重最小化样本之间的距离，同时最大化不相似样本之间的距离；步骤六，将训练数据按照batch加载到模型中，将每个监测站点的主成分投影值通过Siamese网络进行前向传播，计算相似性得分；利用对比损失计算相似性学习模型的损失；步骤七，通过计算损失关于网络参数的梯度，使用链式法则将梯度传播回网络各层，使用随机梯度下降，进行参数更新；步骤八，重复执行步骤六到步骤七，直到大于预定的训练迭代次数，得到训练好的相似性学习模型；管理优化模块的运行过程如下：步骤一，使用训练好的Siamese神经网络对所有监测站点的主成分投影进行预测，得到相似性矩阵；步骤二，将每个监测站点对对应的相似性得分进行显示，将相似性得分和相似阈值进行比较，如果相似性得分大于或等于相似阈值，生成统计表格；步骤三，通过统计表格，分析监测站点之间的空间位置关系，即是否存在同处于同一条河流的情况，将监测站点关系整理成统计表格，标记同处于一条河流中的监测站点对，通过计算每个监测站点出现的次数，确定存在多次监测的监测站点，对于出现次数大于或等于两次的监测站点，生成裁撤信号。

全文数据：

权利要求：

百度查询： 生态环境部环境规划院 基于水环境监测信息的综合分析系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD