CN118094266A - 一种智能终端核辐射检测分析方法及系统 - Google Patents
一种智能终端核辐射检测分析方法及系统 Download PDFInfo
- Publication number
- CN118094266A CN118094266A CN202410503525.0A CN202410503525A CN118094266A CN 118094266 A CN118094266 A CN 118094266A CN 202410503525 A CN202410503525 A CN 202410503525A CN 118094266 A CN118094266 A CN 118094266A
- Authority
- CN
- China
- Prior art keywords
- nuclear radiation
- data
- radiation
- nuclear
- radiation data
- 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
- 230000005855 radiation Effects 0.000 title claims abstract description 529
- 238000001514 detection method Methods 0.000 title claims abstract description 113
- 238000004458 analytical method Methods 0.000 title claims description 27
- 238000010586 diagram Methods 0.000 claims abstract description 69
- 238000003860 storage Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004140 cleaning Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000001228 spectrum Methods 0.000 claims description 28
- 239000002689 soil Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 239000005416 organic matter Substances 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/02—Dosimeters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/16—Measuring radiation intensity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/36—Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本发明涉及辐射检测技术领域,特别是一种智能终端核辐射检测分析方法及系统,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;对各个存储空间内的核辐射数据进行数据清洗处理;基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示。通过本方法能够有效提高核辐射检测的准确性和可靠性,可以识别出高辐射区域,从而采取及时的应对措施,降低辐射风险。
Description
技术领域
本发明涉及辐射检测技术领域,特别是一种智能终端核辐射检测分析方法及系统。
背景技术
核辐射是一种可能对人类健康造成危害的物质,因此,对核辐射的及时检测和分析显得尤为重要。传统的核辐射检测方法通常需要专业的仪器和人员进行操作,耗时耗力且成本较高。随着数据分析技术的发展,基于数据分析的智能终端核辐射检测分析方法逐渐受到关注。利用智能终端设备搭载传感器对周围环境中的核辐射进行实时监测,并通过数据分析技术对监测到的数据进行处理和分析。通过建立合适的数据模型和算法,智能终端可以实现对核辐射的快速、准确的识别和分析,生成相应的检测报告,从而帮助用户及时采取相应的措施保护自身安全。相比传统的检测方法,基于数据分析的智能终端核辐射检测分析方法具有成本低、实时性强、准确度高等优势,有望成为未来核辐射监测领域的重要发展方向。
发明内容
本发明克服了现有技术的不足,提供了一种智能终端核辐射检测分析方法及系统。
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智能终端核辐射检测分析方法,包括以下步骤:
获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点;
构建若干个存储空间,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;其中,所述核辐射数据包括辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据;并将各个存储空间内清洗后的核辐射数据进行汇集,得到一个核辐射数据总集;
基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;其中,各个最终核辐射数据子集中的核辐射数据分别为所采集到的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示;其中,所述核辐射数据图包括实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图。
进一步地,本发明的一个较佳实施例中,获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点,具体为:
收集目标区域中所有的辐射事件记录,所述辐射事件记录包括辐射水平、辐射类型、时间和地点,并根据所述辐射事件记录确定出目标区域中的核辐射源;
获取所述核辐射源的地理位置坐标信息,并将所述地理位置坐标信息标记中心点,将该中心点的预设半径范围区域标记为核辐射风险区域;基于遥感技术获取所述核辐射风险区域的遥感图像信息,根据所述遥感图像信息构建核辐射风险区域的地理三维模型图;
获取智能终端的检测工作范围,根据智能终端的检测工作范围定义适应度函数;在所述地理三维模型图中随机生成一个初始种群,所述初始种群中包含若干个体,且每个个体代表一个可能的检测点;
