环境水质监测系统及其监测方法与流程

本发明涉及水质安全的领域，且更为具体地，涉及一种环境水质监测系统及其监测方法。

背景技术：

1、随着经济社会的快速发展,环境问题愈加频发和严重,特别是水质污染问题，引发了一系列饮水局面的紧张和水污染相关疾病的爆发，水质安全的保障成为我国涉及民生问题的大工程。

2、因此，需要定期对水质进行检测，对水质数据进行研究和分析。现有一些用于水质检测的技术方案，但这些技术方案或多或少存在一定的缺陷，例如，水质检测过于片面仅考虑了某几项水质成分，没有考虑水质检测的动态性要求，即，水质会随着时间的迁移而发生动态变化。因此，期待一种新型的环境水质监测方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种环境水质监测系统及其监测方法，其通过上下文编码器来提取出各项水质检测数据间的基于全局的高维语义特征以更适于表征所述水质质量的本质模式特征，并使用卷积神经网络模型和时序编码器来提取出所述水质的动态变化隐含规律，以通过高斯密度图和高斯混合模型来进行特征的融合，考虑到在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此分别计算第一特征矩阵和第二特征矩阵的标签值散射响应因数作为其加权系数进行融合，从而提升所述第一特征矩阵与所述第二特征矩阵的融合效果。通过这样的方式，可以对水质进行更全面地动态检测，进而保障水质安全。

2、根据本技术的一个方面，提供了一种环境水质监测系统，其包括：

3、水质检测数据获取单元，用于获取待监测水质在多个预定时间点的多项水质检测数据，所述水质检测数据包括总氮量、氨氮量、总磷量、粪大肠杆菌量、溶解氧量、化学需氧量、bod5和电导率；

4、全局语义编码单元，用于将各个所述预定时间点的多项水质检测数据分别通过包含嵌入层的上下文编码器以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述预定时间点的第一特征向量；

5、卷积编码单元，用于将各个所述预定时间点的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵；

6、时序编码单元，用于将各项所述水质检测数据在所述多个预定时间点的序列通过包含一维卷积层和全连接层的时序编码器以获得对应于各项所述水质检测数据的第二特征向量；

7、高斯增强单元，用于构造各项所述水质检测数据的第二特征向量的高斯密度图，所述高斯密度图的均值向量为所述第二特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中各个位置的特征值间的方差；

8、高斯混合单元，用于构造各项所述水质检测数据的高斯密度图的高斯混合模型，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的按位置加权和，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的按位置加权和；

9、高斯离散单元，用于对所述高斯混合模型进行高斯离散化以获得第二特征矩阵；

10、特征矩阵融合单元，用于对所述第一特征矩阵和所述第二特征矩阵进行基于标签值散射响应权值的融合以获得分类特征矩阵；以及

11、监测结果生成单元，用于将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测水质的质量是否满足预设要求。

12、在上述环境水质监测系统中，所述全局语义编码单元，进一步用于：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将各个所述预定时间点的多项水质检测数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及，将所述多个特征向量进行级联以获得对应于各个所述预定时间点的所述第一特征向量。

13、在上述环境水质监测系统中，所述卷积编码单元，进一步用于：将各个所述预定时间点的第一特征向量进行二维排列为所述特征矩阵；利用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。

14、在上述环境水质监测系统中，所述时序编码单元，进一步用于：将各项所述水质检测数据在所述多个预定时间点的序列按照时间维度排列为一维的水质输入向量；使用所述时序编码器的全连接层以如下公式对所述水质输入向量进行全连接编码以提取出所述水质输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述水质输入向量进行一维卷积编码以提取出所述水质输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

15、

16、其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

17、在上述环境水质监测系统中，所述高斯增强单元，进一步用于：以如下公式来构造各项所述水质检测数据的第二特征向量的所述高斯密度图，其中，所述公式为：

18、

19、其中μ为所述第二特征向量，且∑是各个所述高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中各个位置的特征值间的方差；所述高斯混合单元，进一步用于：以如下公式来构造各项所述水质检测数据的高斯密度图的所述高斯混合模型，其中，所述公式为：

20、

21、

22、其中xi为各个所述高斯密度图的均值向量的按位置加权和，∑i为各个所述高斯密度图的协方差矩阵的按位置加权和。

23、在上述环境水质监测系统中，所述特征矩阵融合单元，包括：

24、第一加权系数确定子单元，用于以如下公式计算所述第一特征矩阵的标签值散射响应因数作为第一加权系数；

25、其中，所述公式为：

26、

27、其中，m1为所述第一特征矩阵，f1为所述第一特征矩阵m1的每个位置的特征值，p1是所述第一特征矩阵m1单独通过分类器所获得的标签下的概率值，j为所述分类器的标签值，且w1是所述第一加权系数；

28、第二加权系数确定子单元，用于以如下公式计算所述第二特征矩阵的标签值散射响应因数作为第一加权系数；

29、其中，所述公式为：

30、

31、其中，m2为所述第二特征矩阵，f2为所述第二特征矩阵m2的每个位置的特征值，p2是所述第二特征矩阵m2单独通过分类器所获得的标签下的概率值，j为所述分类器的标签值，且w2是所述第二加权系数；以及

32、融合子单元，用于以所述第一加权系数和所述第二加权系数作为加权系数计算所述第一特征矩阵和所述第二特征矩阵的按位置加权和以得到所述分类特征矩阵。

33、在上述环境水质监测系统中，所述监测结果生成单元，进一步用于：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):…:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。

34、根据本技术的另一方面，一种环境水质监测系统的监测方法，其包括：

35、获取待监测水质在多个预定时间点的多项水质检测数据，所述水质检测数据包括总氮量、氨氮量、总磷量、粪大肠杆菌量、溶解氧量、化学需氧量、bod5和电导率；

36、将各个所述预定时间点的多项水质检测数据分别通过包含嵌入层的上下文编码器以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述预定时间点的第一特征向量；

37、将各个所述预定时间点的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵；

38、将各项所述水质检测数据在所述多个预定时间点的序列通过包含一维卷积层和全连接层的时序编码器以获得对应于各项所述水质检测数据的第二特征向量；

39、构造各项所述水质检测数据的第二特征向量的高斯密度图，所述高斯密度图的均值向量为所述第二特征向量，所述高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中各个位置的特征值间的方差；

40、构造各项所述水质检测数据的高斯密度图的高斯混合模型，所述高斯混合模型的均值向量为各个所述高斯密度图的均值向量的按位置加权和，所述高斯混合模型的协方差矩阵为各个所述高斯密度图的协方差矩阵的按位置加权和；

41、对所述高斯混合模型进行高斯离散化以获得第二特征矩阵；

42、对所述第一特征矩阵和所述第二特征矩阵进行基于标签值散射响应权值的融合以获得分类特征矩阵；以及

43、将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测水质的质量是否满足预设要求。

44、在上述环境水质监测系统的监测方法中，将各个所述预定时间点的多项水质检测数据分别通过包含嵌入层的上下文编码器以获得多个特征向量，并将所述多个特征向量进行级联以获得对应于各个所述预定时间点的第一特征向量，包括：使用所述包含嵌入层的上下文编码器模型的嵌入层分别将各个所述预定时间点的多项水质检测数据转化为输入向量以获得输入向量的序列；使用所述包含嵌入层的上下文编码器模型的转换器对所述输入向量的序列进行基于全局的上下文语义编码以获得所述多个特征向量；以及，将所述多个特征向量进行级联以获得对应于各个所述预定时间点的所述第一特征向量。

45、在上述环境水质监测系统的监测方法中，将各个所述预定时间点的第一特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以获得第一特征矩阵，包括：将各个所述预定时间点的第一特征向量进行二维排列为所述特征矩阵；利用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述第一特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。

46、在上述环境水质监测系统的监测方法中，将各项所述水质检测数据在所述多个预定时间点的序列通过包含一维卷积层和全连接层的时序编码器以获得对应于各项所述水质检测数据的第二特征向量，包括：将各项所述水质检测数据在所述多个预定时间点的序列按照时间维度排列为一维的水质输入向量；使用所述时序编码器的全连接层以如下公式对所述水质输入向量进行全连接编码以提取出所述水质输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：其中x是所述输入向量，y是输出向量，w是权重矩阵，b是偏置向量，表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述水质输入向量进行一维卷积编码以提取出所述水质输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

47、

48、其中，a为卷积核在x方向上的宽度、f为卷积核参数向量、g为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸。

49、在上述环境水质监测系统的监测方法中，构造各项所述水质检测数据的第二特征向量的高斯密度图，包括：以如下公式来构造各项所述水质检测数据的第二特征向量的所述高斯密度图，其中，所述公式为：

50、

51、其中μ为所述第二特征向量，且∑是各个所述高斯密度图的协方差矩阵中各个位置的值为所述第二特征向量中各个位置的特征值间的方差；构造各项所述水质检测数据的高斯密度图的高斯混合模型，包括：以如下公式来构造各项所述水质检测数据的高斯密度图的所述高斯混合模型，其中，所述公式为：

52、

53、

54、其中xi为各个所述高斯密度图的均值向量的按位置加权和，∑i为各个所述高斯密度图的协方差矩阵的按位置加权和。

55、在上述环境水质监测系统的监测方法中，对所述第一特征矩阵和所述第二特征矩阵进行基于标签值散射响应权值的融合以获得分类特征矩阵，包括：以如下公式计算所述第一特征矩阵的标签值散射响应因数作为第一加权系数；

56、其中，所述公式为：

57、

58、其中，m1为所述第一特征矩阵，f1为所述第一特征矩阵m1的每个位置的特征值，p1是所述第一特征矩阵m1单独通过分类器所获得的标签下的概率值，j为所述分类器的标签值，且w1是所述第一加权系数；

59、以如下公式计算所述第二特征矩阵的标签值散射响应因数作为第一加权系数；

60、其中，所述公式为：

61、

62、其中，m2为所述第二特征矩阵，f2为所述第二特征矩阵m2的每个位置的特征值，p2是所述第二特征矩阵m2单独通过分类器所获得的标签下的概率值，j为所述分类器的标签值，且w2是所述第二加权系数；以及

63、以所述第一加权系数和所述第二加权系数作为加权系数计算所述第一特征矩阵和所述第二特征矩阵的按位置加权和以得到所述分类特征矩阵。

64、在上述环境水质监测系统的监测方法中，将所述分类特征矩阵通过分类器以获得分类结果，所述分类结果用于表示待监测水质的质量是否满足预设要求，包括：所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):…:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。

65、与现有技术相比，本技术提供的环境水质监测系统及其监测方法，其通过上下文编码器来提取出各项水质检测数据间的基于全局的高维语义特征以更适于表征所述水质质量的本质模式特征，并使用卷积神经网络模型和时序编码器来提取出所述水质的动态变化隐含规律，以通过高斯密度图和高斯混合模型来进行特征的融合，考虑到在分类过程中，特征在特征空间内的特征分布具有相对于标签值的位置敏感性，因此分别计算第一特征矩阵和第二特征矩阵的标签值散射响应因数作为其加权系数进行融合，从而提升所述第一特征矩阵与所述第二特征矩阵的融合效果。通过这样的方式，可以对水质进行更全面地动态检测，进而保障水质安全。