CN113077019B - 污染类型识别方法及装置和存储介质 - Google Patents
污染类型识别方法及装置和存储介质 Download PDFInfo
- Publication number
- CN113077019B CN113077019B CN202110628675.0A CN202110628675A CN113077019B CN 113077019 B CN113077019 B CN 113077019B CN 202110628675 A CN202110628675 A CN 202110628675A CN 113077019 B CN113077019 B CN 113077019B
- Authority
- CN
- China
- Prior art keywords
- index sequence
- index
- pollution
- sequence
- turbidity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 105
- 238000012545 processing Methods 0.000 claims abstract description 34
- 239000000126 substance Substances 0.000 claims description 91
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 86
- 229910052760 oxygen Inorganic materials 0.000 claims description 86
- 239000001301 oxygen Substances 0.000 claims description 86
- 239000011159 matrix material Substances 0.000 claims description 64
- 238000003911 water pollution Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 31
- 238000011109 contamination Methods 0.000 claims description 29
- 230000001105 regulatory effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011065 in-situ storage Methods 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 48
- 238000010586 diagram Methods 0.000 description 18
- 239000002096 quantum dot Substances 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000002159 nanocrystal Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 description 1
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- IOVCWXUNBOPUCH-UHFFFAOYSA-M Nitrite anion Chemical compound [O-]N=O IOVCWXUNBOPUCH-UHFFFAOYSA-M 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004054 semiconductor nanocrystal Substances 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- -1 suspended matter Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本公开涉及一种污染类型识别方法及装置和存储介质,所述方法包括:根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列;根据第一指标序列和第二指标序列,确定至少一个污染识别参数;将至少一个污染识别参数输入污染类型识别模型进行处理,确定预定水域的水质污染类型。根据本公开的实施例的污染类型识别方法,可通过水质信息原位、在线且高频地测量预定水域的第一指标序列和第二指标序列,并可根据两种指标实时分析多种污染类型,提高了污染类型识别的准确性和适用范围。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种污染类型识别方法及装置和存储介质。
背景技术
水资源是人类赖以生存的资源,饮用水质量的好坏直接关系到人类的生命安全。随着几十年来的经济高速发展,环境污染事件也呈现高发态势,近年来的重大水体污染事件造成了严重的社会、经济和环境损失。
当前,对于环境保护管理十分重视,水体监测基础设施日益健全,监测数据日益丰富,一方面,通过对水质数据的异常监测及时发现突发污染事件,及时核查处理,例如,监测水质化学需氧量(Chemical Oxygen Demand)等指标可及时捕捉水体中有机污染物浓度的异常变化,是水环境质量的重要监测手段;另一方面,也需要基于监测数据,对污染类别、污染原因、污染源做出预判,这对于科学合理地预测污染发展、制定应急处置预案、控制污染影响有着极为重要的意义。
然而,河流水质由于受到水文、气象、污染物等多种因素的综合影响,其变化规律难以获得,目前为止国内外基于河流水质在线监测数据的污染类型判断仅针对特定污染物的监测,其适用范围较局限,泛化能力较弱。并且,化学需氧量等指标通常需要通过在实验室进行化学测定,实时性较差,且单一指标难以识别多种类型的污染。
发明内容
本公开提出了一种污染类型识别方法及装置和存储介质。
根据本公开的一方面,提供了一种污染类型识别方法,包括:根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列,其中,所述第一指标序列包括在所述第一时间段内的多个时刻获得的化学需氧量指标,所述第二指标序列包括在所述第一时间段内的多个时刻获得的浊度指标;根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数;将所述至少一个污染识别参数输入污染类型识别模型进行处理,确定所述预定水域的水质污染类型。
在一种可能的实现方式中,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差,和/或所述化学需氧量指标与所述浊度指标的波谷时间差,其中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,包括:在所述第一指标序列中确定测得所述化学需氧量指标最大值和/或最小值的第一时刻;在所述第二指标序列中确定测得所述浊度指标最大值和/或最小值的第二时刻;根据所述第一时刻和所述第二时刻,确定所述波峰时间差和/或波谷时间差。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列的第一波峰高度,以及所述第二指标序列的第二波峰高度,其中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,包括:根据所述化学需氧量指标最大值与所述化学需氧量指标的第一均值,确定所述第一波峰高度,其中,所述第一均值为在所述预定水域未受到污染的第二时间段内测得的多个化学需氧量指标的均值;根据所述浊度指标最大值与所述浊度指标的第二均值,确定所述第二波峰高度,其中,所述第二均值为在所述预定水域未受到污染的第二时间段内测得的多个浊度指标的均值。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列与所述第二指标序列的动态时间规整距离,所述规整距离用于表示第一指标序列与所述第二指标序列的相似度,其中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,包括:根据所述第一指标序列中的多个化学需氧量指标,以及所述第二指标序列中的多个浊度指标,确定所述第一指标序列与所述第二指标序列的路径规整矩阵,其中,所述路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,i和j为正整数;根据路径规整矩阵,确定规整路径,其中,所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中,途径的元素之和最小的路径;根据所述规整路径,确定所述第一指标序列与所述第二指标序列的动态时间规整距离。
在一种可能的实现方式中,所述第一元素和所述第二元素包括以下元素中的任意两个:所述路径规整矩阵中第1行,第1列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第1行,第m列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第n行,第m列的元素;以及所述路径规整矩阵中第k行,第l列的元素;其中,第一指标序列包括n个化学需氧量指标,第二指标序列包括m个浊度指标,第一指标序列中第k个化学需氧量指标为化学需氧量指标最大值,第二指标序列中第l个浊度指标为浊度指标最大值,k、l、n和m为正整数。
在一种可能的实现方式中,所述方法还包括:根据在样本时间段内获取的第一样本指标序列和第二样本指标序列,确定与所述样本时间段分别对应的污染识别参数;将所述污染识别参数输入污染类型识别模型进行处理,确定所述样本时间段内的水质污染类型的训练结果;根据所述训练结果与所述样本时间段内的水质污染类型的标注信息,确定污染类型识别模型的模型损失;根据所述模型损失训练所述污染类型识别模型。
在一种可能的实现方式中,所述水质污染类型包括工业污染、生活污染和农业污染。
根据本公开的一方面,提供了一种污染类型识别装置,包括:序列确定模块,用于根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列,其中,所述第一指标序列包括在所述第一时间段内的多个时刻获得的化学需氧量指标,所述第二指标序列包括在所述第一时间段内的多个时刻获得的浊度指标;参数确定模块,用于根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数;类型确定模块,用于将所述至少一个污染识别参数输入污染类型识别模型进行处理,确定所述预定水域的水质污染类型。
在一种可能的实现方式中,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差,和/或所述化学需氧量指标与所述浊度指标的波谷时间差,其中,参数确定模块进一步用于:在所述第一指标序列中确定测得所述化学需氧量指标最大值和/或最小值的第一时刻;在所述第二指标序列中确定测得所述浊度指标最大值和/或最小值的第二时刻;根据所述第一时刻和所述第二时刻,确定所述波峰时间差和/或波谷时间差。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列的第一波峰高度,以及所述第二指标序列的第二波峰高度,其中,参数确定模块进一步用于:根据所述化学需氧量指标最大值与所述化学需氧量指标的第一均值,确定所述第一波峰高度,其中,所述第一均值为在所述预定水域未受到污染的第二时间段内测得的多个化学需氧量指标的均值;根据所述浊度指标最大值与所述浊度指标的第二均值,确定所述第二波峰高度,其中,所述第二均值为在所述预定水域未受到污染的第二时间段内测得的多个浊度指标的均值。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列与所述第二指标序列的动态时间规整距离,所述规整距离用于表示第一指标序列与所述第二指标序列的相似度,其中,参数确定模块进一步用于:根据所述第一指标序列中的多个化学需氧量指标,以及所述第二指标序列中的多个浊度指标,确定所述第一指标序列与所述第二指标序列的路径规整矩阵,其中,所述路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,i和j为正整数;根据路径规整矩阵,确定规整路径,其中,所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中,途径的元素之和最小的路径;根据所述规整路径,确定所述第一指标序列与所述第二指标序列的动态时间规整距离。
在一种可能的实现方式中,所述第一元素和所述第二元素包括以下元素中的任意两个:所述路径规整矩阵中第1行,第1列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第1行,第m列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第n行,第m列的元素;以及所述路径规整矩阵中第k行,第l列的元素;其中,第一指标序列包括n个化学需氧量指标,第二指标序列包括m个浊度指标,第一指标序列中第k个化学需氧量指标为化学需氧量指标最大值,第二指标序列中第l个浊度指标为浊度指标最大值,k、l、n和m为正整数。