根据所述适应度函数计算初始种群中每个个体的适应度;将适应度大于预设阈值的个体保留,将适应度不大于预设阈值的个体剔除;对剩余个体进行交叉和变异操作,得到交叉和变异后的个体;
根据交叉和变异后的个体组成一个新的种群,并计算该新的种群中每个个体的适应度;若该新的种群中每个个体的适应度均大于预设阈值,则将获取该新的种群中每个个体在所述地理三维模型图中的位置坐标,并将所述位置坐标所对应的位置节点标记为预设检测点;
若该新的种群中存在一个或多个个体的适应度不大于预设阈值的情况,则继续将适应度不大于预设阈值的个体筛除,然后将剩余个体进行交叉和变异操作,并重新评估再次交叉和变异后的个体的适应度情况,直至新的种群中每个个体的适应度均大于预设阈值。
进一步地,本发明的一个较佳实施例中,根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据,具体为:
随机访问一个存储空间内的核辐射数据,根据所述存储空间内的核辐射数据生成若干个节点,对于每个节点,随机选择一个特征,并在该特征的值域内随机选择一个切分值;
根据所述切分值将核辐射数据切分为两部分,得到两个子节点,并获取各个子节点中核辐射数据的数量;判断各个子节点中核辐射数据的数量是否小于预设数值;
若小于,则停止切分,生成一个孤立森林;若不小于,则继续切分,直至各个子节点中核辐射数据的数量小于预设数值,则生成一个孤立森林;
对于每个核辐射数据,在孤立森林中的每棵树上计算其孤立路径长度,得到每个核辐射数据的孤立路径长度;其中,孤立路径长度是从根节点到叶节点的边数;
将每个核辐射数据的孤立路径长度与预设路径长度进行比较;若某个核辐射数据的孤立路径长度不大于预设路径长度,则将核辐射数据标记为离群数据,并将该离群数据筛除,得到清洗后的核辐射数据;
继续访问未访问过的存储空间内的核辐射数据,重复上述步骤,以对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据。
进一步地,本发明的一个较佳实施例中,基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集,具体为:
将所述核辐射数据总集中的各核辐射数据均视为一个一类簇,计算各个一类簇之间的马氏距离,并将马氏距离最近的两个一类簇进行合并,得到若干个二类簇;
继续计算各个二类簇之间的马氏距离,同样将马氏距离最近的两个二类簇进行合并,得到若干个三类簇;
重复上述步骤,以将各核辐射数据进行迭代聚类,得到若干个N类簇;直至N类簇的数量小于预设数量后,分别提取若干个N类簇内所对应的核辐射数据,得到若干个初始核辐射数据子集;
计算各个初始核辐射数据子集中核辐射数据的均值,并将所计算得到的均值作为相应初始核辐射数据子集的质心,得到各个初始核辐射数据子集的质心;
分别计算各个初始核辐射数据子集内各核辐射数据到质心之间的欧氏距离,若某一个核辐射数据到质心之间的欧氏距离大于预设欧氏距离,则将该核辐射数据标记为聚类错误数据,并该聚类错误数据在相应的初始核辐射数据子集中筛除;
将所述聚类错误数据模拟分配至其余初始核辐射数据子集中,并计算该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离;若该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离均大于预设欧氏距离,则将该聚类错误数据彻底删除;
若该聚类错误数据与某一个初始核辐射数据子集中质心之间的欧氏距离不大于预设欧氏距离,则将该聚类错误数据保留在该初始核辐射数据子集中,并在该聚类错误数据在其余初始核辐射数据子集中删除;
更新所有初始核辐射数据子集的核辐射数据,得到若干个最终核辐射数据子集。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
获取核辐射风险区域在受到核污染前的辐射强度数据,根据核辐射风险区域在受到核污染前的辐射强度数据制定标准辐射强度分布图;
将所述标准辐射强度分布图与实时辐射强度分布图转化为灰度图像,得到灰度化后的标准辐射强度分布图与实时辐射强度分布图;
对于灰度化后的标准辐射强度分布图,分别遍历图像中的每个像素,对于每个像素,找到其在预设距离和预设角度内的相邻像素,统计每个像素与相邻像素的共生对,并根据每个像素与相邻像素的共生对生成第一灰度共生矩阵;
对于灰度化后的实时辐射强度分布图,分别遍历图像中的每个像素,对于每个像素,找到其在预设距离和预设角度内的相邻像素,统计每个像素与相邻像素的共生对,并根据每个像素与相邻像素的共生对生成第二灰度共生矩阵;
基于余弦相似度算法计算所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度;并将所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度与预设余弦相似度进行比较;
若某一矩阵位置上元素之间的余弦相似度不大于预设余弦相似度,则将所述实时辐射强度分布图中相应位置节点标记为需进行修复位置节点,并该需进行修复位置节点发送至预设平台上显示。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
在所述实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图中获取所述需进行修复位置节点的辐射强度、辐射能谱、辐射类型以及辐射剂量率,得到需进行修复位置节点的辐射特征数据;
以及获取需进行修复位置节点中土壤的土壤理化性质,所述土壤理化性质包括土壤类型、质地、有机质含量、pH值、水分含量、密度以及孔隙度;
基于所述需进行修复位置节点的辐射特征数据与土壤理化性质生成关联性文本,基于所述关联性文本并结合灰色关联分析法对共享数据库中各历史修复方案进行关联分析,得到若干个关联度;
在共享数据库获取与最大关联度对应的历史修复方案,并将与最大关联度对应的历史修复方案作为修复该需进行修复位置节点的推荐修复方案,并该需进行修复位置节点的推荐修复方案发送至预设平台上显示。
本发明第二方面公开了一种智能终端核辐射检测分析系统,所述智能终端核辐射检测分析系统包括存储器与处理器,所述存储器中存储有智能终端核辐射检测分析方法程序,当所述智能终端核辐射检测分析方法程序被所述处理器执行时,实现如下步骤:
获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点;
