專利名稱：水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)據(jù)分析領(lǐng)域，具體涉及一種水環(huán)境監(jiān)測質(zhì)控分析方法。
背景技術(shù)：
在流域水環(huán)境有機(jī)污染物監(jiān)測過程中，數(shù)據(jù)的獲得包括布點(diǎn)、采樣、現(xiàn)場測試、樣品運(yùn)輸、樣品交接、樣品制備、實(shí)驗(yàn)室分析測試、數(shù)據(jù)處理、數(shù)據(jù)審核、綜合分析和評(píng)價(jià)等多個(gè)技術(shù)環(huán)節(jié)。由于受分析方法的局限性、監(jiān)測分析人員的技術(shù)水平及各種干擾因素的影響，監(jiān)測數(shù)據(jù)失真、異常的現(xiàn)象時(shí)有發(fā)生。為了使監(jiān)測數(shù)據(jù)能夠準(zhǔn)確地反映流域水環(huán)境質(zhì)量的現(xiàn)狀，必須對整個(gè)環(huán)境監(jiān)測過程實(shí)行質(zhì)量控制，同時(shí)對質(zhì)控監(jiān)測數(shù)據(jù)進(jìn)行全面、嚴(yán)格、規(guī)范的審核，以便及時(shí)發(fā)現(xiàn)環(huán)境監(jiān)測過程中存在的問題和不足，并及時(shí)予以糾正和解決，確保監(jiān)測質(zhì)控?cái)?shù)據(jù)的完整性、代表性、可比性、精密性和準(zhǔn)確性。從而為各地環(huán)保管理部門進(jìn)行排污申報(bào)核定、排污許可證發(fā)放、總量控制、環(huán)境統(tǒng)計(jì)、排污費(fèi)征收和現(xiàn)場環(huán)境執(zhí)法等環(huán)境監(jiān)督管理的依據(jù)，為環(huán)境管理提供優(yōu)質(zhì)、高效的服務(wù)。因此，監(jiān)測過程質(zhì)量控制及監(jiān)測質(zhì)控?cái)?shù)據(jù)審核是質(zhì)量管理工作的主要內(nèi)容，是獲得正確分析數(shù)據(jù)的一個(gè)極為重要環(huán)節(jié)，是當(dāng)前流域水環(huán)境監(jiān)測工作需要解決的技術(shù)關(guān)鍵和科學(xué)管理實(shí)驗(yàn)室的有效方法，也是水質(zhì)監(jiān)測走向法制化和科學(xué)化的必然要求。二十多年來，國家環(huán)境監(jiān)測系統(tǒng)先后出臺(tái)了環(huán)境水質(zhì)監(jiān)測質(zhì)量保證手冊、水質(zhì)監(jiān)測采樣監(jiān)測分析方法、環(huán)境監(jiān)測技術(shù)規(guī)范、水質(zhì)監(jiān)測實(shí)驗(yàn)室質(zhì)量控制指標(biāo)等，各級(jí)監(jiān)測站通過計(jì)量認(rèn)證或?qū)嶒?yàn)室認(rèn)可，初步建立了質(zhì)量管理體系，通過質(zhì)量體系的運(yùn)作來實(shí)現(xiàn)質(zhì)量管理。隨著有機(jī)污染物監(jiān)測的大量開展，監(jiān)測技術(shù)的質(zhì)量控制及其相關(guān)的監(jiān)測質(zhì)控?cái)?shù)據(jù)審核已跟不上發(fā)展需要，流域水環(huán)境有機(jī)污染監(jiān)測質(zhì)量保證與質(zhì)量控制系統(tǒng)性不強(qiáng)、質(zhì)量控制手段單一等問題日益凸顯，使得每年大量監(jiān)測質(zhì)控?cái)?shù)據(jù)無可比性，無法說清環(huán)境質(zhì)量、變化規(guī)律、變化趨勢及變化原因。監(jiān)測質(zhì)控?cái)?shù)據(jù)的處理與審核是環(huán)境監(jiān)測過程全面質(zhì)量管理的關(guān)鍵技術(shù)之一，然而隨著人們環(huán)境保護(hù)意識(shí)的增強(qiáng)，現(xiàn)代環(huán)境監(jiān)測從無機(jī)污染物向有機(jī)污染物監(jiān)測發(fā)展、從化學(xué)分析向儀器分析發(fā)展、從手動(dòng)采樣一實(shí)驗(yàn)室分析向自動(dòng)在線監(jiān)測系統(tǒng)發(fā)展、以及從單一的監(jiān)測分析技術(shù)向多種監(jiān)測分析技術(shù)聯(lián)用發(fā)展，都使得監(jiān)測質(zhì)控?cái)?shù)據(jù)的積累急劇地膨脹，由此產(chǎn)生了巨量的、復(fù)雜的監(jiān)測質(zhì)控?cái)?shù)據(jù)；此外，這些監(jiān)測質(zhì)控?cái)?shù)據(jù)與水質(zhì)之間呈現(xiàn)的也并非是簡單的線性關(guān)系，而是非線性多變量的。對這些技術(shù)進(jìn)步所帶來的巨量的、復(fù)雜的監(jiān)測質(zhì)控?cái)?shù)據(jù)若仍采用傳統(tǒng)的人工處理與審核方法已難以滿足科學(xué)管理的要求。因此需要針對上述的方法進(jìn)行改進(jìn)，設(shè)計(jì)一種能滿足科學(xué)管理需求的水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法。

發(fā)明內(nèi)容
為了解決上述的技術(shù)問題，本發(fā)明提供了一種能夠更加準(zhǔn)確的反映水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)的分析方法。
本發(fā)明的水環(huán)境監(jiān)測質(zhì)控分析方法是通過下述的技術(shù)方案來解決以上的技術(shù)問題的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，該方法包括下述的步驟a.獲取待審核水環(huán)境質(zhì)控?cái)?shù)據(jù)，采用常規(guī)的方法對數(shù)據(jù)進(jìn)行處理，常規(guī)方法是指數(shù)據(jù)邏輯判斷法、Dixon檢驗(yàn)法，去除明顯不合理的異常數(shù)據(jù)，應(yīng)用非監(jiān)督學(xué)習(xí)算法辨識(shí)隱含的離群數(shù)據(jù)；b.采用監(jiān)督學(xué)習(xí)算法建立水環(huán)境質(zhì)控?cái)?shù)據(jù)分析模型，并鑒別監(jiān)測數(shù)據(jù)的可靠性；c.將質(zhì)控?cái)?shù)據(jù)輸出與分析方法、儀器類型相同歷史數(shù)據(jù)中的質(zhì)控?cái)?shù)據(jù)進(jìn)行比較，得到偏差；d.確定數(shù)據(jù)的審核通過與否，具體確定的步驟為偏差不大，則數(shù)據(jù)合理，通過審 核，并將其加入歷史數(shù)據(jù)集，反之偏差過大，將該數(shù)據(jù)列為可疑數(shù)據(jù)，應(yīng)用支持向量機(jī)回歸方法從水質(zhì)監(jiān)測質(zhì)控?cái)?shù)據(jù)時(shí)間序列中分離異常數(shù)據(jù)。上述的非監(jiān)督學(xué)習(xí)算法為聚類算法。上述的監(jiān)督學(xué)習(xí)算法為k均值聚類的算法、粒子群優(yōu)化法、人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)中的至少一種。k均值聚類的算法(a)隨機(jī)地選擇k個(gè)對象，每個(gè)對象初始地代表了一個(gè)類的平均值或中心(b)對剩余的每個(gè)對象，根據(jù)其與各個(gè)類中心的距離，將它賦給最近的類。對于重新聚成的k的類，判斷準(zhǔn)則函數(shù)是否收斂若收斂，則算法終止；否則，轉(zhuǎn)(C);(C)重新計(jì)算每個(gè)類的中心，轉(zhuǎn)(b)。粒子群優(yōu)化算法為對于第j個(gè)粒子，其位置表示為Xj = [Xj1, Xj2,. . .，Xjd],飛行速度表示為Vj = [Vj1,Vj2,..., Vjd]，所經(jīng)歷的最好位置為Pbestj,群體所有粒子經(jīng)歷的最好位置為gbest，粒子通過不斷學(xué)習(xí)更新，最終飛至解空間中最優(yōu)解所在的位置，整個(gè)搜索過程即結(jié)束，最后輸出的gbest就是全局最優(yōu)解，粒子在迭代過程中用來更新自己的速度和位置的進(jìn)化公式為vf+l =wKvf +d「x) + c2rH-xf、(I)x^+1 +vf+l(2)式中K為當(dāng)前迭代次數(shù)，C1和C2為學(xué)習(xí)因子，它們分別代表個(gè)體經(jīng)驗(yàn)和群體經(jīng)驗(yàn)對粒子進(jìn)化的指導(dǎo)力度和為0-1之間按正態(tài)分布的隨機(jī)數(shù)，用來增加粒子的多樣性，w為慣性權(quán)重，是一個(gè)0-1之間的常數(shù)，它使粒子具有保持原來運(yùn)動(dòng)狀態(tài)的慣性，這樣粒子就具有擴(kuò)展搜索空間的趨勢，采用慣性權(quán)重線性遞減策略，在標(biāo)準(zhǔn)粒子群優(yōu)化的基礎(chǔ)上，慣性權(quán)重隨迭代過程按下式線性遞減Wx = Wmax — (Wmax — Wmm) ――(3)
