买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江西匠制科技有限公司

摘要：本发明公开了基于异形网格化的环境污染溯源分析方法，方法包括数据采集、数据预处理、建立环境污染溯源模型和环境污染溯源分析。本发明属于环境污染溯源技术领域，具体是指基于异形网格化的环境污染溯源分析方法，本方案通过构建异形网格，构建各区域的环境污染溯源模型；基于误差数据来调整和改进模型，从而逐步减少误差；通过将多个回归模型组装成最终模型，所使用的损失函数更关注分类样本，实现快速降低损失值，提高模型预测性能；基于局部搜索和全局搜索对粒子位置进行更新，丰富种群多样性；引入反向学习的机制，能够通过生成反向位置来探索搜索空间中未被发现的区域，从而避免陷入局部最优解；进而实现对环境污染溯源模型的参数优化。

主权项：1.基于异形网格化的环境污染溯源分析方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；步骤S2：数据预处理，对采集的数据进行数据清洗、格式化处理和构建异形网格；步骤S3：建立环境污染溯源模型，基于每次迭代的误差数据来调整和改进模型；通过将各回归模型组装成最终模型；并对模型参数优化；步骤S4：环境污染溯源分析；所述步骤S3包括步骤S31模型架构设计、步骤S32模型前向传播、步骤S33模型训练和步骤S34环境污染溯源模型参数优化；所述步骤S33包括步骤S331基于训练集初始化回归模型、步骤S332迭代训练模型、步骤S333计算归一化的误差损失值和步骤S334计算模型输出；步骤S333具体为：计算归一化的误差损失值，若迭代时归一化的误差损失值0.05，则停止迭代，将每次迭代的回归模型组装，表示为，并转至步骤S334；其中，是最终组装的回归模型，和分别是第2次和第k次迭代时的回归模型，回归模型指的是环境污染溯源模型中的LSTM层和全连接层；否则，构造模型输入为[xtr,Ri]，xtr是训练集中输入数据，Ri是误差数据；重复步骤S332；计算误差损失值所用公式如下： ；式中，L是误差损失值；yc是对类别c的样本中的预测标签；pc是对类别c的预测概率值；α和γ分别是权重因子和指数因子；在步骤S3中，所述建立环境污染溯源模型具体包括以下步骤：步骤S31：模型架构设计，所建立的环境污染溯源模型是基于卷积长短时记忆神经网络，模型输入、输出和状态转移过程都通过卷积操作来实现；输入层用于接受时间序列输入；卷积层处理输入数据中的空间依赖关系；LSTM层处理数据中的时间序列特征；全连接层将特征映射到目标输出；步骤S32：模型前向传播，模型在时间步t的前向传播过程如下所示： ； ； ； ； ；式中，it、ft、Ct、ot和St分别是输入门、遗忘门、记忆单元状态、输出门和短期记忆状态；Xt是输入数据；Wxi、Wxf、Wxc和Wxo分别是输入数据到各门控单元的权重；Wsi、Wsf、Wsc和Wso分别是短期记忆状态到各门控单元的权重；Wci、Wcf和Wco分别是记忆单元状态到各门控单元的权重；bi、bf、bc和bo分别是各门控单元的偏置；σ是sigmoid函数；tanh是双曲正切函数；*是卷积操作；是Hadamard积；Ct-1和St-1分别是上一时间步t-1的记忆单元状态和短期记忆状态；步骤S33：模型训练；步骤S34：环境污染溯源模型参数优化；在步骤S33中，所述模型训练具体包括：步骤S331：基于训练集初始化回归模型，模型的输入是[xtr,ytr]；将模型的输出归一化后得到y1；其中，xtr是训练集中输入数据；ytr是标签数据；y1是初始化的模型输出；步骤S332：迭代训练模型，计算误差数据Ri=Ri-1-yi；其中Ri和Ri-1分别是第i次迭代时和第i-1次迭代时的误差数据；yi是第i次迭代时模型归一化后的模型输出；初次训练回归模型时，误差数据R0=ytr；步骤S333：计算归一化的误差损失值；步骤S334：计算模型输出，将测试集数据输入至组装的回归模型；计算模型最终输出，所用公式如下： ；式中，是模型的最终输出；在步骤S34中，所述环境污染溯源模型参数优化具体包括：步骤S341：建立参数搜索空间，基于各门控单元的初始权重和偏置，权重因子和指数因子建立参数搜索空间；将基于参数个体得到组装的回归模型对测试集的预测正确率作为个体适应度值；随机初始化搜索种群的粒子个体；对于越界的粒子维度位置重新初始化；粒子个体位置初始化所用公式如下： ；式中，和分别是初始化的第I+1个和第I个粒子个体位置；LOWd和Upd分别是第d维度的搜索下限和上限；步骤S342：局部搜索，基于随机粒子和粒子历史最优位置进行局部搜索；所用公式如下： ；式中，Si,d是第i个粒子第d维度局部搜索后的位置；xd、yd和zd分别是当前粒子个体、随机粒子个体和粒子历史最优的第d维度的位置；FX、FY和FZ分别是当前粒子个体、随机粒子个体和粒子历史最优位置的适应度值；步骤S343：全局搜索，基于全局最优位置进行全局搜索，所用公式如下： ； ；式中，和分别是第I个粒子第d维度的第t+1次迭代和第t次迭代时位置；Wt和Wt-1分别是第t次迭代和第t-1次迭代时的移动权重；wmax是最大权重；Bdt和Rdt分别是最优粒子个体和随机粒子个体的位置；F是当前粒子适应度值；步骤S344：反向学习，基于当前最优位置生成一个反向位置，若反向位置优于当前最优位置，则将反向位置更新为当前最优位置；生成反向位置所用公式如下： ；式中，FXdt+1和Bdt+1分别是第t+1次迭代时的反向位置和最优位置；步骤S345：判定，预先设有适应度阈值，若存在粒子个体的适应度值高于适应度阈值，环境污染溯源模型建立完成；若粒子个体的适应度值都低于适应度阈值且达到最大迭代次数，则重新初始化种群位置；否则返回至步骤S342继续迭代搜索；在步骤S1中，所述数据采集是采集历史环境污染溯源数据；所述历史环境污染溯源数据包括环境监测数据、空间数据、气象数据、时间数据和污染源类型；所述环境监测数据包括空气质量监测数据、水质监测数据和土壤质量监测数据；所述空间数据包括地理位置信息数据、土地利用数据和地形数据；所述气象数据包括温度、湿度、风速和降雨量；将污染源类型作为数据标签；构建时间序列数据集；在步骤S4中，所述环境污染溯源分析是基于建立完成的环境污染溯源模型；实时采集环境监测数据、空间数据、气象数据和时间数据；基于数据的地理位置，将数据输入至对应区域的环境污染溯源模型；基于模型输出的污染源类型实现环境污染溯源分析；在步骤S2中，所述数据清洗是处理缺失值、异常值和重复值；所述格式化处理是将数据转换为向量并进行归一化处理；所述构建异形网格是将数据基于地理位置划分不规则网格，构建区域化数据集，并将数据集划分为训练集和测试集；基于区域化数据集分别构建各区域的环境污染溯源模型。

全文数据：

权利要求：

百度查询： 江西匠制科技有限公司 基于异形网格化的环境污染溯源分析方法