一种基于卷积神经网络的地下水监测系统的制作方法

本发明涉及地下水监测调查评估系统，具体是指一种基于卷积神经网络的地下水监测系统。

背景技术：

1、地下水环境监测井作为开展地下水环境监测工作的重要依托，其健康状况直接影响到监测结果的准确性。由于缺乏专业知识，且管理部门尚未制定系统的维护及管理办法，部分监测井存在后期维护管理工作不到位、监测功能丧失等现象，甚至成为污染通道，对于仍在运行的监测井也急需进行评估判断是否能满足地下水监测工作要求，并根据评估结果加强巡检维护和统一管理。

2、由于受环境、采集策略等因素的影响，采集的水质监测数据往往容易出现与实际存在偏差的情况，这会影响到水质检测的精度，从而影响水质检测的准确性。

3、此外，在对地下水进行监测过程中，主要是通过人工进行异常数据的查找。然而，持续的人工分析异常数据容易出错，无法确保监测数据的稳定性。人工查找异常数据时间较长，无法保证数据的及时性。

技术实现思路

1、本发明目的在于提供一种基于卷积神经网络的地下水监测系统，用于对减少原始数据异常值对监测过程的影响，并在此基础上，通过利用与监测目标具有空间相关性的序列矩阵进行训练来提高监测精度。

2、本发明通过下述技术方案实现：

3、一种基于卷积神经网络的地下水监测系统，包括监测井，包括：数据单元，用于整理地下水位时空监测数据并编制数据集，并用于对监测井内的地下水数据进行采集；处理单元，与所述数据单元信号连接，用于对所述数据集进行预处理得到第一序列矩阵；筛选单元，与所述处理单元信号连接，以所述第一序列矩阵为基础数据，对所述基础数据进行空间相关性筛选，并根据筛选结果构造第二序列矩阵；监测单元，与所述筛选单元信号连接，搭载有卷积神经网络模型，并用于将所述第二序列矩阵划分为训练集与测试集，所述卷积神经网络模型经由训练集训练后能够通过输入测试集后输出监测集，所述监测单元将接收的地下水数据与监测集进行比对，若满足阈值条件，则进行地下水数据的输出，若不满足阈值条件，则重复进行地下水数据采集。

4、需要说明的是，传统的大多数地下水位动态监测方法仅对其时序数据进行监测研究，方法较为单一且很少甚至没有考虑空间因素。而地下水位监测值是一种典型的地理时空序列数据，其动态变化既是一种自然地理现象，也是不同区域人类经济共同活动作用的结果。地下水动态的变化与监测模拟应从时间和空间多重影响进行考虑，不仅受到目标监测井的历史数据影响，还需要考虑与目标监测井有关联的其它监测井数据的影响。

5、基于上述问题，提出了一种基于卷积神经网络的地下水监测系统，通过整理地下水位时空监测数据并编制数据集，剔除异常值，减小了异常值对监测推理过程的不利影响，即通过对数据集进行小波分析，分解得到降低噪声的地下水位数据的第一序列矩阵；并以第一序列矩阵作为基础数据，采用基于距离加权的knn算法对第一序列矩阵进行空间相关性筛选，并根据筛选结果构造第二序列矩阵；再将第二序列矩阵划分为训练集与测试集，训练集用于神经卷积网络的模型训练，测试集用于模型验证以及监测目标的输入；最后将神经卷积网络的输出值进行加权融合后得到目标监测数据。

6、进一步地，所述处理单元包括：信号分解模块，用于对所述数据集中的原始信号进行分解，得到各尺度系数；阈值处理模块，与所述信号分解模块信号连接，用于对分解后的各尺度系数进行筛选保留；信号重构模块，与所述阈值处理模块信号连接，用于将阈值处理后的离散信号重构成连续信号，即得到去噪后光滑的真实信号，所述真实信号的集合即为第一序列矩阵。需要说明的是，由于时间序列中变动较大，不排除个别数据存在周期变动中存在异常。经过查证原始资料可知，异常值产生的原因有监测井实际监测数据录入有误以及受相邻监测井过度开采的影响，进而对研究区地下水位进行准确监测存在一定的难度。因此，在后续地下水位监测模型构建时需对原始监测井数据进行降噪等数据预处理来提高模型的精度。

7、基于上述内容，根据时域信号经过小波变换成分布在频域内不同频段的频谱能量这一原理，通过设置合理的频谱能量阈值来抑制高频噪音的干扰，有效地将高频信息和高频噪音区分开来。

8、进一步地，所述筛选单元采用基于距离加权的knn算法挑选出与监测目标具有空间相关性的序列集并构造第二序列矩阵。根据地下水位数据时空特征以及深度学习算法特性可知，地下水位监测序列具有明显的时空相关性特征，而神经网络模型有良好自适应和自学习能力，同时引入knn算法进行空间相关性筛选，重构时空数据集和神经网络模型算法，构建混合监测模型，适用于地下水位时空序列的监测。

9、进一步地，所述筛选单元设定有欧拉距离阈值，挑选条件为小于欧拉距离阈值，且所述第二序列矩阵以欧拉距离的大小为条件按递增顺序进行排列。需要说明的是，本技术采用欧式距离来衡量各监测井地下水位序列之间的相似性程度。

10、进一步地，所述监测单元包括扩展模块，所述扩展模块基于所述卷积神经网络模型对所述第二序列矩阵进行特征提取，提取后得到稠密的关系，再基于稠密的关系获取扩展后的数据推理规则，其中，扩展后的数据推理规则包括：补规则、并规则、处反规则、传递规则以及增广规则。

11、在地下水监测知识图谱基础上，研究地下水监测对象推理关系稀疏表达方法，利用卷积神经网络进行特征提取，提取后得到稠密的关系，再基于稠密的关系获取扩展后的数据推理规则并进行冲突检测，冲突检测后赋予新的推理规则实际解释，再得到推理规则集，扩展的知识推理规则包括补规则、并规则、自反规则、传递规则以及增广规则等知识推理规则，以实现知识推理规则集的拓展、补充和丰富。

12、进一步地，所述监测单元还包括与所述扩展模块信号连接的训练模块，所述训练模块将训练集输入所述卷积神经网络模型后基于所述数据推理规则完成训练过程。通过不断调整模型重要参数，并运用交叉验证法对模型预测性能进行验证，进而构建最优的卷积神经网络模型。

13、进一步地，在训练后所述卷积神经网络模型内输入测试集后输出监测集，所述监测单元还包括与所述训练模块信号连接的融合模块，所述融合模块能够根据监测集在第二序列矩阵内的权重值进行融合得到目标监测数据。

14、进一步地，所述卷积神经网络模型为gru神经网络模型，且所述gru神经网络模型的隐藏层增加有dense层，输出层增加有softmax层。gru网络是lstm神经网络的变体，lstm神经网络是一类具有时序预测性质的神经网络，适于具有时序性数据的预测。gru神经网络的网络参数易于调整，网络结构相较于lstm较为简单。同样利用数据信息的时序性，通过对gru网络进行改进，即可预测出不同环境条件下最优的数据推理规则组合。此处对gru网络的改进是在隐藏层增加dense层、并在最后的输出层增加softmax层，这样提高了特征空间的转换能力，将对数据推理的预测转换为对数据波动度的预测。

15、本发明与现有技术相比，具有如下的优点和有益效果：

16、1.本发明通过对数据集进行小波分析，分解得到降低噪声的地下水位数据的第一序列矩阵；并以第一序列矩阵作为基础数据，采用基于距离加权的knn算法对第一序列矩阵进行空间相关性筛选，并根据筛选结果构造第二序列矩阵；再将第二序列矩阵划分为训练集与测试集，训练集用于神经卷积网络的模型训练，测试集用于模型验证以及监测目标的输入；最后将神经卷积网络的输出值进行加权融合后得到目标监测数据；

17、2.本发明通过不断调整模型重要参数，并运用交叉验证法对模型预测性能进行验证，进而构建最优的卷积神经网络模型；

18、3.本发明在卷积神经网络模型的隐藏层增加dense层、并在最后的输出层增加softmax层，这样提高了特征空间的转换能力，将对数据推理的预测转换为对数据波动度的预测。