CN116153437B - 一种饮用水源的水质安全评价与水质预测方法及系统 - Google Patents
一种饮用水源的水质安全评价与水质预测方法及系统 Download PDFInfo
- Publication number
- CN116153437B CN116153437B CN202310421411.7A CN202310421411A CN116153437B CN 116153437 B CN116153437 B CN 116153437B CN 202310421411 A CN202310421411 A CN 202310421411A CN 116153437 B CN116153437 B CN 116153437B
- Authority
- CN
- China
- Prior art keywords
- sample data
- water quality
- fuzzy membership
- water source
- acquiring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 220
- 239000003651 drinking water Substances 0.000 title claims abstract description 72
- 235000020188 drinking water Nutrition 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 238000011282 treatment Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims description 27
- 238000011065 in-situ storage Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000010865 sewage Substances 0.000 claims description 4
- 239000002351 wastewater Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 4
- 238000013441 quality evaluation Methods 0.000 abstract description 17
- 238000010438 heat treatment Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 3
- 238000011109 contamination Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000035622 drinking Effects 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 231100000252 nontoxic Toxicity 0.000 description 2
- 230000003000 nontoxic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
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
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/18—Details relating to CAD techniques using virtual or augmented reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Pathology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
Abstract
本发明涉及一种饮用水源的水质安全评价与水质预测方法及系统，属于水质评价与预测技术领域，本发明通过根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案。通过对边界集计算出不均衡程度，从而根据不均衡程度重新融合到RFKM算法中尽心隶属度计算，以避免在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中，提高了水质评价的预测精度。其次，通过根据与水质相关的因素构建无线监测网络，进行构建无线监测网络时考虑了挥发特性污染类型，提高了水质评价的合理性以及准确性。
Description
技术领域
本发明涉及水质评价与预测技术领域，尤其涉及一种饮用水源的水质安全评价与水质预测方法及系统。
背景技术
水质评价主要是根据监测的物理、化学、及生物的指标信息，以一定的水质标准和评价方法为依托，将监测指标数据转化为反映水质状况的信息，从而划分对应的污染等级。水质预测属于水质评价的延伸，根据过往的监测数据和预测分析技术对未来水质状况进行科学合理的推断，准确预知水质变化趋势，预防水污染事件的发生，对水资源保护意义重大。科学合理的评价和预测方法能够客观反映当前水质状况和未来发展趋势，为治理方案的制定提供全面的技术保障。然而现有技术中，水质评价的方法有很多种，单因子评价法、水质指数法、模糊数学评价法、神经网络评价法、数据融合评价法等。而模糊数学评价法也会分为多种方式实现，如FCM算法进行模糊评价、RFKM算法进行模糊评价，而现如今的RFKM算法对水质进行模糊评价忽略了类簇规模不均衡的影响，导致在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中，严重影响的水质评价的精度。其次，进行水质评价时选取的水质指标均是对水质结果影响较大的无毒指标，而实际的水质污染可能存在如挥发酚等有毒指标严重超标的情况，导致了水质评价不准确。
发明内容
本发明克服了现有技术的不足，提供了一种饮用水源的水质安全评价与水质预测方法及系统。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种饮用水源的水质安全评价与水质预测方法，包括以下步骤：
通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；
通过无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；
获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；
根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案。
进一步地，本发明的一个较佳实施例中，通过大数据网络获取与水质相关的因素，并根据与水质相关的因素构建无线监测网络，具体包括以下步骤：
设置目标区域中与水质相关的关键词数据，并根据关键词数据通过大数据网络进行检索，以获取目标区域中与水质相关的因素，并判断与水质相关的因素中是否存在挥发特性污染类型；
若与水质相关的因素中不存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络；
若与水质相关的因素中存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息对非挥发特性污染类型通过蚁群算法进行无线传感器布局，生成第一布局图；
根据当前目标水源的规划图纸信息获取预定水位位置信息，并选取预定水位位置信息以上的位置作为布局区域，根据布局区域通过蚁群算法进行无线传感器布局，生成第二布局图，通过对第一布局图以及第二布局图组合，生成无线监测网络。
进一步地，本发明的一个较佳实施例中，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集，具体包括以下步骤：
通过RFKM算法初始化类簇的聚类中心、类簇个数、距离判断阈值、上近似加权系数以及下近似加权系数；
根据聚类中心、类簇个数、距离判断阈值、上近似加权系数以及下近似加权系数，计算目标水源中各饮用水源的样本数据信息到聚类中心的欧式距离；
根据欧式距离将每个样本数据信息划分至对应类簇的下近似集或者边界区域中，并更新类簇的中心点，判断类簇的中心点是否发生变化；
若类簇的中心点不发生变化，则输出每个样本数据划分至对应类簇的下近似集或者边界集；否则重新对欧式距离进行迭代计算，直至述类簇的中心点不发生变化，输出每个样本数据划分至对应类簇的下近似集或者边界集。
进一步地，本发明的一个较佳实施例中，获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集，具体包括以下步骤：
获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行不均衡程度计算，以获取边界集中样本数据的不均衡程度；
基于边界集中样本数据的不均衡程度进行重新计算各个样本数据的模糊隶属度，生成边界集中各样本数据对应的模糊隶属度；
根据边界集中各样本数据对应的模糊隶属度对边界集中各样本数据进行重新划分，生成划分后的样本子集；
将划分后的样本子集融入到对应类簇的下近似集中，生成新的下近似集。
进一步地，本发明的一个较佳实施例中，根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案，具体包括以下步骤：
构建数据库，并通过大数据网络获取各污染类型的治理方案，并通过局部哈希注意力机制计算出治理方案之间的注意力分数；
将注意力分数相同的治理方案映射到相同空间中，并将注意力分数不相同的治理方案映射到不相同的空间中，
根据新的下近似集获取每个样本数据的模糊隶属度，并预设若干个模糊隶属度指标阈值，判断样本数据的模糊隶属度是否大于模糊隶属度指标阈值；
若样本数据的模糊隶属度大于模糊隶属度指标阈值，则获取当前样本数据模糊隶属度对应的污染类型，将当前样本数据模糊隶属度对应的污染类型输入到数据库中，生成相应的治理方案。
进一步地，本发明的一个较佳实施例中，该饮用水源的水质安全评价与水质预测方法，还包括以下步骤：
若当前样本数据模糊隶属度对应的污染类型为挥发特性污染类型，则获取挥发特性污染类型对应的饮用水源，并获取挥发特性污染类型对应的饮用水源所在地理位置信息；
根据所在地理位置信息进行目标区域范围之内的企业数据检索，并对目标区域范围之内的企业数据的生产数据与挥发特性污染类型进行对比，得到匹配度；
获取匹配度大于预设匹配度的相关企业，并根据匹配度大于预设匹配度的相关企业生成候选可能性污染源；
根据相应的治理方案对候选可能性污染源进行原位布局治理。
本发明第二方面提供了一种饮用水源的水质安全评价与水质预测系统，预测系统包括存储器以及处理器，存储器中包含任一项的饮用水源的水质安全评价与水质预测方法的程序，该饮用水源的水质安全评价与水质预测方法的程序被处理器执行时，实现如下步骤：
通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；
通过无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；
获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；
根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案。
在该实施例中，通过大数据网络获取与水质相关的因素，并根据与水质相关的因素构建无线监测网络，具体包括以下步骤：
设置目标区域中与水质相关的关键词数据，并根据关键词数据通过大数据网络进行检索，以获取目标区域中与水质相关的因素，并判断与水质相关的因素中是否存在挥发特性污染类型；
若与水质相关的因素中不存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络；
若与水质相关的因素中存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息对非挥发特性污染类型通过蚁群算法进行无线传感器布局，生成第一布局图；
根据当前目标水源的规划图纸信息获取预定水位位置信息，并选取预定水位位置信息以上的位置作为布局区域，根据布局区域通过蚁群算法进行无线传感器布局，生成第二布局图，通过对第一布局图以及第二布局图组合，生成无线监测网络。
在该实施例中，获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集，具体包括以下步骤：
获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行不均衡程度计算，以获取边界集中样本数据的不均衡程度；
基于边界集中样本数据的不均衡程度进行重新计算各个样本数据的模糊隶属度，生成边界集中各样本数据对应的模糊隶属度；
根据边界集中各样本数据对应的模糊隶属度对边界集中各样本数据进行重新划分，生成划分后的样本子集；
将划分后的样本子集融入到对应类簇的下近似集中，生成新的下近似集。
在该实施例中，该饮用水源的水质安全评价与水质预测系统，还包括以下步骤：
若当前样本数据模糊隶属度对应的污染类型为挥发特性污染类型，则获取挥发特性污染类型对应的饮用水源，并获取挥发特性污染类型对应的饮用水源所在地理位置信息；
根据所在地理位置信息进行目标区域范围之内的企业数据检索，并对目标区域范围之内的企业数据的生产数据与挥发特性污染类型进行对比，得到匹配度；
获取匹配度大于预设匹配度的相关企业，并根据匹配度大于预设匹配度的相关企业生成候选可能性污染源；
根据相应的治理方案对候选可能性污染源进行原位布局治理。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；通过无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案。通过对边界集计算出不均衡程度，从而根据不均衡程度重新融合到RFKM算法中尽心隶属度计算，以避免在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中，提高了水质评价的预测精度。其次，通过根据与水质相关的因素构建无线监测网络，进行构建无线监测网络时考虑了挥发特性污染类型，提高了水质评价的合理性以及准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种饮用水源的水质安全评价与水质预测方法的整体方法流程图；
图2示出了一种饮用水源的水质安全评价与水质预测方法的第一方法流程图；
图3示出了一种饮用水源的水质安全评价与水质预测方法的第二方法流程图；
图4示出了一种饮用水源的水质安全评价与水质预测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种饮用水源的水质安全评价与水质预测方法，包括以下步骤：
S102:通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；
S104:通过无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；
S106:获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；
S108:根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案。
需要说明的是，本发明通过对边界集计算出不均衡程度，从而根据不均衡程度重新融合到RFKM算法中尽心隶属度计算，以避免在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中，提高了水质评价的预测精度。其次，通过根据与水质相关的因素构建无线监测网络，进行构建无线监测网络时考虑了挥发特性污染类型，提高了水质评价的合理性以及准确性。
如图2所示，进一步地，本发明的一个较佳实施例中，通过大数据网络获取与水质相关的因素，并根据与水质相关的因素构建无线监测网络，具体包括以下步骤：
S202:设置目标区域中与水质相关的关键词数据，并根据关键词数据通过大数据网络进行检索，以获取目标区域中与水质相关的因素，并判断与水质相关的因素中是否存在挥发特性污染类型；
S204:若与水质相关的因素中不存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络；
S206:若与水质相关的因素中存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息对非挥发特性污染类型通过蚁群算法进行无线传感器布局，生成第一布局图；
S208:根据当前目标水源的规划图纸信息获取预定水位位置信息，并选取预定水位位置信息以上的位置作为布局区域，根据布局区域通过蚁群算法进行无线传感器布局，生成第二布局图，通过对第一布局图以及第二布局图组合，生成无线监测网络。
其中，需要说明的是，根据当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络，具体为：根据所述当前目标水源的规划图纸通过三维建模软件进行建模，以生成规划图纸三维模型图；通过对所述规划图纸三维模型图进行识别，并判断所述规划三维模型图中是否存在加热设备，若存在加热设备，获取所述加热设备的加热工作参数，并根据所述加热工作参数对加热设备工作时进行模拟，以获取加热设备工作时的温度场模型，并根据所述温度场模型获取高于预设温度的温度区域；获取当前无线传感器的工作范围，并将所述当前无线传感器的工作范围以及规划图纸三维模型图输入到所述蚁群算法中进行初始布局，以生成初始布局图；若所述初始布局图中存在无线传感器落在所述高于预设温度的温度区域，则重新调整无线传感器的布局位置。在本实施例中，由于饮用水源在处理污染的时候常常会在水池内设置加热设备，而加热设备在工作时，就会在加热设备的周围产生一个温度场，越靠近加热设备温度越高，而无线传感器对于温度很敏感，这就容易导致无线传感器受到影响。其中，根据所述加热工作参数对加热设备工作时进行模拟，可通过AR、VR设备进行模拟温度，通过本方法能够使得无线传感器的布局更加合理，使得无线传感器获取到的数据更加准确，从源头提高了水质预测的精度。
示例性的，现有技术中，进行水质评价时选取的水质指标均是对水质结果影响较大的无毒指标，而实际的水质污染可能存在如挥发酚等有毒指标严重超标的情况，而该类挥发特性污染类型在一定的时间之内挥发到空气当中，因此需要对该类污染进行监测布局，通过本方法能够进一步地提高对水质监测布局的合理性。其中，目标水源的规划图纸信息可为污水处理装置的设计图纸、储水水源的设计图纸、地下水井的设计图纸等。预定水位位置信息可以为污水处理装置处理废水时的最大出水量的工作工位，储水水源的最大储水量时的储水位置。通过根据与水质相关的因素构建无线监测网络，进行构建无线监测网络时考虑了挥发特性污染类型，进一步提高了水质评价的合理性以及准确性。
示例性的，蚁群算法是使用一定数量的智能体（称为蚂蚁）反复构造对优化问题的可行解，每次构造的结果都会留下一些信息素，可行解的质量越高，积累的信息素的浓度也就越高，最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。蚁群算法具有良好的鲁棒性和并行性，对最优解得搜索性能较好。在该实施例汇总，如根据布局区域通过蚁群算法进行无线传感器布局，其中无线传感器有一个工作范围，将无线传感器的工作范围以及布局范围输入到蚁群算法中进行布局，从而获取到第二布局图。
进一步地，本发明的一个较佳实施例中，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集，具体包括以下步骤：
通过RFKM算法初始化类簇的聚类中心、类簇个数、距离判断阈值、上近似加权系数以及下近似加权系数；
根据聚类中心、类簇个数、距离判断阈值、上近似加权系数以及下近似加权系数，计算目标水源中各饮用水源的样本数据信息到聚类中心的欧式距离；
根据欧式距离将每个样本数据信息划分至对应类簇的下近似集或者边界区域中，并更新类簇的中心点，判断类簇的中心点是否发生变化；
若类簇的中心点不发生变化，则输出每个样本数据划分至对应类簇的下近似集或者边界集；否则重新对欧式距离进行迭代计算，直至述类簇的中心点不发生变化，输出每个样本数据划分至对应类簇的下近似集或者边界集。
需要说明的是，粗糙K-means (RFKM) 聚类算法将每一个类簇看成一个粗糙集，把能够确定归属于一个类簇的数据样本划分到该类簇相应的下近似集，而将具有不确定归属关系的数据样本划分到两个或两个以上类簇的边界集。RFKM算法对水质进行模糊评价忽略了类簇规模不均衡的影响，导致在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中，严重影响的水质评价的精度。
如图3所示，针对于类簇规模不均衡的影响，进一步地，本发明的一个较佳实施例中，获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集，具体包括以下步骤：
S302:获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行不均衡程度计算，以获取边界集中样本数据的不均衡程度；
S304:基于边界集中样本数据的不均衡程度进行重新计算各个样本数据的模糊隶属度，生成边界集中各样本数据对应的模糊隶属度；
S306:根据边界集中各样本数据对应的模糊隶属度对边界集中各样本数据进行重新划分，生成划分后的样本子集；
S308:将划分后的样本子集融入到对应类簇的下近似集中，生成新的下近似集。
需要说明的是，由于边界集中包含了一定数量的、原本应该归属于某一类簇的数据样本，这些数据对象参与聚类的中心均值迭代计算的贡献度却更大，使得某一类簇的中心向另一类簇的中心发生偏移，当两个样本的类簇不均衡程度越大时，该两个样本的类簇之间的交叉边界集的数据对象越多，这种偏移就越严重，导致在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中。针对于此，本发明中提出了不均衡程度的计算关系式：
其中，
表示的是落入第i个类簇上样本j 的不均衡程度，/>
表示落入第i个类簇的边界集的样本个数，/>
表示数据样本j目前所在的交叉类簇。
其次，当计算出边界集中各样本数据的不均衡程度之后，根据不均衡程度重新映射到RFKM算法中，形成新的下近似集，其中，在该过程中满足以下关系式：
其中，
表示第i个聚类中心上样本j所属的隶属度，/>
表示的是落入第i个聚类中心上样本j 的不均衡程度，/>
为样本数据j与类簇中心i的欧式距离。
其中，例如，重金属污染浓度特征可用语义词表示为“
=无污染”、“/>
=低度污染”、“/>
=中度污染”和 “/>
=重度污染”，对应模糊隶属度函数可以设置为/>
。而如
=无污染，表示的是某一重金属污染浓度范围之内的特征数据，如0-10mol/L的重金属污染浓度范围，以此类推。在本实施例中，仅仅是示例数据，并不限定其范围，本领域的技术人员能够根据实际需求进行自由调节。从而通过RFKM算法对样本数据进行逐一本划分到该类簇相应的下近似集，形成相应的隶属度。
需要说明的是，通过对边界集计算出不均衡程度，从而根据不均衡程度重新融合到RFKM算法中尽心隶属度计算，以避免在后续的迭代计算中将更多的原本属于某一类簇的数据划分到边界集，甚至错误地划分到其他类簇的下近似集中，提高了水质评价的预测精度。
进一步地，本发明的一个较佳实施例中，根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案，具体包括以下步骤：
构建数据库，并通过大数据网络获取各污染类型的治理方案，并通过局部哈希注意力机制计算出治理方案之间的注意力分数；
将注意力分数相同的治理方案映射到相同空间中，并将注意力分数不相同的治理方案映射到不相同的空间中，
根据新的下近似集获取每个样本数据的模糊隶属度，并预设若干个模糊隶属度指标阈值，判断样本数据的模糊隶属度是否大于模糊隶属度指标阈值；
若样本数据的模糊隶属度大于模糊隶属度指标阈值，则获取当前样本数据模糊隶属度对应的污染类型，将当前样本数据模糊隶属度对应的污染类型输入到数据库中，生成相应的治理方案。
需要说明的是，通过局部哈希注意力机制计算出治理方案之间的注意力分数，并将注意力分数相同的治理方案映射到相同空间中，并将注意力分数不相同的治理方案映射到不相同的空间中，使得有利于数据的查询以及对比，以快速生成相应的治理方案，提高水质治理策略的快速生成速度。
进一步地，本发明的一个较佳实施例中，该饮用水源的水质安全评价与水质预测方法，还包括以下步骤：
若当前样本数据模糊隶属度对应的污染类型为挥发特性污染类型，则获取挥发特性污染类型对应的饮用水源，并获取挥发特性污染类型对应的饮用水源所在地理位置信息；
根据所在地理位置信息进行目标区域范围之内的企业数据检索，并对目标区域范围之内的企业数据的生产数据与挥发特性污染类型进行对比，得到匹配度；
获取匹配度大于预设匹配度的相关企业，并根据匹配度大于预设匹配度的相关企业生成候选可能性污染源；
根据相应的治理方案对候选可能性污染源进行原位布局治理。
需要说明的是，当样本数据模糊隶属度对应的污染类型为挥发特性污染类型时，迅速地获取到可能性污染源，从而根据相应的治理方案对候选可能性污染源进行原位布局治理，及时对挥发特性污染类型的水质污染进行原位布局治理，能够避免更多的挥发性物质（如挥发酚）对空气造成污染，进一步提高饮用监测的合理性。
此外，本发明还可以包括以下步骤：通过大大数据网络获取饮用水的饮用标准，并获取当前饮用水源的监测数据信息，若所述监测数据信息中不能达到饮用标准时，预设储水量阈值数据；获取目标水源的储水量数据信息，并判断所述目标水源的储水量数据信息是否大于预设储水量阈值数据；若所述目标水源的储水量数据信息大于预设储水量阈值数据时，获取当前农作物灌溉的需求信息，并根据所述需求信息获取农作物的作物类型，基于所述饮用水源的监测数据信息获取各饮用水源的成分浓度信息；判断所述饮用水源的成分浓度信息是否危及农作物的作物类型生长且该成分不为污染物类型，若所述水源的成分浓度信息不危及农作物的作物类型生长且该成分不为污染物类型，则将该饮用水源作为农作物灌溉水源。需要说明的是，当目标水源的储水量数据信息大于预设储水量阈值数据时，说明水源是充足的，此时能够对相关的引水资源调度为灌溉资源，有利于资源的合理分配。
如图4所示，本发明第二方面提供了一种饮用水源的水质安全评价与水质预测系统4，该预测系统包括存储器41以及处理器62，存储器41中包含任一项的饮用水源的水质安全评价与水质预测方法的程序，该饮用水源的水质安全评价与水质预测方法的程序被处理器62执行时，实现如下步骤：
通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；
通过无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；
获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；
根据新的下近似集获取当前饮用水源的评价结果，并根据评价结果生成相应的治理方案。
在该实施例中，通过大数据网络获取与水质相关的因素，并根据与水质相关的因素构建无线监测网络，具体包括以下步骤：
设置目标区域中与水质相关的关键词数据，并根据关键词数据通过大数据网络进行检索，以获取目标区域中与水质相关的因素，并判断与水质相关的因素中是否存在挥发特性污染类型；
若与水质相关的因素中不存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络；
若与水质相关的因素中存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据当前目标水源的规划图纸信息对非挥发特性污染类型通过蚁群算法进行无线传感器布局，生成第一布局图；
根据当前目标水源的规划图纸信息获取预定水位位置信息，并选取预定水位位置信息以上的位置作为布局区域，根据布局区域通过蚁群算法进行无线传感器布局，生成第二布局图，通过对第一布局图以及第二布局图组合，生成无线监测网络。
在该实施例中，获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行计算，以获取边界集中各样本数据对应的模糊隶属度，并根据边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集，具体包括以下步骤：
获取边界集中的各样本数据所在的交叉类簇，并根据样本数据所在的交叉类簇进行不均衡程度计算，以获取边界集中样本数据的不均衡程度；
基于边界集中样本数据的不均衡程度进行重新计算各个样本数据的模糊隶属度，生成边界集中各样本数据对应的模糊隶属度；
根据边界集中各样本数据对应的模糊隶属度对边界集中各样本数据进行重新划分，生成划分后的样本子集；
将划分后的样本子集融入到对应类簇的下近似集中，生成新的下近似集。
在该实施例中，该饮用水源的水质安全评价与水质预测系统，还包括以下步骤：
若当前样本数据模糊隶属度对应的污染类型为挥发特性污染类型，则获取挥发特性污染类型对应的饮用水源，并获取挥发特性污染类型对应的饮用水源所在地理位置信息；
根据所在地理位置信息进行目标区域范围之内的企业数据检索，并对目标区域范围之内的企业数据的生产数据与挥发特性污染类型进行对比，得到匹配度；
获取匹配度大于预设匹配度的相关企业，并根据匹配度大于预设匹配度的相关企业生成候选可能性污染源；
根据相应的治理方案对候选可能性污染源进行原位布局治理。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种饮用水源的水质安全评价与水质预测方法，其特征在于，包括以下步骤：
通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；
通过所述无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对所述各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；
获取所述边界集中的各样本数据所在的交叉类簇，并根据所述样本数据所在的交叉类簇进行计算，以获取所述边界集中各样本数据对应的模糊隶属度，并根据所述边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；
根据所述新的下近似集获取当前饮用水源的评价结果，并根据所述评价结果生成相应的治理方案；
其中，通过大数据网络获取与水质相关的因素，并根据与水质相关的因素构建无线监测网络，具体包括以下步骤：
获取目标区域中与水质相关的因素，并判断所述与水质相关的因素中是否存在挥发特性污染类型；
若所述与水质相关的因素中不存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据所述当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络；
若所述与水质相关的因素中存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据所述当前目标水源的规划图纸信息对非挥发特性污染类型通过蚁群算法进行无线传感器布局，生成第一布局图；
