CN106779418A - 基于神经网络和证据理论的水污染事件智能决策方法 - Google Patents
基于神经网络和证据理论的水污染事件智能决策方法 Download PDFInfo
- Publication number
- CN106779418A CN106779418A CN201611184080.6A CN201611184080A CN106779418A CN 106779418 A CN106779418 A CN 106779418A CN 201611184080 A CN201611184080 A CN 201611184080A CN 106779418 A CN106779418 A CN 106779418A
- Authority
- CN
- China
- Prior art keywords
- water
- contamination accident
- characteristic parameter
- bpa
- water contamination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于神经网络和证据理论的水污染事件智能决策方法,包括以下步骤:采集待检测水域的水体表面图像,从中提取图像特征参数,并对各类图像特征参数进行归一化;基于各类图像特征参数进行模糊推理,得到水污染事件类型的初步判断;根据水污染事件类型的初步判断,调用相应的水质传感器提取水质特征参数,并对各水质特征参数数值进行归一化;最后利用神经网络训练出多特征参数和具体的水污染事件之间的非线性映射关系,根据D‑S证据理论对之前建立的映射关系进行加权处理运算,最终做出对水污染类型的预测和决策。本发明方法有效的实时监测目标水域,保证水质的稳定正常,具有较高的灵活性和自适应能力。
Description
技术领域
本发明涉及一种水污染事件智能决策方法,具体涉及一种结合神经网络模式识别方法和证据理论的水污染事件预测和决策方法,属于人工智能技术领域。
背景技术
随着城市化的推进和经济的逐步发展,水资源的需求也随之日益增大,而伴随而来的由于工业三废和居民生活垃废弃物带来的水污染现象,也成为一个越来越值得重视的问题。尤其是在居民用水,农业灌溉和养殖,精细化化工业的用水的领域对水质要求质量日益提升的情况下,实现对水源区水质的检测和对水污染事件的及时预测和决策成为一个新兴产业。
目前的水污染检测预测方案主要有两种,第一种就是人工对水质进行采样,再对采样进行繁杂的化学分析和检验,从而得到详细的水质情况报告,这种方案虽然可以很精准的得到水污染的详细情况,但是耗时很长,无法得到实时更新的水质数据,而且检验成本高,经济效益低;第二种就是采用单一的水质监测传感器,对待检测水域的水污染情况进行实时监测,将传感器得到的属于实时传输到中心计算机上,再进行详细的甄别和预测。这种方案的成本低,可以实现实时监测,但是水域环境本身就是一个复杂的多变的待检测环境,单一传感器的监测往往存在信息模糊,容错能力差,检测效率差,监测范围小等弱点。
所以,使用多个不同类型的传感器,对待检测水域展开多维立体化的探测感知,并将多种观测数据进行优化综合处理,实时获得待检测水域的水污染程度是应该进一步展开的工作。多传感器信息融合技术是针对多传感器系统的信息表现形式多样性,信息量的巨大性,信息关系的复杂性以及要求信息处理的及时性所提出的解决方案。其作用在于将多个传感器系统传出的信息进行综合处理,从而得到可靠的结论。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于神经网络和证据理论的水污染事件智能决策方法,实现多特征参数和具体的水污染事件之间建立非线性映射关系,根据D-S证据理论对之前建立的映射关系进行加权处理运算,最终做出对水污染类型的预测和决策,有效的实时监测目标水域,保证水质的稳定正常。
为解决上述技术问题,本发明提供了基于神经网络和证据理论的水污染事件智能决策方法,包括以下步骤:
步骤S1,采集待检测水域的水体表面图像,从中提取图像特征参数,并对各类图像特征参数进行归一化;
步骤S2,基于各类图像特征参数进行模糊推理,得到水污染事件类型的初步判断;
步骤S3,根据水污染事件类型的初步判断,调用相应的水质传感器提取水质特征参数,并对各水质特征参数数值进行归一化;
步骤S4,以图像特征参数和水质特征参数作为输入层,以水污染事件类型作为输出层,建立径向基函数神经网络模型,并利用历史数据样本对神经网络进行训练和学习;
步骤S5,将提取的图像特征参数以及水质特征参数输入训练好的神经网络,并进行识别,计算各特征参数对应的BPA;
步骤S6,运用D-S证据理论合成规则将各特征参数的BPA进行融合,并据此融合BPA得到最终的水污染类型判断结果;
步骤S7,将水污染类型与对应的水污染事件处理机制进行模糊匹配,获得处理预案。
进一步的,设各类数据的采集范围是xi~yi(i=1,2……N),则对于数据的值zi,做如下处理,使其归一化的统一量纲的特征参数Ai为:
Ai=1000zi/(yi-xi)
进一步的,模糊推理采用Mamdani模糊推理法。
进一步的,设各水质传感器仪表测量范围是ai~bi(i为传感器的编号i=1,2……K),则对于该传感器的测量值ci,做如下处理,使其归一化的统一量纲的特征参数Ci:
