-
公开(公告)号：CN113588617A
公开(公告)日：2021-11-02
申请号：CN202110882225.4
申请日：2021-08-02
Applicant: 清华大学 , 清华大学合肥公共安全研究院
Abstract: 本发明公开了一种水质多特征预警溯源系统及方法，其中，系统包括：在线测量模块，包括：荧光光谱测量模块，用于获取样品的荧光信息；紫外光谱测量模块，用于获取样品的水质多参数信息；自动样品制备模块，提供条件；在线测量模块，用于通过和水污染识别预警模块完成样品的在线测量；实验室测量模块，包括：用于多样品自动供样设备和水污染识别预警模块协同以完成所述样品自动测量。本发明所提供的水污染源自动测量系统，利用深度学习算法将测量数据与不同行业工厂水质标准指纹库进行匹配，计算测量水样与所属区域污染产生工厂的标准水样库匹配程度。而且拓宽水污染识别预警仪的应用场景，云溯源技术实时更新补充水污染数据库。
-
公开(公告)号：CN114662895B
公开(公告)日：2025-03-21
申请号：CN202210264022.3
申请日：2022-03-17
Applicant: 清华大学合肥公共安全研究院
IPC: G06Q10/0635 , G06Q50/26 , G06F18/23213
Abstract: 本发明公开了一种管网综合风险评估方法及装置，属于水环境保护及监测技术领域，方法包括收集雨污水管网的风险评估数据，包括管网的监测指标数据及管网区域雨量数据；采用无监督聚类方法对风险评估数据进行聚类分析，确定入流排放类、入渗排放类及旱天排放类；以各类别下样本点为组单位，统计各类情况下监测指标数据的平均值，并将旱天类情况下监测指标数据的平均值作为本底值，计算管网的混接指数和入渗指数、溢流指数和堵塞指数，从而确定管网的风险指数。本发明有效避免因管网基础数据不足或不精确对入流入渗评估的影响，提高入流入渗评估的准确性和可靠性。
-
公开(公告)号：CN119249332A
公开(公告)日：2025-01-03
申请号：CN202411341276.6
申请日：2024-09-25
Applicant: 清华大学合肥公共安全研究院 , 合肥泽众城市智能科技有限公司
IPC: G06F18/2433 , G06F18/213 , G06F18/25 , G06N3/0464
Abstract: 本发明公开一种水质异常动态识别方法，包括收集多模态分子光谱数据；对多模态分子光谱数据进行多尺度特征提取，并将提取的多尺度特征进行融合，得到综合特征；对多模态分子光谱数据中的每个模态数据构建不同时间窗口的时序数据矩阵，并计算每一模态数据所对应时序数据矩阵在不同周期下的距离；根据各模态数据所对应时序数据矩阵在不同周期下的距离，计算多模态分子光谱数据对应的异常指数矩阵；基于综合特征和异常指数矩阵，采用自适应调整阈值进行水质异常动态识别；本发明通过提出多数据源融合、动态时序异常检测和自适应统计阈值设置等改进方案，提升水质监测的全面性、准确性和鲁棒性，以更好地应对复杂多变的水质问题。
-
公开(公告)号：CN112132333B
公开(公告)日：2024-02-02
申请号：CN202010982913.3
申请日：2020-09-16
Applicant: 安徽泽众安全科技有限公司 , 清华大学合肥公共安全研究院 , 北京辰安测控科技有限公司
IPC: G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/084
Abstract: 本发明提供了一种基于深度学习的短期水质水量预测方法，包括以下步骤：步骤A：对原始水质水量数据进行预处理，将处理后的数据划分为训练集和测试集；步骤B：将训练集输入LSTM网络中进行训练，使用adam算法更新权重，得到预测模型；步骤C：基于原始水质水量数据使用预测模型预测测试集中的预测值；步骤D：将预测误差输入ARMA模型中得到误差序列的误差修正模型；步骤E：将待预测数据分别输入预测模型和误差修正模型，将结算结果几何相加得到预测值；本发明还提供水质水量预测系统。本发明的优点在于：通过LSTM神经网络和ARMA模型分别对待预测时刻的水质水量和预测误差进行计算，具备更强的通用性和稳定性，使得水质水量预测结果更为
-
公开(公告)号：CN116756523B
公开(公告)日：2023-10-20
申请号：CN202311016607.4
申请日：2023-08-14
Applicant: 清华大学合肥公共安全研究院
IPC: G06F18/20 , G06F18/15 , G06F18/22 , G06F18/2321
Abstract: 本发明涉及水污染治理技术领域，尤其是一种跨界水污染源解析方法、系统、装置和存储介质。本发明提出的一种跨界水污染源解析方法，首先根据先验知识在河段内设置监测节点，令河段待解析处作为目标节点；获取与目标节点处的水样组分的相似度排名靠前的监测节点作为解析对象，对解析对象进行污染源解析，将对解析对象的影响系数达到设定的影响条件的污染源作为目标节点的高相关污染源。本发明可针对任意水域及时、快速、精确的进行污染溯源。
-
Patent Agency Ranking
公开(公告)号：CN114662895A
公开(公告)日：2022-06-24
申请号：CN202210264022.3
申请日：2022-03-17
Applicant: 清华大学合肥公共安全研究院
Abstract: 本发明公开了一种管网综合风险评估方法及装置，属于水环境保护及监测技术领域，方法包括收集雨污水管网的风险评估数据，包括管网的监测指标数据及管网区域雨量数据；采用无监督聚类方法对风险评估数据进行聚类分析，确定入流排放类、入渗排放类及旱天排放类；以各类别下样本点为组单位，统计各类情况下监测指标数据的平均值，并将旱天类情况下监测指标数据的平均值作为本底值，计算管网的混接指数和入渗指数、溢流指数和堵塞指数，从而确定管网的风险指数。本发明有效避免因管网基础数据不足或不精确对入流入渗评估的影响，提高入流入渗评估的准确性和可靠性。
-
公开(公告)号：CN112101790A
公开(公告)日：2020-12-18
申请号：CN202010973031.0
申请日：2020-09-16
Applicant: 清华大学合肥公共安全研究院 , 安徽泽众安全科技有限公司 , 北京辰安测控科技有限公司
Abstract: 本发明公开一种水体监测视频及数据联动预警方法，包括S01.根据历史水质监测数据，制作每个入河排口节点的风险评分表；S02.根据历史视频数据，训练获得目标神经网络模型；S03.水质监测预警，根据入河排口节点当前时间段的各项监测因子，代入该节点的风险评分表，获得预警等级；S04.视频监测预警，根据当前时间段获得的监测视频经过处理后输入目标神经网络模型，输出预警值，当预警值超过阈值时，发出预警信号；S05.根据水质监测预警等级和视频监测预警值，综合判断，输出报警信号。本发明利用人工智能图像识别及将水质监测与视频监测结合进行甄别诊断，降低因设备异常等其他因素导致的误报率，提高预警精度；实现基于视频及数据的水体联动监测报警体系。
-
公开(公告)号：CN112101789A
公开(公告)日：2020-12-18
申请号：CN202010973023.6
申请日：2020-09-16
Applicant: 清华大学合肥公共安全研究院 , 安徽泽众安全科技有限公司 , 北京辰安测控科技有限公司
Abstract: 本发明提供了一种基于人工智能的水污染报警等级识别方法，包括以下步骤：步骤A：获取历史数据，对历史数据进行预处理；步骤B：人工标记历史数据的风险等级，得到风险标签数据，按比例划分为训练集和测试集；步骤C：搭建深度学习模型，将训练集数据输入深度学习模型，输出训练后的模型；步骤D：使用测试集进行测试，如果满足预设标准，则作为水污染报警等级识别模型；步骤E：对各入口节点的实时数据进行识别得到水污染报警等级。本发明的优点在于：综合考虑水体的水质和水量数据，基于人工智能深度学习技术，发现水体污染与多种参数的深度关系，对污染报警等级进行准确的判断识别。
-
公开(公告)号：CN108220259A
公开(公告)日：2018-06-29
申请号：CN201611198550.4
申请日：2016-12-22
Applicant: 清华大学
Abstract: 本发明涉及一种L‑脯氨酸4‑羟化酶突变体，以及编码其的DNA、具有该DNA的重组载体，以及生产反式‑(2S,4R)‑4‑羟基‑L‑脯氨酸的方法。该L‑脯氨酸4‑羟化酶突变体的序列为在SEQ ID No.:3所示的序列中具有如下突变中的一种或多种：91位从组氨酸到谷氨酰胺的突变；228位从缬氨酸到苯丙氨酸的突变；89位从酪氨酸到苯丙氨酸的突变；228位从缬氨酸到丙氨酸的突变；54位从缬氨酸到丙氨酸的突变；53位从苏氨酸到丙氨酸的突变；152位从亮氨酸到谷氨酰胺的突变；165位从天冬氨酸到谷氨酸的突变，以及第266位从苯丙氨酸到亮氨酸的突变；53位从苏氨酸到丙氨酸的突变，以及第272位从缬氨酸到异亮氨酸的突变；5位从苏氨酸到丝氨酸的突变，以及第171位从亮氨酸到谷氨酰胺的突变。
-
公开(公告)号：CN119249331A
公开(公告)日：2025-01-03
申请号：CN202411333943.6
申请日：2024-09-24
Applicant: 清华大学合肥公共安全研究院
IPC: G06F18/2433 , G06F18/10 , G06F18/2131 , G06F18/214 , G06N3/0442
Abstract: 本发明公开一种水体监测异常状态识别模型训练方法，包括获取原始水质监测数据；采用小波变换对所述原始水质监测数据进行降噪处理，得到基准数据；利用所述基准数据集对预先构建的神经网络模型进行训练，计算所述神经网络模型输出的水质预测结果与实测水样的水质结果之间的差值，其中，以气象数据作为神经网络模型的边界条件；将差值超过识别阈值的数据作为异常数据剔除后形成新的基准数据，并重新输入至模型；如此循环直至剔除所有的异常数据后，得到训练好的用于进行水质异常预测的模型；本发明减少了气象因素变化所引起的水环境变化，从而提高模型识别水体异常的准确率。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.026 seconds)
