[发明专利]一种水质检测及处理方法

权利要求书

1.一种水质检测及处理方法，其特征在于：包括以下步骤：

S1,采集待检测水源的水质数据；

S2，准备数据，将采集的水质数据以待检测时间为基准进行分类，获得包括至少部分待检测时间之前的水质数据的训练集D、以及包括待检测时间的水质数据的待检测数据集T；

S3，基于训练集D获取正常和异常水质数据类别的分类阈值，并根据所述分类阈值建立KNN预测模型；

S4，将待检测数据集T带入所述KNN预测模型中，并输出预测结果；

S5，根据所述预测结果对水进行处理；

在所述步骤S4中，将待检测数据集T带入KNN预测模型中，并输出预测结果后，通过历史评价偏差训练模型辅助判断结果，确定待检测数据集T中数据节点的最终分类结果；

所述通过历史评价偏差训练模型辅助判断结果，确定待检测数据集T中数据节点的最终分类结果具体包括以下步骤：

A，计算待检测数据集T所有数据节点前m个数据节点的历史偏差，即以时间序列顺序，计算每个数据节点的前数据节点与当前数据节点的偏差E_i，然后计算每个数据节点前m个偏差E_i的和E_{sum_i}，得到T的前m个数据节点的历史偏差集E_h＝{E_{sum_1},E_{sum_2},...,E_{sum_p}},p＝|T|,|T|为待检测数据集T中的样本数量；

B，计算波动阈值λ＝0.5*|V_max-V_min|，其中V_max为正常和异常水质数据类别的分类的最大阈值、V_min为正常和异常水质数据类别的分类的最小阈值；

C，判断每个数据节点的前m个历史偏差是否在波动阈值范围内，

如果E_{h_i}＜λ，则输出KNN预测模型输出的预测结果相同的预测结果；

如果E_{h_i}≥λ，则输出为异常水质数据。

2.根据权利要求1所述的水质检测及处理方法，其特征在于：所述训练集D和待检测数据集T的数据包括水质电导率，D＝{x₁,x₂,...,x_n},T＝{x′₁,x′₂,...,x′_p},其中x₁,x₂,...,x_n表示训练集D中包含的水质电导率的值，x′₁,x′₂,...,x′_p表示待检测数据集T中包含的水质电导率的值；

在所述步骤S2中，在获得所述训练集D和所述待检测数据集T后，对所述训练集D和所述待检测数据集T进行归一化预处理。

3.根据权利要求1所述的水质检测及处理方法，其特征在于：在所述步骤S2中，所述训练集D包括待检测时间之前两周的水质数据。

4.根据权利要求1所述的水质检测及处理方法，其特征在于：在所述步骤S3中，包括：将所述训练集D带入密度聚类DBSCAN算法导出最大密度相连的“簇”集合C，取“簇”集合中的最大值V_max、最小值V_min即为正常和异常水质数据类别的分类的最大阈值、正常和异常水质数据类别的分类的最小阈值。