基于机器学习的环境监测方法及系统

专利主权项内容

1.基于机器学习的环境监测方法，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；步骤S3：建立环境监测模型；步骤S4：搜索模型最优参数；步骤S5：实时运行；在步骤S4中，所述搜索模型最优参数是通过设定模型的参数范围、设计适应度函数、设计归一化向量并设定参数候补空间，设计基于惯性权重值优化的自适应搜索位置函数，设计边界回溯函数对搜索方向进行回溯调整，更新迭代，找到全局最优参数，具体包括以下步骤：步骤S41：设定搜索空间，参数空间包括C参数空间和γ参数空间；C参数控制着错误分类的惩罚项；γ参数控制着单个训练样本的影响范围；步骤S42：初始化搜索集群，通过多位置并发搜索，提高搜索质量；步骤S43：设计适应度函数，所用公式如下：
；其中，表示适应度函数；y为分类结果正确率；ξ表示分类中呈现的误差值；k为参数的维度；M表示从特征提取阶段提取的数据总量，M表示给定数据集中的数据总量；ed步骤S44：设计参数搜索方向的归一化随机向量，所用公式如下：
；其中，表示归一化随机向量，rand(·)为随机函数；步骤S45：设计候补搜索空间，如下式：
；其中，为第i次迭代时向量右侧的候补位置坐标，/>为第i次迭代时向量左侧的候补位置坐标，y为第i次迭代时两向量之间的候补质心坐标，b为两向量之间的距离，/>表示归一化随机向量；i步骤S46：设计惯性权重值的搜索位置函数，所用公式如下：
；
；其中，w表示设计的优化权重，w和w分别表示惯性权值的最大值和最小值；i表示迭代次数；i为最大迭代次数；是第i次迭代时的阶跃因子；sign(·)是一个符号判别函数；/>表示归一化随机向量；maxminmax步骤S47：设计自适应优化的搜索代理位置，所用公式如下：
；其中，为自适应优化的搜索代理位置，i为迭代次数，/>为从当前总体搜索点中任意选择的搜索代理点，/>为第i次搜索代理的位置，k、k、k、k和r为(0，1)内独立的随机数；/>为进行到第i次迭代时的当前最优位置，Hv为上边界，Dv为下边界；1234步骤S48：设计边界回溯函数，所用公式如下：
；其中，为回溯位置，即当搜索代理超出允许的边界之后，取消移动操作，返回上一次搜索位置，y是搜索上限，y是搜索下限；maxmin步骤S49：搜索模型最优参数，进行位置更新并迭代，全局搜索参数位置并计算适应度值，与预先设定的适应度阈值进行比较，若搜索到的位置的适应度值大于适应度阈值，则停止迭代，选取该位置参数为最优模型参数；若达到最大迭代次数仍未找到大于阈值的适应度值，则重新进行位置初始化，再次迭代；若未到达最大迭代次数且未找到大于阈值的适应度值则继续进行迭代；在步骤S1中，所述数据采集是采集生态完整的森林图像数据，并对图像进行标注，标注类型包括正常生态环境和异常生态环境；在步骤S5中，所述实时运行是采集环境信息数据，基于步骤S4搜索的最优参数建立环境监测模型实现对环境质量状态的监测，即通过实时采集环境的图像数据，将其输入建立好的环境监测模型，对环境状态进行分类，若为正常生态环境则系统保持正常状态，若为异常生态环境则系统进入告警状态，发出告警信息，实时对环境进行监测。