本發(fā)明屬于環(huán)境監(jiān)測(cè)，特別涉及一種智能環(huán)境監(jiān)測(cè)方法、系統(tǒng)、設(shè)備及可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在當(dāng)前的全能性實(shí)驗(yàn)室環(huán)境中，進(jìn)行準(zhǔn)確的環(huán)境監(jiān)測(cè)和管理是至關(guān)重要的。環(huán)境參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的準(zhǔn)確性和可靠性有著顯著影響。因此，實(shí)驗(yàn)室需要一套高效、精確的系統(tǒng)來(lái)監(jiān)測(cè)這些環(huán)境參數(shù)，確保實(shí)驗(yàn)條件的最佳狀態(tài)。隨著技術(shù)的進(jìn)步，尤其是在物聯(lián)網(wǎng)（iot）技術(shù)和機(jī)器學(xué)習(xí)領(lǐng)域，實(shí)驗(yàn)室環(huán)境監(jiān)測(cè)的方法也在不斷發(fā)展和改進(jìn)。傳統(tǒng)的監(jiān)測(cè)方法依賴于簡(jiǎn)單的傳感器網(wǎng)絡(luò)和手動(dòng)調(diào)整，這些方法往往無(wú)法實(shí)時(shí)捕捉環(huán)境的細(xì)微變化，也缺乏對(duì)未來(lái)環(huán)境條件變化的預(yù)測(cè)能力。此外，數(shù)據(jù)的不一致性、缺失值和噪聲等問(wèn)題常常干擾數(shù)據(jù)分析的準(zhǔn)確性，導(dǎo)致環(huán)境管理決策的不準(zhǔn)確。

2、公開(kāi)號(hào)為cn116451865a的中國(guó)專利公開(kāi)了一種基于深度學(xué)習(xí)的環(huán)境智能監(jiān)測(cè)方法，包括獲取污染點(diǎn)位的歷史監(jiān)測(cè)數(shù)據(jù)；構(gòu)建預(yù)測(cè)預(yù)警模型；將所述歷史監(jiān)測(cè)數(shù)據(jù)輸入所述預(yù)測(cè)預(yù)警模型中進(jìn)行訓(xùn)練，得到環(huán)境預(yù)測(cè)結(jié)果；基于所述環(huán)境預(yù)測(cè)結(jié)果制定治理方案。該發(fā)明在環(huán)境監(jiān)測(cè)過(guò)程中提取數(shù)據(jù)時(shí)并未使用特殊的數(shù)據(jù)處理方式，無(wú)法全面表達(dá)數(shù)據(jù)的特征信息，同時(shí)僅使用一種深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)歷史監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，難以全面捕捉數(shù)據(jù)中包含的復(fù)雜關(guān)系，導(dǎo)致分析結(jié)果受限。

3、公告號(hào)為cn116485202b的中國(guó)專利公開(kāi)了一種基于物聯(lián)網(wǎng)工業(yè)污染實(shí)時(shí)監(jiān)測(cè)方法及系統(tǒng)，包括：獲取預(yù)設(shè)區(qū)域范圍內(nèi)的環(huán)境污染信息，根據(jù)所述環(huán)境污染信息確定污染源及污染監(jiān)測(cè)指標(biāo)；根據(jù)所述污染監(jiān)測(cè)指標(biāo)及污染源信息生成預(yù)設(shè)區(qū)域范圍內(nèi)的傳感器布設(shè)方案，獲取不同傳感器采集的污染監(jiān)測(cè)信息，將多源污染監(jiān)測(cè)信息進(jìn)行特征提取，構(gòu)建污染監(jiān)測(cè)信息的多模態(tài)特征融合模型，獲取不同污染監(jiān)測(cè)信息的關(guān)聯(lián)特征，利用所述關(guān)聯(lián)特征對(duì)預(yù)設(shè)區(qū)域范圍的工業(yè)污染狀況進(jìn)行監(jiān)測(cè)，分析污染發(fā)展趨勢(shì)生成污染預(yù)測(cè)信息進(jìn)行污染預(yù)警。該發(fā)明通過(guò)遺傳算法依次對(duì)各污染源監(jiān)測(cè)范圍內(nèi)的傳感器布設(shè)位置進(jìn)行尋優(yōu)，并對(duì)傳感器采集的污染監(jiān)測(cè)信息進(jìn)行數(shù)據(jù)清洗等常規(guī)預(yù)處理，同樣并不能完全保留有效的數(shù)據(jù)信息。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種智能環(huán)境監(jiān)測(cè)方法、系統(tǒng)、設(shè)備及可讀存儲(chǔ)介質(zhì)，旨在解決目前環(huán)境監(jiān)測(cè)技術(shù)無(wú)法實(shí)時(shí)捕捉環(huán)境的細(xì)微變化、缺乏對(duì)未來(lái)環(huán)境條件變化的預(yù)測(cè)能力、生成的環(huán)境管理決策準(zhǔn)確性較低的問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種智能環(huán)境監(jiān)測(cè)方法，包括以下步驟：

3、獲取全能性實(shí)驗(yàn)室的當(dāng)前環(huán)境數(shù)據(jù)，對(duì)當(dāng)前環(huán)境數(shù)據(jù)進(jìn)行智能數(shù)據(jù)處理，得到準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)，對(duì)準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用svc算法進(jìn)行智能分析，得到當(dāng)前分析結(jié)果，當(dāng)前分析結(jié)果為環(huán)境量化等級(jí)參數(shù)，用于表示當(dāng)前全能性實(shí)驗(yàn)室的試驗(yàn)環(huán)境狀態(tài)。

4、獲取全能性實(shí)驗(yàn)室的歷史環(huán)境數(shù)據(jù)，對(duì)歷史環(huán)境數(shù)據(jù)進(jìn)行優(yōu)化處理，對(duì)優(yōu)化的歷史環(huán)境數(shù)據(jù)和準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用基于lstm網(wǎng)絡(luò)構(gòu)建的全能性實(shí)驗(yàn)室環(huán)境預(yù)測(cè)模型進(jìn)行預(yù)測(cè)性分析，得到預(yù)測(cè)性分析結(jié)果，預(yù)測(cè)性分析結(jié)果為未來(lái)環(huán)境參數(shù)的變化趨勢(shì)。

5、基于當(dāng)前分析結(jié)果和預(yù)測(cè)性分析結(jié)果對(duì)全能性實(shí)驗(yàn)室的試驗(yàn)環(huán)境狀態(tài)進(jìn)行評(píng)估，實(shí)現(xiàn)對(duì)全能性實(shí)驗(yàn)室的環(huán)境監(jiān)測(cè)。

6、優(yōu)選的，對(duì)當(dāng)前環(huán)境數(shù)據(jù)進(jìn)行智能數(shù)據(jù)處理具體為：對(duì)當(dāng)前環(huán)境數(shù)據(jù)進(jìn)行預(yù)處理，從預(yù)處理后的當(dāng)前環(huán)境數(shù)據(jù)中利用特征工程提取當(dāng)前環(huán)境數(shù)據(jù)特征，得到多元數(shù)據(jù)特征集，基于多元數(shù)據(jù)特征集利用多元數(shù)據(jù)融合算法進(jìn)行數(shù)據(jù)特征融合處理。

7、優(yōu)選的，預(yù)處理包括去除噪聲、修正異常值、數(shù)據(jù)歸一化與數(shù)據(jù)補(bǔ)全融合算法，其中使用數(shù)據(jù)補(bǔ)全融合算法對(duì)當(dāng)前環(huán)境數(shù)據(jù)進(jìn)行數(shù)據(jù)補(bǔ)全具體為：

8、對(duì)于每個(gè)缺失數(shù)據(jù)點(diǎn)，通過(guò)計(jì)算歐氏距離找到其在當(dāng)前環(huán)境數(shù)據(jù)的數(shù)據(jù)集中的最近鄰數(shù)據(jù)點(diǎn)，選擇最近鄰的個(gè)數(shù)據(jù)點(diǎn)，并為最近鄰的個(gè)數(shù)據(jù)點(diǎn)分配權(quán)重，權(quán)重的計(jì)算公式具體為：

9、；

10、式中，是第個(gè)最近鄰數(shù)據(jù)點(diǎn)相對(duì)于缺失數(shù)據(jù)點(diǎn)的局部漸變率；是調(diào)節(jié)因子，用以平衡距離和局部漸變率的影響；是第個(gè)最近鄰數(shù)據(jù)點(diǎn)與缺失數(shù)據(jù)點(diǎn)的距離；是調(diào)節(jié)距離影響的參數(shù)；。

11、使用加權(quán)平均公式計(jì)算缺失數(shù)據(jù)點(diǎn)的插補(bǔ)值，得到插補(bǔ)后的數(shù)據(jù)點(diǎn)，具體公式為：

12、；

13、式中，是第個(gè)缺失數(shù)據(jù)點(diǎn)的插補(bǔ)值，是缺失數(shù)據(jù)點(diǎn)的第個(gè)最近鄰數(shù)據(jù)點(diǎn)。