构建若干个存储空间,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;其中,所述核辐射数据包括辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据;并将各个存储空间内清洗后的核辐射数据进行汇集,得到一个核辐射数据总集;
基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;其中,各个最终核辐射数据子集中的核辐射数据分别为所采集到的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示;其中,所述核辐射数据图包括实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图。
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:通过对采集到的核辐射数据进行清洗、聚类和异常检测等步骤,可以消除噪声、异常值和不一致的数据,从而提高核辐射检测的准确性和可靠性;通过对核辐射数据进行深入分析,可以识别出高辐射区域,从而采取及时的应对措施,降低辐射风险。
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为一种智能终端核辐射检测分析方法的整体方法流程图;
图2为一种智能终端核辐射检测分析方法的部分方法流程图;
图3为一种智能终端核辐射检测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。
如图1所示,本发明第一方面公开了一种智能终端核辐射检测分析方法,包括以下步骤:
S102:获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点;
S104:构建若干个存储空间,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;其中,所述核辐射数据包括辐射类型、辐射强度、辐射能谱以及辐射剂量率;
S106:根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据;并将各个存储空间内清洗后的核辐射数据进行汇集,得到一个核辐射数据总集;
S108:基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;其中,各个最终核辐射数据子集中的核辐射数据分别为所采集到的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
S110:根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示;其中,所述核辐射数据图包括实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图。
如图2所示,进一步地,本发明的一个较佳实施例中,获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点,具体为:
S202:收集目标区域中所有的辐射事件记录,所述辐射事件记录包括辐射水平、辐射类型、时间和地点,并根据所述辐射事件记录确定出目标区域中的核辐射源;
S204:获取所述核辐射源的地理位置坐标信息,并将所述地理位置坐标信息标记中心点,将该中心点的预设半径范围区域标记为核辐射风险区域;基于遥感技术获取所述核辐射风险区域的遥感图像信息,根据所述遥感图像信息构建核辐射风险区域的地理三维模型图;
S206:获取智能终端的检测工作范围,根据智能终端的检测工作范围定义适应度函数;在所述地理三维模型图中随机生成一个初始种群,所述初始种群中包含若干个体,且每个个体代表一个可能的检测点;
S208:根据所述适应度函数计算初始种群中每个个体的适应度;将适应度大于预设阈值的个体保留,将适应度不大于预设阈值的个体剔除;对剩余个体进行交叉和变异操作,得到交叉和变异后的个体;
S210:根据交叉和变异后的个体组成一个新的种群,并计算该新的种群中每个个体的适应度;若该新的种群中每个个体的适应度均大于预设阈值,则将获取该新的种群中每个个体在所述地理三维模型图中的位置坐标,并将所述位置坐标所对应的位置节点标记为预设检测点;
S212:若该新的种群中存在一个或多个个体的适应度不大于预设阈值的情况,则继续将适应度不大于预设阈值的个体筛除,然后将剩余个体进行交叉和变异操作,并重新评估再次交叉和变异后的个体的适应度情况,直至新的种群中每个个体的适应度均大于预设阈值。
其中,适应度函数为通过相关技术人员结合能终端的检测工作范围进行定义,如在核辐射检测点规划问题中,适应度函数定义条件可以考虑以下几个部分:目标函数、惩罚项、检测点之间的距离、检测点的数量等因素。目标函数的解释为检测点覆盖率,表示检测点能覆盖核辐射区域的百分比。惩罚项的解释为当检测点受到地形或其他限制条件影响时,对适应度函数进行惩罚。
需要说明的是,遗传算法是一种模拟自然选择和遗传机制的搜索优化算法,它通过迭代过程中的选择、交叉和变异操作来优化问题的解,在核辐射检测区域规划智能终端的检测点时,遗传算法可以快速准确地找到最优或近似最优的解。通过遗传算法优化的检测点可以确保在最短的时间内覆盖整个核辐射检测区域,从而减少检测时间和成本;并且遗传算法能够找到最佳的检测点组合,从而使智能终端能够更准确地检测到核辐射水平,提高检测结果的准确性。
进一步地,本发明的一个较佳实施例中,根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据,具体为:
随机访问一个存储空间内的核辐射数据,根据所述存储空间内的核辐射数据生成若干个节点,对于每个节点,随机选择一个特征,并在该特征的值域内随机选择一个切分值;
根据所述切分值将核辐射数据切分为两部分,得到两个子节点,并获取各个子节点中核辐射数据的数量;判断各个子节点中核辐射数据的数量是否小于预设数值;
若小于,则停止切分,生成一个孤立森林;若不小于,则继续切分,直至各个子节点中核辐射数据的数量小于预设数值,则生成一个孤立森林;
对于每个核辐射数据,在孤立森林中的每棵树上计算其孤立路径长度,得到每个核辐射数据的孤立路径长度;其中,孤立路径长度是从根节点到叶节点的边数;
将每个核辐射数据的孤立路径长度与预设路径长度进行比较;若某个核辐射数据的孤立路径长度不大于预设路径长度,则将核辐射数据标记为离群数据,并将该离群数据筛除,得到清洗后的核辐射数据;
继续访问未访问过的存储空间内的核辐射数据,重复上述步骤,以对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据。
需要说明的是,智能终端设备在采集核辐射数据时,可能会受到各种外部因素的影响,如设备故障、环境干扰等,导致数据出现错误、异常或不一致,因此在对这些数据进行分析前,需要对这些数据进行清洗,以筛除无效数据。具体来说,首先,确定孤立森林的参数,如树的数量和子样本大小,通常,树的数量可以设置为100或更多,子样本大小可以设置为总数据量的一部分,如50%。然后使用选择的参数,构建多个孤立森林,在构建过程中,对于每个节点,随机选择一个特征,并在该特征的值域内随机选择一个切分值,根据切分值将数据分为两部分,继续在子节点中重复这个过程,直到满足停止条件(例如,节点中的数据量小于一个阈值)。对于每个数据点,在孤立森林中的每棵树上计算其孤立路径长度,路径长度是从根节点到叶节点的边数,离群数据往往更容易被孤立,因此它们的路径长度相对较短。根据孤立路径长度的分布,确定一个阈值,较短的路径长度意味着数据点更可能是离群数据,可以选择一个合适的阈值,例如,根据路径长度的分布选择一个百分位数(如95%)作为阈值。根据计算出的孤立路径长度和确定的阈值,筛选出离群数据,所有路径长度小于或等于阈值的数据点被认为是离群数据。综上,通过孤立森林算法对智能终端设备所采集到的核辐射数据进行数据清洗,可以提高数据处理效率、准确性和可靠性,同时减少对参数调整的依赖,提高算法的适应性和可扩展性,能够进一步提高检测结果的可靠性。
进一步地,本发明的一个较佳实施例中,基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集,具体为:
将所述核辐射数据总集中的各核辐射数据均视为一个一类簇,计算各个一类簇之间的马氏距离,并将马氏距离最近的两个一类簇进行合并,得到若干个二类簇;
继续计算各个二类簇之间的马氏距离,同样将马氏距离最近的两个二类簇进行合并,得到若干个三类簇;
重复上述步骤,以将各核辐射数据进行迭代聚类,得到若干个N类簇;直至N类簇的数量小于预设数量后,分别提取若干个N类簇内所对应的核辐射数据,得到若干个初始核辐射数据子集;
计算各个初始核辐射数据子集中核辐射数据的均值,并将所计算得到的均值作为相应初始核辐射数据子集的质心,得到各个初始核辐射数据子集的质心;
分别计算各个初始核辐射数据子集内各核辐射数据到质心之间的欧氏距离,若某一个核辐射数据到质心之间的欧氏距离大于预设欧氏距离,则将该核辐射数据标记为聚类错误数据,并该聚类错误数据在相应的初始核辐射数据子集中筛除;
将所述聚类错误数据模拟分配至其余初始核辐射数据子集中,并计算该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离;若该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离均大于预设欧氏距离,则将该聚类错误数据彻底删除;
若该聚类错误数据与某一个初始核辐射数据子集中质心之间的欧氏距离不大于预设欧氏距离,则将该聚类错误数据保留在该初始核辐射数据子集中,并在该聚类错误数据在其余初始核辐射数据子集中删除;
更新所有初始核辐射数据子集的核辐射数据,得到若干个最终核辐射数据子集。
需要说明的是,层次聚类算法是一种用于数据聚类方法,它可以将数据点按照相似性分组,形成树状的层次结构,从而对数据进行快速分类,层次聚类算法优点在于算法简单、易于实现,算法运算速率与鲁棒性较高。然而,层次聚类算法对距离度量和合并策略比较敏感,因此,经过层次聚类算法聚类后,可能会出现聚类错误情况,如将某一辐射强度数据聚类至辐射能谱的数据子集中,故,当通过层次聚类算法聚类得到初始核辐射数据子集,在本发明中,通过引入质心评估的方式对各个初始核辐射数据子集进行评估,以判断各初始核辐射数据子集是否存在聚类错误情况,具体而言,对于每个初始核辐射数据子集,计算初始核辐射数据子集内所有数据点的均值,这将成为初始核辐射数据子集的质心,对于非数值特征,可以使用中位数或其他合适的统计量来计算质心。然后分别计算各个初始核辐射数据子集内各核辐射数据到质心之间的欧氏距离,若某一个核辐射数据到质心之间的欧氏距离大于预设欧氏距离,说明该子集中该数据为聚类错误数据,则将该核辐射数据标记为聚类错误数据,并该聚类错误数据在相应的初始核辐射数据子集中筛除。
并且,将该聚类错误数据模拟分配至其余初始核辐射数据子集中,并计算该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离;若该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离均大于预设欧氏距离,说明该聚类错误数据不归属于任何一个子集,该数据极有可能是无效数据,如是噪声数据等,则将该聚类错误数据彻底删除。若该聚类错误数据与某一个初始核辐射数据子集中质心之间的欧氏距离不大于预设欧氏距离,说明该聚类错误数据实际是属于该子集的数据,则将该聚类错误数据保留在该初始核辐射数据子集中,并在该聚类错误数据在其余初始核辐射数据子集中删除。通过将质心评估方法引用在层次聚类算法上,从而识别出错误聚类的点,将错误点重新分配到合适的聚类中,提高数据质量,提高整体聚类结果的准确性,并且可以评估出聚类错误数据是否为无效数据,从而判断是否需要删除数据,有助于保持数据的完整性,避免因删除数据而导致的信息丢失。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
获取核辐射风险区域在受到核污染前的辐射强度数据,根据核辐射风险区域在受到核污染前的辐射强度数据制定标准辐射强度分布图;
将所述标准辐射强度分布图与实时辐射强度分布图转化为灰度图像,得到灰度化后的标准辐射强度分布图与实时辐射强度分布图;
对于灰度化后的标准辐射强度分布图,分别遍历图像中的每个像素,对于每个像素,找到其在预设距离和预设角度内的相邻像素,统计每个像素与相邻像素的共生对,并根据每个像素与相邻像素的共生对生成第一灰度共生矩阵;
对于灰度化后的实时辐射强度分布图,分别遍历图像中的每个像素,对于每个像素,找到其在预设距离和预设角度内的相邻像素,统计每个像素与相邻像素的共生对,并根据每个像素与相邻像素的共生对生成第二灰度共生矩阵;
基于余弦相似度算法计算所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度;并将所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度与预设余弦相似度进行比较;
若某一矩阵位置上元素之间的余弦相似度不大于预设余弦相似度,则将所述实时辐射强度分布图中相应位置节点标记为需进行修复位置节点,并该需进行修复位置节点发送至预设平台上显示。
需要说明的是,共生矩阵是一种用于描述图像纹理特征的方法,它可以捕捉到图像中的纹理信息,通过计算两张图像的共生矩阵并比较它们,可以找出相似图像中不相同的区域位置。首先,将两张图像转换为灰度图像,这样可以将彩色图像转换为单通道的灰度图像,从而简化比较过程;为每张图像计算共生矩阵。共生矩阵是根据像素灰度值和像素间的空间关系构建的。选择一个合适的距离(如1像素或2像素)和灰度级数(如8级或16级)。对于每个像素,计算与其在指定距离内的相邻像素的灰度级数,并统计这些灰度级数的共生频数,最后,将这些频数存储在一个二维矩阵中,即为共生矩阵。然后将两个灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度与预设余弦相似度进行比较,当余弦相似度不大于预设余弦相似度,认为两张图像在该区域存在显著差异,此时将实时辐射强度分布图中相应位置节点标记为需进行修复位置节点,通过此方式能够快速且自动寻找出核辐射风险区域中核辐射超标的点,即为需进行修复位置节点,此时该需进行修复位置节点发送至预设平台上显示,以供用户查看,从而帮助用户有针对性地采取相应的治理措施对该位置核污染进行治理。
进一步地,本发明的一个较佳实施例中,还包括以下步骤:
在所述实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图中获取所述需进行修复位置节点的辐射强度、辐射能谱、辐射类型以及辐射剂量率,得到需进行修复位置节点的辐射特征数据;
以及获取需进行修复位置节点中土壤的土壤理化性质,所述土壤理化性质包括土壤类型、质地、有机质含量、pH值、水分含量、密度以及孔隙度;
基于所述需进行修复位置节点的辐射特征数据与土壤理化性质生成关联性文本,基于所述关联性文本并结合灰色关联分析法对共享数据库中各历史修复方案进行关联分析,得到若干个关联度;
在共享数据库获取与最大关联度对应的历史修复方案,并将与最大关联度对应的历史修复方案作为修复该需进行修复位置节点的推荐修复方案,并该需进行修复位置节点的推荐修复方案发送至预设平台上显示。
需要说明的是,共享数据库中存储有各用户上传的对各种核污染地点进行修复后的修复方案、核污染地点的特性参数等数据。通过本方法能够根据需进行修复位置节点的辐射特征数据与土壤理化性质在共享数据库中检索匹配得到相应的推荐修复方案,以供用户参考。
综上所述,通过对采集到的核辐射数据进行清洗、聚类和异常检测等步骤,可以消除噪声、异常值和不一致的数据,从而提高核辐射检测的准确性和可靠性;通过对核辐射数据进行深入分析,可以识别出高辐射区域,从而采取及时的应对措施,降低辐射风险。
此外,本方法还包括以下步骤:
根据各个最终核辐射数据子集获取各个预设检测点的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据各个预设检测点的辐射类型、辐射强度、辐射能谱以及辐射剂量率设置相关的渲染颜色,基于各个预设检测点相关的渲染颜色对核辐射风险区域的地理三维模型图进行渲染,得到核辐射风险区域在第一时间节点的第一核污染分布图;
同理,在第二时间节点获取各个预设检测点的辐射类型、辐射强度、辐射能谱以及辐射剂量率,并设置相关的渲染颜色,对核辐射风险区域的地理三维模型图进行渲染,从而得到核辐射风险区域在第二时间节点的第二核污染分布图;
构建整合空间,并将所述第一核污染分布图与第二核污染分布图导入所述整合空间内,并使得所述第一核污染分布图与第二核污染分布图中的预设采样点相互重合,以对所述第一核污染分布图与第二核污染分布图进行配对,得到配对后的核污染分布图;
构建时间戳,并根据所述配对后的核污染分布图获取核污染元素在各个方向上的迁移数据,结合时间戳和迁移数据计算得到核污染元素在各个方向上的迁移速率;并将核污染元素在各个方向上的迁移速率发送至预设平台上显示。
需要说明的是,通过计算核污染元素在各个方向上的迁移速率,从而分析出核污染在区域中的扩散情况,为进一步分析污染传播途径和影响范围提供依据。
此外,本方法还包括以下步骤:
获取核辐射风险区域各个预设检测点的位置信息,根据各个预设检测点的位置信息初始化无线信号汇聚节点,得到初始的无线信号汇聚节点;
根据所述初始的无线信号汇聚节点对各预设检测点中的终端设备进行信息传输模拟分析,并获取各预设检测点中终端设备的信息传送至初始的无线信号汇聚节点的信道容量;以及获取各预设检测点与传送至初始的无线信号汇聚节点的距离值;
根据各预设检测点中终端设备的信息传送至初始的无线信号汇聚节点的信道容量与各预设检测点与传送至初始的无线信号汇聚节点的距离值计算出各预设检测点的信道利用率;并将各预设检测点的信道利用率与预设利用率阈值进行比较;
若各预设检测点的信道利用率均大于预设利用率阈值,则将所述初始的无线信号汇聚节点作为最终的无线信号汇聚节点输出,并根据所述最终的无线信号汇聚节点构建无线信号传送网络;
若存在至少一个预设检测点的信道利用率不大于预设利用率阈值,则重新调整无线信号汇聚节点,直至各预设检测点的信道利用率均大于预设利用率阈值。
其中,无线信号汇聚节点(Wireless Signal Convergence Node)是一个在无线通信网络中起到关键作用的设备或节点,它负责收集、处理和转发来自多个无线信号源的信号。汇聚节点的主要功能是对无线信号进行汇聚、整合和优化,以提高网络的整体性能和效率。
需要说明的是,根据预设采样点的位置信息调整优化无线信号汇聚节点可以提高信号覆盖范围、增强信号质量、提高网络容量、降低能耗、减少通信延迟、改善网络性能、灵活扩展和降低部署成本,这对于构建高效、可靠和可扩展的无线通信网络具有重要意义,并且能够有效提高所采集得到的数据的质量,降低后续对数据处理分析难度。
如图3所示,本发明第二方面公开了一种智能终端核辐射检测分析系统,所述智能终端核辐射检测分析系统包括存储器20与处理器80,所述存储器20中存储有智能终端核辐射检测分析方法程序,当所述智能终端核辐射检测分析方法程序被所述处理器80执行时,实现如下步骤:
获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点;
构建若干个存储空间,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;其中,所述核辐射数据包括辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据;并将各个存储空间内清洗后的核辐射数据进行汇集,得到一个核辐射数据总集;
基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;其中,各个最终核辐射数据子集中的核辐射数据分别为所采集到的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示;其中,所述核辐射数据图包括实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图。
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 (7)
1.一种智能终端核辐射检测分析方法,其特征在于,包括以下步骤:
获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点;
构建若干个存储空间,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;其中,所述核辐射数据包括辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据;并将各个存储空间内清洗后的核辐射数据进行汇集,得到一个核辐射数据总集;
基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;其中,各个最终核辐射数据子集中的核辐射数据分别为所采集到的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示;其中,所述核辐射数据图包括实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图。
2.根据权利要求1所述的一种智能终端核辐射检测分析方法,其特征在于,获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点,具体为:
收集目标区域中所有的辐射事件记录,所述辐射事件记录包括辐射水平、辐射类型、时间和地点,并根据所述辐射事件记录确定出目标区域中的核辐射源;
获取所述核辐射源的地理位置坐标信息,并将所述地理位置坐标信息标记中心点,将该中心点的预设半径范围区域标记为核辐射风险区域;基于遥感技术获取所述核辐射风险区域的遥感图像信息,根据所述遥感图像信息构建核辐射风险区域的地理三维模型图;
获取智能终端的检测工作范围,根据智能终端的检测工作范围定义适应度函数;在所述地理三维模型图中随机生成一个初始种群,所述初始种群中包含若干个体,且每个个体代表一个可能的检测点;
根据所述适应度函数计算初始种群中每个个体的适应度;将适应度大于预设阈值的个体保留,将适应度不大于预设阈值的个体剔除;对剩余个体进行交叉和变异操作,得到交叉和变异后的个体;
根据交叉和变异后的个体组成一个新的种群,并计算该新的种群中每个个体的适应度;若该新的种群中每个个体的适应度均大于预设阈值,则将获取该新的种群中每个个体在所述地理三维模型图中的位置坐标,并将所述位置坐标所对应的位置节点标记为预设检测点;
若该新的种群中存在一个或多个个体的适应度不大于预设阈值的情况,则继续将适应度不大于预设阈值的个体筛除,然后将剩余个体进行交叉和变异操作,并重新评估再次交叉和变异后的个体的适应度情况,直至新的种群中每个个体的适应度均大于预设阈值。
3.根据权利要求1所述的一种智能终端核辐射检测分析方法,其特征在于,根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据,具体为:
随机访问一个存储空间内的核辐射数据,根据所述存储空间内的核辐射数据生成若干个节点,对于每个节点,随机选择一个特征,并在该特征的值域内随机选择一个切分值;
根据所述切分值将核辐射数据切分为两部分,得到两个子节点,并获取各个子节点中核辐射数据的数量;判断各个子节点中核辐射数据的数量是否小于预设数值;
若小于,则停止切分,生成一个孤立森林;若不小于,则继续切分,直至各个子节点中核辐射数据的数量小于预设数值,则生成一个孤立森林;
对于每个核辐射数据,在孤立森林中的每棵树上计算其孤立路径长度,得到每个核辐射数据的孤立路径长度;其中,孤立路径长度是从根节点到叶节点的边数;
将每个核辐射数据的孤立路径长度与预设路径长度进行比较;若某个核辐射数据的孤立路径长度不大于预设路径长度,则将核辐射数据标记为离群数据,并将该离群数据筛除,得到清洗后的核辐射数据;
继续访问未访问过的存储空间内的核辐射数据,重复上述步骤,以对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据。
4.根据权利要求1所述的一种智能终端核辐射检测分析方法,其特征在于,基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集,具体为:
将所述核辐射数据总集中的各核辐射数据均视为一个一类簇,计算各个一类簇之间的马氏距离,并将马氏距离最近的两个一类簇进行合并,得到若干个二类簇;
继续计算各个二类簇之间的马氏距离,同样将马氏距离最近的两个二类簇进行合并,得到若干个三类簇;
重复上述步骤,以将各核辐射数据进行迭代聚类,得到若干个N类簇;直至N类簇的数量小于预设数量后,分别提取若干个N类簇内所对应的核辐射数据,得到若干个初始核辐射数据子集;
计算各个初始核辐射数据子集中核辐射数据的均值,并将所计算得到的均值作为相应初始核辐射数据子集的质心,得到各个初始核辐射数据子集的质心;
分别计算各个初始核辐射数据子集内各核辐射数据到质心之间的欧氏距离,若某一个核辐射数据到质心之间的欧氏距离大于预设欧氏距离,则将该核辐射数据标记为聚类错误数据,并该聚类错误数据在相应的初始核辐射数据子集中筛除;
将所述聚类错误数据模拟分配至其余初始核辐射数据子集中,并计算该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离;若该聚类错误数据与其余初始核辐射数据子集中质心之间的欧氏距离均大于预设欧氏距离,则将该聚类错误数据彻底删除;
若该聚类错误数据与某一个初始核辐射数据子集中质心之间的欧氏距离不大于预设欧氏距离,则将该聚类错误数据保留在该初始核辐射数据子集中,并在该聚类错误数据在其余初始核辐射数据子集中删除;
更新所有初始核辐射数据子集的核辐射数据,得到若干个最终核辐射数据子集。
5.根据权利要求1所述的一种智能终端核辐射检测分析方法,其特征在于,还包括以下步骤:
获取核辐射风险区域在受到核污染前的辐射强度数据,根据核辐射风险区域在受到核污染前的辐射强度数据制定标准辐射强度分布图;
将所述标准辐射强度分布图与实时辐射强度分布图转化为灰度图像,得到灰度化后的标准辐射强度分布图与实时辐射强度分布图;
对于灰度化后的标准辐射强度分布图,分别遍历图像中的每个像素,对于每个像素,找到其在预设距离和预设角度内的相邻像素,统计每个像素与相邻像素的共生对,并根据每个像素与相邻像素的共生对生成第一灰度共生矩阵;
对于灰度化后的实时辐射强度分布图,分别遍历图像中的每个像素,对于每个像素,找到其在预设距离和预设角度内的相邻像素,统计每个像素与相邻像素的共生对,并根据每个像素与相邻像素的共生对生成第二灰度共生矩阵;
基于余弦相似度算法计算所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度;并将所述第一灰度共生矩阵与第二灰度共生矩阵中相同矩阵位置上元素之间的余弦相似度与预设余弦相似度进行比较;
若某一矩阵位置上元素之间的余弦相似度不大于预设余弦相似度,则将所述实时辐射强度分布图中相应位置节点标记为需进行修复位置节点,并该需进行修复位置节点发送至预设平台上显示。
6.根据权利要求5所述的一种智能终端核辐射检测分析方法,其特征在于,还包括以下步骤:
在所述实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图中获取所述需进行修复位置节点的辐射强度、辐射能谱、辐射类型以及辐射剂量率,得到需进行修复位置节点的辐射特征数据;
以及获取需进行修复位置节点中土壤的土壤理化性质,所述土壤理化性质包括土壤类型、质地、有机质含量、pH值、水分含量、密度以及孔隙度;
基于所述需进行修复位置节点的辐射特征数据与土壤理化性质生成关联性文本,基于所述关联性文本并结合灰色关联分析法对共享数据库中各历史修复方案进行关联分析,得到若干个关联度;
在共享数据库获取与最大关联度对应的历史修复方案,并将与最大关联度对应的历史修复方案作为修复该需进行修复位置节点的推荐修复方案,并该需进行修复位置节点的推荐修复方案发送至预设平台上显示。
7.一种智能终端核辐射检测分析系统,其特征在于,所述智能终端核辐射检测分析系统包括存储器与处理器,所述存储器中存储有智能终端核辐射检测分析方法程序,当所述智能终端核辐射检测分析方法程序被所述处理器执行时,实现如下步骤:
获取核辐射风险区域的地理三维模型图以及智能终端的检测工作范围,根据所述地理三维模型图与检测工作范围,结合遗传算法迭代得到核辐射风险区域的若干个预设检测点;
构建若干个存储空间,利用智能终端设备对各预设检测点的核辐射数据进行采集,并将在各预设检测点采集到的核辐射数据分别发送至对应的存储空间内进行存储;其中,所述核辐射数据包括辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据孤立森林算法对各个存储空间内的核辐射数据进行数据清洗处理,得到清洗后的核辐射数据;并将各个存储空间内清洗后的核辐射数据进行汇集,得到一个核辐射数据总集;
基于层次聚类与质心评估的方法将所述核辐射数据总集中的核辐射数据进行分类处理,得到若干个最终核辐射数据子集;其中,各个最终核辐射数据子集中的核辐射数据分别为所采集到的辐射类型、辐射强度、辐射能谱以及辐射剂量率;
根据各个最终核辐射数据子集生成核辐射风险区域的各核辐射数据图,并将核辐射风险区域的各核辐射数据图发生至预设平台上显示;其中,所述核辐射数据图包括实时辐射强度分布图、实时辐射能谱图、实时辐射类型图以及实时辐射剂量率图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410503525.0A CN118094266B (zh) | 2024-04-25 | 2024-04-25 | 一种智能终端核辐射检测分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410503525.0A CN118094266B (zh) | 2024-04-25 | 2024-04-25 | 一种智能终端核辐射检测分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118094266A true CN118094266A (zh) | 2024-05-28 |
CN118094266B CN118094266B (zh) | 2024-07-05 |
Family
ID=91156609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410503525.0A Active CN118094266B (zh) | 2024-04-25 | 2024-04-25 | 一种智能终端核辐射检测分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118094266B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118332456A (zh) * | 2024-06-14 | 2024-07-12 | 联合泰泽环境科技发展有限公司 | 一种基于人工智能的辐射环境检测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080179534A1 (en) * | 2007-01-30 | 2008-07-31 | Narsingh Bahadur Singh | Nuclear radiation detection system |
CN110210739A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的核辐射检测方法和系统 |
US20200309972A1 (en) * | 2019-03-29 | 2020-10-01 | Symetrica Limited | Nuclear radiation monitoring apparatus and method |
CN114386477A (zh) * | 2021-12-03 | 2022-04-22 | 中国辐射防护研究院 | 一种辐射场异常监测数据自动识别方法 |
US20220252527A1 (en) * | 2021-02-08 | 2022-08-11 | Sherman Quackenbush Mohler | Deriving evidence for an indeterminate artifact or natural object in an encompassing medium using multi-node differential event analysis. |
-
2024
- 2024-04-25 CN CN202410503525.0A patent/CN118094266B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080179534A1 (en) * | 2007-01-30 | 2008-07-31 | Narsingh Bahadur Singh | Nuclear radiation detection system |
US20200309972A1 (en) * | 2019-03-29 | 2020-10-01 | Symetrica Limited | Nuclear radiation monitoring apparatus and method |
CN110210739A (zh) * | 2019-05-22 | 2019-09-06 | 雷恩友力数据科技南京有限公司 | 一种基于人工智能的核辐射检测方法和系统 |
US20220252527A1 (en) * | 2021-02-08 | 2022-08-11 | Sherman Quackenbush Mohler | Deriving evidence for an indeterminate artifact or natural object in an encompassing medium using multi-node differential event analysis. |
CN114386477A (zh) * | 2021-12-03 | 2022-04-22 | 中国辐射防护研究院 | 一种辐射场异常监测数据自动识别方法 |
Non-Patent Citations (2)
Title |
---|
CHASE QISHI WU ET AL: "Network Detection of Radiation Sources Using Localization-Based Approaches", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 15, no. 4, 6 January 2019 (2019-01-06), pages 2308, XP011718382, DOI: 10.1109/TII.2019.2891253 * |
杨斌;李钢;侯跃新;肖丹;李岩;: "遗传算法在核辐射环境监测点分布规划中的应用研究", 黑龙江科学, no. 23, 8 December 2016 (2016-12-08) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118332456A (zh) * | 2024-06-14 | 2024-07-12 | 联合泰泽环境科技发展有限公司 | 一种基于人工智能的辐射环境检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118094266B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN118094266B (zh) | 一种智能终端核辐射检测分析方法及系统 | |
CN115908424B (zh) | 基于三维激光扫描的建筑物健康检测方法、系统及介质 | |
CN114170513B (zh) | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 | |
CN113110207A (zh) | 基于物联网传感器的虫害远程监测方法、系统及存储介质 | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
US20140058705A1 (en) | System and Method for Detecting Abnormal Occurrences | |
Prates et al. | Relative risk estimates from spatial and space–time scan statistics: are they biased? | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
CN111709661B (zh) | 业务数据的风险处理方法、装置、设备及存储介质 | |
CN113435252B (zh) | 一种基于遥感的烟草病虫害监测预警方法和系统 | |
Müller-Hansen et al. | A matrix clustering method to explore patterns of land-cover transitions in satellite-derived maps of the Brazilian Amazon | |
CN117391727B (zh) | 一种负碳排放的碳中和方法及系统 | |
CN116862081B (zh) | 一种污染治理设备运维方法及系统 | |
CN117235655B (zh) | 基于联邦学习的智慧供热异常工况识别方法及系统 | |
CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
Liang et al. | Integrating remote sensing, GIS and dynamic models for landscape-level simulation of forest insect disturbance | |
CN117172430A (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
CN117323578A (zh) | 一种红外治疗仪智能控制方法及系统 | |
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 | |
CN116993025B (zh) | 一种基于数据处理的虫害诱杀设备管理方法及系统 | |
CN116310913A (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
KR102576427B1 (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 | |
CN112465073A (zh) | 一种基于距离的数值分布异常检测方法及检测系统 | |
Congalton | 21 How to Assess the Accuracy of Maps Generated from Remotely Sensed Data |
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 |