max式中Kmax為最大迭代次數(shù)，Wmax為最大慣性權(quán)重，Wmin為最小慣性權(quán)重。與固定權(quán)重相比，線性遞減策略前期較大的慣性會(huì)讓粒子擁有較強(qiáng)的全局搜索能力，可有效地避免算法過早陷入局部最優(yōu)，而當(dāng)算法進(jìn)行到后期，較小的慣性權(quán)重又能保證粒子的局部搜索能力，提升算法的精度。
粒子群優(yōu)化在每次迭代過程中，計(jì)算各粒子的適應(yīng)度，即目標(biāo)函數(shù)，以計(jì)算結(jié)果評(píng)估當(dāng)前的Pbesu和gbest，粒子群優(yōu)化的整個(gè)尋優(yōu)過程為a)隨機(jī)初始化每個(gè)粒子的位置和速度；b)計(jì)算粒子的適應(yīng)度，如果得到更優(yōu)的Pbesw和gbest，則更新并保存當(dāng)前的最優(yōu)值；c)依照式(I)、(2)更新每個(gè)粒子的速度和位置，并按照式(3)更新當(dāng)前的慣性權(quán)重，同時(shí)進(jìn)行過速檢測與修正等約束性操作；d)如果未能達(dá)到預(yù)先設(shè)定的最大迭代次數(shù)，則返回b);否則停止運(yùn)算，并輸出結(jié)果;人工神經(jīng)網(wǎng)絡(luò)算法 BP前向神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)該方法的三層前饋網(wǎng)包括了輸入層、隱含層和輸出層，三層網(wǎng)絡(luò)中，輸入向量為X = (Xl，x2，...，Xi，…，xn)T，X0 = -1是為隱含層神經(jīng)元引入閾值而設(shè)置的；隱含層輸出向星Y = (yi, y2, , Yj , ym)T，y。= _1是為輸出層神經(jīng)兀引入閾值而設(shè)直的；輸出層輸出向星為 0 = (O1, O2,. . . , ok,. . . , O1)T ;期望輸出向星為 d = ((I1, d2,. . . , dk,. . . , (I1)T。輸入層到隱含層之間的權(quán)值矩陣用V表示，V=其中列向量Vj為隱含層第j個(gè)神經(jīng)元對應(yīng)的權(quán)向量；隱含層到輸出層之間的權(quán)值矩陣用W表示，W =(W1, W2,. . . , Wk,. . . , W1),其中列向量Wk為輸出層第k個(gè)神經(jīng)元對應(yīng)的權(quán)向量。下面分析各層信號(hào)之間的數(shù)學(xué)關(guān)系。對于輸出層，有ok = f (netk)k = I, 2,, I (4)
mnet, = Yj Vi k = 1,2, -,1 (5)
.1=o對于隱含層，有Yj = f (netj) j = 1，2，...，m (6)
n "("/ = [ 1V j = l，2，.“，m (7)
——/-0 —式(6)，(7)中，轉(zhuǎn)移函數(shù)f(x)均為單極性Sigmoid函數(shù)(雙曲線正切函數(shù))/(x) = —(8)
I +eBP學(xué)習(xí)算法實(shí)現(xiàn)此算法的具體過程如下a)初始化輸出層、隱含層權(quán)矩陣，閾值；b)從樣本集中取一個(gè)樣本(Xp, Dp) (p為樣本編號(hào))，將Xp輸入網(wǎng)絡(luò)；c)根據(jù)式(4)、(5)計(jì)算相應(yīng)的實(shí)際輸出Op ；d)計(jì)算實(shí)際輸出Op與相應(yīng)的理想輸出Dp的誤差；對于每個(gè)樣本對，網(wǎng)絡(luò)的輸出誤差為Ep=^d(Opk-Clpk)2,9
L 二 I網(wǎng)絡(luò)的平均誤差為
E =(opk - ypk f( 10)
^P\ p=l k=l式中P1—總樣本對個(gè)數(shù)，I一輸出層樣本的個(gè)數(shù)。e)按極小化誤差的方式調(diào)整權(quán)矩陣根據(jù)Delta規(guī)則Wij (t+1) = Wij (t) + A Wij (t) (11)AWiJ(t) = n 6 j0i (t)(12)式中為n—網(wǎng)絡(luò)學(xué)習(xí)速率，S廠局部梯度對輸出層有 S pk = (dpk-opk) Opk(1-Opk) (13)對隱含層有SpJ = yPj(l-ym)Hw,k5pk(14)
