(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210901270.4 (22)申请日 2022.07.28 (71)申请人 安徽新宇环保科技股份有限公司 地址 230000 安徽省合肥市包河经济开发 区兰州路728号21栋 (72)发明人 张友德　钱益武　程雨涵　王清泉　 戴曹培　黄鸿飞　田文凤　 (74)专利代理 机构 合肥正则元起专利代理事务 所(普通合伙) 3416 0 专利代理师 刘念 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/26(2012.01) (54)发明名称 一种基于神经网络的全光谱污染溯源方法 及云系统 (57)摘要 本发明公开了一种基于神经网络的全光谱 污染溯源方法及云系统， 涉及水质检测技术领 域， 包括模型构建模块、 数据溯源模块、 数据核实 模块以及信号监测模块； 模型构建模块用于根据 全光谱水质特征数据库构建基于神经网络的全 光谱污染溯源模 型； 数据溯源模块用于获取数据 感知模块收集的全光谱水质监测数据， 并将全光 谱水质监测数据输入至全光谱污染溯源模型自 动进行溯源分析， 输出疑似污染源及相似度； 实 现污染源头的快速、 经济、 智慧、 准确溯源； 数据 核实模块用于对数据溯源模块输出的疑似污染 源及相似度进行调查核实， 判断溯源是否合格； 信号监测模块用于对不合格信号进行监测， 并对 全光谱污染溯源模型进行修正分析， 以提高对应 模型的溯源精度。 权利要求书2页 说明书6页 附图2页 CN 115062675 A 2022.09.16 CN 115062675 A 1.一种基于神经网络的全光谱污染溯源云系统， 其特征在于， 包括模型构建模块、 数据 感知模块、 数据核实模块以及信号 监测模块； 所述模型构建模块用于构建基于神经网络的全光谱污染溯源模型并将构建成功的全 光谱污染溯源 模型反馈 至数据溯源 模块； 具体构建步骤为： S1： 采集不同污染源、 不同行业、 不同水体的水样， 采用全光谱对水样进行扫描， 建立全 光谱水质特 征数据库； S2： 将全光谱水质特征数据库的原始坐标数据可视化， 转化为坐标轴一致、 大小相同的 水质全光谱图； S3： 对水质全光谱图进行解码， 转化为计算机可识别的特征矩阵数据； 将解码后的特征 矩阵数据标准化， 并提取出每张图片的污染源名称或行业类别或水体类别作为识别的标 签， 整合成包 含水质全光谱特 征矩阵及标签的数据集； S4： 搭建基于Tensorfl ow的4层神经网络模型， 其中输入层1层， 隐藏层2层， 输出层1层； S5： 按行随机混匀数据集， 按照设定比例划分为训练集和测试集； 通过训练集和测试集 对神经网络模型进 行训练、 测试， 将完成测试的神经网络模型标记为全光谱污染溯源模型； 具体为： 用划分后的训练集数据对神经网络模型进行训练， 打印训练准确度， 并持续进行模型 调参， 优化神经网络模型的识别准确率； 当训练集数据的模型识别准确率大于90%， 用测试 集数据对神经网络模型进行测试； 在神经网络模型测试时， 进行模型参数的调整； 当测试集数据的模型识别准确率大于 85%， 说明神经网络模 型已基本测试完成； 将完成测试的神经网络模 型标记为全光谱污染溯 源模型； 所述数据溯源模块用于获取数据感知模块收集的全光谱水质监测数据； 并将全光谱水 质监测数据输入至全光谱污染溯源 模型自动进行溯源分析， 输出疑似污染源及相似度； 所述数据核实模块用于对数据溯源模块输出的疑似污染源及相似度进行调查核实， 并 将疑似污染源与真实污染源相比较， 判断溯源是否合格； 所述信号监测模块与数据核实模块相连接， 用于对不合格信号进行监测， 并根据监测 到的不合格信号对全光谱污染溯源模型进行修正分析， 计算得到对应模型的溯源偏值PL； 判断对应模型 是否需要修 正相关参数； 所述信号监测模块用于将修正信号经云平台传输至模型修正模块， 以提醒管理人员修 正全光谱污染溯源模型的相关参数， 并结合溯源误差对全光谱污染溯源模型进行迭代优 化。 2.根据权利要求1所述的一种基于神经网络的全光谱污染溯源云系统， 其特征在于， 所 述信号监测模块的具体分析步骤为： 在预设时间段内， 统计不合格信号的出现次数为P1； 截取相邻不合格信号之间的时间 段为偏离缓冲时段； 统计每个偏离缓冲时段内合格信号的出现次数为偏离缓冲频次Li； 将 Li与缓冲频次阈值相比较； 统计Li小于缓冲频次阈值次数为P2， 当Li小于缓冲频次阈值时， 获取Li与缓冲频次阈 值的差值并求和得到差缓值CH， 利用公 式CS=P2×g1+CH×g2计算得到差缓系数CS， 其中g1、 g2为系数因子；权　利　要　求　书 1/2 页 2 CN 115062675 A 2利用公式 计算得到对应模型的溯源偏值PL， 其中g3、 g4为系 数因子； 将溯源偏值PL与预设偏值阈值相比较； 若PL≥预设偏值阈值， 则判定对应模型的溯 源结果误差较大， 生成修 正信号。 3.根据权利要求1所述的一种基于神经网络的全光谱污染溯源云系统， 其特征在于， 所 述数据感知模块用于 收集全光谱水质监测数据， 其中数据来源形式包含在线监测、 远程接 入以及云端用户上传。 4.根据权利要求1所述的一种基于神经网络的全光谱污染溯源云系统， 其特征在于， 该 系统还包括数据展示模块； 所述数据展示模块与数据溯源模块相连接， 用于实现全光谱水 质监测数据及溯源结果的可视化展示。 5.根据权利要求4所述的一种基于神经网络的全光谱污染溯源云系统， 其特征在于， 该 系统还包括数据查询模块； 所述数据查询模块用于用户通过手机终端输入关键字查询对应 污染水样的溯源结果。 6.一种基于神经网络的全光谱污染溯源方法， 应用于如权利要求1 ‑5任一所述的一种 基于神经网络的全光谱污染溯源云系统， 其特 征在于， 包括如下步骤： 步骤一： 通过模型构建模块根据全光谱水质特征数据库构建基于神经网络的全光谱污 染溯源模型； 步骤二： 用户登录水环境溯源SaaS云系统， 通过数据感知模块将污染水样的全光谱水 质监测数据上传至数据溯源 模块； 步骤三： 数据溯源模块通过将全光谱水质监测数据输入至全光谱污染溯源模型自动进 行溯源分析， 输出疑似污染源及相似度， 并通过数据展示模块实现全光谱水质监测数据及 溯源结果的可视化展示； 步骤四： 通过数据核实模块对输出的疑似污染源及相似度进行调查核实， 得到溯源误 差； 判断溯源是否合格； 步骤五： 通过信号监测模块对不合格信号进行监测， 并根据监测到的不合格信号对全 光谱污染溯源 模型进行修 正分析， 判断对应模型 是否需要修 正以及迭代优化。权　利　要　求　书 2/2 页 3 CN 115062675 A 3