CN111539477B - 水质监测管理方法、装置、服务器及可读存储介质 - Google Patents
水质监测管理方法、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN111539477B CN111539477B CN202010338833.4A CN202010338833A CN111539477B CN 111539477 B CN111539477 B CN 111539477B CN 202010338833 A CN202010338833 A CN 202010338833A CN 111539477 B CN111539477 B CN 111539477B
- Authority
- CN
- China
- Prior art keywords
- water quality
- feature
- mapping
- quality monitoring
- characteristic
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 376
- 238000012544 monitoring process Methods 0.000 title claims abstract description 273
- 238000007726 management method Methods 0.000 title claims abstract description 142
- 238000013507 mapping Methods 0.000 claims abstract description 297
- 239000013598 vector Substances 0.000 claims description 163
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 239000012633 leachable Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Toxicology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供一种水质监测管理方法、装置、服务器及可读存储介质，通过以像素颜色特征作为水质监测管理网络的网络节点自变量，以水质特征类别作为水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，对每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成每个目标水质监测参数所对应的水质特征类别，将每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，确定每个目标水质监测参数的水质管理标签。如此，考虑到水质环境的像素颜色和水质特征类别，能够提高水质监测结果的准确性。
Description
技术领域
本申请涉及水质监测技术领域，具体而言，涉及一种水质监测管理方法、装置、服务器及可读存储介质。
背景技术
传统水质监测方案仅仅是单一的指标监测，并未充分考虑到水质环境的像素颜色和水质特征类别，导致水质监测结果的准确性不高。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的之一在于提供一种水质监测管理方法、装置、服务器及可读存储介质，考虑到水质环境的像素颜色和水质特征类别，能够提高水质监测结果的准确性。
第一方面，本申请提供一种水质监测管理方法，应用于服务器，所述服务器与至少一个水质监测装置通信连接，所述方法包括：
获取至少一个水质监测装置已监测的水质监测参数集合，所述已监测的水质监测参数集合中包括多个已根据本次水质监测任务执行水质定时监测操作的水质监测参数，每个已执行水质定时监测操作的水质监测参数包括已提取出的像素颜色特征以及该水质监测参数对应的水质特征类别；
以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络确定水质监测管理程序；
识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，根据所述监测管理程序对所述每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成所述每个目标水质监测参数所对应的水质特征类别；
将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签。
在第一方面的一种可能的设计中，所述以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络的步骤，包括：
以所述像素颜色特征作为水质监测管理网络的网络节点自变量，将所述像素颜色特征输入到所述水质监测管理网络中，通过所述水质监测管理网络解析所述像素颜色特征在设定影响参数范围内的特征向量变化，所述特征向量变化包括特征向量变化位置轴列；
根据对所述特征向量变化位置轴列进行等间隔处理，得到多个特征向量变化位置，并根据所述特征向量变化位置所对应的目标特征向量确定多个第一特征学习指标，所述多个第一特征学习指标分别为所述多个特征向量变化位置在所述水质监测管理网络中学习的特征学习指标，所述水质监测管理网络用于学习多个特征向量变化位置轴列进行处理之后的特征向量变化位置，以及处理后的各个特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，所述多个特征向量变化位置轴列为在所述设定影响参数范围内获取到的多个特征向量变化所包括的特征向量变化位置轴列；
按照所述多个第一特征学习指标中的每个第一特征学习指标从高重要性到低重要性的顺序，对所述多个第一特征学习指标进行排序，得到特征学习指标序列，并基于预设值和所述特征学习指标序列，确定所述多个特征向量变化位置中的特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，所述预设值用于指示所述特征向量变化位置轴列与设定影响参数范围内获取的特征向量变化位置轴列相似部分在所述特征向量变化位置轴列中所占的比例；
当所述特征向量变化位置在所述水质监测管理网络中映射的特征学习指标匹配预设特征学习指标时，确定所述特征向量变化为可学习特征向量变化；
当确定该特征向量变化为可学习特征向量变化时，对于所述多个第一特征学习指标中的每个第一特征学习指标，根据所述第一特征学习指标控制所述水质监测管理网络学习在所述设定影响参数范围内接收的多个特征向量变化位置轴列进行散列处理之后的特征向量变化位置，以及散列处理后的各个特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，并在训练之后生成训练标记因变量；
根据所述训练标记因变量和所述水质特征类别更新所述水质监测管理网络的网络函数结构。
在第一方面的一种可能的设计中，所述将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签的步骤，包括：
根据所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别，生成对应的第一特征类别映射集合；
针对所述第一特征类别映射集合中的每个特征类别映射，计算该特征类别映射与上一次第二特征类别映射集合中与该特征类别映射所对应的特征类别映射之间的映射差异；
根据所述映射差异和该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合；
根据所述第一特征类别映射集合与其它第二特征类别映射集合在每个特征类别映射上的映射候选集合确定所述每个目标水质监测参数的水质管理标签。
在第一方面的一种可能的设计中，所述根据所述映射差异和该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合的步骤，包括：
根据所述映射差异中差异部分特征的出现次数和差异范围，确定所述映射差异中的差异特征部分的偏差向量及映射关联区域的映射关联向量；
根据所述偏差向量确定在预设映射关系中与所述映射差异中的差异特征部分相对应的差异特征部分，以及根据所述映射关联向量确定在所述预设映射关系中与所述映射差异中的映射关联区域相对应的映射关联区域；
将所述预设映射关系中的差异特征部分及映射关联区域进行补偿确定该特征类别映射所对应的水质基分类器信息；
将所述水质基分类器信息划分为多个对照分类参照对象和多个非对照分类参照对象，并针对任意一个对照分类参照对象，将所述对照分类参照对象在所述水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子对照分类参照对象，并确定所述多个子对照分类参照对象的差异范围；
针对任意一个非对照分类参照对象，将所述非对照分类参照对象在所述水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子非对照分类参照对象，并确定所述多个子非对照分类参照对象的分类参照对象特征；
从所述多个子对照分类参照对象的差异范围中选择至少部分差异范围对对应的多个子非对照分类参照对象的分类参照对象特征进行特征转换，得到转换后的分类参照对象特征；
分别将转换后的分类参照对象特征进行补偿，得到第一补偿分类参照对象特征序列，并根据该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量对所述第一补偿分类参照对象特征序列进行向量处理，得到第二补偿分类参照对象特征序列；
调用补偿程序，通过补偿程序确定所述第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值以及第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值；
比对所述第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值和第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值，确定每种对象标签的映射范围，并根据每种对象标签的映射范围确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射的初始映射候选集合，并对所述初始映射候选集合中的各初始映射候选节点的节点位置和预设位置调整关系，生成所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合。
第二方面，本申请实施例提供一种水质监测管理装置，应用于服务器，所述服务器与至少一个水质监测装置通信连接，所述装置包括：
获取模块，用于获取至少一个水质监测装置已监测的水质监测参数集合，所述已监测的水质监测参数集合中包括多个已根据本次水质监测任务执行水质定时监测操作的水质监测参数，每个已执行水质定时监测操作的水质监测参数包括已提取出的像素颜色特征以及该水质监测参数对应的水质特征类别；
构建模块，用于以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络确定水质监测管理程序；
识别模块，用于识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，根据所述监测管理程序对所述每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成所述每个目标水质监测参数所对应的水质特征类别；
关联映射模块，用于将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签。
第三方面，本申请实施例提供一种服务器，包括处理器、存储器和网络接口。其中，存储器、网络接口处理器之间可以通过总线系统相连。网络接口用于接收报文，存储器用于存储程序、指令或代码，处理器用于执行存储器中的程序、指令或代码，以完成上述第一方面或第一方面的任意可能的设计方式中的所执行的操作。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上执行时，使得计算机执行上述第一方面或第一方面的任意可能的设计方式中的方法。
基于上述任意一个方面，本申请通过以像素颜色特征作为水质监测管理网络的网络节点自变量，以水质特征类别作为水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，对每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成每个目标水质监测参数所对应的水质特征类别，将每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，确定每个目标水质监测参数的水质管理标签。如此，考虑到水质环境的像素颜色和水质特征类别，能够提高水质监测结果的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的水质监测管理方法的流程示意图；
图2为本申请实施例提供的水质监测管理装置的功能模块示意图；
图3为本申请实施例提供的用于执行上述的水质监测管理方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
请参阅图1，为本申请实施例提供的水质监测管理方法的流程示意图，下面对该水质监测管理方法进行详细介绍。
步骤S110，获取至少一个水质监测装置已监测的水质监测参数集合，已监测的水质监测参数集合中包括多个已根据本次水质监测任务执行水质定时监测操作的水质监测参数，每个已执行水质定时监测操作的水质监测参数包括已提取出的像素颜色特征以及该水质监测参数对应的水质特征类别。
步骤S120，以像素颜色特征作为水质监测管理网络的网络节点自变量，以水质特征类别作为水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络确定水质监测管理程序。
步骤S130，识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，根据监测管理程序对每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成每个目标水质监测参数所对应的水质特征类别。
步骤S140，将每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定每个目标水质监测参数的水质管理标签。
基于上述设计，本实施例通过以像素颜色特征作为水质监测管理网络的网络节点自变量，以水质特征类别作为水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，对每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成每个目标水质监测参数所对应的水质特征类别，将每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，确定每个目标水质监测参数的水质管理标签。如此，考虑到水质环境的像素颜色和水质特征类别，能够提高水质监测结果的准确性。
在一种可能的设计中，针对步骤S120，本实施例可以以像素颜色特征作为水质监测管理网络的网络节点自变量，将像素颜色特征输入到水质监测管理网络中，通过水质监测管理网络解析像素颜色特征在设定影响参数范围内的特征向量变化，特征向量变化包括特征向量变化位置轴列。
在此基础上，可以根据对特征向量变化位置轴列进行等间隔处理，得到多个特征向量变化位置，并根据特征向量变化位置所对应的目标特征向量确定多个第一特征学习指标。
其中，值得说明的是，多个第一特征学习指标分别为多个特征向量变化位置在水质监测管理网络中学习的特征学习指标，水质监测管理网络用于学习多个特征向量变化位置轴列进行处理之后的特征向量变化位置，以及处理后的各个特征向量变化位置在水质监测管理网络中映射的特征学习指标，多个特征向量变化位置轴列为在设定影响参数范围内获取到的多个特征向量变化所包括的特征向量变化位置轴列。
接着，可以按照多个第一特征学习指标中的每个第一特征学习指标从高重要性到低重要性的顺序，对多个第一特征学习指标进行排序，得到特征学习指标序列，并基于预设值和特征学习指标序列，确定多个特征向量变化位置中的特征向量变化位置在水质监测管理网络中映射的特征学习指标，预设值用于指示特征向量变化位置轴列与设定影响参数范围内获取的特征向量变化位置轴列相似部分在特征向量变化位置轴列中所占的比例。
当特征向量变化位置在水质监测管理网络中映射的特征学习指标匹配预设特征学习指标时，确定特征向量变化为可学习特征向量变化。当确定该特征向量变化为可学习特征向量变化时，对于多个第一特征学习指标中的每个第一特征学习指标，根据第一特征学习指标控制水质监测管理网络学习在设定影响参数范围内接收的多个特征向量变化位置轴列进行散列处理之后的特征向量变化位置，以及散列处理后的各个特征向量变化位置在水质监测管理网络中映射的特征学习指标，并在训练之后生成训练标记因变量。
由此，可以根据训练标记因变量和水质特征类别更新水质监测管理网络的网络函数结构。
在一种可能的设计中，针对步骤S140，本实施例可以根据每个目标水质监测参数所对应的像素颜色特征和水质特征类别，生成对应的第一特征类别映射集合。然后，针对第一特征类别映射集合中的每个特征类别映射，计算该特征类别映射与上一次第二特征类别映射集合中与该特征类别映射所对应的特征类别映射之间的映射差异，接着根据映射差异和该特征类别映射在第一特征类别映射集合中所对应的映射特征向量确定第一特征类别映射集合与第二特征类别映射集合在该特征类别映射上的映射候选集合。
由此，可根据第一特征类别映射集合与其它第二特征类别映射集合在每个特征类别映射上的映射候选集合确定每个目标水质监测参数的水质管理标签。
在一种可能的设计中，在根据映射差异和该特征类别映射在第一特征类别映射集合中所对应的映射特征向量确定第一特征类别映射集合与第二特征类别映射集合在该特征类别映射上的映射候选集合的过程中，本实施例可以根据映射差异中差异部分特征的出现次数和差异范围，确定映射差异中的差异特征部分的偏差向量及映射关联区域的映射关联向量，然后根据偏差向量确定在预设映射关系中与映射差异中的差异特征部分相对应的差异特征部分，以及根据映射关联向量确定在预设映射关系中与映射差异中的映射关联区域相对应的映射关联区域。
在此基础上，可以将预设映射关系中的差异特征部分及映射关联区域进行补偿确定该特征类别映射所对应的水质基分类器信息，然后将水质基分类器信息划分为多个对照分类参照对象和多个非对照分类参照对象，并针对任意一个对照分类参照对象，将对照分类参照对象在水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子对照分类参照对象，并确定多个子对照分类参照对象的差异范围。
接着，针对任意一个非对照分类参照对象，将非对照分类参照对象在水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子非对照分类参照对象，并确定多个子非对照分类参照对象的分类参照对象特征，从多个子对照分类参照对象的差异范围中选择至少部分差异范围对对应的多个子非对照分类参照对象的分类参照对象特征进行特征转换，得到转换后的分类参照对象特征，分别将转换后的分类参照对象特征进行补偿，得到第一补偿分类参照对象特征序列，并根据该特征类别映射在第一特征类别映射集合中所对应的映射特征向量对第一补偿分类参照对象特征序列进行向量处理，得到第二补偿分类参照对象特征序列。
接着，可以调用补偿程序，通过补偿程序确定第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值以及第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值，在此基础上可以比对第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值和第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值，确定每种对象标签的映射范围，并根据每种对象标签的映射范围确定第一特征类别映射集合与第二特征类别映射集合在该特征类别映射的初始映射候选集合，并对初始映射候选集合中的各初始映射候选节点的节点位置和预设位置调整关系，生成第一特征类别映射集合与第二特征类别映射集合在该特征类别映射上的映射候选集合。
图2为本申请实施例提供的水质监测管理装置200的功能模块示意图，本实施例可以根据上述方法实施例对该水质监测管理装置200进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，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。比如，在采用对应各个功能划分各个功能模块的情况下，图2示出的水质监测管理装置200只是一种装置示意图。其中，水质监测管理装置200可以包括获取模块210、构建模块220、识别模块230以及关联映射模块240，下面分别对该水质监测管理装置200的各个功能模块的功能进行详细阐述。
获取模块210，用于获取至少一个水质监测装置已监测的水质监测参数集合，已监测的水质监测参数集合中包括多个已根据本次水质监测任务执行水质定时监测操作的水质监测参数，每个已执行水质定时监测操作的水质监测参数包括已提取出的像素颜色特征以及该水质监测参数对应的水质特征类别。
构建模块220，用于以像素颜色特征作为水质监测管理网络的网络节点自变量，以水质特征类别作为水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络确定水质监测管理程序。
识别模块230，用于识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，根据监测管理程序对每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成每个目标水质监测参数所对应的水质特征类别。
关联映射模块240，用于将每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定每个目标水质监测参数的水质管理标签。
在一种可能的设计中，构建模块220用于通过以下方式以像素颜色特征作为水质监测管理网络的网络节点自变量，以水质特征类别作为水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络：
以像素颜色特征作为水质监测管理网络的网络节点自变量，将像素颜色特征输入到水质监测管理网络中，通过水质监测管理网络解析像素颜色特征在设定影响参数范围内的特征向量变化，特征向量变化包括特征向量变化位置轴列。
根据对特征向量变化位置轴列进行等间隔处理，得到多个特征向量变化位置，并根据特征向量变化位置所对应的目标特征向量确定多个第一特征学习指标，多个第一特征学习指标分别为多个特征向量变化位置在水质监测管理网络中学习的特征学习指标，水质监测管理网络用于学习多个特征向量变化位置轴列进行处理之后的特征向量变化位置，以及处理后的各个特征向量变化位置在水质监测管理网络中映射的特征学习指标，多个特征向量变化位置轴列为在设定影响参数范围内获取到的多个特征向量变化所包括的特征向量变化位置轴列。
按照多个第一特征学习指标中的每个第一特征学习指标从高重要性到低重要性的顺序，对多个第一特征学习指标进行排序，得到特征学习指标序列，并基于预设值和特征学习指标序列，确定多个特征向量变化位置中的特征向量变化位置在水质监测管理网络中映射的特征学习指标，预设值用于指示特征向量变化位置轴列与设定影响参数范围内获取的特征向量变化位置轴列相似部分在特征向量变化位置轴列中所占的比例。
当特征向量变化位置在水质监测管理网络中映射的特征学习指标匹配预设特征学习指标时，确定特征向量变化为可学习特征向量变化。
当确定该特征向量变化为可学习特征向量变化时，对于多个第一特征学习指标中的每个第一特征学习指标，根据第一特征学习指标控制水质监测管理网络学习在设定影响参数范围内接收的多个特征向量变化位置轴列进行散列处理之后的特征向量变化位置，以及散列处理后的各个特征向量变化位置在水质监测管理网络中映射的特征学习指标，并在训练之后生成训练标记因变量。
根据训练标记因变量和水质特征类别更新水质监测管理网络的网络函数结构。
在一种可能的设计中，关联映射模块240将每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定每个目标水质监测参数的水质管理标签：
根据每个目标水质监测参数所对应的像素颜色特征和水质特征类别，生成对应的第一特征类别映射集合。
针对第一特征类别映射集合中的每个特征类别映射，计算该特征类别映射与上一次第二特征类别映射集合中与该特征类别映射所对应的特征类别映射之间的映射差异。
根据映射差异和该特征类别映射在第一特征类别映射集合中所对应的映射特征向量确定第一特征类别映射集合与第二特征类别映射集合在该特征类别映射上的映射候选集合。
根据第一特征类别映射集合与其它第二特征类别映射集合在每个特征类别映射上的映射候选集合确定每个目标水质监测参数的水质管理标签。
在一种可能的设计中，关联映射模块240用于通过以下方式确定第一特征类别映射集合与第二特征类别映射集合在该特征类别映射上的映射候选集合：
根据映射差异中差异部分特征的出现次数和差异范围，确定映射差异中的差异特征部分的偏差向量及映射关联区域的映射关联向量。
根据偏差向量确定在预设映射关系中与映射差异中的差异特征部分相对应的差异特征部分，以及根据映射关联向量确定在预设映射关系中与映射差异中的映射关联区域相对应的映射关联区域。
将预设映射关系中的差异特征部分及映射关联区域进行补偿确定该特征类别映射所对应的水质基分类器信息。
将水质基分类器信息划分为多个对照分类参照对象和多个非对照分类参照对象，并针对任意一个对照分类参照对象，将对照分类参照对象在水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子对照分类参照对象，并确定多个子对照分类参照对象的差异范围。
针对任意一个非对照分类参照对象，将非对照分类参照对象在水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子非对照分类参照对象，并确定多个子非对照分类参照对象的分类参照对象特征。
从多个子对照分类参照对象的差异范围中选择至少部分差异范围对对应的多个子非对照分类参照对象的分类参照对象特征进行特征转换，得到转换后的分类参照对象特征。
分别将转换后的分类参照对象特征进行补偿，得到第一补偿分类参照对象特征序列，并根据该特征类别映射在第一特征类别映射集合中所对应的映射特征向量对第一补偿分类参照对象特征序列进行向量处理，得到第二补偿分类参照对象特征序列。
调用补偿程序，通过补偿程序确定第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值以及第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值。
比对第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值和第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值，确定每种对象标签的映射范围，并根据每种对象标签的映射范围确定第一特征类别映射集合与第二特征类别映射集合在该特征类别映射的初始映射候选集合，并对初始映射候选集合中的各初始映射候选节点的节点位置和预设位置调整关系，生成第一特征类别映射集合与第二特征类别映射集合在该特征类别映射上的映射候选集合。
图3为本申请实施例提供的用于执行上述水质监测管理方法的服务器100的结构示意图，如图3所示，该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130的数量可以是一个或多个，图3中以一个处理器130为例；网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图3中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的水质监测管理方法对应的程序指令/模块(例如，图2中所示的获取模块210、构建模块220、识别模块230以及关联映射模块240)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的水质监测管理方法，在此不再赘述。
机器可读存储介质120可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，机器可读存储介质120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合时刻的存储器。在一些实例中，机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器，这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(DigitalSignalProcessorDSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过通信接口110和其它设备进行信息交互。通信接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用通信接口110收发信息。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(sol标识state disk，SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种水质监测管理方法，其特征在于，应用于服务器，所述服务器与至少一个水质监测装置通信连接，所述方法包括：
获取至少一个水质监测装置已监测的水质监测参数集合，所述已监测的水质监测参数集合中包括多个已根据本次水质监测任务执行水质定时监测操作的水质监测参数，每个已执行水质定时监测操作的水质监测参数包括已提取出的像素颜色特征以及该水质监测参数对应的水质特征类别；
以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络确定水质监测管理程序；
识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，根据所述监测管理程序对所述每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成所述每个目标水质监测参数所对应的水质特征类别；
将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签；
所述以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络的步骤，包括：
以所述像素颜色特征作为水质监测管理网络的网络节点自变量，将所述像素颜色特征输入到所述水质监测管理网络中，通过所述水质监测管理网络解析所述像素颜色特征在设定影响参数范围内的特征向量变化，所述特征向量变化包括特征向量变化位置轴列；
根据对所述特征向量变化位置轴列进行等间隔处理，得到多个特征向量变化位置，并根据所述特征向量变化位置所对应的目标特征向量确定多个第一特征学习指标，所述多个第一特征学习指标分别为所述多个特征向量变化位置在所述水质监测管理网络中学习的特征学习指标，所述水质监测管理网络用于学习多个特征向量变化位置轴列进行处理之后的特征向量变化位置，以及处理后的各个特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，所述多个特征向量变化位置轴列为在所述设定影响参数范围内获取到的多个特征向量变化所包括的特征向量变化位置轴列；
按照所述多个第一特征学习指标中的每个第一特征学习指标从高重要性到低重要性的顺序，对所述多个第一特征学习指标进行排序，得到特征学习指标序列，并基于预设值和所述特征学习指标序列，确定所述多个特征向量变化位置中的特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，所述预设值用于指示所述特征向量变化位置轴列与设定影响参数范围内获取的特征向量变化位置轴列相似部分在所述特征向量变化位置轴列中所占的比例；
当所述特征向量变化位置在所述水质监测管理网络中映射的特征学习指标匹配预设特征学习指标时，确定所述特征向量变化为可学习特征向量变化；
当确定该特征向量变化为可学习特征向量变化时，对于所述多个第一特征学习指标中的每个第一特征学习指标，根据所述第一特征学习指标控制所述水质监测管理网络学习在所述设定影响参数范围内接收的多个特征向量变化位置轴列进行散列处理之后的特征向量变化位置，以及散列处理后的各个特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，并在训练之后生成训练标记因变量；
根据所述训练标记因变量和所述水质特征类别更新所述水质监测管理网络的网络函数结构。
2.根据权利要求1所述的水质监测管理方法，其特征在于，所述将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签的步骤，包括：
根据所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别，生成对应的第一特征类别映射集合；
针对所述第一特征类别映射集合中的每个特征类别映射，计算该特征类别映射与上一次第二特征类别映射集合中与该特征类别映射所对应的特征类别映射之间的映射差异；
根据所述映射差异和该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合；
根据所述第一特征类别映射集合与其它第二特征类别映射集合在每个特征类别映射上的映射候选集合确定所述每个目标水质监测参数的水质管理标签。
3.根据权利要求2所述的水质监测管理方法，其特征在于，所述根据所述映射差异和该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合的步骤，包括：
根据所述映射差异中差异部分特征的出现次数和差异范围，确定所述映射差异中的差异特征部分的偏差向量及映射关联区域的映射关联向量；
根据所述偏差向量确定在预设映射关系中与所述映射差异中的差异特征部分相对应的差异特征部分，以及根据所述映射关联向量确定在所述预设映射关系中与所述映射差异中的映射关联区域相对应的映射关联区域；
将所述预设映射关系中的差异特征部分及映射关联区域进行补偿确定该特征类别映射所对应的水质基分类器信息；
将所述水质基分类器信息划分为多个对照分类参照对象和多个非对照分类参照对象，并针对任意一个对照分类参照对象，将所述对照分类参照对象在所述水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子对照分类参照对象，并确定所述多个子对照分类参照对象的差异范围；
针对任意一个非对照分类参照对象，将所述非对照分类参照对象在所述水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子非对照分类参照对象，并确定所述多个子非对照分类参照对象的分类参照对象特征；
从所述多个子对照分类参照对象的差异范围中选择至少部分差异范围对对应的多个子非对照分类参照对象的分类参照对象特征进行特征转换，得到转换后的分类参照对象特征；
分别将转换后的分类参照对象特征进行补偿，得到第一补偿分类参照对象特征序列，并根据该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量对所述第一补偿分类参照对象特征序列进行向量处理，得到第二补偿分类参照对象特征序列；
调用补偿程序，通过补偿程序确定所述第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值以及第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值；
比对所述第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值和第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值，确定每种对象标签的映射范围，并根据每种对象标签的映射范围确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射的初始映射候选集合，并对所述初始映射候选集合中的各初始映射候选节点的节点位置和预设位置调整关系，生成所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合。
4.一种水质监测管理装置，其特征在于，应用于服务器，所述服务器与至少一个水质监测装置通信连接，所述装置包括：
获取模块，用于获取至少一个水质监测装置已监测的水质监测参数集合，所述已监测的水质监测参数集合中包括多个已根据本次水质监测任务执行水质定时监测操作的水质监测参数，每个已执行水质定时监测操作的水质监测参数包括已提取出的像素颜色特征以及该水质监测参数对应的水质特征类别；
构建模块，用于以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络，并根据构建好的水质监测管理网络确定水质监测管理程序；
识别模块，用于识别待监测的水质监测参数集合中每个目标水质监测参数所对应的像素颜色特征，根据所述监测管理程序对所述每个目标水质监测参数所对应的像素颜色特征进行特征识别与预测，生成所述每个目标水质监测参数所对应的水质特征类别；
关联映射模块，用于将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签；
所述构建模块用于通过以下方式以所述像素颜色特征作为水质监测管理网络的网络节点自变量，以所述水质特征类别作为所述水质监测管理网络的网络节点因变量，构建对应的水质监测管理网络：
以所述像素颜色特征作为水质监测管理网络的网络节点自变量，将所述像素颜色特征输入到所述水质监测管理网络中，通过所述水质监测管理网络解析所述像素颜色特征在设定影响参数范围内的特征向量变化，所述特征向量变化包括特征向量变化位置轴列；
根据对所述特征向量变化位置轴列进行等间隔处理，得到多个特征向量变化位置，并根据所述特征向量变化位置所对应的目标特征向量确定多个第一特征学习指标，所述多个第一特征学习指标分别为所述多个特征向量变化位置在所述水质监测管理网络中学习的特征学习指标，所述水质监测管理网络用于学习多个特征向量变化位置轴列进行处理之后的特征向量变化位置，以及处理后的各个特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，所述多个特征向量变化位置轴列为在所述设定影响参数范围内获取到的多个特征向量变化所包括的特征向量变化位置轴列；
按照所述多个第一特征学习指标中的每个第一特征学习指标从高重要性到低重要性的顺序，对所述多个第一特征学习指标进行排序，得到特征学习指标序列，并基于预设值和所述特征学习指标序列，确定所述多个特征向量变化位置中的特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，所述预设值用于指示所述特征向量变化位置轴列与设定影响参数范围内获取的特征向量变化位置轴列相似部分在所述特征向量变化位置轴列中所占的比例；
当所述特征向量变化位置在所述水质监测管理网络中映射的特征学习指标匹配预设特征学习指标时，确定所述特征向量变化为可学习特征向量变化；
当确定该特征向量变化为可学习特征向量变化时，对于所述多个第一特征学习指标中的每个第一特征学习指标，根据所述第一特征学习指标控制所述水质监测管理网络学习在所述设定影响参数范围内接收的多个特征向量变化位置轴列进行散列处理之后的特征向量变化位置，以及散列处理后的各个特征向量变化位置在所述水质监测管理网络中映射的特征学习指标，并在训练之后生成训练标记因变量；
根据所述训练标记因变量和所述水质特征类别更新所述水质监测管理网络的网络函数结构。
5.根据权利要求4所述的水质监测管理装置，其特征在于，所述关联映射模块用于通过以下方式将所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别进行关联映射，以确定所述每个目标水质监测参数的水质管理标签：
根据所述每个目标水质监测参数所对应的像素颜色特征和水质特征类别，生成对应的第一特征类别映射集合；
针对所述第一特征类别映射集合中的每个特征类别映射，计算该特征类别映射与上一次第二特征类别映射集合中与该特征类别映射所对应的特征类别映射之间的映射差异；
根据所述映射差异和该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合；
根据所述第一特征类别映射集合与其它第二特征类别映射集合在每个特征类别映射上的映射候选集合确定所述每个目标水质监测参数的水质管理标签。
6.根据权利要求5所述的水质监测管理装置，其特征在于，所述关联映射模块用于通过以下方式确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合：
根据所述映射差异中差异部分特征的出现次数和差异范围，确定所述映射差异中的差异特征部分的偏差向量及映射关联区域的映射关联向量；
根据所述偏差向量确定在预设映射关系中与所述映射差异中的差异特征部分相对应的差异特征部分，以及根据所述映射关联向量确定在所述预设映射关系中与所述映射差异中的映射关联区域相对应的映射关联区域；
将所述预设映射关系中的差异特征部分及映射关联区域进行补偿确定该特征类别映射所对应的水质基分类器信息；
将所述水质基分类器信息划分为多个对照分类参照对象和多个非对照分类参照对象，并针对任意一个对照分类参照对象，将所述对照分类参照对象在所述水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子对照分类参照对象，并确定所述多个子对照分类参照对象的差异范围；
针对任意一个非对照分类参照对象，将所述非对照分类参照对象在所述水质基分类器信息中表示差异特征部分的分类数据范围进行划分得到多个子非对照分类参照对象，并确定所述多个子非对照分类参照对象的分类参照对象特征；
从所述多个子对照分类参照对象的差异范围中选择至少部分差异范围对对应的多个子非对照分类参照对象的分类参照对象特征进行特征转换，得到转换后的分类参照对象特征；
分别将转换后的分类参照对象特征进行补偿，得到第一补偿分类参照对象特征序列，并根据该特征类别映射在所述第一特征类别映射集合中所对应的映射特征向量对所述第一补偿分类参照对象特征序列进行向量处理，得到第二补偿分类参照对象特征序列；
调用补偿程序，通过补偿程序确定所述第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值以及第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值；
比对所述第一补偿分类参照对象特征序列中包含的每种对象标签的第一补偿分类参照对象特征值和第二补偿分类参照对象特征序列中包含的每种对象标签的第二补偿分类参照对象特征值，确定每种对象标签的映射范围，并根据每种对象标签的映射范围确定所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射的初始映射候选集合，并对所述初始映射候选集合中的各初始映射候选节点的节点位置和预设位置调整关系，生成所述第一特征类别映射集合与所述第二特征类别映射集合在该特征类别映射上的映射候选集合。
7.一种服务器，其特征在于，所述服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个水质监测装置通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行权利要求1-3中任意一项所述的水质监测管理方法。
8.一种可读存储介质，其特征在于，所述可读存储介质中存储有机器可执行指令，当所述机器可执行指令被执行时实现权利要求1-3中任意一项所述的水质监测管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010338833.4A CN111539477B (zh) | 2020-04-26 | 2020-04-26 | 水质监测管理方法、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010338833.4A CN111539477B (zh) | 2020-04-26 | 2020-04-26 | 水质监测管理方法、装置、服务器及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539477A CN111539477A (zh) | 2020-08-14 |
| CN111539477B true CN111539477B (zh) | 2023-06-27 |
Family
ID=71977290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010338833.4A Active CN111539477B (zh) | 2020-04-26 | 2020-04-26 | 水质监测管理方法、装置、服务器及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539477B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116521036B (zh) * | 2023-07-04 | 2023-11-14 | 杭州行芯科技有限公司 | 一种网表文件的显示方法、电子设备及计算机存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014157833A1 (ko) * | 2013-03-25 | 2014-10-02 | 현대엔지니어링(주) | 정수처리장의 수질센서 및 원격 모니터링 시스템에 기반한 전문가 의사결정 시스템 |
| WO2016035237A1 (ja) * | 2014-09-04 | 2016-03-10 | パナソニックＩｐマネジメント株式会社 | 水質センサ、水処理システム |
| KR20160140060A (ko) * | 2015-05-29 | 2016-12-07 | 부경대학교 산학협력단 | 수질 모니터링 시스템 및 이를 이용한 수질 모니터링 방법 |
| CN107403034A (zh) * | 2017-06-28 | 2017-11-28 | 西交利物浦大学 | 水质污染扩散预警可视化方法 |
| CN110579471A (zh) * | 2019-09-26 | 2019-12-17 | 五邑大学 | 基于颜色识别的水质检测方法、装置、设备及存储介质 |
-
2020
- 2020-04-26 CN CN202010338833.4A patent/CN111539477B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014157833A1 (ko) * | 2013-03-25 | 2014-10-02 | 현대엔지니어링(주) | 정수처리장의 수질센서 및 원격 모니터링 시스템에 기반한 전문가 의사결정 시스템 |
