CN116242899B - 一种基于机器学习校准电极法水质检测结果的方法 - Google Patents
一种基于机器学习校准电极法水质检测结果的方法 Download PDFInfo
- Publication number
- CN116242899B CN116242899B CN202211094967.1A CN202211094967A CN116242899B CN 116242899 B CN116242899 B CN 116242899B CN 202211094967 A CN202211094967 A CN 202211094967A CN 116242899 B CN116242899 B CN 116242899B
- Authority
- CN
- China
- Prior art keywords
- electrode method
- data
- machine learning
- value
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 159
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 238000010801 machine learning Methods 0.000 title claims abstract description 39
- 239000000126 substance Substances 0.000 claims abstract description 39
- 238000000053 physical method Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 12
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/416—Systems
- G01N27/4163—Systems checking the operation of, or calibrating, the measuring apparatus
-
- 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
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本申请公开了一种基于机器学习校准电极法水质检测结果的方法，包括以下步骤：通过物理测值获取待测水及水域的物理参数；通过电极法对待测水进行检测获取电极法参数；将物理参数、电极法参数输入机器学习校准模型进行校准；将物理参数输入机器学习校准模型后，机器学习校准模型输出相应的物理参数对应的目标值结果，将电极法参数与该目标值结果进行比对，完成对电极法获取到的检测结果进行校准。本申请通过机器学习及其算法，将传统的基于化学法获取结果的方式改为在检测现场通过电极法快速获取检测结果的方式，提高了结果获取效率，同时，由于模型的预测是基于准确度较高的数据集，因此，使得通过该模型校准后的电极法参数具有较高的可信度。
Description
技术领域
本申请涉及水质检测技术领域，具体是一种基于机器学习校准电极法水质检测结果的方法。
背景技术
常规水质检测中普遍采用的方法是电极法和化学法。电极法的优点是测试速度快，可以在秒级得出检测结果，但易受环境影响其测试结果，波动范围较大，准确性不尽如人意；化学法的优点是测试结果更准确，缺点是测试过程耗时较长，往往需要数小时才能得到测量结果。因此，亟需一种基于机器学习校准电极法水质检测结果的方法，来提高电极法检测结果的准确性，从而使水质检测具有较块的速度和较高的准确度。
发明内容
本申请的目的在于提供一种基于机器学习校准电极法水质检测结果的方法，以提高基于机器学习获取的预测结果的准确性。
为实现上述目的，本申请公开了以下技术方案：一种基于机器学习校准电极法水质检测结果的方法，该方法包括以下步骤：
通过物理测值的方式获取待测水及水域的物理参数，所述物理参数包括温度、湿度、TS值、PH值、浊度、雨量中的一种或多种；
通过电极法对待测水进行检测，获取电极法参数，所述电极法参数包括COD值、氨氮值、总磷值中的一种或多种；
将所述物理参数、所述电极法参数输入机器学习校准模型,所述机器学习校准模型输出相应的物理参数对应的目标值结果，将所述电极法参数与该目标值结果进行比对，完成对电极法获取到的检测结果进行校准；其中，所述机器学习校准模型的建立方法包括以下步骤：
T1、设置数据采集周期；
T2、数据采集：在每一周期中对待测水采用物理测值、化学法、电极法进行数据采集；
T3、创建数据样本：将所述数据采集中采集到的数据作为基础数据集，将上一周期采用化学法和物理测值采集到的数据作为特征值，将所述特征值加入所述基础数据集后获取数据样本；
T4、获取数据集：遍历所述数据样本，丢弃所述数据采集中采用电极法获取的数据，并将所述数据样本中采用化学法采集到的数据及其检测记录保存至数据集中并作为目标值；
T5、多次重复所述步骤T2-步骤T4，完成所述机器学习校准模型的创建。
作为优选，所述获取数据集具体包括以下步骤：
实时遍历所述数据样本，丢弃所述数据采集中采用电极法获取的数据；
当所述数据样本中有在当前周期采用化学法采集到的若干个数据时，将该若干个数据作为所述数据集中的目标值；
将所述数据样本中的上一周期采用化学法采集到的数据作为所述数据集中的目标值。
作为优选，所述机器学习校准模型的建立方法还包括：
T6、模型性能衡量：通过以下公式对模型性能进行衡量，具体公式为：
其中，为均方误差，N为所述数据集中的数据总量值，/>为所述数据集中的模型预测得到的第i个预测值，/>为通过化学法实际检测获取得到的第i个实际值；在模型衡量时，当/>越小时，判断模型的准确度越高。
作为优选，所述模型性能衡量还包括：
通过以下公式对模型性能进行衡量，具体公式为：
其中，为拟合系数，在模型衡量时，当/>越大时，判断模型的准确度越高。
作为优选，所述的将所述电极法参数与该目标值结果进行比对，完成对电极法获取到的检测结果进行校准，具体包括以下步骤：
当电极法参数与对应的目标值结果差值在预设的阈值范围内时，保留该电极法参数及其检测记录；
当电极法参数与对应的目标值结果差值超出预设的阈值范围时，丢弃该电极法参数并重新进行电极法参数的获取，保留被丢弃的电极法参数对应的检测记录，直至重新获取的电极法参数与对应的目标值结果差值在预设的阈值范围后或当前周期采用化学法检测获取该电极法参数对应的数据后丢弃该检测记录。
有益效果：本发明通过机器学习及其算法，将过去1-2小时才能得出结果的化学法检测数据缩短为在检测现场通过电极法快速获取检测结果的方式，大大提高了结果获取效率，同时，由于模型的预测是基于准确度较高的数据集基础的，因此，使得通过该模型校准后的电极法参数具有较高的可信度，从而实现在水质检测过程中能够快速的感知水质状态，精准的响应控制，对水源生态治理、城市智慧水务都具有很高的实用价值。
附图说明
为了更清楚地说明本申请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是本申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1为本申请实施例中基于机器学习校准电极法水质检测结果的方法的示意图；
图2为本申请实施例中的模型评估效果图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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。
在本公开的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。在本文中，术语“包括”意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
参考图1所示的一种基于机器学习校准电极法水质检测结果的方法，该方法包括以下步骤：
S101-通过物理测值的方式获取待测水及水域的物理参数，所述物理参数包括温度、湿度、TS值、PH值、浊度、雨量中的一种或多种。
S102-通过电极法对待测水进行检测，获取电极法参数，并可以按照如每5分钟上报一次电极法参数的方式向后台传送数据，所述电极法参数包括COD值、氨氮值、总磷值中的一种或多种。
S103-将所述物理参数、所述电极法参数输入机器学习校准模型,所述机器学习校准模型输出相应的物理参数对应的目标值结果，将所述电极法参数与该目标值结果进行比对，完成对电极法获取到的检测结果进行校准。
质量检测的机器学习模型需要大量数据作为深度学习的基础，而较为准确地数据集是机器学习结果准确度较高的硬性条件，即数据集中数据的准确度越高，基于机器学习预测的检测结果准确度越高，但是，在水质检测获取的数据中，由于化学法的数据上报周期较长（通常为1-2小时），电极法的数据上报时间较短（通常为分钟级），常规做法并不区分上报周期的差异，这样存在数据样本不平衡的隐患，导致机器学习过程会严重扭曲模型的真实性能。因此，本申请公开了所述机器学习校准模型的建立方法，具体包括以下步骤：
T1、设置数据采集周期，需要说明的是，数据采集周期一般为至少两个，其目的是获取前一周期采用化学法采集方式采集到的检测数据。
T2、数据采集：在每一周期中对待测水采用物理测值、化学法、电极法进行数据采集，化学法采集的数据上报周期较长，电极法的数据上报时间较短，因此，能够及时地获取到电极法采集到的数据并及时的上报作为机器学习的数据基础。
T3、创建数据样本：经过时间序列的分析，可以明确的是，上一周期化学法的数据对本周期结果有明显的影响，因此，将所述数据采集中采集到的数据作为基础数据集，该基础数据集中的数据具体包括：全部为物理测值和电极法采集到的数据，或部分采用物理测值、电极法采集到的数据和部分采用化学法采集到的数据；将上一周期采用化学法和物理测值采集到的数据作为特征值，将所述特征值加入所述基础数据集后获取数据样本，该数据样本中的数据具体包括：当前周期内采用物理测值、电极法采集到的数据和上一周期采用化学法采集到的数据，或部分本周期内采用物理测值和电极法采集到的数据、部分本周期内采用化学法采集到的数据和上一周期采用化学法采集到的数据；即本步骤是通过时间序列生成新的特征值，对于模型整体性能提升非常明显。
T4、获取数据集：由于化学法的数据采集周期较长，过滤后的数据中化学法测量值实际是上一周期采集的实际值，通常的做法往往忽略了这一点，直接的后果就是从源头上输入了错误的数据；因此，在本步骤中，遍历所述数据样本，丢弃所述数据采集中采用电极法获取的数据，并将所述数据样本中采用化学法采集到的数据及其检测记录保存至数据集中并作为目标值；即在上一过程得到数据基础上，将每条记录上一个周期的化学法测量值作为训练样本的目标值，此时得到的数据是真正的训练数据；具体来说，本步骤包括以下内容：T401-实时遍历所述数据样本，丢弃所述数据采集中采用电极法获取的数据；T402-当所述数据样本中有在当前周期采用化学法采集到的若干个数据时，将该若干个数据作为所述数据集中的目标值；T403-将所述数据样本中的上一周期采用化学法采集到的数据作为所述数据集中的目标值。
T5、多次重复所述步骤T2-步骤T4，完成所述机器学习校准模型的创建。
T6、模型性能衡量：一般的，由于离散型数据的预测的不定性过大，往往无法对离散型数据进行预测，因此，在实际应用中，欲校准的目标数据均为连续数据；本实施例以COD指标例举，该COD指标为连续值，因此，采用入地下的时间序列的分析+随机森林的算法进行计算，公式具体如下：
其中，为均方误差，N为所述数据集中的数据总量值，/>为所述数据集中的模型预测得到的第i个预测值，/>为通过化学法实际检测获取得到的第i个实际值；在模型衡量时，当/>越小时，判断模型的准确度越高。
更进一步的，为了提高模型性能衡量的准确性，所述模型性能衡量还通过以下公式对模型性能进行衡量，具体公式为：
其中，为拟合系数，即预测值与对应的木编制之间的拟合程度，在模型衡量时，当/>越大时，判断模型的准确度越高。
结合两种衡量算法，即对于模型的衡量结果中，MSE越小越好，R²越高越好。如：图2所示的是基于本方法调整后的机器学习模型的评估效果图，其中，折线为模型预测结果，点为实际值（即为采用化学法实测获取到的数据值），可以看出，模型预估的准确度达到85%，证明了本申请是具有明显的提高模型预测准确率效果的。
在实际的水质监测应用中，采集的相关因子很多，如COD、氨氮、PH、浊度、温度、液位……等等。我们以化学法的测试结果作为目标值，其它因子作为特征，采用本方法，能够根据多种水质因子预测化学法检测值，快速获取化学法的近似值，进而提高检测效率。
本发明通过机器学习算法为手段，将过去1-2小时才能得出结果的化学法检测数据缩短为在检测现场通过电极法快速获取检测结果的方式，大大提高了结果获取效率，同时，由于模型的预测是基于准确度较高的数据集的基础，因此，使得通过该模型校准后的电极法参数具有较高的可信度，从而实现在水质检测过程中能够快速的感知水质状态，精准的响应控制，对水源生态治理、城市智慧水务都具有很高的实用价值。另一方面，基于本申请所记载的内容，还能够将本申请所采用的技术方案移植到其他行业的物联网感知系统中，比如空气质量、工业设备的安全监测等，换言之，任何希望缩短检测周期的场景都可以尝试使用本方法来达到目的，在此不做赘述。
最后应说明的是：以上所述仅为本申请的优选实施例而已，并不用于限制本申请，尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (3)
1.一种基于机器学习校准电极法水质检测结果的方法，其特征在于，该方法包括以下步骤：
通过物理测值的方式获取待测水及水域的物理参数，所述物理参数包括温度、湿度、TS值、PH值、浊度、雨量中的一种或多种；
通过电极法对待测水进行检测，获取电极法参数，所述电极法参数包括COD值、氨氮值、总磷值中的一种或多种；
将所述物理参数、所述电极法参数输入机器学习校准模型,所述机器学习校准模型输出相应的物理参数对应的目标值结果，将所述电极法参数与该目标值结果进行比对，完成对电极法获取到的检测结果进行校准；其中，所述机器学习校准模型的建立方法包括以下步骤：
T1、设置数据采集周期；
T2、数据采集：在每一周期中对待测水采用物理测值、化学法、电极法进行数据采集；
T3、创建数据样本：将所述数据采集中采集到的数据作为基础数据集，将上一周期采用化学法和物理测值采集到的数据作为特征值，将所述特征值加入所述基础数据集后获取数据样本；
T4、获取数据集：遍历所述数据样本，丢弃所述数据采集中采用电极法获取的数据，并将所述数据样本中采用化学法采集到的数据及其检测记录保存至数据集中并作为目标值；
T5、多次重复所述步骤T2-步骤T4，完成所述机器学习校准模型的创建；
所述获取数据集具体包括以下步骤：
实时遍历所述数据样本，丢弃所述数据采集中采用电极法获取的数据；
当所述数据样本中有在当前周期采用化学法采集到的若干个数据时，将该若干个数据作为所述数据集中的目标值；
将所述数据样本中的上一周期采用化学法采集到的数据作为所述数据集中的目标值；
所述的将所述电极法参数与该目标值结果进行比对，完成对电极法获取到的检测结果进行校准，具体包括以下步骤：
当电极法参数与对应的目标值结果差值在预设的阈值范围内时，保留该电极法参数及其检测记录；
当电极法参数与对应的目标值结果差值超出预设的阈值范围时，丢弃该电极法参数并重新进行电极法参数的获取，保留被丢弃的电极法参数对应的检测记录，直至重新获取的电极法参数与对应的目标值结果差值在预设的阈值范围后或当前周期采用化学法检测获取该电极法参数对应的数据后丢弃该检测记录。
2.根据权利要求1所述的基于机器学习校准电极法水质检测结果的方法，其特征在于，所述机器学习校准模型的建立方法还包括：
T6、模型性能衡量：通过以下公式对模型性能进行衡量，具体公式为：
；
其中，为均方误差，N为所述数据集中的数据总量值，/>为所述数据集中的模型预测得到的第i个预测值，/>为通过化学法实际检测获取得到的第i个实际值；在模型衡量时，当越小时，判断模型的准确度越高。
3.根据权利要求2所述的基于机器学习校准电极法水质检测结果的方法，其特征在于，所述模型性能衡量还包括：
通过以下公式对模型性能进行衡量，具体公式为：
；
其中，为拟合系数，在模型衡量时，当/>越大时，判断模型的准确度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211094967.1A CN116242899B (zh) | 2022-09-05 | 2022-09-05 | 一种基于机器学习校准电极法水质检测结果的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211094967.1A CN116242899B (zh) | 2022-09-05 | 2022-09-05 | 一种基于机器学习校准电极法水质检测结果的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116242899A CN116242899A (zh) | 2023-06-09 |
| CN116242899B true CN116242899B (zh) | 2023-08-15 |
Family
ID=86623021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211094967.1A Active CN116242899B (zh) | 2022-09-05 | 2022-09-05 | 一种基于机器学习校准电极法水质检测结果的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116242899B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018170403A1 (en) * | 2017-03-17 | 2018-09-20 | Water Clinix of America, Inc. | Water quality monitoring system and method |
| CN110110466A (zh) * | 2019-05-17 | 2019-08-09 | 中冶华天工程技术有限公司 | 一种机器学习和工艺仿真的污水处理目标参数预测方法 |
| CN111241754A (zh) * | 2020-01-17 | 2020-06-05 | 广州博依特智能信息科技有限公司 | 一种用于纸页干燥关键过程参数软测量方法 |
| WO2020181006A1 (en) * | 2019-03-05 | 2020-09-10 | St. Jude Medical, Cardiology Division, Inc. | Methods and system for correcting electrode positions of an elongated medical device |
| CN112634999A (zh) * | 2020-11-30 | 2021-04-09 | 厦门大学 | 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11327066B2 (en) * | 2019-01-10 | 2022-05-10 | Haier Us Appliance Solutions, Inc. | Water contaminant measurement system and methods for measuring concentration levels of contaminants in water |
| WO2021222250A1 (en) * | 2020-04-27 | 2021-11-04 | Iowa State University Research Foundation, Inc. | Laser-induced graphene electrochemical immunosensors |
| CN112214951B (zh) * | 2020-10-19 | 2022-05-24 | 武汉大学 | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 |
-
2022
- 2022-09-05 CN CN202211094967.1A patent/CN116242899B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018170403A1 (en) * | 2017-03-17 | 2018-09-20 | Water Clinix of America, Inc. | Water quality monitoring system and method |
| WO2020181006A1 (en) * | 2019-03-05 | 2020-09-10 | St. Jude Medical, Cardiology Division, Inc. | Methods and system for correcting electrode positions of an elongated medical device |
| CN110110466A (zh) * | 2019-05-17 | 2019-08-09 | 中冶华天工程技术有限公司 | 一种机器学习和工艺仿真的污水处理目标参数预测方法 |
| CN111241754A (zh) * | 2020-01-17 | 2020-06-05 | 广州博依特智能信息科技有限公司 | 一种用于纸页干燥关键过程参数软测量方法 |
| CN112634999A (zh) * | 2020-11-30 | 2021-04-09 | 厦门大学 | 一种机器学习辅助优化梯度二氧化钛纳米管微图案的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈威等.基于人工神经网络的污水处理出水水质预测模型.给水排水.2020,第46卷990-994. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116242899A (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107066831B (zh) | 一种区域综合环境评价方法、装置及系统 | |
| CN106599571B (zh) | 兼顾流量和蒸发的流域水文模型分期率定方法 | |
| CN104200113A (zh) | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 | |
| Anttila et al. | Assessing temporal representativeness of water quality monitoring data | |
| CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
| CN117113236B (zh) | 一种智慧城市监控系统及数据处理方法 | |
| CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
| WO2020056812A1 (zh) | 用于评价室内环境质量的环境参数权重确定方法及系统 | |
| CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
| CN108152458A (zh) | 气体检测方法及装置 | |
| CN116242899B (zh) | 一种基于机器学习校准电极法水质检测结果的方法 | |
| CN110852906A (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
| CN112780953B (zh) | 一种基于模式检测的独立计量区域管网漏损检测方法 | |
| CN116187596B (zh) | 基于在线数据校正的生化需氧量的预测方法及装置 | |
| CN117390594A (zh) | 一种水质监测预警方法及系统 | |
| CN115183805B (zh) | 基于人工智能的仪器自动化计量检定方法及系统 | |
| CN116366756A (zh) | 一种手机智能化测试运行监控系统 | |
| CN113836813B (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
| CN112862265A (zh) | 基于人工智能和云计算的油气工程建设项目造价分析管理系统 | |
| Morello et al. | Quantitative Quality Control (QC) procedures for the Australian National reference stations: Sensor data | |
| Dillingham et al. | Characterising uncertainty in instrumental limits of detection when sensor response is non-linear | |
| CN117906580B (zh) | 一种航道水下地形变化分析系统及方法 | |
| CN116759014B (zh) | 基于随机森林的气体种类及浓度预测方法、系统及装置 | |
| CN118035780B (zh) | 基于多维传感器的河流状态评估方法及系统 | |
| CN116757898B (zh) | 一种基于预测比对的汛期污染强度核算方法及系统 |
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 |