[發明專利]一種基于深度學習的水質熒光數據特征提取方法

在審

• 申請號: 202010854845.2
• 申請日: 2020-08-24
• 公開（公告）號: CN111966740A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 丁訓林;楊齊紅;王萬青;孫剛忠;李明超;任福林
• 申請（專利權）人: 安徽思環科技有限公司
• 主分類號: G06F16/25
• 分類號: G06F16/25;G06F16/215;G01N21/64;G06F16/22;G06F16/28;G06N3/04;G06N3/08
• 代理公司: 北京華仁聯合知識產權代理有限公司 11588
• 代理人: 國紅

1.一種基于深度學習的水質熒光數據特征提取方法，其特征在于，該操作方法的具體步驟為：

步驟一：數據預處理模塊，用于接收上傳數據并對數據進行提取和轉化處理；

所述數據預處理模塊中數據提取采用特征提取網絡進行多個通道的特征提取，再通過拉直拼接操作獲取一個局部特征向量；

步驟二：數據搭建訓練模塊，用于步驟一處理后的數據搭建深度卷積神經網絡并進行逐層訓練，處理后將數據轉換成指定格式的數據庫；

步驟三：數據分析模塊，對步驟二中逐層訓練處的數據采用趨勢面分析方法來減小隨機誤差和局部點異常；

步驟四：數據填充模塊，對步驟三中檢測出的數據缺失部分進行填充，得到目標函數；

步驟五：數據輸出模塊，用于步驟四中處理后的數據輸出，將數據放入集合容器中，最后再通過response導出數據流。

2.根據權利要求1所述的一種基于深度學習的水質熒光數據特征提取方法，其特征在于，所述數據預處理模塊中提取的數據為相應通道中的濾波器生成對預測變量最符合的參數。

3.根據權利要求1所述的一種基于深度學習的水質熒光數據特征提取方法，其特征在于，所述深度卷積神經網絡創建包括基于原始數據確定待提取的目標，針對該目標收集對應的目標數據，制備深度卷積神經網絡的訓練數據集，再進行深度學習深度卷積神經網絡搭建。

4.根據權利要求1所述的一種基于深度學習的水質熒光數據特征提取方法，其特征在于，所述趨勢面分析方法包括圖解法趨勢面分析和數學計算法趨勢面分析。

5.根據權利要求4所述的一種基于深度學習的水質熒光數據特征提取方法，其特征在于，所述圖解法趨勢面分析的思路是對觀測數據采用二維方塊取平均值法，或滑動平均值法計算趨勢值，方塊平均值法是對每一方塊內的數據取平均值，作為該方塊重心點的趨勢值。

6.根據權利要求4所述的一種基于深度學習的水質熒光數據特征提取方法，其特征在于，所述計算法趨勢面分析是選定一個數學函數，對觀測數據進行擬合，擬合函數常用的有多項式函數，傅里葉級數和指數函數的多項式函數。

7.根據權利要求1所述的一種基于深度學習的水質熒光數據特征提取方法，其特征在于，所述數據填充模塊采用熱卡填充法，若缺失值是數值型的，就根據使用相關系數矩陣來確定哪個變量Y與缺失值所在變量X最相關，然后把所有個案按Y的取值大小進行排序，那么變量X的缺失值就可以用排在缺失值前的那個個案的數據來代替了。

8.一種水質熒光數據采集方法，其特征在于，該操作方法的具體具體步驟為：

步驟一：將光路系統設置在微流體芯片熒光數據中間使微流體芯片熒光數據沿光路系統座圓周運動；

步驟二：在微流體芯片熒光數據沿著微流體芯片熒光數據做圓周運動時，光路系統對微流體芯片熒光數據進實現采集；

步驟三：對光路系統采集的熒光數據進行處理獲得有效熒光數據；

步驟四：將數據輸送存儲至MySQL（關系型數據庫）內。

9.根據權利要求8所述的一種水質熒光數據采集方法，其特征在于，所述MySQL的Innodb中的數據是按主鍵的順序依次存放，索引采用B+樹結構進行組織。