CN112766810A - 用于智能综合性整体质量评价的神经网络的训练方法 - Google Patents
用于智能综合性整体质量评价的神经网络的训练方法 Download PDFInfo
- Publication number
- CN112766810A CN112766810A CN202110155202.3A CN202110155202A CN112766810A CN 112766810 A CN112766810 A CN 112766810A CN 202110155202 A CN202110155202 A CN 202110155202A CN 112766810 A CN112766810 A CN 112766810A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- neural network
- vector
- water quality
- loss function
- 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.)
- Withdrawn
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 title claims abstract description 74
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 332
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 156
- 238000001514 detection method Methods 0.000 claims abstract description 151
- 238000005070 sampling Methods 0.000 claims abstract description 115
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 107
- 238000001303 quality assessment method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 230000007613 environmental effect Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智慧环保领域中的智能综合性整体质量评价,其具体地公开了一种用于智能综合性整体质量评价的神经网络的训练方法,其采用编码器‑解码器架构对总体水体质量进行评估,具体地,在训练过程中,通过多层编码器结构来充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息进行编码以获得编码的特征向量,再通过计算编码特征向量的三重损失函数值,并以该三重损失函数值训练所述分类器,以提高水体质量的综合性整体评价的准确性。
Description
技术领域
本发明涉及智慧环保领域中的智能综合性整体质量评价,且更为具体地,涉及一种用于智能综合性整体质量评价的神经网络的训练方法、基于深度神经网络的水体质量智能评估方法、用于智能综合性整体质量评价的神经网络的训练系统、基于深度神经网络的水体质量智能评估系统和电子设备。
背景技术
环境质量监测是一种环境监测内容,主要监测环境中污染物的分布和浓度,以确定环境质量状况,定时、定点的环境质量监测历史数据,为对污染物迁移转化规律的科学研究提供基础数据。在对水资源进行质量检测时,通常采用抽样检测的方式,也就是在检测时,获取一定量,通常为几毫升的水体样本,并通过实验室检测获得其检测结果。
但是,对于复杂水体来说,比如水量较大的河流、湖泊等,水资源的质量会随着时间和检测位置,尤其是检测时的采样深度有一定的变化,导致采样结果不够准确。
因此,期望提供一种能够考虑采样时间和采样深度因素对总体水体质量进行准确评估的方法。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为水体质量的智能综合性整体评价提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于智能综合性整体质量评价的神经网络的训练方法、基于深度神经网络的水体质量智能评估方法、用于智能综合性整体质量评价的神经网络的训练系统、基于深度神经网络的水体质量智能评估系统和电子设备,其采用编码器-解码器架构对总体水体质量进行评估,具体地,在训练过程中,通过多层编码器结构来充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息进行编码以获得编码的特征向量,再通过计算编码特征向量的三重损失函数值,并以该三重损失函数值训练所述分类器,以提高水体质量的综合性整体评价的准确性。
根据本申请的一个方面,提供了一种用于智能综合性整体质量评价的神经网络的训练方法,其包括:
获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;
将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;
将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;
将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;
将所述联合特征向量通过第二编码器,以获得编码特征向量;
计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值;
计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;
将所述编码特征向量通过分类器,以获得分类损失函数值;以及
基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
在上述用于智能综合性整体质量评价的神经网络的训练方法中,所述第一编码器由具有第一预定深度的全连接层组成,其中,该第一预定深度大于十。
在上述用于智能综合性整体质量评价的神经网络的训练方法中,所述第二编码器由具有第二预定深度的全连接层组成,其中,该第二预定深度大于十。
在上述用于智能综合性整体质量评价的神经网络的训练方法中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量,包括:对所述结果向量进行一维卷积处理,以获得所述检测结果特征向量。
在上述用于智能综合性整体质量评价的神经网络的训练方法中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量,包括:对所述结果向量通过多层感知机模型,以获得所述检测结果特征向量。
根据本申请的另一方面,提供了一种基于深度神经网络的水体质量智能评估方法,其包括:
获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;
将所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如上所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及
将所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
根据本申请的再一方面,提供了一种用于智能综合性整体质量评价的神经网络的训练系统,其包括:
样本信息获取单元,用于获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;
标签特征向量生成单元,用于将所述样本信息获取单元获得的所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;
检测结果特征向量生成单元,用于将所述样本信息获取单元获得的所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;
联合特征向量生成单元,用于将所述标签特征向量生成单元获得的所述标签特征向量插值为与所述检测结果特征向量生成单元获得的所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;
编码特征向量生成单元,用于将所述联合特征向量生成单元获得的所述联合特征向量通过第二编码器,以获得编码特征向量;
距离损失函数值计算单元,用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述检测结果特征向量生成单元获得的所述检测结果特征向量之间的距离损失函数值;
交叉熵损失函数值计算单元,用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述标签特征向量生成单元获得的所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;
分类损失函数值生成单元,用于将所述编码特征向量生成单元获得的所述编码特征向量通过分类器,以获得分类损失函数值;以及
参数更新单元,用于基于所述距离损失函数值计算单元获得的所述距离损失函数值、所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
在上述用于智能综合性整体质量评价的神经网络的训练系统中,所述第一编码器由具有第一预定深度的全连接层组成,其中,该第一预定深度大于十。
在上述用于智能综合性整体质量评价的神经网络的训练系统中,所述第二编码器由具有第二预定深度的全连接层组成,其中,该第二预定深度大于十。
在上述用于智能综合性整体质量评价的神经网络的训练系统中,所述检测结果特征向量生成单元,进一步用于:对所述结果向量进行一维卷积处理,以获得所述检测结果特征向量。
在上述用于智能综合性整体质量评价的神经网络的训练系统中,所述检测结果特征向量生成单元,进一步用于:对所述结果向量通过多层感知机模型,以获得所述检测结果特征向量。
根据本申请的又一方面,提供了一种基于深度神经网络的水体质量智能评估系统,其包括:
待检测信息获取单元,用于获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;
分类单元,用于将所述待检测信息获取单元获得的所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如上所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及
评价结果生成单元,用于基于所述分类单元获得的所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于智能综合性整体质量评价的神经网络的训练方法,或者,基于深度神经网络的水体质量智能评估方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于智能综合性整体质量评价的神经网络的训练方法,或者,基于深度神经网络的水体质量智能评估方法。
与现有技术相比,本申请提供的一种用于智能综合性整体质量评价的神经网络的训练方法、基于深度神经网络的水体质量智能评估方法、用于智能综合性整体质量评价的神经网络的训练系统、基于深度神经网络的水体质量智能评估系统和电子设备,其采用编码器-解码器架构对总体水体质量进行评估,具体地,在训练过程中,通过多层编码器结构来充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息进行编码以获得编码的特征向量,再通过计算编码特征向量的三重损失函数值,并以该三重损失函数值训练所述分类器,以提高水体质量的综合性整体评价的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法的应用场景图;
图2图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法的流程图;
图3图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法的系统架构示意图;
图4图示了根据本申请实施例的基于深度神经网络的水体质量智能评估方法的流程图;
图5图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练系统的框图。
图6图示了根据本申请实施例的基于深度神经网络的水体质量智能评估系统的框图。
图7图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,在对水资源进行质量检测时,通常采用抽样检测的方式,但是,对于复杂水体来说,水资源的质量会随着时间和检测位置,尤其是检测时的采样深度有一定的变化,因此,期望提供一种能够考虑采样时间和采样深度因素对总体水体质量进行准确评估的方法。
基于此,本申请的发明人考虑采用深度神经网络,来在采样获得的水质样本的检测结果的基础上,综合考虑采样时间和采样深度,来获得整体性的水体质量评估结果。
具体地,本申请的评估模型采用编码器-解码器架构,并且,为了充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息,基于多层编码器结构来获得编码的特征向量。具体地,首先获得相对应的单样本的水质检测结果数据以及采样时间数据和采样深度数据,将采样时间数据和采样深度数据转换为向量之后级联,并通过具有预定深度(深度大于十)的由全连接层组成的第一编码器,即第一深度全连接神经网络进行联合编码,以获得类似于标签的标签特征向量。同时,将水质检测结果数据转换为向量之后通过深度神经网络,以获得检测结果特征向量,并将标签特征向量插值为与检测结果特征向量相同长度之后与检测结果特征向量进行加权求和,以获得联合特征向量。
接下来,将所述联合特征向量通过具有预定深度(深度大于十)的由全连接层组成的第二编码器,即第二深度全连接神经网络以获得编码特征向量。并且,为了使得编码特征向量能够充分地表达水质样本的检测结果信息,采样时间和采样深度的信息并且表达出两者之间的关联,首先计算编码特征向量与检测结果特征向量之间的距离损失函数值,然后计算编码特征向量与标签特征向量的各位置平均的特征值之间的交叉熵损失函数值,并计算编码特征向量通过分类器,即解码器之后的分类损失函数值,基于这三个损失函数值的加权和来训练第一编码器、深度神经网络、第二编码器和分类器的参数。
这样,在通过不同采样时间、不同采样深度和相应的水质检测结果的大量数据进行训练之后,训练好的分类器就可以通过单个样本来获得待检测的水体质量的综合性整体评价。
基于此,本申请提出了一种用于智能综合性整体质量评价的神经网络的训练方法,其包括:获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;将所述联合特征向量通过第二编码器,以获得编码特征向量;计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值;计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;将所述编码特征向量通过分类器,以获得分类损失函数值;以及,基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
基于此,本申请还提出了一种基于深度神经网络的水体质量智能评估方法,其包括:获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;将所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如上所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及,将所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
图1图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法和基于深度神经网络的水体质量智能评估方法的应用场景图。
如图1所示,在该应用场景的训练阶段中,通过水质检测仪(例如,如图1中所示意的D)获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;然后,将所述多个单样本的水质检测结果以及其分别对应的采样时间和采样深度输入至部署有用于智能综合性整体质量评价的神经网络的训练算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于用于智能综合性整体质量评价的神经网络的训练算法以所述多个单样本的水质检测结果以及其分别对应的采样时间和采样深度对用于智能综合性整体质量评价的神经网络进行训练。
在通过如上所述的用于智能综合性整体质量评价的神经网络的训练算法训练好所述神经网络后,可基于所述深度神经网络对水体质量进行综合性整体评价。
进一步地,如图1所示,在该应用场景的应用阶段,通过水质检测仪(例如,如图1中所示意的D)获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;然后,将所述待检测的单样本的水质检测结果以及其对应的采样时间和采样深度输入至部署有基于深度神经网络的水体质量智能评估算法的服务器中(例如,如图1中所示意的S),其中,所述服务器能够基于深度神经网络的水体质量智能评估算法对所述待检测的单样本的水质检测结果以及其对应的采样时间和采样深度进行处理,以生成水体质量的综合性整体评价结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了用于智能综合性整体质量评价的神经网络的训练方法的流程图。如图2所示,根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法,包括:S110,获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;S120,将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;S130,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;S140,将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;S150,将所述联合特征向量通过第二编码器,以获得编码特征向量;S160,计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值;S170,计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;S180,将所述编码特征向量通过分类器,以获得分类损失函数值;以及,S190,基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
图3图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法的架构示意图。如图3所示,在所述用于智能综合性整体质量评价的神经网络的训练方法的网络架构中,首先,将获取的多个单样本的采样时间和采样深度转化为时间向量(例如,如图3中所示意的IN1)和深度向量(例如,如图3中所示意的IN2)后,将所述时间向量与所述深度向量进行级联并通过第一编码器(例如,如图3中所示意的第一编码器),以获得标签特征向量(例如,如图3中所示意的V1);接着,将获取的多个单样本的水质检测结果转化为结果向量(例如,如图3中所示意的IN3)后通过深度神经网络(例如,如图3中所示意的DNN),以获得检测结果特征向量(例如,如图3中所示意的V2);接着,将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量(例如,如图3中所示意的Va);接着,将所述联合特征向量通过第二编码器(例如,如图3中所示意的第二编码器),以获得编码特征向量(例如,如图3中所示意的Vc);接着,计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值;接着,计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;接着,将所述编码特征向量通过分类器(例如,如图3中所示意的圈S),以获得分类损失函数值;然后,基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
在步骤S110中,获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度。如前所述,对于复杂水体来说,水资源的质量会随着时间和检测位置,尤其是检测时的采样深度有一定的变化,因此,期望提供一种能够考虑采样时间和采样深度因素对总体水体质量进行准确评估的方法。具体地,在本申请实施例中,首先通过水质检测仪分别对水体进行不同深度的采样,以获得多个单样本的水质检测结果以及其分别对应的采样时间和采样深度。
在步骤S120中,将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过所述第一编码器,以获得标签特征向量。也就是,以第一编码器对所述时间向量与所述深度向量进行联合编码,以获得类似于标签的标签特征向量。
具体地,在本申请实施例中,所述第一编码器由具有第一预定深度的全连接层组成,其中,该第一预定深度大于十。应可以理解,神经网络的深度越高,其提取的特征越抽象,越关注于细节。这里,第一预定深度大于十,也就是,全连接层的深度加深,这样,可以充分利用和融合采样时间和采样深度的信息,确保编码的效果。
在步骤S130中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量。也就是,以深度神经网络提取出所述结果向量中的高维特征。
具体地,在本申请实施例中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量的过程,包括:对所述结果向量进行一维卷积处理,以获得所述检测结果特征向量。也就是,所述深度神经网络为一维卷积神经网络,应可以理解,通过一维卷积对所述结果向量进行处理,可以充分挖掘所述结果向量中多个单样本的水质检测结果的高维特征。
值得一提的是,在本申请的其他示例中,还可以通过其他方式将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量,例如,在该另一示例中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量的过程,包括:对所述结果向量通过多层感知机模型,以获得所述检测结果特征向量。也就是,所述深度神经网络是多层感知机模型。本领域普通技术人员应知晓,多层感知机是一种深度神经网络模型,其能够充分地利用结果向量中各个位置的信息和各个位置之间的关联信息,以提取出能够表达多个单样本的水质检测结果的高维特征。多层感知机模型是一种前馈人工神经网络模型,除了输入输出层,它中间可以有多个隐层。特别地,在本申请中,多层感知机的全连接层的数量小于等于十。
在步骤S140中,将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量。也就是,以默认值对所述标签向量进行插值,以将所述标签向量调整为与所述检测结果特征向量相同长度,然后进行按位置的加权求和,以获得联合特征向量。
在步骤S150中,将所述联合特征向量通过第二编码器,以获得编码特征向量。也就是,以第二编码器对所述联合特征向量进行编码,以充分挖掘所述联合特征向量中的高维特征。
具体地,在本申请实施例中,所述第二编码器由具有第二预定深度的全连接层组成,其中,该第二预定深度大于十。应可以理解,第二预定深度大于十,也就是,全连接层的深度加深,这样,可以进一步融合联合特征向量中的水质样本的检测结果信息以及采样时间和采样深度的信息,确保编码的效果。
在步骤S160中,计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值。应可以理解,为了保证编码特征向量能够充分地表达水质样本的检测结果信息,即,为了使得所述编码特征向量与所述检测结果特征向量的特征分布接近,通过计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值来更新深度神经网络和编码器的参数。
具体地,在本申请实施例中,计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值的过程,包括:计算所述编码特征向量与所述检测结果特征向量之间的L1距离损失函数值。本领域普通技术人员应了解,L1距离函数,也被称为最小绝对值偏差(LAD),它是目标值与估计值的绝对差值的总和。应可以理解,通过计算所述编码特征向量与所述检测结果特征向量之间的L1距离损失函数值,可以从数值维度上反映出所述编码特征向量与所述检测结果特征向量的每个位置之间的特征差异。
值得一提的是,在本申请的其他示例中,还可以通过其他方式计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值,例如,在本申请的另一示例中,计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值的过程,包括:计算所述编码特征向量与所述检测结果特征向量之间的L2距离损失函数值。本领域普通技术人员应了解,L2距离函数,也被称为最小平方误差(LSE),它是目标值与估计值的差值的平方和,也叫欧氏距离。应可以理解,通过计算所述编码特征向量与所述检测结果特征向量之间的L2距离,可以从空间距离维度上反映出所述编码特征向量与所述检测结果特征向量的每个位置之间的特征差异。
在步骤S170中,计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值。应可以理解,为了使得编码特征向量能够充分地表达采样时间和采样深度的信息,即,为了使得所述编码特征向量与所述标签特征向量的特征分布接近,通过计算编码特征向量与标签特征向量的各位置平均的特征值之间的交叉熵损失函数值,并以该交叉熵损失函数来更新深度神经网络和编码器的参数。
在步骤S180中,将所述编码特征向量通过分类器,以获得分类损失函数值。也就是,首先,将编码特征向量通过Softmax分类函数,以获得分类结果,然后,将所述分类结果和真实值输入损失函数,以获得所述分类损失函数值。应可以理解,为了使得编码特征向量能够充分地表达标签特征向量和检测结果特征向量之间的关联,通过将所述编码特征向量通过分类器,以获得分类损失函数值,并以该分类损失函数值来更新所述分类器的参数。
在步骤S190中,基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。应可以理解,基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和训练所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器,以使得所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器能够学习到提取出获得更加符合类别划分的图像特征,以提高分类的准确性。
根据本申请的另一方面,还提供了一种基于深度神经网络的水体质量智能评估方法。
图4图示了根据本申请实施例的基于深度神经网络的水体质量智能评估方法的流程图。如图4所示,根据本申请实施例的基于深度神经网络的水体质量智能评估方法,包括:S210,获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;S220,将所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如上所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及,S230,将所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
综上,本申请实施例的用于智能综合性整体质量评价的神经网络的训练方法、基于深度神经网络的水体质量智能评估方法被阐明,其采用编码器-解码器架构对总体水体质量进行评估,具体地,在训练过程中,通过多层编码器结构来充分利用和融合水质样本的检测结果信息以及采样时间和采样深度的信息进行编码以获得编码的特征向量,再通过计算编码特征向量的三重损失函数值,并以该三重损失函数值训练所述分类器,以提高水体质量的综合性整体评价的准确性。
示例性系统
图5图示了根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练系统的框图。
如图5所示,根据本申请实施例的用于智能综合性整体质量评价的神经网络的训练系统500,包括:样本信息获取单元510,用于获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;标签特征向量生成单元520,用于将所述样本信息获取单元510获得的所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;检测结果特征向量生成单元530,用于将所述样本信息获取单元510获得的所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;联合特征向量生成单元540,用于将所述标签特征向量生成单元520获得的所述标签特征向量插值为与所述检测结果特征向量生成单元530获得的所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;编码特征向量生成单元550,用于将所述联合特征向量生成单元540获得的所述联合特征向量通过第二编码器,以获得编码特征向量;距离损失函数值计算单元560,用于计算所述编码特征向量生成单元550获得的所述编码特征向量与所述检测结果特征向量生成单元530获得的所述检测结果特征向量之间的距离损失函数值;交叉熵损失函数值计算单元570,用于计算所述编码特征向量生成单元550获得的所述编码特征向量与所述标签特征向量生成单元520获得的所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;分类损失函数值生成单元580,用于将所述编码特征向量生成单元550获得的所述编码特征向量通过分类器,以获得分类损失函数值;以及参数更新单元590,用于基于所述距离损失函数值计算单元560获得的所述距离损失函数值、所述交叉熵损失函数值计算单元570获得的所述交叉熵损失函数值和所述分类损失函数值生成单元580获得的所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
在一个示例中,在上述训练系统500中,所述第一编码器由具有第一预定深度的全连接层组成,其中,该第一预定深度大于十。
在一个示例中,在上述训练系统500中,所述第二编码器由具有第二预定深度的全连接层组成,其中,该第二预定深度大于十。
在一个示例中,在上述训练系统500中,所述检测结果特征向量生成单元530,进一步用于:对所述结果向量进行一维卷积处理,以获得所述检测结果特征向量。
在一个示例中,在上述训练系统500中,所述检测结果特征向量生成单元530,进一步用于:对所述结果向量通过多层感知机模型,以获得所述检测结果特征向量。
这里,本领域技术人员可以理解,上述训练系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于智能综合性整体质量评价的神经网络的训练方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的训练系统500可以实现在各种终端设备中,例如用于水体质量的综合性整体评价的服务器等。在一个示例中,根据本申请实施例的训练系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该训练系统500可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该训练系统500同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该训练系统500与该终端设备也可以是分立的设备,并且该训练系统500可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面,还提供了一种基于深度神经网络的水体质量智能评估系统。
图6图示了根据本申请实施例的基于深度神经网络的水体质量智能评估系统的框图。如图6所示,根据本申请实施例的基于深度神经网络的水体质量智能评估系统600,包括:待检测信息获取单元610,用于获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;分类单元620,用于将所述待检测信息获取单元610获得的所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如上所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及,评价结果生成单元630,用于基于所述分类单元620获得的所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
这里,本领域技术人员可以理解,上述智能评估系统600中的各个单元和模块的具体功能和操作已经在上面参考图4的基于深度神经网络的水体质量智能评估方法描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的智能评估系统600可以实现在各种终端设备中,例如用于水体质量的综合性整体评价的服务器等。在一个示例中,根据本申请实施例的智能评估系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能评估系统600可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能评估系统600同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能评估系统600与该终端设备也可以是分立的设备,并且该智能评估系统600可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的用于智能综合性整体质量评价的神经网络的训练方法,或者,基于深度神经网络的水体质量智能评估方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如联合特征向量、编码特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入系统13和输出系统14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括评价结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于智能综合性整体质量评价的神经网络的训练方法,或者,基于深度神经网络的水体质量智能评估方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于智能综合性整体质量评价的神经网络的训练方法,或者,基于深度神经网络的水体质量智能评估方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种用于智能综合性整体质量评价的神经网络的训练方法,其特征在于,包括:
获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;
将所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;
将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;
将所述标签特征向量插值为与所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;
将所述联合特征向量通过第二编码器,以获得编码特征向量;
计算所述编码特征向量与所述检测结果特征向量之间的距离损失函数值;
计算所述编码特征向量与所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;
将所述编码特征向量通过分类器,以获得分类损失函数值;以及
基于所述距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
2.根据权利要求1所述的用于智能综合性整体质量评价的神经网络的训练方法,其中,所述第一编码器由具有第一预定深度的全连接层组成,其中,该第一预定深度大于十。
3.根据权利要求2所述的用于智能综合性整体质量评价的神经网络的训练方法,其中,所述第二编码器由具有第二预定深度的全连接层组成,其中,该第二预定深度大于十。
4.根据权利要求3所述的用于智能综合性整体质量评价的神经网络的训练方法,其中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量,包括:
对所述结果向量进行一维卷积处理,以获得所述检测结果特征向量。
5.根据权利要求3所述的用于智能综合性整体质量评价的神经网络的训练方法,其中,将所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量,包括:
对所述结果向量通过多层感知机模型,以获得所述检测结果特征向量。
6.一种基于深度神经网络的水体质量智能评估方法,其特征在于,包括:
获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;
将所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如权利要求1到5中任意一项所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及
将所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
7.一种用于智能综合性整体质量评价的神经网络的训练系统,其特征在于,包括:
样本信息获取单元,用于获取多个单样本的水质检测结果以及其分别对应的采样时间和采样深度;
标签特征向量生成单元,用于将所述样本信息获取单元获得的所述多个单样本的采样时间和采样深度转化为时间向量和深度向量后,将所述时间向量与所述深度向量进行级联并通过第一编码器,以获得标签特征向量;
检测结果特征向量生成单元,用于将所述样本信息获取单元获得的所述多个单样本的水质检测结果转化为结果向量后通过深度神经网络,以获得检测结果特征向量;
联合特征向量生成单元,用于将所述标签特征向量生成单元获得的所述标签特征向量插值为与所述检测结果特征向量生成单元获得的所述检测结果特征向量具有相同长度后与所述检测结果特征向量进行加权求和,以获得联合特征向量;
编码特征向量生成单元,用于将所述联合特征向量生成单元获得的所述联合特征向量通过第二编码器,以获得编码特征向量;
距离损失函数值计算单元,用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述检测结果特征向量生成单元获得的所述检测结果特征向量之间的距离损失函数值;
交叉熵损失函数值计算单元,用于计算所述编码特征向量生成单元获得的所述编码特征向量与所述标签特征向量生成单元获得的所述标签特征向量的各位置的特征值的平均值之间的交叉熵损失函数值;
分类损失函数值生成单元,用于将所述编码特征向量生成单元获得的所述编码特征向量通过分类器,以获得分类损失函数值;以及
参数更新单元,用于基于所述距离损失函数值计算单元获得的所述距离损失函数值、所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值和所述分类损失函数值生成单元获得的所述分类损失函数值的加权和,来更新所述第一编码器、所述深度神经网络、所述第二编码器和所述分类器的参数。
8.根据权利要求7所述的用于智能综合性整体质量评价的神经网络的训练系统,其中,所述第一编码器由具有第一预定深度的全连接层组成,其中,该第一预定深度大于十。
9.一种基于深度神经网络的水体质量智能评估系统,其特征在于,包括:
待检测信息获取单元,用于获取待检测的单样本的水质检测结果以及其对应的采样时间和采样深度;
分类单元,用于将所述待检测信息获取单元获得的所述单样本的水质检测结果以及其对应的采样时间和采样深度输入根据如权利要求1到5中任意一项所述的用于智能综合性整体质量评价的神经网络的训练方法所训练的深度神经网络、第一编码器、第二编码器和分类器,所述分类器的输出表示对应于不同质量标签的水体质量的概率值;以及
评价结果生成单元,用于基于所述分类单元获得的所述不同质量标签的水体质量的概率值中最大概率值对应的水体质量确定为水体质量的综合性整体评价结果。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的用于智能综合性整体质量评价的神经网络的训练方法或者如权利要求6所述的基于深度神经网络的水体质量智能评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155202.3A CN112766810A (zh) | 2021-02-04 | 2021-02-04 | 用于智能综合性整体质量评价的神经网络的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155202.3A CN112766810A (zh) | 2021-02-04 | 2021-02-04 | 用于智能综合性整体质量评价的神经网络的训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112766810A true CN112766810A (zh) | 2021-05-07 |
Family
ID=75704986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155202.3A Withdrawn CN112766810A (zh) | 2021-02-04 | 2021-02-04 | 用于智能综合性整体质量评价的神经网络的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766810A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158346A (zh) * | 2021-05-14 | 2021-07-23 | 杭州积莹科技有限公司 | 基于云计算的预防性维护方法 |
CN113256145A (zh) * | 2021-06-09 | 2021-08-13 | 深圳万顺叫车云信息技术有限公司 | 安全中心中台系统 |
-
2021
- 2021-02-04 CN CN202110155202.3A patent/CN112766810A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158346A (zh) * | 2021-05-14 | 2021-07-23 | 杭州积莹科技有限公司 | 基于云计算的预防性维护方法 |
CN113158346B (zh) * | 2021-05-14 | 2022-08-09 | 山东众志电子有限公司 | 基于云计算的预防性维护方法 |
CN113256145A (zh) * | 2021-06-09 | 2021-08-13 | 深圳万顺叫车云信息技术有限公司 | 安全中心中台系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN112966074B (zh) | 一种情感分析方法、装置、电子设备以及存储介质 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN114724386B (zh) | 智慧交通下的短时交通流量预测方法、系统和电子设备 | |
CN110895705B (zh) | 异常样本检测装置及其训练装置和训练方法 | |
CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN115951883B (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
CN117648643A (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
CN114049525A (zh) | 气体种类和浓度识别的融合神经网络系统、装置与方法 | |
CN116247824A (zh) | 电力设备的控制方法及其系统 | |
JP7205640B2 (ja) | 学習方法、学習プログラム、および学習装置 | |
CN116482524A (zh) | 输配电开关状态检测方法及系统 | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN114093435A (zh) | 一种基于深度学习的化学分子相关水溶性预测方法 | |
CN116301166B (zh) | 一种非带隙基准电压源电路 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN116189800B (zh) | 基于气体检测的模式识别方法、装置、设备及存储介质 | |
CN116858789A (zh) | 食品安全检测系统及其方法 | |
Matsumoto et al. | Learning classifier system with deep autoencoder | |
CN112765989B (zh) | 基于表示分类网络的变长文本语义识别方法 | |
CN112836752A (zh) | 基于深度值的特征图融合的智能采样参数控制方法 | |
CN112761700A (zh) | 用于井下调风装置的风档控制的神经网络的训练方法 | |
Gaur et al. | Precipitation nowcasting using deep learning techniques |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210507 |
|
WW01 | Invention patent application withdrawn after publication |