本發(fā)明涉及水質(zhì)檢測(cè)，具體是指一種基于人工智能的水質(zhì)檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、基于人工智能的水質(zhì)檢測(cè)方法是利用機(jī)器學(xué)習(xí)和數(shù)據(jù)分析技術(shù)，對(duì)水樣進(jìn)行快速、準(zhǔn)確的檢測(cè)和評(píng)估。這些方法通過(guò)傳感器收集水質(zhì)數(shù)據(jù)，并運(yùn)用人工智能算法對(duì)數(shù)據(jù)進(jìn)行處理和分析，能夠?qū)崟r(shí)監(jiān)測(cè)水中的污染物、菌群和其他有害物質(zhì)。其作用不僅提高了水質(zhì)檢測(cè)的效率和準(zhǔn)確性，還能夠?qū)崿F(xiàn)早期預(yù)警，幫助環(huán)境保護(hù)和水資源管理，確保人們的飲水安全和生態(tài)環(huán)境的可持續(xù)發(fā)展。

2、但是，在已有的水質(zhì)檢測(cè)方法中，存在著傳統(tǒng)的智能方法通常聚焦于單階段水質(zhì)檢測(cè)進(jìn)行具體成分的分析，但只針對(duì)水質(zhì)本身的內(nèi)容進(jìn)行檢測(cè)無(wú)法滿足更深層次的工業(yè)生產(chǎn)和生活需要的技術(shù)問(wèn)題；在已有的水質(zhì)檢測(cè)方法中，存在著多階段的檢測(cè)任務(wù)將不可避免的降低計(jì)算的效率，因而必須盡可能優(yōu)化前置任務(wù)的計(jì)算速度和實(shí)時(shí)性能的技術(shù)問(wèn)題；在已有的水質(zhì)趨勢(shì)化分析中，存在著傳統(tǒng)的時(shí)序數(shù)據(jù)預(yù)測(cè)模型在應(yīng)對(duì)水質(zhì)趨勢(shì)化分析的過(guò)程中，對(duì)于水體成分和水質(zhì)變化的理解能力不足，進(jìn)而導(dǎo)致預(yù)測(cè)性能和預(yù)測(cè)效率均不夠優(yōu)秀的技術(shù)問(wèn)題；在已有的污染溯源預(yù)測(cè)方法中，存在著污染溯源涉及復(fù)雜的因果推導(dǎo)邏輯，而在復(fù)雜的水質(zhì)數(shù)據(jù)中，提取這部分因果特征具有較大的技術(shù)難度和設(shè)計(jì)難度的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述情況，為克服現(xiàn)有技術(shù)的缺陷，本發(fā)明提供了一種基于人工智能的水質(zhì)檢測(cè)方法及系統(tǒng)，針對(duì)在已有的水質(zhì)檢測(cè)方法中，存在著傳統(tǒng)的智能方法通常聚焦于單階段水質(zhì)檢測(cè)進(jìn)行具體成分的分析，但只針對(duì)水質(zhì)本身的內(nèi)容進(jìn)行檢測(cè)無(wú)法滿足更深層次的工業(yè)生產(chǎn)和生活需要的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用由水質(zhì)預(yù)分類(lèi)、趨勢(shì)分析和污染溯源三項(xiàng)任務(wù)聚合的人工智能水質(zhì)檢測(cè)方法，通過(guò)將單階段粗略檢測(cè)細(xì)分為多階段分段檢測(cè)，既有助于實(shí)施方法的系統(tǒng)的單項(xiàng)功能維護(hù)，也可以提升方法本身的適用范圍；針對(duì)在已有的水質(zhì)檢測(cè)方法中，存在著多階段的檢測(cè)任務(wù)將不可避免的降低計(jì)算的效率，因而必須盡可能優(yōu)化前置任務(wù)的計(jì)算速度和實(shí)時(shí)性能的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用結(jié)合遺傳算法和隨機(jī)森林模型的深度神經(jīng)網(wǎng)絡(luò)方法進(jìn)行水質(zhì)預(yù)分類(lèi)，通過(guò)深度神經(jīng)網(wǎng)絡(luò)、搜索算法和機(jī)器學(xué)習(xí)模型的組合集成，既能提升分類(lèi)的精度，也提高了整體任務(wù)的效率；針對(duì)在已有的水質(zhì)趨勢(shì)化分析中，存在著傳統(tǒng)的時(shí)序數(shù)據(jù)預(yù)測(cè)模型在應(yīng)對(duì)水質(zhì)趨勢(shì)化分析的過(guò)程中，對(duì)于水體成分和水質(zhì)變化的理解能力不足，進(jìn)而導(dǎo)致預(yù)測(cè)性能和預(yù)測(cè)效率均不夠優(yōu)秀的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用結(jié)合立方混沌權(quán)重優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，通過(guò)混沌立方算法既能優(yōu)化模型本身的權(quán)重更新，也能將模型參數(shù)更新過(guò)程所采用的優(yōu)化算法的內(nèi)容進(jìn)行更新，提升了分階段任務(wù)的執(zhí)行性能的同時(shí)，也降低了方法和系統(tǒng)的實(shí)施成本；針對(duì)在已有的污染溯源預(yù)測(cè)方法中，存在著污染溯源涉及復(fù)雜的因果推導(dǎo)邏輯，而在復(fù)雜的水質(zhì)數(shù)據(jù)中，提取這部分因果特征具有較大的技術(shù)難度和設(shè)計(jì)難度的技術(shù)問(wèn)題，本方案創(chuàng)造性地，也為水質(zhì)檢測(cè)的任務(wù)深度提供了較好的實(shí)踐參考和數(shù)據(jù)支持。

2、本發(fā)明采取的技術(shù)方案如下：本發(fā)明提供的一種基于人工智能的水質(zhì)檢測(cè)方法，該方法包括以下步驟：

3、步驟s1：數(shù)據(jù)收集；

4、步驟s2：數(shù)據(jù)預(yù)處理；

5、步驟s3：水質(zhì)預(yù)分類(lèi)；

6、步驟s4：水質(zhì)趨勢(shì)化分析；

7、步驟s5：污染溯源預(yù)測(cè)；

8、步驟s6：水質(zhì)檢測(cè)。

9、進(jìn)一步地，在步驟s1中，所述數(shù)據(jù)收集，用于水質(zhì)檢測(cè)所需的原始數(shù)據(jù)，具體為通過(guò)水質(zhì)傳感器和環(huán)境傳感器，進(jìn)行分頻次多點(diǎn)數(shù)據(jù)收集，得到水質(zhì)檢測(cè)原始數(shù)據(jù)集。

10、進(jìn)一步地，在步驟s2中，所述數(shù)據(jù)預(yù)處理，用于進(jìn)行原始數(shù)據(jù)的優(yōu)化處理，具體為對(duì)所述水質(zhì)檢測(cè)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)準(zhǔn)化和特征工程處理，得到水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集；

11、所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集，具體包括優(yōu)化水質(zhì)傳感數(shù)據(jù)、優(yōu)化采樣頻率數(shù)據(jù)、優(yōu)化環(huán)境數(shù)據(jù)集和特征數(shù)據(jù)集。

12、進(jìn)一步地，在步驟s3中，所述水質(zhì)預(yù)分類(lèi)，用于對(duì)水質(zhì)的短期近況進(jìn)行預(yù)分類(lèi)，具體為依據(jù)所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集中的優(yōu)化水質(zhì)傳感數(shù)據(jù)和特征數(shù)據(jù)集，采用結(jié)合遺傳算法和隨機(jī)森林模型的深度神經(jīng)網(wǎng)絡(luò)方法進(jìn)行水質(zhì)預(yù)分類(lèi)，得到水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)；

13、所述結(jié)合遺傳算法和隨機(jī)森林模型的深度神經(jīng)網(wǎng)絡(luò)方法，具體包括深度神經(jīng)子網(wǎng)、遺傳優(yōu)化算子和隨機(jī)森林集成模型；

14、所述深度神經(jīng)子網(wǎng)，用于處理水質(zhì)分類(lèi)特征并進(jìn)行初步分類(lèi)；

15、所述遺傳優(yōu)化算子，用于優(yōu)化深度神經(jīng)子網(wǎng)的模型參數(shù)；

16、所述隨機(jī)森林集成模型，用于集成深度神經(jīng)子網(wǎng)的結(jié)果，提高分類(lèi)的精度；

17、所述采用結(jié)合遺傳算法和隨機(jī)森林模型的深度神經(jīng)網(wǎng)絡(luò)方法進(jìn)行水質(zhì)預(yù)分類(lèi)，得到水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)的步驟，包括：

18、步驟s31：構(gòu)建深度神經(jīng)子網(wǎng)，具體為構(gòu)建包括輸入層、隱藏層和輸出層的標(biāo)準(zhǔn)深度神經(jīng)子網(wǎng)，并采用損失函數(shù)進(jìn)行子網(wǎng)訓(xùn)練；

19、所述隱藏層，具體包括第一隱藏層、第二隱藏層和第三隱藏層，所述第一隱藏層的神經(jīng)元數(shù)為128，第二隱藏層的神經(jīng)元數(shù)為64，第三隱藏層的神經(jīng)元數(shù)為32；

20、所述損失函數(shù)，具體采用最小均方誤差損失函數(shù)；

21、步驟s32：構(gòu)建遺傳優(yōu)化算子，具體為通過(guò)種群初始化和適應(yīng)度評(píng)估，進(jìn)行迭代模型參數(shù)組合計(jì)算，得到最優(yōu)深度神經(jīng)子網(wǎng)模型參數(shù)組合；

22、步驟s33：構(gòu)建隨機(jī)森林集成模型，具體為結(jié)合投票分類(lèi)機(jī)制進(jìn)行隨機(jī)森林決策樹(shù)集成學(xué)習(xí)，依據(jù)采用最優(yōu)深度神經(jīng)子網(wǎng)模型參數(shù)組合的深度神經(jīng)子網(wǎng)的初步分類(lèi)結(jié)果，進(jìn)行精細(xì)分類(lèi)，得到水質(zhì)分類(lèi)結(jié)果精細(xì)分類(lèi)輸出；

23、步驟s34：水質(zhì)預(yù)分類(lèi)模型訓(xùn)練，具體為通過(guò)所述深度神經(jīng)子網(wǎng)、所述遺傳優(yōu)化算子和所述隨機(jī)森林集成模型，進(jìn)行水質(zhì)預(yù)分類(lèi)模型訓(xùn)練，得到水質(zhì)預(yù)分類(lèi)模型modelwc；

24、步驟s35：水質(zhì)預(yù)分類(lèi)，具體為使用所述水質(zhì)預(yù)分類(lèi)模型modelwc，依據(jù)所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集中的優(yōu)化水質(zhì)傳感數(shù)據(jù)和特征數(shù)據(jù)集，進(jìn)行水質(zhì)預(yù)分類(lèi)，得到水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)；

25、所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)，具體指水質(zhì)預(yù)分類(lèi)等級(jí)預(yù)測(cè)數(shù)據(jù)，包括優(yōu)級(jí)水質(zhì)、良級(jí)水質(zhì)、輕度污染水質(zhì)、中度污染水質(zhì)和重度污染水質(zhì)。

26、進(jìn)一步地，在步驟s4中，所述水質(zhì)趨勢(shì)化分析，用于從長(zhǎng)期趨勢(shì)進(jìn)行水質(zhì)變化的趨勢(shì)性分類(lèi)，具體為依據(jù)所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集中的優(yōu)化水質(zhì)傳感數(shù)據(jù)、優(yōu)化采樣頻率數(shù)據(jù)和特征數(shù)據(jù)集，結(jié)合所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)，采用結(jié)合立方混沌權(quán)重優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，進(jìn)行水質(zhì)趨勢(shì)化分析，得到水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)；

27、所述結(jié)合立方混沌權(quán)重優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，具體包括標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和立方混沌權(quán)重優(yōu)化搜索算子；

28、所述標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，用于處理水質(zhì)趨勢(shì)化分析中的時(shí)序數(shù)據(jù)和特征；

29、所述立方混沌權(quán)重優(yōu)化搜索算子，用于通過(guò)立方混沌權(quán)重優(yōu)化搜索算法，提升長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)于趨勢(shì)性分析的性能；

30、所述采用結(jié)合立方混沌權(quán)重優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，進(jìn)行水質(zhì)趨勢(shì)化分析，得到水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)的步驟，包括：

31、步驟s41：構(gòu)建標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，具體為構(gòu)建包括輸入門(mén)、遺忘門(mén)和輸出門(mén)的標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，作為模型的基本預(yù)測(cè)網(wǎng)絡(luò)；

32、步驟s42：構(gòu)建立方混沌隨機(jī)優(yōu)化算子，具體為構(gòu)建隨機(jī)混沌動(dòng)態(tài)系統(tǒng)，并通過(guò)所述隨機(jī)混沌動(dòng)態(tài)系統(tǒng)，生成得到立方混沌隨機(jī)狀態(tài)向量，所述立方混沌隨機(jī)狀態(tài)向量，用于替換標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的權(quán)重，并優(yōu)化搜索算子，得到立方混沌優(yōu)化長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)；

33、步驟s43：構(gòu)建搜索算子，具體為構(gòu)建骨頂雞搜索算法，計(jì)算標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的模型參數(shù)最優(yōu)解，得到初始搜索算子參數(shù)組合輸出；

34、步驟s44：立方混沌隨機(jī)優(yōu)化搜索算法優(yōu)化，具體為執(zhí)行所述隨機(jī)混沌動(dòng)態(tài)系統(tǒng)，并進(jìn)行立方混沌初始化，通過(guò)得到所述立方混沌隨機(jī)狀態(tài)向量，重新生成所述搜索算子中的第一隨機(jī)權(quán)重系數(shù)和第二隨機(jī)權(quán)重系數(shù)，并通過(guò)迭代訓(xùn)練，得到所述立方混沌優(yōu)化長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)的立方混沌隨機(jī)優(yōu)化參數(shù)組合；

35、步驟s45：水質(zhì)趨勢(shì)化分析模型訓(xùn)練，具體為通過(guò)所述立方混沌隨機(jī)優(yōu)化搜索算法優(yōu)化，改進(jìn)所述標(biāo)準(zhǔn)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，得到所述立方混沌優(yōu)化長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)，并通過(guò)依據(jù)所述立方混沌隨機(jī)優(yōu)化參數(shù)組合，進(jìn)行水質(zhì)趨勢(shì)化分析模型訓(xùn)練，得到水質(zhì)趨勢(shì)化分析模型modelfr；

36、步驟s46：水質(zhì)趨勢(shì)化分析，具體為使用所述水質(zhì)趨勢(shì)化分析模型modelfr，依據(jù)所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集中的優(yōu)化水質(zhì)傳感數(shù)據(jù)、優(yōu)化采樣頻率數(shù)據(jù)和特征數(shù)據(jù)集，同時(shí)結(jié)合所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)中，預(yù)分類(lèi)結(jié)果為輕度污染水質(zhì)、中度污染水質(zhì)和重度污染水質(zhì)的數(shù)據(jù)，進(jìn)行水質(zhì)趨勢(shì)化分析，得到水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)；

37、所述水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)，具體值水質(zhì)污染程度變化趨勢(shì)預(yù)測(cè)數(shù)據(jù)。

38、進(jìn)一步地，在步驟s5中，所述污染溯源預(yù)測(cè)，用于結(jié)合環(huán)境數(shù)據(jù)預(yù)測(cè)對(duì)水質(zhì)有短期和長(zhǎng)期影響的潛在污染源，具體為依據(jù)所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集中的優(yōu)化水質(zhì)傳感數(shù)據(jù)和特征數(shù)據(jù)集，結(jié)合所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)，采用結(jié)合因果啟發(fā)的圖神經(jīng)網(wǎng)絡(luò)，進(jìn)行污染溯源預(yù)測(cè)，得到污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)；

39、所述結(jié)合因果啟發(fā)的圖神經(jīng)網(wǎng)絡(luò)，具體包括圖變分自動(dòng)編碼器、因果啟發(fā)算子、線性解碼器和基礎(chǔ)分類(lèi)器；

40、所述圖變分自動(dòng)編碼器，用于構(gòu)建改進(jìn)的圖神經(jīng)網(wǎng)絡(luò)并進(jìn)行特征編碼；

41、所述因果啟發(fā)算子，用于設(shè)置因果效應(yīng)估計(jì)量增強(qiáng)污染溯源的潛在特征挖掘能力；

42、所述線性解碼器，用于進(jìn)行線性解碼；

43、所述基礎(chǔ)分類(lèi)器，用于根據(jù)解碼結(jié)果進(jìn)行預(yù)測(cè)分類(lèi)得到污染書(shū)院預(yù)測(cè)結(jié)果；

44、所述采用結(jié)合因果啟發(fā)的圖神經(jīng)網(wǎng)絡(luò)，進(jìn)行污染溯源預(yù)測(cè)，得到污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)的步驟，包括：

45、步驟s51：構(gòu)建圖變分自動(dòng)編碼器，具體為通過(guò)多層感知器和線性內(nèi)積解碼器重建標(biāo)準(zhǔn)圖卷積神經(jīng)網(wǎng)絡(luò)的圖鄰接矩陣和節(jié)點(diǎn)特征，并通過(guò)構(gòu)建圖變分自動(dòng)編碼目標(biāo)函數(shù)改進(jìn)圖卷積神經(jīng)網(wǎng)絡(luò)，得到所述圖變分自動(dòng)編碼器；

46、步驟s52：構(gòu)建因果啟發(fā)算子，具體為通過(guò)構(gòu)建因果效應(yīng)估計(jì)量目標(biāo)函數(shù)，計(jì)算污染溯源因果特征和污染溯源非因果特征之間的特征關(guān)系，并通過(guò)構(gòu)建所述因果效應(yīng)估計(jì)量目標(biāo)函數(shù)，并通過(guò)將所述變分自動(dòng)編碼目標(biāo)函數(shù)和所述因果效應(yīng)估計(jì)量目標(biāo)函數(shù)集成為損失函數(shù)，進(jìn)行污染溯源的潛在特征增強(qiáng)，得到因果啟發(fā)特征數(shù)據(jù)；

47、步驟s53：構(gòu)建線性解碼器，具體為構(gòu)建線性內(nèi)積解碼器，并對(duì)所述因果啟發(fā)圖卷積輸出特征進(jìn)行線性解碼，得到解碼特征數(shù)據(jù)；

48、步驟s54：構(gòu)建基礎(chǔ)分類(lèi)器，具體為通過(guò)構(gòu)建標(biāo)準(zhǔn)隨機(jī)森林模型作為基礎(chǔ)分類(lèi)器，依據(jù)所述解碼特征數(shù)據(jù)，得到污染溯源分類(lèi)預(yù)測(cè)結(jié)果；

49、步驟s55：污染溯源預(yù)測(cè)模型訓(xùn)練，具體為通過(guò)所述圖變分自動(dòng)編碼器、所述因果啟發(fā)算子、所述線性解碼器和所述基礎(chǔ)分類(lèi)器，結(jié)合模型損失函數(shù)，進(jìn)行污染溯源預(yù)測(cè)模型訓(xùn)練，得到污染溯源預(yù)測(cè)模型modelwp；

50、步驟s56：污染溯源預(yù)測(cè)，具體為使用所述污染溯源預(yù)測(cè)模型modelwp，依據(jù)所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集中的優(yōu)化水質(zhì)傳感數(shù)據(jù)和特征數(shù)據(jù)集，同時(shí)結(jié)合所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)中，預(yù)分類(lèi)結(jié)果為輕度污染水質(zhì)、中度污染水質(zhì)和重度污染水質(zhì)的數(shù)據(jù)，進(jìn)行污染溯源預(yù)測(cè)，得到污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)；

51、所述污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)，具體包括污染源分類(lèi)結(jié)果、污染等級(jí)分類(lèi)結(jié)果和污染時(shí)間因素分類(lèi)結(jié)果。

52、進(jìn)一步地，在步驟s6中，所述水質(zhì)檢測(cè)，用于結(jié)合短期水質(zhì)分類(lèi)、長(zhǎng)期趨勢(shì)分析和污染溯源預(yù)測(cè)進(jìn)行綜合水質(zhì)檢測(cè)，具體為通過(guò)結(jié)合所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)、所述水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)和所述污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)，進(jìn)行綜合水質(zhì)檢測(cè)，得到綜合水質(zhì)檢測(cè)參考報(bào)告；

53、所述綜合水質(zhì)檢測(cè)參考報(bào)告，具體包括水質(zhì)等級(jí)評(píng)估分類(lèi)數(shù)據(jù)、關(guān)鍵水質(zhì)參數(shù)參考數(shù)據(jù)、水質(zhì)歷史趨勢(shì)對(duì)比數(shù)據(jù)、水質(zhì)預(yù)期趨勢(shì)數(shù)據(jù)和污染源分析數(shù)據(jù)。

54、本發(fā)明提供的一種基于人工智能的水質(zhì)檢測(cè)系統(tǒng)，包括數(shù)據(jù)收集處理模塊、水質(zhì)預(yù)分類(lèi)模塊、水質(zhì)趨勢(shì)化分析模塊、污染溯源預(yù)測(cè)模塊和水質(zhì)檢測(cè)模塊；

55、所述數(shù)據(jù)收集處理模塊，用于數(shù)據(jù)收集和數(shù)據(jù)預(yù)處理，通過(guò)數(shù)據(jù)收集和數(shù)據(jù)預(yù)處理，得到水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集，并將所述水質(zhì)檢測(cè)優(yōu)化數(shù)據(jù)集發(fā)送至水質(zhì)預(yù)分類(lèi)模塊、水質(zhì)趨勢(shì)化分析模塊和污染溯源預(yù)測(cè)模塊；

56、所述水質(zhì)預(yù)分類(lèi)模塊，用于水質(zhì)預(yù)分類(lèi)，通過(guò)水質(zhì)預(yù)分類(lèi)，得到水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)，并將所述水質(zhì)短期分類(lèi)結(jié)果數(shù)據(jù)發(fā)送至水質(zhì)趨勢(shì)化分析模塊、污染溯源預(yù)測(cè)模塊和水質(zhì)檢測(cè)模塊；

57、所述水質(zhì)趨勢(shì)化分析模塊，用于水質(zhì)趨勢(shì)化分析，通過(guò)水質(zhì)趨勢(shì)化分析，得到水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)，并將所述水質(zhì)長(zhǎng)期趨勢(shì)分析結(jié)果數(shù)據(jù)發(fā)送至水質(zhì)檢測(cè)模塊；

58、所述污染溯源預(yù)測(cè)模塊，用于污染溯源預(yù)測(cè)，通過(guò)污染溯源預(yù)測(cè)，得到污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)，并將所述污染溯源預(yù)測(cè)結(jié)果數(shù)據(jù)發(fā)送至水質(zhì)檢測(cè)模塊；

59、所述水質(zhì)檢測(cè)模塊，用于水質(zhì)檢測(cè)，通過(guò)水質(zhì)檢測(cè)，得到綜合水質(zhì)檢測(cè)參考報(bào)告。

60、采用上述方案本發(fā)明取得的有益效果如下：

61、（1）針對(duì)在已有的水質(zhì)檢測(cè)方法中，存在著傳統(tǒng)的智能方法通常聚焦于單階段水質(zhì)檢測(cè)進(jìn)行具體成分的分析，但只針對(duì)水質(zhì)本身的內(nèi)容進(jìn)行檢測(cè)無(wú)法滿足更深層次的工業(yè)生產(chǎn)和生活需要的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用由水質(zhì)預(yù)分類(lèi)、趨勢(shì)分析和污染溯源三項(xiàng)任務(wù)聚合的人工智能水質(zhì)檢測(cè)方法，通過(guò)將單階段粗略檢測(cè)細(xì)分為多階段分段檢測(cè)，既有助于實(shí)施方法的系統(tǒng)的單項(xiàng)功能維護(hù)，也可以提升方法本身的適用范圍；

62、（2）針對(duì)在已有的水質(zhì)檢測(cè)方法中，存在著多階段的檢測(cè)任務(wù)將不可避免的降低計(jì)算的效率，因而必須盡可能優(yōu)化前置任務(wù)的計(jì)算速度和實(shí)時(shí)性能的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用結(jié)合遺傳算法和隨機(jī)森林模型的深度神經(jīng)網(wǎng)絡(luò)方法進(jìn)行水質(zhì)預(yù)分類(lèi)，通過(guò)深度神經(jīng)網(wǎng)絡(luò)、搜索算法和機(jī)器學(xué)習(xí)模型的組合集成，既能提升分類(lèi)的精度，也提高了整體任務(wù)的效率；

63、（3）針對(duì)在已有的水質(zhì)趨勢(shì)化分析中，存在著傳統(tǒng)的時(shí)序數(shù)據(jù)預(yù)測(cè)模型在應(yīng)對(duì)水質(zhì)趨勢(shì)化分析的過(guò)程中，對(duì)于水體成分和水質(zhì)變化的理解能力不足，進(jìn)而導(dǎo)致預(yù)測(cè)性能和預(yù)測(cè)效率均不夠優(yōu)秀的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用結(jié)合立方混沌權(quán)重優(yōu)化的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)，通過(guò)混沌立方算法既能優(yōu)化模型本身的權(quán)重更新，也能將模型參數(shù)更新過(guò)程所采用的優(yōu)化算法的內(nèi)容進(jìn)行更新，提升了分階段任務(wù)的執(zhí)行性能的同時(shí)，也降低了方法和系統(tǒng)的實(shí)施成本；

64、（4）針對(duì)在已有的污染溯源預(yù)測(cè)方法中，存在著污染溯源涉及復(fù)雜的因果推導(dǎo)邏輯，而在復(fù)雜的水質(zhì)數(shù)據(jù)中，提取這部分因果特征具有較大的技術(shù)難度和設(shè)計(jì)難度的技術(shù)問(wèn)題，本方案創(chuàng)造性地采用由水質(zhì)預(yù)分類(lèi)任務(wù)首先對(duì)數(shù)據(jù)進(jìn)行預(yù)先分類(lèi)，排除未被污染的水源，之后再結(jié)合因果啟發(fā)的圖神經(jīng)網(wǎng)絡(luò)，通過(guò)因果啟發(fā)算子和改進(jìn)的圖神經(jīng)網(wǎng)絡(luò)，提升了污染溯源的計(jì)算速度和計(jì)算效果，也為水質(zhì)檢測(cè)的任務(wù)深度提供了較好的實(shí)踐參考和數(shù)據(jù)支持。