[發明專利]一種基于深度學習算法的污染源異常數據識別方法

在審

• 申請號: 201811582765.5
• 申請日: 2018-12-24
• 公開（公告）號: CN109711547A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 何政;葉剛;李威;王萍
• 申請（專利權）人: 武漢邦拓信息科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 上海精晟知識產權代理有限公司 31253
• 代理人: 馮子玲

1.一種基于深度學習算法的污染源異常數據識別方法，其特征在于：具體包括以下步驟：

S1、首先系統處理模塊會控制數據采集模塊對外界污染源的檢測數據進行采集，并將采集的數據傳送至數據分類模塊內進行分類，可將采集的污染源數據分成無標簽數據和有表圈數據集，并將無標簽數據傳送至特征學習模型訓練系統內進行深度學習處理，而有標簽數據集傳送至分類模型訓練系統內進行分類訓練和測試；

S2、模型的訓練包括特征學習模型和分類模型的訓練，其中數據預處理可對輸入的數據進行標準化和歸一化處理，并完成數據類型的轉換，特征學習模型的訓練以經過預處理的無標簽數據作為輸入，對特征學習模型進行無監各的訓練，訓練好的特征學習模型，可以直接用于學習數據的特征，將樣本在原空間的表示變換到一個新的特征空間，分類模型的訓練和測試應用有標簽的訓練集和測試集進行有監督的訓練和測試；

S3、應用S2訓練得到的特征學習模型，學習待分類數據的特征,然后將學習到的數據特征作為分類模型的輸入，傳送至下層數據訓練系統內對數據進行分類，從第2層i＝2開始，用i-1層特征作為本層的輸入訓練第層，其中第1層即原始輸入，學習第層的初始編碼參數W，b，并應用這些參數學習第i層的特征h，之后將學習的特征h作為下一層的輸入，進入下層的訓練，重復以上方法來訓練所有層次,直到最后一層；

S4、在預訓練之后，系統處理模塊會控制神經網絡編碼單元對網絡的輸出和輸入進行誤差求解，以減小誤差，同時系統處理模塊會控制異常數據識別模塊能夠自動識別出異常污染源數據；

S5、系統處理模塊會控制異常數據顯示模塊直接顯示異常數據，或通過無線通訊單元無線將識別的異常數據無線傳送至遠程監控中心。

2.根據權利要求1所述的一種基于深度學習算法的污染源異常數據識別方法，其特征在于：所述步驟S3中第1層為整個網絡的輸入，即原始數據最后一層特征為整個特征學習模型的輸出，分類器的輸入，W，b，分別表示第i層的網絡權重和偏置值。