[发明专利]一种用于目标污染物源解析的因子快速识别方法及装置

权利要求书

1.一种用于目标污染物源解析的因子快速识别方法，其特征在于，包括：

收集内容中涉及目标污染物源解析的已发表文献；

从所述已发表文献中提取涉及目标污染物源解析因子对应来源的图形和数据，构建训练集和测试集进行训练学习，得到初步的训练模型；

采用基于人工神经网络的交叉验证法验证所述训练模型，获得最终的因子识别模型；

将待检测样品解析，计算出未识别的因子；

使用所述因子识别模型计算所述未识别的因子，解析出因子对应的污染物源。

2.如权利要求1所述的一种用于目标污染物源解析的因子快速识别方法，其特征在于：所述收集内容中涉及目标污染物源解析的已发表文献的步骤具体包括：收集至少100篇内容中涉及目标污染物源解析的已发表文献。

3.如权利要求1所述的一种用于目标污染物源解析的因子快速识别方法，其特征在于：所述从所述已发表文献中提取涉及目标污染物源解析因子对应来源的图形和数据，构建训练集和测试集进行训练学习，得到初步的训练模型的步骤具体包括：将所收集的文献按3:1的比例分为两部分数据，其中四分之三的数据作为训练集，四分之一的数据作为测试集进行训练学习，得到初步的训练模型。

4.如权利要求3所述的一种用于目标污染物源解析的因子快速识别方法，其特征在于：所述将所收集的文献按3:1的比例分为两部分数据，其中四分之三的数据作为训练集，四分之一的数据作为测试集进行训练学习，得到初步的训练模型的步骤具体包括：将所收集的文献按3:1的比例分为两部分数据，其中四分之三的数据作为训练集，四分之一的数据作为测试集，进行反复学习训练，对输出的分类结果，与真实标签比对计算误差或损失函数值输出结果与真实标签相差越大损失函数值越大，当输出结果与真实标签相等时损失为零，用梯度下降法迭代更新参数进行优化，得到初步的训练模型。

5.如权利要求1所述的一种用于目标污染物源解析的因子快速识别方法，其特征在于：所述采用基于人工神经网络的交叉验证法验证所述训练模型，获得最终的因子识别模型的步骤具体包括：

随机将训练数据等分成k份，S₁,S₂,…,S_k；

对于每一个模型，算法执行k次，每次选择一个S_j作为验证集，而其它作为训练集来训练模型，把训练得到的模型在S_j上进行测试，这样一来，每次都会得到一个误差E，最后对k次得到的误差求平均，就可以得到模型的泛化误差；选择具有最小泛化误差的模型作为最终模型，并且在整个训练集上再次训练该模型，从而获得最终的因子识别模型。

6.一种用于目标污染物源解析的因子快速识别装置，其特征在于，包括：

收集模块，所述收集模块用于收集内容中涉及目标污染物源解析的已发表文献；

构建模块，所述构建模块用于从所述已发表文献中提取涉及目标污染物源解析因子对应来源的图形和数据，构建训练集和测试集进行训练学习，得到初步的训练模型；

验证模块，所述验证模块用于采用基于人工神经网络的交叉验证法验证所述训练模型，获得最终的因子识别模型；

计算模块，所述计算模块用于将待检测样品解析，计算出未识别的因子；

解析模块，所述解析模块用于使用所述因子识别模型计算所述未识别的因子，解析出因子对应的污染物源。

7.如权利要求6所述的一种用于目标污染物源解析的因子快速识别装置，其特征在于：所述收集内容中涉及目标污染物源解析的已发表文献的步骤具体包括：收集至少100篇内容中涉及目标污染物源解析的已发表文献。

8.如权利要求6所述的一种用于目标污染物源解析的因子快速识别装置，其特征在于：所述从所述已发表文献中提取涉及目标污染物源解析因子对应来源的图形和数据，构建训练集和测试集进行训练学习，得到初步的训练模型的步骤具体包括：将所收集的文献按3:1的比例分为两部分数据，其中四分之三的数据作为训练集，四分之一的数据作为测试集进行训练学习，得到初步的训练模型。