| WO2016035237A1 (ja) * | 2014-09-04 | 2016-03-10 | パナソニックＩｐマネジメント株式会社 | 水質センサ、水処理システム |
| KR20160140060A (ko) * | 2015-05-29 | 2016-12-07 | 부경대학교 산학협력단 | 수질 모니터링 시스템 및 이를 이용한 수질 모니터링 방법 |
| CN107403034A (zh) * | 2017-06-28 | 2017-11-28 | 西交利物浦大学 | 水质污染扩散预警可视化方法 |
| CN110579471A (zh) * | 2019-09-26 | 2019-12-17 | 五邑大学 | 基于颜色识别的水质检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539477A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200017611A (ko) | 딥러닝을 이용한 위치 측위 방법 및 장치 | |
| CN111967597A (zh) | 神经网络训练及图像分类方法、装置、存储介质、设备 | |
| CN113360763A (zh) | 基于人工智能的业务关注倾向预测方法及人工智能云系统 | |
| US20230325640A1 (en) | Artificial intelligence-based anomaly detection and prediction | |
| CN109615080B (zh) | 无监督模型评估方法、装置、服务器及可读存储介质 | |
| CN111723226A (zh) | 基于大数据和互联网的信息管理方法及人工智能云服务器 | |
| CN111126420A (zh) | 一种建立识别模型的方法及装置 | |
| CN111539477B (zh) | 水质监测管理方法、装置、服务器及可读存储介质 | |
| KR20200017612A (ko) | 딥러닝을 이용한 위치 측위 학습 방법 | |
| CN111680645B (zh) | 一种垃圾分类处理方法及装置 | |
| WO2021044192A1 (en) | Detection, prediction and/or compensation of data drift in distributed clouds | |
| CN112102015B (zh) | 物品推荐方法、元网络处理方法、装置、存储介质和设备 | |
| CN111694966B (zh) | 面向化工领域的多层次知识图谱构建方法及系统 | |
| CN117668560A (zh) | 模型训练、插件预测方法、装置、设备、介质及产品 | |
| WO2021084125A1 (en) | Method and system for anomaly detection using multimodal knowledge graph | |
| CN110766086B (zh) | 基于强化学习模型对多个分类模型进行融合的方法和装置 | |
| CN115641201B (zh) | 数据异常检测方法、系统、终端设备及存储介质 | |
| WO2020183807A1 (ja) | 情報処理方法、および、情報処理システム | |
| US11475255B2 (en) | Method for adaptive context length control for on-line edge learning | |
| US20240054341A1 (en) | Training models for target computing devices | |
| CN115131600A (zh) | 检测模型训练方法、检测方法、装置、设备及存储介质 | |
| CN110502715B (zh) | 点击概率的预测方法及装置 | |
| US20200234179A1 (en) | System and method for context-based training of a machine learning model | |
| CN111741526A (zh) | 定位方法、装置、电子设备以及计算机存储介质 | |
| EP4414946A1 (en) | Automatically quantifying a robustness of an object detection model applied for a controlling task and/or a monitoring task |
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 | ||
| CB02 | Change of applicant information |
Address after: No.23 Qianwang Road, Xishan District, Kunming, Yunnan 650100 Applicant after: Chen Wenhai Address before: No.23 baicaolong village, Songshi village committee, Caiyun Town, Lufeng County, Chuxiong Yi Autonomous Prefecture, Yunnan Province Applicant before: Chen Wenhai |
|
| CB02 | Change of applicant information | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230602 Address after: 916, Floor 8, Building 2, Yard 128, South 4th Ring West Road, Fengtai District, Beijing 100071 Applicant after: Zhonghai Yunke (Beijing) Technology Co.,Ltd. Address before: No.23 Qianwang Road, Xishan District, Kunming, Yunnan 650100 Applicant before: Chen Wenhai |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |