(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110693059.3 (22)申请日 2021.06.22 (65)同一申请的已公布的文献号 申请公布号 CN 113408205 A (43)申请公布日 2021.09.17 (73)专利权人 平安国际智慧城市科技股份有限 公司 地址 518000 广东省深圳市前海深港合作 区妈湾兴海 大道3048号前海自贸大厦 1-34层 (72)发明人 刘荣荣　郭秋萍　 (74)专利代理 机构 深圳市沃德知识产权代理事 务所(普通 合伙) 44347 专利代理师 高杰　于志光 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/26(2012.01)(56)对比文件 US 2016140437 A1,2016.0 5.19 CN 112101789 A,2020.12.18 US 201718589 2 A1,2017.0 6.29 US 2020071209 A1,2020.0 3.05 郭庆春等.BP人工神经网络模型在太湖水污 染指标预测中的应用. 《南方农业学报》 .201 1, (第10期),第13 03-1306页. 马正华等.BP神经网络模型在太湖出入湖河 流水质预测中的应用. 《计算机 应用与软件》 .2013,(第1 1期),第172-175页. 侯丽霞.概 率神经网络及其在河流水质评价 中的应用研究. 《太原理工大 学学报》 .2013,(第 02期),第242-245页. 杨昱等.污染场地 地下水污染风险分级技 术 方法研究. 《环境工程 技术学报》 .2017,(第0 3 期),第323 -331页. (续) 审查员 程顺超 (54)发明名称 环境污染分级方法、 装置、 设备及存 储介质 (57)摘要 本发明涉及智能决策领域， 揭露了一种环 境 污染分级方法， 包括： 根据波形采样数据及对应 的预警值域数据迭代调节原始神经网络， 得到目 标神经网络； 获取多种污染物的原始浓度波形； 随机构建拟合浓度波形， 利用所述拟合浓度波形 和所述原始浓度波形的差异， 建立目标函数； 利 用构建的迭代公式及所述原始浓度波形优化所 述拟合浓度波形， 得到目标浓度波形； 利用所述 目标神经网络对所述目标浓度波形的波形参数 执行污染浓度分级处理， 得到多种所述污染物的 污染分级结果。 本发明还提出了环 境污染分级装 置、 设备及存储介质。 本发明还涉及区块链 技术， 所述波形采样数据可存储于区块链节 点中。 本发 明可以解决污染物的检测效率不高且精确度不够的问题。 [转续页] 权利要求书3页 说明书13页 附图4页 CN 113408205 B 2022.05.27 CN 113408205 B (56)对比文件 Fu Dong et al. .Fuzzy comprehensive assessment of water qual ity and predicti on of mai n pollutants i n the Tuo River. 《Journal of Agro- Environment Science》 .2020,第39卷(第12期),284 4-2852.2/2 页 2[接上页] CN 113408205 B1.一种环境污染分级方法， 其特 征在于， 所述方法包括： 接收波形采样数据和所述波形采样数据对应的预警值域数据， 利用预构建的原始神经 网络对所述波形采样数据依次执 行加权和激活 处理， 得到迭代预警数据； 计算所述迭代预警数据与对应的预警值域数据的差异值， 根据 所述差异值迭代调节所 述原始神经网络， 得到目标神经网络； 获取预设环境中多种污染物的原 始浓度波形； 随机生成拟合初始参数， 利用所述拟合初始参数构建初始拟合函数， 根据所述初始拟 合函数生成拟合浓度波形， 利用所述拟合浓度波形和所述原始浓度波形 的差异， 建立 目标 函数； 求解所述目标函数的偏导， 根据所述目标函数的偏导， 构建迭代公式， 利用所述迭代公 式及所述原 始浓度波形优化所述拟合浓度波形， 得到目标浓度波形； 提取所述目标浓度波形的波形参数， 利用所述目标神经网络对所述波形参数执行污染 浓度分级处理， 得到所述 目标浓度波形 的预警数据， 根据所述预警数据得到多种 所述污染 物的污染分级结果。 2.如权利要求1所述的环境污染分级方法， 其特征在于， 所述利用预构建的原始神经网 络对所述波形采样数据依次执 行加权和激活 处理， 得到迭代预警数据， 包括： 对所述波形采样数据执 行归一化操作， 得到归一 化采样数据； 将所述归一 化采样数据输入至所述原 始神经网络； 初始化所述原始神经网络的输入层及隐藏层的层权重， 得到输入层迭代权重和隐藏层 迭代权重； 计算所述输入层迭代权重与所述归一化采样数据的加权求和值， 得到初始输入求和 值， 利用预构建的激活函数激活所述初始输入求和值， 得到初始隐藏数据； 计算所述 隐藏层迭代权重与所述初始隐藏数据的加权求和值， 得到初始隐藏求和值， 利用所述激活函数激活所述初始隐藏 求和值， 得到所述迭代预警数据。 3.如权利要求2所述的环境污染分级方法， 其特征在于， 所述计算所述迭代预警数据与 对应的预警值域数据的差异值， 根据所述差异值迭代调节所述原始神经网络， 得到目标神 经网络， 包括： 利用预构建的误差计算公式计算所述迭代预警数据与所述预警值 域数据的差异值； 若所述差异值大于或等于预设的训练阈值， 则利用所述迭代预警数据与预设的第 一残 差公式， 计算得到所述原 始神经网络的输出层残差； 利用所述输出层残差和所述隐藏层迭代权重， 计算得到所述原始神经网络的各隐藏层 的残差求和值； 利用所述残差求和值、 初始隐藏数据和预设的第二残差公式， 计算得到所述原始神经 网络的各隐藏层残差； 根据所述归一化采样数据、 隐藏层残差和预构建的学习率， 得到所述原始神经网络的 输入层的权重调节因子， 并根据所述输入层的权重调节因子与所述输入层迭代权重， 得到 输入层目标权 重； 根据所述初始隐藏数据、 输出层残差和所述学习率， 得到所述原始神经网络的隐藏层 的权重调节因子， 根据所述隐藏层的权重调节因子与所述隐藏层迭代权重， 得到隐藏层目权　利　要　求　书 1/3 页 2 CN 113408205 B 3