CN110399893A - 大气颗粒物的源解析方法和装置 - Google Patents
大气颗粒物的源解析方法和装置 Download PDFInfo
- Publication number
- CN110399893A CN110399893A CN201810373781.7A CN201810373781A CN110399893A CN 110399893 A CN110399893 A CN 110399893A CN 201810373781 A CN201810373781 A CN 201810373781A CN 110399893 A CN110399893 A CN 110399893A
- Authority
- CN
- China
- Prior art keywords
- source
- information
- deep learning
- learning model
- matrix
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明涉及一种大气颗粒物的大气颗粒物的源解析方法、装置、计算机设备和存储介质，其中方法包括：获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。上述大气颗粒物的源解析方法，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
Description
技术领域
本发明涉及大气检测技术领域，特别是涉及一种大气颗粒物的源解析方法、装置、计算机设备和存储介质。
背景技术
随着工业发展，大气中的污染物排放量和种类日益增多。雾霾是大气污染的产物之一，雾霾会严重影响居民的日常生活和身体健康。大气颗粒物是雾霾形成的主要因素之一，检测大气细颗粒物PM2.5主要污染来源，即大气颗粒物的源解析对于大气污染的防治具有重要的意义。
颗粒物源解析方法是一种检测大气颗粒物污染来源的方法，其主要包括源排放清单法、扩散模型法和受体模型法，其中受体模型法是基于受体采样点获取的物理化学信息来反推各种源贡献的源解析方法，例如其中常用的化学质量平衡法(Chemical MassBalance Method，CMB法)需要输入源谱信息和受体点成分谱信息，解出源贡献量。
现有的受体模型法多数情况下只能将污染源分类到大类源上，如移动源、生物质燃烧、燃煤、工业、扬尘等类别，而无法实现在大类源基础上进一步的污染源类别细分的分类解析，如尾气源可进一步分成汽油车、柴油车等类别，对颗粒物分类结果较为粗糙，导致测试的污染源解析结果不够精确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够精确细致地对大气颗粒物进行污染源检测分类的大气颗粒物的源解析方法、装置、计算机设备和存储介质。
一种大气颗粒物的源解析方法，所述方法包括：
获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
上述大气颗粒物的源解析方法，采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
在一个实施例中，本发明实施例的大气颗粒物的源解析方法还包括步骤：根据污染源的采样数据获取污染源谱的特征信息；以特征信息为输入值，以该特征信息对应的污染源信息转化生成的信息为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型，该模型可以实现高效和精准的大气颗粒物来源解析。
在一个实施例中，所述特征信息为颗粒物质谱信息的标准化源颗粒矩阵；本发明实施例的大气颗粒物的源解析方法还包括步骤：根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵，对所述源颗粒矩阵进行标准化处理，得到标准化源颗粒矩阵；以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
上述实施例的技术方案，通过将已知的污染源谱的采样质谱信息生成的标准化源颗粒矩阵和对应的分类信息生成的期望分类矩阵代入深度学习模型中进行训练，数据处理方便快速，训练效率高，且生成的源解析模型可以实现高效和精准的大气颗粒物源解析分类。
在一个实施例中，所述根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵的步骤包括：以污染源谱采样数据中的各个采样颗粒编号信息为列，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为行，生成对应的源颗粒矩阵。
在另一个实施例中，所述根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵的步骤包括：以污染源谱采样数据中的各个采样颗粒编号信息为行，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为列，生成对应的源颗粒矩阵。
上述方案，将污染源谱采样的各类颗粒物的质谱信息生成的标准化源颗粒矩阵，标准化源颗粒矩阵中每行或每列都代表一个颗粒的质谱信息，生成的标准化源颗粒矩阵能够满足深度学习模型训练参数的格式需求，数据处理便捷，提升了训练的效率。
在一个实施例中，所述以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数的步骤包括：在深度学习模型中输入所述标准化源颗粒矩阵，重复前向传播并计算损失值和反向传播并修正参数的步骤，直至修正的参数变化或者损失值变化小于规定阈值；其中，所述损失值为期望分类矩阵与输出值之间的差值；获取当前修正的参数作为训练的深度学习模型参数。
上述实施例的技术方案，采用深度学习模型，以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习进行重复前向传播并计算损失值和反向传播并修正参数的反复迭代训练，对深度学习模型的参数进行反复修正训练，得到训练的模型参数，使得该模型参数对应的深度学习模型能够匹配学习污染源谱的分类结果，从而使得训练的模型具有根据输入的颗粒物标准化源颗粒矩阵输出对应的分类矩阵得到分类结果的功能，实现对大气颗粒物污染源的精细化的污染源分类。
进一步地，为了提升训练获取参数对应的深度学习模型分类的准确性，可以通过多次重复训练获取多组参数，选取其中的最优参数作为训练的模型参数用于生成源解析模型，在一个实施例中，所述以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数的步骤包括：以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行多次训练，获取多组训练的深度学习模型参数；
所述获取训练的深度学习模型参数的步骤之后，还包括步骤：将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数；
