CN109272231A - 一种污水评估数据处理方法及装置 - Google Patents
一种污水评估数据处理方法及装置 Download PDFInfo
- Publication number
- CN109272231A CN109272231A CN201811095906.0A CN201811095906A CN109272231A CN 109272231 A CN109272231 A CN 109272231A CN 201811095906 A CN201811095906 A CN 201811095906A CN 109272231 A CN109272231 A CN 109272231A
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- degree
- sewage
- data processing
- ultimate density
- 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.)
- Pending
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种污水评估数据处理方法及装置,所述方法包括设定评价指标ci;所述评价指标包括至少两项并且包括叶绿素浓度;构建污水评估数据处理模型T;获取各个评价指标对应的浓度计算模型;根据浓度计算模型和聚类算法获取各个评价指标的最终浓度;所述最终浓度通过加权计算而得,权值与聚类结果有关;根据所述各个评价指标的最终浓度为水体分级。本发明通过独创性地提出了污水评估数据处理模型、浓度计算模型、最终浓度计算模型以及分级方法设计出了污水评估数据处理的全过程,全过程均可以自动实现,并且具备较好的分级效果。
Description
技术领域
本发明涉及环保领域,尤其涉及一种污水评估数据处理方法及装置。
背景技术
在环境研究中,往往需要对于水体的质量进行评估,即进行水体分级,不同等级的水体表示水体的污染程度不同,则相应的,采取的污水治理的方法也不同。进一步地,对于水体质量的分级评估对于综合评价水体污染,了解当前的水环境也具有至关重要的作用。然而,目前,现有技术尚缺乏有效的水体污染评估方法。
发明内容
为了解决上述技术问题,本发明提供一种污水评估数据处理方法及装置。
本发明是以如下技术方案实现的:
一种污水评估数据处理方法,所述方法包括:
设定评价指标ci;所述评价指标包括至少两项并且包括叶绿素浓度;
构建污水评估数据处理模型T;
获取各个评价指标对应的浓度计算模型;
根据浓度计算模型和聚类算法获取各个评价指标的最终浓度;所述最终浓度通过加权计算而得,权值与聚类结果有关;
根据所述各个评价指标的最终浓度为水体分级。
进一步地,叶绿素最终浓度计算方法包括:
获取n个叶绿素浓度计算节点Pi按照时间顺序使用浓度计算模型获取的浓度样本向量xi构成样本集合;
计算两个样本向量之间的不相似性,并得到不相似性矩阵R={rij}n*n;
初始化类别ω;
获取各个样本向量对于类别的隶属度;
获取各个样本向量对于类别的贡献度;
输出基于所述隶属度和贡献度表示的聚类结果;
根据聚类结果计算最终浓度。
进一步地,所述隶属度以u表示,uik表示样本向量xi对类别ωk的隶属度,所述贡献度以v表示,vkj表示样本向量xj对类别ωk的贡献权重;
隶属度根据第一公式:计算,贡献度根据第二公式:计算,以样本向量为输入,根据第一公式和第二公式进行迭代计算,从而得到各个样本向量对于类别的隶属度和贡献度,φ和β为与聚类精度有关的常数。
进一步地,最终浓度其中δi是样本向量xi的最后一个元素,表示样本向量xi的权重,所述权重与聚类结果有关。
一种污水评估数据处理装置,包括:
评价指标设定模块,用于设定评价指标ci;所述评价指标包括至少两项并且包括叶绿素浓度;
污水评估数据处理模型构建模块,用于构建污水评估数据处理模型T;
浓度计算模型获取模块,用于获取各个评价指标对应的浓度计算模型;
最终浓度获取模块,用于根据浓度计算模型和聚类算法获取各个评价指标的最终浓度;所述最终浓度通过加权计算而得,权值与聚类结果有关;
分级模块,用于根据所述各个评价指标的最终浓度为水体分级。
进一步地,最终浓度获取模块包括:
样本集合获取单元,用于获取n个叶绿素浓度计算节点Pi按照时间顺序使用浓度计算模型获取的浓度样本向量xi构成样本集合;
不相似性获取单元,用于计算两个样本向量之间的不相似性,并得到不相似性矩阵R={rij}n*n;
初始化单元,用于初始化类别ω;
隶属度获取单元,用于获取各个样本向量对于类别的隶属度;
贡献度获取单元,用于获取各个样本向量对于类别的贡献度;
聚类单元,用于输出基于所述隶属度和贡献度表示的聚类结果;
计算单元,用于据聚类结果计算最终浓度。
在本发明创造的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明创造的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明创造的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
本发明的有益效果是:
本发明中提供了一种污水评估数据处理及装置,通过独创性地提出了污水评估数据处理模型、浓度计算模型、最终浓度计算模型以及分级方法设计出了污水评估数据处理的全过程,全过程均可以自动实现,并且具备较好的分级效果。
附图说明
图1是本实施例提供的一种污水评估数据处理方法流程图;
图2是本实施例提供的污水评估数据处理模型构建方法流程图;
图3是本实施例提供的一种叶绿素浓度模型构建方法流程图;
图4是本实施例提供的最终浓度的获取方法流程图;
图5是本实施例提供的水体分级方法流程图;
图6是本实施例提供的一种污水评估数据处理装置框图;
图7是本实施例提供的污水评估数据处理模型构建模块框图;
图8是本实施例提供的浓度计算模型获取模块框图;
图9是本实施例提供的最终浓度获取模块框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明作进一步地详细描述。
本发明实施例提供一种污水评估数据处理方法,如图1所示,包括:
S101.设定评价指标ci。
具体地,对于不同的水域,评价指标可以进行不同的选择,但是必须包括叶绿素浓度并且至少两项。常见的评价指标包括但不限于叶绿素浓度、总氮浓度、化学需氧量、悬浮物浓度、总磷浓度、五日生化需氧量、总有机碳、溶氧量等等。
S102.构建污水评估数据处理模型T。
S103.获取各个评价指标对应的浓度计算模型。
S104.根据浓度计算模型和聚类算法获取各个评价指标的最终浓度。
S105.根据所述各个评价指标的最终浓度为水体分级。
具体地,所述构建污水评估数据处理模型如图2所示,包括:
S1021.确定评价指标隶属度矩阵B。
在本发明实施例中,所述评价指标隶属度矩阵B中的每个元素bij表示评价指标ci对于第j级水体的隶属度。
其中χi(j)表示水体等级为j时,评价指标ci的阈值。
具体地,χi(j)的计算方法为:κij代表水体等级为第j级的时候评价指标ci的分级标准值,所述分级标准值是根据水体质量标准以及各项水体指标对于人体健康和生态环境的影响程度确定的。在确定该值时可以对这些指标相关数据进行聚类分析和敏感性分析,该值确定使用现有技术即可,本发明实施例中不做赘述。
S1022.确定各个评价指标的归一化权重值ai。
为了体现不同评价指标对于污水评估数据处理的不同贡献,本发明实施例使用归一化赋权来获取其对应的权重值,其具体数值可以进行自适应标定,也可以人为规定。
S1023.根据所述评价指标隶属度矩阵B和各个评价指标的归一化权重值ai获取污水评估数据处理模型T。
本发明实施例中污水评估数据处理模型A中的每一列的元素的数值均等于隶属度矩阵B相应元素的值乘以该列对应的归一化权重值。
具体地,对于不同的评价指标,其浓度计算模型可以是不同的,本发明实施例提供一种叶绿素浓度模型构建方法,如图3所示,包括:
S1.获取遥感影像数据。
S2.对所述遥感影像数据进行掩膜以提取水体区间。
S3.准备训练数据和验证数据,所述训练数据用于构建模型,所述验证数据用于验证模型精度;所述训练数据和验证数据均以数据对的形式记录。数值对为波段比值与叶绿素浓度构成的数值对。
叶绿素的吸收峰一般出现在675nm附近,反射峰一般出现在700nm附近,但是在不同水体中,吸收峰和反射峰的具体位置并不是固定不变,而是稍有区别。若所述遥感影像数据为多光谱数据,则某一位置的波段比值为:以近红外波段和红波段的比值作为所述波段比值;若所述遥感影像数据是高光谱数据,则某一位置的波段比值为:选择700nm附近波段与675nm附近波段比值与叶绿素浓度相关性最大的组合构成的比值作为所述波段比值。叶绿素浓度则为实际该位置测得的叶绿素的实际浓度。
S4.以波段比值为自变量,以叶绿素浓度为因变量构建模型,并以训练数据为数据源求得所述模型的各个参量。
具体地,所述模型可以有多重选择方法,比如使用一阶模型、二阶模型、指数模型、对数模型或者幂模型等等。
S5.使用验证模型验证所述模型的精度。
上述模型都可以选用,最后选定精度达到预定标准的模型作为最后的构建结果。
使用构建得到的模型,可以对于某个水体不同位置处的叶绿素浓度进行粗略计算,并将得到的浓度存储在一起构成浓度样本向量,本发明实施例进一步使用聚类算法得到浓度样本集合对应的最终浓度。所述最终浓度的获取方法如图4所示,包括:
S10.获取n个叶绿素浓度计算节点Pi按照时间顺序使用浓度计算模型获取的浓度样本向量xi构成样本集合。
S20.计算两个样本向量之间的不相似性,并得到不相似性矩阵R={rij}n*n。
S30.初始化类别ω。
具体地,本发明实施例中初始化三个类别,在其它可行的实施例中对于初始化类别不做限定。
S40.获取各个样本向量对于类别的隶属度。
S50.获取各个样本向量对于类别的贡献度。
S60.输出基于所述隶属度和贡献度表示的聚类结果。
具体地,所述隶属度以u表示,uik表示样本向量xi对类别ωk的隶属度,所述贡献度以v表示,vkj表示样本向量xj对类别ωk的贡献权重。
隶属度根据公式(一):计算,贡献度根据公式(二):可见,以样本向量为输入,根据公式(一)和公式(二)进行迭代计算,从而得到各个样本向量对于类别的隶属度和贡献度。公式(一)和公式(二)中的φ和β为与聚类精度有关的常数。
S70.根据聚类结果计算最终浓度。
具体地,最终浓度其中δi是样本向量xi的最后一个元素,表示样本向量xi的权重,所述权重与聚类结果有关,越靠近聚类中心,权重越大。
对于其它评价指标的浓度计算模型,也可以参考本发明实施例中的叶绿素浓度构建模型或者使用现有技术,本发明实施例不做限定于赘述。进一步地,在得到模型之后即可计算各个位置处的评价指标对应的浓度,进而使用本发明实施例中的聚类算法得到最终浓度。
具体地,所述根据所述各个评价指标的最终浓度为水体分级如图5所示,包括:
S1051.根据所述各个评价指标的最终浓度和污水评估数据处理模型计算综合评价集。
S1052.以所述综合评价集中的最大值所在的位置确定水体等级。
具体地,各个评价指标的最终浓度构成了浓度指标向量,浓度指标向量与污水评估数据处理模型T相乘得到分级数值向量,分级数值向量向量中模最大的元素,其对应的下表即为分级结果。
本发明实施例一种污水评估数据处理装置,如图6所示,包括:
评价指标设定模块201,用于设定评价指标ci。
污水评估数据处理模型构建模块202,用于构建污水评估数据处理模型T。
浓度计算模型获取模块203,用于获取各个评价指标对应的浓度计算模型。
最终浓度获取模块204,用于根据浓度计算模型和聚类算法获取各个评价指标的最终浓度。
分级模块205,用于根据所述各个评价指标的最终浓度为水体分级。
污水评估数据处理模型构建模块202如图7所示,包括:
矩阵获取单元2021,用于确定评价指标隶属度矩阵B。
归一化单元2022,用于确定各个评价指标的归一化权重值ai。
模型获取单元2023,用于根据所述评价指标隶属度矩阵B和各个评价指标的归一化权重值ai获取污水评估数据处理模型T。
浓度计算模型获取模块203如图8所示,包括:
数据获取单元2031,用于获取遥感影像数据。
提取单元2032,用于对所述遥感影像数据进行掩膜以提取水体区间。
数据准备单元2033,用于准备训练数据和验证数据,所述训练数据用于构建模型,所述验证数据用于验证模型精度;所述训练数据和验证数据均以数据对的形式记录。数值对为波段比值与叶绿素浓度构成的数值对。
模型生成单元2034,用于以波段比值为自变量,以叶绿素浓度为因变量构建模型,并以训练数据为数据源求得所述模型的各个参量。
验证单元2035,用于使用验证模型验证所述模型的精度。
最终浓度获取模块204如图9所示,包括:
样本集合获取单元2041,用于获取n个叶绿素浓度计算节点Pi按照时间顺序使用浓度计算模型获取的浓度样本向量xi构成样本集合。
不相似性获取单元2042,用于计算两个样本向量之间的不相似性,并得到不相似性矩阵R={rij}n*n。
初始化单元2043,用于初始化类别ω。
隶属度获取单元2044,用于获取各个样本向量对于类别的隶属度。
贡献度获取单元2045,用于获取各个样本向量对于类别的贡献度。
聚类单元2046,用于输出基于所述隶属度和贡献度表示的聚类结果。
计算单元2047,用于据聚类结果计算最终浓度。
本发明的装置实施例中与方法实施例基于同样地发明构思。
本发明的实施例还提供了一种存储介质,所述存储介质可用于保存用于实现实施例中需要用到的的程序代码。可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络设备中的至少一个网络设备。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端,可通过其它的方式实现。其中,以上所描述的系统实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
需要说明的是:上述本发明实施例的先后顺序仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种污水评估数据处理方法,其特征在于,所述方法包括:
设定评价指标ci;所述评价指标包括至少两项并且包括叶绿素浓度;
构建污水评估数据处理模型T;
获取各个评价指标对应的浓度计算模型;
根据浓度计算模型和聚类算法获取各个评价指标的最终浓度;所述最终浓度通过加权计算而得,权值与聚类结果有关;
根据所述各个评价指标的最终浓度为水体分级。
2.根据权利要求1所述一种污水评估数据处理方法,其特征在于:
叶绿素最终浓度计算方法包括:
获取n个叶绿素浓度计算节点Pi按照时间顺序使用浓度计算模型获取的浓度样本向量xi构成样本集合;
计算两个样本向量之间的不相似性,并得到不相似性矩阵R={rij}n*n;
初始化类别ω;
获取各个样本向量对于类别的隶属度;
获取各个样本向量对于类别的贡献度;
输出基于所述隶属度和贡献度表示的聚类结果;
根据聚类结果计算最终浓度。
3.根据权利要求2所述一种污水评估数据处理方法,其特征在于:
所述隶属度以u表示,uik表示样本向量xi对类别ωk的隶属度,所述贡献度以v表示,vkj表示样本向量xj对类别ωk的贡献权重;
隶属度根据第一公式:计算,贡献度根据第二公式:计算,以样本向量为输入,根据第一公式和第二公式进行迭代计算,从而得到各个样本向量对于类别的隶属度和贡献度,φ和β为与聚类精度有关的常数。
4.根据权利要求3所述一种污水评估数据处理方法,其特征在于:
最终浓度其中δi是样本向量xi的最后一个元素,表示样本向量xi的权重,所述权重与聚类结果有关。
5.一种污水评估数据处理装置,其特征在于,包括:
评价指标设定模块,用于设定评价指标ci;所述评价指标包括至少两项并且包括叶绿素浓度;
污水评估数据处理模型构建模块,用于构建污水评估数据处理模型T;
浓度计算模型获取模块,用于获取各个评价指标对应的浓度计算模型;
最终浓度获取模块,用于根据浓度计算模型和聚类算法获取各个评价指标的最终浓度;所述最终浓度通过加权计算而得,权值与聚类结果有关;
分级模块,用于根据所述各个评价指标的最终浓度为水体分级。
6.根据权利要求5所述一种污水评估数据处理装置,其特征在于:
最终浓度获取模块包括:
样本集合获取单元,用于获取n个叶绿素浓度计算节点Pi按照时间顺序使用浓度计算模型获取的浓度样本向量xi构成样本集合;
不相似性获取单元,用于计算两个样本向量之间的不相似性,并得到不相似性矩阵R={rij}n*n;
初始化单元,用于初始化类别ω;
隶属度获取单元,用于获取各个样本向量对于类别的隶属度;
贡献度获取单元,用于获取各个样本向量对于类别的贡献度;
聚类单元,用于输出基于所述隶属度和贡献度表示的聚类结果;
计算单元,用于据聚类结果计算最终浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811095906.0A CN109272231A (zh) | 2018-09-19 | 2018-09-19 | 一种污水评估数据处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811095906.0A CN109272231A (zh) | 2018-09-19 | 2018-09-19 | 一种污水评估数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109272231A true CN109272231A (zh) | 2019-01-25 |
Family
ID=65197734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811095906.0A Pending CN109272231A (zh) | 2018-09-19 | 2018-09-19 | 一种污水评估数据处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272231A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310803A (zh) * | 2020-01-20 | 2020-06-19 | 江苏神彩科技股份有限公司 | 环境数据处理方法和装置 |
CN112085081A (zh) * | 2020-09-02 | 2020-12-15 | 董萍 | 一种污水成分检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030101074A1 (en) * | 2001-11-29 | 2003-05-29 | Takeshi Suzuki | System and method for evaluating real estate and the surrounding environment and visualizing the evaluation results |
CN104282022A (zh) * | 2014-09-29 | 2015-01-14 | 江南大学 | 一种具备多视角学习能力的模糊聚类图像分割方法 |
CN104535733A (zh) * | 2014-12-18 | 2015-04-22 | 西安建筑科技大学 | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 |
CN107688701A (zh) * | 2017-08-23 | 2018-02-13 | 北京工商大学 | 基于wasp模型的水质软测量及水体富营养化评价方法 |
-
2018
- 2018-09-19 CN CN201811095906.0A patent/CN109272231A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030101074A1 (en) * | 2001-11-29 | 2003-05-29 | Takeshi Suzuki | System and method for evaluating real estate and the surrounding environment and visualizing the evaluation results |
CN104282022A (zh) * | 2014-09-29 | 2015-01-14 | 江南大学 | 一种具备多视角学习能力的模糊聚类图像分割方法 |
CN104535733A (zh) * | 2014-12-18 | 2015-04-22 | 西安建筑科技大学 | 一种基于灰色聚类分析法的城市内湖水环境功能指标评价方法 |
CN107688701A (zh) * | 2017-08-23 | 2018-02-13 | 北京工商大学 | 基于wasp模型的水质软测量及水体富营养化评价方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310803A (zh) * | 2020-01-20 | 2020-06-19 | 江苏神彩科技股份有限公司 | 环境数据处理方法和装置 |
CN112085081A (zh) * | 2020-09-02 | 2020-12-15 | 董萍 | 一种污水成分检测方法及系统 |
CN112085081B (zh) * | 2020-09-02 | 2024-02-02 | 西部第三方检测集团(宁夏)有限公司 | 一种污水成分检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyons et al. | Probability on trees and networks | |
Bruce et al. | A multi-lake comparative analysis of the General Lake Model (GLM): Stress-testing across a global observatory network | |
Kenkel et al. | On sampling procedures in population and community ecology | |
Vrugt et al. | DREAM (D): an adaptive Markov Chain Monte Carlo simulation algorithm to solve discrete, noncontinuous, and combinatorial posterior parameter estimation problems | |
CN108231201A (zh) | 一种疾病数据分析处理模型的构建方法、系统及应用 | |
Koch et al. | Toward a true spatial model evaluation in distributed hydrological modeling: K appa statistics, F uzzy theory, and EOF‐analysis benchmarked by the human perception and evaluated against a modeling case study | |
Ozturk | Sampling from partially rank-ordered sets | |
CN109994200A (zh) | 一种基于相似度融合的多组学癌症数据整合分析方法 | |
Ma et al. | Determining the number of communities in degree-corrected stochastic block models | |
CN104698365B (zh) | 基于分组编码遗传算法的不可靠测试优选方法 | |
CN109272231A (zh) | 一种污水评估数据处理方法及装置 | |
CN104298893B (zh) | 一种基因表达缺失数据的填补方法 | |
CN105203565A (zh) | 一种能谱重叠峰解析方法 | |
CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
CN109214699A (zh) | 一种水体评价方法及装置 | |
CN111090764A (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
Habiger | Multiple test functions and adjusted p-values for test statistics with discrete distributions | |
CN105760900A (zh) | 基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法 | |
CN110517160A (zh) | 一种农产品的质量分级方法及质量分级系统 | |
CN107977651A (zh) | 基于量化最小误差熵的共用空间模式空域特征提取方法 | |
Iliadis et al. | Predicting Douglas-fir wood density by artificial neural networks (ANN) based on progeny testing information | |
McGlinn et al. | Exploring the spatially explicit predictions of the Maximum Entropy Theory of Ecology | |
CN106980821A (zh) | 一种基于icde的手掌bis身份识别方法 | |
Lati et al. | Three-dimensional image-based modelling of linear features for plant biomass estimation | |
CN108876226A (zh) | 一种水质评估方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190125 |