^ k=-1計(jì)算了每個(gè)樣本對的A pWiJ后，權(quán)值的變化=-ZapkI/'(15)
P P重復(fù)步驟b)_e)，直到E滿足精度要求為止，此時(shí)各層權(quán)矩陣就是訓(xùn)練后的網(wǎng)絡(luò)權(quán)矩陣；支持向量機(jī)算法為①兩類模式分類問題設(shè)模式樣本中的輸入向量X e Rn可分為兩類，如果X屬于第一類，則標(biāo)記為1，屬于第二類，則標(biāo)記為-1，即由ye {1，-1}構(gòu)成輸出向量ye R1，取數(shù)量為I的樣本作為訓(xùn)練集(Xi^i), i = 1，…1，解兩類模式分類問題就是要構(gòu)造一個(gè)判別函數(shù)，將兩類模式盡可能正確地區(qū)分開來。當(dāng)兩類模式線性可分時(shí)，超平面wTx+b = 0可將兩類區(qū)分開，而當(dāng)兩類模式線性不可分時(shí)，上述超平面無法將兩類分隔開，但可用某一非線性函數(shù)0 (X)，通過非線性變換O :X — (X)，將模式樣本變換到高維特征空間，并在高維特征空間中構(gòu)造分類超平面，該超平面在原空間中可表不為wT 4) (X) +b = 0,考慮到y(tǒng) G {I, -1}，因此應(yīng)滿足約束條件Yi (Wi 小(Xi) +b)彡 1，i = 1，...，I (16)滿足約束條件的超平面有多個(gè)，需在結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則下，構(gòu)造一最優(yōu)超平面，使模式樣本的兩類之間的分類間隔(從超平面到最近數(shù)據(jù)點(diǎn)的距離)最大，這些最近的數(shù)據(jù)點(diǎn)稱為支持向量，一組支持向量可以唯一地確定一個(gè)超平面；由于支持向量與超平面之間的距離為I/ Il w Il，則分類間隔等于2/ Il w|| ,因此構(gòu)造最優(yōu)超平面的問題就轉(zhuǎn)化為一個(gè)二次規(guī)劃問題min|^ wrw|(17)s. t. Yi (Wi 小(Xi) +b)彡 1，i = 1，…，I (18)考慮到可能存在一些樣本不能被超平面正確分類，增加一個(gè)松弛項(xiàng)I i >0，i =1，…，1，則約束條件變?yōu)?xD+b)彡 1+€ i, i = 1，…，I (19)二次規(guī)劃問題轉(zhuǎn)換為
權(quán)利要求
1.一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，該方法包括下述的步驟 a.獲取待審核水環(huán)境質(zhì)控?cái)?shù)據(jù)，采用常規(guī)的方法對數(shù)據(jù)進(jìn)行處理，所述的常規(guī)方法是數(shù)據(jù)邏輯判斷法、Dixon檢驗(yàn)法，去除明顯不合理的異常數(shù)據(jù)，應(yīng)用非監(jiān)督學(xué)習(xí)算法辨識(shí)隱含的離群數(shù)據(jù)； b.采用監(jiān)督學(xué)習(xí)算法建立水環(huán)境質(zhì)控?cái)?shù)據(jù)分析模型，并鑒別監(jiān)測數(shù)據(jù)的可靠性； c.將質(zhì)控?cái)?shù)據(jù)輸出與分析方法、儀器類型相同歷史數(shù)據(jù)中的質(zhì)控?cái)?shù)據(jù)進(jìn)行比較，得到偏差; d.確定數(shù)據(jù)的審核通過與否，具體確定的步驟為偏差不大，則數(shù)據(jù)合理，通過審核，并將其加入歷史數(shù)據(jù)集，反之偏差過大，將該數(shù)據(jù)列為可疑數(shù)據(jù)，應(yīng)用支持向量機(jī)回歸方法從水質(zhì)監(jiān)測質(zhì)控?cái)?shù)據(jù)時(shí)間序列中分離異常數(shù)據(jù)。
2.如權(quán)利要求1所述的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，所述的非監(jiān)督學(xué)習(xí)算法為聚類算法。
3.如權(quán)利要求1所述的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，所述的監(jiān)督學(xué)習(xí)算法為k均值聚類的算法、粒子群優(yōu)化法、人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)中的至少一種。