在一种可能的实现方式中,所述方法还包括训练模块,所述训练模块用于:根据在样本时间段内获取的第一样本指标序列和第二样本指标序列,确定与所述样本时间段分别对应的污染识别参数;将所述污染识别参数输入污染类型识别模型进行处理,确定所述样本时间段内的水质污染类型的训练结果;根据所述训练结果与所述样本时间段内的水质污染类型的标注信息,确定污染类型识别模型的模型损失;根据所述模型损失训练所述污染类型识别模型。
在一种可能的实现方式中,所述水质污染类型包括工业污染、生活污染和农业污染。
根据本公开的一方面,提供了一种污染类型识别装置,包括:
处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行上述污染类型识别方法。
根据本公开的一方面,提供了一种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被处理器执行时实现上述污染类型识别方法。
根据本公开的实施例的污染类型识别方法,可通过原位水质监测设备原位、在线且高频地测量预定水域的第一指标序列和第二指标序列,并可根据两种指标实时分析多种污染类型,提高了污染类型识别的准确性和适用范围。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的污染类型识别方法的流程图;
图2示出根据本公开实施例的污染类型识别方法的应用示意图;
图3示出根据本公开实施例的污染类型识别装置的框图;
图4示出根据本公开实施例的污染类型识别装置的框图;
图5示出根据本公开实施例的污染类型识别装置的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的污染类型识别方法的流程图,如图1所示,所述方法包括:
在步骤S11中,根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列,其中,所述第一指标序列包括在所述第一时间段内的多个时刻获得的化学需氧量指标,所述第二指标序列包括在所述第一时间段内的多个时刻获得的浊度指标;
在步骤S12中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数;
在步骤S13中,将所述至少一个污染识别参数输入污染类型识别模型进行处理,确定所述预定水域的水质污染类型。
根据本公开的实施例的污染类型识别方法,可通过原位水质监测设备(其上搭载有量子点光谱探头,用于提供水质指标)原位、在线且高频地测量预定水域的第一指标序列和第二指标序列,并可根据两种指标实时分析多种污染类型,提高了污染类型识别的准确性和适用范围。
在一种可能的实现方式中,在步骤S11中,可通过量子点光谱探头在预定水域测量化学需氧量指标以及浊度指标,量子点光谱仪在第一时间段内的多个时刻测得的化学需氧量指标可组成第一指标序列,量子点光谱仪在第二时间段内的多个时刻测得的浊度指标可组成第二指标序列。
在示例中,量子点光谱探头可基于纳米晶体的物理特性和光学特性,对入射光线(例如,光线经过预定区域水样进行透射或散射后的光线)进行测量,以获得入射光线的光谱信息。例如,量子点光谱探头中可包括由多种纳米晶体制成的纳米晶体芯片,所述纳米晶体芯片包含多种纳米晶体的一定排列(例如,纳米晶体阵列),其中,每种纳米晶体具有不同光吸收特性或发射特性,不同种类半导体纳米晶体例如,可以为不同材料、尺寸等,使得纳米晶体芯片可对较宽波长范围内的波长进行调制响应,以获得对较宽波长范围内入射光调整后的光谱。
在一种可能的实现方式中,光线经水进行透射或散射后的光线可受到水中的物质(例如,悬浮物、污染物等)的影响,从而获得特定光谱信息。量子点光谱探头可实时获得该光谱信息,并确定该光谱信息代表的水质指标信息。例如,通过水样对不同波长光的吸收强弱,可获得不同频段的光的光谱信息,通过该光谱信息可换算出水质指标。在示例中,所述水质指标包括水质化学需氧量(Chemical Oxygen Demand,COD)、浊度、高锰酸盐指数、总悬浮物、生物需氧量、总有机碳、硫酸盐含量、氯化物含量、溶解性铁含量、溶解性锰含量、溶解性铜含量、溶解性锌含量、硝酸盐含量、亚硝酸盐含量、总氮含量、氟化物含量、硒含量、总砷含量、总汞含量、总镉含量、铬含量、总铅含量、总氰化物、挥发酚含量、类大肠菌群含量、硫化物含量等。还可根据光谱信息中的红外光谱测定水温。本公开对量子点光谱探头的工作原理不做限制。在示例中,量子点光谱探头可通过水中包含的各种物质对光的吸收特性确定水质指标,例如,可通过光谱信息分析特定波长的光线的光强,进而获得与所述特定波长范围的光线对应的物质的浓度(水质指标)。或者,量子点光谱探头可通过神经网络来推断水质指标,例如,可将光谱信息输入神经网络,神经网络可推断出各种物质的浓度(水质指标)。本公开对确定水质指标的方式不做限制。
在一种可能的实现方式中,量子点光谱探头可用于实时测量水质指标(例如,COD、浊度等),以获得第一指标序列和第二指标序列,并通过第一指标序列和第二指标序列来判断水质污染的类型。相比于对水质进行采样后,在实验室中进行化验来测量水质指标的方法,通过量子点光谱探头测量指标可实现在线、原位、高频、实时测量,为实时获得水质指标并判断水质污染类型提供依据。所述水质指标的测试频率为3-60min/次,优选5-30min/次,特别优选8-20min/次,最优选10-15min/次,远高于传统的测试方法。
在一种可能的实现方式中,第一时间段可以是水污染发生后的时间段,例如,在确定水污染事件发生时,开始测量化学需氧量指标和浊度指标,即,第一时间段可开始计时。可在该时间段内多次获取预定水域的化学需氧量指标和浊度指标,多个时刻的化学需氧量指标可形成第一指标序列。多个时刻的浊度指标可形成第二指标序列。在示例中,某时刻获得的化学需氧量指标可表示为:(tc,x1,c),其中,c为任意正整数,tc表示第c个时刻,x1,c表示第c个时刻测得的化学需氧量指标,第一指标序列可表示为{(t1,x1,1),(t2,x1,2),(t3,x1,3),…,(tn,x1,n)},n≥c,且n为整数。在示例中,某时刻获得的浊度指标可表示为:(td,x2,d),其中,d为任意正整数,td表示第d个时刻,x2,j表示第j个时刻测得的浊度指标,第二指标序列可表示为{(t1,x2,1),(t2,x2,2),(t3,x2,3),…,(tn,x2,n)},n≥d。
在一种可能的实现方式中,第一指标序列和第二指标序列均记录了多个时刻的水质指标,可利用两种水质指标的数据特征,来分析水质污染的类型。在示例中,每个指标序列均包括多个数据,根据多个数据可获得峰值、变化率、均值等数据特征。可根据两个指标序列的数据特征来分析水质污染的类型。通过两个指标序列的数据特征分析水质污染的类型,可增加数据特征的种类。单一水质指标的数据特征较少,可识别的水质污染类型较少,适用范围较小,使用两个指标序列的数据特征来共同分析水质污染类型,可减少上述问题。在示例中,水质污染类型包括工业污染、生活污染和农业污染等污染类型,工业污染可包括重金属污染、化学污染等,生活污染包括生活污水污染、生活垃圾污染等,农业污染可包括化肥污染、牲畜粪便污染等。本公开对污染类型不做限制。
在一种可能的实现方式中,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差,和/或所述化学需氧量指标与所述浊度指标的波谷时间差,其中,步骤S12可包括:在所述第一指标序列中确定测得所述化学需氧量指标最大值和/或最小值的第一时刻;在所述第二指标序列中确定测得所述浊度指标最大值和/或最小值的第二时刻;根据所述第一时刻和所述第二时刻,确定所述波峰时间差和/或波谷时间差。
在一种可能的实现方式中,第一指标序列和第二指标序列中均可包括多个指标,例如,第一指标序列可包括多个化学需氧量指标,第二指标序列可包括多个浊度指标。可在第一指标序列的多个化学需氧量指标中确定出最大值,并确定测得该化学需氧量指标最大值的时刻,例如,x1,a为第一指标序列中化学需氧量指标的最大值,ta为测得该化学需氧量指标最大值的时刻(第一时刻),其中,a为正整数,且a≤n。在示例中,可通过以下公式(1)遍历第一指标序列,并确定第一指标序列中的最大值:
x1,a=max(x1,c) (1)
在一种可能的实现方式中,可在第二指标序列的多个浊度指标中确定出最大值,并确定测得该浊度最大值的时刻,例如,x2,b为第二指标序列中浊度指标的最大值,tb为测得该浊度指标最大值的时刻(第二时刻),其中,b为正整数,且b≤n。在示例中,可通过以下公式(2)遍历第一指标序列,并确定第一指标序列中的最大值:
x2,b=max(x2,d) (2)
在一种可能的实现方式中,可根据第一时刻和第二时刻确定波峰时间差,例如,可将|tb-ta|,即,tb-ta的绝对值作为波峰时间差。
在一种可能的实现方式中,还可确定波谷时间差等参数,例如,可在第一指标序列和第二指标序列中确定出最小值,以及检测到最小值的时刻,并将第一指标序列和第二指标序列中检测到最小值的时刻作差,确定出波谷时间差,本公开对污染识别参数的类型不做限制。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列的第一波峰高度,以及所述第二指标序列的第二波峰高度,其中,步骤S12可包括:根据所述化学需氧量指标最大值与所述化学需氧量指标的第一均值,确定所述第一波峰高度,其中,所述第一均值为在所述预定水域未受到污染的第二时间段内测得的多个化学需氧量指标的均值;根据所述浊度指标最大值与所述浊度指标的第二均值,确定所述第二波峰高度,其中,所述第二均值为在所述预定水域未受到污染的第二时间段内测得的多个浊度指标的均值。
在一种可能的实现方式中,可在水域未受到污染的第二时间段内测得的多个化学需氧量指标的均值。例如,可在日常对预定水域的监测中,任意选择一个水质未被污染的时间段作为第二时间段,例如,可选取水质污染发生前的两个小时作为第二时间段。本公开对第二时间段的选取方式不做限制。
在一种可能的实现方式中,第二时间段内可测得多个化学需氧量指标,第二时间段内某个时刻获得的化学需氧量指标可表示为:(t0 k,x0 1,k),其中,k为任意正整数,t0 k表示第k个时刻,x0 1,k表示第k个时刻测得的化学需氧量指标。第二时间段内获得的多个化学需氧量指标可组成化学需氧量指标序列,例如,该序列可表示为:{(t0 1,x0 1,1),(t0 2,x0 1,2),(t0 3,x0 1,3),…,(t0 m,x0 1,m)},m≥k,且m为整数。该序列中的多个化学需氧量指标表示未发生水质污染的情况下的化学需氧量指标,可将该序列中的多个化学需氧量指标进行求平均值运算,获得化学需氧量指标的第一均值。在示例中,可通过以下公式(3)确定第一均值x0 1,mean:
在一种可能的实现方式中,第一均值为未发生水质污染时的化学需氧量指标的平均值,可表示无水质污染状态下的化学需氧量。在发生水质污染的情况下,化学需氧量指标的最大值可表示发生污染时化学需氧量的峰值,可将第一指标序列中的化学需氧量指标的最大值与化学需氧量指标的第一均值相减,获得化学需氧量指标的第一波峰高度,即,发生水质污染时化学需氧量指标的最大变化量。在示例中,可通过以下公式(4)确定第一波峰高度x1,p:
x1,p=x1,a-x0 1,mean (4)
在一种可能的实现方式中,第二时间段内可测得多个浊度指标,第二时间段内某个时刻获得的浊度指标可表示为:(t0 l,x0 2,l),其中,l为任意正整数,t0 l表示第l个时刻,x0 2,l表示第l个时刻测得的化学需氧量指标。第二时间段内获得的多个化学需氧量指标可组成化学需氧量指标序列,例如,该序列可表示为:{(t0 1,x0 2,1),(t0 2,x0 2,2),(t0 3,x0 2,3),…,(t0 m,x0 2,m)},m≥l。该序列中的多个化学需氧量指标表示未发生水质污染的情况下的浊度指标,可将该序列中的多个浊度指标进行求平均值运算,获得浊度指标的第二均值。在示例中,可通过以下公式(5)确定第一均值x0 2,mean:
在一种可能的实现方式中,第二均值为未发生水质污染时的浊度指标的平均值,可表示无水质污染状态下的浊度。在发生水质污染的情况下,浊度的最大值可表示发生污染时浊度的峰值,可将第二指标序列中的浊度指标的最大值与浊度指标的第二均值相减,获得浊度指标的第二波峰高度,即,发生水质污染时浊度指标的最大变化量。在示例中,可通过以下公式(6)确定第二波峰高度x2,p:
x2,p=x2,b-x0 2,mean (6)
在一种可能的实现方式中,还可确定第一指标序列与第二指标序列的相似度,例如,将第一指标序列中的多个化学需氧量指标组成向量,并将第二指标序列中的多个浊度指标组成向量,然后,可确定上述两个向量的余弦相似度等相似度指标,本公开对确定相似度的方式不做限制。然而,化学需氧量指标和浊度指标可能不是同时变化,两种指标的变化可能存在时间差,例如,化学需氧量指标的波峰比浊度指标的波峰更早出现等。通过向量的相似度来确定两个序列的相似度,可能出现两个序列的波形类似,但由于指标变化时间差而导致相似度较低的情况。例如,两个序列的指标均包括一个波峰和一个波谷,且两个序列的波峰和波谷的时间差相近,即,两个序列的波形相似,但由于两个序列中的指标的变化存在时间差,例如,第一指标序列中的指标早于第二指标序列中的指标发生变化,可能导致第一指标序列中的波谷和第二指标序列中的波峰出现的时刻接近,进而导致两个指标序列中指标构成的向量的相似度较低,即,确定相似度时准确性较低。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列与所述第二指标序列的动态时间规整距离,所述规整距离用于表示第一指标序列与所述第二指标序列的相似度,其中,步骤S12可包括:根据所述第一指标序列中的多个化学需氧量指标,以及所述第二指标序列中的多个浊度指标,确定所述第一指标序列与所述第二指标序列的路径规整矩阵,其中,所述路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,i和j为正整数;根据路径规整矩阵,确定规整路径,其中,所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中,途径的元素之和最小的路径;根据所述规整路径,确定所述第一指标序列与所述第二指标序列的动态时间规整距离。
在一种可能的实现方式中,可利用动态时间规整距离来确定两个指标序列的相似度,以减小两个序列中的指标的变化存在时间差引起的相似度计算精度较低的问题。可根据第一指标序列中的化学需氧量指标和第二指标序列中的浊度指标来确定路径规整矩阵。路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,i和j为正整数。在示例中,第1个化学需氧量指标为10,第1个浊度指标为15,则路径规整矩阵中的第1行,第1列的元素值为5,第1个化学需氧量指标为10,第2个浊度指标为18,则路径规整矩阵中的第1行,第2列的元素值为8……本公开对路径规整矩阵中元素的值不做限制。
在一种可能的实现方式中,可在路径规划矩阵中确定出第一元素到第二元素的规整路径(即,元素之和最小的路径)。在示例中,所述第一元素和所述第二元素包括以下元素中的任意两个:所述路径规整矩阵中第1行,第1列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第1行,第m列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第n行,第m列的元素;以及所述路径规整矩阵中第k行,第l列的元素;其中,第一指标序列包括n个化学需氧量指标,第二指标序列包括m个浊度指标,第一指标序列中第k个化学需氧量指标为化学需氧量指标最大值,第二指标序列中第l个浊度指标为浊度指标最大值,k、l、n和m为正整数。
在示例中,第一元素为路径规整矩阵中第n行,第1列的元素(即,左下角的元素),第二元素为路径规整矩阵中第1行,第m列的元素(即,右上角的元素),从第一元素到第二元素的路径需要遍历路径规整矩阵中的每行和每列,即,在规整路径中,路径规整矩阵每行均会有一个元素包括在规整路径中,路径规整矩阵每列也均会有一个元素包括在规整路径中。即,从第n行,第1列的元素到第1行,第m列的元素的路径中,该路径会途径第n行、第n-1行…第1行,该路径也会途径第1列、第2列…第m列。由于第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,则该规整路径遍历了第一指标序列中的每个化学需氧量指标,以及第二指标序列中的每个浊度指标。并且规整路径为第一元素到第二元素的路径中,途径的元素之和最小的路径,即,n个化学需氧量指标与m浊度指标之间的距离之和最小的路径。
在一种可能的实现方式中,可根据该路径来确定第一指标序列与第二指标序列的相似度,该规整路径为n个化学需氧量指标与m浊度指标之间的距离之和最小的路径,可将n个化学需氧量指标与m浊度指标之间的距离之和最小时的距离确定为动态时间规整距离。
在示例中,可通过以下公式(7)来确定动态时间规整距离:
D(e,f)=Di st(e,f)+min{D(e-1,f),D(e,f-1),D(e-1,f-1)}(7)
其中,Di st(e,f)表示第一指标序列中第e(e为正整数)个元素与第二指标序列中第f(f为正整数)之间的距离,即,路径规整矩阵的(e,f)元素,D(e,f)表示第一指标序列中前e个指标与第二指标序列中前f个指标之间的动态时间规整距离,在示例中,可使e=n,并使f=m,并通过上述公式(7)进行迭代,以获得第一指标序列与第二指标序列的动态时间规整距离。
在一种可能的实现方式中,并通过该动态时间规整距离确定第一指标序列与第二指标序列的相似度。例如,如果该动态时间规整距离小于或等于预设的长度阈值,则可认为第一指标序列和第二指标序列之间具有较高的相似度,否则,可认为第一指标序列和第二指标序列之间相似度较低。
通过这种方式,可通过路径规整矩阵和规整路径遍历第一指标序列与第二指标序列中所有指标,确定使各指标之间的距离之和最小的动态时间规整距离,通过动态时间规整距离确定第一指标序列和第二指标序列之间相似度,可参考第一指标序列中所有指标和第二指标序列中所有指标之间的距离,减少由于时间差异造成波形偏移而导致相似度的计算精度较低的问题。
在一种可能的实现方式中,在步骤S13中,可通过污染类型识别模型来确定水质污染的类型。在示例中,污染类型识别模型可以是神经网络模型、支持向量机模型、朴素贝叶斯模型、回归模型等,本公开对污染类型识别模型的类型不做限制。
在一种可能的实现方式中,可将波峰时间差、第一波峰高度、第二波峰高度、动态时间规整距离等污染识别参数输入污染类型识别模型,污染类型识别模型可对上述污染识别参数进行处理,并获得污染类型。例如,可通过对上述污染识别参数进行计算,确定在何种污染发生时,会出现上述污染识别参数的数据特征,以确定污染的类型。
在一种可能的实现方式中,在使用污染类型识别模型之前,可对污染类型识别模型进行训练。所述方法还包括:根据在样本时间段内获取的第一样本指标序列和第二样本指标序列,确定与所述样本时间段分别对应的污染识别参数;将所述污染识别参数输入污染类型识别模型进行处理,确定所述样本时间段内的水质污染类型的训练结果;根据所述训练结果与所述样本时间段内的水质污染类型的标注信息,确定污染类型识别模型的模型损失;根据所述模型损失训练所述污染类型识别模型。
在一种可能的实现方式中,可在多个样本时间段内分别获取第一样本指标序列和第二样本指标序列,第一样本指标序列可包括多个化学需氧量指标,第二样本指标序列可包括多个浊度指标。进一步地,可根据第一样本指标序列和第二样本指标序列,获取第一样本指标序列和第二样本指标序列的波峰时间差、第一波峰高度、第二波峰高度、动态时间规整距离等污染识别参数。
在一种可能的实现方式中,可将波峰时间差、第一波峰高度、第二波峰高度、动态时间规整距离等污染识别参数输入污染类型识别模型进行处理,获得训练结果,即,污染类型识别模型输出的水质污染类型的训练结果(可能存在误差)。进一步地,可对样本时间段内发生的污染的类型进行标注,即,标注出无误差的水质污染类型。
在一种可能的实现方式中,可根据污染类型识别模型输出的水质污染类型的训练结果与标注的无误差的水质污染类型确定污染类型识别模型的模型损失。例如,污染类型识别模型输出的水质污染类型的训练结果和无误差的标注信息均为向量形式的信息,可利用训练结果和标注信息之间的特征距离(例如,欧氏距离等)或者相似度(例如,余弦相似度等)确定模型损失。或者,可利用训练结果和标注信息之间的类别差异确定交叉熵损失。
在一种可能的实现方式中,可利用模型损失训练污染类型识别模型,例如,可将模型损失及逆行反向传播,并利用梯度下降法调节污染类型识别模型的参数。可迭代执行上述训练步骤,直到满足训练条件。所述训练条件可包括训练次数,即,当迭代次数达到预订次数时完成训练,或者,训练条件可包括模型损失的大小或敛散性,即,当模型损失小于或等于预设阈值,或者收敛于预设区间时,训练完成。
在一种可能的实现方式中,在完成训练后,可对污染类型识别模型进行测试,例如,可利用污染类型识别模型来确定一些样本时间段内的污染类型,如果污染类型识别模型确定出的污染类型的准确率以及完整度满足使用条件,则可将污染类型识别模型用于确定水质污染类型的实际使用中,否则,可将污染类型识别模型继续训练,直到污染类型识别模型满足使用条件。
根据本公开的实施例的污染类型识别方法,可通过量子点光谱探头测量水质指标,可进行在线、原位、高频、实时的测量,获得预定水域的第一指标序列和第二指标序列,并可根据两种指标增加数据特征的种类,可实时分析多种污染类型,提高了污染类型识别的准确性和适用范围。
图2示出根据本公开实施例的污染类型识别方法的应用示意图,如图2所示,可在预定水域中设置可用于水质监测的光谱仪,例如量子点光谱仪,该量子点光谱仪可包括量子点光谱探头,可用于测量预定水域的化学需氧量指标和浊度指标等水质指标。
在一种可能的实现方式中,在水质污染发生后,可在第一时间段内通过量子点光谱仪测量多个化学需氧量指标,获得第一指标序列;并获得多个浊度指标,获得第二指标序列。
在一种可能的实现方式中,可在第一指标序列中确定化学需氧量指标最大值以及测得化学需氧量指标最大值的时刻,并在第二指标序列中确定浊度指标最大值以及测得浊度指标最大值的时刻。进而,可将两个时刻进行作差,获得波峰时间差。
在一种可能的实现方式中,可在水质未受污染时获得多个化学需氧量指标进行平均处理,获得第一均值。并获得多个浊度指标进行平均处理,获得第二均值。进一步地,可将第一指标序列中的化学需氧量指标最大值与第一均值作差,获得第一波峰高度,并将第二指标序列中的浊度指标最大值与第二均值作差,获得第二波峰高度。
在一种可能的实现方式中,可确定第一指标序列与第二指标序列的相似度。在示例中,可确定第一指标序列与所述第二指标序列的路径规整矩阵,其中,路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离。并可确定路径规整矩阵中左下角的元素到右上角的元素的规整路径,即,左下角的元素到右上角的元素的路径中,途径的元素之和最小的路径,换言之,n个化学需氧量指标与m浊度指标之间的距离之和最小的路径。进一步地,可将该路径的距离之和确定为表示第一指标序列与第二指标序列的相似度的动态时间规整距离。
在一种可能的实现方式中,可将波峰时间差、第一波峰高度、第二波峰高度、动态时间规整距离输入污染类型识别模型,以确定水污染的类型,例如,可确定水污染的类型为工业污染、农业污染还是生活污染,并可有针对性地进行治理。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了污染类型识别装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种污染类型识别方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图3示出根据本公开实施例的污染类型识别装置的框图,如图3所示,所述装置可包括:序列确定模块11,用于根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列,其中,所述第一指标序列包括在所述第一时间段内的多个时刻获得的化学需氧量指标,所述第二指标序列包括在所述第一时间段内的多个时刻获得的浊度指标;参数确定模块12,用于根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数;类型确定模块13,用于将所述至少一个污染识别参数输入污染类型识别模型进行处理,确定所述预定水域的水质污染类型。
在一种可能的实现方式中,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差,和/或所述化学需氧量指标与所述浊度指标的波谷时间差,其中,参数确定模块进一步用于:在所述第一指标序列中确定测得所述化学需氧量指标最大值和/或最小值的第一时刻;在所述第二指标序列中确定测得所述浊度指标最大值和/或最小值的第二时刻;根据所述第一时刻和所述第二时刻,确定所述波峰时间差和/或波谷时间差。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列的第一波峰高度,以及所述第二指标序列的第二波峰高度,其中,参数确定模块进一步用于:根据所述化学需氧量指标最大值与所述化学需氧量指标的第一均值,确定所述第一波峰高度,其中,所述第一均值为在所述预定水域未受到污染的第二时间段内测得的多个化学需氧量指标的均值;根据所述浊度指标最大值与所述浊度指标的第二均值,确定所述第二波峰高度,其中,所述第二均值为在所述预定水域未受到污染的第二时间段内测得的多个浊度指标的均值。
在一种可能的实现方式中,所述污染识别参数包括所述第一指标序列与所述第二指标序列的动态时间规整距离,所述规整距离用于表示第一指标序列与所述第二指标序列的相似度,其中,参数确定模块进一步用于:根据所述第一指标序列中的多个化学需氧量指标,以及所述第二指标序列中的多个浊度指标,确定所述第一指标序列与所述第二指标序列的路径规整矩阵,其中,所述路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,i和j为正整数;根据路径规整矩阵,确定规整路径,其中,所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中,途径的元素之和最小的路径;根据所述规整路径,确定所述第一指标序列与所述第二指标序列的动态时间规整距离。
在一种可能的实现方式中,所述第一元素和所述第二元素包括以下元素中的任意两个:所述路径规整矩阵中第1行,第1列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第1行,第m列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第n行,第m列的元素;以及所述路径规整矩阵中第k行,第l列的元素;其中,第一指标序列包括n个化学需氧量指标,第二指标序列包括m个浊度指标,第一指标序列中第k个化学需氧量指标为化学需氧量指标最大值,第二指标序列中第l个浊度指标为浊度指标最大值,k、l、n和m为正整数。
在一种可能的实现方式中,所述方法还包括训练模块,所述训练模块用于:根据在样本时间段内获取的第一样本指标序列和第二样本指标序列,确定与所述样本时间段分别对应的污染识别参数;将所述污染识别参数输入污染类型识别模型进行处理,确定所述样本时间段内的水质污染类型的训练结果;根据所述训练结果与所述样本时间段内的水质污染类型的标注信息,确定污染类型识别模型的模型损失;根据所述模型损失训练所述污染类型识别模型。
在一种可能的实现方式中,所述水质污染类型包括工业污染、生活污染和农业污染。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种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被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4是根据一示例性实施例示出的一种污染类型识别800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5是根据一示例性实施例示出的一种污染类型识别1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种污染类型识别方法,其特征在于,所述方法包括:
根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列,其中,所述第一指标序列包括在所述第一时间段内的多个时刻获得的化学需氧量指标,所述第二指标序列包括在所述第一时间段内的多个时刻获得的浊度指标;
根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差、所述化学需氧量指标与所述浊度指标的波谷时间差、所述第一指标序列的第一波峰高度、所述第二指标序列的第二波峰高度,和/或所述第一指标序列与所述第二指标序列的相似度;
将所述至少一个污染识别参数输入污染类型识别模型进行处理,确定所述预定水域的水质污染类型。
2.根据权利要求1所述的方法,其特征在于,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差,和/或所述化学需氧量指标与所述浊度指标的波谷时间差,
其中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,包括:
在所述第一指标序列中确定测得所述化学需氧量指标最大值和/或最小值的第一时刻;
在所述第二指标序列中确定测得所述浊度指标最大值和/或最小值的第二时刻;
根据所述第一时刻和所述第二时刻,确定所述波峰时间差和/或波谷时间差。
3.根据权利要求1或2所述的方法,其特征在于,所述污染识别参数包括所述第一指标序列的第一波峰高度,以及所述第二指标序列的第二波峰高度,
其中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,包括:
根据所述化学需氧量指标最大值与所述化学需氧量指标的第一均值,确定所述第一波峰高度,其中,所述第一均值为在所述预定水域未受到污染的第二时间段内测得的多个化学需氧量指标的均值;
根据所述浊度指标最大值与所述浊度指标的第二均值,确定所述第二波峰高度,其中,所述第二均值为在所述预定水域未受到污染的第二时间段内测得的多个浊度指标的均值。
4.根据权利要求1所述的方法,其特征在于,所述污染识别参数包括所述第一指标序列与所述第二指标序列的动态时间规整距离,所述规整距离用于表示第一指标序列与所述第二指标序列的相似度,
其中,根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,包括:
根据所述第一指标序列中的多个化学需氧量指标,以及所述第二指标序列中的多个浊度指标,确定所述第一指标序列与所述第二指标序列的路径规整矩阵,其中,所述路径规整矩阵中的第i行,第j列的元素为第一指标序列中的第i个化学需氧量指标与第二指标序列中的第j个浊度指标之间的距离,i和j为正整数;
根据路径规整矩阵,确定规整路径,其中,所述规整路径为在路径规整矩阵中从第一元素到第二元素的路径中,途径的元素之和最小的路径;
根据所述规整路径,确定所述第一指标序列与所述第二指标序列的动态时间规整距离。
5.根据权利要求4所述的方法,其特征在于,所述第一元素和所述第二元素包括以下元素中的任意两个:所述路径规整矩阵中第1行,第1列的元素;所述路径规整矩阵中第n行,第1列的元素;所述路径规整矩阵中第1行,第m列的元素;所述路径规整矩阵中第n行,第m列的元素;以及所述路径规整矩阵中第k行,第l列的元素;
其中,第一指标序列包括n个化学需氧量指标,第二指标序列包括m个浊度指标,第一指标序列中第k个化学需氧量指标为化学需氧量指标最大值,第二指标序列中第l个浊度指标为浊度指标最大值,k、l、n和m为正整数。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据在样本时间段内获取的第一样本指标序列和第二样本指标序列,确定与所述样本时间段分别对应的污染识别参数;
将所述污染识别参数输入污染类型识别模型进行处理,确定所述样本时间段内的水质污染类型的训练结果;
根据所述训练结果与所述样本时间段内的水质污染类型的标注信息,确定污染类型识别模型的模型损失;
根据所述模型损失训练所述污染类型识别模型。
7.根据权利要求1所述的方法,其特征在于,所述水质污染类型包括工业污染、生活污染和农业污染。
8.一种污染类型识别装置,其特征在于,所述装置包括:
序列确定模块,用于根据预定水域的水质信息,确定预定水域在第一时间段内的第一指标序列和第二指标序列,其中,所述第一指标序列包括在所述第一时间段内的多个时刻获得的化学需氧量指标,所述第二指标序列包括在所述第一时间段内的多个时刻获得的浊度指标;
参数确定模块,用于根据所述第一指标序列和所述第二指标序列,确定至少一个污染识别参数,所述污染识别参数包括所述化学需氧量指标与所述浊度指标的波峰时间差、所述化学需氧量指标与所述浊度指标的波谷时间差、所述第一指标序列的第一波峰高度、所述第二指标序列的第二波峰高度,和/或所述第一指标序列与所述第二指标序列的相似度;
类型确定模块,用于将所述至少一个污染识别参数输入污染类型识别模型进行处理,确定所述预定水域的水质污染类型。
9.一种电子设备,其特征在于,包括:
处理器,以及用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110628675.0A CN113077019B (zh) | 2021-06-07 | 2021-06-07 | 污染类型识别方法及装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110628675.0A CN113077019B (zh) | 2021-06-07 | 2021-06-07 | 污染类型识别方法及装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077019A CN113077019A (zh) | 2021-07-06 |
CN113077019B true CN113077019B (zh) | 2021-09-17 |
Family
ID=76617077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110628675.0A Active CN113077019B (zh) | 2021-06-07 | 2021-06-07 | 污染类型识别方法及装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077019B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839340A (zh) * | 2022-04-27 | 2022-08-02 | 芯视界(北京)科技有限公司 | 水质生物活性检测方法及装置、电子设备和存储介质 |
CN115824993B (zh) * | 2023-02-14 | 2023-07-18 | 北京英视睿达科技股份有限公司 | 水体化学需氧量的确定方法、装置、计算机设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6967104B2 (en) * | 2001-03-29 | 2005-11-22 | Council Of Scientific And Industrial Research | Rapid method for estimation of Chemical Oxygen Demand |
CN107153874B (zh) * | 2017-04-11 | 2019-12-20 | 中国农业大学 | 水质预测方法及系统 |
CN107609742B (zh) * | 2017-08-14 | 2020-10-30 | 环境保护部华南环境科学研究所 | 一种水环境预警综合管理平台 |
CN109142296A (zh) * | 2018-08-16 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 基于多源光谱特征的城市水体黑臭快速识别测定方法 |
CN110929743B (zh) * | 2018-09-19 | 2024-02-09 | 上海仪电(集团)有限公司中央研究院 | 基于时间序列关联与聚类分析的水质污染物变化监测系统 |
CN111198165A (zh) * | 2020-01-14 | 2020-05-26 | 重庆理工大学 | 一种基于光谱数据标准化进行水质参数的测定方法 |
-
2021
- 2021-06-07 CN CN202110628675.0A patent/CN113077019B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113077019A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pratap et al. | The accuracy of passive phone sensors in predicting daily mood | |
CN113077019B (zh) | 污染类型识别方法及装置和存储介质 | |
CN113252582A (zh) | 污染检测方法及装置、电子设备和存储介质 | |
CN115510568A (zh) | 管道故障检测方法及系统、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
US11087497B2 (en) | Chemical detection system for water source | |
US8311577B2 (en) | Proactive control of mobile communications devices | |
CN112990614A (zh) | 水华检测方法及装置、电子设备和存储介质 | |
CN109637636A (zh) | 数据处理方法及装置 | |
CN110717509A (zh) | 基于树分裂算法的数据样本分析方法及装置 | |
CN115510892A (zh) | 污染类型识别方法及装置、电子设备和存储介质 | |
CN116433948A (zh) | 泥沙类型识别方法及装置、电子设备和存储介质 | |
US20180313799A1 (en) | Data quality control using a correlated sensor group | |
CN116704710A (zh) | 告警方法及装置、电子设备和存储介质 | |
Tseng et al. | Automatic bird sound detection: logistic regression based acoustic occupancy model | |
CN113358164B (zh) | 流量检测方法及装置、电子设备和存储介质 | |
CN116167454A (zh) | 智能化的二分类模型训练方法及装置 | |
CN115510890A (zh) | 污染类型识别方法及装置、电子设备和存储介质 | |
CN114839340A (zh) | 水质生物活性检测方法及装置、电子设备和存储介质 | |
CN111540382B (zh) | 基于线性预测残差负熵的语音音质度量评价方法及装置 | |
US11686714B2 (en) | Device and method for detecting restrictions in gas access to a gas sensor | |
CN115508522A (zh) | 水质检测方法及装置、电子设备和存储介质 | |
CN115452739A (zh) | 水质热污染检测方法及装置、电子设备和存储介质 | |
CN109765390A (zh) | 液质检测结果的质量控制方法及装置 | |
CN115507305A (zh) | 管道故障检测方法及装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |