[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

本發明公開了一種基于深度學習算法的污染源異常數據識別方法，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，本發明涉及數據處理技術領域。該基于深度學習算法的污染源異常數據識別方法，可實現將特征學習算法以原始數據作為輸入，而且學習過程采用無監督的特征學習過程，可大大增強污染源數據異常識別的精度，縮短了異常數據識別時間，實現了通過深度學習模型算法來刻畫數據的豐富信息和提高分類性能，達到了在整個特征學習和數據異常是被的過程無人工提取的目的，很好的解決了有標簽異常數據獲取困難的問題。

技術領域

本發明涉及數據處理技術領域，具體為一種基于深度學習算法的污染源異常數據識別方法。

背景技術

污染源通常是指向環境排放或釋放有害物質或對環境產生有害影響的場所、設備和裝置，任何以不適當的濃度、數量、速度、形態和途徑進入環境系統并對環境產生污染或破壞的物質或能量，統稱為污染物，根據污染的產生過程可分為兩類：1.一次污染物：由污染源釋放的直接危害人體健康或導致環境質量下降的污染物；2.二次污染物：排放物質在一定環境條件下產生的一系列物理、化學和生物化學反應，導致環境質量下降，按污染物的來源可分為天然污染源和人為污染源，污染源天然污染源是指自然界自行向環境排放有害物質或造成有害影響的場所，如正在活動的火山，人為污染源是指人類社會活動所形成的污染源，后者是環境保護工作研究和控制的主要對象，人為污染源有多種分類方法，按排放污染的種類，可分為有機污染源、無機污染源、熱污染源、噪聲污染源、放射性污染源、病原體污染源和同時排放多種污染物的混合污染源等，隨著社會的不斷發展，人們的環保意識越來越高，因此需要對污染源的各項數據指標進行檢測。

異常檢測技術是在不影響網絡性能的情況下，防止或減輕來自網絡攻擊的威脅，目前，異常檢測是將具體實例技特征抽象為數據樣本，再使用經典的模式分類算法如神經網絡、決策樹等對樣本點進行分類，因此良好的特征表達對最終算法的準確性起著非常關鍵的作用，現有的污染源數據異常識別精度較低，且識別速度慢，不能通過深度學習模型算法來刻畫數據的豐富信息和提高分類性能，無法達到在整個特征學習和數據異常是被的過程無人工提取的目的，不能解決有標簽異常數據獲取困難的問題，從而給人們對污染源數據的監控工作帶來了極大的不便。

發明內容

(一)解決的技術問題

針對現有技術的不足，本發明提供了一種基于深度學習算法的污染源異常數據識別方法，解決了現有的污染源數據異常識別精度較低，且識別速度慢，不能通過深度學習模型算法來刻畫數據的豐富信息和提高分類性能，無法達到在整個特征學習和數據異常是被的過程無人工提取的目的，不能解決有標簽異常數據獲取困難的問題，從而給人們對污染源數據的監控工作帶來了極大不便的問題。

(二)技術方案

為實現以上目的，本發明通過以下技術方案予以實現：一種基于深度學習算法的污染源異常數據識別方法，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；