Ci=1000ci/(ai-bi)
进一步的,计算每个特征参数对应BPAn的算法是:
其中,n指第n个特征参数,1<n<K+N;Wjn为特征参数对应水污染事件类型的连接权值。
进一步的,步骤S5中,得到最终的水污染类型判断结果的具体过程为:选择最终所有BPA中的最大值:
若BPAMAX大于等于设定值,则判断出水污染的类型为该BPA所对应的类型。
与现有技术相比,本发明所达到的有益效果是:
(1)本发明将多传感器的融合技术应用到水污染事件决策系统中,对待检测水域的水质进行水质传感器和图像采集的立体化多维化的监测,增加了采样信息的多样化和复杂度,使系统的数据可信度,容错能力,检测性能都有所增强。
(2)本发明将模糊推理理论应用到水污染事件决策系统中,对带检测水域的高清图像信息进行预处理后与对应的水污染事件实行模糊匹配,避免了直接使用水质传感器检测,提高了水污染事件预测的准确性,提高了整个水污染预测决策系统的工作效率并降低了成本。
(3)本发明运用径向基函数神经网络(RBFN)的学习训练机制来获取从传感器检测出的参数到水污染类型之间的模糊映射关系,使得RBFN的自组织,自学习的特点,强泛化性,鲁棒性等优点充分发挥,提高了预测的准确性。
(4)本发明运用D-S证据理论,将各传感器采集到的信息经预处理后得到的特征向量,经神经网络处理后得到的基本概率分配(BPA)进行融合从而得到最终的基本概率分配(BPA),较好的克服了信息模糊,不精确的条件限制,得到较为科学的预测结果。
(5)本发明实时性强,生存能力强,分辨力强。本发明从传感器检测水域水质的信息处理层面出发,将人工智能领域的神经网络和证据融合技术结合,建立了一个较智能的预测决策系统。和传统的水污染预测决策系统相比,基于神经网络改进证据理论的水污染事件智能决策系统实现了信息的实时处理和科学处理,大大提升了系统的生存能力和可靠性,具有更重要的理论意义和实际应用价值。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明的基于神经网络和证据理论的水污染事件智能决策方法,包括以下步骤:
步骤S1,采集待检测水域的水体表面图像,从中提取图像特征参数,并对各类图像特征参数进行归一化。
采集水体表面图像可以采用现有技术中的高清摄像头,将高清摄像头部署在待检测水域中,采集到水体表面高清数字图像信息后,对此图像进行预处理,提取图像特征参数,并对各类图像特征参数进行归一化。
预处理的具体过程为,利用现有技术中的图像增强技术,对采集到的数字图像进行边缘识别、灰度增强、局部锐化处理,让图像中异物和杂质的轮廓更加清晰易于识别。对预处理后的图象进行特征提取,从中提取出水域的颜色,灰度值,同种颜色的面积大小和异常斑点阴影信息数据作为图像特征参数z1,z2,z3,z4,此处提取的数据类别并不局限于此四种,还可加入图像亮度,颗粒度等特征。记提取的图像特征参数类别数为N,在本发明中N的取值大于等于4。由于各类数据的量纲不同,因此本实施例中对各类数据进行归一化处理,设各类数据的采集范围是xi~yi(i为不同类数据的编号i=1,2……N),则对于数据的值zi,做如下处理,使其归一化的统一量纲的特征参数Ai为:
Ai=1000zi/(yi-xi)
步骤S2,基于各类图像特征参数进行模糊推理,得到水污染事件类型的初步判断。
此处模糊推理采用现有技术中的Mamdani模糊推理法,将上一步获得的图像特征参数{A1,A2,.....,AN}作为一个论域水污染事件类型作为一个论域此水污染事件类型采用国家《地下水质量标准》中规定的水污染事件类型:病原体污染,需氧性污染物污染,植物营养污染物,石油污染物,剧毒污染物和其他污染类型等;分别抽象为参数D1,D2,D3,D4,D5,将其水污染事件类型{D1,D2,.......,DM}作为一个论域(M的取值应大于等于5),然后根据隶属度(0<i<n),可以通过模糊集合和的笛卡尔积(取小)求得其模糊蕴涵关系即:
而后根据求出的模糊蕴含关系,就可以建立图像特征参数到水污染事件的映射关系,得到对水污染事件类型的初步判断。即根据此蕴含关系得到图像信息数据所对应的水污染事件类型。
步骤S3,根据水污染事件类型的初步判断,调用相应的水质传感器提取水质特征参数,并对各水质特征参数进行归一化。
根据水污染事件类型,调用相应的不同水质传感器(水质传感器包含现有技术中的PH传感器,溶解氧传感器,氨氮传感器,盐度传感器,亚硝酸盐传感器,苯检测器,燃料油传感器,生物酶传感器和有机碳传感器等)从水域采集数据,如在上步骤中初步判定为化学污染,则调用PH传感器,氨氮传感器,亚硝酸盐传感器,苯检测器等传感器进行检测,若如在上步骤中初步判定为石油污染,则调用燃料油传感器等传感器进行检测,若如在上步骤中初步判定为生物污染,则调用氨氮传感器,溶解氧传感器,有机碳传感器,生物酶传感器等传感器进行检测。需要说明的是,传感器的数量应不局限于以上提及的所有类型,还可以根据需要进行添加。提取的水质特征参数主要包括:PH值,重金属离子含量,有害气体溶解含量,微生物含量等数据。
设各水质传感器仪表测量范围是ai~bi(i为传感器的编号i=1,2……K),则对于该传感器的测量值ci,做如下处理,使其归一化的统一量纲的特征参数Ci:
