CN109870551A - 一种海洋水质监测方法 - Google Patents
一种海洋水质监测方法 Download PDFInfo
- Publication number
- CN109870551A CN109870551A CN201910236210.3A CN201910236210A CN109870551A CN 109870551 A CN109870551 A CN 109870551A CN 201910236210 A CN201910236210 A CN 201910236210A CN 109870551 A CN109870551 A CN 109870551A
- Authority
- CN
- China
- Prior art keywords
- analysis
- node
- result
- data
- monitoring
- 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
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种海洋水质监测方法，步骤为：(1)设置多个监测点，采集每个监测点的数据；(2)对每个监测点进行单点分析，得到每个监测点的分析结果，并对分析结果分级；(3)将步骤(2)中得到的分析结果作为样本数据进行预处理；(4)构造神经网络分析模型；(5)将步骤(3)中得到的预处理数据用于训练神经网络分析模型，并最终得出水质安全分析结果。本发明能够计算出安全分析数据，并构建神经网络模型来对监测数据进行安全分析，能有效发现和分析监测数据中异常数据，对分析结果进行级别划分，对异常情况进行预警预报，提高人工对异常数据的关注度，并且得出的结果更加精确，能够更好的为海洋水质综合评判服务。
Description
技术领域
本发明属于海洋技术领域，特别涉及一种海洋水质监测方法。
背景技术
我国国土辽阔，大部分靠海，海域辽阔，海水的质量往往对于海洋生物很重 要，而且一部分食用盐也是从海水中提取的，因此海水的质量显得尤为重要。
近年来，关于海洋水质监测的系统和方法也存在，但是监测数据不准确，特 别是外部因素导致的传感器节点采集数据出现偏差，普遍分析不出来，由此可见， 对于异常数据的分析显得尤为重要。
发明内容
发明目的：针对现有技术中存在的问题，提供一种通过对于异常数据的分析 从而能够更加精确对海洋水质进行监测的方法。
技术方案：为解决上述技术问题，本发明提供一种海洋水质监测方法，其特 征在于，包括如下步骤：
(1)设置多个监测点，采集每个监测点的数据；
(2)对每个监测点进行单点分析，得到每个监测点的分析结果，并对分析 结果分级；
(3)将步骤(2)中得到的分析结果作为样本数据进行预处理；
(4)构造神经网络分析模型；
(5)将步骤(3)中得到的预处理数据用于训练神经网络分析模型，并最终 得出水质安全分析结果。
进一步的，所述步骤(2)中对每个监测点进行单点分析，得到每个监测点 的分析结果，并对分析结果分级的具体步骤如下：
(2.1)对于任一监测节点e，存在一段长时间的监测数据序列 {x1，x2，x3，...，xn}，首先计算它的平均值和均方误差
公式表示为：其中，为任一节点e的平均 值，为节点e的均方误差，n为节点e的时间序列长度，xi为节点e第i天的 监测数据；
(2.2)进一步计算第i天节点e的监测数据xi的偏差的绝对值与均方差的比 值qi，公式表示为：
(2.3)根据qi的值对节点进行分级分析，构造分析评级矩阵。
进一步的，所述步骤(2.3)中构造分析评级矩阵的具体步骤如下：
(2.3.1)若qi≤1，则表示当天的监测数据偏差非常小，所以给它评级为正 常的normal，分析评级矩阵为[0 0 0 1]；
(2.3.2)若1≤qi＜2，则表示当天的监测数据偏差较小，所以给它评级为可 接受的acceptable，分析评级矩阵为[0 0 1 0]；
(2.3.3)若2≤qi＜3，则表示当天的监测数据偏差较大，需要引起管理人员 的关注，所以给它评级为需要提醒的remindful，分析评级矩阵表示为 [01 0 0]；
(2.3.4)若qi≥3，则表示当天的监测数据偏差非常大，可能出现了异常情 况，需要对该监测点特别关注，所以给它评级为警告的warning，分析评级矩阵 表示为[1 0 00]；
(2.3.5)得到所有节点的分析评级矩阵。
进一步的，所述步骤(3)中将得到的分析结果作为样本数据进行预处理的 具体步骤如下：
(3.1)将某一个节点某一天的分析结果的分析评级矩阵扁平化为{0,1,2,3} 中的元素；
(3.2)对于节点p，将节点p的子节点的分析结果整合，构造神经网络的输 入矩阵，维度为n_node×n_day，其中n_node表示节点p的子节点的个数，n_day 表示训练的天数；
(3.3)将节点p的分析结果构造成神经网络的输出矩阵，维度为1×n_day。
进一步的，所述步骤(4)中构造神经网络分析模型的具体步骤为：隐含层 的激活函数设置为tanh，输出层的激活函数设置为relu，构造浅层的神经网络分 析模型。
进一步的，所述步骤(5)中得出水质安全分析结果的具体步骤如下：
(5.1)对于任一节点p，以节点p的子节点的分析结果作为样本输入，以节 点p的分析结果作为样本输出，对神经网络分析模型进行训练；
(5.4)对每个节点都得到一个模型，通过这个模型得出水质安全分析结果， 用于海洋水质安全性评判。
与现有技术相比，本发明的优点在于：
本发明能够计算出安全分析数据，并构建神经网络模型来对监测数据进行安 全分析，能有效发现和分析监测数据中异常数据，对分析结果进行级别划分，对 异常情况进行预警预报，提高人工对异常数据的关注度，并且得出的结果更加精 确，能够更好的为海洋水质综合评判服务。
具体实施方式
下面结合具体实施方式，进一步阐明本发明。本发明描述的实施例仅仅是本 发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普 通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本发明 所保护的范围。
一种海洋水质监测方法，其特征在于，包括如下步骤：
(1)设置多个监测点，采集每个监测点的数据；
(2)对每个监测点进行单点分析，得到每个监测点的分析结果，并对分析 结果分级；
(3)将步骤(2)中得到的分析结果作为样本数据进行预处理；
(4)构造神经网络分析模型；
(5)将步骤(3)中得到的预处理数据用于训练神经网络分析模型，并最终 得出水质安全分析结果。
进一步的，所述步骤(2)中对每个监测点进行单点分析，得到每个监测点 的分析结果，并对分析结果分级的具体步骤如下：
(2.1)对于任一监测节点e，存在一段长时间的监测数据序列 {x1，x2，x3，...，xn}，首先计算它的平均值和均方误差
公式表示为：其中，为任一节点e的平均 值，为节点e的均方误差，n为节点e的时间序列长度，xi为节点e第i天的 监测数据；
(2.2)进一步计算第i天节点e的监测数据xi的偏差的绝对值与均方差的比 值qi，公式表示为：
(2.3)根据qi的值对节点进行分级分析，构造分析评级矩阵。
进一步的，所述步骤(2.3)中构造分析评级矩阵的具体步骤如下：
(2.3.1)若qi≤1，则表示当天的监测数据偏差非常小，所以给它评级为正 常的normal，分析评级矩阵为[0 0 0 1]；
(2.3.2)若1≤qi＜2，则表示当天的监测数据偏差较小，所以给它评级为可 接受的acceptable，分析评级矩阵为[0 0 1 0]；
(2.3.3)若2≤qi＜3，则表示当天的监测数据偏差较大，需要引起管理人员 的关注，所以给它评级为需要提醒的remindful，分析评级矩阵表示为 [0 1 0 0]；
(2.3.4)若qi≥3，则表示当天的监测数据偏差非常大，可能出现了异常情 况，需要对该监测点特别关注，所以给它评级为警告的warning，分析评级矩阵 表示为[1 0 00]；
(2.3.5)得到所有节点的分析评级矩阵。
进一步的，所述步骤(3)中将得到的分析结果作为样本数据进行预处理的 具体步骤如下：
(3.1)将某一个节点某一天的分析结果的分析评级矩阵扁平化为{0,1,2,3} 中的元素；
(3.2)对于节点p，将节点p的子节点的分析结果整合，构造神经网络的输 入矩阵，维度为n_node×n_day，其中n_node表示节点p的子节点的个数，n_day 表示训练的天数；
(3.3)将节点p的分析结果构造成神经网络的输出矩阵，维度为1×n_day。
进一步的，所述步骤(4)中构造神经网络分析模型的具体步骤为：隐含层 的激活函数设置为tanh，输出层的激活函数设置为relu，构造浅层的神经网络分 析模型。
进一步的，所述步骤(5)中得出水质安全分析结果的具体步骤如下：
(5.1)对于任一节点p，以节点p的子节点的分析结果作为样本输入，以节 点p的分析结果作为样本输出，对神经网络分析模型进行训练；
(5.4)对每个节点都得到一个模型，通过这个模型得出水质安全分析结果， 用于海洋水质安全性评判。
Claims (6)
1.一种海洋水质监测方法，其特征在于，包括如下步骤：
(1)设置多个监测点，采集每个监测点的数据；
(2)对每个监测点进行单点分析，得到每个监测点的分析结果，并对分析结果分级；
(3)将步骤(2)中得到的分析结果作为样本数据进行预处理；
(4)构造神经网络分析模型；
(5)将步骤(3)中得到的预处理数据用于训练神经网络分析模型，并最终得出水质安全分析结果。
2.根据权利要求1所述的一种海洋水质监测方法，其特征在于，所述步骤(2)中对每个监测点进行单点分析，得到每个监测点的分析结果，并对分析结果分级的具体步骤如下：
(2.1)对于任一监测节点e，存在一段长时间的监测数据序列{x1，x2，x3，...，xn}，首先计算它的平均值和均方误差
公式表示为：其中，为任一节点e的平均值，为节点e的均方误差，n为节点e的时间序列长度，xi为节点e第i天的监测数据；
(2.2)进一步计算第i天节点e的监测数据xi的偏差的绝对值与均方差的比值qi，公式表示为：
(2.3)根据qi的值对节点进行分级分析，构造分析评级矩阵。
3.根据权利要求2所述的一种海洋水质监测方法，其特征在于，所述步骤(2.3)中构造分析评级矩阵的具体步骤如下：
(2.3.1)若qi≤1，则表示当天的监测数据偏差非常小，所以给它评级为正常的normal，分析评级矩阵为[0 0 0 1]；
(2.3.2)若1≤qi＜2，则表示当天的监测数据偏差较小，所以给它评级为可接受的acceptable，分析评级矩阵为[0 0 1 0]；
(2.3.3)若2≤qi＜3，则表示当天的监测数据偏差较大，需要引起管理人员的关注，所以给它评级为需要提醒的remindful，分析评级矩阵表示为[0 1 0 0]；
(2.3.4)若qi≥3，则表示当天的监测数据偏差非常大，可能出现了异常情况，需要对该监测点特别关注，所以给它评级为警告的warning，分析评级矩阵表示为[1 0 0 0]；
(2.3.5)得到所有节点的分析评级矩阵。
4.根据权利要求2所述的一种海洋水质监测方法，其特征在于，所述步骤(3)中将得到的分析结果作为样本数据进行预处理的具体步骤如下：
(3.1)将某一个节点某一天的分析结果的分析评级矩阵扁平化为{0,1,2,3}中的元素；
(3.2)对于节点p，将节点p的子节点的分析结果整合，构造神经网络的输入矩阵，维度为n_node×n_day，其中n_node表示节点p的子节点的个数，n_day表示训练的天数；
(3.3)将节点p的分析结果构造成神经网络的输出矩阵，维度为1×n_day。
5.根据权利要求1所述的一种海洋水质监测方法，其特征在于，所述步骤(4)中构造神经网络分析模型的具体步骤为：隐含层的激活函数设置为tanh，输出层的激活函数设置为relu，构造浅层的神经网络分析模型。
6.根据权利要求4所述的一种海洋水质监测方法，其特征在于，所述步骤(5)中得出水质安全分析结果的具体步骤如下：
(5.1)对于任一节点p，以节点p的子节点的分析结果作为样本输入，以节点p的分析结果作为样本输出，对神经网络分析模型进行训练；
(5.4)对每个节点都得到一个模型，通过这个模型得出水质安全分析结果，用于海洋水质安全性评判。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910236210.3A CN109870551A (zh) | 2019-03-27 | 2019-03-27 | 一种海洋水质监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910236210.3A CN109870551A (zh) | 2019-03-27 | 2019-03-27 | 一种海洋水质监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109870551A true CN109870551A (zh) | 2019-06-11 |
Family
ID=66921357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910236210.3A Pending CN109870551A (zh) | 2019-03-27 | 2019-03-27 | 一种海洋水质监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109870551A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926253A (zh) * | 2019-12-05 | 2021-06-08 | 中广核环保产业有限公司 | 水质实时监测方法、装置及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106017431A (zh) * | 2016-08-03 | 2016-10-12 | 合肥奇也信息科技有限公司 | 一种海洋环境在线监测系统 |
| CN108805192A (zh) * | 2018-06-01 | 2018-11-13 | 河海大学 | 基于分层网络结构的监测数据分析方法 |
| CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
| CN109490498A (zh) * | 2018-11-08 | 2019-03-19 | 广州源贸易有限公司 | 针对海洋污染的环境智能实时监测系统 |
-
2019
- 2019-03-27 CN CN201910236210.3A patent/CN109870551A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106017431A (zh) * | 2016-08-03 | 2016-10-12 | 合肥奇也信息科技有限公司 | 一种海洋环境在线监测系统 |
