CN114487284B - 一种测量空气中重金属浓度的方法及系统 - Google Patents
一种测量空气中重金属浓度的方法及系统 Download PDFInfo
- Publication number
- CN114487284B CN114487284B CN202111677817.9A CN202111677817A CN114487284B CN 114487284 B CN114487284 B CN 114487284B CN 202111677817 A CN202111677817 A CN 202111677817A CN 114487284 B CN114487284 B CN 114487284B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- result
- environmental parameter
- parameter information
- sampling point
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 111
- 238000005070 sampling Methods 0.000 claims abstract description 101
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims description 155
- 238000012545 processing Methods 0.000 claims description 38
- 239000013618 particulate matter Substances 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 239000012298 atmosphere Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000002923 metal particle Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- 229910052790 beryllium Inorganic materials 0.000 description 1
- ATBAMAFKBVZNFJ-UHFFFAOYSA-N beryllium atom Chemical compound [Be] ATBAMAFKBVZNFJ-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012528 membrane 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
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- 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
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Abstract
本发明提供了一种测量空气中重金属浓度的方法及系统，其中，该方法包括：检测获得第一环境参数集合；根据第一环境参数集合进行权重分配，获得第一权重分配结果；构建并训练采样点分析模型；将第一环境参数集合输入采样点分析模型，获得第一采样点集合；基于第一采样点集合，采集获得第一空气样本集合；对第一空气样本集合进行检测，获得第一重金属检测结果集合；将第一重金属检测结果集合和第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将第一校正结果作为第一空气重金属检测结果。
Description
技术领域
本发明涉及空气监测技术领域，具体涉及一种测量空气中重金属浓度的方法及系统。
背景技术
由于现代工业化的发展，重金属分布在自然界的含量逐步升高，其主要分布在大气、水体和土壤中。在大气中，重金属主要以大气颗粒物的形式存在。
大气中的重金属会影响人体健康和自然界生态，需要检测重金属含量并进行处理。目前空气中重金属的检测方法主要通过采集合适地区的空气样本，经化学方法进行检测。
在实现本申请中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中检测空气中重金属含量的方法，没有量化考虑环境因素对大气内重金属含量的影响，采集获得的空气样本缺乏代表性，存在着空气中重金属浓度检测准确性较低的技术问题。
发明内容
本申请提供了一种测量空气中重金属浓度的方法及系统，用于针对解决现有技术中检测空气中重金属含量的方法，没有量化考虑环境因素对大气内重金属含量的影响，采集获得的空气样本缺乏代表性，因此而存在着的空气中重金属浓度检测准确性较低的技术问题。
鉴于上述问题，本申请提供了一种测量空气中重金属浓度的方法及系统。
本申请的第一个方面，提供了一种测量空气中重金属浓度的方法，所述方法包括：检测获得第一环境参数集合；根据所述第一环境参数集合进行权重分配，获得第一权重分配结果；构建并训练采样点分析模型；将所述第一环境参数集合输入所述采样点分析模型，获得第一采样点集合；基于所述第一采样点集合，采集获得第一空气样本集合；对所述第一空气样本集合进行检测，获得第一重金属检测结果集合；将所述第一重金属检测结果集合、所述第一权重分配结果和所述第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将所述第一校正结果作为第一空气重金属检测结果。
本申请的第二个方面，提供了一种测量空气中重金属浓度的系统，所述系统包括：第一获得单元，所述第一获得单元用于检测获得第一环境参数集合；第一处理单元，所述第一处理单元用于根据所述第一环境参数集合进行权重分配，获得第一权重分配结果；第一构建单元，所述第一构建单元用于构建并训练采样点分析模型；第二处理单元，所述第二处理单元用于将所述第一环境参数集合输入所述采样点分析模型，获得第一采样点集合；第二获得单元，所述第二获得单元用于基于所述第一采样点集合，采集获得第一空气样本集合；第三获得单元，所述第三获得单元用于对所述第一空气样本集合进行检测，获得第一重金属检测结果集合；第三处理单元，所述第三处理单元用于将所述第一重金属检测结果集合、所述第一权重分配结果和所述第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将所述第一校正结果作为第一空气重金属检测结果。
本申请的第三个方面，提供了一种测量空气中重金属浓度的系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如第一方面所述方法的步骤。
本申请的第四个方面，提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供的技术方案通过检测获得需要进行空气重金属浓度检测区域的环境参数集合，根据不同环境参数对重金属浓度变化的影响进行权重分配，获得第一权重分配结果，然后构建并训练采样点分析模型，将第一环境参数集合输入该采样点分析模型，获得能够采集获得最具代表性空气样本的采样点集合，在采样点集合内的采样点采集获得第一空气样本集合，然后基于检测方法进行重金属浓度检测，获得重金属检测结果集合，将该重金属检测结果集合、第一权重分配结果和第一环境参数集合输入重金属检测校正模型，基于环境参数和对应的权重分配结果对重金属检测结果进行校正，获得校正后的空气重金属检测结果。本申请通过检测获得空气重金属浓度待检测区域的的环境参数集合，获得能够采集获得受环境参数影响最小的采样点集合，采集获得具有代表性的空气样本，降低空气重金属浓度检测受环境影响的程度，并基于环境参数对重金属浓度影响的程度，进行权重分配，基于神经网络模型对重金属检测结果进行校正，能够提升空气重金属浓度检测的准确性，本申请提供的方法对传统的空气重金属浓度检测方法进行改进优化，构建了智能化的空气重金属浓度检测方法，能够有效提升空气重金属浓度检测的准确性，降低受环境因素影响监测精度的程度，达到提升空气重金属检测准确性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请提供的一种测量空气中重金属浓度的方法流程示意图；
图2为本申请提供的一种测量空气中重金属浓度的方法中获得第一权重分配结果的流程示意图；
图3为本申请提供的一种测量空气中重金属浓度的方法中检测获得第一重金属检测结果集合的流程示意图；
图4为本申请提供了一种测量空气中重金属浓度的系统结构示意图；
图5为本申请示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一处理单元12，第一构建单元13，第二处理单元14，第二获得单元15，第三获得单元16，第三处理单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请通过提供了一种测量空气中重金属浓度的方法及系统，用于针对解决现有技术中检测空气中重金属含量的方法，没有量化考虑环境因素对大气内重金属含量的影响，采集获得的空气样本缺乏代表性，因此而存在着的空气中重金属浓度检测准确性较低的技术问题。
申请概述
由于现代工业化的进程以及城市化的发展，重金属分布在自然界的含量逐步升高，其主要分布在大气、水体和土壤中。在大气中，重金属主要以大气颗粒物的形式存在。空气中重金属的主要来源包括采矿、化工原料燃烧、冶炼、化工等行业。空气中主要的重金属包括：铅、铝、汞、铍等。
大气中的重金属会在呼吸的过程中进入人体，会影响人体健康和自然界生态，因此，需要检测空气中重金属含量并进行相应的预防和处理，以尽量保持或降低空气中重金属含量。目前空气中重金属的检测方法主要通过采集合适地区的空气样本，经化学方法进行检测。
自然环境中的降雨、刮风、季相变化、沙尘、空气湿度等均会导致空气中重金属的含量变化，现有技术中检测空气中重金属含量的方法，没有量化考虑环境因素对大气内重金属含量的影响，采集获得的空气样本缺乏代表性，存在着空气中重金属浓度检测准确性较低的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请通过检测获得需要进行空气重金属浓度检测区域的环境参数集合，根据不同环境参数对重金属浓度变化的影响进行权重分配，获得第一权重分配结果，然后构建并训练采样点分析模型，将第一环境参数集合输入该采样点分析模型，获得能够采集获得最具代表性空气样本的采样点集合，在采样点集合内的采样点采集获得第一空气样本集合，然后基于检测方法进行重金属浓度检测，获得重金属检测结果集合，将该重金属检测结果集合、第一权重分配结果和第一环境参数集合输入重金属检测校正模型，基于环境参数和对应的权重分配结果对重金属检测结果进行校正，获得校正后的空气重金属检测结果。
在介绍了本申请基本原理后，下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种测量空气中重金属浓度的方法，所述方法包括：
S100：检测获得第一环境参数集合；
本申请提供的方法中的步骤S100包括：
S110：检测获得第一温度参数集合，作为第一环境参数信息；
S120：检测获得第一湿度参数集合，作为第二环境参数信息；
S130：检测获得第一季风参数集合，作为第三环境参数信息；
S140：检测获得第一工厂参数集合，作为第四环境参数信息；
S150：检测获得第一季相参数集合，作为第五环境参数信息；
S150：将所述第一环境参数信息、第二环境参数信息、第三环境参数信息、第四环境参数信息和第五环境参数信息作为所述第一环境参数集合。
具体而言，在检测空气中重金属浓度的过程中，需要进行检测区域即为待检测区域，上述的第一环境参数集合即为该待检测区域内的环境参数的集合。示例性地，第一环境参数集合包括待检测区域温度、湿度、刮风、季相变化等参数。
进一步地，上述的第一环境参数集合内，例如若待检测区域的湿度较高，则会导致空气中的重金属颗粒与灰尘以及水汽等凝结沉降，则会导致待检测区域的重金属颗粒浓度降低。季相变化因素中，若待检测区域处于夏季，湿润多雨，也会导致空气中的重金属颗粒沉降，进而使空气质量较高，而在干燥的冬季，空气中重金属颗粒浓度则会升高。
具体地，采集获得待检测区域的第一温度参数集合、第一湿度参数集合、第一季风参数集合、第一工厂参数集合和第一季相参数集合，分别作为第一环境参数信息、第二环境参数信息、第三环境参数信息、第四环境参数信息和第五环境参数信息，然后将第一环境参数信息、第二环境参数信息、第三环境参数信息、第四环境参数信息和第五环境参数信息作为上述的第一环境参数集合。
其中，上述的湿度、温度、季风的风向和风力、工厂以及季相是对待检测区域内的重金属浓度影响最大的几个环境参数。第一工厂参数集合包括待检测区域内工厂、待检测区域附近预设距离内工厂的数量、工厂类型以及工厂产量等信息。第一工厂参数集合内的工厂指的是在生产过程中会产生重金属污染的工厂，若第一工厂参数集合内的数据较高，例如工厂数量较大，或者工厂产量较高，则会导致在工厂生产过程中附近的空气内重金属含量过高，进而导致空气重金属浓度测试不准确。
此外，需要说明的是，若需要检测工厂附近区域在工厂影响下的空气重金属浓度，则第一环境参数集合内不包括第一工厂参数集合。若需要检测待检测区域常态下或者假设无工厂影响下的空气重金属浓度，则第一环境参数集合内包括第一工厂参数集合。
S200：根据所述第一环境参数集合进行权重分配，获得第一权重分配结果；
具体而言，第一环境参数集合内的不同环境参数信息对于空气中重金属浓度的影响程度是不同的，示例性地，第一季相参数集合对于空气中重金属浓度的影响程度大于第一季风参数集合的影响程度。因此，需要根据第一环境参数集合对于空气中重金属浓度的影响程度进行权重分配，得到第一环境参数集合内各环境参数信息的权重值，作为第一权重分配结果。
如图2所示，本申请提供的方法中的步骤S200包括：
S210：获得第一权重分配模型；
S220：将所述第一环境参数集合输入所述第一权重分配模型，获得第一排序结果，其中，所述第一排序结果内包括多个环境参数信息的影响程度排序；
S230：基于所述第一排序结果，计算获得各个所述环境参数信息的权重；
S240：基于所述各个所述环境参数信息的权重，得到所述第一权重分配结果。
具体而言，第一权重分配模型用于进行第一环境参数集合的权重分配，其中，第一权重分配模型内用于进行权重分配的部分可为生态环境研究机构或专家、环境监测研究机构或专家等，可对第一环境参数集合内的环境参数信息对于空气中重金属浓度的影响程度进行判断和权重分配。
将第一环境参数集合输入该第一权重分配模型，获得第一排序结果，该第一排序结果内包括多个环境参数信息对于空气重金属浓度的影响程度排序，按照影响程度由大到小的顺序进行排序。
本申请提供的方法中的步骤S220包括：
S221：将所述第一环境参数集合输入所述第一权重分配模型；
S222：基于所述第一环境参数集合，获得其中对重金属检测影响最大的一环境参数信息，作为第一排序环境参数；
S223：取出所述第一排序环境参数，获得所述第一环境参数集合内对重金属检测影响最大的一环境参数信息，作为第二排序环境参数；
S224：重复上述步骤，获得所述第一排序结果。
具体而言，首先，将第一环境参数集合输入第一权重分配模型，进行权重分配。第一权重分配模型内用于进行权重分配的部分选择获得第一环境参数集合中对空气重金属浓度影响最大的一环境参数信息，作为第一排序环境参数，将其列为上述第一排序结果内的第一位。
然后，将该第一排序环境参数取出该第一环境参数集合，继续选择第一环境参数集合内剩余的环境参数信息内对空气重金属浓度影响最大的一环境参数信息，作为第二排序环境参数，将其列为上述第一排序结果内的第二位。示例性地，第一排序环境参数可为第一季相参数集合，第二排序环境参数可为第一季风参数集合。
如此，重复上述步骤，直到获得第一环境参数集合内对空气重金属浓度影响最小的一环境参数信息，将其作为第一排序结果中的最后一位，得到上述的第一排序结果。示例性地，第一排序结果可为{x1,x2,x3,x4,x5}，其中，x1、x2、x3、x4、x5均为上述的环境参数信息。
基于上述的第一排序结果，计算获得各个环境参数信息的权重。具体地，选择第一排序结果内相邻的两个环境参数信息xn-1和xn,n＝2,3,4,5，xn对空气重金属浓度的影响程度小于xn-1对空气重金属浓度的影响程度，且，xn-1与xn对空气重金属浓度的影响程度之比为：
其中，λn为xn-1与xn对空气重金属浓度的影响程度之比，ωn-1为xn-1对空气重金属浓度影响的权重值，ωn为xn对空气重金属浓度影响的权重值。
进一步地，获得上述第一排序结果内相邻的两个环境参数信息xn-1和xn的对空气重金属浓度的影响程度比赋值λn，λn可由第一权重分配模型内进行权重分配的部分进行设置，λn的取值范围为(1,1.8),1代表xn-1与xn对空气重金属浓度的影响程度相同，1.8表示xn-1对空气重金属浓度的影响程度远大于xn对空气重金属浓度的影响程度，第一权重分配模型可基于专家评价对λn赋值，且满足进而得到λ1、λ2、λ3、λ4和λ5。基于上述的影响程度比赋值，计算获得各环境参数信息的权重值，ω5如下：
且ωn-1＝λnωn
其中，λi为第i-1个环境参数信息与第i个环境参数信息的权重比值，如此，可依次计算获得ω1、ω2、ω3、ω4、ω5，将ω1、ω2、ω3、ω4和ω5作为上述第一权重分配结果。本申请通过按照第一环境参数集合内的环境参数信息对于空气重金属浓度的影响程度进行权重分配，能够获得较为准确的权重分配结果，并采用适当的权重分配法进行权重分配，为后续通过权重分配结果校正空气重金属浓度检测结果建立的准确的数据基础，达到了提升空气重金属浓度检测准确性的技术效果。
S300：构建并训练采样点分析模型；
本申请提供的方法中的步骤S300包括：
S310：基于大数据获得历史环境参数集合和历史采样点集合；
S320：构建所述采样点分析模型；
S330：采用多组训练数据监督训练所述采样点分析模型至收敛或达到预定的准确率，完成训练，其中，所述多组训练数据中的每一组均包括：所述历史环境参数和用于标识所述历史采样点的标识信息；
S340：采用验证数据集验证所述采样点分析模型的准确率，若所述准确率满足预设准确率，获得所述采样点分析模型。
具体而言，首先基于大数据采集获得历史环境参数集合和历史采样点集合，历史环境参数集合为待检测区域在一定时间跨度的历史时间内，与第一环境参数集合对应的环境参数信息的数据，包括温度、湿度、季风、季相和工厂等环境参数信息的历史数据。
历史采样点集合为待检测区域在历史环境参数集合下，进行空气重金属浓度检测过程中采集空气样本的采样地点的集合，历史采样点集合内的采样点为进行环境监测的专业技术人员进行空气样本采样时选择的，可认为在一定程度上在相应环境参数下能够采集获得具有代表性的空气样本，受环境参数影响较小。历史采样点集合内的采样点数据可为采样点的经纬度坐标，且历史采样点集合内的采样点信息与历史环境参数集合内的历史环境参数信息是对应的，一组历史环境参数信息可对应多个进行采样的采样点信息。