根据当前目标水源的规划图纸信息获取预定水位位置信息，并选取所述预定水位位置信息以上的位置作为布局区域，根据所述布局区域通过蚁群算法进行无线传感器布局，生成第二布局图，通过对第一布局图以及第二布局图组合，生成无线监测网络；所述预定水位位置信息为污水处理装置处理废水时的最大储水量的工作工位、储水水源的最大储水量时的储水位置
其中，根据所述新的下近似集获取当前饮用水源的评价结果，并根据所述评价结果生成相应的治理方案，具体包括以下步骤：
构建数据库，并通过大数据网络获取各污染类型的治理方案，并通过局部哈希注意力机制计算出治理方案之间的注意力分数；
将所述注意力分数相同的治理方案映射到相同空间中，并将注意力分数不相同的治理方案映射到不相同的空间中，
根据所述新的下近似集获取每个样本数据的模糊隶属度，并预设若干个模糊隶属度指标阈值，判断所述样本数据的模糊隶属度是否大于所述模糊隶属度指标阈值；
若所述样本数据的模糊隶属度大于所述模糊隶属度指标阈值，则获取当前样本数据模糊隶属度对应的污染类型，将所述当前样本数据模糊隶属度对应的污染类型输入到所述数据库中，生成相应的治理方案。
2.根据权利要求1所述的一种饮用水源的水质安全评价与水质预测方法，其特征在于，通过RFKM算法对所述各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集，具体包括以下步骤：
通过RFKM算法初始化类簇的聚类中心、类簇个数、距离判断阈值、上近似加权系数以及下近似加权系数；
根据所述聚类中心、类簇个数、距离判断阈值、上近似加权系数以及下近似加权系数，计算目标水源中各饮用水源的样本数据信息到聚类中心的欧式距离；
根据所述欧式距离将每个样本数据信息划分至对应类簇的下近似集或者边界区域中，并更新类簇的中心点，判断所述类簇的中心点是否发生变化；
若所述类簇的中心点不发生变化，则输出每个样本数据划分至对应类簇的下近似集或者边界集；否则重新对所述欧式距离进行迭代计算，直至述类簇的中心点不发生变化，输出每个样本数据划分至对应类簇的下近似集或者边界集。
3.根据权利要求1所述的一种饮用水源的水质安全评价与水质预测方法，其特征在于，获取所述边界集中的各样本数据所在的交叉类簇，并根据所述样本数据所在的交叉类簇进行计算，以获取所述边界集中各样本数据对应的模糊隶属度，并根据所述边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集，具体包括以下步骤：
获取所述边界集中的各样本数据所在的交叉类簇，并根据所述样本数据所在的交叉类簇进行不均衡程度计算，以获取所述边界集中样本数据的不均衡程度；
基于所述边界集中样本数据的不均衡程度进行重新计算各个样本数据的模糊隶属度，生成所述边界集中各样本数据对应的模糊隶属度；
根据所述边界集中各样本数据对应的模糊隶属度对所述边界集中各样本数据进行重新划分，生成划分后的样本子集；
将所述划分后的样本子集融入到所述对应类簇的下近似集中，生成新的下近似集。
4.根据权利要求1所述的一种饮用水源的水质安全评价与水质预测方法，其特征在于，还包括以下步骤：
若所述当前样本数据模糊隶属度对应的污染类型为挥发特性污染类型，则获取所述挥发特性污染类型对应的饮用水源，并获取所述挥发特性污染类型对应的饮用水源所在地理位置信息；
根据所述所在地理位置信息进行目标区域范围之内的企业数据检索，并对目标区域范围之内的企业数据的生产数据与挥发特性污染类型进行对比，得到匹配度；
获取匹配度大于预设匹配度的相关企业，并根据所述匹配度大于预设匹配度的相关企业生成候选可能性污染源；
根据所述相应的治理方案对候选可能性污染源进行原位布局治理。
5.一种饮用水源的水质安全评价与水质预测系统，其特征在于，所述预测系统包括存储器以及处理器，所述存储器中包含如权利要求1-4任一项所述的饮用水源的水质安全评价与水质预测方法的程序，所述饮用水源的水质安全评价与水质预测方法的程序被处理器执行时，实现如下步骤：
通过大数据网络获取目标区域中与水质相关的因素，并根据与水质相关的因素构建无线监测网络；
通过所述无线监测网络获取各饮用水源的样本数据信息，通过RFKM算法对所述各饮用水源的样本数据信息进行特征描述，以获取每个样本数据划分至对应类簇的下近似集或者边界集；
获取所述边界集中的各样本数据所在的交叉类簇，并根据所述样本数据所在的交叉类簇进行计算，以获取所述边界集中各样本数据对应的模糊隶属度，并根据所述边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集；
根据所述新的下近似集获取当前饮用水源的评价结果，并根据所述评价结果生成相应的治理方案；
其中，通过大数据网络获取与水质相关的因素，并根据与水质相关的因素构建无线监测网络，具体包括以下步骤：
获取目标区域中与水质相关的因素，并判断所述与水质相关的因素中是否存在挥发特性污染类型；
若所述与水质相关的因素中不存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据所述当前目标水源的规划图纸信息通过蚁群算法进行无线传感器布局，生成无线监测网络；
若所述与水质相关的因素中存在挥发特性污染类型，则获取当前目标水源的规划图纸信息，并根据所述当前目标水源的规划图纸信息对非挥发特性污染类型通过蚁群算法进行无线传感器布局，生成第一布局图；
根据当前目标水源的规划图纸信息获取预定水位位置信息，并选取所述预定水位位置信息以上的位置作为布局区域，根据所述布局区域通过蚁群算法进行无线传感器布局，生成第二布局图，通过对第一布局图以及第二布局图组合，生成无线监测网络；所述预定水位位置信息为污水处理装置处理废水时的最大储水量的工作工位、储水水源的最大储水量时的储水位置；
其中，根据所述新的下近似集获取当前饮用水源的评价结果，并根据所述评价结果生成相应的治理方案，具体包括以下步骤：
构建数据库，并通过大数据网络获取各污染类型的治理方案，并通过局部哈希注意力机制计算出治理方案之间的注意力分数；
将所述注意力分数相同的治理方案映射到相同空间中，并将注意力分数不相同的治理方案映射到不相同的空间中，
根据所述新的下近似集获取每个样本数据的模糊隶属度，并预设若干个模糊隶属度指标阈值，判断所述样本数据的模糊隶属度是否大于所述模糊隶属度指标阈值；
若所述样本数据的模糊隶属度大于所述模糊隶属度指标阈值，则获取当前样本数据模糊隶属度对应的污染类型，将所述当前样本数据模糊隶属度对应的污染类型输入到所述数据库中，生成相应的治理方案。
6.根据权利要求5所述的一种饮用水源的水质安全评价与水质预测系统，其特征在于，获取所述边界集中的各样本数据所在的交叉类簇，并根据所述样本数据所在的交叉类簇进行计算，以获取所述边界集中各样本数据对应的模糊隶属度，并根据所述边界集中各样本数据对应的模糊隶属度重新划分，生成新的下近似集，具体包括以下步骤：
获取所述边界集中的各样本数据所在的交叉类簇，并根据所述样本数据所在的交叉类簇进行不均衡程度计算，以获取所述边界集中样本数据的不均衡程度；
基于所述边界集中样本数据的不均衡程度进行重新计算各个样本数据的模糊隶属度，生成所述边界集中各样本数据对应的模糊隶属度；
根据所述边界集中各样本数据对应的模糊隶属度对所述边界集中各样本数据进行重新划分，生成划分后的样本子集；
将所述划分后的样本子集融入到所述对应类簇的下近似集中，生成新的下近似集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310421411.7A CN116153437B (zh) | 2023-04-19 | 2023-04-19 | 一种饮用水源的水质安全评价与水质预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310421411.7A CN116153437B (zh) | 2023-04-19 | 2023-04-19 | 一种饮用水源的水质安全评价与水质预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116153437A CN116153437A (zh) | 2023-05-23 |
| CN116153437B true CN116153437B (zh) | 2023-06-30 |
Family
ID=86352863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310421411.7A Active CN116153437B (zh) | 2023-04-19 | 2023-04-19 | 一种饮用水源的水质安全评价与水质预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116153437B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384776B (zh) * | 2023-06-02 | 2023-08-01 | 北京建工环境修复股份有限公司 | 基于模糊评价的场地污染评估方法、系统及存储介质 |
| CN117332261B (zh) * | 2023-12-01 | 2024-03-22 | 深圳市伟昊净化设备有限公司 | 一种滤芯的效能评价方法、系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929633A (zh) * | 2020-05-31 | 2020-11-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于融合蚁群算法的电能表检测系统及方法 |
| CN113850516A (zh) * | 2021-09-28 | 2021-12-28 | 交通运输部天津水运工程科学研究所 | 基于t-s模糊神经网络的水质评价方法 |
| CN114597886A (zh) * | 2021-12-03 | 2022-06-07 | 国网天津市电力公司电力科学研究院 | 基于区间二型模糊聚类分析的配电网运行状态评估方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8589315B2 (en) * | 2004-08-14 | 2013-11-19 | Hrl Laboratories, Llc | Behavior recognition using cognitive swarms and fuzzy graphs |
| US7599894B2 (en) * | 2005-03-04 | 2009-10-06 | Hrl Laboratories, Llc | Object recognition using a cognitive swarm vision framework with attention mechanisms |
| US9668141B2 (en) * | 2012-07-12 | 2017-05-30 | Huawei Technologies Co., Ltd. | Systems and methods for clustering optimization to help resolve boundary problems in communication systems |
| CN106971241B (zh) * | 2017-03-17 | 2020-11-13 | 浙江工商大学 | 基于模糊神经网络预测污水水质数据的方法 |
| EP3704465A4 (en) * | 2017-10-31 | 2021-07-14 | Luminultra Technologies Ltd. | DECISION SUPPORT SYSTEM AND METHOD FOR WATER TREATMENT |
| CN108319984B (zh) * | 2018-02-06 | 2019-07-02 | 北京林业大学 | 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法 |
| CN109816031B (zh) * | 2019-01-30 | 2022-08-05 | 南京邮电大学 | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 |
| WO2021007744A1 (zh) * | 2019-07-15 | 2021-01-21 | 广东工业大学 | 一种集成空间约束的核模糊c均值快速聚类算法 |
| CN113610381B (zh) * | 2021-08-02 | 2022-06-03 | 江苏云聚汇科技有限公司 | 一种基于5g网络的水质远程实时监测系统 |
| CN115081945B (zh) * | 2022-07-25 | 2022-11-22 | 天津市地质研究和海洋地质中心 | 一种地下水环境监测井的损伤监测与评估方法及系统 |
| CN115619028A (zh) * | 2022-10-26 | 2023-01-17 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于聚类算法融合的电力负荷精准预测方法 |
| CN115759393A (zh) * | 2022-11-14 | 2023-03-07 | 国网上海市电力公司 | 基于集成学习的累积负荷基线预测方法 |
-
2023
- 2023-04-19 CN CN202310421411.7A patent/CN116153437B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929633A (zh) * | 2020-05-31 | 2020-11-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于融合蚁群算法的电能表检测系统及方法 |
| CN113850516A (zh) * | 2021-09-28 | 2021-12-28 | 交通运输部天津水运工程科学研究所 | 基于t-s模糊神经网络的水质评价方法 |
| CN114597886A (zh) * | 2021-12-03 | 2022-06-07 | 国网天津市电力公司电力科学研究院 | 基于区间二型模糊聚类分析的配电网运行状态评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116153437A (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116153437B (zh) | 一种饮用水源的水质安全评价与水质预测方法及系统 | |
| Gormley et al. | Using presence‐only and presence–absence data to estimate the current and potential distributions of established invasive species | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
| CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
| Bellamy et al. | Multiscale, presence‐only habitat suitability models: Fine‐resolution maps for eight bat species | |
| CN111506574A (zh) | 基于r树的污染物溯源方法、装置及其相关设备 | |
| CN116305168B (zh) | 一种多维度信息安全风险评估方法、系统及存储介质 | |
| De Bello et al. | Measuring size and composition of species pools: a comparison of dark diversity estimates | |
| CN116384776B (zh) | 基于模糊评价的场地污染评估方法、系统及存储介质 | |
| CN116362569B (zh) | 一种场地污染的多维度评估方法及系统 | |
| CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
| CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
| CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
| Hermoso et al. | Species distributions represent intraspecific genetic diversity of freshwater fish in conservation assessments | |
| CN117391727B (zh) | 一种负碳排放的碳中和方法及系统 | |
| CN116384775B (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
| Beninde et al. | Quantifying uncertainty in inferences of landscape genetic resistance due to choice of individual‐based genetic distance metric | |
| CN117271899A (zh) | 一种基于时空感知的兴趣点推荐方法 | |
| Chen et al. | Roadway asset inspection sampling using high‐dimensional clustering and locality‐sensitivity hashing | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
| CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及系统 | |
| CN116801213B (zh) | 一种基于大数据的城市二氧化碳数据采集方法及系统 | |
| CN117150533B (zh) | 一种企业内容管理权限管控方法及装置 | |
| WO2021245925A1 (ja) | 劣化推定装置及び劣化推定方法 | |
| CN115759887B (zh) | 一种基于多维度的充电站选址智能测评方法及系统 |
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 |