14、對(duì)缺失數(shù)據(jù)點(diǎn)的插補(bǔ)值進(jìn)行數(shù)據(jù)一致性調(diào)整增強(qiáng)處理，具體公式為：

15、；

16、式中，是非線性調(diào)整指數(shù)，用于控制調(diào)整的強(qiáng)度和方向，以適應(yīng)不同的數(shù)據(jù)分布特性；、是整體當(dāng)前環(huán)境數(shù)據(jù)的方差和均值；是經(jīng)過(guò)數(shù)據(jù)一致性調(diào)整增強(qiáng)處理的第個(gè)數(shù)據(jù)點(diǎn)；是最近鄰的個(gè)數(shù)據(jù)點(diǎn)的均值；是最近鄰的個(gè)數(shù)據(jù)點(diǎn)的方差。

17、優(yōu)選的，基于多元數(shù)據(jù)特征集利用多元數(shù)據(jù)融合算法進(jìn)行數(shù)據(jù)特征融合處理具體為：

18、對(duì)多元數(shù)據(jù)特征集進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化處理后的多元數(shù)據(jù)特征集，并將由個(gè)樣本的標(biāo)準(zhǔn)化處理后的多元數(shù)據(jù)特征集構(gòu)成多維數(shù)據(jù)特征集。

19、采用多項(xiàng)式核和徑向基核相結(jié)合的方式，對(duì)多維數(shù)據(jù)特征集中的每個(gè)特征進(jìn)行非線性擴(kuò)展，具體計(jì)算公式為：

20、；

21、式中，是多維數(shù)據(jù)特征集第個(gè)樣本在第個(gè)擴(kuò)展特征維度上的特征數(shù)據(jù)；是多維數(shù)據(jù)特征集第個(gè)樣本；是多維數(shù)據(jù)特征集第個(gè)樣本；是核函數(shù)；是多項(xiàng)式核函數(shù)中的貢獻(xiàn)度系數(shù)，用于調(diào)節(jié)第個(gè)特征維度在擴(kuò)展特征中的貢獻(xiàn)度；是多項(xiàng)式的階數(shù)；是特征維度；是徑向基核函數(shù)中的參數(shù)；是樣本和之間的歐氏距離的平方；最終由構(gòu)成擴(kuò)展特征維度上的特征數(shù)據(jù)。

22、將擴(kuò)展特征維度上的特征數(shù)據(jù)通過(guò)多核組合函數(shù)進(jìn)行映射，得到經(jīng)過(guò)混合核映射后的特征數(shù)據(jù)，映射函數(shù)具體為：

23、；

24、式中，是經(jīng)過(guò)混合核映射后的特征數(shù)據(jù)，用表示；是第個(gè)核函數(shù)；是第個(gè)核函數(shù)的權(quán)重系數(shù)，通過(guò)拉格朗日優(yōu)化得到；是核函數(shù)的個(gè)數(shù)。

25、對(duì)映射后的特征數(shù)據(jù)進(jìn)行小波變換，根據(jù)小波系數(shù)進(jìn)行協(xié)同特征交互融合，通過(guò)分析不同特征之間的相互作用，構(gòu)建交互矩陣，從而生成最終的融合特征集，所述交互矩陣的計(jì)算公式為：

26、；

27、式中，是經(jīng)過(guò)混合核映射后的特征和之間的交互矩陣元素，表示特征之間的相互作用強(qiáng)度；是特征第層的小波系數(shù)；是特征第層的小波系數(shù)；通過(guò)周期性的變化調(diào)整特征間相互作用的強(qiáng)度；是小波系數(shù)層數(shù)。

28、最后，對(duì)經(jīng)過(guò)標(biāo)準(zhǔn)化處理后的多維數(shù)據(jù)特征集計(jì)算特征數(shù)據(jù)的協(xié)方差矩陣，并計(jì)算協(xié)方差特征矩陣的特征值和對(duì)應(yīng)的特征向量，根據(jù)特征值的大小，選擇前個(gè)最大的特征值對(duì)應(yīng)的特征向量，被選擇的特征向量為主特征，基于選擇的主特征矩陣，得到最終的融合特征表示：

29、；

30、其中，是最終融合特征，即準(zhǔn)確的環(huán)境參數(shù)數(shù)據(jù)；是通過(guò)構(gòu)成的交互矩陣，是由選定的主特征構(gòu)成的矩陣。

31、優(yōu)選的，對(duì)歷史環(huán)境數(shù)據(jù)進(jìn)行優(yōu)化處理具體為：對(duì)歷史環(huán)境數(shù)據(jù)進(jìn)行包括填充缺失值、去除噪聲、修正異常值、數(shù)據(jù)歸一化的數(shù)據(jù)處理，在數(shù)據(jù)處理后對(duì)歷史環(huán)境數(shù)據(jù)使用動(dòng)態(tài)周期性捕獲算法進(jìn)行重構(gòu)優(yōu)化，在對(duì)優(yōu)化處理后的歷史環(huán)境數(shù)據(jù)利用特征工程構(gòu)造代表歷史環(huán)境數(shù)據(jù)的歷史數(shù)據(jù)特征集。

32、優(yōu)選的，在數(shù)據(jù)處理后對(duì)歷史環(huán)境數(shù)據(jù)使用動(dòng)態(tài)周期性捕獲算法進(jìn)行重構(gòu)優(yōu)化具體為：

33、采用傅里葉變換對(duì)歷史當(dāng)前環(huán)境數(shù)據(jù)在不同時(shí)間尺度上進(jìn)行分解，分解為不同頻率的成分。

34、通過(guò)計(jì)算每個(gè)頻率成分的自相關(guān)性，并結(jié)合其振幅確定該頻率成分的周期性評(píng)分，具體為：

35、；

36、式中，是第個(gè)頻率成分的周期性評(píng)分，是第個(gè)頻率成分在延遲時(shí)的自相關(guān)函數(shù)，延遲是自相關(guān)計(jì)算中使用的時(shí)間間隔，表示第個(gè)延遲；是延遲次數(shù)；是第個(gè)頻率成分的振幅；，是分解的頻率成分的總數(shù)。

37、根據(jù)每個(gè)頻率成分的周期性評(píng)分使用softmax函數(shù)動(dòng)態(tài)分配權(quán)重。

38、利用加權(quán)的頻率成分重構(gòu)時(shí)間序列，將分解后、經(jīng)過(guò)權(quán)重調(diào)整的頻率成分重新組合，形成優(yōu)化后的歷史當(dāng)前環(huán)境數(shù)據(jù)，具體公式為：

39、；

40、式中，是優(yōu)化后的歷史當(dāng)前環(huán)境數(shù)據(jù)；是第個(gè)頻率成分的權(quán)重；是第個(gè)頻率成分的頻率；是時(shí)間；是第個(gè)頻率成分的相位。

41、優(yōu)選的，基于當(dāng)前分析結(jié)果和預(yù)測(cè)性分析結(jié)果對(duì)全能性實(shí)驗(yàn)室的試驗(yàn)環(huán)境狀態(tài)進(jìn)行評(píng)估，實(shí)現(xiàn)對(duì)全能性實(shí)驗(yàn)室的環(huán)境監(jiān)測(cè)具體為：

42、針對(duì)當(dāng)前分析結(jié)果，按照統(tǒng)計(jì)分析方法，得到當(dāng)前全能性實(shí)驗(yàn)室的環(huán)境量化等級(jí)；針對(duì)預(yù)測(cè)分析結(jié)果，按照時(shí)間序列分析技術(shù)，利用預(yù)測(cè)性分析結(jié)果分析得到未來(lái)環(huán)境參數(shù)的變化趨勢(shì)，識(shí)別未來(lái)趨勢(shì)的升降波動(dòng)范圍。

43、使用決策樹(shù)分析方法，根據(jù)得到的當(dāng)前全能性實(shí)驗(yàn)室的環(huán)境量化等級(jí)與未來(lái)環(huán)境參數(shù)的變化趨勢(shì)提供操作建議，實(shí)現(xiàn)對(duì)全能性實(shí)驗(yàn)室的環(huán)境監(jiān)測(cè)。

44、另一方面，本發(fā)明提供一種智能環(huán)境監(jiān)測(cè)系統(tǒng)，所述系統(tǒng)采用如本發(fā)明任一實(shí)施例所述的一種智能環(huán)境監(jiān)測(cè)方法進(jìn)行環(huán)境監(jiān)測(cè)，包括當(dāng)前環(huán)境分析模塊、歷史環(huán)境分析模塊與環(huán)境監(jiān)測(cè)評(píng)估模塊。

45、當(dāng)前環(huán)境分析模塊，用于獲取全能性實(shí)驗(yàn)室的當(dāng)前環(huán)境數(shù)據(jù)，對(duì)當(dāng)前環(huán)境數(shù)據(jù)進(jìn)行智能數(shù)據(jù)處理，得到準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)，對(duì)準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用svc算法進(jìn)行智能分析，得到當(dāng)前分析結(jié)果，當(dāng)前分析結(jié)果為環(huán)境量化等級(jí)參數(shù)；

46、歷史環(huán)境分析模塊，用于獲取全能性實(shí)驗(yàn)室的歷史環(huán)境數(shù)據(jù)，對(duì)歷史環(huán)境數(shù)據(jù)進(jìn)行優(yōu)化處理，對(duì)優(yōu)化的歷史環(huán)境數(shù)據(jù)和準(zhǔn)確的當(dāng)前環(huán)境數(shù)據(jù)采用基于lstm網(wǎng)絡(luò)構(gòu)建的全能性實(shí)驗(yàn)室環(huán)境預(yù)測(cè)模型進(jìn)行預(yù)測(cè)性分析，得到預(yù)測(cè)性分析結(jié)果，預(yù)測(cè)性分析結(jié)果為未來(lái)環(huán)境參數(shù)的變化趨勢(shì)。

47、環(huán)境監(jiān)測(cè)評(píng)估模塊，用于基于當(dāng)前分析結(jié)果和預(yù)測(cè)性分析結(jié)果對(duì)全能性實(shí)驗(yàn)室的試驗(yàn)環(huán)境狀態(tài)進(jìn)行評(píng)估，實(shí)現(xiàn)對(duì)全能性實(shí)驗(yàn)室的環(huán)境監(jiān)測(cè)。

48、再一方面，本發(fā)明還提供一種電子設(shè)備，所述電子設(shè)備包括：存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)如本發(fā)明任一實(shí)施例所述的一種智能環(huán)境監(jiān)測(cè)方法。

49、再一方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明任一實(shí)施例所述的一種智能環(huán)境監(jiān)測(cè)方法。

50、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

51、1.本發(fā)明通過(guò)引入數(shù)據(jù)補(bǔ)全融合算法，能夠有效地處理缺失值問(wèn)題和數(shù)據(jù)的不一致性，保證了數(shù)據(jù)集的完整性和統(tǒng)一性，為后續(xù)的數(shù)據(jù)分析和模型訓(xùn)練提供準(zhǔn)確數(shù)據(jù)；通過(guò)計(jì)算協(xié)方差矩陣、特征值、特征向量，以及選擇主特征進(jìn)行數(shù)據(jù)轉(zhuǎn)換，實(shí)現(xiàn)了數(shù)據(jù)維度的降低和信息的有效融合，降低了后續(xù)處理的復(fù)雜度，增強(qiáng)了數(shù)據(jù)集中最重要信息的表示能力；整個(gè)過(guò)程提供了一種系統(tǒng)的方法來(lái)處理和分析當(dāng)前環(huán)境數(shù)據(jù)，根據(jù)不同的環(huán)境監(jiān)測(cè)需求進(jìn)行調(diào)整和優(yōu)化，提高了處理流程的適應(yīng)性。

52、2.本發(fā)明通過(guò)svm技術(shù)對(duì)融合后的數(shù)據(jù)特征集進(jìn)行智能分析，能夠準(zhǔn)確地分類當(dāng)前全能性實(shí)驗(yàn)室的環(huán)境狀態(tài)，并用環(huán)境量化等級(jí)參數(shù)表示，提高環(huán)境狀態(tài)監(jiān)測(cè)的準(zhǔn)確性；利用lstm網(wǎng)絡(luò)對(duì)歷史環(huán)境數(shù)據(jù)進(jìn)行分析，結(jié)合動(dòng)態(tài)周期性捕獲算法，能夠準(zhǔn)確捕獲當(dāng)前環(huán)境數(shù)據(jù)中的非線性趨勢(shì)和周期性變化，增強(qiáng)的預(yù)測(cè)能力使得實(shí)驗(yàn)室管理者可以提前做出調(diào)整，以適應(yīng)預(yù)期的環(huán)境變化，優(yōu)化實(shí)驗(yàn)室的運(yùn)營(yíng)效率；通過(guò)對(duì)歷史當(dāng)前環(huán)境數(shù)據(jù)進(jìn)行傅里葉變換分解，并利用動(dòng)態(tài)周期性捕獲算法重構(gòu)時(shí)間序列，能夠深入理解并揭示環(huán)境數(shù)據(jù)中的多層次周期性特征，高度理解有助于預(yù)測(cè)和應(yīng)對(duì)復(fù)雜的環(huán)境變化，確保實(shí)驗(yàn)室條件始終處于最優(yōu)狀態(tài)。