所述将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型的步骤包括：将所述最优模型参数代入所述深度学习模型中，生成对应的源解析模型。
上述实施例的技术方案，通过对深度学习模型进行多次训练，获取训练的多组深度学习模型参数，并选取其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数，可以克服单次训练获取的模型参数的偶然性误差导致的参数不准确的缺陷，使得训练获取的参数的更加准确，从而提高训练参数对应的源解析模型的分类准确性，提升源解析分类的精准度。
在一个实施例中，所述将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数的步骤包括：
利用各组深度学习模型参数代入的深度学习模型，分别将标准化源颗粒矩阵中的各个标准化颗粒向量输入各组深度学习模型中进行前向传播运算，输出各个标准化颗粒向量对应的分类向量，其中，所述分类向量为k维向量，k为源类维数，每个维度恒定代表一个源类；
选出各个分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到各组深度学习模型的分类结果；
计算各组分类结果中每类源占比的平均值矩阵，以平均值矩阵为基准，计算各组分类结果与平均值矩阵的差值的偏差矩阵，选择其中偏差矩阵中最大偏差项数值最小的偏差矩阵对应分类结果的深度学习模型参数，为最优模型参数。
在一个实施例中，所述获取待解析大气颗粒物的特征信息，将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析，根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息的步骤包括：获取待解析大气颗粒物的质谱信息，根据所述质谱信息生成对应的待解析颗粒矩阵，对所述待解析颗粒矩阵进行标准化处理，得到标准化待解析颗粒矩阵；将所述标准化待解析颗粒矩阵作为输入值，输入所述源解析模型中进行前向传播运算，得到输出的颗粒分类矩阵；选出颗粒分类矩阵中各行颗粒分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到待解析的大气颗粒物的源解析结果。
通过深度学习模型进行训练获取源解析模型后，在对待解析的大气颗粒物进行源解析时，需要将大气颗粒物的采样数据进行处理，生成特定格式的特征信息，使得该大气颗粒物的特征信息与训练的源解析模型匹配；上述实施例的技术方案，将获取待解析大气颗粒物的质谱信息处理生成标准化待解析颗粒矩阵，输入所述源解析模型中进行前向传播运算，得到输出的颗粒分类矩阵，即可根据该分类矩阵得到待解析大气颗粒物的源解析分类结果。
在一个实施例中，所述根据污染源谱的采样数据获取污染源谱的特征信息的步骤之前，还包括：对待检测的污染源进行分类，分别获取各个分类污染源的源谱颗粒的质谱信息；其中所述质谱信息为对所述源谱颗粒样品进行质谱检测获取的；根据获取的质谱信息，生成对应的污染源谱的采样数据。
上述实施例的技术方案，根据需要对污染源进行分类，获取各个分类污染源的源谱颗粒的质谱信息，生成对应的污染源谱的采样数据，在实际应用中可以根据实际需求对需要的分类类别的污染源进行颗粒样品的质谱信息数据采集，匹配不同地区、不同用户的实际大气颗粒物分类解析需求，提升本发明实施例源解析方法的适应性和准确性。
一种大气颗粒物的源解析装置，所述装置包括：
特征信息获取模块，用于获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；
信息输入模块，用于将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
分类解析模块，用于根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
上述大气颗粒物的源解析装置，采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的质谱信息生成的特征信息；
将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
上述计算机设备，其处理器执行程序时，通过实现如上大气颗粒物的源解析方法的步骤，从而实现采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的质谱信息生成的特征信息；
将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
该计算机存储介质，其存储的计算机程序，通过实现包括如上大气颗粒物的源解析方法的步骤，从而实现采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
附图说明
图1为一个实施例中大气颗粒物的源解析方法的应用环境图；
图2为另一个实施例中大气颗粒物的源解析方法的应用环境图；
图3为一个实施例中大气颗粒物的源解析方法的流程示意图；
图4为一个实施例中源解析模型的训练步骤的流程示意图；
图5为另一个实施例中源解析模型的训练步骤的流程示意图；
图6为又一个实施例中源解析模型的训练步骤的流程示意图；
图7为另一个实施例中大气颗粒物的源解析方法的流程示意图；
图8为一个实施例中大气颗粒物的源解析装置的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的大气颗粒物的源解析方法，可以应用于如图1所示的应用环境中。颗粒物表征设备110包括表征检测端111和内置的与所述表征检测端111连接的处理器112，颗粒物表征设备110可以但不限于是质谱仪、动态光散射粒度仪或X射线衍射仪等等。所述表征检测端111为具有对颗粒物进行物理或化学表征的部件或装置，其不限于具体的形式，例如可以是质谱仪等表征设备的一部分部件，或者也可以是独立的部件或装置。颗粒物表征设备110的表征检测端111对大气颗粒物进行表征，并将表征检测的大气颗粒物的表征信息传输至处理器112，处理器112接收表征检测端111检测获取的大气颗粒物的表征信息，对表征信息进行处理分析，获取待检测大气颗粒物的分类信息。
在另一种可能的实施方式中，本发明实施例的大气颗粒物的源解析方法，也可以应用于如图2所示的应用环境中。其中，颗粒物表征设备110与终端120通信连接。终端120可以但不限于是各种计算机、笔记本电脑和专用设备等，上述处理器112对表征信息进行的处理分析的步骤，均可以部分或全部地在该终端120进行。
本领域技术人员可以理解，图1和图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的限定，具体的应用环境可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，参见图3所示，提供了一种大气颗粒物的源解析方法，以该方法应用于图1所示应用环境中的处理器为例进行说明，包括以下步骤：
S310，获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；
其中，表征信息是指对颗粒物进行物理或化学表征获取的数据信息，例如可以是颗粒的质谱信息、光谱信息、动态光散射(Dynamic Light Scattering，DLS)信息、X射线衍射(X-ray diffraction，XRD)信息等等。特征信息为根据该颗粒物的表征信息转换生成的，适用于深度学习训练的格式的数据信息。
在此步骤中，处理器获取需要解析分类的大气颗粒物的表征信息，并根据该表征信息生成对应的用于深度学习训练的特征信息。
S320，将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
其中，源解析模型是预先通过基于深度学习模型的训练得到的源解析模型，其可用于根据输入的特征信息输出对应的分类信息，根据该分类信息可以获取该特征信息对应的分类解析结果。
在此步骤中，处理器将待解析大气颗粒物的特征信息输入预先训练得到的源解析模型中，对该待解析大气颗粒物的来源进行解析。
S330，根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
其中，所述输出值包含该大气颗粒物的分类信息，输出值的不同对应不同的分类结果。
在此步骤中，处理器根据特征信息输入源解析模型得到的输出值确定所述待解析大气颗粒物的污染源分类信息，完成对待解析大气颗粒物的源解析分类。
上述大气颗粒物的源解析方法，采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
在上述步骤S320中，源解析模型为预先训练获得模型，因而在利用该源解析模型对大气颗粒物来源进行解析之前，需要先基于深度学习模型进行训练获取源解析模型。
在一个实施例中，参见图4所示，在步骤S310之前，源解析模型的训练步骤可以包括：
S410，根据污染源谱的采样数据获取污染源谱的特征信息；
其中，污染源谱是指所需的污染源分类的集合，其可以根据源解析模型能够达到的分类精细度和实际的分类需要设置，例如，若需要将大气颗粒物归类为汽油车和柴油车，则对应的污染源谱就包括汽油车和柴油车。采样数据是指对该污染源谱中的各个污染源进行颗粒物采样，并对各个污染源采样的颗粒物表征获取的数据，例如可以是各个污染源颗粒的质谱信息、光谱信息、动态光散射(Dynamic Light Scattering，DLS)信息、X射线衍射(X-ray diffraction，XRD)信息等等。特征信息是根据该获取的采样数据转换生成的适用于深度学习模型训练所需格式的数据。
S420，以特征信息为输入值，以该特征信息对应的污染源信息转化生成的信息为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；
S430，将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
上述实施例的技术方案，通过将已知的污染源谱采样数据的特征信息和对应的分类信息代入深度学习模型中进行训练，生成的源解析模型可以实现高效和精准的大气颗粒物源解析分类。
在一个实施例中，步骤S310所述根据污染源谱的采样数据获取污染源谱的特征信息的步骤之前，还包括：对待检测的污染源进行分类，分别获取各个分类污染源的源谱颗粒的质谱信息；其中所述质谱信息为对所述源谱颗粒样品进行质谱检测获取的；根据获取的质谱信息，生成对应的污染源谱的采样数据。
上述实施例的技术方案，根据需要对污染源进行分类，获取各个分类污染源的源谱颗粒的质谱信息，生成对应的污染源谱的采样数据，在实际应用中可以根据实际需求对需要的分类类别的污染源进行颗粒样品的质谱信息数据采集，匹配不同地区、不同用户的实际大气颗粒物分类解析需求，提升本发明实施例源解析方法的适应性和准确性。
步骤S410中对于采样数据表征值的类型和生成的特征信息的格式可以根据实际需要设置，在一个实施例中，参见图5所示，前述实施例所述的特征信息为颗粒物质谱信息的标准化源颗粒矩阵；
相应的，在步骤S310之前，源解析模型的训练可以包括步骤：
S510，根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵，对所述源颗粒矩阵进行标准化处理，得到标准化源颗粒矩阵；
其中，质谱信息是指的颗粒物的质荷比的信息，其可以通过质谱仪对颗粒物进行检测得到，源颗粒矩阵是包含有所有污染源的采样颗粒物质谱信息的矩阵。
在此步骤中，终端根据获取的污染源谱中各个污染源的采样颗粒物的质谱信息，生成包含所有采样颗粒物质谱信息的源颗粒矩阵，对所述源颗粒矩阵进行标准化处理，得到标准化源颗粒矩阵。将数量繁多的各类污染源颗粒物的采样信息统一生成一个标准化源颗粒矩阵的特征信息，可以简化计算步骤，提升模型训练的效率。
S520，以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；
其中，污染源信息是指的生成该标准化源颗粒矩阵的各个采样颗粒物质谱信息对应的分类信息，例如若污染源谱包括汽油车和柴油车，则标准化源颗粒矩阵包括汽油车颗粒质谱信息和柴油车颗粒质谱信息的矩阵，则期望分类矩阵是汽油车类别和柴油车类别对应的矩阵，通过该期望分类矩阵就可以判别这两个颗粒质谱信息对应的分类类别为汽油车和柴油车。
具体地，在一个实施例中，步骤S510所述根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵的步骤包括：
以污染源谱采样数据中的各个采样颗粒编号信息为列，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为行，生成对应的源颗粒矩阵，其中，生成的源颗粒矩阵如下式：
上式中，X为源颗粒矩阵，m为污染源谱采样数据中采样颗粒的总数，n为单个采样颗粒质谱信息的质荷比检测项的总数，Xjk为第j个采样颗粒在第k个质荷比检测项处检测的峰信号值；
对于上述源颗粒矩阵的具体形式还可以作出若干变形，在另一个实施例中，所述根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵的步骤包括：以污染源谱采样数据中的各个采样颗粒编号信息为行，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为列，生成对应的源颗粒矩阵。
对源颗粒矩阵按照下式进行标准化处理，得到标准化源颗粒矩阵：
X0＝X-mean(X))/std(X)
上式中，X0为标准化源颗粒矩阵，mean(X)为对X中相同质荷比检测项的所有数据求平均值对应的平均矩阵，std(X)为X中相同质荷比检测项的所有数据求标准化差对应的标准化差矩阵。
以汽油车污染源采集2个颗粒的质谱信息，柴油车污染源采集3个颗粒的质谱信息，每个颗粒的质谱信息包括500个质荷比检测项为例，则生成的源颗粒矩阵为：
上式中，X1k和X2k为汽油车污染源采集的第1个和第2个采样颗粒在第k个质荷比检测项处检测的峰信号值，X3k、X4k和X5k为柴油车污染源采集的第1个、第2个和第3个采样颗粒在第k个质荷比检测项处检测的峰信号值。
对上述源颗粒矩阵X进行归一化处理，即得到对应的标准化源颗粒矩阵。
对应的，在一个实施例中，期望分类矩阵为与该标准化源颗粒矩阵相同行数的矩阵，期望分类矩阵的列数为待分类的总数，即污染源谱中包含的污染源类别总数。期望分类矩阵中每一行为该颗粒的分类向量，分类向量可以是给定的标签，用于区分不同的源类，例如，若将尾气颗粒分为汽油车和柴油车两类，则汽油车的分类向量可以设置为(1，0)，柴油车的分类向量可以设置为(0，1)。
同样以上述汽油车污染源采集2个颗粒的质谱信息，柴油车污染源采集3个颗粒的质谱信息为例，则上述标准化源颗粒矩阵对应生成的期望分类矩阵Y为：
上式中，第一行和第二行的(1，0)和(1，0)为汽油车污染源采集的第1个和第2个采样颗粒的分类向量，第三行、第四行和第五行的(0，1)、(0，1)和(0，1)为柴油车污染源采集的第1个、第2个和第3个采样颗粒的分类向量。
上述方案，将污染源谱采样的各类颗粒物的质谱信息生成的标准化源颗粒矩阵，标准化源颗粒矩阵中每行都代表一个颗粒的质谱信息，将各类颗粒物对应的污染源分类信息生成期望分类矩阵，期望分类矩阵中每行代表一个颗粒的分类信息，生成的标准化源颗粒矩阵和期望分类矩阵能够满足深度学习模型训练输入输出参数的格式需求，数据处理便捷，提升了训练的效率。
在此步骤S520中，终端根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵，对所述源颗粒矩阵进行标准化处理，得到标准化源颗粒矩阵。
S540，将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
在此步骤中，终端将前述步骤训练获取的深度学习模型参数代入所述深度学习模型中，生成训练的源解析模型。
上述实施例的技术方案，通过将已知的污染源谱的采样质谱信息生成的标准化源颗粒矩阵和对应的分类信息生成的期望分类矩阵代入深度学习模型中进行训练，数据处理方便快速，训练效率高，且生成的源解析模型可以实现高效和精准的大气颗粒物源解析分类。
在一个实施例中，步骤S520所述以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数的步骤包括：在深度学习模型中输入所述标准化源颗粒矩阵，重复前向传播并计算损失值和反向传播并修正参数的步骤，直至修正的参数变化小于第一阈值或者损失值变化小于第二阈值；其中，所述损失值为期望分类矩阵与输出值之间的差值；获取当前修正的参数作为训练的深度学习模型参数。
具体地，以一次输入深度学习模型输出用x→z→f式子表示，则上述输入标准化源颗粒矩阵，重复前向传播并计算损失值和反向传播并修正参数的步骤可以表示为：
x→z1→f1→z2→f2→z3→f3……
其中，x是输入的标准化源颗粒矩阵，za→fa代表第a次前向传播的步骤，fa→za+1代表第a次反向传播的步骤，其中z＝wx+b，w是权重矩阵，b是偏差，f对应的f(z)为激活函数，f为输出值，fa为第a次前向传播的输出值，y为期望分类矩阵，第a次前向传播的损失值为ca＝0.5‖y-fa‖，c为损失值。
经过重复前向传播并计算损失值和反向传播并修正参数的反复迭代修正w和b，直至损失值的减少值小于第一阈值，或者w和b的改变值小于第二阈值，模型训练结束，获取当前修正的参数作为训练的深度学习模型参数。
其中，获取的修正的参数包括：w、b以及模型计算过程中所需参数，例如除了w、b外还可包括激活函数(sigm,tanh)，dropout(训练中随机把某些神经元丢弃以防止过拟合现象)，threshold(预测值y小于threshold的颗粒认为是其它)，mu向量(输入数据每一维度的平均值)，sigma向量(输入数据每一维度的标准化偏差)等等参数。
上述实施例的技术方案，采用深度学习模型，以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习进行重复前向传播并计算损失值和反向传播并修正参数的反复迭代训练，对深度学习模型的参数进行反复修正训练，得到训练的模型参数，使得该模型参数对应的深度学习模型能够匹配学习污染源谱的分类结果，从而使得训练的模型具有根据输入的颗粒物标准化源颗粒矩阵输出对应的分类矩阵得到分类结果的功能，实现对大气颗粒物污染源的精细化的污染源分类。
进一步地，为了提升训练获取参数对应的深度学习模型分类的准确性，可以通过多次重复训练获取多组参数，选取其中的最优参数作为训练的模型参数用于生成源解析模型，在一个实施例中，参见图6所示，步骤S520的所述以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数的步骤包括：
S521，以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行多次训练，获取多组训练的深度学习模型参数；
步骤S520所述获取训练的深度学习模型参数的步骤之后，还包括步骤：
S530，将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数；
进一步地，在一个实施例中，上述实施例的步骤S530所述将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数的步骤包括：
S530a，利用各组深度学习模型参数代入的深度学习模型，分别将标准化源颗粒矩阵中的各个标准化颗粒向量输入各组深度学习模型中进行前向传播运算，输出各个标准化颗粒向量对应的分类向量，其中，所述分类向量为k维向量，k为源类维数，每个维度恒定代表一个源类；
S530b，选出各个分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到各组深度学习模型的分类结果；
S530c，计算各组分类结果中每类源占比的平均值矩阵，以平均值矩阵为基准，计算各组分类结果与平均值矩阵的差值的偏差矩阵，选择其中偏差矩阵中最大偏差项数值最小的偏差矩阵对应分类结果的深度学习模型参数，为最优模型参数。
步骤S540所述将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型的步骤包括：S541，将所述最优模型参数代入所述深度学习模型中，生成对应的源解析模型。
上述实施例的技术方案，通过对深度学习模型进行多次训练，获取训练的多组深度学习模型参数，并选取其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数，可以克服单次训练获取的模型参数的偶然性误差导致的参数不准确的缺陷，使得训练获取的参数的更加准确，从而提高训练参数对应的源解析模型的分类准确性，提升源解析分类的精准度。
在一个实施例中，步骤S310-S330所述获取待解析大气颗粒物的特征信息，将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析，根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息的步骤包括：获取待解析大气颗粒物的质谱信息，根据所述质谱信息生成对应的待解析颗粒矩阵，对所述待解析颗粒矩阵进行标准化处理，得到标准化待解析颗粒矩阵；将所述标准化待解析颗粒矩阵作为输入值，输入所述源解析模型中进行前向传播运算，得到输出的颗粒分类矩阵；选出颗粒分类矩阵中各行颗粒分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到待解析的大气颗粒物的源解析结果。
通过深度学习模型进行训练获取源解析模型后，在对待解析的大气颗粒物进行源解析时，需要将大气颗粒物的采样数据进行处理，生成特定格式的特征信息，使得该大气颗粒物的特征信息与训练的源解析模型匹配；上述实施例的技术方案，将获取待解析大气颗粒物的质谱信息处理生成标准化待解析颗粒矩阵，输入所述源解析模型中进行前向传播运算，得到输出的颗粒分类矩阵，即可根据该分类矩阵得到待解析大气颗粒物的源解析分类结果。
应该理解的是，虽然图3-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图3-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，以应用于如图2所示的应用环境中为例，本发明实施例的大气颗粒物的源解析方法，包括如下步骤：
S710，颗粒物表征设备对污染源谱的采样颗粒物进行表征，获取污染源谱采样颗粒物的表征信息，将所述表征信息发送至终端；
S720，终端对所述表征信息进行基于深度学习模型的训练，获取训练得到的源解析模型，将所述源解析模型传输至颗粒物表征设备；其中，所述终端训练得到源解析模型采用如上任一实施例的源解析模型的训练步骤实现；
S730，颗粒物表征设备装载所述源解析模型；
S740，颗粒物表征设备对待解析的大气颗粒物进行表征，获取待解析的大气颗粒物的表征信息；
S750，颗粒物表征设备根据所述表征信息，生成对应的特征信息，利用所述源解析模型对待解析的大气颗粒物进行解析，得到待解析的大气颗粒物的源解析分类结果；其中，颗粒物表征设备利用所述源解析模型对待解析的大气颗粒物进行解析的过程可以通过如上步骤S310-S330及其对应的实施例的步骤实现。
上述实施例的技术方案，将运算过程较为复杂，耗时耗费资源较多的训练获取源解析模型的过程置于终端例如计算机中进行运行，一方面可以提升源解析模型的训练效率，另一方面避免对颗粒物表征设备的运行造成影响；训练获取的源解析模型嵌入颗粒物表征设备例如质谱仪中，在颗粒物表征设备对待解析的大气颗粒物样品进行表征检测的同时，即可以同时在该颗粒物表征设备上利用检测获得的表征信息以及嵌入的源解析模型快速分析获取大气颗粒物样品的源解析分类结果，相较于传统的例如CMB法等需要利用单独的设备离线分析获取解析分类结果，本发明上述实施例的方案能够实现对大气颗粒物的在线精细化的源解析分类，大大提升了大气颗粒物的源解析分类效率。
在一个实施例中，如图8所示，提供了一种大气颗粒物的源解析装置，包括：特征信息获取模块810、信息输入模块820和分类解析模块830，其中：
特征信息获取模块810，用于获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；
信息输入模块820，用于将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
分类解析模块830，用于根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
上述大气颗粒物的源解析装置，采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
在一个实施例中，本发明实施例的大气颗粒物的源解析装置还包括：
第一特征信息获取模块，用于根据污染源谱的采样数据获取污染源谱的特征信息；
第一参数训练模块，用于以特征信息为输入值，以该特征信息对应的污染源信息转化生成的信息为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；
第一模型生成模块，用于将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
在一个实施例中，所述特征信息为颗粒物质谱信息的标准化源颗粒矩阵；本发明实施例的大气颗粒物的源解析装置还包括：
第二特征信息获取模块，用于根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵，对所述源颗粒矩阵进行标准化处理，得到标准化源颗粒矩阵；
第二参数训练模块，用于以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；
第二模型生成模块，用于将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
在一个实施例中，所述第二特征信息获取模块进一步用于以污染源谱采样数据中的各个采样颗粒编号信息为列，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为行，生成对应的源颗粒矩阵。
在另一个实施例中，所述第二特征信息获取模块进一步用于以污染源谱采样数据中的各个采样颗粒编号信息为行，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为列，生成对应的源颗粒矩阵。
在一个实施例中，所述第二参数训练模块进一步用于在深度学习模型中输入所述标准化源颗粒矩阵，重复前向传播并计算损失值和反向传播并修正参数的步骤，直至修正的参数变化小于第一阈值或者损失值变化小于第二阈值；其中，所述损失值为期望分类矩阵与输出值之间的差值；所述第二参数训练模块还用于获取当前修正的参数作为训练的深度学习模型参数。
在一个实施例中，所述第二参数训练模块进一步用于以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行多次训练，获取多组训练的深度学习模型参数；
本发明实施例的大气颗粒物的源解析装置还包括：
最优模型参数选取模块，用于将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数；
所述第二模型生成模块进一步用于将所述最优模型参数代入所述深度学习模型中，生成对应的源解析模型。
在一个实施例中，最优模型参数选取模块进一步用于利用各组深度学习模型参数代入的深度学习模型，分别将标准化源颗粒矩阵中的各个标准化颗粒向量输入各组深度学习模型中进行前向传播运算，输出各个标准化颗粒向量对应的分类向量，其中，所述分类向量为k维向量，k为源类维数，每个维度恒定代表一个源类；
最优模型参数选取模块还用于选出各个分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到各组深度学习模型的分类结果；
最优模型参数选取模块还用于计算各组分类结果中每类源占比的平均值矩阵，以平均值矩阵为基准，计算各组分类结果与平均值矩阵的差值的偏差矩阵，选择其中偏差矩阵中最大偏差项数值最小的偏差矩阵对应分类结果的深度学习模型参数，为最优模型参数。
在一个实施例中，所述特征信息获取模块710进一步用于获取待解析大气颗粒物的质谱信息，根据所述质谱信息生成对应的待解析颗粒矩阵，对所述待解析颗粒矩阵进行标准化处理，得到标准化待解析颗粒矩阵；
信息输入模块820进一步用于将所述标准化待解析颗粒矩阵作为输入值，输入所述源解析模型中进行前向传播运算，得到输出的颗粒分类矩阵；
分类解析模块830进一步用于选出颗粒分类矩阵中各行颗粒分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到待解析的大气颗粒物的源解析结果。
在一个实施例中，本发明实施例的大气颗粒物源解析装置还包括：数据采样模块，用于对待检测的污染源进行分类，分别获取各个分类污染源的源谱颗粒的质谱信息；其中，所述质谱信息为对所述源谱颗粒样品进行质谱检测获取的；根据获取的质谱信息，生成对应的污染源谱的采样数据。
关于大气颗粒物的源解析装置的具体限定可以参见上文中对于大气颗粒物的源解析方法的限定，在此不再赘述。上述大气颗粒物的源解析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明的大气颗粒物的源解析装置与本发明的大气颗粒物的源解析方法一一对应，在上述大气颗粒物的源解析方法的实施例阐述的技术特征及其有益效果均适用于大气颗粒物的源解析装置的实施例中，特此声明。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上任意一个实施例所述的大气颗粒物的源解析方法的步骤。
上述计算机设备，其处理器执行程序时，通过实现如上任意一个实施例的大气颗粒物的源解析方法的步骤，从而实现采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上任意一个实施例所述的大气颗粒物的源解析方法的步骤。
该计算机存储介质，其存储的计算机程序，通过实现如上任意一个实施例的大气颗粒物的源解析方法的步骤，从而实现采用深度学习模型训练获取的源解析模型，对待解析的大气颗粒物进行解析分类，由于深度学习模型分类具有的高精度的分类效果，可以克服传统的受体模型法等源解析分类方法一般情况下只能将污染源分类到大类源上的缺陷，实现在大类源基础上进一步的污染源类别细分分类解析，提升了大气颗粒物源解析分类的精确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种大气颗粒物的源解析方法，所述方法包括：
获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；
将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
2.根据权利要求1所述的大气颗粒物的源解析方法，其特征在于，还包括：
根据污染源谱的采样数据获取污染源谱的特征信息；
以特征信息为输入值，以该特征信息对应的污染源信息转化生成的信息为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；
将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
3.根据权利要求1所述的大气颗粒物的源解析方法，其特征在于，所述特征信息为颗粒物质谱信息的标准化源颗粒矩阵；
所述方法还包括步骤：
根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵，对所述源颗粒矩阵进行标准化处理，得到标准化源颗粒矩阵；
以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数；
将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型。
4.根据权利要求3所述的大气颗粒物的源解析方法，其特征在于，所述以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数的步骤包括：
以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行多次训练，获取多组训练的深度学习模型参数；
所述获取训练的深度学习模型参数的步骤之后，还包括步骤：
将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数；
所述将所述深度学习模型参数代入所述深度学习模型中，生成对应的源解析模型的步骤包括：
将所述最优模型参数代入所述深度学习模型中，生成对应的源解析模型。
5.根据权利要求4所述的大气颗粒物的源解析方法，其特征在于，所述将标准化源颗粒矩阵输入各组深度学习模型参数代入的深度学习模型中，输出对应的各组分类结果，选出其中与各组分类结果的平均值最接近的一组分类结果对应的深度学习模型参数作为最优模型参数的步骤包括：
利用各组深度学习模型参数代入的深度学习模型，分别将标准化源颗粒矩阵中的各个标准化颗粒向量输入各组深度学习模型中进行前向传播运算，输出各个标准化颗粒向量对应的分类向量，其中，所述分类向量为k维向量，k为源类维数，每个维度恒定代表一个源类；
选出各个分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到各组深度学习模型的分类结果；
计算各组分类结果中每类源占比的平均值矩阵，以平均值矩阵为基准，计算各组分类结果与平均值矩阵的差值的偏差矩阵，选择其中偏差矩阵中最大偏差项数值最小的偏差矩阵对应分类结果的深度学习模型参数，为最优模型参数。
6.根据权利要求3所述的大气颗粒物的源解析方法，其特征在于，所述以标准化源颗粒矩阵为输入值，以该标准化源颗粒矩阵对应的污染源信息的期望分类矩阵为期望输出值，代入深度学习模型中进行训练，获取训练的深度学习模型参数的步骤包括：
在深度学习模型中输入所述标准化源颗粒矩阵，重复前向传播并计算损失值和反向传播并修正参数的步骤，直至修正的参数变化小于第一阈值或者损失值变化小于第二阈值；其中，所述损失值为期望分类矩阵与输出值之间的差值；
获取当前修正的参数作为训练的深度学习模型参数。
7.根据权利要求3至6任一项所述的大气颗粒物的源解析方法，其特征在于，所述根据污染源谱中各个污染源的采样颗粒物的质谱信息，生成采样颗粒物质谱信息的源颗粒矩阵的步骤包括：
以污染源谱采样数据中的各个采样颗粒编号信息为列，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为行，生成对应的源颗粒矩阵；或
以污染源谱采样数据中的各个采样颗粒编号信息为行，以单个采样颗粒质谱信息的各个质荷比检测项处检测的峰信号值为列，生成对应的源颗粒矩阵。
8.根据权利要求3至6任一项所述的大气颗粒物的源解析方法，其特征在于，所述获取待解析大气颗粒物的特征信息，将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析，根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息的步骤包括：
获取待解析大气颗粒物的质谱信息，根据所述质谱信息生成对应的待解析颗粒矩阵，对所述待解析颗粒矩阵进行标准化处理，得到标准化待解析颗粒矩阵；
将所述标准化待解析颗粒矩阵作为输入值，输入所述源解析模型中进行前向传播运算，得到输出的颗粒分类矩阵；选出颗粒分类矩阵中各行颗粒分类向量中数值最大的维度，若该数值大于预设阈值，则将该大气颗粒归为该维度代表的源类，得到待解析大气颗粒物的源解析结果。
9.根据权利要求2至6任一项所述的大气颗粒物的源解析方法，其特征在于，所述根据污染源谱的采样数据获取污染源谱的特征信息的步骤之前，还包括：
对待检测的污染源进行分类，分别获取各个分类污染源的源谱颗粒的质谱信息；其中所述质谱信息为对所述源谱颗粒样品进行质谱检测获取的；
根据获取的质谱信息，生成对应的污染源谱的采样数据。
10.一种大气颗粒物的源解析装置，其特征在于，所述装置包括：
特征信息获取模块，用于获取待解析大气颗粒物的特征信息；其中，所述特征信息为根据待解析大气颗粒物的表征信息生成的特征信息；
信息输入模块，用于将所述特征信息输入预先训练的源解析模型，对所述待解析大气颗粒物的来源进行解析；其中，所述源解析模型为基于深度学习模型训练得到的分类模型；
分类解析模块，用于根据所述源解析模型的输出值确定所述待解析大气颗粒物的污染源分类信息。
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任意一项所述大气颗粒物的源解析方法的步骤。
12.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至9任意一项所述的大气颗粒物的源解析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810373781.7A CN110399893A (zh) | 2018-04-24 | 2018-04-24 | 大气颗粒物的源解析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810373781.7A CN110399893A (zh) | 2018-04-24 | 2018-04-24 | 大气颗粒物的源解析方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110399893A true CN110399893A (zh) | 2019-11-01 |
Family
ID=68322319
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810373781.7A Pending CN110399893A (zh) | 2018-04-24 | 2018-04-24 | 大气颗粒物的源解析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110399893A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858116A (zh) * | 2021-01-15 | 2021-05-28 | 南开大学 | 一种精细化颗粒物源解析方法 |
| CN112964476A (zh) * | 2020-12-25 | 2021-06-15 | 中汽研汽车检验中心（天津）有限公司 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
| CN114994150A (zh) * | 2022-05-31 | 2022-09-02 | 中国标准化研究院 | 一种红花椒麻度的电子舌快速分类方法 |
| CN115950797A (zh) * | 2023-03-02 | 2023-04-11 | 北京复兰环保科技有限公司 | 污染物溯源方法和系统 |
| CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
| CN117216659A (zh) * | 2023-09-12 | 2023-12-12 | 暨南大学 | 基于单颗粒气溶胶质谱的大气颗粒物来源解析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674789A (zh) * | 2013-12-26 | 2014-03-26 | 中国环境科学研究院 | 一种基于单颗粒质谱的大气颗粒物实时源解析方法 |
| CN104568681A (zh) * | 2015-01-29 | 2015-04-29 | 暨南大学 | 一种针对大气细颗粒来源的实时监测方法 |
| CN105021515A (zh) * | 2015-07-22 | 2015-11-04 | 暨南大学 | 基于流动监测车的单颗粒气溶胶在线质谱检测方法 |
| CN105158353A (zh) * | 2015-07-29 | 2015-12-16 | 北华航天工业学院 | 土壤中多环芳烃污染源解析的方法 |
| CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
-
2018
- 2018-04-24 CN CN201810373781.7A patent/CN110399893A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674789A (zh) * | 2013-12-26 | 2014-03-26 | 中国环境科学研究院 | 一种基于单颗粒质谱的大气颗粒物实时源解析方法 |
| CN104568681A (zh) * | 2015-01-29 | 2015-04-29 | 暨南大学 | 一种针对大气细颗粒来源的实时监测方法 |
| CN105021515A (zh) * | 2015-07-22 | 2015-11-04 | 暨南大学 | 基于流动监测车的单颗粒气溶胶在线质谱检测方法 |
| CN105158353A (zh) * | 2015-07-29 | 2015-12-16 | 北华航天工业学院 | 土壤中多环芳烃污染源解析的方法 |
| CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| 余南娇等: "大气细颗粒物扬尘源单颗粒质谱特征", 《中国环境科学》 * |
| 庞星龙等: "FCM与ART-2a算法在快速源解析中的应用与对比", 《2017全国激光前沿检测技术军民融合交流研讨会论文集》 * |
| 张莉: "基于单颗粒气溶胶质谱信息的分类方法研究及其应用", 《中国优秀硕士学位论文全文数据库_工程科技Ⅰ辑》 * |
| 李祚泳等: "BP网络应用于大气颗粒物的源解析", 《中国环境监测》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112964476A (zh) * | 2020-12-25 | 2021-06-15 | 中汽研汽车检验中心（天津）有限公司 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
| CN112964476B (zh) * | 2020-12-25 | 2022-11-25 | 中汽研汽车检验中心（天津）有限公司 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
| CN112858116A (zh) * | 2021-01-15 | 2021-05-28 | 南开大学 | 一种精细化颗粒物源解析方法 |
| CN112858116B (zh) * | 2021-01-15 | 2023-10-17 | 南开大学 | 一种精细化颗粒物源解析方法 |
| CN114994150A (zh) * | 2022-05-31 | 2022-09-02 | 中国标准化研究院 | 一种红花椒麻度的电子舌快速分类方法 |
| CN114994150B (zh) * | 2022-05-31 | 2023-10-27 | 中国标准化研究院 | 一种红花椒麻度的电子舌快速分类方法 |
| CN115950797A (zh) * | 2023-03-02 | 2023-04-11 | 北京复兰环保科技有限公司 | 污染物溯源方法和系统 |
| CN117116381A (zh) * | 2023-09-08 | 2023-11-24 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
| CN117116381B (zh) * | 2023-09-08 | 2024-05-03 | 重庆市生态环境科学研究院 | 一种基于受体和化学传输模型综合解析细颗粒物源贡献的方法 |
| CN117216659A (zh) * | 2023-09-12 | 2023-12-12 | 暨南大学 | 基于单颗粒气溶胶质谱的大气颗粒物来源解析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399893A (zh) | 大气颗粒物的源解析方法和装置 | |
| Lee et al. | Emulation of a complex global aerosol model to quantify sensitivity to uncertain parameters | |
| CN110044779B (zh) | 一种大气重金属颗粒物实时在线监测和源解析联用的方法 | |
| Belis et al. | A new methodology to assess the performance and uncertainty of source apportionment models II: The results of two European intercomparison exercises | |
| Zupan et al. | Kohonen and counterpropagation artificial neural networks in analytical chemistry | |
| CN110489785B (zh) | 一种大气污染物在线源解析方法及系统 | |
| CN105158353B (zh) | 土壤中多环芳烃污染源解析的方法 | |
| CN106845579A (zh) | 提高产品质量检验正确性的信息化控制方法及控制系统 | |
| CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| CN102053083A (zh) | 一种基于偏最小二乘法的煤质特性在线测量方法 | |
| Savage et al. | Evaluation of a hierarchical agglomerative clustering method applied to WIBS laboratory data for improved discrimination of biological particles by comparing data preparation techniques | |
| Koss et al. | Dimensionality-reduction techniques for complex mass spectrometric datasets: application to laboratory atmospheric organic oxidation experiments | |
| CN105844301A (zh) | 基于贝叶斯源识别的土壤中重金属污染源解析方法 | |
| CN106841170B (zh) | 一种基于小波神经网络算法的煤灰种类识别方法 | |
| CN101769867A (zh) | 一种堆肥产品品质的无损检测方法 | |
| Song et al. | Source apportionment of gasoline and diesel by multivariate calibration based on single particle mass spectral data | |
| Wang et al. | 1D-CNN network based real-time aerosol particle classification with single-particle mass spectrometry | |
| Al-Fraihat et al. | Hyperparameter Optimization for Software Bug Prediction Using Ensemble Learning | |
| CN117705777A (zh) | 场地土壤重金属复合污染指纹图谱的构建方法 | |
| CN113588597A (zh) | 一种提升炉渣分析精度的方法 | |
| CN108627500A (zh) | 一种固体燃料热值测量方法 | |
| CN115186776B (zh) | 一种红宝石产地分类的方法、装置及存储介质 | |
| CN108645809A (zh) | 一种近红外光谱技术快速识别松脂来源树种的方法 | |
| CN112816458A (zh) | 基于激光诱导击穿光谱技术的钢材分类方法及系统 | |
| CN109211814B (zh) | 一种基于三维光谱曲面分区特征的土壤剖面类型识别方法 |
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: 20191101 |
|
| RJ01 | Rejection of invention patent application after publication |