CN116363601A - 一种污染监测设备的数据采集与分析方法及系统 - Google Patents
一种污染监测设备的数据采集与分析方法及系统 Download PDFInfo
- Publication number
- CN116363601A CN116363601A CN202310644713.0A CN202310644713A CN116363601A CN 116363601 A CN116363601 A CN 116363601A CN 202310644713 A CN202310644713 A CN 202310644713A CN 116363601 A CN116363601 A CN 116363601A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter data
- map
- model
- cluster set
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及数据管理技术领域,特别是一种污染监测设备的数据采集与分析方法及系统,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果,能够对监测样本数据中的参数数据进行快速聚类,提高系统的运算速度,能够筛选出不符合物理意义的数据点,提高分析精度,提高分析结果的可靠性。
Description
技术领域
本发明涉及数据管理技术领域,特别是一种污染监测设备的数据采集与分析方法及系统。
背景技术
随着环境污染的日益加剧,人们对环境监测的要求越来越高。目前,越来越多的环境污染监测设备采集数据的方式通常是通过无线网络进行数据采集,并使用特有的数据处理算法进行数据分析。目前,通过无线网络进行采集和分析数据过程中存在着数据采集困难、数据传输不稳定、数据处理效率低以及不能适应不同地形以及不同天气等问题。同时,由于环境污染监测数据的特殊性,还需要保证数据的准确性和可靠性。因此,本发明提出了一种污染监测设备的数据采集与分析方法及系统已解决上述技术问题。
发明内容
本发明克服了现有技术的不足,提供了一种污染监测设备的数据采集与分析方法及系统。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种污染监测设备的数据采集与分析方法,包括以下步骤:
获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;
基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道;
基于所述最佳数据采集通道在预设时间内获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据;基于模糊聚类算法对所述监测样本数据中的参数数据进行聚类,得到若干个初始聚类合集;
通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果。
进一步的,本发明的一个较佳实施例中,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图,具体为:
获取污染监测设备的监测区域信息,并基于所述监测区域信息获取监测区域的虚拟地形图模型图,通过SURF算法所述监测区域的虚拟地形图模型图进行特征提取,得到若干第一特征匹配点,构建第一坐标系,并将所述第一特征匹配点导入所述第一坐标系中,得到各第一特征匹配点对应的坐标值;
获取污染监测设备的外形尺寸信息,基于所述外形尺寸信息构建污染监测设备的设备三维模型图,通过SURF算法对所述污染监测设备的设备三维模型图进行特征提取,得到若干第二特征匹配点,构建第二坐标系,并将所述第二特征匹配点导入所述第二坐标系中,得到各第二特征匹配点对应的坐标值;
基于所述第一特征匹配点对应的坐标值与第二特征匹配点对应的坐标值得到特征匹配点的点云数据;并对所述点云数据进行清洗和去噪处理,以去除不必要的噪点和离群点;
对所述点云数据进行刚体或非刚体变换,以使得各个点云数据在世界坐标系中表示,并在所述世界坐标系中将各点云数据与预设基准点进行对齐处理,得到对齐处理后的点云数据;
对所述对齐处理后的点云数据进行网格化处理,以生成多个模型曲面,并对多个模型曲面进行整合处理,得到监测区域的三维分布模型图。
进一步的,本发明的一个较佳实施例中,基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道,具体为:
构建网格空间坐标系,并将所述三维分布模型图导入所述网格空间坐标系中,得到射线传输模型;在所述射线传输模型中将污染监测设备的无线信号源点分解为多个射线源;
以每个射线源为发射起点,发射出若干条射线,并沿着每条射线的发射起点开始,依次将每条射线与地形进行相交判断,每当一条射线撞到阻碍点时,将该条射线分裂成多条射线,当射线达到接收点后,射线截止;
获取每一条到达接收点射线的传输通道,并获取每一条传输通道上的气象参数,基于所述气象参数分析出每一条传输通道的传输特性;
将传输特征满足预设要求的传输通道保留,将传输特征不满足预设要求的传输通道剔除,得到筛选后的传输通道;
获取所述筛选后的传输通道对应的通道长度,构建序列表,并将所述筛选后的传输通道对应的通道长度导入所述序列表中进行大小排序,排序完成后,由所述序列表中提取出最小通道长度,并将与最小通道长度对应的传输通道标记为在预设时间内的最佳数据采集通道。
进一步的,本发明的一个较佳实施例中,获取每一条传输通道上的气象参数,基于所述气象参数分析出每一条传输通道的传输特性,具体为:
通过大数据网络获取不同气象参数与不同地形组合条件之下污染监测设备的历史传输特性信息,并将所述不同气象参数与不同地形组合条件之下污染监测设备的历史传输特性信息分为训练集与测试集;
基于深度学习网络构建预测模型,并将所述训练集导入所述预测模型进行训练,通过交叉熵损失函数对预测模型进行反向训练,直至损失函数训练平稳,并保存模型参数,通过测试集对所述预测模型进行测试,直至符合预设要求,得到训练完成的预测模型;
获取每一条传输通道在预设时间内的气象参数,以及由所述三维分布模型图分割出每一条传输通道的虚拟地形图;将每一条传输通道在预设时间内的气象参数与其对应的虚拟地形图进行组合,得到气象-地形动态图;
将所述气象-地形动态图导入所述训练完成的预测模型中进行预测,以获取得到每一条传输通道的传输特性。
进一步的,本发明的一个较佳实施例中,基于模糊聚类算法对所述监测样本数据进行聚类,得到若干个初始聚类合集,具体为:
预设模糊指数与聚类数目,基于所述模糊指数与聚类数目确定出各参数数据的初始化隶属度矩阵与聚类中心向量,基于所述初始化隶属度矩阵与聚类中心向量确定出各参数数据的初始聚类中心;
根据各参数数据的初始聚类中心对监测样本数据中所有的参数数据进行聚类,得到若干个第一聚类合集,获取每一个第一聚类合集中参数数据与初始聚类中心之间的欧式距离,基于所述欧式距离确定出各参数数据的隶属度;
将所述隶属度与预设隶属度进行比较,得到隶属度偏差;若所述隶属度偏差不大于预设阈值,则说明该参数数据属于该第一聚类合集;若所述隶属度偏差大于预设阈值,说明该参数数据不属于该第一聚类合集,此时将该参数数据分配至另一第一聚类合集,直至该参数数据的隶属度偏差不大于预设阈值;
对所有的第一聚类合集进行更新,得到第二聚类合集,并获取第二聚类合集中各参数数据的隶属度,基于所述隶属度获取得到各参数数据与聚类中心之间的隶属度矩阵;判断隶属度矩阵是否符合要求;若不符合要求,则继续迭代;若符合要求,则获取最终聚类结果,基于所述最终聚类结果得到若干个初始聚类合集。
进一步的,本发明的一个较佳实施例中,通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集,具体为:
预设K个近邻点,并在距离度量方式下,获取初始聚类合集中各参数数据的K个近邻点,并计算出该参数数据到各个近邻点的距离值;
基于所述参数数据到各个近邻点的距离值计算得到该参数数据与K个近邻点之间的平均距离值,并以所述平均距离值作为该参数数据的局部密度;
分别获取每一个近邻点与其最近近邻点之间的距离,并将该距离与局部密度进行比值处理,得到该近邻点的局部可达密度;将K个近邻点的局部可达密度进行均值处理,得到该参数数据的LOF值;将参数数据的LOF值与预设值进行比较,得到偏差值;
判断所述偏差值是否大于预设偏差阈值;若所述偏差值大于预设偏差阈值,则将该参数数据标定为离群点,并将该参数数据由初始聚类合集中剔除;若所述偏差值不大于预设偏差阈值,则将该参数数据由初始聚类合集中保留;得到最终聚类合集。
进一步的,本发明的一个较佳实施例中,根据所述最终聚类合集分析得到监测结果,具体为:
对所述最终聚类合集的参数数据进行统计分析,以将参数数据转化为可视化图表进行展示,根据所述可视化图表分析出污染场地的污染程度;
判断所述污染程度是否达到预警值,若达到预警值,则生成预警信息,并将所述预警信息输出。
本发明第二方面公开了一种污染监测设备的数据采集与分析系统,所述数据采集与分析系统包括存储器与处理器,所存储器中储存有数据采集与分析方法程序,所述数据采集与分析方法程序被所述处理器执行时,实现如下步骤:
获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;
基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道;
基于所述最佳数据采集通道在预设时间内获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据;基于模糊聚类算法对所述监测样本数据中的参数数据进行聚类,得到若干个初始聚类合集;
通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果。
进一步的,本发明的一个较佳实施例中,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图,具体为:
获取污染监测设备的监测区域信息,并基于所述监测区域信息获取监测区域的虚拟地形图模型图,通过SURF算法所述监测区域的虚拟地形图模型图进行特征提取,得到若干第一特征匹配点,构建第一坐标系,并将所述第一特征匹配点导入所述第一坐标系中,得到各第一特征匹配点对应的坐标值;
获取污染监测设备的外形尺寸信息,基于所述外形尺寸信息构建污染监测设备的设备三维模型图,通过SURF算法对所述污染监测设备的设备三维模型图进行特征提取,得到若干第二特征匹配点,构建第二坐标系,并将所述第二特征匹配点导入所述第二坐标系中,得到各第二特征匹配点对应的坐标值;
基于所述第一特征匹配点对应的坐标值与第二特征匹配点对应的坐标值得到特征匹配点的点云数据;并对所述点云数据进行清洗和去噪处理,以去除不必要的噪点和离群点;
对所述点云数据进行刚体或非刚体变换,以使得各个点云数据在世界坐标系中表示,并在所述世界坐标系中将各点云数据与预设基准点进行对齐处理,得到对齐处理后的点云数据;
对所述对齐处理后的点云数据进行网格化处理,以生成多个模型曲面,并对多个模型曲面进行整合处理,得到监测区域的三维分布模型图。
进一步的,本发明的一个较佳实施例中,通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集,具体为:
预设K个近邻点,并在距离度量方式下,获取初始聚类合集中各参数数据的K个近邻点,并计算出该参数数据到各个近邻点的距离值;
基于所述参数数据到各个近邻点的距离值计算得到该参数数据与K个近邻点之间的平均距离值,并以所述平均距离值作为该参数数据的局部密度;
分别获取每一个近邻点与其最近近邻点之间的距离,并将该距离与局部密度进行比值处理,得到该近邻点的局部可达密度;将K个近邻点的局部可达密度进行均值处理,得到该参数数据的LOF值;将参数数据的LOF值与预设值进行比较,得到偏差值;
判断所述偏差值是否大于预设偏差阈值;若所述偏差值大于预设偏差阈值,则将该参数数据标定为离群点,并将该参数数据由初始聚类合集中剔除;若所述偏差值不大于预设偏差阈值,则将该参数数据由初始聚类合集中保留;得到最终聚类合集。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:通过本方法对虚拟地形图模型图与设备三维模型图进行整合时,可以利用点云数据所带来的结构信息,有效地降低算法的复杂度和计算量,提高系统鲁棒性,从而实现高效的三维重建。能够根据实时气候状况与信号传播地形状况分析出特定时间段内的最佳数据采集通道,然后在预设时间段内通过该最佳数据采集通道接收污染监测设备的传送信号,能够保证接收端以最合理的方式接收污染监测设备的无线信号,以确保接收端所接收得到的数据信号的可靠性,进一步提高分析精度。能够对监测样本数据中的参数数据进行快速聚类,提高系统的运算速度;并且能够筛选出不符合物理意义的数据点,提高分析精度,提高分析结果的可靠性。
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为一种污染监测设备的数据采集与分析方法的第一方法流程图;
图2为一种污染监测设备的数据采集与分析方法的第二方法流程图;
图3为一种污染监测设备的数据采集与分析方法的第三方法流程图;
图4为一种污染监测设备的数据采集与分析系统的系统框图。
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。
本发明第一方面公开了一种污染监测设备的数据采集与分析方法,如图1所示,包括以下步骤:
S102:获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;
S104:基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道;
S106:基于所述最佳数据采集通道在预设时间内获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据;基于模糊聚类算法对所述监测样本数据中的参数数据进行聚类,得到若干个初始聚类合集;
S108:通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果。
进一步的,本发明的一个较佳实施例中,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图,具体为:
获取污染监测设备的监测区域信息,并基于所述监测区域信息获取监测区域的虚拟地形图模型图,通过SURF算法所述监测区域的虚拟地形图模型图进行特征提取,得到若干第一特征匹配点,构建第一坐标系,并将所述第一特征匹配点导入所述第一坐标系中,得到各第一特征匹配点对应的坐标值;
获取污染监测设备的外形尺寸信息,基于所述外形尺寸信息构建污染监测设备的设备三维模型图,通过SURF算法对所述污染监测设备的设备三维模型图进行特征提取,得到若干第二特征匹配点,构建第二坐标系,并将所述第二特征匹配点导入所述第二坐标系中,得到各第二特征匹配点对应的坐标值;
基于所述第一特征匹配点对应的坐标值与第二特征匹配点对应的坐标值得到特征匹配点的点云数据;并对所述点云数据进行清洗和去噪处理,以去除不必要的噪点和离群点;
对所述点云数据进行刚体或非刚体变换,以使得各个点云数据在世界坐标系中表示,并在所述世界坐标系中将各点云数据与预设基准点进行对齐处理,得到对齐处理后的点云数据;
对所述对齐处理后的点云数据进行网格化处理,以生成多个模型曲面,并对多个模型曲面进行整合处理,得到监测区域的三维分布模型图。
需要说明的是,污染监测设备包括但不限于PM2.5、PM10、二氧化硫、一氧化碳、氮氧化物、声级计、土壤酸碱度、土壤有机质、重金属等监测仪器。所述监测区域信息表示污染监测设备的有效工作范围。其中,虚拟地形图模型图可以直接由地图软件中获取得到,虚拟地形图模型图表示的是监测区域的AR场景图,可以表示出监测区域地形三维信息。SURF算法为加速稳健特征(Speeded Up Robust Feature)算法。预设基准点由用户提前设定得到。通过本方法将虚拟地形图模型图与设备三维模型图进行无缝整合,从而得到一个完整的、连续的监测区域的三维分布模型图,并且所得到的三维分布模型图没有累积误差,可靠性高。同时,通过本方法对虚拟地形图模型图与设备三维模型图进行整合时,可以利用点云数据所带来的结构信息,有效地降低算法的复杂度和计算量,提高系统鲁棒性,从而实现高效的三维重建。
进一步的,本发明的一个较佳实施例中,基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道,具体为:
构建网格空间坐标系,并将所述三维分布模型图导入所述网格空间坐标系中,得到射线传输模型;在所述射线传输模型中将污染监测设备的无线信号源点分解为多个射线源;
以每个射线源为发射起点,发射出若干条射线,并沿着每条射线的发射起点开始,依次将每条射线与地形进行相交判断,每当一条射线撞到阻碍点时,将该条射线分裂成多条射线,当射线达到接收点后,射线截止;
获取每一条到达接收点射线的传输通道,并获取每一条传输通道上的气象参数,基于所述气象参数分析出每一条传输通道的传输特性;
将传输特征满足预设要求的传输通道保留,将传输特征不满足预设要求的传输通道剔除,得到筛选后的传输通道;
获取所述筛选后的传输通道对应的通道长度,构建序列表,并将所述筛选后的传输通道对应的通道长度导入所述序列表中进行大小排序,排序完成后,由所述序列表中提取出最小通道长度,并将与最小通道长度对应的传输通道标记为在预设时间内的最佳数据采集通道。
需要说明的是,通过射线追踪的方法,结合地形与实时气候条件能够模拟分析出无线信号的传输通道及其传输特性,其中所述传输特性包括路径长度、传输时延、强度、相位和极化以及波动干扰和阴影效应等特性特征。具体来说,该算法利用射线追踪模拟电磁波在空气中的传播,考虑天气因素对信号传输的影响,同时将地形和建筑物等物理障碍物的影响考虑在内,通过射线路径计算信号强度、相位和传播时延等特征。当通过射线追踪算法分析出每一条传输通道的传输特性后,判断各条传输通道的传输特性是否满足预设要求,如判断信号强度是否大于预设信号强度,判断传播时延是否低于预设传播时延等。从而得到筛选后的传输通道,然后再确定出在预设时间内的最佳数据采集通道,从而将满足信号强度、相位和传播时延等特性要求的传输通道筛选出来,以确保无线信号的输送质量,避免出现无线信号在传送过程中发生丢失、失真、延时等不良现象。通过本方法能够根据实时气候状况与信号传播地形状况分析出特定时间段内的最佳数据采集通道,然后在预设时间段内通过该最佳数据采集通道接收污染监测设备的传送信号,能够保证接收端以最合理的方式接收污染监测设备的无线信号,以确保接收端所接收得到的数据信号的可靠性,进一步提高分析精度。
进一步的,本发明的一个较佳实施例中,获取每一条传输通道上的气象参数,基于所述气象参数分析出每一条传输通道的传输特性,如图2所示,具体为:
S202:通过大数据网络获取不同气象参数与不同地形组合条件之下污染监测设备的历史传输特性信息,并将所述不同气象参数与不同地形组合条件之下污染监测设备的历史传输特性信息分为训练集与测试集;
S204:基于深度学习网络构建预测模型,并将所述训练集导入所述预测模型进行训练,通过交叉熵损失函数对预测模型进行反向训练,直至损失函数训练平稳,并保存模型参数,通过测试集对所述预测模型进行测试,直至符合预设要求,得到训练完成的预测模型;
S206:获取每一条传输通道在预设时间内的气象参数,以及由所述三维分布模型图分割出每一条传输通道的虚拟地形图;将每一条传输通道在预设时间内的气象参数与其对应的虚拟地形图进行组合,得到气象-地形动态图;
S208:将所述气象-地形动态图导入所述训练完成的预测模型中进行预测,以获取得到每一条传输通道的传输特性。
需要说明的是,所述气象参数包括气温、气压、湿度、降水量、露点温度、云量、能见度等;以传输通道为分割路径,在三维分布模型图把特定区域的模型分割出来便能够得到传输通道的虚拟地形图。通过如SolidWorks、UG等三维软件将每一条传输通道在预设时间内的气象参数与其对应的虚拟地形图进行组合,便能够得到气象-地形动态图,气象-地形动态图能够反映出传输通道在预设时间内的气候-地形动态变化情况。
需要说明的是,在对污染监测设备的无线数据信号进行采集的过程中,气候因素与地形因素会影响设备的稳定性和数据采集的精准度。如污染监测设备在不同温度下的数据采集和传输精度可能会发生变化,在极端温度下会导致数据采集和传输不准确。若处在强风中,可能会影响传输信号的稳定性和数据采集的准确性。从而导致信号出现信号干扰、信号浮动、失联或掉线等异常情况,导致数据传输错误、数据丢失或延迟,进而影响监测效果和决策结果。综上所述,气候条件的变化与地形条件会对无线数据传送的质量和效果产生重要的影响,需要在实际应用中加以考虑和优化。针对不同的气候环境,需要采取不同的无线传输策略、技术和措施,以提高数据传输的质量和可靠性。因此本方法采用回归和神深度学习网络等模型结合气象数据和地形数据进行学习,从而预测无线信号的传输特征,可以更加真实地分析出无线信号传输的实际情况,为系统部署和优化提供技术支持和决策参考。
进一步的,本发明的一个较佳实施例中,基于模糊聚类算法对所述监测样本数据进行聚类,得到若干个初始聚类合集,具体为:
预设模糊指数与聚类数目,基于所述模糊指数与聚类数目确定出各参数数据的初始化隶属度矩阵与聚类中心向量,基于所述初始化隶属度矩阵与聚类中心向量确定出各参数数据的初始聚类中心;
根据各参数数据的初始聚类中心对监测样本数据中所有的参数数据进行聚类,得到若干个第一聚类合集,获取每一个第一聚类合集中参数数据与初始聚类中心之间的欧式距离,基于所述欧式距离确定出各参数数据的隶属度;
将所述隶属度与预设隶属度进行比较,得到隶属度偏差;若所述隶属度偏差不大于预设阈值,则说明该参数数据属于该第一聚类合集;若所述隶属度偏差大于预设阈值,说明该参数数据不属于该第一聚类合集,此时将该参数数据分配至另一第一聚类合集,直至该参数数据的隶属度偏差不大于预设阈值;
对所有的第一聚类合集进行更新,得到第二聚类合集,并获取第二聚类合集中各参数数据的隶属度,基于所述隶属度获取得到各参数数据与聚类中心之间的隶属度矩阵;判断隶属度矩阵是否符合要求;若不符合要求,则继续迭代;若符合要求,则获取最终聚类结果,基于所述最终聚类结果得到若干个初始聚类合集。
需要说明的是,(1)隶属度矩阵中每个元素的隶属度都在[0,1]之间;(2)隶属度矩阵中每列的所有元素隶属度之和都等于1;(3)隶属度矩阵中任意两列之间的任意两个元素相减的绝对值之和都小于等于1。当隶属度矩阵满足以上三个条件,则可以认为它是符合要求的。另外,所述模糊指数通过设置为1,所述聚类数目根据污染监测设备的布局数量与类型设定。
需要说明的是,当确定出最佳数据采集通道后,在预设时间内基于所述最佳数据采集通道多次获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据,另外由于污染监测设备通常设置多个,并且污染监测设备的类型众多,故所汇聚得到的监测样本数据是十分庞大的,且里面的参数数据杂乱无章,如计算机终端并不知道哪些是二氧化硫数据,哪些是一氧化碳数据等。隶属度指示了数据点与不同聚类中心的相关程度,也反映了数据点的模糊性。隶属度值为越接近1表示数据点越属于该聚类,属度值为越接近0表示数据点越不属于该聚类。本方法通过模糊聚类算法对监测样本数据中的参数数据进行分类,从而得到若干个初始聚类合集,以将监测样本数据中不同类型的参数数据进行快速聚类,以提高系统的运算速度,提高数据处理效率。
进一步的,本发明的一个较佳实施例中,通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集,如图3所示,具体为:
S302:预设K个近邻点,并在距离度量方式下,获取初始聚类合集中各参数数据的K个近邻点,并计算出该参数数据到各个近邻点的距离值;
S304:基于所述参数数据到各个近邻点的距离值计算得到该参数数据与K个近邻点之间的平均距离值,并以所述平均距离值作为该参数数据的局部密度;
S306:分别获取每一个近邻点与其最近近邻点之间的距离,并将该距离与局部密度进行比值处理,得到该近邻点的局部可达密度;将K个近邻点的局部可达密度进行均值处理,得到该参数数据的LOF值;将参数数据的LOF值与预设值进行比较,得到偏差值;
S308:判断所述偏差值是否大于预设偏差阈值;若所述偏差值大于预设偏差阈值,则将该参数数据标定为离群点,并将该参数数据由初始聚类合集中剔除;若所述偏差值不大于预设偏差阈值,则将该参数数据由初始聚类合集中保留;得到最终聚类合集。
需要说明的是,由于模糊聚类算法的缺陷,处于同一数据或者相近的数据有可能会被分至同一初始聚类中心,如将二氧化硫采集设备所采集到的数据分至二氧化碳数据的聚类中心中,进而出现数据分类错误的现象。对于每个数据点(参数数据),局部离群因子算法通过计算其在K个最近邻数据点中所处的密度来评估其局部密度。然后,局部离群因子算法将该数据点的局部密度与其K个邻居的平均密度进行比较,得到一个称为LOF值(局部离群因子)的数值,用于衡量该数据点与其邻居之间的密度差异。LOF值代表着数据点与其周围邻居点密度的差异程度,该值越大表示该点离群程度越高,说明数据点为局部离群点,说明该参数数据并不属于该聚类。通过本方法可以有效地发现初始聚类合集中存在的局部离群点,使得得到的最终聚类合集具有较好的局部特性,可以帮助发现缺少全局异常性描述的非结构化,以提高分析精度,提高分析结果的可靠性。
进一步的,本发明的一个较佳实施例中,根据所述最终聚类合集分析得到监测结果,具体为:
对所述最终聚类合集的参数数据进行统计分析,以将参数数据转化为可视化图表进行展示,根据所述可视化图表分析出污染场地的污染程度;
判断所述污染程度是否达到预警值,若达到预警值,则生成预警信息,并将所述预警信息输出。
需要说明的是,对最终聚类合集的参数数据进行统计分析,包括描述性统计、回归分析等方法,如根据最终聚类合集的参数数据制定出相关图表,以将参数数据转化为可视化图表进行展示,从而分析得出污染情况的定量化指标,据定量化指标,结合相关的污染标准和监管要求,判断污染程度,如轻度、中度、重度等级。根据判断的污染程度,及时反馈给相关人员,同时根据要求进行预警和采取措施。
此外,所述一种污染监测设备的数据采集与分析方法,还包括以下步骤:
控制远程信号接收端按照所述最佳数据采集通道接收污染监测设备所反馈的无线信号;
判断远程信号接收端在预设时间段内是否能够接收到污染监测设备所反馈的无线信号;
若远程信号接收端在预设时间段内不能够接收到污染监测设备所反馈的无线信号,则将该污染监测设备标记为故障设备;
若远程信号接收端在预设时间段内能够接收到污染监测设备所反馈的无线信号,则判断在预设时间段内所接收到的无线信号是否存在信号间断情况;
若存在信号间断情况,则统计信号间断的间断次数,判断所述间断次数是否大于预设间断次数,若所述间断次数大于预设间断次数,则生成调控信息,并将该污染监测设备标记为故障设备。
需要说明的是,污染监测设备通过安装在室外,高湿度的环境可能会导致污染监测设备出现腐蚀和损坏,从而影响传输数据的准确性和稳定性。降雨会增大污染监测设备的运行风险,因为水可以破污染监测设备和连接器。通过本方法能够在远程判断出污染监测设备是否发生了故障,并且能够精准确定出具体污染监测设备的位置。
此外,若所述间断次数大于预设间断次数,则生成调控信息,具体为:
若所述间断次数大于预设间断次数,则获取该污染监测设备区域中的传输天线的特征信息,并根据所述三维分布模型图与传输天线的特征信息构建得到信号传输模型图;其中,所述特征信息包括天线的数目、安装位置、尺寸信息;
获取当前污染监测设备的预设天线传输数目,并将当前污染监测设备的预设天线传输数目导入所述信号传输模型图中进行分析,得到污染监测设备在当前监测区域的信号延时值;
将所述信号延时值与预设信号延时值进行比较,得到延时差值;基于所述延时差值确定出当前污染监测设备的理想天线传输数目;
将当前污染监测设备的理想天线传输数目导入所述信号传输模型图中进行分析,得到污染监测设备在当前监测区域的实时信号延时值;
判断所述实时信号延时值是否小于预设信号延时值,若小于,则将基于理想天线传输数目对预设天线传输数目进行调节。
需要说明的是,当判断出某个污染监测设备发生信号间断故障后,通过调整该监测区域的天线传输数目,以提高污染监测设备的信号传输质量,以使得在维修人员前往故障地点维修污染监测设备的过程中,依旧使得污染监测设备能够正常工作,以使得能够采集更多的数据样本。
此外,所述一种污染监测设备的数据采集与分析方法,还包括以下步骤:
通过大数据网络获取污染监测设备在不同温度条件下的能量消耗速率,基于卷积神经网络构建能量预测模型,并将污染监测设备在不同温度条件下的能量消耗速率导入能量预测模型进行训练,得到训练好的能量预测模型;
获取预设时间段内监测区域的平均温度信息,并将所述平均温度信息导入所述训练好的能量预测模型中,得到在预设时间段内污染监测设备的平均能量消耗速率;
获取污染监测设备的剩余电量信息,基于所述剩余电量信息与平均能量消耗速率计算出污染监测设备的剩余工作时长信息;
判断所述剩余工作时长信息是否小于预设工作时长信息,若小于,则将该污染监测设备标记为待充电设备。
需要说明的是,根据实际的情况,不同温度之下的污染监测设备的电池消耗是不一致的,如高温天气中污染监测设的能耗是增加的状态。通过本方法能够判断出污染监测设备工作至预设时间节点,若不能,则对该设备进行及时补充电量,以使得污染监测设备始终能够有效工作。
如图4所示,本发明第二方面公开了一种污染监测设备的数据采集与分析系统,所述数据采集与分析系统包括存储器41与处理器62,所存储器41中储存有数据采集与分析方法程序,所述数据采集与分析方法程序被所述处理器62执行时,实现如下步骤:
获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;
基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道;
基于所述最佳数据采集通道在预设时间内获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据;基于模糊聚类算法对所述监测样本数据中的参数数据进行聚类,得到若干个初始聚类合集;
通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果。
进一步的,本发明的一个较佳实施例中,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图,具体为:
获取污染监测设备的监测区域信息,并基于所述监测区域信息获取监测区域的虚拟地形图模型图,通过SURF算法所述监测区域的虚拟地形图模型图进行特征提取,得到若干第一特征匹配点,构建第一坐标系,并将所述第一特征匹配点导入所述第一坐标系中,得到各第一特征匹配点对应的坐标值;
获取污染监测设备的外形尺寸信息,基于所述外形尺寸信息构建污染监测设备的设备三维模型图,通过SURF算法对所述污染监测设备的设备三维模型图进行特征提取,得到若干第二特征匹配点,构建第二坐标系,并将所述第二特征匹配点导入所述第二坐标系中,得到各第二特征匹配点对应的坐标值;
基于所述第一特征匹配点对应的坐标值与第二特征匹配点对应的坐标值得到特征匹配点的点云数据;并对所述点云数据进行清洗和去噪处理,以去除不必要的噪点和离群点;
对所述点云数据进行刚体或非刚体变换,以使得各个点云数据在世界坐标系中表示,并在所述世界坐标系中将各点云数据与预设基准点进行对齐处理,得到对齐处理后的点云数据;
对所述对齐处理后的点云数据进行网格化处理,以生成多个模型曲面,并对多个模型曲面进行整合处理,得到监测区域的三维分布模型图。
进一步的,本发明的一个较佳实施例中,通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集,具体为:
预设K个近邻点,并在距离度量方式下,获取初始聚类合集中各参数数据的K个近邻点,并计算出该参数数据到各个近邻点的距离值;
基于所述参数数据到各个近邻点的距离值计算得到该参数数据与K个近邻点之间的平均距离值,并以所述平均距离值作为该参数数据的局部密度;
分别获取每一个近邻点与其最近近邻点之间的距离,并将该距离与局部密度进行比值处理,得到该近邻点的局部可达密度;将K个近邻点的局部可达密度进行均值处理,得到该参数数据的LOF值;将参数数据的LOF值与预设值进行比较,得到偏差值;
判断所述偏差值是否大于预设偏差阈值;若所述偏差值大于预设偏差阈值,则将该参数数据标定为离群点,并将该参数数据由初始聚类合集中剔除;若所述偏差值不大于预设偏差阈值,则将该参数数据由初始聚类合集中保留;得到最终聚类合集。
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 (10)
1.一种污染监测设备的数据采集与分析方法,其特征在于,包括以下步骤:
获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;
基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道;
基于所述最佳数据采集通道在预设时间内获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据;基于模糊聚类算法对所述监测样本数据中的参数数据进行聚类,得到若干个初始聚类合集;
通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果。
2.根据权利要求1所述的一种污染监测设备的数据采集与分析方法,其特征在于,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图,具体为:
获取污染监测设备的监测区域信息,并基于所述监测区域信息获取监测区域的虚拟地形图模型图,通过SURF算法所述监测区域的虚拟地形图模型图进行特征提取,得到若干第一特征匹配点,构建第一坐标系,并将所述第一特征匹配点导入所述第一坐标系中,得到各第一特征匹配点对应的坐标值;
获取污染监测设备的外形尺寸信息,基于所述外形尺寸信息构建污染监测设备的设备三维模型图,通过SURF算法对所述污染监测设备的设备三维模型图进行特征提取,得到若干第二特征匹配点,构建第二坐标系,并将所述第二特征匹配点导入所述第二坐标系中,得到各第二特征匹配点对应的坐标值;
基于所述第一特征匹配点对应的坐标值与第二特征匹配点对应的坐标值得到特征匹配点的点云数据;并对所述点云数据进行清洗和去噪处理,以去除不必要的噪点和离群点;
对所述点云数据进行刚体或非刚体变换,以使得各个点云数据在世界坐标系中表示,并在所述世界坐标系中将各点云数据与预设基准点进行对齐处理,得到对齐处理后的点云数据;
对所述对齐处理后的点云数据进行网格化处理,以生成多个模型曲面,并对多个模型曲面进行整合处理,得到监测区域的三维分布模型图。
3.根据权利要求1所述的一种污染监测设备的数据采集与分析方法,其特征在于,基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道,具体为:
构建网格空间坐标系,并将所述三维分布模型图导入所述网格空间坐标系中,得到射线传输模型;在所述射线传输模型中将污染监测设备的无线信号源点分解为多个射线源;
以每个射线源为发射起点,发射出若干条射线,并沿着每条射线的发射起点开始,依次将每条射线与地形进行相交判断,每当一条射线撞到阻碍点时,将该条射线分裂成多条射线,当射线达到接收点后,射线截止;
获取每一条到达接收点射线的传输通道,并获取每一条传输通道上的气象参数,基于所述气象参数分析出每一条传输通道的传输特性;
将传输特征满足预设要求的传输通道保留,将传输特征不满足预设要求的传输通道剔除,得到筛选后的传输通道;
获取所述筛选后的传输通道对应的通道长度,构建序列表,并将所述筛选后的传输通道对应的通道长度导入所述序列表中进行大小排序,排序完成后,由所述序列表中提取出最小通道长度,并将与最小通道长度对应的传输通道标记为在预设时间内的最佳数据采集通道。
4.根据权利要求3所述的一种污染监测设备的数据采集与分析方法,其特征在于,获取每一条传输通道上的气象参数,基于所述气象参数分析出每一条传输通道的传输特性,具体为:
通过大数据网络获取不同气象参数与不同地形组合条件之下污染监测设备的历史传输特性信息,并将所述不同气象参数与不同地形组合条件之下污染监测设备的历史传输特性信息分为训练集与测试集;
基于深度学习网络构建预测模型,并将所述训练集导入所述预测模型进行训练,通过交叉熵损失函数对预测模型进行反向训练,直至损失函数训练平稳,并保存模型参数,通过测试集对所述预测模型进行测试,直至符合预设要求,得到训练完成的预测模型;
获取每一条传输通道在预设时间内的气象参数,以及由所述三维分布模型图分割出每一条传输通道的虚拟地形图;将每一条传输通道在预设时间内的气象参数与其对应的虚拟地形图进行组合,得到气象-地形动态图;
将所述气象-地形动态图导入所述训练完成的预测模型中进行预测,以获取得到每一条传输通道的传输特性。
5.根据权利要求1所述的一种污染监测设备的数据采集与分析方法,其特征在于,基于模糊聚类算法对所述监测样本数据进行聚类,得到若干个初始聚类合集,具体为:
预设模糊指数与聚类数目,基于所述模糊指数与聚类数目确定出各参数数据的初始化隶属度矩阵与聚类中心向量,基于所述初始化隶属度矩阵与聚类中心向量确定出各参数数据的初始聚类中心;
根据各参数数据的初始聚类中心对监测样本数据中所有的参数数据进行聚类,得到若干个第一聚类合集,获取每一个第一聚类合集中参数数据与初始聚类中心之间的欧式距离,基于所述欧式距离确定出各参数数据的隶属度;
将所述隶属度与预设隶属度进行比较,得到隶属度偏差;若所述隶属度偏差不大于预设阈值,则说明该参数数据属于该第一聚类合集;若所述隶属度偏差大于预设阈值,说明该参数数据不属于该第一聚类合集,此时将该参数数据分配至另一第一聚类合集,直至该参数数据的隶属度偏差不大于预设阈值;
对所有的第一聚类合集进行更新,得到第二聚类合集,并获取第二聚类合集中各参数数据的隶属度,基于所述隶属度获取得到各参数数据与聚类中心之间的隶属度矩阵;判断隶属度矩阵是否符合要求;若不符合要求,则继续迭代;若符合要求,则获取最终聚类结果,基于所述最终聚类结果得到若干个初始聚类合集。
6.根据权利要求1所述的一种污染监测设备的数据采集与分析方法,其特征在于,通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集,具体为:
预设K个近邻点,并在距离度量方式下,获取初始聚类合集中各参数数据的K个近邻点,并计算出该参数数据到各个近邻点的距离值;
基于所述参数数据到各个近邻点的距离值计算得到该参数数据与K个近邻点之间的平均距离值,并以所述平均距离值作为该参数数据的局部密度;
分别获取每一个近邻点与其最近近邻点之间的距离,并将该距离与局部密度进行比值处理,得到该近邻点的局部可达密度;将K个近邻点的局部可达密度进行均值处理,得到该参数数据的LOF值;将参数数据的LOF值与预设值进行比较,得到偏差值;
判断所述偏差值是否大于预设偏差阈值;若所述偏差值大于预设偏差阈值,则将该参数数据标定为离群点,并将该参数数据由初始聚类合集中剔除;若所述偏差值不大于预设偏差阈值,则将该参数数据由初始聚类合集中保留;得到最终聚类合集。
7.根据权利要求1所述的一种污染监测设备的数据采集与分析方法,其特征在于,根据所述最终聚类合集分析得到监测结果,具体为:
对所述最终聚类合集的参数数据进行统计分析,以将参数数据转化为可视化图表进行展示,根据所述可视化图表分析出污染场地的污染程度;
判断所述污染程度是否达到预警值,若达到预警值,则生成预警信息,并将所述预警信息输出。
8.一种污染监测设备的数据采集与分析系统,其特征在于,所述数据采集与分析系统包括存储器与处理器,所存储器中储存有数据采集与分析方法程序,所述数据采集与分析方法程序被所述处理器执行时,实现如下步骤:
获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图;
基于所述监测区域的三维分布模型图构建得到射线传输模型,并基于射线追踪算法对所述射线传输模型进行分析,分析得到在预设时间内的最佳数据采集通道;
基于所述最佳数据采集通道在预设时间内获取各污染监测设备的参数数据,并对各污染监测设备的参数数据进行汇聚,得到监测样本数据;基于模糊聚类算法对所述监测样本数据中的参数数据进行聚类,得到若干个初始聚类合集;
通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集;根据所述最终聚类合集分析得到监测结果。
9.根据权利要求8所述的一种污染监测设备的数据采集与分析系统,其特征在于,获取监测区域的虚拟地形图模型图,以及获取污染监测设备的设备三维模型图,并对所述虚拟地形图模型图与设备三维模型图进行整合处理,得到监测区域的三维分布模型图,具体为:
获取污染监测设备的监测区域信息,并基于所述监测区域信息获取监测区域的虚拟地形图模型图,通过SURF算法所述监测区域的虚拟地形图模型图进行特征提取,得到若干第一特征匹配点,构建第一坐标系,并将所述第一特征匹配点导入所述第一坐标系中,得到各第一特征匹配点对应的坐标值;
获取污染监测设备的外形尺寸信息,基于所述外形尺寸信息构建污染监测设备的设备三维模型图,通过SURF算法对所述污染监测设备的设备三维模型图进行特征提取,得到若干第二特征匹配点,构建第二坐标系,并将所述第二特征匹配点导入所述第二坐标系中,得到各第二特征匹配点对应的坐标值;
基于所述第一特征匹配点对应的坐标值与第二特征匹配点对应的坐标值得到特征匹配点的点云数据;并对所述点云数据进行清洗和去噪处理,以去除不必要的噪点和离群点;
对所述点云数据进行刚体或非刚体变换,以使得各个点云数据在世界坐标系中表示,并在所述世界坐标系中将各点云数据与预设基准点进行对齐处理,得到对齐处理后的点云数据;
对所述对齐处理后的点云数据进行网格化处理,以生成多个模型曲面,并对多个模型曲面进行整合处理,得到监测区域的三维分布模型图。
10.根据权利要求8所述的一种污染监测设备的数据采集与分析系统,其特征在于,通过局部离群因子算法对所述初始聚类合集进行分析,分析得到离群点,并将离群点由初始聚类合集中剔除,得到最终聚类合集,具体为:
预设K个近邻点,并在距离度量方式下,获取初始聚类合集中各参数数据的K个近邻点,并计算出该参数数据到各个近邻点的距离值;
基于所述参数数据到各个近邻点的距离值计算得到该参数数据与K个近邻点之间的平均距离值,并以所述平均距离值作为该参数数据的局部密度;
分别获取每一个近邻点与其最近近邻点之间的距离,并将该距离与局部密度进行比值处理,得到该近邻点的局部可达密度;将K个近邻点的局部可达密度进行均值处理,得到该参数数据的LOF值;将参数数据的LOF值与预设值进行比较,得到偏差值;
判断所述偏差值是否大于预设偏差阈值;若所述偏差值大于预设偏差阈值,则将该参数数据标定为离群点,并将该参数数据由初始聚类合集中剔除;若所述偏差值不大于预设偏差阈值,则将该参数数据由初始聚类合集中保留;得到最终聚类合集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644713.0A CN116363601B (zh) | 2023-06-02 | 2023-06-02 | 一种污染监测设备的数据采集与分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310644713.0A CN116363601B (zh) | 2023-06-02 | 2023-06-02 | 一种污染监测设备的数据采集与分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363601A true CN116363601A (zh) | 2023-06-30 |
CN116363601B CN116363601B (zh) | 2023-07-25 |
Family
ID=86909877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310644713.0A Active CN116363601B (zh) | 2023-06-02 | 2023-06-02 | 一种污染监测设备的数据采集与分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363601B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738552A (zh) * | 2023-08-11 | 2023-09-12 | 和欣汇达(山东)科技有限公司 | 一种基于物联网的环境检测设备管理方法及系统 |
CN116776183A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
CN116881749A (zh) * | 2023-09-01 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
CN117171695A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种抗生素污染土壤生态修复效果评价的方法及系统 |
CN117171223A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及系统 |
CN117851528A (zh) * | 2023-12-21 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 基于大气环境数据时空网格划分方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008054345A1 (de) * | 2008-11-03 | 2010-05-20 | Halang, Wolfgang A., Prof. Dr. Dr. | Verfahren und Vorrichtung zur Detektion von Kampfstoffen |
CN108508149A (zh) * | 2018-03-20 | 2018-09-07 | 厦门嘉海通达环境科技有限公司 | 一种基于污染源溯源的药效提升空气检测系统 |
CN112418245A (zh) * | 2020-11-04 | 2021-02-26 | 武汉大学 | 基于城市环境物理模型的电磁发射点定位方法 |
CN114912787A (zh) * | 2022-05-06 | 2022-08-16 | 南京大学 | 一种企业危险废物瞒报漏报风险的智能评估方法 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
-
2023
- 2023-06-02 CN CN202310644713.0A patent/CN116363601B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008054345A1 (de) * | 2008-11-03 | 2010-05-20 | Halang, Wolfgang A., Prof. Dr. Dr. | Verfahren und Vorrichtung zur Detektion von Kampfstoffen |
CN108508149A (zh) * | 2018-03-20 | 2018-09-07 | 厦门嘉海通达环境科技有限公司 | 一种基于污染源溯源的药效提升空气检测系统 |
US20220383633A1 (en) * | 2019-10-23 | 2022-12-01 | Beijing University Of Civil Engineering And Architecture | Method for recognizing seawater polluted area based on high-resolution remote sensing image and device |
CN112418245A (zh) * | 2020-11-04 | 2021-02-26 | 武汉大学 | 基于城市环境物理模型的电磁发射点定位方法 |
CN114912787A (zh) * | 2022-05-06 | 2022-08-16 | 南京大学 | 一种企业危险废物瞒报漏报风险的智能评估方法 |
Non-Patent Citations (5)
Title |
---|
MENGLI CAO等: "Robust pollution source parameter indentification based on the artificial bee colony algorithm using a wireless sensor network", PLOS ONE * |
MOHANNED ABDULJABBAR HAEL: "Unveiling air pollution patterns in Yemen:a spatial tempooral functional data analysis", ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH * |
孟彩英等: "城市生活垃圾渗滤液污染监测方法研究与仿真", 计算机仿真, no. 04 * |
李书鹏等: "砷污染土壤稳定化效果影响因素研究", 2013中国环境科学学会学术年会论文集, vol. 05 * |
焦子龙等: "利用并行八叉树划分技术开展复杂构型航天器放气污染分析研究", 航天器环境工程, no. 06 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738552A (zh) * | 2023-08-11 | 2023-09-12 | 和欣汇达(山东)科技有限公司 | 一种基于物联网的环境检测设备管理方法及系统 |
CN116738552B (zh) * | 2023-08-11 | 2023-10-27 | 和欣汇达(山东)科技有限公司 | 一种基于物联网的环境检测设备管理方法及系统 |
CN116776183A (zh) * | 2023-08-18 | 2023-09-19 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
CN116776183B (zh) * | 2023-08-18 | 2023-11-03 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地识别与评价方法及系统 |
CN116881749A (zh) * | 2023-09-01 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
CN116881749B (zh) * | 2023-09-01 | 2023-11-17 | 北京建工环境修复股份有限公司 | 一种污染场地施工监测方法及系统 |
CN117171695A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种抗生素污染土壤生态修复效果评价的方法及系统 |
CN117171223A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及系统 |
CN117171695B (zh) * | 2023-11-02 | 2024-01-02 | 北京建工环境修复股份有限公司 | 一种抗生素污染土壤生态修复效果评价的方法及系统 |
CN117171223B (zh) * | 2023-11-02 | 2024-02-06 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及系统 |
CN117851528A (zh) * | 2023-12-21 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 基于大气环境数据时空网格划分方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116363601B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN115187527B (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
Vanem | A regional extreme value analysis of ocean waves in a changing climate | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
CN108632832B (zh) | 网络覆盖分析方法及系统 | |
CN114169232B (zh) | 全时段三维大气污染物的重构方法、装置、计算机设备和存储介质 | |
CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
CN116882638B (zh) | 一种全氟化合物污染监测设备的管理方法及系统 | |
CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
CN115796059A (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN114997534A (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
CN115600513A (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
Putranto et al. | Deep Learning Approach for Heavy Rainfall Prediction Using Himawari-8 And RDCA Data | |
CN116993327B (zh) | 用于变电站的缺陷定位系统及其方法 | |
CN117911949B (zh) | 一种风险智能评估方法及系统 | |
Moghbel | Evaluation of Accuracy of ECMWF Re-Analysis Data in Estimation of Soil Depths Temperature Changes (Case Study of Tehran) | |
CN117437230B (zh) | 基于图像修复的光伏电站功率预测方法及系统 | |
CN117910708B (zh) | 一种城市大气温室气体监测点位选址方法及系统 | |
CN117805502B (zh) | 一种基于大数据的城市电磁辐射监测方法及系统 | |
CN117874458A (zh) | 一种数据缺失场景下的新建场站功率预测方法 | |
Niu et al. | Automatic Quality Control of Crowdsourced Rainfall Data with Multiple Noises: A Machine Learning Approach |
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 |