CN113317782A - 多模个性化监测的方法 - Google Patents

Abstract

分解监测值为可变监测分量和固定监测分量，引入扩展分量监测监测值和背景噪声，通过关联函数和个性化特征集计算可变分量、固定分量和扩展分量，通过历史的和当前的监测数据，监测约定真值，执行对象算法和差分对象算法得到与对象的约定真值的误差小于允许误差的对象修正值。此外，通过对单个对象和多个对象的历史监测数据，采用对象算法和群体算法，优化个性化特征集。采用其他对象的监测数据进一步计算得到对象的群体修正值。还包括云网络大数据、局域网及单点等模式，解决传统的用一个标准测量全部个体所带来的困境。

Description

多模个性化监测的方法

技术领域

本发明涉及工业技术领域和生物医学领域，具体涉及医学数据和工业数据的测量监测，尤其是对于无法直接测量而通过间接地、多模式地测量获得的数据的监测方法。

背景技术

理化量的测量包括直接测量和间接测量，直接测量可以通过提高测量理化量本身的精确度和准确度即可完成。而间接测量，限于被测量者的自身个性化属性，很多情况下直接测量其理化量是困难的，有时甚至即便测量到了间接理化量数据，也很难监测换算成具备足够精确度和准确度、误差符合要求的理化量数据。

例如，对于人体静脉血液中葡萄糖含量的体外无创测量监测，对于远洋集装箱货船的货舱风机如何在满足舱内冷藏集装箱工作的条件下实现最优化节能控制时的理化量测量监测，风力发电机最优控制中对于风场的理化量测量监测等，在目前技术手段条件下，都是一个极其困难的课题。

对于间接测量，发明人同时提出“多模式个性化校准的方法”，试图测量通过分解测量监测值为多个与测量监测值有关联的个性化、低难度的监测因素值，或者多个与测量监测值有关联的监测因素值和低准确度、地难度的测量监测值，采用这样的多模式个性化的监测，获得测量数据，再通过对这些数据进行监测，从而间接获得测量监测值的修正值——可信的测量结果。

如何根据间接测量的数据，获得测量监测值的修正值这一可信测量结果，发明人研究发现，需要完成以下关键步骤：

1、引入个性化监测

1.1、间接测量往往包含了很多干扰因素，必须予以扣除，否则无法实现减小误差，得到可信测量结果。

1.2、各个对象自身存在的对象个性化干扰因素又往往差异化很大，必须依据对象个性化做逐个计算和扣除。

1.3、即便对于同一个对象，还往往由于它所处在的环境不同，造成的环境个性化干扰因素又有所不同，因此必须扣除这些基于环境的个性化干扰。

2、引入多模式监测

在同一个测量对象中，需要测量的理化量(监测值)往往与其它的理化量(监测因素值)有关，有可能还存在较为明显的函数关系。此时，引入多种模式的传感器测量相应的理化量，设计相应的计算方法，把测量到的各自的数据纳入监测计算，会给监测值带来明显的功效。

3、引入对象算法和群体算法

本发明所提出的对象算法，就是针对测量对象的个体，依据它的历史数据进行监测。所提出的群体算法，就是针对具有相同测量属性的若干个对象，进行横向的互相监测。这种方法对于监测值与环境有关、并且与对象的细分分类有关的监测值的监测，具有明显的优势。

依据发明人的从业经验，发现目前的测量行业的业内现状主要还是以直接测量为主，间接测量较为少见，并且采用个性化、多模式和监测的方法，尚未发现。尤其是针对以下若干具体应用的测量和监测，其现状是：

1、人体血糖监测监测现状

所提出的人体血糖监测，根据国际卫生组织的定义，是监测人体静脉血管中葡萄糖含量的每升毫摩尔浓度(mmol/L)，目前常用的方法包括：

有创单点方式：抽取静脉血化验葡萄糖

微创单点方式：扎手指取手指毛细血管血用试纸检监测葡萄糖

微创连续方式：在手臂上扎入留置的酶电极探针连续监测葡萄糖

无创连续方式：采用电泳方法在皮肤上测量组织液中的葡萄糖、采用红外方法透过皮肤测量葡萄糖、采用微波方法测量皮下葡萄糖、采用带有微电路的隐形眼镜测量眼泪中的葡萄糖等。但是截至到本专利申请时为止，尚未发现获得医疗权威部门授权的产品。

单点测量无法解决血糖波动的监测问题，这对于1型糖尿病患者来说，由于血糖的短时间急速下降不能报警，从而带来患者的生命危险。此外，对于2型糖尿病患者，单点测量无法解决糖尿病的优化管理和治疗问题。无论是有创监测还是微创监测，都给患者带来痛苦和不便。

2、货舱节能监测监测现状

现有的货舱没有发现有任何风机节能的系统，然而对于现在的远洋集装箱船舶，货舱风机的能耗动辄上百千瓦，对于装载能力在上千集装箱的船舶来说，每年消耗在货舱上的能源折合成油耗或者LNG天然气消耗，高达数十万美元至数百万美元，并且由于高油耗、高气耗还带来了硫污染和碳污染，因此，市场需要节能方案。

现有方法不足

发明人认为，现有的监测算法存在以下不足：

1、直接测量在一些应用场景中无法实现，需要间接测量。

2、从测量原理上看，测量数据自身没有能够监测自身的信息，无法监测自身。

3、对于难以直接测量的间接单点测量数据本身包含着干扰因素，传统方法无法消除。

4、干扰因素中除了包括共性化内容，更多地包括了一些个性化的内容，无法实现采用同一个标准消除这些个性化的干扰。

5、虽然有些测量无法准确实现，但是可以通过引入多模式的监测变量，以增加测量准确度，但是目前没有发现这样的办法。

6、在大数据的前提下，群体中的对象之间存在一些共性，可以通过这些共性实现互相监测，然而目前尚未发现这样的监测方法。

现有监测方法中的以上若干不足，现实系统中是存在的，需要有妥善的间接测量及其监测办法解决这些问题。

发明内容及目的

发明人通过长期的观察、实验和研究，提出多模个性化监测的方法，本发明的目的和意图在于：

1、对于无法直接准确测量或者直接准确测量难度较大的测量项目，引入间接的多模的辅助监测测量数据，实现监测。

2、对于连续实时测量，本发明设计对象算法算法，依据历史记录和约定真值，进行个性化监测。

3、对于由多个测量对象，本发明提出群体算法算法，依据其它对象的数据监测自身。

4、通过人工智能深度学习算法，对于后加入群体的对象，实现分类监测，减少对于约定真值的采集，实现简化监测。

特别声明：

1、本发明所指的约定真值，并不局限于通过高一精准度的测量设备所获得的，还可以通过人工智能及深度学习所得。

2、本发明所指的监测函数，并非受限于本发明申请所罗列的这些函数和公式，包括业内中级设计人员依据这一思路所设计的其它函数和公式。

3、本发明的步骤编号，除非另外说明，否则不以编号大小存在前后顺序。

本发明的应用范围可以包括测量数据的监测和其它数据的监测。

本发明强调，本发明所列举的无论是监测值的种类，还是监测因素值的种类，还是对象和群体的划分，都是源于这种思路。限于篇幅和发明的基本精神，本发明申请无法一一罗列这些数据信息的种类及关联，发明申请中所提出的信息种类，不意味着是对于本发明思路的限制。

发明的有益效果

1、提供基于多模个性化监测的创新方法，能够实现发明类容及其发明目的，解决现有监测技术的不足。

2、提供具体的基于数学、统计学、人工智能深度学习等方法，快速高效地实现测量数据的监测，实现个性化的大数据资源共享。

3、针对类似于人体葡萄糖的体外连续监测，能够有效地进行监测，提高了处理准确度。

4、针对类似于远洋船舶的货舱风机节能，能够通过多模式测量、对象算法和群体算法，实现节能。

附图说明

图1多模个性化监测示意图；

图2血糖监测示意图；

图3监测函数图；

图4混合物质拉曼光谱；

图5葡萄糖拉曼光谱；

图6货舱风机节能监测方法；

图7货舱冷藏箱布局。

具体实施方式

本发明的目的和意图是采用如下实施例的技术方案实现的：

实施例一、人体葡萄糖数据外部监测方法

本发明的应用实施例之一是面向糖尿病的人工智能个性化管疗治疗的方法，这是本发明的一个典型的应用示例。在本实施例中，只涉及本发明的方法的叙述，不作为一个实际系统的完整设计，也不是对于本发明的限定。

1、图示说明

图1多模个性化监测示意图从人体外部监测血糖值，是一个极其困难的事情。根据世卫组织(英文名称：World Health Organization，缩写WHO，中文简称世卫组织)统计，世界糖尿病患者占总人口约11.4％，而人体静脉中的葡萄糖含量(简称血糖)又是确诊糖尿病的金标准。目前，常规的血糖监测分有创、微创和无创方法，其中有创包括在医院抽取静脉血，采用生化酶方法监测血糖值。微创大多采用扎手指挤出指血用试纸监测和在胳膊上扎入一个无线传感器来监测。而无创法由于完全是不穿透皮肤的方法，限于监测技术的发展，目前尚未发现较为普及的案例。此外，上述方法大多为单点测量，无法实现连续血糖值的监测。

在图1中，把每个被监测者当做每一个对象，在每个监测者中，采用激光拉曼分析仪和红外光分析仪监测所述监测分量，并且采用PPG/ECG分析仪(PPG：英文全称Photoplethysmography，简称PPG。ECG：英文全称Electrocardiography,，简称ECG)作为检测扩展分量。把由于人体的生物多样性而带来的个性化的干扰作为背景噪声，采用本发明专利申请的一系列算法消除背景噪声，从而获得准确的体外血糖监测值。其中，作为本发明专利的初期阶段应用，前期需要采用静脉血抽血化验的方法获得约定真值，以此作为校准，依据历史的和当前的监测数据，采用本发明所提出的对象算法，计算对象修正值，即血糖监测结果。此外，还对群体中众多的对象(即监测者)的人工智能大数据分析，最终可以免除监测者做静脉血抽血这一步骤，减轻监测者的痛苦。

图2血糖监测示意图

图2中，2001是激光拉曼光谱分析仪，用于通过红外激光(这里选择波长为785nm、830nm、1063nm等波段)对于人体皮肤照射，并透射到1mm左右的深度，产生拉曼效应，根据葡萄糖的拉曼光谱位移的特征值和幅度，监测葡萄糖的含量，采用本发明的一系列算法，最终计算出静脉血液中葡萄糖的含量，即世界卫生组织确定的血糖值。2002是红外光分析仪，它作为一个辅助的血糖监测设备，监测另外一个血糖的监测分量。2003是PPG/ECG分析仪(PPG：英文全称Photoplethysmography，简称PPG。ECG：英文全称Electrocardiography,，简称ECG)，监测血压及脉搏信息，作为本发明的扩展分量，参与到本发明的一系列算法中，进一步使得血糖监测的精确度和准确度。2004是本发明的多模个性化监测方法的实时单元。2005是静脉血分析仪，是本发明的约定真值的来源渠道之一。2006是约定真值的监测渠道，这里需要注意的是，它并非是实时在线的监测，而是本发明在大数据积累阶段所用，一旦到大数据积累完成，这一步是可以省略的。

选择体外监测血糖作为监测值，选择测量血糖的传感器包括激光拉曼光谱分析仪的监测数据作为监测分量，根据需要，作为一种优选项，还可以增加红外光分析仪监测数据作为第二个监测分量。其中，由于人体体外血糖监测极其困难，为了完成准确监测，本发明在监测分量中划分固定分量和可变分量。其中，固定分量为人体皮肤及其皮下组织所包含的血糖含量的固有部分，该部分不依赖与人体的血糖波动而变化的量值，可变分量为受人体静脉血管中葡萄糖含量的波动而敏感变化的量值。作为一种优选项，为了进一步关联由于人体血液流速变化而引起的血糖波动，本发明还引入了心血管方面的血压、脉搏的PPG/ECG分析仪，监测人体的实时的血压脉搏，并以此作为扩展分量。

另外，作为校准和传感器标定措施，采用准确度更高的医用版的静脉血抽血化验的办法，获得血糖的约定真值。本发明的监测数据采用云计算模式，各个监测对象的血糖监测数据存储于云服务器中，构成群体大数据模式。

在本实施例中，采用基于拉曼散射光谱探测人体葡萄糖值，亦即本发明所述的监测值。由于在拉曼激光的回路中，全部葡萄糖都将被探测到，至少包括表皮部位、皮内部位、组织间液部位、毛细血管部位、静脉血管部位等处的全部葡萄糖的含量，甚至还包括其它未知部位的葡萄糖，因此，探测到的葡萄糖值时这些葡萄糖含量的总和。而依据世卫组织的定义，只有静脉血管中的葡萄糖才是需要的。为此，我们设计通过血压的变化量和血脂的变化量作为监测因素分量，依据血压和血脂的波动，从葡萄糖总量值中，分离出静脉血管中的葡萄糖分量，这就是本发明所提出的纵向多模监测——依据对象的历史数据、即时数据来监测监测值使之成为修正值。此外，依据群体的大数据的统计，对于不同的肤色、人种、工作性质等具体情况，本发明还提出的横向多模监测——依据群体中其它的历史统计数据，来监测自身对象的监测值使之成为修正值。

图3监测函数图

依据状态方程的信号系统分析方法，本实施例如图3所示。其中，经过图1的解析，PDV是可变分量，它来自于图2中的激光拉曼分析仪和红外光分析仪，主要包含血糖的变化值。PDF是固定分量，也是来自于激光拉曼分析仪和红外光分析仪，主要包含背景噪声和基础的血糖含量。PDE是扩展分量，它来自于PCG/ECG分析仪。MIF是对象修正值，即监测结果的血糖值。DTM₁(t)、DTM₂(t)至DTM_m(t)是解析出的血糖分量，包括表皮血糖值、皮内血糖值、组织间液血糖值、毛细血管血糖值、静脉血管血糖值等。

图4混合物质拉曼光谱

图4是针对混合物质的拉曼散射监测所得到的光谱图，亦即拉曼激光探测点上全部探测到的物质的拉曼波的合成。其中，4010是横轴，表示拉曼散射的位移波，4020是纵轴，表示拉曼波的强度，图中曲线为拉曼激光探测点上全部探测到的物质的拉曼波的合成，其中，4001是位移量为1003cm^-1的第一个波峰，4002是位移量1125cm^-1的第二个波峰，4003是位移量1450cm^-1的第三个波峰，这3个波峰构成了葡萄糖的特征“指纹”。其它的波形是混合的非葡萄糖物质的特征波。

本发明的方法需要从图4的混合物质拉曼散射波中，分离出葡萄糖的信号量。

图5葡萄糖拉曼位移光谱

图5是单纯葡萄糖的拉曼位移光谱，也是本发明需要从图4中分离得到的葡萄糖的信号量。其中，5010是横轴，表示拉曼散射的位移波，5020是纵轴，表示拉曼波的强度，图中曲线为葡萄糖拉曼位移波的分量，5001是表皮血糖值DTM₁(t)，5002是皮内血糖值DTM₂(t)，5003是组织间液血糖值DTM₃(t)，5004是毛细血管血糖值DTM₄(t)，5005是静脉血管血糖值DTM₅(t)。依据这种分类，最终的对象修正值MIF(t)＝DTM₅(t)。

2、基础方案步骤

2.1：总体说明

多模个性化监测的方法，包括：

分解对象的监测值为一个以上监测分量，监测所述监测分量，分解所述监测分量包括一个以上可变分量和零个以上固定分量和与所述监测值存在监测函数的零个以上扩展分量。

依据针对所述对象的历史的和当前的所述监测分量执行对象算法，得到与所述对象的约定真值误差小于允许误差的对象修正值。

建立由一个以上具有相同监测值的所述对象构成的群体，采用大数据训练个性化特征集，依据所述个性化特征集和其它对象修正自身对象的群体算法，得到群体修正值。

选择体外监测血糖作为监测值，选择测量血糖的传感器包括激光拉曼光谱分析仪的监测数据作为监测分量，根据需要，作为一种优选项，还可以增加红外光分析仪监测数据作为监测分量。其中，由于人体体外血糖监测极其困难，为了完成准确监测，本发明在监测分量中划分固定分量和可变分量。其中，固定分量为人体皮肤及其皮下组织所包含的血糖含量的固有部分，该部分不依赖与人体的血糖波动而变化的量值，可变分量为受人体静脉血管中葡萄糖含量的波动而敏感变化的量值。作为一种优选项，为了进一步关联由于人体血液流速变化而引起的血糖波动，本发明还引入了心血管方面的血压、脉搏的PPG/ECG分析仪，监测人体的实时的血压脉搏，并以此作为扩展分量。

另外，作为校准和传感器标定措施，采用准确度更高的医用版的静脉血抽血化验的办法，获得血糖的约定真值。本发明的监测数据采用云计算模式，各个监测对象的血糖监测数据存储于云服务器中，构成群体大数据模式。

2.2：分解监测值

在前述技术方案的基础上，本发明包括但不限于分解监测值的步骤，具体可以采用如下列的或者多种局部改进的措施：

S2010步骤，所述可变分量为所述监测值中随着环境变化而变化的监测分量或用户指定的监测分量，所述可变分量采用传感器监测获得。

S2020步骤，所述固定分量是一类在所述监测值中能够分离的所述监测分量，并且在同等于所述可变分量的采样周期内，所述固定分量的变化率与所述可变分量的变化率比值较小，对于生物健康类的优化选择，所述变化率比值小于0.20，对于工业类的优化选择，所述变化率比值小于0.10，并且，在此条件下，所述固定分量依据所述用户选择，采用传感器或统计预测来监测。

在本实施例中，固定分量的其它选择是将背景噪声作为固定分量，例如激光拉曼分析仪的背景噪声、红外光分析仪的背景噪声。固定分量的其它选择还可以是将监测分量的最小值作为固定分量。变化率比值范围的选择，根据系统的实际特征而定，在一些监测精度较高的系统中，变化率比值范围可以更小，例如0.01。

S2030步骤，所述扩展分量采用传感器监测获得，所述扩展分量与所述监测值存在监测函数的所述监测函数包括：

所述监测值的变化单方向影响所述扩展分量，即所述扩展分量是所述监测值的函数自变量，此时采用所述扩展分量作为所述监测值的辅助监测。

在另外的实施例中，血糖值的变化局部影响血氧含量的变化，这种情况下，血糖函数就成为了血氧函数的自变量之一。

所述监测值的变化双方向影响所述扩展分量，即所述扩展分量与所述监测值是互为函数自变量，此时采用所述扩展分量作为所述监测值的辅助监测和调节。

在本实施例中，激光拉曼位移幅度与红外波长的变化之间就是相互影响的函数，可视作互为函数的自变量。

所述扩展分量的变化单方向影响所述监测值，即所述监测值是所述扩展分量的函数自变量，此时采用所述扩展分量作为所述监测值的辅助调节。

例如，当采用PPG/ECG分析仪作为扩展分量传感时，由于根据国际卫生组织的定义，血糖值是人体静脉血管中血液中的葡萄糖的含量的mmol/L，所以，脉搏的变化对于瞬时血糖值是有影响的，本实施例将PPG/ECG脉搏函数作为血糖函数的自变量，以更加精准地实现血糖值的监测。

S2040步骤，依据不同的连续时间序列和特定时刻，持续监测所述监测值和所述监测分量，将中间数据和结果数据存储到信息库。

在本实施例中，云中心将持续收集对象的各种有用数据，存储到数据库中。

2.3：监测函数

在前述技术方案的基础上，本发明包括但不限于监测函数的处理步骤，具体可以采用如下列的或者多种局部改进的措施：

S3010步骤，按照公式(3.1)建立所述监测值与所述对象的监测函数，按照公式(3.2)分解所述监测值为监测分量，包括所述可变分量、所述固定分量和所述扩展分量，按照公式(3.3)建立所述监测值与分量的监测函数，按照公式(3.4)建立可变分量集合，按照公式(3.5)建立固定分量集合，按照公式(3.6)建立扩展分量集合。

MI＝f_3.1(PD) (3.1)

PD＝PDV∪PDF∪PDE (3.2)

MI＝f_3.3(PDV，PDF，PDE) (3.3)

PDV＝{PDV_β|PDV_β编号β的可变分量数据，1≤β≤n} (3.4)

PDF＝{PDF_γ|PDF_γ编号γ的固定分量数据，0≤γ≤p} (3.5)

其中，f_3.1为所述监测值与所述对象的所述监测函数，f_3.3为所述监测值与分量的所述监测函数，MI为所述监测值或监测值数据集合，PD为对象或对象数据集合，PDV为所述可变分量或可变数分量集合，PDF为所述固定分量或固定分量集合，PDE为所述扩展分量或所述扩展分量的集合，PDV_β为编号为β的所述可变分量数据或所述可变分量数据集合的元素，n为所述可变分量的总数，PDF_γ为编号为γ的固定分量数据或所述固定分量数据集合的元素，其中γ＝0表示PDF为空集，指不包含所述固定分量，p为所述固定分量的总数，

为编号为

的扩展分量数据或所述扩展分量数据集合的元素，其中

表示PDE为空集，指不包含所述固定分量，φ为所述扩展分量的总数，所述分解包括从便于监测角度的频域分解，还包括从连续时间角度的时域分解。

在本实施例中，选择f_3.1分别为图2中的2001激光拉曼分析仪的葡萄糖监测函数和2002红外光分析仪的葡萄糖监测函数，以2003中的PPG/ECG分析仪监测函数作为扩展分量，在2004中做公式(3.4)至公式(3.6)的分解运算。

由于激光拉曼分析仪、红外光分析仪和PPG/ECG分析仪均为数字化采样方式监测数据的，其变量的下标标识采样时刻，下同。

S3020步骤，按照公式(3.7)确定的所述可变分量和所述传感器的输出信号之间的函数关系，监测所述可变分量，按照公式(3.8)建立所述可变分量的函数集合，公式(3.9)是所述传感器的输出信号函数：

PDV_β＝f_3.7β(SS_β) (3.7)

F_3.8＝{f_3.7β|f_3.7β编号β的可变分量数据，1≤β≤n} (3.8)

SS_β＝f_3.9β(S_β) (3.9)

其中：

f_3.7β为编号为β的所述可变分量的函数，F_3.8为所述可变分量的函数集合，f_3.9β是传感器函数，n为所述可变分量的函数的总数，n、β均属于自然数，且1≤β≤n。

PDV_β为编号为β的所述可变分量，SS_β为编号为β的所述传感器所输出的信号，S_β为编号为β的所述传感器。

S3030步骤，按照公式(3.10)确定的所述固定分量和所述传感器或所述统计预测的输出信号之间的函数关系，监测所述固定分量，按照公式(3.11)建立所述固定分量的函数集合，公式(3.12)是所述传感器或所述统计预测的输出信号函数：

PDF_γ＝f_3.10γ(SS_γ) (3.10)

F_3.11＝{f_3.10γ|f_3.10γ编号β的固定分量数据，0≤γ≤p} (3.11)

SS_γ＝f_3.12γ(S_γ) (3.12)

其中：

f_3.10γ为编号为γ的所述固定分量的函数，F_3.11为所述固定分量的函数集合，f_3.12γ是所述传感器或所述统计预测的输出信号函数，p为所述固定分量的函数的总数，p、γ均属于自然数，且0≤γ≤p，p＝0为不包括固定分量。

PDF_γ为编号为γ的所述固定分量，SS_γ为编号为γ的所述传感器或所述统计预测所输出的信号，S_γ为编号为γ的所述传感器或所述统计预测。

S3040步骤，按照公式(3.13)确定的所述扩展分量和所述传感器的输出信号之间的函数关系，监测所述扩展分量，按照公式(3.14)建立所述扩展分量的函数集合，公式(3.15)是所述传感器的输出信号函数：

其中：

为编号为

的所述扩展分量的函数，F_3.14为所述扩展分量的函数集合，

是所述传感器的输出信号函数，n为所述扩展分量的函数的总数，

φ均属于自然数，

φ＝0为不包括扩展分量。

为编号为

的所述扩展分量，

为编号为β的所述传感器所输出的信号，

为编号为

的所述传感器。

2.4：背景噪声

在前述技术方案的基础上，本发明包括但不限于背景噪声的处理步骤，具体可以采用如下列的或者多种局部改进的措施：

S4010步骤，对于存在所述背景噪声的所述对象，按照以下步骤计算：

按照公式(4.1)建立含背景噪声的所述监测函数，

按照公式(4.2)设定所述背景噪声为所述固定分量，

按照公式(4.3)建立含背景噪声的所述扩展分量函数，

按照公式(4.4)建立所述可变分量的传感器函数，

设定公式(4.5)为所述背景噪声的函数，

按照公式(4.6)计算所述监测值，

MI＝f_4.1(PDV，PDF，PDE，PDN) (4.1)

PDF＝f_4.2(PDN) (4.2)

PDE＝f_4.3(SE，PDN) (4.3)

PDV＝f_4.4(SV) (4.4)

PDN＝f_4.5(t) (4.5)

MI＝f_4.6(SV，SE，t) (4.6)

其中，f_4.1为包含背景噪声的所述监测函数，f_4.2为以所述背景噪声为所述固定分量的函数，f_4.3为含背景噪声的所述扩展分量函数，f_4.4为所述可变分量的传感器函数，f_4.5为所述背景噪声的函数，f_4.6为所述监测值函数，PDN为背景噪声，SE为所述扩展分量的传感器输出信号，SV为所述可变分量的传感器输出信号，t为时间序列。

在本实施例中，对于激光拉曼分析仪的葡萄糖监测，选择背景噪声为CCD阵列的电背景噪声和体外葡萄糖监测的对象本身所特有的葡萄糖信号，包括表皮、皮下组织、组织间液等不属于国际卫生组织定义的静脉血管中的葡萄糖。对于背景噪声的监测，依据本发明，业内的中级技术人员，可以根据自己的理解来进行细化的组合，采用激光拉曼分析仪或其他监测设备组合监测。

S4020步骤，根据实际应用，在单一变量监测的情况下，在所述可变分量的传感器的量程满足应用的情况下，采用一个所述可变分量的传感器，在所述可变分量的传感器的量程不满足应用的情况下，采用多个所述可变分量的传感器以延展量程。

对于血糖值的监测，另外一种优选方案是基于血糖值4.2为界，进行划分，例如大于4.2的设计一段监测，小于等于4.2的设计为另外一段监测。

S4030步骤，根据实际应用，在多变量监测的情况下，每个变量采用一个所述可变分量的传感器。

在本实施例中，采用激光拉曼分析仪和红外光分析仪就是这样的设计方案。

S4040步骤，根据实际应用，在所述可变分量的传感器的输出数据满足应用的情况下，不需要采用所述扩展分量的传感器，在所述可变分量的传感器的输出数据不能满足应用的情况下，采用一个以上所述扩展分量的传感器。

2.5：对象算法

在前述技术方案的基础上，本发明包括但不限于所述对象算法，具体可以采用如下列的或者多种局部改进的措施：

S5010步骤，采用标准的或者高一级测量精度测量准确度的监测设备，监测获取所述对象的监测值，以此作为所述约定真值，并记录监测的时刻，设定所述约定真值的误差为Δ，且Δ＝0，设定所述允许误差为Δ_e。

S5020步骤，设定初始参数集，采用所述当前的监测分量和包括扩展卡尔曼滤波器算法、蒙特卡洛粒子算法、现代贝叶斯算法在内的算法和所述初始参数集，计算所述对象修正值，再与根据所述S5010步骤计算所述约定真值，计算误差，如果所述误差落在所述允许误差之内，则赋值所述初始参数集为所述个性化参数集，如果所述误差大于所述允许误差，则修改所述初始参数集为所述个性化参数集，使得所述误差落在所述允许误差之内。

S5030步骤，采用经过所述个性化参数集，采用所述当前的监测分量和包括扩展卡尔曼滤波器算法、蒙特卡洛粒子算法、现代贝叶斯算法在内的算法和所述个性化参数集，计算所述对象修正值。

在本实施例中，采用T-检验或Z-检验分析误差，以剔除异常值。采用支持向量机SVM和卷积神经网络CNN算法，对于历史值进行分类。

S5040步骤，基于设定，采用所述历史的监测分量，依据设定的时间间隔，在所述时间间隔点执行所述S5020步骤，在所述时间间隔点之外，执行所述S5030步骤，建立与所述监测分量对应的个性化参数集和所述时间序列，记录到所述信息库，采用深度学习算法，计算所述信息库中的所述对象的所述监测分量、所述个性化参数集、所述时间序列，找出高概率的所述个性化参数集并标定对应的所述监测分量为优化点，所述高概率包括用户指定概率或概率大于30％的。

S5050步骤，基于所述S5040步骤所获得的所述优化点的所述个性化参数集，采用包括支持向量机算法、卷积神经网络算法，计算所述对象修正值。

在本实施例中，采用医用级的血糖、血脂的抽血化验测量设备获取个体的血糖和血脂的测量值和记录测量时刻，以此作为约定真值。同时，亦即在所述相同时段，采用待校准设备测量的血糖、血脂的数值和时间序列，计算纵向同步修正值，并计算和验证纵向同步修正值和约定真值之间的误差，如果误差大于允许误差，则修改参数集并迭代计算，直到误差小于允许误差。

约定真值还可以采用对于其它个体的统计及人工智能算法等方法来获得，此时，无需采用高一级的医用设备测量获得。

在本实施例中，校准函数可以选用数学统计算法、支持向量机SVM和卷积神经网络CNN等算法，以误差小于允许误差作为目标，训练例如卷积核或相关参数，这些均归纳与个性化特征集。

2.6：群体算法

在前述技术方案的基础上，本发明包括但不限于所述群体算法，具体可以采用如下列的或者多种局部改进的措施：

S6010步骤，对所述群体中的全部所述对象，计算所述优化点和所述对象修正值，记录到所述信息库。

S6020步骤，依据所述信息库中的所述对象，针对所述优化点和所述对象修正值，建立一个以上的对象分类，并且标定所述对象的所述对象分类，所述对象分类的个数与所述对象的总数的比值大于用户指定数或者大于0.2，记录到所述信息库。

S6030步骤，依据所述对象分类，对于所述优化点和所述对象修正值，依据误差最小原则，计算所述对象分类的个性化特征集，记录到所述信息库。

S6040步骤，依据所述对象分类的个性化特征集，计算所述对象的所述群体修正值。

S6050步骤，对于所述自身对象，计算标定所属于的所述对象分类，依据所述对象分类的个性化特征集，计算所述对象的所述对象修正值和所述群体修正值。

S6060步骤，依据所述对象分类的个性化特征集，对于新加入的所述对象，依据对所述对象的监测值的计算，确定其对象分类，直接采用该分类的所述个性化特征集中包括的所述约定真值，而无需执行监测所述约定真值的步骤。

所述个性化特征集包括所述对象的所述对象算法的参数、所述群体算法的参数、所述分类、所述约定真值。

在本实施例中，采用群体之间算法可进一步提高校准的效率和减小误差，对于由于人体的生物多样性，例如不同的肤色、不同的年龄、不同的职业等情况，进行针对性地校准，以期获得更好的效果。

进一步，建立群体分类模型，并建立分类的个性化特征集，对于新进入群体的个体，进行计算，以纳入分类，以该分类所对应的个性化特征集进行快速校准。

2.7：差分对象算法

在前述技术方案的基础上，本发明包括但不限于包括差分对象算法，具体如下：

S7010步骤，计算所述对象在所述优化点的所述监测值与所述对象修正值的差值，记录到所述信息库。

S7020步骤，如果各个所述优化点的所述差值为常数差值，则对于后续时间序列的所述对象修正值，采用所述监测值减去所述常数差值，计算所述对象修正值。

S7030步骤，如果各个所述优化点的所述差值为函数差值，则对于后续时间序列的所述对象修正值，采用所述监测值减去所述函数差值，计算所述对象修正值。

S7040步骤，如果所述时间序列的所述优化点的所述差值为所述常数差值和所述函数差值的交替差值，采用所述监测值减去所述交替差值，计算所述对象修正值。

S7050步骤，对于拉曼光谱监测的方法，采用两次以上频率具有微小频偏的激发光扫描所述对象产生两个以上拉曼光谱，依据所述对象的拉曼散射特征位移，对两次以上扫描产生的所述拉曼散射光谱做差分卷积或线性回归计算，以消除由于荧光所带来的背景噪声干扰，所述微小频偏的激发光波长差距在0.2至100nm之间。

在本实施例中，对于激光拉曼光谱分析仪和红外光谱分析仪，均采用差分对象算法，以进一步对抗背景噪声的影响和提高监测精确度准确度。

2.8：个性化特征集

在前述技术方案的基础上，本发明包括但不限于所述个性化特征集，具体可以采用如下列的或者多种局部改进的措施：

S8010步骤，设定约束条件为所述对象的所述修正值误差小于所述允许误差，按照公式(8.1)建立所述个性化特征集，计算所述个性化特征集：

PF＝f_8.1(MI，MIF，Δ≤Δ_e) (8.1)

其中，f_8.1为个性化特征集函数，PF为所述个性化特征集，MI为所述监测值或监测值数据集合，MIF为所述对象修正值或对象修正值集合，Δ为误差，Δ_e为允许误差。

S8020步骤，分解所述个性化特征集：

基于指定，将所述个性化特征集分解为一个以上个性化特征集类别，并且将所述个性化特征集类别分解为包括一个以上个性化特征集类别分量。

所述个性化特征集与所述个性化特征集类别之间具有公式(8.2)所确定的函数关系：

PF＝f_8.2(PFT) (8.2)

其中，f_8.2为所述个性化特征集的类别函数，PFT为所述个性化特征集类别，所述分解包括从便于计算角度的频域分解，还包括从连续时间角度的时域分解。

S8030步骤，监测所述个性化特征集类别的时域值：

所述个性化特征集类别与所述连续时间序列之间具有公式(8.3)所确定的函数关系，按照公式(8.3)监测所述个性化特征集类别的时域值：

PFT＝f_8.3(t) (8.3)

其中，f_8.3为个性化特征集类别时域函数，t为所述连续时间序列。

S8040步骤，监测所述个性化特征集类别的特定时刻值：

所述个性化特征集类别的所述特定时刻值与所述特定时刻之间具有公式(8.4)所确定的函数关系，按照公式(8.4)监测所述个性化特征集类别的特定时刻值：

PFT_T＝f_8.3(t，t＝T) (8.4)

其中，f_8.3为所述个性化特征集类别时域函数，T为所述特定时刻，PFT_T为所述个性化特征集类别在所述特定时刻的特定时刻值。

S8050步骤，监测个性化特征集类别分量的时域值：

按照公式(8.5)分解所述个性化特征集类别为一个以上所述个性化特征集类别分量，所述个性化特征集类别分量与所述连续时间序列之间具有公式(8.6)所确定的函数关系，按照公式(8.5)监测所述个性化特征集类别分量的时域值：

PFT＝f_8.5(PFT₁，PFT₂，…，PFT_q) (8.5)

PFT_δ＝f_8.6(t，1≤δ≤q) (8.6)

其中，f_8.5为个性化特征集类别分解函数，f_8.6为个性化特征集类别分量时域函数，PFT₁，PFT₂，…，PFT_q为所述个性化特征集类别分量，q为所述个性化特征集类别分量的总数，δ为所述个性化特征集类别分量编号，q、δ均属自然数，且1≤δ≤q，PFT_δ为编号为δ的所述个性化特征集类别分量在所述连续时间序列的时域值。

S8060步骤，监测所述个性化特征集类别分量的特定时刻值：

所述个性化特征集类别分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(8.7)所确定的函数关系，按照公式(8.7)监测所述个性化特征集类别分量在特定时刻的所述特定时刻值：

PFT_δT＝f_8.6(t，t＝T，1≤δ≤q) (8.7)

其中，PFT_δT为在所述特定时刻所述个性化特征集类别分量的所述特定时刻值。

在本实施例中，把全部算法公式中的参数和变量和采集的时间序列均作为个性化参数集的内容，采用标准化作业列入数据库，以便后续算法使用，尤其是深度学习算法。

2.9：个性化特征集数学模型

在前述技术方案的基础上，本发明包括但不限于所述个性化特征集的数学模型，具体可以采用如下列的或者多种局部改进的措施：

S9010步骤，模糊优化法：

依据下列数学模型，包括模糊方程、模糊偏微分方程、集合方程，优化所述监测值和所述监测分量，获取在优化的情况下的所述对象的最优值，具体包括：

S9011步骤，建立集合：

以所述监测值为元素建立监测值集合，记为MIset。

以所述监测分量为元素建立监测分量集合，记为MI_αset，α为所述监测分量的编号。

以所述对象为元素建立对象集合，记为PDset；

分解监测值集合为可变值集合和固定值集合。

分解可变值集合为可变分量集合，记可变值集合为PDVset，记可变分量集合为PDV_βset，β为所述可变分量的编号。

分解固定值集合为固定分量集合，记固定值集合为PDFset，记固定分量集合为PDF_γset，γ为所述固定分量的编号。

分解扩展值集合为扩展分量集合，记扩展值集合为PDEset，记扩展值分量集合为

为所述扩展分量的编号。

以所述个性化特征集类别为元素建立个性化特征集集合，分量个性化特征集集合为个性化特征集分量集合，记个性化特征集集合为PFTset，记个性化特征集分量集合为PFT_δset，δ为所述个性化特征集分量的编号。

所述集合包括模糊集合和非模糊集合。

在本实施例中，为了便于管理，所有集合均采用模糊集合。

S9012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述监测值集合和所述监测分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

MIset_λ＝{mi|mi监测值正排序号θ≤λ} (9.1)

MI_αset_λ＝{mi_δ|mi_α监测分量正排序号θ≤λ} (9.2)

PDset_λ＝{pd|pd对象正排序号θ≤λ} (9.3)

PDVset_λ＝{pdv|pdv可变值正排序号θ≤λ} (9.4)

PDV_βset_λ＝{pdv_β|pdv_β可变分量正排序号θ≤λ} (9.5)

PDFset_λ＝{pdf|pdf固定值正排序号θ≤λ} (9.6)

PDF_γset_λ＝{pdf_γ|pdf_γ固定分量正排序号θ≤λ} (9.7)

PDEset_λ＝{pde|pde扩展值正排序号θ≤λ} (9.8)

PDE_γset_λ＝{pde_γ|pde_γ扩展分量正排序号θ≤λ} (9.9)

PFTset_λ＝{pft|pft个性化特征集正排序号θ≤λ} (9.10)

PFT_δset_λ＝{pft_δ|pft_δ个性化特征集分量正排序号θ≤λ} (9.11)

MIset_μ＝{mi|mi监测值反排序号η≤μ} (9.12)

MI_αset_μ＝{mi_δ|mi_α监测分量反排序号η≤μ} (9.13)

PDset_μ＝{pd|pd对象反排序号η≤μ} (9.14)

PDVset_μ＝{pdv|pdv可变值反排序号η≤μ} (9.15)

PDV_βset_μ＝{pdv_β|pdv_β可变分量反排序号η≤μ} (9.16)

PDFset_μ＝{pdf|pdf固定值反排序号η≤μ} (9.17)

PDF_γset_μ＝{pdf_γ|pdf_γ固定分量反排序号η≤μ} (9.18)

PDEset_μ＝{pde|pde扩展值反排序号η≤μ} (9.19)

PDE_γset_μ＝{pde_γ|pde_γ扩展分量反排序号η≤μ} (9.20)

PFTset_μ＝{pft|pft个性化特征集反排序号η≤μ} (9.21)

PFT_δset_μ＝{pft_δ|pft_γ个性化特征集分量反排序号η≤μ} (9.22)

其中，MIset_λ、MI_αset_λ、PDset_λ、PDVset_λ、PDV_βset_λ、PDFset_λ、PDF_γset_λ、PDEset_λ、PDE_γset_λ、PFTset_λ、PFT_δset_λ为所述有序头截集，MIset_μ、MI_αset_μ、PDset_μ、PDVset_μ、PDV_βset_μ、PDFset_μ、PDF_γset_μ、PDEset_μ、PDE_γset_μ、PFTset_μ、PFT_δset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号。

S9013步骤，训练所述截集：

持续监测记录所述监测值和所述对象到所述信息库，依据所述信息库中的信息，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述信息库。

S9014步骤，寻优所述截集：

依据所述数学模型，按照公式(9.1)至公式(9.22)，取λ＝1，计算获取监测值最优值和监测分量最优值，所对应的所述对象同时作为最优值。取μ＝1，计算获取监测值最差值和监测分量最差值，所对应的所述对象同时作为最差值。

在本实施例中，除了上述数据采用截集运算，对于激光拉曼光谱的特征峰和红外光光谱，也采用截集运算，以便加强监测效果。

S9020步骤，建立偏微分模型：

采用偏微分方程原理，按照公式(9.23)和公式(9.24)建立所述监测值、所述监测分量和所述可变分量、所述固定分量、所述扩展分量之间的函数，计算所述监测值、所述监测分量：

其中：

f_9.23、f_9.24均是偏微分方程，MI₁′是编号为1的所述监测分量的1阶导数，

是编号为1所述监测分量的ε阶导数，MI′_m是编号为m的所述监测分量的1阶导数，

是编号为m的所述监测分量的ε阶导数。PDV_α′是第α种包括一个以上与所述MI_α有关联的所述可变分量的1阶导数。

是第α种包括一个以上与所述MI_α有关联的所述可变分量的v阶导数。PDF_α′是第α种包括零个以上与所述MI_α有关联的所述固定分量的1阶导数。

是第α种包括零个以上与所述MI_α有关联的所述固定分量的ν阶导数。PDE′_α是第α种包括零个以上与所述MI_α有关联的所述扩展分量的1阶导数。

是第α种包括零个以上与所述MI_α有关联的所述可变分量的ξ阶导数。PFT_α′是第α种包括零个以上与所述MI_α有关联的所述扩展分量的1阶导数。

是第α种包括零个以上与所述MI_α有关联的所述个性化特征集类别分量的∈阶导数。

其中，根据需要，函数f_9.23中的所述监测分量还采用f_9.24中的MI_α替代。

其中，ε是所述监测分量导数的最高阶，v是所述可变分量导数的最高阶，ξ是所述扩展分量导数的最高阶，ε、ν、ξ、∈均是自然数。

在本实施例中，除了上述数据采用偏微分方程运算，对于激光拉曼光谱的特征峰和红外光光谱，也采用截集运算，以便加强监测效果。

S9030步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括公式(9.23)、公式(9.24)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述监测值和所述监测分量的方法，获取所述监测值和所述监测分量的所述最优值和所述最差值，以此获取所述对象的最优值。

在本实施例中，对于激光拉曼光谱的特征峰、红外光光谱和血糖监测的瞬时值，均根据其极值进行优化。

S9031步骤，依据所述信息库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括T检验和Z检验的方法选出所述监测值和所述监测分量的所述最优值和所述监测值和所述监测分量的所述最差值的异常值，消除所述异常值，以此获取所述对象的异常值。

S9040步骤，概率优化法：

在所述信息库中，选取不同时间段采集的所述对象监测值和所述对象扩展分量，计算所述监测值和所述监测分量，计算所述监测值和所述监测分量为最大值和最小值时对应的所述对象，采用包括贝叶斯算法在内的概率计算方法，统计所述监测值和所述监测分量为最大值和最小值时，所述对象中所述可调对象监测值和所述可调对象扩展分量出现相近值的概率，并对高概率验证做验证。

标定在所述监测值和所述监测分量为最大值时的所述对象中所述可调对象监测值和所述可调对象扩展分量为优化可调对象监测值和优化可调对象扩展分量，标定在所述监测值和所述监测分量为最小值时的所述对象中所述可调对象监测值和所述可调对象扩展分量为劣化可调对象监测值和劣化可调对象扩展分量。

在本实施例中，由于激光拉曼光谱仪的灵敏度非常高，受监测环境——例如外接光线、监测点的污染程度、监测个人的运动状态等——的影响，造成在连续的时间序列，监测到的激光拉曼光谱有一定的变化波动，因此采用概率优化的方法，消除干扰因素。

S9050步骤，神经网络优化法：

S9051步骤，依据包括所述数学模型，针对所述信息库中的关系型信息记录，以信息记录作为神经元，以包括所述数学模型的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络。

S9052步骤，依据所述连接函数中，所述优化可调对象监测值和优化可调对象扩展分量对于所述监测值和所述监测分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数。

S9053步骤，采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数。

S9054步骤，采用支持向量机算法，分类筛选所述监测值和所述监测分量，并且筛选出所述优化可调对象监测值和优化可调对象扩展分量。

S9055步骤，采用卷积神经网络算法，对于所述对象之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量。

S9056步骤，采用循环神经网络算法，对于所述对象之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量。

S9057步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述对象、所述监测值、所述监测分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量。

S9058步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量。

S9059步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量。

在本实施例中，神经网络优化法主要应用在对象算法、群体算法和个性化特征集的计算中。其中，在对象算法中，可以用于历史数据对于当前数据的校准，在群体算法中，可以用于其它对象对于自身对象的校准，而在个性化特征集中，可以用于个性化特征集的优化。

S9060步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合、这些方法之内的任意组合的方法，计算所述监测值和所述监测分量达到最优或者其区间内的指定值时，使得结果信息能够可逆复现所述监测值和所述监测分量达到最优或者其区间内的指定值，所述监测分量之间的可逆关系。

在本实施例中，对于卡尔曼滤波器的逆向优化中，采用可逆寻优法。

S9070步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述监测值、所述监测分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述监测值、所述监测分量到达优化值或者指定值。

S9080步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定健康考核时域值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定健康考核时间的时点，所述监测值、所述监测分量到达优化值或者指定值。

2.10：网络及大数据

在前述技术方案的基础上，本发明包括但不限于网络处理步骤，具体可以采用如下列的或者多种局部改进的措施：

SA100步骤，云大数据模式：

SA110步骤，建立基于互联网模式的云中心，将本发明所监测的包括全部所述群体、所述对象的全部信息、中间计算结果、所述信息库，以云终端形式通过广域网网络传输，全部存储到基于互联网的一个以上云服务器上，以此作为一个以上云中心，采用云计算模式管理、计算和支撑所述云终端。

SA120步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述信息库和前述的各个步骤，所述用户采用匿名记录，所述信息库中的信息采用带有时间戳的链式结构，用户访问所述信息库采用加解密通信，信息支持防篡改，支持防抵赖、多中心、无中心模式。

SA130步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述信息库核心信息的前提下，依据各自所述机构的所述信息库内容进行约定的计算，所得的计算结果由参与的所述机构共享。所述机构包括一个以上所述云中心，管理一个以上所述对象。所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强信息的安全性和保护对象隐私。

SA140步骤，采用集中学习模式建立和训练对于不强调对象隐私保护时的模型训练，所述信息库存储于一个云中心。

S9150步骤，采用联邦学习模式建立和训练对于需要强调对象隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的信息。

SA200步骤，局域网模式：

建立基于局域网的服务器用于存储和管理支撑中心，将本发明所监测的包括全部群体、对象的全部信息、中间计算结果、所述信息库，以网络终端形式通过局域网网络传输，全部存储到基于局域网的服务器上，以此管理、计算和支撑。

SA300步骤，单点模式：

所述单点为监测一个所述对象的监测、存储、管理、计算和支撑的步骤，将本发明所监测的对象的全部信息、中间计算结果、所述信息库，全部存储到所述单点的存储上，执行全部步骤。

在本实施例中，监测对象就是个人，采用支持无线移动的专用监测设备，该监测设备与个人的智能手机相连，再与公网的云服务器联网工作。为了加强个人隐私管理，为了采用区块链模式。在大数据的初期阶段，需要大量的带有不同时间段的采集到约定真值的个体的数据，以便在这个阶段之后，由深度学习来推理和分类，从而减少采集约定真值的动作，以减少实际成本支出和工作量。这里的函数拟合包括算术中值、算术均值、曲线中值、曲线均值、最小二乘法、高斯法、神经网络法等。

实施例二、集装箱船货舱风机节能的监测方法

1、基础方案简介

本实施例是作为本发明申请在工业领域中的应用举例。具体是在远洋集装箱船舶中，对于货舱大功率风机的节能控制，是一项多输入多输出的控制系统，其中输入量包括货舱中堆放的各个冷藏集装箱的周边环境温度、风速、箱内设定温度、货舱整体风场等，输出控制包括全部的货舱风机的变频调速、风道出风口风门、货舱进风口、货舱出风口、冷藏集装箱控制信号等，总体控制指标是在确保冷藏集装箱箱内货物保质、用户设定的箱内温度不变的情况下，尽可能减少货舱风机的能耗。据实际系统运行数据，采用本发明申请多模式监测的方法，可以实现风机控制更加合理平稳，节能效果高达58％。

2、图示说明

图6：其中如编号6010所示是货舱，货舱中堆放着冷藏集装箱(冷藏箱)，在冷藏集装箱中，制冷机有一个闭环的温度控制系统，例如采用的是PID调节器的控制温度系统。在这个温度控制系统中，或者通过外置通信设备从冷藏集装箱的对外接口获取冷藏集装箱的包括内部设定温度、送风温度、回风温度、外部环境温度等信号，或者通过内置通信电路获取这些信号，这些信号通过如编号6036所示输出，作为负反馈信号如编号6032所示输入到系统的输入，与如编号6031所示的系统给定信号和如编号6033所示的AI给定信号一起，形成完整的如编号6043所示反馈信号，驱动如编号6020所示的风机控制子系统控制风机，最终形成如编号5035所示的控制理论上的闭环控制的方法。也就是说，依据采集的数据，作为闭环的负反馈数据去生成控制函数，直接去控制风机或者风机和闸门。但是需要注意的是，这里所提出的的闭环，是针对从采集到控制的过程时间而言，这个时间差比较短，例如小于20分钟。需要注意的是，这里的20分钟只是一个举例，根据不同大小的舱室，这个数字可以更长或者更短。

图3：与图6关联的控制方法，采如用图3的多输入多输出的状态空间控制方法。

图7：其中编号7010和编号7020分别是船舶上一个货舱中堆放的冷藏集装箱的箱头所在的垂直平面，所述冷藏集装箱的箱头，是指冷藏集装箱在制冷机操作面板所在的一头。在船舶中，集装箱的堆放都有一个三维的坐标编号，即行号Bay、列号Row、层号Tier，简称BRT坐标。图7中，如编号7012、7022所示的白色方格是船底压载水舱的位置，如编号7011、7021所示的灰色方格是冷藏集装箱堆放的箱头，其中，箱头处的空气温度随着冷藏集装箱的工作而变化。为了便于描述，本发明专利申请用C1～C9示意该冷藏集装箱所在的位置点BRT坐标处的空气温度或者散热风扇的排风量、排风速度等数据，需要注意的是，该数据是连续量，图5中用C1～C9示意该连续量从小到大的不同，但这里并不意味着该连续量只分为C1～C9这9个等级。所述一个帧画面的数据，就是指对于一个货舱内的集装箱做一次采集，按照BRT坐标存放到环境数据的数据库。对于其它有源集装箱、无源集装箱或者非集装箱货物，以此类推。

3、差异化说明

与实施例一相同之处这里不再复述，不同之处有以下几点：

3.1、

设定监测值为至少包括货舱内冷藏集装箱的位置坐标、环境温度、风速、箱内设定温度、出风口温度、送风口温度、货舱风机运行状态、货舱总体能耗。

选用约定真值为历史记录值，设定监测因素值为货舱风机控制控制函数、货舱总体能耗函数。设定关联函数为冷藏集装箱控制函数、货舱风机控制函数、货舱温度控制函数、货舱能耗函数。

设定对象为冷藏集装箱品牌型号，设定做种群体，其中每个货舱作为一个群体、每条船舶祖宗伟一个群体、每条航线作为一个群体。

3.2、

选定每个风机的控制或每个风机上的风门的控制作为纵向修正值，采用如图2所示的空间状态方程组作为关联函数、控制函数。对于每条船舶，采用各个货舱作为群体，进行群体算法。

3.3、

采用人工智能算法进行深度学习和标记，采用例如卷积神经网络CNN算法、贝叶斯Bayes算法、对抗神经网络GAN算法、萤火虫算法、蚁群算法等进行训练。优化的指标包括风机的能耗最小、设备动作最少(例如启停次数最少、启停风机个数最少)、对于内部温场扰动最少、对于出风数据扰动最少等策略，并且把实际的控制室结果按照时间存储到数据库，同时把能够获得的船舶航线数据、天气数据、集装箱的装卸数据以及停靠的码头数据等相关数据，全部输入到数据库。将这些都作为人工智能算法的深度学习的类容和经验内容，以便随着系统的运行，人工智能算法的结果变得越来越“聪明”，同时由于设备动作减少，同时也延长了设备的使用寿命。

3.4、

每条船舶采用数据通信卫星实时与云大数据中心联网，采用区块链和安全多方计算保护各个船舶、各个货主的信息。

Claims (10)

1.多模个性化监测的方法，其特征在于包括：

分解对象的监测值为一个以上监测分量，监测所述监测分量，分解所述监测分量包括一个以上可变分量和零个以上固定分量和与所述监测值存在监测函数的零个以上扩展分量；

依据针对所述对象的历史的和当前的所述监测分量执行对象算法，得到与所述对象的约定真值误差小于允许误差的对象修正值；和/或，

建立由一个以上具有相同监测值的所述对象构成的群体，采用大数据训练包括所述对象算法参数、群体算法参数、所述约定真值的个性化特征集，依据所述个性化特征集和其它对象修正自身对象的所述群体算法，得到群体修正值。

2.根据权利要求1所述的方法，其特征在于，包括以下分解监测值的步骤：

S2010步骤，所述可变分量为所述监测值中随着环境变化而变化的监测分量或用户指定的监测分量，所述可变分量采用传感器监测获得；

S2020步骤，所述固定分量是一类在所述监测值中能够分离的所述监测分量，并且在同等于所述可变分量的采样周期内，所述固定分量的变化率与所述可变分量的变化率比值较小，对于生物健康类的优化选择，所述变化率比值小于0.20，对于工业类的优化选择，所述变化率比值小于0.10，并且，在此条件下，所述固定分量依据所述用户选择，采用传感器或统计预测来监测；

S2030步骤，所述扩展分量采用传感器监测获得，所述扩展分量与所述监测值存在监测函数的所述监测函数包括：

所述监测值的变化单方向影响所述扩展分量，即所述扩展分量是所述监测值的函数自变量，此时采用所述扩展分量作为所述监测值的辅助监测；

所述监测值的变化双方向影响所述扩展分量，即所述扩展分量与所述监测值是互为函数自变量，此时采用所述扩展分量作为所述监测值的辅助监测和调节；

所述扩展分量的变化单方向影响所述监测值，即所述监测值是所述扩展分量的函数自变量，此时采用所述扩展分量作为所述监测值的辅助调节；

S2040步骤，依据不同的连续时间序列和特定时刻，持续监测所述监测值和所述监测分量，将中间数据和结果数据存储到信息库。

3.根据权利要求2所述的方法，其特征在于，所述监测函数还包括：

S3010步骤，按照公式(3.1)建立所述监测值与所述对象的监测函数，按照公式(3.2)分解所述监测值为监测分量，包括所述可变分量、所述固定分量和所述扩展分量，按照公式(3.3)建立所述监测值与分量的监测函数，按照公式(3.4)建立可变分量集合，按照公式(3.5)建立固定分量集合，按照公式(3.6)建立扩展分量集合；

MI＝f_3.1(PD) (3.1)

PD＝PDV∪PDF∪PDE (3.2)

MI＝f_3.3(PDV，PDF，PDE) (3.3)

PDV＝{PDV_β|PDV_β编号β的可变分量数据，1≤β≤n} (3.4)

PDF＝{PDF_γ|PDF_γ编号γ的固定分量数据，0≤γ≤p} (3.5)

其中，f_3.1为所述监测值与所述对象的所述监测函数，f_3.3为所述监测值与分量的所述监测函数，MI为所述监测值或监测值数据集合，PD为对象或对象数据集合，PDV为所述可变分量或可变数分量集合，PDF为所述固定分量或固定分量集合，PDE为所述扩展分量或所述扩展分量的集合，PDV_β为编号为β的所述可变分量数据或所述可变分量数据集合的元素，n为所述可变分量的总数，PDF_γ为编号为γ的固定分量数据或所述固定分量数据集合的元素，其中γ＝0表示PDF为空集，指不包含所述固定分量，p为所述固定分量的总数，

为编号为

的扩展分量数据或所述扩展分量数据集合的元素，其中

表示PDE为空集，指不包含所述固定分量，φ为所述扩展分量的总数，所述分解包括从便于监测角度的频域分解，还包括从连续时间角度的时域分解；和/或，

S3020步骤，按照公式(3.7)确定的所述可变分量和所述传感器的输出信号之间的函数关系，监测所述可变分量，按照公式(3.8)建立所述可变分量的函数集合，公式(3.9)是所述传感器的输出信号函数：

PDV_β＝f_3.7β(SS_β) (3.7)

F_3.8＝{f_3.7β|f_3.7β编号β的可变分量数据，1≤β≤n} (3.8)

SS_β＝f_3.9β(S_β) (3.9)

其中：

f_3.7β为编号为β的所述可变分量的函数，F_3.8为所述可变分量的函数集合，f_3.9β是传感器函数，n为所述可变分量的函数的总数，n、β均属于自然数，且1≤β≤n；

PDV_β为编号为β的所述可变分量，SS_β为编号为β的所述传感器所输出的信号，S_β为编号为β的所述传感器；

S3030步骤，按照公式(3.10)确定的所述固定分量和所述传感器或所述统计预测的输出信号之间的函数关系，监测所述固定分量，按照公式(3.11)建立所述固定分量的函数集合，公式(3.12)是所述传感器或所述统计预测的输出信号函数：

PDF_γ＝f_3.10γ(SS_γ) (3.10)

F_3.11＝{f_3.10γ|f_3.10γ编号β的固定分量数据，0≤γ≤p} (3.11)

SS_γ＝f_3.12γ(S_γ) (3.12)

其中：

f_3.10γ为编号为γ的所述固定分量的函数，F_3.11为所述固定分量的函数集合，f_3.12γ是所述传感器或所述统计预测的输出信号函数，p为所述固定分量的函数的总数，p、γ均属于自然数，且0≤γ≤p，p＝0为不包括固定分量；

PDF_γ为编号为γ的所述固定分量，SS_γ为编号为γ的所述传感器或所述统计预测所输出的信号，S_γ为编号为γ的所述传感器或所述统计预测；

S3040步骤，按照公式(3.13)确定的所述扩展分量和所述传感器的输出信号之间的函数关系，监测所述扩展分量，按照公式(3.14)建立所述扩展分量的函数集合，公式(3.15)是所述传感器的输出信号函数：

其中：

为编号为

的所述扩展分量的函数，F₃₁₄为所述扩展分量的函数集合，

是所述传感器的输出信号函数，n为所述扩展分量的函数的总数，

φ均属于自然数，

φ＝0为不包括扩展分量；

为编号为

的所述扩展分量，

为编号为β的所述传感器所输出的信号，

为编号为

的所述传感器。

4.根据权利要求2或3所述的方法，其特征在于，包括背景噪声的处理步骤：

S4010步骤，对于存在所述背景噪声的所述对象，按照以下步骤计算：

按照公式(4.1)建立含背景噪声的所述监测函数，

按照公式(4.2)设定所述背景噪声为所述固定分量，

按照公式(4.3)建立含背景噪声的所述扩展分量函数，

按照公式(4.4)建立所述可变分量的传感器函数，

设定公式(4.5)为所述背景噪声的函数，

按照公式(4.6)计算所述监测值，

MI＝f_4.1(PDV，PDF，PDE，PDN) (4.1)

PDF＝f_4.2(PDN) (4.2)

PDE＝f_4.3(SE，PDN) (4.3)

PDV＝f_4.4(SV) (4.4)

PDN＝f_4.5(t) (4.5)

MI＝f_4.6(SV，SE，t) (4.6)

其中，f_4.1为包含背景噪声的所述监测函数，f_4.2为以所述背景噪声为所述固定分量的函数，f_4.3为含背景噪声的所述扩展分量函数，f_4.4为所述可变分量的传感器函数，f_4.5为所述背景噪声的函数，f_4.6为所述监测值函数，PDN为背景噪声，SE为所述扩展分量的传感器输出信号，SV为所述可变分量的传感器输出信号，t为时间序列；

S4020步骤，根据实际应用，在单一变量监测的情况下，在所述可变分量的传感器的量程满足应用的情况下，采用一个所述可变分量的传感器，在所述可变分量的传感器的量程不满足应用的情况下，采用多个所述可变分量的传感器以延展量程；

S4030步骤，根据实际应用，在多变量监测的情况下，每个变量采用一个所述可变分量的传感器；

S4040步骤，根据实际应用，在所述可变分量的传感器的输出数据满足应用的情况下，不需要采用所述扩展分量的传感器，在所述可变分量的传感器的输出数据不能满足应用的情况下，采用一个以上所述扩展分量的传感器。

5.根据权利要求2或3或4所述的方法，其特征在于，所述对象算法具体包括：

S5010步骤，采用标准的或者高一级测量精度测量准确度的监测设备，监测获取所述对象的监测值，以此作为所述约定真值，并记录监测的时刻，设定所述约定真值的误差为Δ，且Δ＝0，设定所述允许误差为Δ_e；

S5020步骤，设定初始参数集，采用所述当前的监测分量和包括扩展卡尔曼滤波器算法、蒙特卡洛粒子算法、现代贝叶斯算法在内的算法和所述初始参数集，计算所述对象修正值，再与根据所述S5010步骤计算所述约定真值，计算误差，如果所述误差落在所述允许误差之内，则赋值所述初始参数集为所述个性化参数集，如果所述误差大于所述允许误差，则修改所述初始参数集为所述个性化参数集，使得所述误差落在所述允许误差之内；

S5030步骤，采用经过所述个性化参数集，采用所述当前的监测分量和包括扩展卡尔曼滤波器算法、蒙特卡洛粒子算法、现代贝叶斯算法在内的算法和所述个性化参数集，计算所述对象修正值；和/或，

S5040步骤，基于设定，采用所述历史的监测分量，依据设定的时间间隔，在所述时间间隔点执行所述S5020步骤，在所述时间间隔点之外，执行所述S5030步骤，建立与所述监测分量对应的个性化参数集和所述时间序列，记录到所述信息库，采用深度学习算法，计算所述信息库中的所述对象的所述监测分量、所述个性化参数集、所述时间序列，找出高概率的所述个性化参数集并标定对应的所述监测分量为优化点，所述高概率包括用户指定概率或概率大于30％的；和/或，

S5050步骤，基于所述S5040步骤所获得的所述优化点的所述个性化参数集，采用包括支持向量机算法、卷积神经网络算法，计算所述对象修正值。

6.根据权利要求5所述的方法，其特征在于，所述群体算法具体包括：

S6010步骤，对所述群体中的全部所述对象，计算所述优化点和所述对象修正值，记录到所述信息库；

S6020步骤，依据所述信息库中的所述对象，针对所述优化点和所述对象修正值，建立一个以上的对象分类，并且标定所述对象的所述对象分类，和/或，所述对象分类的个数与所述对象的总数的比值大于用户指定数或者大于0.2，记录到所述信息库；

S6030步骤，依据所述对象分类，对于所述优化点和所述对象修正值，依据误差最小原则，计算所述对象分类的个性化特征集，记录到所述信息库；

S6040步骤，依据所述对象分类的个性化特征集，计算所述对象的所述群体修正值；

S6050步骤，对于所述自身对象，计算标定所属于的所述对象分类，依据所述对象分类的个性化特征集，计算所述对象的所述对象修正值和所述群体修正值；

S6060步骤，依据所述对象分类的个性化特征集，对于新加入的所述对象，依据对所述对象的监测值的计算，确定其对象分类，直接采用该分类的所述个性化特征集中包括的所述约定真值，而无需执行监测所述约定真值的步骤；

所述个性化特征集包括所述对象的所述对象算法的参数、所述群体算法的参数、所述分类和/或所述约定真值。

7.根据权利要求5所述的方法，其特征在于，包括差分对象算法，具体如下：

S7010步骤，计算所述对象在所述优化点的所述监测值与所述对象修正值的差值，记录到所述信息库；

S7020步骤，如果各个所述优化点的所述差值为常数差值，则对于后续时间序列的所述对象修正值，采用所述监测值减去所述常数差值，计算所述对象修正值；和/或，

S7030步骤，如果各个所述优化点的所述差值为函数差值，则对于后续时间序列的所述对象修正值，采用所述监测值减去所述函数差值，计算所述对象修正值；和/或，

S7040步骤，如果所述时间序列的所述优化点的所述差值为所述常数差值和所述函数差值的交替差值，采用所述监测值减去所述交替差值，计算所述对象修正值；

S7050步骤，对于拉曼光谱监测的方法，采用两次以上频率具有微小频偏的激发光扫描所述对象产生两个以上拉曼光谱，依据所述对象的拉曼散射特征位移，对两次以上扫描产生的所述拉曼散射光谱做差分卷积或线性回归计算，以消除由于荧光所带来的背景噪声干扰，所述微小频偏的激发光波长差距在0.2至100nm之间。

8.根据权利要求1所述的方法，其特征在于，所述个性化特征集，具体如下：

S8010步骤，设定约束条件为所述对象的所述修正值误差小于所述允许误差，按照公式(8.1)建立所述个性化特征集，计算所述个性化特征集：

PF＝f_8.1(MI，MIF，Δ≤Δ_e) (8.1)

其中，f_8.1为个性化特征集函数，PF为包括所述对象算法参数、所述群体算法参数、所述约定真值的所述个性化特征集，MI为所述监测值或监测值数据集合，MIF为所述对象修正值或对象修正值集合，Δ为误差，Δ_e为允许误差；

S8020步骤，分解所述个性化特征集：

基于指定，将所述个性化特征集分解为一个以上个性化特征集类别，并且将所述个性化特征集类别分解为包括一个以上个性化特征集类别分量；

所述个性化特征集与所述个性化特征集类别之间具有公式(8.2)所确定的函数关系：

PF＝f_8.2(PFT) (8.2)

其中，f_8.2为所述个性化特征集的类别函数，PFT为所述个性化特征集类别，所述分解包括从便于计算角度的频域分解，还包括从连续时间角度的时域分解；

S8030步骤，监测所述个性化特征集类别的时域值：

所述个性化特征集类别与所述连续时间序列之间具有公式(8.3)所确定的函数关系，按照公式(8.3)监测所述个性化特征集类别的时域值：

PFT＝f_8.3(t) (8.3)

其中，f_8.3为个性化特征集类别时域函数，t为所述连续时间序列；

S8040步骤，监测所述个性化特征集类别的特定时刻值：

所述个性化特征集类别的所述特定时刻值与所述特定时刻之间具有公式(8.4)所确定的函数关系，按照公式(8.4)监测所述个性化特征集类别的特定时刻值：

PFT_T＝f_8.3(t，t＝T) (8.4)

其中，f_8.3为所述个性化特征集类别时域函数，T为所述特定时刻，PFT_T为所述个性化特征集类别在所述特定时刻的特定时刻值；

S8050步骤，监测个性化特征集类别分量的时域值：

按照公式(8.5)分解所述个性化特征集类别为一个以上所述个性化特征集类别分量，所述个性化特征集类别分量与所述连续时间序列之间具有公式(8.6)所确定的函数关系，按照公式(8.5)监测所述个性化特征集类别分量的时域值：

PFT＝f_8.5(PFT₁，PFT₂，…，PFT_q) (8.5)

PFT_δ＝f_8.6(t，1≤δ≤q) (8.6)

其中，f_8.5为个性化特征集类别分解函数，f_8.6为个性化特征集类别分量时域函数，PFT₁，PFT₂，…，PFT_q为所述个性化特征集类别分量，q为所述个性化特征集类别分量的总数，δ为所述个性化特征集类别分量编号，q、δ均属自然数，且1≤δ≤q，PFT_δ为编号为δ的所述个性化特征集类别分量在所述连续时间序列的时域值；

S8060步骤，监测所述个性化特征集类别分量的特定时刻值。

9.所述个性化特征集类别分量在所述特定时刻的所述特定时刻值与所述连续时间序列具有公式(8.7)所确定的函数关系，按照公式(8.7)监测所述个性化特征集类别分量在特定时刻的所述特定时刻值：根据权利要求8所述的方法，其特征在于，包括训练所述个性化特征集的数学模型：

S9010步骤，模糊优化法：

依据下列数学模型，包括模糊方程、模糊偏微分方程、集合方程，优化所述监测值和所述监测分量，获取在优化的情况下的所述对象的最优值，具体包括：

S9011步骤，建立集合：

以所述监测值为元素建立监测值集合，记为MIset；

以所述监测分量为元素建立监测分量集合，记为MI_αset，α为所述监测分量的编号；

以所述对象为元素建立对象集合，记为PDset；

分解监测值集合为可变值集合和固定值集合；

分解可变值集合为可变分量集合，记可变值集合为PDVset，记可变分量集合为PDV_βset，β为所述可变分量的编号；

分解固定值集合为固定分量集合，记固定值集合为PDFset，记固定分量集合为PDF_γset，γ为所述固定分量的编号；

分解扩展值集合为扩展分量集合，记扩展值集合为PDEset，记扩展值分量集合为

为所述扩展分量的编号；

以所述个性化特征集类别为元素建立个性化特征集集合，分量个性化特征集集合为个性化特征集分量集合，记个性化特征集集合为PFTset，记个性化特征集分量集合为PFT_δset，δ为所述个性化特征集分量的编号；

所述集合包括模糊集合和非模糊集合；

S9012步骤，建立截集：

依据所述数学模型，依次建立集合之间的映射关系，以所述监测值集合和所述监测分量集合为主键进行排序，成为有序集合，并以从大到小进行正排序后取前λ个元素作为有序头截集，以从小到大反排序后取前μ个元素作为有序尾截集，具体如下：

MIset_λ＝{mi|mi监测值正排序号θ≤λ} (9.1)

MI_αset_λ＝{mi_δ|mi_α监测分量正排序号θ≤λ} (9.2)

PDset_λ＝{pd|pd对象正排序号θ≤λ} (9.3)

PDVset_λ＝{pdv|pdv可变值正排序号θ≤λ} (9.4)

PDV_βset_λ＝{pdv_β|pdv_β可变分量正排序号θ≤λ} (9.5)

PDFset_λ＝{pdf|pdf固定值正排序号θ≤λ} (9.6)

PDF_γset_λ＝{pdf_γ|pdf_γ固定分量正排序号θ≤λ} (9.7)

PDEset_λ＝{pde|pde扩展值正排序号θ≤λ} (9.8)

PDE_γset_λ＝{pde_γ|pde_γ扩展分量正排序号θ≤λ} (9.9)

PFTset_λ＝{pft|pft个性化特征集正排序号θ≤λ} (9.10)

PFT_δset_λ＝{pft_δ|pft_δ个性化特征集分量正排序号θ≤λ} (9.11)

MIset_μ＝{mi|mi监测值反排序号η≤μ} (9.12)

MI_αset_μ＝{mi_δ|mi_α监测分量反排序号η≤μ} (9.13)

PDset_μ＝{pd|pd对象反排序号η≤μ} (9.14)

PDVset_μ＝{pdv|pdv可变值反排序号η≤μ} (9.15)

PDV_βset_μ＝{pdv_β|pdv_β可变分量反排序号η≤μ} (9.16)

PDFset_μ＝{pdf|pdf固定值反排序号η≤μ} (9.17)

PDF_γset_μ＝{pdf_γ|pdf_γ固定分量反排序号η≤μ} (9.18)

PDEset_μ＝{pde|pde扩展值反排序号η≤μ} (9.19)

PDE_γset_μ＝{pde_γ|pde_γ扩展分量反排序号η≤μ} (9.20)

PFTset_μ＝{pft|pft个性化特征集反排序号η≤μ} (9.21)

PFT_δset_μ＝{pft_δ|pft_γ个性化特征集分量反排序号η≤μ} (9.22)

其中，MIset_λ、MI_αset_λ、PDset_λ、PDVset_λ、PDV_βset_λ、PDFset_λ、PDF_γset_λ、PDEset_λ、PDE_γset_λ、PFTset_λ、PFT_δset_λ为所述有序头截集，MIset_μ、MI_αset_μ、PDset_μ、PDVset_μ、PDV_βset_μ、PDFset_μ、PDF_γset_μ、PDEset_μ、PDE_γset_μ、PFTset_μ、PFT_δset_μ为所述有序尾截集，λ、μ为小于各自集合元素个数，也就是所述截集位置，属于自然数，θ为正排序编号，η为反排序编号；

S9013步骤，训练所述截集：

持续监测记录所述监测值和所述对象到所述信息库，依据所述信息库中的信息，采用循环和递归计算，以训练所述有序头截集和所述有序尾截集，记录结果到所述信息库；

S9014步骤，寻优所述截集：

依据所述数学模型，按照公式(9.1)至公式(9.22)，取λ＝1，计算获取监测值最优值和监测分量最优值，所对应的所述对象同时作为最优值；取μ＝1，计算获取监测值最差值和监测分量最差值，所对应的所述对象同时作为最差值；和/或，

S9020步骤，建立偏微分模型：

采用偏微分方程原理，按照公式(9.23)和公式(9.24)建立所述监测值、所述监测分量和所述可变分量、所述固定分量、所述扩展分量之间的函数，计算所述监测值、所述监测分量：

其中：

f_9.23、f_9.24均是偏微分方程，MI′₁是编号为1的所述监测分量的1阶导数，

是编号为1所述监测分量的ε阶导数，MI′_m是编号为m的所述监测分量的1阶导数，

是编号为m的所述监测分量的ε阶导数；PDV′_α是第α种包括一个以上与所述MI_α有关联的所述可变分量的1阶导数；

是第α种包括一个以上与所述MI_α有关联的所述可变分量的v阶导数；PDF′_α是第α种包括零个以上与所述MI_α有关联的所述固定分量的1阶导数；

是第α种包括零个以上与所述MI_α有关联的所述固定分量的ν阶导数；PDE′_α是第α种包括零个以上与所述MI_α有关联的所述扩展分量的1阶导数；

是第α种包括零个以上与所述MI_α有关联的所述可变分量的ξ阶导数；PFT′_α是第α种包括零个以上与所述MI_α有关联的所述扩展分量的1阶导数；

是第α种包括零个以上与所述MI_α有关联的所述个性化特征集类别分量的∈阶导数；

其中，根据需要，函数f_9.23中的所述监测分量还采用f_9.24中的MI_α替代；

其中，ε是所述监测分量导数的最高阶，ν是所述可变分量导数的最高阶，ξ是所述扩展分量导数的最高阶，ε、ν、ξ、∈均是自然数；

S9030步骤，极值优化法：

依据所述偏微分方程和所述模糊偏微分方程，采用对包括公式(9.23)、公式(9.24)的所述偏微分方程中的自变量、因变量取极值的方法，以及求取任意所述自变量、所述因变量为0的时候，计算所述监测值和所述监测分量的方法，获取所述监测值和所述监测分量的所述最优值和所述最差值，以此获取所述对象的最优值；

S9031步骤，依据所述信息库随着时间推移而不断地更新，在定时或不定时情况下，实现多次学习和训练，采用包括T检验和Z检验的方法选出所述监测值和所述监测分量的所述最优值和所述监测值和所述监测分量的所述最差值的异常值，消除所述异常值，以此获取所述对象的异常值；和/或，

S9040步骤，概率优化法：

在所述信息库中，选取不同时间段采集的所述对象监测值和所述对象扩展分量，计算所述监测值和所述监测分量，计算所述监测值和所述监测分量为最大值和最小值时对应的所述对象，采用包括贝叶斯算法在内的概率计算方法，统计所述监测值和所述监测分量为最大值和最小值时，所述对象中所述可调对象监测值和所述可调对象扩展分量出现相近值的概率，并对高概率验证做验证；和/或，

标定在所述监测值和所述监测分量为最大值时的所述对象中所述可调对象监测值和所述可调对象扩展分量为优化可调对象监测值和优化可调对象扩展分量，标定在所述监测值和所述监测分量为最小值时的所述对象中所述可调对象监测值和所述可调对象扩展分量为劣化可调对象监测值和劣化可调对象扩展分量；和/或，

S9050步骤，神经网络优化法：

S9051步骤，依据包括所述数学模型，针对所述信息库中的关系型信息记录，以信息记录作为神经元，以包括所述数学模型的计算结果建立所述神经元之间的连接函数，构成一层以上的神经网络；

S9052步骤，依据所述连接函数中，所述优化可调对象监测值和优化可调对象扩展分量对于所述监测值和所述监测分量产生的效果，划分和建立兴奋型、抑制型、爆发型、平台期型的连接子函数，所述连接子函数包括常数型权重系数、函数型权重系数；

S9053步骤，采用深度学习算法，包括监督学习、无监督学习、强化学习算法，优化所述连接子函数；和/或，

S9054步骤，采用支持向量机算法，分类筛选所述监测值和所述监测分量，并且筛选出所述优化可调对象监测值和优化可调对象扩展分量；和/或，

S9055步骤，采用卷积神经网络算法，对于所述对象之间忽略关联的条件下，实施卷积、激活、池化、全连接、训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量；和/或，

S9056步骤，采用循环神经网络算法，对于所述对象之间需要关联的条件下，建立层内关联函数，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量；和/或，

S9057步骤，采用深度神经网络算法，对于各个所述神经网络的层之间的所述对象、所述监测值、所述监测分量需要建立关联的条件下，建立层间关联函数，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量；和/或，

S9058步骤，采用前馈神经网络算法，对于所述每个神经元只与前一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量；和/或，

S9059步骤，采用反馈神经网络算法，对于所述每个神经元只与后一层的神经元相连的条件下，训练所述连接子函数，以筛选出包括优化的所述监测值和所述监测分量；和/或，

S9060步骤，可逆寻优法：

采用所述模糊优化法、所述极值优化法、所述概率优化法、所述神经网络优化法之间的任意组合和/或这些方法之内的任意组合的方法，计算所述监测值和所述监测分量达到最优或者其区间内的指定值时，使得结果信息能够可逆复现所述监测值和所述监测分量达到最优或者其区间内的指定值，所述监测分量之间的可逆关系；和/或，

S9070步骤，定时复现法：

依据所述数学模型和所述可逆关系，计算从当前时刻开始，所述监测值和/或所述监测分量到达优化值或者指定值时的定时时间序列值，即从当前时刻开始，经过所述定时时间序列值的时间时，所述监测值和/或所述监测分量到达优化值或者指定值；和/或，

S9080步骤，延时复现法：

依据所述数学模型和所述可逆关系，当所述定时时间序列值小于预定健康考核时域值的情况下，计算需要延时时间差值，将所述延时时间差值加入到所述数学模型，以确保在所述预定健康考核时间的时点，所述监测值和/或所述监测分量到达优化值或者指定值。

PFT_δT＝f_8.6(t，t＝T，1≤δ≤q) (8.7)

其中，PFT_δT为在所述特定时刻所述个性化特征集类别分量的所述特定时刻值。

10.根据权利要求1所述的方法，其特征在于，包括：

SA100步骤，云大数据模式：

SA110步骤，建立基于互联网模式的云中心，将本发明所监测的包括全部所述群体、所述对象的全部信息、中间计算结果、所述信息库，以云终端形式通过广域网网络传输，全部存储到基于互联网的一个以上云服务器上，以此作为一个以上云中心，采用云计算模式管理、计算和支撑所述云终端；和/或，

SA120步骤，采用区块链模式建立一个以上云中心，以存储、管理和支撑所述信息库和前述的各个步骤，所述用户采用匿名记录，所述信息库中的信息采用带有时间戳的链式结构，用户访问所述信息库采用加解密通信，信息支持防篡改，支持防抵赖、多中心、无中心模式；和/或，

SA130步骤，采用安全多方计算模式建立和管理和支撑一个以上机构，在所述机构之间，在不交换所述机构所属各自的所述云中心的所述信息库核心信息的前提下，依据各自所述机构的所述信息库内容进行约定的计算，所得的计算结果由参与的所述机构共享；所述机构包括一个以上所述云中心，管理一个以上所述对象；所述安全多方计算包括：公开密钥机制、混合电路、不经意传输、秘密共享、隐私保护集合交集协议、同态加密、零知识证明、无可信中心的方法，以增强信息的安全性和保护对象隐私；和/或，

SA140步骤，采用集中学习模式建立和训练对于不强调对象隐私保护时的模型训练，所述信息库存储于一个云中心；和/或，

S9150步骤，采用联邦学习模式建立和训练对于需要强调对象隐私保护时的模型训练，此时的所述模型训练在一个以上存储的云中心之间进行，各个所述云中心之间不交换各自的信息；和/或，

SA200步骤，局域网模式：

建立基于局域网的服务器用于存储和管理支撑中心，将本发明所监测的包括全部群体、对象的全部信息、中间计算结果、所述信息库，以网络终端形式通过局域网网络传输，全部存储到基于局域网的服务器上，以此管理、计算和支撑；和/或，

SA300步骤，单点模式：

所述单点为监测一个所述对象的监测、存储、管理、计算和支撑的步骤，将本发明所监测的对象的全部信息、中间计算结果、所述信息库，全部存储到所述单点的存储上，执行全部步骤。

Images