将上述的历史环境参数集合和历史采样点集合内的数据进行划分，按照一定比例划分为训练数据集合验证数据集，示例性地，按照7:3的比例划分为训练数据集合验证数据集。
构建采样点分析模型，采样点分析模型包括输入层、多个隐含的处理层和输出层，采样点分析模型为神经网络模型(Neural Nerwork,NN)，其为一个具有大量神经元相互连接组成的复杂网络，能够进行复杂的线性或非线性的逻辑运算。采样点分析模型内，每个神经元内可处理不同类型的数据，各个神经元之间的连接形成权重，按照权重以及多维度数据进行分析判断，最终得到预测的结果。
基于上述的训练数据集，采用多组训练数据对构建完成的采样点分析模型进行监督训练，多组训练数据中的每一组均包括：历史环境参数和用于标识历史采样点的标识信息，通过监督训练的过程，形成神经网络内的结构和权重值，进而形成根据输出到预测输出之间的关系，当采样点分析模型监督训练至收敛或达到预定的准确率后，完成训练。
采样点分析模型训练完毕后，采用上述的验证数据集验证采样点分析模型的准确率，防止采样点分析模型出现过拟合或欠拟合的问题，若采样点分析模型的准确率满足预设的准确率，则获得最终的采样点分析模型。
本申请通过构建采样点分析模型，采用历史环境参数和历史采样点数据进行训练，在进行待检测区域的空气重金属浓度检测的过程中，能够根据环境参数信息输出得到采样点数据，进而能够采集获得受环境参数影响较小而更具有代表性的空气样本，提升空气重金属浓度检测的代表性。
S400：将所述第一环境参数集合输入所述采样点分析模型，获得第一采样点集合；
具体而言，将待检测区域当前检测获得的第一环境参数集合输入上述的采样点分析模型，得到输出结果，输出结果中包括第一采样点集合，其进一步包括至少一个采样点坐标，在第一采样点集合内的采样点进行空气采样，能够降低环境参数的影响，例如，采样点湿度温度较为合适的区域，以及尽量远离附近工厂，并避免风向干扰的区域。S500：基于所述第一采样点集合，采集获得第一空气样本集合；
S600：对所述第一空气样本集合进行检测，获得第一重金属检测结果集合；
具体而言，在上述的第一采样点集合内的采样点内，进行空气样本采样，获得多组空气样本，作为第一空气样本集合。然后对空气样本进行滤膜过滤，获得空气样本内的颗粒物，通过原子吸收光谱法、仪器中子活化法等方法进行检测。
如图3所示，本申请提供的方法中的步骤S600包括：
S610：检测获得所述第一空气样本集合内的第一颗粒物含量集合和第一重金属含量集合；
S620：基于异常检测算法检测获得所述第一颗粒物含量集合和第一重金属含量集合内的异常数据；
S630：去除所述异常数据；
S640：基于去除所述异常数据的所述第一颗粒物含量集合和第一重金属含量集合，计算获得所述第一重金属检测结果集合。
具体而言，首先，根据上述的第一空气样本集合内的空气样本，检测获得其中的第一颗粒物含量集合和第一重金属含量集合，第一颗粒物含量集合内包括多个空气样本内的颗粒物含量信息，第一重金属含量集合内包括多个空气样本呢的重金属含量信息。
第一颗粒物含量集合和第一重金属含量集合内可能会出现部分异常数据，例如某一空气样本的颗粒物含量或重金属含量出现远高于或远低于其他空气样本内数据的情况，这可能是由于在采样的过程中环境参数突然发生变化，或者由于检测仪器或方法出现误差而导致的，因此，需要进行异常数据的检测。
本申请提供的方法中的步骤S620包括：
S621：基于所述第一颗粒物含量集合和第一重金属含量集合，获得预设第一数据样本集合和第二数据样本集合；
S622：基于所述第一数据样本集合和第二数据样本集合进行拟合，获得第一椭圆边界信息和第二椭圆边界信息；
S623：将所述第一颗粒物含量集合和第一重金属含量集合内的数据投射至所述第一椭圆边界信息和第二椭圆边界信息中，获得第一投射结果和第二投射结果；
S624：基于所述第一投射结果和所述第二投射结果，获得所述异常数据。
具体而言，上述的第一颗粒物含量集合和第一重金属含量集合内，按照异常数据分布，可认为第一颗粒物含量集合和第一重金属含量集合内的正常数据密集分布，且每个正常数据之间的差距较小，而异常数据孤立分布，与密集分布的正常数据距离较远。
根据上述的第一颗粒物含量集合和第一重金属含量集合，社会获得最终需要获得的数据样本的数量，即最终需要的颗粒物含量数据和重金属含量数据的数据样本数量，得到预设的第一数据样本集合和第二数据样本集合。第一数据样本集合内数据量与第一颗粒物含量集合内数据量的差值即为需要去除的认为可能为异常数据的数量。同理，第二数据样本集合内数据量与第一重金属含量集合内数据量的差值即为需要去除的认为可能为异常数据的数量。
将上述的第一颗粒物含量集合和第一重金属含量集合内的数据投射至数据空间内，获得第一投射结果和第二投射结果。基于上述的第一数据样本集合和第二数据样本集合，采用最小椭球估计法(mini mum volume ellipsoid estimator，MVE)，对第一颗粒物含量集合和第一重金属含量集合进行拟合，分别获得第一椭圆边界信息和第二椭圆边界信息，该第一椭圆边界信息和第二椭圆边界信息分别位于上述的数据空间内，可认为第一椭圆边界信息和第二椭圆边界信息内的较为密集的数据为正常数据，而第一椭圆边界信息和第二椭圆边界信息外的数据为孤立的异常数据。
如此，即可将第一颗粒物含量集合和第一重金属含量集合内的异常数据进行检测识别和提取。也可采用其他异常检测方法对上述的第一颗粒物含量集合和第一重金属含量集合进行异常检测。本申请通过采用异常检测方法检测识别获得第一颗粒物含量集合和第一重金属含量集合内的异常数据，能够避免由于检测仪器或检测方法误差的问题导致检测数据出现误差，进而能够提升空气重金属浓度检测的准确性。
检测出上述第一颗粒物含量集合和第一重金属含量集合内的异常数据后，去除其内的异常数据，基于去除所述异常数据的所述第一颗粒物含量集合和第一重金属含量集合，进行空气样本内重金属浓度检测结果的计算，获得第一重金属检测结果集合，计算公式可为：其中，Wi为第i个空气样本的重金属浓度检测结果，Pi为第i个空气样本的重金属含量，单位为ng/m3，Qi为第i个空气样本的颗粒物含量，单位为mg/m3。
S700：将所述第一重金属检测结果集合、所述第一权重分配结果和所述第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将所述第一校正结果作为第一空气重金属检测结果。
具体而言，基于上述的第一重金属检测结果集合，由于环境参数的影响，第一重金属检测结果集合无法代表待检测区域内常态化的重金属浓度水平，因此，需要采用上述的第一环境参数集合和其对空气重金属浓度影响程度对第一重金属检测结果集合进行校正。
具体地，将第一重金属检测结果集合、第一权重分配结果和第一环境参数集合一同输入重金属检测校正模型进行校正。重金属检测校正模型为神经网络模型，其包括输入层、处理层和输出层，处理层内包括多个连接的神经元，每个神经元内可进行独立的数据分析判断，神经元之间的连接为权重，多个神经元根据输入数据进行分析，基于权重值最终给出预测的结果，即为上述的第一校正结果。
可通过采集获得历史重金属检测结果集合、以及根据历史环境信息集合计算获得历史权重分配结果，将上述数据进行划分，以及将用于标识校正结果的标识数据集进行相同比例的划分，得到训练数据集、验证数据集和交叉数据集，采用训练数据集对构建完成的重金属检测校正模型进行监督训练，训练过程中形成神经网络的结构和权重值，待重金属检测校正模型的输出结果达到收敛或预设的准确率时，则完成训练，并采用验证数据集和交叉数据集进行验证，若重金属检测校正模型的输出准确率满足预设要求，则训练完成。
将第一重金属检测结果集合、第一权重分配结果和第一环境参数集合输入重金属检测校正模型，获得输出结果，输出结果内包括第一环境参数集合内的各环境参数信息按照对应的权重分配值进行校正获得的重金属浓度数据，示例性地，若待检测区域的湿度环境参数信息较大，大于常规水平，则输出结果中按照对应的权重值调整第一重金属检测结果集合内的检测数据，获得校正后的数据。如此，最终获得所有校正后的数据，作为第一校正结果，将第一校正结果作为第一空气重金属检测结果。
综上所述，本申请通过检测获得空气重金属浓度待检测区域的的环境参数集合，获得能够采集获得受环境参数影响最小的采样点集合，采集获得具有代表性的空气样本，降低空气重金属浓度检测受环境影响的程度，并基于环境参数对重金属浓度影响的程度，进行权重分配，基于神经网络模型对重金属检测结果进行校正，能够提升空气重金属浓度检测的准确性，还在检测获得空气内颗粒物含量和重金属含量的过程中，进行异常数据监测，避免检测仪器或方法误差导致检测结果出现误差，本申请提供的方法对传统的空气重金属浓度检测方法进行改进优化，构建了智能化的空气重金属浓度检测方法，能够有效提升空气重金属浓度检测的准确性，降低受环境因素影响监测精度的程度，达到提升空气重金属检测准确性的技术效果。
实施例二
基于与前述实施例中一种测量空气中重金属浓度的方法相同的发明构思，如图4所示，本申请提供了一种测量空气中重金属浓度的系统，其中，所述系统包括：
第一获得单元11，所述第一获得单元11用于检测获得第一环境参数集合；
第一处理单元12，所述第一处理单元12用于根据所述第一环境参数集合进行权重分配，获得第一权重分配结果；
第一构建单元13，所述第一构建单元13用于构建并训练采样点分析模型；
第二处理单元14，所述第二处理单元14用于将所述第一环境参数集合输入所述采样点分析模型，获得第一采样点集合；
第二获得单元15，所述第二获得单元15用于基于所述第一采样点集合，采集获得第一空气样本集合；
第三获得单元16，所述第三获得单元16用于对所述第一空气样本集合进行检测，获得第一重金属检测结果集合；
第三处理单元17，所述第三处理单元17用于将所述第一重金属检测结果集合和所述第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将所述第一校正结果作为第一空气重金属检测结果。
进一步的，所述系统还包括：
第四获得单元，所述第四获得单元用于检测获得第一温度参数集合，作为第一环境参数信息；
第五获得单元，所述第五获得单元用于检测获得第一湿度参数集合，作为第二环境参数信息；
第六获得单元，所述第六获得单元用于检测获得第一季风参数集合，作为第三环境参数信息；
第七获得单元，所述第七获得单元用于检测获得第一工厂参数集合，作为第四环境参数信息；
第八获得单元，所述第八获得单元用于检测获得第一季相参数集合，作为第五环境参数信息；
第四处理单元，所述第四处理单元用于将所述第一环境参数信息、第二环境参数信息、第三环境参数信息、第四环境参数信息和第五环境参数信息作为所述第一环境参数集合。
进一步的，所述系统还包括：
第九获得单元，所述第九获得单元用于获得第一权重分配模型；
第五处理单元，所述第五处理单元用于将所述第一环境参数集合输入所述第一权重分配模型，获得第一排序结果，其中，所述第一排序结果内包括多个环境参数信息的影响程度排序；
第六处理单元，所述第六处理单元用于基于所述第一排序结果，计算获得各个所述环境参数信息的权重；
第七处理单元，所述第七处理单元用于基于所述各个所述环境参数信息的权重，得到所述第一权重分配结果。
进一步的，所述系统还包括：
第八处理单元，所述第八处理单元用于将所述第一环境参数集合输入所述第一权重分配模型；
第九处理单元，所述第九处理单元用于基于所述第一环境参数集合，获得其中对重金属检测影响最大的一环境参数信息，作为第一排序环境参数；
第十处理单元，所述第十处理单元用于取出所述第一排序环境参数，获得所述第一环境参数集合内对重金属检测影响最大的一环境参数信息，作为第二排序环境参数；
第十获得单元，所述第十获得单元用于重复上述步骤，获得所述第一排序结果。
进一步的，所述系统还包括：
第十一获得单元，所述第十一获得单元用于基于大数据获得历史环境参数集合和历史采样点集合；
第二构建单元，所述第二构建单元用于构建所述采样点分析模型；
第十一处理单元，所述第十一处理单元用于采用多组训练数据监督训练所述采样点分析模型至收敛或达到预定的准确率，完成训练，其中，所述多组训练数据中的每一组均包括：所述历史环境参数和用于标识所述历史采样点的标识信息；
第十二处理单元，所述第十二处理单元用于采用验证数据集验证所述采样点分析模型的准确率，若所述准确率满足预设准确率，获得所述采样点分析模型。
进一步的，所述系统还包括：
第十二获得单元，所述第十二获得单元用于检测获得所述第一空气样本集合内的第一颗粒物含量集合和第一重金属含量集合；
第十三处理单元，所述第十三处理单元用于基于异常检测算法检测获得所述第一颗粒物含量集合和第一重金属含量集合内的异常数据；
第十四处理单元，所述第十四处理单元用于去除所述异常数据；
第十五处理单元，所述第十五处理单元用于基于去除所述异常数据的所述第一颗粒物含量集合和第一重金属含量集合，计算获得所述第一重金属检测结果集合。
进一步的，所述系统还包括：
第十三获得单元，所述第十三获得单元用于基于所述第一颗粒物含量集合和第一重金属含量集合，获得预设第一数据样本集合和第二数据样本集合；
第十六处理单元，所述第十六处理单元用于基于所述第一数据样本集合和第二数据样本集合进行拟合，获得第一椭圆边界信息和第二椭圆边界信息；
第十七处理单元，所述第十七处理单元用于将所述第一颗粒物含量集合和第一重金属含量集合内的数据投射至所述第一椭圆边界信息和第二椭圆边界信息中，获得第一投射结果和第二投射结果；
第十八处理单元，所述第十八处理单元用于基于所述第一投射结果和所述第二投射结果，获得所述异常数据。
实施例三
基于与前述实施例中一种测量空气中重金属浓度的方法相同的发明构思，本申请还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一内的方法。
示例性电子设备
下面参考图5来描述本申请的电子设备，
基于与前述实施例中一种测量空气中重金属浓度的方法相同的发明构思，本申请还提供了一种测量空气中重金属浓度的系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行实施例一所述方法的步骤。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standard architecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Progra mmable read-only memory，EEPROM)、只读光盘(compact discread-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种测量空气中重金属浓度的方法。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请的范围，也不表示先后顺序。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(SolidState Disk，SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种测量空气中重金属浓度的方法，其特征在于，所述方法包括：
检测获得第一环境参数集合；
根据所述第一环境参数集合进行权重分配，获得第一权重分配结果；
构建并训练采样点分析模型；
将所述第一环境参数集合输入所述采样点分析模型，获得第一采样点集合；
基于所述第一采样点集合，采集获得第一空气样本集合；
对所述第一空气样本集合进行检测，获得第一重金属检测结果集合；
将所述第一重金属检测结果集合、所述第一权重分配结果和所述第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将所述第一校正结果作为第一空气重金属检测结果；
其中，所述检测获得第一环境参数集合，包括：
检测获得第一温度参数集合，作为第一环境参数信息；
检测获得第一湿度参数集合，作为第二环境参数信息；
检测获得第一季风参数集合，作为第三环境参数信息；
检测获得第一工厂参数集合，作为第四环境参数信息；
检测获得第一季相参数集合，作为第五环境参数信息；
将所述第一环境参数信息、第二环境参数信息、第三环境参数信息、第四环境参数信息和第五环境参数信息作为所述第一环境参数集合；
其中，所述根据所述第一环境参数集合进行权重分配，获得第一权重分配结果，包括：
获得第一权重分配模型；
将所述第一环境参数集合输入所述第一权重分配模型，获得第一排序结果，其中，所述第一排序结果内包括多个环境参数信息对重金属浓度的影响程度排序；
基于所述第一排序结果，计算获得各个所述环境参数信息的权重；
基于所述各个所述环境参数信息的权重，得到所述第一权重分配结果；
其中，所述构建并训练采样点分析模型，包括：
基于大数据获得历史环境参数集合和历史采样点集合；
构建所述采样点分析模型；
采用多组训练数据监督训练所述采样点分析模型至收敛或达到预定的准确率，完成训练，其中，所述多组训练数据中的每一组均包括：所述历史环境参数和用于标识所述历史采样点的标识信息；
采用验证数据集验证所述采样点分析模型的准确率，若所述准确率满足预设准确率，获得所述采样点分析模型。
2.根据权利要求1所述的方法，其特征在于，将所述第一环境参数集合输入所述第一权重分配模型，获得第一排序结果，包括：
将所述第一环境参数集合输入所述第一权重分配模型；
基于所述第一环境参数集合，获得其中对重金属检测影响最大的一环境参数信息，作为第一排序环境参数；
取出所述第一排序环境参数，获得第一环境参数集合内对重金属检测影响最大的一环境参数信息，作为第二排序环境参数；
重复上述步骤，获得所述第一排序结果。
3.根据权利要求1所述的方法，其特征在于，对所述第一空气样本集合进行检测，获得第一重金属检测结果集合，包括：
检测获得所述第一空气样本集合内的第一颗粒物含量集合和第一重金属含量集合；
基于异常检测算法检测获得所述第一颗粒物含量集合和第一重金属含量集合内的异常数据；
去除所述异常数据；
基于去除所述异常数据的所述第一颗粒物含量集合和第一重金属含量集合，计算获得所述第一重金属检测结果集合。
4.根据权利要求3所述的方法，其特征在于，所述基于异常检测算法检测获得所述第一颗粒物含量集合和第一重金属含量集合内的异常数据，包括：
基于所述第一颗粒物含量集合和第一重金属含量集合，获得预设第一数据样本集合和第二数据样本集合；
基于所述第一数据样本集合和第二数据样本集合进行拟合，获得第一椭圆边界信息和第二椭圆边界信息；
将所述第一颗粒物含量集合和第一重金属含量集合内的数据投射至所述第一椭圆边界信息和第二椭圆边界信息中，获得第一投射结果和第二投射结果；
基于所述第一投射结果和所述第二投射结果，获得所述异常数据。
5.一种测量空气中重金属浓度的系统，其特征在于，所述系统包括：
第一获得单元，所述第一获得单元用于检测获得第一环境参数集合；
第一处理单元，所述第一处理单元用于根据所述第一环境参数集合进行权重分配，获得第一权重分配结果；
第一构建单元，所述第一构建单元用于构建并训练采样点分析模型；
第二处理单元，所述第二处理单元用于将所述第一环境参数集合输入所述采样点分析模型，获得第一采样点集合；
第二获得单元，所述第二获得单元用于基于所述第一采样点集合，采集获得第一空气样本集合；
第三获得单元，所述第三获得单元用于对所述第一空气样本集合进行检测，获得第一重金属检测结果集合；
第三处理单元，所述第三处理单元用于将所述第一重金属检测结果集合、所述第一权重分配结果和所述第一环境参数集合输入重金属检测校正模型，获得第一校正结果，将所述第一校正结果作为第一空气重金属检测结果；
第四获得单元，所述第四获得单元用于检测获得第一温度参数集合，作为第一环境参数信息；
第五获得单元，所述第五获得单元用于检测获得第一湿度参数集合，作为第二环境参数信息；
第六获得单元，所述第六获得单元用于检测获得第一季风参数集合，作为第三环境参数信息；
第七获得单元，所述第七获得单元用于检测获得第一工厂参数集合，作为第四环境参数信息；
第八获得单元，所述第八获得单元用于检测获得第一季相参数集合，作为第五环境参数信息；
第四处理单元，所述第四处理单元用于将所述第一环境参数信息、第二环境参数信息、第三环境参数信息、第四环境参数信息和第五环境参数信息作为所述第一环境参数集合；
第九获得单元，所述第九获得单元用于获得第一权重分配模型；
第五处理单元，所述第五处理单元用于将所述第一环境参数集合输入所述第一权重分配模型，获得第一排序结果，其中，所述第一排序结果内包括多个环境参数信息的对重金属浓度的影响程度排序；
第六处理单元，所述第六处理单元用于基于所述第一排序结果，计算获得各个所述环境参数信息的权重；
第七处理单元，所述第七处理单元用于基于所述各个所述环境参数信息的权重，得到所述第一权重分配结果；
第十一获得单元，所述第十一获得单元用于基于大数据获得历史环境参数集合和历史采样点集合；
第二构建单元，所述第二构建单元用于构建所述采样点分析模型；
第十一处理单元，所述第十一处理单元用于采用多组训练数据监督训练所述采样点分析模型至收敛或达到预定的准确率，完成训练，其中，所述多组训练数据中的每一组均包括：所述历史环境参数和用于标识所述历史采样点的标识信息；
第十二处理单元，所述第十二处理单元用于采用验证数据集验证所述采样点分析模型的准确率，若所述准确率满足预设准确率，获得所述采样点分析模型。
6.一种测量空气中重金属浓度的系统，其特征在于，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677817.9A CN114487284B (zh) | 2021-12-31 | 2021-12-31 | 一种测量空气中重金属浓度的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111677817.9A CN114487284B (zh) | 2021-12-31 | 2021-12-31 | 一种测量空气中重金属浓度的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114487284A CN114487284A (zh) | 2022-05-13 |
| CN114487284B true CN114487284B (zh) | 2023-09-08 |
Family
ID=81509058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111677817.9A Active CN114487284B (zh) | 2021-12-31 | 2021-12-31 | 一种测量空气中重金属浓度的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114487284B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935527B (zh) * | 2022-07-26 | 2022-10-18 | 克拉玛依市富城天然气有限责任公司 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015054384A1 (en) * | 2013-10-08 | 2015-04-16 | Vigilent Corporation | Method and apparatus for environment visualization in an electronic equipment facility |
| CN105608324A (zh) * | 2015-12-30 | 2016-05-25 | 中国环境科学研究院 | 基于毒性效应的流域沉积物中重金属生态风险评估方法 |
| CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
| CN109541172A (zh) * | 2018-10-25 | 2019-03-29 | 北京农业信息技术研究中心 | 土壤属性值的计算方法及装置 |
| CN110837911A (zh) * | 2019-09-06 | 2020-02-25 | 沈阳农业大学 | 一种大尺度地表节肢动物空间分布模拟方法 |
| CN111008730A (zh) * | 2019-11-07 | 2020-04-14 | 长安大学 | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
| CN112147280A (zh) * | 2020-09-04 | 2020-12-29 | 北京英视睿达科技有限公司 | 环境空气监测的传感器远程校准方法及环境空气质量监测装置 |
| CN112557307A (zh) * | 2020-12-09 | 2021-03-26 | 武汉新烽光电股份有限公司 | 天空地一体化湖库水质监测融合数据方法 |
| CN113032729A (zh) * | 2021-03-09 | 2021-06-25 | 南京信息工程大学滨江学院 | 一种预测大气颗粒物重金属健康风险空间分布的便捷方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108245893B (zh) * | 2018-02-09 | 2021-06-29 | 腾讯科技（深圳）有限公司 | 三维虚拟环境中虚拟对象的姿态确定方法、装置及介质 |
-
2021
- 2021-12-31 CN CN202111677817.9A patent/CN114487284B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015054384A1 (en) * | 2013-10-08 | 2015-04-16 | Vigilent Corporation | Method and apparatus for environment visualization in an electronic equipment facility |
| CN105608324A (zh) * | 2015-12-30 | 2016-05-25 | 中国环境科学研究院 | 基于毒性效应的流域沉积物中重金属生态风险评估方法 |
| CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
| CN109541172A (zh) * | 2018-10-25 | 2019-03-29 | 北京农业信息技术研究中心 | 土壤属性值的计算方法及装置 |
| CN110837911A (zh) * | 2019-09-06 | 2020-02-25 | 沈阳农业大学 | 一种大尺度地表节肢动物空间分布模拟方法 |
| CN111008730A (zh) * | 2019-11-07 | 2020-04-14 | 长安大学 | 基于城市空间结构的人群聚集度预测模型构建方法及装置 |
| CN112147280A (zh) * | 2020-09-04 | 2020-12-29 | 北京英视睿达科技有限公司 | 环境空气监测的传感器远程校准方法及环境空气质量监测装置 |
| CN112557307A (zh) * | 2020-12-09 | 2021-03-26 | 武汉新烽光电股份有限公司 | 天空地一体化湖库水质监测融合数据方法 |
| CN113032729A (zh) * | 2021-03-09 | 2021-06-25 | 南京信息工程大学滨江学院 | 一种预测大气颗粒物重金属健康风险空间分布的便捷方法 |
Non-Patent Citations (1)
| Title |
|---|
| 多结构参数集成学习的设施黄瓜病害智能诊断;高荣华;李奇峰;孙想;顾静秋;彭程;;农业工程学报(16);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114487284A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444953B (zh) | 一种基于改进粒子群优化算法的传感器故障监测方法 | |
| WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
| CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
| CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
| CN105784556B (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
| CN108090629B (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
| CN112465239B (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
| CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN112529240A (zh) | 一种大气环境数据的预测方法、系统、装置及存储介质 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
| CN113065223B (zh) | 一种塔桅集群数字孪生模型多等级概率修正方法 | |
| CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
| CN111626359A (zh) | 数据融合方法、装置、控制终端和船舶 | |
| CN113486295B (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
| JP5110891B2 (ja) | 水処理施設における流入水水質の統計的予測方法及びその装置 | |
| CN112632862B (zh) | 风场稳定性的确定方法、装置、电子设备及存储介质 | |
| CN112650740B (zh) | 一种降低在线监测碳排放量数据不确定度的方法及系统 | |
| CN116933084A (zh) | 一种污染物排放的预测方法和装置 | |
| CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
| CN113159114A (zh) | 一种基于nir数据中应用的高维数据降维交叉验证分析方法 | |
| CN113139673A (zh) | 一种预测空气质量的方法、装置、终端及存储介质 | |
| CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
| CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
| CN111062118A (zh) | 一种基于神经网络预测分层的多层软测量建模系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method and system for measuring the concentration of heavy metals in the air Granted publication date: 20230908 Pledgee: Agricultural Bank of China Limited Hubei pilot Free Trade Zone Wuhan Area Branch Pledgor: WUHAN YITE ENVIRONMENTAL PROTECTION TECHNOLOGY Co.,Ltd. Registration number: Y2024980015200 |