Ci=1000ci/(ai-bi)
步骤S4,以图像特征参数和水质特征参数作为输入层,以水污染事件类型作为输出层,建立径向基函数神经网络模型,并利用历史数据样本对神经网络进行训练和学习。
以从图像中提取的图像特征参数和水质传感器提取的水质特征参数作为输入层,以水污染事件类型抽象出的特征参数{D1,D2,.......,DM}作为输出层,对水污染事件类型的特征参数提取过程可以简化处理,{D1,D2,.......,Dk}可分别对应{1,2,.....,k}。于是便建立起径向基函数神经网络(RBFN)模型,利用数据库中已有的历史样本对RBFN进行训练和学习,其具体训练过程参考现有的径向基函数神经网络学习过程(李国勇,神经模糊控制理论及应用[M],北京,电子工业出版社,2009),即对所有样本的输入进行聚类,求得各隐含层节点的RBF的中心向量,通过无监督学习过程建立隐含层和输出层各神经元之间的非线性映射关系。
步骤S5,将提取的图像特征参数以及水质特征参数输入训练好的神经网络,并进行识别,计算各特征参数对应的基本概率分配(BPA)。
由于已经根据历史数据库中的数据训练得到了所有图像特征参数和水质特征参数对应水污染事件类型的连接权值Wjn(隐含层的第j个神经元至输出层的第n个神经元的连接系数),假设第n次的检测使用了一个从水质传感器提取的水质特征参数或一个从图像提取的图像特征参数(F1,,F2,......,Fn)(1<n<K+N,K+N为可以调用的传感器数目K和图像可采集特征参数的数目N的和),则计算每个采集到特征参数对应BPAn的算法是:
其中,n指第n个特征参数,1<n<K+N。
步骤S6,运用D-S证据理论合成规则将各特征参数的BPA进行融合,并据此融合BPA得到最终的水污染类型判断结果。
依据现有技术D-S证据理论的融合规则(吴晓平,叶清,刘玲艳《基于改进的BP网络的D-S证据理论及其应用》,武汉理工大学学报,2007,29(8):158-161),每进行一次测量就进行一次融合,融合算法是:对于第(n-1)条证据,运用证据合成规则进行融合后得到各命题的BPA为未知命题的BPA为bU(k-1)。则在第n条证据获得以后,经RBF神经网络计算后各命题的BPA为bK(Aj)(j=1,2,...,m),未知命题的BPA为mk(U)。则多概率分配函数的正交和依据如下公式获得:
式中,
根据上式,融合后的BPA为
未知命题的BPA为:
其中,当下一次测量而产生新的证据后,就可根据上式进行融合推断,得到最终的各水污染事件类型对应的BPA。最终即可按照给定的类型判断决策规则,判断规则为,选择最终所有BPA中的最大值即:
并判断该BPA的值:BPAMAX是否大于α(α为人为设定值,可根据需要进行具体赋值)。若大于等于α,则判断出水污染的类型为该BPA所对应的类型。
步骤S7,将水污染类型与对应的水污染事件处理机制进行模糊匹配,获得处理预案。
将水污染类型结果与知识库中对应的水污染事件处理机制进行模糊匹配,给出处理预案,需要说明的是,这里的水污染事件处理机制应参考现有的处理机制。
如果在证据理论判断以后,若BPAMAX≥α,(α为人为设定值,可根据需要进行具体赋值,本实施例中设定为50%)则启动应急处理过程,将判断出的水污染类型和对应的处理机制进行匹配,给出处理预案,同时将新的预测数据和决策数据送回到神经网络中进行重新训练。
如果在证据理论判断之后,若融合选择出的BPAMAX<α,则认为这是一种新的水域水质情况类型,并将其上报至管理员,管理员则利用本次采集到的原始样本对这种情况进行进一步的化验检测,然后对原有的数据库进行更新操作。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.基于神经网络和证据理论的水污染事件智能决策方法,其特征是,包括以下步骤:
步骤S1,采集待检测水域的水体表面图像,从中提取图像特征参数,并对各类图像特征参数进行归一化;
步骤S2,基于各类图像特征参数进行模糊推理,得到水污染事件类型的初步判断;
步骤S3,根据水污染事件类型的初步判断,调用相应的水质传感器提取水质特征参数,并对各水质特征参数数值进行归一化;
步骤S4,以图像特征参数和水质特征参数作为输入层,以水污染事件类型作为输出层,建立径向基函数神经网络模型,并利用历史数据样本对神经网络进行训练和学习;
步骤S5,将提取的图像特征参数以及水质特征参数输入训练好的神经网络,并进行识别,计算各特征参数对应的BPA;
步骤S6,运用D-S证据理论合成规则将各特征参数的BPA进行融合,并据此融合BPA得到最终的水污染类型判断结果;
步骤S7,将水污染类型与对应的水污染事件处理机制进行模糊匹配,获得处理预案。
2.根据权利要求1所述的基于神经网络和证据理论的水污染事件智能决策方法,其特征是,设各类数据的采集范围是xi~yi(i=1,2……N),则对于数据的值zi,做如下处理,使其归一化的统一量纲的特征参数Ai为:
Ai=1000zi/(yi-xi)。
3.根据权利要求1所述的基于神经网络和证据理论的水污染事件智能决策方法,其特征是,模糊推理采用Mamdani模糊推理法。
4.根据权利要求1所述的基于神经网络和证据理论的水污染事件智能决策方法,其特征是,设各水质传感器仪表测量范围是ai~bi(i为传感器的编号i=1,2……K),则对于该传感器的测量值ci,做如下处理,使其归一化的统一量纲的特征参数Ci:
Ci=1000ci/(ai-bi)。
5.根据权利要求1所述的基于神经网络和证据理论的水污染事件智能决策方法,其特征是,计算每个特征参数对应BPAn的公式是:
其中,n指第n个特征参数,1<n<K+N;Wjn为特征参数对应水污染事件类型的连接权值。
6.根据权利要求1所述的基于神经网络和证据理论的水污染事件智能决策方法,其特征是,步骤S5中,得到最终的水污染类型判断结果的具体过程为:选择最终所有BPA中的最大值:
若BPAMAX大于等于设定值,则判断出水污染的类型为该BPA所对应的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184080.6A CN106779418B (zh) | 2016-12-20 | 2016-12-20 | 基于神经网络和证据理论的水污染事件智能决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611184080.6A CN106779418B (zh) | 2016-12-20 | 2016-12-20 | 基于神经网络和证据理论的水污染事件智能决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106779418A true CN106779418A (zh) | 2017-05-31 |
CN106779418B CN106779418B (zh) | 2020-09-04 |
Family
ID=58894315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611184080.6A Active CN106779418B (zh) | 2016-12-20 | 2016-12-20 | 基于神经网络和证据理论的水污染事件智能决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779418B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
CN108600332A (zh) * | 2018-04-02 | 2018-09-28 | 深圳源广安智能科技有限公司 | 一种基于区块链技术的水源污染数据处理系统 |
CN108764520A (zh) * | 2018-04-11 | 2018-11-06 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
CN108960525A (zh) * | 2018-07-20 | 2018-12-07 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
CN109614281A (zh) * | 2017-10-04 | 2019-04-12 | 株式会社日立制作所 | 监控装置、其方法、及其系统 |
CN109726899A (zh) * | 2018-12-13 | 2019-05-07 | 西安理工大学 | 社会化网络媒体数据中城市空气污染事件的识别方法 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
CN110163253A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 鱼浮头程度检测方法及系统 |
WO2020059491A1 (ja) * | 2018-09-19 | 2020-03-26 | 株式会社カネカ | 検査情報処理方法、検査情報処理装置、コンピュータプログラム及び学習モデル |
CN110930042A (zh) * | 2019-11-29 | 2020-03-27 | 西京学院 | 基于ds证据理论的海洋水质数据在线分析评价方法 |
CN111275951A (zh) * | 2019-12-25 | 2020-06-12 | 中国移动通信集团江苏有限公司 | 一种信息处理方法、装置、设备及计算机存储介质 |
CN112232375A (zh) * | 2020-09-21 | 2021-01-15 | 西北工业大学 | 一种基于证据理论的未知类型目标识别方法 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN113015120A (zh) * | 2021-01-28 | 2021-06-22 | 深圳市协润科技有限公司 | 一种基于神经网络的治污监测系统和方法 |
CN114111910A (zh) * | 2021-12-03 | 2022-03-01 | 天津市水利科学研究院 | 用于水系的污染通量监测系统 |
CN114935590A (zh) * | 2022-05-30 | 2022-08-23 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
CN116777122A (zh) * | 2023-08-21 | 2023-09-19 | 安徽塔联智能科技有限责任公司 | 一种数字乡村综合治理ai预警平台 |
