[发明专利]一种基于自组织多通道深度学习网络的河流浊度监测方法

说明书

本发明公开了一种基于自组织多通道深度学习网络的河流浊度监测方法，用于监测河流水质浊度。该网络由两个主要部分构成：首先，基于新设计的分形模块构建用于河流浊度监测的自组织多通道深度学习网络架构，每个分形模块由一个固定块和一个嵌套块组成，高阶分形模块中的嵌套块本质上是低阶分形模块。最后，本发明进一步引入一种基于集成诱导的多通道融合方法来改进所提出的基于自组织多通道深度学习网络的河流浊度监测方法，以增强网络性能和泛化能力。基于自组织多通道深度学习网络的河流浊度监测方法属于水环境保护领域和机器学习领域。

技术领域

本发明涉及一种河流浑浊度监测方法，尤其涉及自组织多通道深度学习网络的河流浊度监测方法，属于水环境保护领域和机器学习领域。

背景技术

随着世界人口的快速增长和全球工业化的发展，污水、烟气、固体废物的排放严重破坏了生态环境。生活污水和工业废水的排放是河流污染的重要来源之一。污水中重金属和垃圾的积累对人类和河流生物群构成严重威胁。水生生物的死亡将进一步加剧河流污染，这将大大增加疾病传播的机会，甚至导致鼠疫。因此，建立有效的水污染防治监测系统是十分必要的。浊度是水体污染和水体富营养化监测中常用的主要水质指标之一。浑浊度反映了水的光学效应，是衡量水由于悬浮颗粒的存在而失去透明度的程度。在实际应用中，浊度是根据水中总悬浮物的浓度和杂质元素的大小来测定的。河流中的悬浮物不仅严重危害人体健康，还淤塞了河流、渠道和水库，从而降低了水利工程的效益。此外，河流的浑浊很可能对山区和下游河流的农业生产造成不可估量的破坏，危及工农业生产。河流浑浊度易受多种因素的影响，包括气候条件和人类活动和偶发因素。因此，河流浊度监测的调查具有重要意义，但难度较大。近年来，河流浑浊度监测的研究受到了世界各国研究人员的广泛关注。

现有的河流浑浊度监测系统主要分为基于物理传感器的接触系统和基于遥感卫星的非接触系统两类。前者的接触系统由于物理传感器的高灵活性，在早期的河流浑浊度监测中得到了广泛的应用。此外，针对低成本、低功耗等特定应用场景，最近开发了不少浊度传感器。但是，现有的基于物理传感器的浊度监测技术存在一些固有的缺陷：1)其输出容易受到温度漂移噪声、湿度漂移噪声等环境干扰；2)其输出容易受到多级放大电路、A/D转换器等复杂电路结构的噪声干扰；3)其覆盖范围有限，无法完全覆盖整条河流。而另一种基于遥感卫星的非接触式系统可以很好地弥补上述缺陷，引起了人们的广泛关注。基于遥感数据的非接触式系统获得了更广阔的发展前景和应用范围，但巨大成本极大地限制了其普及。一些开放访问的平台，如Landsat任务、ESA哨兵任务和NOAA CLASS提供了一种降低成本的解决方案，促进了遥感领域的发展。

CN201910020255.7公开了一种水体浊度反演模型建立方法、水体浊度检测方法及装置，先根据实测样本集建立基于实测遥感反射率的浊度反演模型，然后根据预先建立的实测遥感反射率与经过瑞利散射校正后的遥感反射率的映射关系，将所述基于实测遥感反射率的浊度反演模型转换为最终的水体浊度反演模型，即基于经过瑞利散射校正后的遥感反射率的浊度反演模型。由于该水体浊度反演模型考虑了多个不同区域的水体，因此普适性更强。

CN202010204791.5公开了一种基于随机森林集成的河流浊度软测量方法，该方法利用新提出的全组合子空间方法充分利用每个光谱及其调谐的光谱信息，生成所有可能的基随机森林学习器，再利用新提出的基于误差最小化的剪枝算法，根据动态阈值循环去除负向基随机森林学习器。最后采用正则化线性回归加权平均法，融合有正向基随机森林学习器，得到河流浊度的最终测量结果。

尽管基于随机森林集成的河流浊度软测量方法(RFE-GEE)在河流浑浊度监测中取得了成功，但当训练实例中存在异常值时，其通过对所有输出进行平均得到的结果会偏离真实值。因此，迫切需要开发一个自组织多通道深度学习系统的河流浊度监测方法，称为SMDLS，可以自动改变其结构，使其网络层足够深以尽可能学习非线性映射关系，但同时网络层又不过深以导致过拟合、降低泛化能力等问题。

发明内容