[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

说明书

本发明提供一种用于目标污染物源解析的因子快速识别方法，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。本发明通过一种用于PMF因子快速识别的方法，由人工神经网络深度学习算法自动化识别每一个因子对应的来源，大大提高因子识别的速度和正确率，同时避免人为选取的主观性。

技术领域

本发明涉及污染源解析技术领域，具体而言，涉及一种用于PMF因子快速识别进行源解析的方法及装置。

背景技术

源解析工作是制定科学合理的相关政策法规的重要条件，已成为我国各地开展环境污染防治的核心内容之一。

正定矩阵因子分解模型(Positive Matrix Factorization，PMF)，PMF是一种受体来源解析模型，基于因子分析原理，不过多依赖排放源成分谱，可以得到不同时间序列上的源的贡献值的变化，被广泛应用于大气颗粒物来源解析、大气VOCs、水污染源解析、土壤污染源解析等研究。但是由于目前所采用的受体模型PMF方法中，存在极大不确定性，即在PMF计算出的n个因子后，如何识别这些因子对应的来源，如燃煤源，机动车源，扬尘源等的确定方面完全依靠PMF操作者的经验和主观判断；二是PMF并不能确定最终应该是几个因子，也是通过操作者通过反复计算出多种因子数的方案组合，依靠经验和主观判断来确定最终应该选几个因子。而操作者的经验来自于阅读前人的文献和对污染源包含的化学成分的一般认知，因此不同的操作者得出的源解析结果因人而异，没有统一标准和公认的正确结果。这导致源解析结果的不确定性很大，从而影响最终源解析结果的使用者的减排与治理决策的有效性。

人工神经网络(ANN)是在模拟生物神经网络的基础上构建的一种信息处理系统。具有强大的信息存贮能力和计算能力，是一种非经典的数值算法。深度学习现在已经用来泛指各种基于多层网络结构的机器学习模型，常用的深度学习模型为多层神经网络，通过多层模型，可以实现更复杂的函数关系。

有鉴于此，迫切需要设计一种新的用于目标污染物源解析的因子快速识别方法及装置。

发明内容

本发明的目的是提供一种能够提高因子识别的速度和正确率的用于目标污染物源解析的因子快速识别方法及装置。

为实现上述目的，本发明的一种技术方案是提供一种用于目标污染物源解析的因子快速识别方法，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。

进一步的，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。

进一步的，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。