CN116819029A (zh) * | 2023-08-09 | 2023-09-29 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
-
2016
- 2016-12-20 CN CN201611184080.6A patent/CN106779418B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
Non-Patent Citations (2)
Title |
---|
宋秀峰: "海洋水质检测系统中多传感器数据融合技术的研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
胡明星: "湖泊水质富营养化评价的模糊神经网络方法", 《环境科学研究》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
CN109614281B (zh) * | 2017-10-04 | 2022-03-08 | 株式会社日立制作所 | 监控装置、其方法、及其系统 |
CN109614281A (zh) * | 2017-10-04 | 2019-04-12 | 株式会社日立制作所 | 监控装置、其方法、及其系统 |
CN107798467A (zh) * | 2017-10-11 | 2018-03-13 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
CN107798467B (zh) * | 2017-10-11 | 2020-08-21 | 杭州市环境保护科学研究院 | 基于深度学习的水污染突发事故快速应急评估和决策方法 |
CN108600332A (zh) * | 2018-04-02 | 2018-09-28 | 深圳源广安智能科技有限公司 | 一种基于区块链技术的水源污染数据处理系统 |
CN108764520A (zh) * | 2018-04-11 | 2018-11-06 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
CN108764520B (zh) * | 2018-04-11 | 2021-11-16 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
CN108960525A (zh) * | 2018-07-20 | 2018-12-07 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
CN108960525B (zh) * | 2018-07-20 | 2021-11-16 | 郑州轻工业学院 | 基于移动计算机和神经网络的污染监测方法及装置 |
WO2020059491A1 (ja) * | 2018-09-19 | 2020-03-26 | 株式会社カネカ | 検査情報処理方法、検査情報処理装置、コンピュータプログラム及び学習モデル |
CN109726899B (zh) * | 2018-12-13 | 2023-05-09 | 西安理工大学 | 社会化网络媒体数据中城市空气污染事件的识别方法 |
CN109726899A (zh) * | 2018-12-13 | 2019-05-07 | 西安理工大学 | 社会化网络媒体数据中城市空气污染事件的识别方法 |
CN109934805A (zh) * | 2019-03-04 | 2019-06-25 | 江南大学 | 一种基于低照度图像和神经网络的水污染检测方法 |
CN110163253B (zh) * | 2019-04-18 | 2021-05-04 | 中国农业大学 | 鱼浮头程度检测方法及系统 |
CN110163253A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 鱼浮头程度检测方法及系统 |
CN110930042A (zh) * | 2019-11-29 | 2020-03-27 | 西京学院 | 基于ds证据理论的海洋水质数据在线分析评价方法 |
CN111275951A (zh) * | 2019-12-25 | 2020-06-12 | 中国移动通信集团江苏有限公司 | 一种信息处理方法、装置、设备及计算机存储介质 |
CN112232375A (zh) * | 2020-09-21 | 2021-01-15 | 西北工业大学 | 一种基于证据理论的未知类型目标识别方法 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN112903008B (zh) * | 2021-01-15 | 2023-01-10 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
CN113015120B (zh) * | 2021-01-28 | 2023-10-13 | 深圳市协润科技有限公司 | 一种基于神经网络的治污监测系统和方法 |
CN113015120A (zh) * | 2021-01-28 | 2021-06-22 | 深圳市协润科技有限公司 | 一种基于神经网络的治污监测系统和方法 |
CN114111910A (zh) * | 2021-12-03 | 2022-03-01 | 天津市水利科学研究院 | 用于水系的污染通量监测系统 |
CN114935590A (zh) * | 2022-05-30 | 2022-08-23 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
CN114935590B (zh) * | 2022-05-30 | 2024-05-10 | 江苏大学 | 沼液水质在线监测装置、沼液精准化配肥还田系统及方法 |
CN116819029A (zh) * | 2023-08-09 | 2023-09-29 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及系统 |
CN116819029B (zh) * | 2023-08-09 | 2024-02-09 | 水利部珠江水利委员会水文局 | 一种河道水污染监测方法及系统 |
CN116777122A (zh) * | 2023-08-21 | 2023-09-19 | 安徽塔联智能科技有限责任公司 | 一种数字乡村综合治理ai预警平台 |
CN116777122B (zh) * | 2023-08-21 | 2023-11-03 | 安徽塔联智能科技有限责任公司 | 一种数字乡村综合治理ai预警平台 |
Also Published As
Publication number | Publication date |
---|---|
CN106779418B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779418A (zh) | 基于神经网络和证据理论的水污染事件智能决策方法 | |
CN110765941B (zh) | 一种基于高分遥感影像的海水污染区域识别方法和设备 | |
CN105678332B (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN104965971B (zh) | 一种基于模糊神经网络的氨氮浓度软测量方法 | |
CN108898215B (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN112116080A (zh) | 一种融合了注意力机制的cnn-gru水质预测方法 | |
CN103177301A (zh) | 一种台风灾害风险预估方法 | |
CN108665119B (zh) | 一种供水管网异常工况预警方法 | |
CN107045053A (zh) | 一种基于可控标准的地表水质综合评价体系 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN106408005A (zh) | 基于modis色素浓度估算的富营养化湖泊水质风险评价方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN111896540A (zh) | 一种基于区块链的水质在线监测系统 | |
CN117370919B (zh) | 污水处理设备远程监控系统 | |
CN113850516A (zh) | 基于t-s模糊神经网络的水质评价方法 | |
CN116310842B (zh) | 基于遥感图像的土壤盐碱区域识别划分方法 | |
CN110222793B (zh) | 基于多视角主动学习的在线半监督分类方法及系统 | |
CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
CN109598283B (zh) | 一种基于半监督极限学习机的铝电解过热度识别方法 | |
Xing et al. | Water quality evaluation by the fuzzy comprehensive evaluation based on EW method | |
Zhuang et al. | Application of water quality evaluation model based on gray correlation analysis and artificial neural network algorithm | |
He et al. | Problems in air quality monitoring and assessment | |
CN114626965A (zh) | 一种区域生态承载力边界阈值检测方法及装置 | |
CN111401683B (zh) | 古村落传统性的测算方法及装置 | |
Lin et al. | Multi-source monitoring data fusion and assessment model on water environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |