CN116910452A - 基于大数据的有害垃圾无菌化处理风险预测评估方法 - Google Patents

基于大数据的有害垃圾无菌化处理风险预测评估方法 Download PDF

Info

Publication number
CN116910452A
CN116910452A CN202310903008.8A CN202310903008A CN116910452A CN 116910452 A CN116910452 A CN 116910452A CN 202310903008 A CN202310903008 A CN 202310903008A CN 116910452 A CN116910452 A CN 116910452A
Authority
CN
China
Prior art keywords
envelope
amplitude
interval
signal
points
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
Application number
CN202310903008.8A
Other languages
English (en)
Other versions
CN116910452B (zh
Inventor
周路坦
赵绮
李影
齐园圃
温君
闫灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Railway Vocational and Technical College
Original Assignee
Zhengzhou Railway Vocational and Technical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou Railway Vocational and Technical College filed Critical Zhengzhou Railway Vocational and Technical College
Priority to CN202310903008.8A priority Critical patent/CN116910452B/zh
Publication of CN116910452A publication Critical patent/CN116910452A/zh
Application granted granted Critical
Publication of CN116910452B publication Critical patent/CN116910452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于大数据的有害垃圾无菌化处理风险预测评估方法。获取各类有害垃圾焚烧时的光谱信号，根据均值包络线将光谱信号分段获得信号段，利用信号段的非对称性与长度获得异常概率；根据信号段的异常概率和包络点数量得到段插值包络点数；通过包络点间隔对所属信号段的幅值贡献值和长度贡献值以及段插值包络点数获得间隔插值包络点数；确定间隔插值包络点的最优幅值。重新拟合包络线，进行经验模态分解，获得去噪后的光谱信号并进行风险预测评估。本发明对经验模态分解算法的分解过程进行优化，整体提升分解精度；获得更好的去噪效果，进而获得更加准确的风险预测评估结果。

Description

基于大数据的有害垃圾无菌化处理风险预测评估方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于大数据的有害垃圾无菌化处理风险预测评估方法。
背景技术
日常生活中的有害垃圾虽然量不多，但危害巨大，不仅污染空气、土壤、地下水，还会危害生命健康。目前对有害垃圾的处理方法分为高温焚烧和固化填埋两种，其中有害垃圾焚烧处理存在较大二次污染风险，在焚烧过程中可能产生各种排放物和副产物，因此需要对焚烧有害垃圾的无菌化处理进行风险预测评估；光谱检测是一种常用的方法，光谱检测通过分析不同气体在特定波长下吸收或发射的光谱特征，可以确定有害气体的存在和浓度。将这些检测数据整理为大数据后，即可对后续不同类型有害垃圾焚烧过程可能产生的风险进行评估。
现有相关技术中，通常使用经验模态分解算法对光谱信号进行分析，但是在利用光谱数据采集有害垃圾焚烧过程中的有害气体的过程中，有害垃圾副产物中成分复杂，检测环境、条件均不理想，光谱数据会存在较大的噪声影响，导致经验模态分解时精度较低，进而导致风险预测评估结果不准确。
发明内容
为了解决焚烧有害垃圾时光谱数据会存在较大的噪声影响，导致经验模态分解时精度较低，进而导致风险预测评估结果不准确的技术问题，本发明的目的在于提供一种基于大数据的有害垃圾无菌化处理风险预测评估方法，所采用的技术方案具体如下：
本发明提出了一种基于大数据的有害垃圾无菌化处理风险预测评估方法，所述方法包括：
获取需要焚烧的有害垃圾焚烧时的原始光谱信号；
获取所述原始光谱信号的上包络线、下包络线和均值包络线；将所述均值包络线中任意相邻两个极值点之间的信号作为一个信号段；根据每个所述信号段中上包络线与下包络线的斜率获得每个信号段的非对称性指标；根据每个信号段的长度与所述非对称性指标获得每个信号段的异常概率；
从所述上包络线与所述下包络线中任选一个作为待插入包络线；根据每个信号段中待插入包络线的包络点数量和异常概率获得每个信号段的段插值包络点数；将所述待插入包络线中任意相邻两个包络点的间隔作为包络点间隔；根据所述待插入包络线中每个包络点间隔的幅值差异与所属信号段的幅值极差，获得包络点间隔的幅值贡献值；根据每个包络点间隔的长度与所属信号段的长度获得包络点间隔的长度贡献值；根据每个包络点间隔的幅值贡献值、长度贡献值和所属信号段的段插值包络点数获得每个包络点间隔的间隔插值包络点数；
根据包络点间隔内所有采样点对应的包络线的幅值的差异获得幅值差异方差；根据幅值差异方差和包络点间隔的幅值差异，筛选每个包络点间隔内间隔插值包络点的最优幅值；根据所述最优幅值拟合待插入包络线；根据拟合后的待插入包络线对所述原始光谱信号进行经验模态分解去噪处理，获得去噪后的光谱信号；
根据所述去噪后的光谱信号获得风险预测评估结果。
进一步地，所述非对称性指标的获取方法包括：
分别获取每个采样点处上包络线和下包络线的斜率值；将每个采样点处上包络线的斜率值的绝对值加1与下包络线的斜率值的绝对值加1的比值，作为每个采样点的斜率值比值；
将每个信号段中所有采样点的所述斜率值比值的平均值负相关映射并取绝对值作为初始非对称性指标，将所述初始非对称性指标归一化作为每个信号段的所述非对称性指标。
进一步地，所述异常概率的获取方法包括：
将每个所述信号段的长度进行负相关映射并归一化后与对应的非对称性相乘作为每个信号段的所述异常概率。
进一步地，所述段插值包络点数的获取方法包括：
根据每个信号段的异常概率获得每个信号段的正常概率，其中，所述异常概率和正常概率的和为1；
将每个信号段中待插入包络线的包络点数量与所述正常概率的比值向上取整后作为段包络点总数，将所述每个信号段的段包络点总数与每个信号段的包络点数量的差值作为每个信号段的段插值包络点数。
进一步地，所述幅值贡献值的获取方法包括：
将每个所述信号段中待插入包络线的最大值与最小值的差作为每个所述信号段的幅值极差；
将每个所述包络点间隔的幅值差异与所属信号段的幅值极差加1的比值作为每个包络点间隔的所述幅值贡献值。
进一步地，所述长度贡献值的获取方法包括：
将每个所述包络点间隔的长度与所属信号段的长度的比值作为每个包络点间隔的长度贡献值。
进一步地，所述间隔插值包络点数的获取方法包括：
将每个包络点间隔的所述幅值贡献与所述长度贡献的平均值作为间隔插值包络点比例；将所述间隔插值包络点比例与所属信号段的段插值包络点数相乘并向上取整，作为每个包络点间隔的所述间隔插值包络点数。
进一步地，所述间隔插值包络点的最优幅值的获取方法包括：
将每个包络点间隔对应的待插入包络线的最小幅值与上包络线的最大幅值作为每个所述包络点间隔的幅值差异；
获得幅值差异方差在每个包络点间隔的幅值差异中进行迭代的最小幅值差异方差，将每个包络点间隔的所述最小幅值差异方差对应的待插入包络线的幅值作为间隔插值包络点的最优幅值。
进一步地，所述风险预测评估结果的获取方法包括：
获取各种有害气体的排放标准阈值；根据所述去噪后的光谱信号获得各种有害气体的排放量；若所述排放量大于或等于所述排放标准阈值，则风险大，停止向焚烧炉内投放垃圾并疏散工作人员；若所述排放量小于所述排放标准阈值，则风险小，继续向焚烧炉内投放垃圾。
本发明具有如下有益效果：
本发明目的在于对有害垃圾无菌化处理过程中进行风险预测评估；首先获取原始光谱信号的上包络线、下包络线和均值包络线，然后将原始信号进行分段，分段的目的在于可以从局部出发分析每个信号段的异常情况；然后通过上包络线和下包络线的非对称性获取每个信号段的异常概率，进而通过异常概率计算出每个信号段内需要补充的段插值包络点数量；再基于各包络点间隔的幅值贡献值、长度贡献值以及所属信号段需要补充的段插值包络点数量，可以得到每个包络间隔应补充的间隔插值包络点数量，最后利用幅值差异方差公式获取插值包络点的最优幅值，更新待插入包络线，进而可以得到更优质的均值包络线，更优质的均值包络线对上包络线或者下包络线的偏重减小，使其残留在细节信号中的低频信息减少，进而避免经验模态分解结果出现较多频率较宽的异常信号，可以整体提高经验模态分解精度，进而提高去噪精度，提高了风险预测评估结果的准确性。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于大数据的有害垃圾无菌化处理风险预测评估方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于大数据的有害垃圾无菌化处理风险预测评估方法实施例：
下面结合附图具体的说明本发明所提供的一种基于大数据的有害垃圾无菌化处理风险预测评估方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于大数据的有害垃圾无菌化处理风险预测评估方法流程图，该方法包括以下步骤：
步骤S1：获取需要焚烧的有害垃圾焚烧时的原始光谱信号。
在本发明实施例中，主要目的在于对经验模态分解算法分解光谱信号时进行优化，整体提高经验模态分解的精度，所以需要获取有害垃圾焚烧时的原始光谱信号。
由于有害垃圾必须经过严格的垃圾分类，才能根据其特性选择合适的处理方式，否则极可能产生爆炸、有毒物质逸散等严重安全问题；由于有害气体在环境中会带有独特的温度特征和光谱特征，故利用红外高光谱探测手段能够有效的利用气体的温度信息和光谱信息，从而对气体进行甄别和检测。在焚烧厂中使有害垃圾完全燃烧，在焚烧炉上方采集有害气体，制成样品利用红外高光谱仪对其进行检测，得到每类需要焚烧的有害垃圾焚烧时的原始光谱信号。需要说明的是，具体焚烧装置与采集气体装置的选择，实施者可根据具体实施场景进行调整，在此不做限定。
至此，获取了每类需要焚烧的有害垃圾焚烧时的原始光谱信号，可以进行后续的操作与处理。
步骤S2：获取原始光谱信号的上包络线、下包络线和均值包络线；将均值包络线中任意相邻两个极值点之间的信号作为一个信号段；根据每个信号段中上包络线与下包络线的斜率获得每个信号段的非对称性指标；根据每个信号段的长度与非对称性指标获得每个信号段的异常概率。
经验模态分解算法的整个分解过程是将原始信号分解为从高频到低频的分量信号，最终通过分量信号的不同组合实现对信号的不同处理。但是由于噪声在不同波段处随机分布，或稀疏或密集，因此分解出的分量信号可能包含较宽的频率范围,信噪分离不精细；通常的处理办法为通过加噪的方式，获取更精细的分量信号；但是由于噪声随机性较大，其叠加在原始信号上并不可控，极有可能造成二次失真。因此本发明实施例通过优化经验模态分解算法的分解过程，精细分解结果。
首先获取步骤S1中获得的原始光谱信号的上包络线和下包络线，由于经验模态分解获得的分量信号的上、下包络线相对于时间轴局部对称，所以为了提高整体分解结果的精度，可以根据原始光谱信号的上包络线和下包络线获得原始光谱信号的均值包络线，然后根据均值包络线将原始光谱信号进行分段，分段方法为：均值包络线中任意相邻两个极值点即包络点之间的信号为一个信号段；然后根据信号段进行局部分析。
根据极值点即包络点拟合包络线的过程中，其本质采用的是局部平滑方法，这种方法对于平稳信号的分解效果最好，而对于非平稳段落，即基线落差较大处的噪声信号，其落差前后极值点之间的拟合点非常稀疏，所获得的包络线更容易被非平稳的基线影响，故包含的低频基线信息较多，会导致其分解结果偏向低频，出现频率较宽的分解信号，由于不平稳信号段包络线的对称性较差，故均值包络线总是侧重上或者下某一侧的包络值，因此可以根据每个信号段中上包络线与下包络线的斜率获得每个信号段的非对称性指标，初步分析每个信号段出现低频分解量的概率，即异常概率；其中，本发明使用非对称性指标表征每个信号段的非对称性。
优选地，本发明一个实施例中非对称性指标的获取方法包括：
首先分别获取每个采样点处上包络线和下包络线的斜率值；当每个采样点处上包络线与下包络线的斜率值刚好互为相反数时，说明此时对称性最好；然后将每个采样点处上包络线的斜率值的绝对值加1与下包络线的斜率值的绝对值加1的比值，作为每个采样点的斜率值比值；取绝对值后再加1的目的在于可以避免分母为0，并且此时比值为1则对称性越好。然后将每个信号段中所有采样点的斜率值比值的平均值进行负相关映射并取绝对值后，作为每个信号段的初始非对称性指标，对初始非对称性指标进行归一化获得每个信号段的非对称性指标。非对称性指标的公式模型为：
其中，Fv表示第v个信号段的非对称性指标，Dv表示第v个信号段的长度，表示第v个信号段中第i+1个采样点处上包络线的值，/>表示第v个信号段中第i个采样点处上包络线的值，/>表示第v个信号段中第i+1个采样点处下包络线的值，/>表示第v个信号段中第i个采样点处下包络线的值，norm()表示归一化操作。
在非对称性的公式模型中，的值表示了第v个信号段的对称性，该值为1时说明此时信号段的对称性最好，因此对该值进行负相关映射并且求绝对值，那么/>表示了第v个信号段的初始非对称性指标，该值越大，说明对称性越差，越容易发生分量信号频率较宽的问题；为了方便后续获得每个信号段的异常概率，利用归一化函数对初始非对称性进行归一化，使得局部信号段的非对称性的取值在(0，1)之间。需要说明的是，归一化操作为本领域技术人员熟知的操作过程，在此不做赘述。
由于信号段的长度也会对分量信号的频率产生影响，所以本发明实施例将信号段的非对称性与每个信号段的长度信息进行结合获得每个信号段的异常概率，异常概率表征了每个信号段出现频率较宽情况的概率。
优选地，本发明一个实施例中异常概率的获取方法包括：
首先对每个信号段的长度进行处理，将每个信号段的长度进行负相关映射并归一化后再与对应的非对称性指标相乘，将该乘积作为每个信号段的异常概率。异常概率的公式模型为：
其中，ρv表示第v个信号段的异常概率，Fv表示第v个信号段的非对称性指标，Dv表示第v个信号段的长度。
在异常概率的公式模型中，当信号段的非对称性指标越大，说明均值包络线总是侧重于上包络线一侧或者下包络线一侧的包络值，在分解过程中，原始信号减去均值包络线后得到的分量信号中就会残留一部分原包络线的信息，会造成分量信号中原本为高频噪声的分量信号变成低频的分量信号，同时当信号段的长度越小时，此时更容易发生分量信号频率较宽的问题，则该信号段异常的概率就越大。
至此，基于每个信号段的非对称性指标和信号段长度获得了每个信号段的异常概率，可以对信号段进行调整。
步骤S3：从上包络线与下包络线中任选一个作为待插入包络线；根据每个信号段中待插入包络线的包络点数量和异常概率获得每个信号段的段插值包络点数；将待插入包络线中任意相邻两个包络点的间隔作为包络点间隔；根据待插入包络线中每个包络点间隔的幅值差异与所属信号段的幅值极差，获得包络点间隔的幅值贡献值；根据每个包络点间隔的长度与所属信号段的长度获得包络点间隔的长度贡献值；根据每个包络点间隔的幅值贡献值、长度贡献值和所属信号段的段插值包络点数获得每个包络点间隔的间隔插值包络点数。
由于上包络线和下包络线的对称性是一个相对关系，在进行调整时难以同时调节上包络线和下包络线，所以可以首先确定服从关系，例如以上包络线为主定义非对称性，将下包络线定义为需要调整的包络线，即待插入包络线。需要说明的是，也可以以下包络线为主定义非对称性，将上包络线定义为待插入包络线，实施者可根据具体实施场景进行选择，不做限定。
根据步骤S2中获得的每个信号段的异常概率，可以对其进行调整，即通过对异常信号段中增加插值包络点的方式，补偿上包络线和下包络线不对称导致的包络线信息残留问题。可以根据每个信号段中待插入包络线的包络点数量和异常概率获得每个信号段需要补充的段插值包络点数。
优选地，本发明一个实施例中段插值包络点数的获取方法包括：
根据每个信号段的异常概率获得每个信号段的正常概率；将每个信号段中待插入包络线的包络点数量与该正常概率的比值向上取整后作为段包络点总数，段包络点总数表征了该信号段正常情况下需要的包络点总数；然后将每个信号段的段包络点总数与每个信号段的包络点数量的差值作为每个信号段需要补充的段插值包络点数。段插值包络点数的公式模型为：
其中，Wv表示第v个信号段的段插值包络点数，Hv表示第v个信号段对应的待插入包络线中的包络点数量，ρv表示第v个信号段的异常概率，表示向上取整函数。
在段插值包络点数的公式模型中，1-ρv表示第v个信号段的正常概率，正常概率与信号段的包络点数量的比值表示了该信号段中每个包络点对于分量信号为正常频率的贡献值；故要使得该段信号分解的正常率达到百分之百，共需要个包络点，所以当信号段的异常概率越大，则要使该信号段分解的正常率达到百分之百所需的段包络点总数应该越大；将每个信号段的段包络点总数减去每个信号段的包络点数量即可获得每个信号段需要补充的段插值包络点数。
获得的段插值包络点均会补充在对应的信号段的下包络线，即待插入包络线中，由于信号段是在步骤S2中根据均值包络线的相邻极值点进行划分的，所以每个信号段对应的待插入包络线中可能会包含多个包络点；因此应该对信号段进行进一步的划分，便于确定待插入包络线中每两个相邻的包络点之间需要补充的插值包络点数。首先定义包络点间隔，将待插入包络线中任意相邻两个包络点的间隔作为包络点间隔；然后根据插入包络线中每个包络点间隔的幅值差异与所属信号段的幅值极差，获得包络点间隔的幅值贡献值，包络点间隔的幅值贡献值可以初步表征出包络点间隔应该补充的插值包络点的比例。
优选地，本发明一个实施例中幅值贡献值的获取方法包括：
将每个信号段中待插入包络线的最大值与最小值的差作为每个信号段的幅值极差；然后获取每个包络点间隔的幅值差异，将该幅值差异与每个包络点间隔所属信号段的幅值极差加1的比值作为每个包络点间隔的幅值贡献值。幅值贡献值的公式模型为：
其中，表示第v个信号段对应的待插入包络线中第r个包络点和第r+1个包络点组成的包络点间隔的幅值贡献值，/>表示第v个信号段对应的待插入包络线中第r+1个包络点的幅值，/>表示第v个信号段对应的待插入包络线中第r个包络点的幅值，/>表示第v个信号段对应的待插入包络线中的极大值，/>表示第v个信号段对应的待插入包络线中的极小值。
在幅值贡献值的公式模型中，分母加1是为了避免某个信号段对应的待插入包络线为平直导致出现分母为0的情况，当相邻两个包络点的幅值差异与所属信号段的幅值极差的比值越大，说明该相邻两个包络点组成的包络点间隔对于所在信号段的幅值贡献越大，即幅值落差越大，则该包络点间隔中越需要补充插值包络点。
然而仅仅根据每个包络点间隔的幅值贡献值来确定每个包络点间隔需要补充的插值包络点数不够准确，所以本发明结合每个包络点间隔的长度对于所属信号段的长度贡献值来确定每个包络点间隔应该补充的插值包络点数。
优选地，本发明一个实施例中长度贡献值的获取方法包括：
将每个包络点间隔的长度与所属信号段长度的比值作为每个包络点间隔的长度贡献。长度贡献值的公式模型为：
其中，表示第v个信号段对应的待插入包络线中第r个包络点和第r+1个包络点组成的包络点间隔的长度贡献值，/>表示第v个信号段对应的待插入包络线中第r个包络点和第r+1个包络点组成的包络点间隔的长度，Dv表示第v个信号段的长度。
在长度贡献值的公式模型中，当包络点间隔的长度占所属信号段的长度的比例越大，说明该信号段中包络点的分布越稀疏，即越容易存在信息残留，应该补充插值包络点。
由于每个包络点间隔的幅值贡献值和长度贡献值分别表征了每个包络点间隔的幅值和长度在所属信号段中的占比情况，所以可以基于每个包络点间隔的幅值贡献值、长度贡献值以及所属信号段的段插值包络点数获得每个包络点间隔需要补充的间隔插值包络点数。
优选地，本发明一个实施例中间隔插值包络点数的公式模型为：
将每个包络点间隔的幅值贡献值与长度贡献值相加，然后将相加后的结果求平均值；此时的平均值综合了幅值贡献值与长度贡献值，表征了每个包络点间隔应该补充的间隔插值包络点的比例；然后将该平均值与所属信号段的段插值包络点数相乘并向上取整，作为每个包络点间隔的间隔插值包络点数。间隔插值包络点数的公式模型为：
其中，表示第v个信号段对应的待插入包络线中第r个包络点和第r+1个包络点组成的包络点间隔的间隔插值包络点数，Wv表示第v个信号段的段插值包络点数，表示第v个信号段对应的待插入包络线中第r个包络点和第r+1个包络点组成的包络点间隔的幅值贡献值，/>表示第v个信号段对应的待插入包络线中第r个包络点和第r+1个包络点组成的包络点间隔的长度贡献值，/>表示向上取整函数。
在间隔插值包络点数的公式模型中，当每个包络点间隔应该补充的间隔插值包络点的比例越大，则该包络点间隔中应该补充的间隔插值包络点数就越大。
至此，获得了每个信号段中待插入包络线的每个包络点间隔中应该补充的间隔插值包络点数，完成了初步调整。
步骤S4：根据包络点间隔内所有采样点对应的包络线的幅值的差异获得幅值差异方差；根据幅值差异方差和包络点间隔的幅值差异，筛选每个包络点间隔内间隔插值包络点的最优幅值；根据最优幅值拟合待插入包络线；根据拟合后的待插入包络线对原始光谱信号进行经验模态分解去噪处理，获得去噪后的光谱信号。
根据步骤S3获得了每个包络点间隔应该补充的间隔插值包络点数量，然后在存在间隔插值包络点的包络点间隔中，将间隔插值包络点在各个采样点之间进行均匀分布，根据包络点间隔内所有采样点对应的包络线幅值获得幅值差异方差，并且可以根据该幅值差异方差和每个包络点间隔的幅值差异筛选出每个包络点间隔内间隔插值包络点的最优幅值。
优选地，本发明一个实施例中间隔插值包络点的最优幅值的获取方法包括：
首先获取幅值差异方差在每个包络点间隔内迭代的迭代范围，迭代范围可根据每个包络点间隔的幅值差异获得，具体获取方法为该包络点间隔内下包络线即待插入包络线上的最小幅值至该包络点间隔对应的上包络线的最大幅值之间的所有数值集合。例如，第r个包络点和第r+1个包络点组成的包络点间隔内待插入包络线上的最小幅值为-8，该包络点间隔对应的上包络线上的最大幅值为12，则该包络点间隔对应的迭代范围为(-8，12)。
获取每个包络点间隔内所有采样点对应的包络线幅值差异的均值；然后根据包络点间隔内所有采样点对应的包络线幅值获得幅值差异方差，幅值差异方差的公式模型为：
其中，E表示幅值差异方差，Q表示每个包络点间隔内的采样点总数，a表示上包络线，b表示下包络线，表示包络点间隔内第s个采样点处上包络线的幅值，/>表示包络点间隔内第s个采样点处待插入包络线的幅值，/>表示每个包络点间隔内所有采样点的上包络线与待插入包络线的幅值差异的均值。
在幅值差异方差的公式模型中，代表在迭代至该插值包络点幅值时，第s个采样点处上包络线与待插入包络线的幅值差异，当E，即幅值差异方差最小时，说明该插值包络点幅值最优。
获得幅值差异方差在每个包络点间隔对应的迭代范围内的最小幅值差异方差，将该最小幅值差异方差对应的幅值作为对应的包络点间隔内间隔插值包络点的最优幅值。
至此，获得了待插入包络线中所有包络点间隔内的间隔插值包络点的最优幅值，故可以根据最优幅值采用局部平滑方法重新拟合待插入包络线。
重新拟合后的待插入包络线可以获得更加优质的均值包络线，此时的均值包络线对上包络线一侧或者下包络线一侧的偏重减小，使其残留在细节信号中的低频信息减小，可以有效避免使用经验模态分解的分量信号中出现较多频率较宽的异常信号，故可以整体提高经验模态分解算法的精度。
然后可以根据经验模态分解算法精细分解后的分量信号进行分析去噪，可以通过直接去除前两个分量信号的方式去除噪声，也可以根据前两个分量信号估测噪声类型、噪声强度，选用合适强度的滤波器对噪声进行滤除。需要说明的是，经验模态分解算法为本领域技术人员熟知的技术手段，在此不做赘述，同时具体去噪过程实施者可根据具体实施场景进行选择与调整，在此不做限定及赘述。
步骤S5：根据去噪后的光谱信号获得风险预测评估结果。
去噪后的光谱信号可以更好的识别有害垃圾高温焚烧过程中的有害气体类型、含量，获得更加准确的风险预测评估结果。
优选地，本发明一个实施例中风险预测评估结果的获取方法包括：
获取各种有害气体的排放标准阈值；根据去噪后的光谱信号获得各种有害气体的排放量；若排放量大于或等于排放标准阈值，则风险大，此时应该停止向焚烧炉内投放垃圾并疏散工作人员；若排放量小于排放标准阈值，则风险小，此时可以继续向焚烧炉内投放垃圾。需要说明的是，各种有害气体的排放标准阈值为公开信息，在此不做赘述。
综上所述，本发明的目的在于对利用经验模态分解算法对有害垃圾焚烧时的光谱信号分解时进行优化，整体提高经验模态分解的精度；故本发明实施例中首先获取有害垃圾焚烧时的原始光谱信号。由于经验模态分解算法获得的分量信号相对于时间轴是局部对称的，所以本发明从局部进行分析，利用均值包络线将原始光谱信号分段获得多个信号段，然后利用信号段的局部非对称性并与信号段的长度进行结合获得了每个信号段的异常概率；异常概率可以反映出每个信号段出现异常即频率较宽情况的概率。然后需要对异常情况进行调整，本发明实施例中定义了待插入包络线，然后根据每个信号段的异常概率以及每个信号段对应的待插入包络线中的包络点数量可以得到每个信号段需要补充的段插值包络点数；该段插值包络点会均匀补充在对应的信号段的待插入包络线中。由于每个信号段对应的待插入包络线中可能会包含多个包络点，所以需要进行进一步的处理获得每两个相邻包络点之间需要补充多少个插值包络点；本发明实施例通过每两个相邻包络点组成的包络点间隔对于所属信号段的幅值贡献和长度贡献获得了每个包络点间隔需要补充的插值包络点比例；然后根据该比例与包络点间隔所属的信号段的段插值包络点数获得每个包络点间隔的间隔插值包络点数；此时完成了初步调整，需要继续确定间隔插值包络点的幅值。根据包络点间隔内采样点对应的包络线的幅值构建幅值差异方差公式，根据每个包络点间隔对应的待插入包络线的最小幅值与上包络线的最大幅值即每个包络点间隔的幅值差异确定迭代范围；通过幅值差异方差公式在该迭代范围中的迭代结果筛选出间隔插值包络点的最优幅值。根据每个间隔插值包络点的最优幅值重新拟合待插入包络线，然后进行经验模态分解，此时的均值包络线对上包络线一侧或者下包络线一侧的偏重减小，使其残留在细节信号中的低频信息减小，可以有效避免使用经验模态分解的分量信号中出现较多频率较宽的异常信号，可以整体提高经验模态分解算法的精度。然后可以根据经验模态分解算法精细分解后的分量信号进行分析去噪，获得去噪后的光谱信号，去噪后的光谱信号可以更好的识别有害垃圾高温焚烧过程中的有害气体类型、含量，获得更加准确的风险预测评估结果。
一种有害垃圾焚烧过程中光谱信号去噪方法实施例：
通常在对有害垃圾焚烧过程中的光谱信号利用经验模态分解算法进行去噪处理时，由于获取光谱信号时的环境因素、待测物质等的影响会导致光谱信号出现较多噪声，导致经验模态分解算法的精度较低，影响后续的去噪效果，本实施例提供了一种有害垃圾焚烧过程中光谱信号去噪方法，包括：
步骤S1:获取需要焚烧的有害垃圾焚烧时的原始光谱信号；
步骤S2:获取所述原始光谱信号的上包络线、下包络线和均值包络线；将所述均值包络线中任意相邻两个极值点之间的信号作为一个信号段；根据每个所述信号段中上包络线与下包络线的斜率获得每个信号段的非对称性指标；根据每个信号段的长度与所述非对称性指标获得每个信号段的异常概率；
步骤S3:从所述上包络线与所述下包络线中任选一个作为待插入包络线；根据每个信号段中待插入包络线的包络点数量和异常概率获得每个信号段的段插值包络点数；将所述待插入包络线中任意相邻两个包络点的间隔作为包络点间隔；根据所述待插入包络线中每个包络点间隔的幅值差异与所属信号段的幅值极差，获得包络点间隔的幅值贡献值；根据每个包络点间隔的长度与所属信号段的长度获得包络点间隔的长度贡献值；根据每个包络点间隔的幅值贡献值、长度贡献值和所属信号段的段插值包络点数获得每个包络点间隔的间隔插值包络点数；
步骤S4:根据包络点间隔内所有采样点对应的包络线的幅值的差异获得幅值差异方差；根据幅值差异方差和包络点间隔的幅值差异，筛选每个包络点间隔内间隔插值包络点的最优幅值；根据所述最优幅值拟合待插入包络线；根据拟合后的待插入包络线对所述原始光谱信号进行经验模态分解去噪处理，获得去噪后的光谱信号。
其中，步骤S1～S4在上述基于大数据的有害垃圾无菌化处理风险预测评估方法实施例中已给出了详细说明，在此不再赘述。
本实施例带来的有益效果包括：针对在光谱信号存在较大噪声时，经验模态分解算法的精度较低，影响后续的去噪效果的情况，故本实施例提出了一种提高去噪精度的方法；首先获取原始光谱信号的上包络线、下包络线以及均值包络线；然后将原始信号进行分段，分段的目的在于可以从局部出发分析每个信号段在噪声的影响下发生异常的概率，即每个信号段的异常概率，然后通过异常概率可以计算出每个信号段内需要补充的段差值包络点数量；由于每个信号段中包含多个包络点间隔，故进一步根据每个包络点间隔的幅值贡献值、长度贡献值以及段插值包络点数量获得每个包络点间隔需要补充的间隔插值包络点数量；最后利用幅值差异方差公式获取每个间隔插值包络点的最优幅值，进而重新拟合待插入包络线；重新拟合后的包络线消除了均值包络线对上包络线或者下包络线的偏重，故避免了经验模态分解结果出现较多频率较宽的异常信号，可以整体提高经验模态分解精度，提高了去噪精度，增强了去噪效果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述方法包括：
获取需要焚烧的有害垃圾焚烧时的原始光谱信号；
获取所述原始光谱信号的上包络线、下包络线和均值包络线；将所述均值包络线中任意相邻两个极值点之间的信号作为一个信号段；根据每个所述信号段中上包络线与下包络线的斜率获得每个信号段的非对称性指标；根据每个信号段的长度与所述非对称性指标获得每个信号段的异常概率；
从所述上包络线与所述下包络线中任选一个作为待插入包络线；根据每个信号段中待插入包络线的包络点数量和异常概率获得每个信号段的段插值包络点数；将所述待插入包络线中任意相邻两个包络点的间隔作为包络点间隔；根据所述待插入包络线中每个包络点间隔的幅值差异与所属信号段的幅值极差，获得包络点间隔的幅值贡献值；根据每个包络点间隔的长度与所属信号段的长度获得包络点间隔的长度贡献值；根据每个包络点间隔的幅值贡献值、长度贡献值和所属信号段的段插值包络点数获得每个包络点间隔的间隔插值包络点数；
根据包络点间隔内所有采样点对应的包络线的幅值的差异获得幅值差异方差；根据幅值差异方差和包络点间隔的幅值差异，筛选每个包络点间隔内间隔插值包络点的最优幅值；根据所述最优幅值拟合待插入包络线；根据拟合后的待插入包络线对所述原始光谱信号进行经验模态分解去噪处理，获得去噪后的光谱信号；
根据所述去噪后的光谱信号获得风险预测评估结果。
2.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述非对称性指标的获取方法包括：
分别获取每个采样点处上包络线和下包络线的斜率值；将每个采样点处上包络线的斜率值的绝对值加1与下包络线的斜率值的绝对值加1的比值，作为每个采样点的斜率值比值；
将每个信号段中所有采样点的所述斜率值比值的平均值负相关映射并取绝对值作为初始非对称性指标，将所述初始非对称性指标归一化作为每个信号段的所述非对称性指标。
3.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述异常概率的获取方法包括：
将每个所述信号段的长度进行负相关映射并归一化后与对应的非对称性相乘作为每个信号段的所述异常概率。
4.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述段插值包络点数的获取方法包括：
根据每个信号段的异常概率获得每个信号段的正常概率，其中，所述异常概率和正常概率的和为1；
将每个信号段中待插入包络线的包络点数量与所述正常概率的比值向上取整后作为段包络点总数，将所述每个信号段的段包络点总数与每个信号段的包络点数量的差值作为每个信号段的段插值包络点数。
5.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述幅值贡献值的获取方法包括：
将每个所述信号段中待插入包络线的最大值与最小值的差作为每个所述信号段的幅值极差；
将每个所述包络点间隔的幅值差异与所属信号段的幅值极差加1的比值作为每个包络点间隔的所述幅值贡献值。
6.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述长度贡献值的获取方法包括：
将每个所述包络点间隔的长度与所属信号段的长度的比值作为每个包络点间隔的长度贡献值。
7.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述间隔插值包络点数的获取方法包括：
将每个包络点间隔的所述幅值贡献与所述长度贡献的平均值作为间隔插值包络点比例；将所述间隔插值包络点比例与所属信号段的段插值包络点数相乘并向上取整，作为每个包络点间隔的所述间隔插值包络点数。
8.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述间隔插值包络点的最优幅值的获取方法包括：
将每个包络点间隔对应的待插入包络线的最小幅值与上包络线的最大幅值作为每个所述包络点间隔的幅值差异；
获得幅值差异方差在每个包络点间隔的幅值差异中进行迭代的最小幅值差异方差，将每个包络点间隔的所述最小幅值差异方差对应的待插入包络线的幅值作为间隔插值包络点的最优幅值。
9.根据权利要求1所述的一种基于大数据的有害垃圾无菌化处理风险预测评估方法，其特征在于，所述风险预测评估结果的获取方法包括：
获取各种有害气体的排放标准阈值；根据所述去噪后的光谱信号获得各种有害气体的排放量；若所述排放量大于或等于所述排放标准阈值，则风险大，停止向焚烧炉内投放垃圾并疏散工作人员；若所述排放量小于所述排放标准阈值，则风险小，继续向焚烧炉内投放垃圾。
CN202310903008.8A 2023-07-21 2023-07-21 基于大数据的有害垃圾无菌化处理风险预测评估方法 Active CN116910452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310903008.8A CN116910452B (zh) 2023-07-21 2023-07-21 基于大数据的有害垃圾无菌化处理风险预测评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310903008.8A CN116910452B (zh) 2023-07-21 2023-07-21 基于大数据的有害垃圾无菌化处理风险预测评估方法

Publications (2)

Publication Number Publication Date
CN116910452A true CN116910452A (zh) 2023-10-20
CN116910452B CN116910452B (zh) 2024-04-26

Family

ID=88364379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310903008.8A Active CN116910452B (zh) 2023-07-21 2023-07-21 基于大数据的有害垃圾无菌化处理风险预测评估方法

Country Status (1)

Country Link
CN (1) CN116910452B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131444A (zh) * 2023-10-25 2023-11-28 南京海关工业产品检测中心 一种基于深度学习的固废风险自动识别方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032942A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于高斯平滑的设备振动信号全频带特征提取和报警方法
CN105651376A (zh) * 2014-11-10 2016-06-08 上海宝钢工业技术服务有限公司 机械设备离线检测系统振动信号频谱分析和报警方法
CN105675112A (zh) * 2015-12-31 2016-06-15 北京金风科创风电设备有限公司 风电机组异常振动的监测方法和装置
CN107179758A (zh) * 2017-05-22 2017-09-19 中国电力科学研究院 一种动态信号参数辨识方法及系统
CN110558973A (zh) * 2019-09-06 2019-12-13 江苏华康信息技术有限公司 一种基于极值能量分解法的心电图信号量化分析方法
CN112149230A (zh) * 2020-09-27 2020-12-29 中南大学 一种强风铁路风致列车舒适性劣化预测方法
CN113066064A (zh) * 2021-03-29 2021-07-02 郑州铁路职业技术学院 基于人工智能的锥束ct图像生物结构识别及三维重建系统
CN113640790A (zh) * 2021-06-08 2021-11-12 西安电子科技大学 基于二维自适应谱估计的宽带宽脉冲高速目标检测方法
CN113936336A (zh) * 2021-11-10 2022-01-14 郑州铁路职业技术学院 一种基于机器视觉的动车司机疲劳驾驶检测方法
CN114706046A (zh) * 2022-04-18 2022-07-05 北京理工大学 一种基于谐波包络自适应加权的调频引信抗干扰方法
US20220373432A1 (en) * 2021-12-29 2022-11-24 Sichuan University Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102032942A (zh) * 2009-09-25 2011-04-27 上海宝钢工业检测公司 基于高斯平滑的设备振动信号全频带特征提取和报警方法
CN105651376A (zh) * 2014-11-10 2016-06-08 上海宝钢工业技术服务有限公司 机械设备离线检测系统振动信号频谱分析和报警方法
CN105675112A (zh) * 2015-12-31 2016-06-15 北京金风科创风电设备有限公司 风电机组异常振动的监测方法和装置
CN107179758A (zh) * 2017-05-22 2017-09-19 中国电力科学研究院 一种动态信号参数辨识方法及系统
CN110558973A (zh) * 2019-09-06 2019-12-13 江苏华康信息技术有限公司 一种基于极值能量分解法的心电图信号量化分析方法
CN112149230A (zh) * 2020-09-27 2020-12-29 中南大学 一种强风铁路风致列车舒适性劣化预测方法
CN113066064A (zh) * 2021-03-29 2021-07-02 郑州铁路职业技术学院 基于人工智能的锥束ct图像生物结构识别及三维重建系统
CN113640790A (zh) * 2021-06-08 2021-11-12 西安电子科技大学 基于二维自适应谱估计的宽带宽脉冲高速目标检测方法
CN113936336A (zh) * 2021-11-10 2022-01-14 郑州铁路职业技术学院 一种基于机器视觉的动车司机疲劳驾驶检测方法
US20220373432A1 (en) * 2021-12-29 2022-11-24 Sichuan University Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion
CN114706046A (zh) * 2022-04-18 2022-07-05 北京理工大学 一种基于谐波包络自适应加权的调频引信抗干扰方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
R. PUCHE-PANADERO: "Micro Zero Padding for the Reduction of Spectral Leakage in the Diagnosis of Rotor Asymmetries Faults in Large Induction", 《2018 XIII INTERNATIONAL CONFERENCE ON ELECTRICAL MACHINES (ICEM)》, 31 December 2018 (2018-12-31) *
倪良华;肖李俊;吕干云;历馨;: "基于改进HHT的电压闪变检测", 电测与仪表, no. 18, 25 September 2017 (2017-09-25) *
周路坦: "化妆品塑料包装材料中16种邻苯二甲酸酯的测定", 《塑料科技》, 25 January 2022 (2022-01-25) *
沈子文;徐科军;方敏;朱文姣;汪伟;: "基于能量变化率的气体超声波流量计信号处理方法", 仪器仪表学报, no. 09, 15 September 2015 (2015-09-15) *
茹瑞鹏: "改善EMD端点效应的煤矿供电系统谐波检测方法", 《机电工程技术》, 20 June 2023 (2023-06-20) *
马宏陆;葛琳琳;牛强;夏士雄;: "一种基于改进EMD的风机振动信号异常检测方法", 南京师大学报(自然科学版), no. 01, 20 March 2017 (2017-03-20) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117131444A (zh) * 2023-10-25 2023-11-28 南京海关工业产品检测中心 一种基于深度学习的固废风险自动识别方法和系统
CN117131444B (zh) * 2023-10-25 2023-12-22 南京海关工业产品检测中心 一种基于深度学习的固废风险自动识别方法和系统

Also Published As

Publication number Publication date
CN116910452B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN116910452B (zh) 基于大数据的有害垃圾无菌化处理风险预测评估方法
Yuan et al. A partial least squares and wavelet-transform hybrid model to analyze carbon content in coal using laser-induced breakdown spectroscopy
ZHANG et al. Progress of chemometrics in laser-induced breakdown spectroscopy analysis
CN112766075B (zh) 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法
CN110261405B (zh) 基于显微高光谱技术的绝缘子污秽成分识别方法
JP2013537307A5 (zh)
CN117030654B (zh) 一种空气中痕量级二氧化硫浓度测量方法
CN114279982A (zh) 水体污染信息获取方法及装置
CN110032988A (zh) 紫外拉曼光谱系统实时降噪增强方法
Steltner et al. Identification and removal of non-Gaussian noise transients for gravitational-wave searches
Wang et al. Simultaneous quantitative analysis of four metal elements in oily sludge by laser induced breakdown spectroscopy coupled with wavelet transform-random forest (WT-RF)
CN117368141B (zh) 基于人工智能的高氯酸盐废水浓度智能检测方法
CN117664906B (zh) 基于光谱特征的水体抗生素污染检测方法
CN105628675A (zh) 一种功率敏感物质的拉曼荧光干扰的消除方法
CN117172430B (zh) 一种基于深度学习的水体环境评估与预测方法及系统
CN111582132A (zh) 基于改进eemd与pcnn的气体泄漏信号降噪方法
CN116380869A (zh) 一种基于自适应稀疏分解的拉曼光谱去噪方法
Gao et al. Multivariate calibration of spectrophotometric data using a partial least squares with data fusion
Ma et al. Wavelet smoothing applied to the determination of trace arsenic, lead, antimony and selenium in environmental water by ICP-OES
CN109711736B (zh) 一种筛选流域水环境风险物质的方法及装置
CN114764861A (zh) 一种基于计算机视觉的污水处理验证方法
CN106596357A (zh) 一种柴油机颗粒物形貌的表征方法
CN110987853A (zh) 基于太赫兹光谱的土壤铅污染程度预测方法及装置
CN117629967B (zh) 基于光谱分析的土壤土层污染快速检测方法
CN113075181B (zh) 一种水污染溯源三维荧光数字信号的线性变换增益方法

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