| CN108805192A (zh) * | 2018-06-01 | 2018-11-13 | 河海大学 | 基于分层网络结构的监测数据分析方法 |
| CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
| CN109490498A (zh) * | 2018-11-08 | 2019-03-19 | 广州源贸易有限公司 | 针对海洋污染的环境智能实时监测系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926253A (zh) * | 2019-12-05 | 2021-06-08 | 中广核环保产业有限公司 | 水质实时监测方法、装置及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270237B (zh) | 一种基于大数据的水质监测分析系统 | |
| DeVries et al. | Abundance of estuarine crab larvae is associated with tidal hydrologic variables | |
| CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
| Fish et al. | Atmospheric river families: Definition and associated synoptic conditions | |
| CN109272123B (zh) | 一种基于卷积-循环神经网络的有杆泵工况预警方法 | |
| CN110059357A (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
| CN107526083B (zh) | 一种基于天气雷达数据的强对流风力等级预测方法 | |
| CN109002888B (zh) | 一种赤潮预警方法 | |
| CN108830242A (zh) | 基于卷积神经网络的sar图像海洋目标分类检测方法 | |
| CN107758885A (zh) | 一种实时污水曝气情况监测方法 | |
| CN113887616A (zh) | 一种epg连接数的实时异常检测系统及方法 | |
| CN101718634A (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
| CN108898223B (zh) | 一种海洋定点观测设备运行状态异常检测方法及装置 | |
| Lough et al. | Influence of wind-driven advection on interannual variability in cod egg and larval distributions on Georges Bank: 1982 vs 1985 | |
| CN104807589B (zh) | 一种集输－立管系统内气液两相流流型的在线识别方法 | |
| CN109740687A (zh) | 一种基于dlae的发酵过程故障监测方法 | |
| CN110362045A (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
| CN110119790A (zh) | 基于计算机视觉的共享单车数量统计和密度估计的方法 | |
| CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
| CN108508297A (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
| CN109870551A (zh) | 一种海洋水质监测方法 | |
| CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
| CN109543911A (zh) | 一种日照辐射预测方法及系统 | |
| Nogueira et al. | Modelling thermohaline properties in an estuarine upwelling ecosystem (Rı́a de Vigo: NW Spain) using box-jenkins transfer function models |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
| RJ01 | Rejection of invention patent application after publication |