[发明专利]一种基于动态更新数据集的水质污染报警方法

说明书

本发明属于水污染分析技术领域，具体为是一种基于动态更新数据集的水质污染报警方法，包括训练数据集的获取、异常检测模型的构建、实时数据的实测运行和当日异常数据更新异常数据集A2。通过将检测出的当日异常数据，替换掉异常数据集A2中的历史数据，实现了数据库的不断更新，降低了异常阈值的误差性，解决了现有深度算法中样本稀少的问题。通过调用决策树来构建模型，可以在此基础上实现参数的进一步优化，这是PMF模型无法实现的效果，提高了判别结果的准确性，具有较好的鲁棒性。

技术领域

本发明属于水污染分析技术领域，涉及到一种水质污染报警方法，特别是一种基于动态更新数据集的水质污染报警方法。

背景技术

突发水污染事故会对水系及生态环境造成严重的污染和伤害。由于突发水污染事故的发生时间和地点具有很大的不确定性，同时也很难在短期内确定危害的方式和污染程度，容易给正常的社会生活、生产秩序的造成严重干扰。因此，需要找到有效可靠的污染源溯源方法，快速准确地找到导致突发性水污染的污染源发生时间和位置，做出正确的决策，并采取切实可行的措施加以处理。

突发水质污染事件的特征主要包括以下两点：

(1)复杂性。水环境污染的污染源成分比较复杂，可能含有单一有毒性物质，也有可能是多种毒性物质相互反应所生成的新型有毒物质；另外，在开放式环境中干扰因素较多，容易造成水污染事件漏警。

(2)不确定性。突发性水污染事件的发生地点并不是固定的，并且发生时间和发生方式也具有不确定特征，很难及时找出水污染事故发生规律，很难在较短时间内确定污染种类浓度以及影响范围。

通常，水质监测中依靠化学需氧量(COD)、生物需氧量(BOD)、硝酸盐氮(NO3-N)、浊度(FTU)等水质参数来反映水质是否存在异常，但这些参数所反映的是水体有机物的综合信息，很难判定其单一或特定的污染源。当前有不少研究者使用正定矩阵因子分解模型(PMF)作为分析工具，但在PMF模型中，需人为确定因子数，不同因子数的选择会导致异常分析过程中各参数的载荷分配不确定性，会给异常事件的判定结果产生较大的误差，鲁棒性较差。

现如今，随着人工智能技术的进步，很多污染检测方法都是利用深度学习来完成，具有识别速度快、准确率高等优点。然而，利用深度学习的方法意味着需要大量的正样本和负样本，这对于污染源成分复杂且具有突发性的水质污染来说，很难实现，尤其是获取负样本更是非常困难。

发明内容

为解决上述问题，本发明设计了一种基于动态更新数据集的水质污染报警方法，解决了现实中污染样本稀少以及现有算法鲁棒性差的问题。

本发明采用的技术方案是，

一种基于动态更新数据集的水质污染报警方法，包括，

步骤1：获取水质无污染时的光谱数据，作为特征数据集A1；

步骤2：获取水质污染时的光谱数据，作为异常数据集A2；

步骤3：A1和A2根据模型训练参数M的比例进行数据选取，M＝A1/A2；

步骤4：根据选取后的A1和A2得到训练数据集A3，A3＝A1∪A2；

步骤5：开始训练异常检测模型，具体为，

步骤501：从训练数据集A3中随机选择m个样本点构成n个子集Ωi，其中，i∈1,2,3……n，在n个子集上构建决策树；

步骤502：随机选择Ωi中的一个特征，随机选择一个阈值进行二分裂；阈值介于当前节点数据中指定特征的最大值和最小值之间；

步骤503：重复步骤502，直到决策树到达设定的高度d或者每个叶子节点中只有一个点；

步骤504：重复步骤502～步骤503，直到n个决策树构建完成；