[发明专利]一种基于深度学习的水质荧光数据特征提取方法

权利要求书

1.一种基于深度学习的水质荧光数据特征提取方法，其特征在于，该操作方法的具体步骤为：

步骤一：数据预处理模块，用于接收上传数据并对数据进行提取和转化处理；

所述数据预处理模块中数据提取采用特征提取网络进行多个通道的特征提取，再通过拉直拼接操作获取一个局部特征向量；

步骤二：数据搭建训练模块，用于步骤一处理后的数据搭建深度卷积神经网络并进行逐层训练，处理后将数据转换成指定格式的数据库；

步骤三：数据分析模块，对步骤二中逐层训练处的数据采用趋势面分析方法来减小随机误差和局部点异常；

步骤四：数据填充模块，对步骤三中检测出的数据缺失部分进行填充，得到目标函数；

步骤五：数据输出模块，用于步骤四中处理后的数据输出，将数据放入集合容器中，最后再通过response导出数据流。

2.根据权利要求1所述的一种基于深度学习的水质荧光数据特征提取方法，其特征在于，所述数据预处理模块中提取的数据为相应通道中的滤波器生成对预测变量最符合的参数。

3.根据权利要求1所述的一种基于深度学习的水质荧光数据特征提取方法，其特征在于，所述深度卷积神经网络创建包括基于原始数据确定待提取的目标，针对该目标收集对应的目标数据，制备深度卷积神经网络的训练数据集，再进行深度学习深度卷积神经网络搭建。

4.根据权利要求1所述的一种基于深度学习的水质荧光数据特征提取方法，其特征在于，所述趋势面分析方法包括图解法趋势面分析和数学计算法趋势面分析。

5.根据权利要求4所述的一种基于深度学习的水质荧光数据特征提取方法，其特征在于，所述图解法趋势面分析的思路是对观测数据采用二维方块取平均值法，或滑动平均值法计算趋势值，方块平均值法是对每一方块内的数据取平均值，作为该方块重心点的趋势值。

6.根据权利要求4所述的一种基于深度学习的水质荧光数据特征提取方法，其特征在于，所述计算法趋势面分析是选定一个数学函数，对观测数据进行拟合，拟合函数常用的有多项式函数，傅里叶级数和指数函数的多项式函数。

7.根据权利要求1所述的一种基于深度学习的水质荧光数据特征提取方法，其特征在于，所述数据填充模块采用热卡填充法，若缺失值是数值型的，就根据使用相关系数矩阵来确定哪个变量Y与缺失值所在变量X最相关，然后把所有个案按Y的取值大小进行排序，那么变量X的缺失值就可以用排在缺失值前的那个个案的数据来代替了。

8.一种水质荧光数据采集方法，其特征在于，该操作方法的具体具体步骤为：

步骤一：将光路系统设置在微流体芯片荧光数据中间使微流体芯片荧光数据沿光路系统座圆周运动；

步骤二：在微流体芯片荧光数据沿着微流体芯片荧光数据做圆周运动时，光路系统对微流体芯片荧光数据进实现采集；

步骤三：对光路系统采集的荧光数据进行处理获得有效荧光数据；

步骤四：将数据输送存储至MySQL（关系型数据库）内。

9.根据权利要求8所述的一种水质荧光数据采集方法，其特征在于，所述MySQL的Innodb中的数据是按主键的顺序依次存放，索引采用B+树结构进行组织。