[發(fā)明專利]一種基于深度學(xué)習(xí)的水質(zhì)熒光數(shù)據(jù)特征提取方法

在審

• 申請?zhí)枺?/td>: 202010854845.2
• 申請日: 2020-08-24
• 公開（公告）號: CN111966740A
• 公開（公告）日: 2020-11-20
• 發(fā)明（設(shè)計）人: 丁訓(xùn)林;楊齊紅;王萬青;孫剛忠;李明超;任福林
• 申請（專利權(quán)）人: 安徽思環(huán)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(lián)合知識產(chǎn)權(quán)代理有限公司 11588
• 代理人: 國紅

一種基于深度學(xué)習(xí)的水質(zhì)熒光數(shù)據(jù)特征提取方法，該操作方法的具體步驟為：數(shù)據(jù)預(yù)處理模塊，用于接收上傳數(shù)據(jù)并對數(shù)據(jù)進行提取和轉(zhuǎn)化處理；所述數(shù)據(jù)預(yù)處理模塊中數(shù)據(jù)提取采用特征提取網(wǎng)絡(luò)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；數(shù)據(jù)搭建訓(xùn)練模塊，用于步驟一處理后的數(shù)據(jù)搭建深度卷積神經(jīng)網(wǎng)絡(luò)并進行逐層訓(xùn)練，處理后將數(shù)據(jù)轉(zhuǎn)換成指定格式的數(shù)據(jù)庫；數(shù)據(jù)分析模塊，對步驟二中逐層訓(xùn)練處的數(shù)據(jù)采用趨勢面分析方法來減小隨機誤差和局部點異常；數(shù)據(jù)填充模塊，對步驟三中檢測出的數(shù)據(jù)缺失部分進行填充。本發(fā)明方法新穎，設(shè)計合理，能對水質(zhì)熒光數(shù)據(jù)快速提取分析，且針對性強，很好的保證了水質(zhì)熒光數(shù)據(jù)深度分析的精度。

技術(shù)領(lǐng)域

本發(fā)明屬于水質(zhì)熒光數(shù)據(jù)分析方法技術(shù)領(lǐng)域，具體是一種基于深度學(xué)習(xí)的水質(zhì)熒光數(shù)據(jù)特征提取方法。

背景技術(shù)

深度學(xué)習(xí)的本質(zhì)是通過構(gòu)建多隱層的模型和海量訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，“深度模型”是手段，“特征學(xué)習(xí)”是目的，強調(diào)了模型結(jié)構(gòu)的深度，通常有5- 10多 層的隱層節(jié)點，明確突出了特征學(xué)習(xí)的重要性，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或預(yù)測更加容易。與人工規(guī)則構(gòu)造特征的方法相比，利用大數(shù)據(jù)來學(xué)習(xí)特征更能夠刻畫數(shù)據(jù)的豐富內(nèi)在信息。

經(jīng)檢索，申請?zhí)柸?a title="鉆瓜專利網(wǎng)">專利申請?zhí)?01911088806.X，公開了一種水質(zhì)數(shù)據(jù)分析方法，包括如下步驟：S1、對水質(zhì)數(shù)據(jù)的變量進行離散，以得到離散后的區(qū)間值即為項；S2、通過關(guān)聯(lián)規(guī)則挖掘方法獲取已發(fā)生的項之間的關(guān)聯(lián)；S3、將不發(fā)生的項之間的關(guān)聯(lián)轉(zhuǎn)化為計算所述不發(fā)生的項的支持度；當(dāng)任意項i在項集X中不發(fā)生的時候表示為X_i，則所述X_i的支持度為s(X_i)＝s(X\i)-s(X)，其中，s(X\i)表示移除項i后的新項集的支持度，s(X)表示項集X的支持度；S4、根據(jù)所述不發(fā)生的項的支持度，以確定需要分析的所述水質(zhì)數(shù)據(jù)的濃度值區(qū)。

上述方法對數(shù)據(jù)收集處理耗時長，工作量大，需投入大量的人力、財力，且提取效率低，耗費時間長，難以滿足當(dāng)代大數(shù)據(jù)分析的要求，所以研究一種基于深度學(xué)習(xí)的水質(zhì)熒光數(shù)據(jù)特征提取方法是很有必要的。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的水質(zhì)熒光數(shù)據(jù)特征提取方法，以解決上述背景技術(shù)中提出的問題。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于深度學(xué)習(xí)的水質(zhì)熒光數(shù)據(jù)特征提取方法，該操作方法的具體步驟為：

步驟一：數(shù)據(jù)預(yù)處理模塊，用于接收上傳數(shù)據(jù)并對數(shù)據(jù)進行提取和轉(zhuǎn)化處理；

所述數(shù)據(jù)預(yù)處理模塊中數(shù)據(jù)提取采用特征提取網(wǎng)絡(luò)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(shù)據(jù)搭建訓(xùn)練模塊，用于步驟一處理后的數(shù)據(jù)搭建深度卷積神經(jīng)網(wǎng)絡(luò)并進行逐層訓(xùn)練，處理后將數(shù)據(jù)轉(zhuǎn)換成指定格式的數(shù)據(jù)庫；

步驟三：數(shù)據(jù)分析模塊，對步驟二中逐層訓(xùn)練處的數(shù)據(jù)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(shù)據(jù)填充模塊，對步驟三中檢測出的數(shù)據(jù)缺失部分進行填充，得到目標(biāo)函數(shù)；

步驟五：數(shù)據(jù)輸出模塊，用于步驟四中處理后的數(shù)據(jù)輸出，將數(shù)據(jù)放入集合容器中，最后再通過response導(dǎo)出數(shù)據(jù)流。

作為本發(fā)明進一步的方案，所述數(shù)據(jù)預(yù)處理模塊中提取的數(shù)據(jù)為相應(yīng)通道中的濾波器生成對預(yù)測變量最符合的參數(shù)。

作為本發(fā)明再進一步的方案，所述深度卷積神經(jīng)網(wǎng)絡(luò)創(chuàng)建包括基于原始數(shù)據(jù)確定待提取的目標(biāo)，針對該目標(biāo)收集對應(yīng)的目標(biāo)數(shù)據(jù)，制備深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，再進行深度學(xué)習(xí)深度卷積神經(jīng)網(wǎng)絡(luò)搭建。

作為本發(fā)明再進一步的方案，所述趨勢面分析方法包括圖解法趨勢面分析和數(shù)學(xué)計算法趨勢面分析。