基于机器学习的环境监测方法及系统

本发明涉及环境监测，具体是指基于机器学习的环境监测方法及系统。

背景技术：

1、基于机器学习的环境监测方法及系统是利用机器学习和数据处理技术，对环境监测数据进行处理和分析，提供准确、实时的环境监测结果的方法及系统。但是传统环境监测模型存在分类准确率低，模型学习能力弱及模型复杂度高的问题；传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器学习的环境监测方法及系统，针对传统环境监测模型存在分类准确率低，模型学习能力弱及模型复杂度高的问题，本方案基于优化数据处理算法，通过自适应滤波、局部二值处理、小波的部分变换实现数据的优化处理，增强模型准确性、稳定性和可靠性，降低模型复杂度；针对传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题，本方案通过设计基于惯性权重值优化的自适应搜索位置函数来搜索模型参数，设计边界回溯函数对搜索方向进行回溯调整，提高了搜索适应性、搜索速度、后期搜索能力，进而提高搜索效率。

2、本发明采取的技术方案如下：本发明提供的基于机器学习的环境监测方法及系统，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：建立环境监测模型；

6、步骤s4：搜索模型最优参数；

7、步骤s5：实时运行。

8、进一步地，在步骤s1中，所述数据采集是采集生态完整的森林图像数据，并对图像进行标注，标注类型包括正常生态环境和异常生态环境。

9、进一步地，在步骤s2中，所述数据预处理，采用dlbp模型和小波变换从环境信息图像中提取出特征信息再结合相关系数选择出对模型预测有用的特征数据，具体包括以下步骤：

10、步骤s21：设计自适应滤波去噪函数，所用公式如下：

11、；

12、其中，表示经过自适应中值滤波处理后得到的新值，n表示表示中值滤波器，用于计算滤波后的像素值；n进行平滑处理的迭代次数，j表示子窗口中中心像素的索引；表示子窗口中像素j在第n-1次迭代的像素值；p表示子窗口中像素集合；

13、步骤s22：设计迭代判别函数，所用公式如下：

14、；

15、；

16、其中，第n次迭代中像素点j的滤波结果，表示第n-1次迭代中像素点j的中值滤波结果；表示第n-1次迭代中像素点j的滤波结果；表示第n次迭代中像素点j的激活状态，它的值为1或0，当第n次迭代的滤波结果与上一次迭代相同，即时保持为上一次的激活状态，不再进行下一次迭代；否则，设为1，表示需要进行下一次迭代；表示第n-1次迭代中像素点j的激活状态；

17、步骤s23：设计局部二值模式估计函数，所用公式如下：

18、；

19、其中，表示局部二值模式函数，d为中心像素周围像素的集合，d是集合d中的一个像素值；q(·)为量化函数，通过量化后的差异值累加，得到最终的局部二值模式码，局部二值模式码能够描述图像的局部纹理特征；ic和id分别为中心像素及其第d个相邻像素的灰度值；

20、步骤s24：设计灰度级平均值函数，所用公式如下：

21、；

22、；

23、其中，μ0表示它表示灰度级小于等于阈值的像素的平均值；μ1表示灰度级大于阈值的像素的平均值，表示第e个像素的灰度值；t表示阈值；

24、步骤s25：设计局部二值的最小剩余误差函数，所用公式如下：

25、；

26、其中，表示最小剩余误差，通过计算最小剩余误差来找到最优阈值；n表示像素总数；

27、步骤s26：设计小波变换的基本函数，所用公式如下：

28、；

29、；

30、其中，和分别表示平移和二元扩张过程中的基本函数；y表示在空间上的变量；fm和hm分别表示高通和低通滤波系数；l表示平移和扩张参数；m表示小波的尺度参数；

31、步骤s27：设计小波变换函数，所用公式如下：

32、；

33、其中，表示小波变换函数；cm和bm0分别表示原始信号的近似展开系数和小波系数；t1表示求和迭代次数；

34、步骤s28：利用相关系数法进行特征选择，若相关系数接近于1或-1，则特征向量间存在较强的线性关系；若相关系数接近于0，则变量间不存在线性关系；通过相关系数来选择相关的特征向量，获取原始数据中对模型预测有用的信息，所用公式如下：

35、；

36、其中，r是相关系数，v为待选择的特征向量集合，x和y分别代表待选择的特征向量集合中的两个特征向量；是x与y的协方差，σx和σy分别是x和y的标准差。

37、进一步地，在步骤s3中，所述建立环境监测模型，创建非线性模型，通过设计决策函数、核函数，进行特征映射，找到超平面并进行分类预测，具体包括以下步骤：

38、步骤s31：设计非线性模型，通过将二值分类器问题建模为优化问题；

39、步骤s32：特征映射，使用核函数将数据映射到高维空间中；

40、步骤s33：计算超平面，所用公式如下：

41、；

42、其中，f(·)是分类函数，sign(·)是一个符号判别函数，ai是支持向量对应的拉格朗日乘子，yi是训练样本的标签，k(x,y)表示为特征空间内的核函数，b为偏差；即在高维空间中寻找一个超平面，使得各类数据点到该超平面的距离最大，将其作为最大化分类边界；

43、步骤s34：分类任务的预测：使用模型对样本数据进行分类预测。

44、进一步地，在步骤s4中，所述通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间，设计基于惯性权重值优化的自适应搜索位置函数，设计边界回溯函数对搜索方向进行回溯调整，更新迭代，找到全局最优参数，具体包括以下步骤：

45、步骤s41：设定搜索空间，参数空间包括c参数空间和γ参数空间；c参数控制着错误分类的惩罚项；γ参数控制着单个训练样本的影响范围；

46、步骤s42：初始化搜索集群，通过多位置并发搜索，提高搜索质量；

47、步骤s43：设计适应度函数，所用公式如下：

48、；

49、其中，表示适应度函数；y为分类结果正确率；ξ表示分类中呈现的误差值；k为参数的维度；me表示从特征提取阶段提取的数据总量，md表示给定数据集中的数据总量；

50、步骤s44：设计参数搜索方向的归一化随机向量，所用公式如下：

51、；

52、其中，表示归一化随机向量，rand(·)为随机函数；

53、步骤s45：设计候补搜索空间，如下式：

54、；

55、其中，为第i次迭代时向量右侧的候补位置坐标，为第i次迭代时向量左侧的候补位置坐标，yi为第i次迭代时两向量之间的候补质心坐标，b为两向量之间的距离，表示归一化随机向量；

56、步骤s46：设计惯性权重值的搜索位置函数，所用公式如下：

57、；

58、；

59、其中，w表示设计的优化权重，wmax和wmin分别表示惯性权值的最大值和最小值；i表示迭代次数；imax为最大迭代次数；是第i次迭代时的阶跃因子；sign(·)是一个符号判别函数；表示归一化随机向量；

60、步骤s47：设计自适应优化的搜索代理位置，所用公式如下：

61、；

62、其中，为自适应优化的搜索代理位置，i为迭代次数，为从当前总体搜索点中任意选择的搜索代理点，为第i次搜索代理的位置，k1、k2、k3、k4和r为(0，1)内独立的随机数；为进行到第i次迭代时的当前最优位置，hv为上边界，dv为下边界；

63、步骤s48：设计边界回溯函数，所用公式如下：

64、；

65、其中，为回溯位置，即当搜索代理超出允许的边界之后，取消移动操作，返回上一次搜索位置，ymax是搜索上限，ymin是搜索下限；

66、步骤s49：搜索模型最优参数，进行位置更新并迭代，全局搜索参数位置并计算适应度值，与预先设定的适应度阈值进行比较，若搜索到的位置的适应度值大于适应度阈值，则停止迭代，选取该位置参数为最优模型参数；若达到最大迭代次数仍未找到大于阈值的适应度值，则重新进行位置初始化，再次迭代；若未到达最大迭代次数且未找到大于阈值的适应度值则继续进行迭代。

67、进一步地，在步骤s5中，所述实时运行是采集环境信息数据，基于步骤s4搜索的最优参数建立环境监测模型实现对环境质量状态的监测，即通过实时采集环境的图像数据，将其输入建立好的环境监测模型，对环境状态进行分类，若为正常生态环境则系统保持正常状态，若为异常生态环境则系统进入告警状态，发出告警信息，实时对环境进行监测。

68、本发明提供的一种基于机器学习的环境监测系统，包括数据采集模块、数据预处理模块、环境监测模型建立模块、模型最优参数搜索模块和实时运行模块；

69、所述数据采集模块进行数据采集，并将数据发送至数据预处理模块；

70、所述数据预处理模块对采集的数据进行预处理，采用dlbp模型和小波变换从环境信息图像中提取出特征信息，再结合相关系数选择出对模型预测有用的特征数据，并将数据发送至环境监测模型建立模块；

71、所述境监测模型建立模块创建非线性模型，通过设计决策函数、核函数，进行特征映射，找到超平面并进行分类预测，并将数据发送至模型最优参数搜索模块；

72、所述模型最优参数搜索模块通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间，设计基于惯性权重值优化的自适应搜索位置函数，设计边界回溯函数对搜索方向进行回溯调整，更新迭代，找到全局最优参数，并将数据发送至实时运行模块；

73、所述实时运行模块实时采集环境信息图像数据，基于最优参数搜索模块搜索的最优参数建立环境监测模型实现对环境质量状态的监测，即通过实时采集环境的图像数据，将其输入建立好的环境监测模型，对环境状态进行分类，若为正常生态环境则系统保持正常状态，若为异常生态环境则系统进入告警状态，发出告警信息，实时对环境进行监测。

74、采用上述方案本发明取得的有益效果如下：

75、（1）针对传统环境监测模型存在分类准确率低，模型学习能力弱及模型复杂度高的问题，本方案基于优化数据处理算法，通过自适应滤波、局部二值处理、小波的部分变换实现数据的优化处理，增强模型准确性、稳定性和可靠性，降低模型复杂度。

76、（2）针对传统搜索算法存在全局搜索能力和自适应能力弱而导致的搜索效率低的问题，本方案通过设计基于惯性权重值优化的自适应搜索位置函数，设计边界回溯函数对搜索方向进行回溯调整，提高了搜索适应性、搜索速度、后期搜索能力，进而提高搜索效率。