4.如權(quán)利要求3所述的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，所述的k均值聚類的算法的具體步驟是 Ca)隨機(jī)地選擇k個(gè)實(shí)驗(yàn)數(shù)據(jù)，每個(gè)實(shí)驗(yàn)數(shù)據(jù)初始地代表一個(gè)類的平均值或中 心； (b)對剩余的每個(gè)實(shí)驗(yàn)數(shù)據(jù)，根據(jù)其與各個(gè)類中心的距離，將它賦給最近的 類，對于重新聚成的k的類，判斷準(zhǔn)則函數(shù)是否收斂若收斂，則算法終 止；否則，轉(zhuǎn)(c); (C)重新計(jì)算每個(gè)類的中心,轉(zhuǎn)(b)。
5.如權(quán)利要求3所述的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，所 述的粒子群優(yōu)化算法的具體步驟為 對于第j個(gè)粒子，其位置表示為Xj = [Xj1, Xj2, . . .，Xjd],飛行速度表示為Vj =[Vjl, Vj,, ... V，jd，所經(jīng)歷的最好位置為Pbestj，群體所有粒子經(jīng)歷的最好位置為gbest，粒子通過不斷學(xué)習(xí)更新，最終飛至解空間中最優(yōu)解所在的位置，整個(gè)搜索過程即結(jié)束，最后輸出的gbest就是全局最優(yōu)解，粒子在迭代過程中用來更新自己的速度和位置的進(jìn)化公式為 式中K為當(dāng)前迭代次數(shù)，C1和C2為學(xué)習(xí)因子，它們分別代表個(gè)體經(jīng)驗(yàn)和群體經(jīng)驗(yàn)對粒子進(jìn)化的指導(dǎo)力度；1^和1^_為0-1之間按正態(tài)分布的隨機(jī)數(shù)，用來增加粒子的多樣性，w為慣性權(quán)重，是一個(gè)0-1之間的常數(shù)，慣性權(quán)重隨迭代過程按下式線性遞減
6.如權(quán)利要求3所述的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，所述的人工神經(jīng)網(wǎng)絡(luò)算法的具體步驟為BP前向神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)該方法的三層前饋網(wǎng)包括了輸入層、隱含層和輸出層，三層網(wǎng)絡(luò)中，輸入向量為X = (X1, X2,, Xi,…，χη)τ,χ0 = -1是為隱含層神經(jīng)元引入閾值而設(shè)置的；隱含層輸出向量Y = (υι, Υ2) · · ·) Yj · · ·, ym)T，y。= _1是為輸出層神經(jīng)兀引入閾值而設(shè)直的；輸出層輸出向星為 0= (O1, O2, · · ·，ok，· · ·，O1)τ ;期望輸出向星為 d = ((I1, d2, · · ·，dk, · · ·，(I1)τ。輸入層到隱含層之間的權(quán)值矩陣用V表示，V = (V1, N2,...,Np..., Vm)，其中列向量Vj為隱含層第j個(gè)神經(jīng)元對應(yīng)的權(quán)向量；隱含層到輸出層之間的權(quán)值矩陣用W表示，W= (W1, W2,. . . , Wk,. . . , W1),其中列向量Wk為輸出層第k個(gè)神經(jīng)元對應(yīng)的權(quán)向量。下面分析各層信號(hào)之間的數(shù)學(xué)關(guān)系。對于輸出層，有
7.如權(quán)利要求3所述的一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，所述的支持向量機(jī)算法為 ①兩類模式分類問題 設(shè)模式樣本中的輸入向量X G Rn可分為兩類,如果X屬于第一類,則標(biāo)記為I,屬于第二類，則標(biāo)記為-1，即由ye {1，-1}構(gòu)成輸出向量ye R1，取數(shù)量為I的樣本作為訓(xùn)練集(Xi, Yi), i = I, ...1 ； 當(dāng)兩類模式線性可分時(shí)，超平面《Tx+b = 0可將兩類區(qū)分開，而當(dāng)兩類模式線性不可分時(shí)，上述超平面無法將兩類分隔開，但可用某一非線性函數(shù)0 (X)，通過非線性變換O :X — (X)，將模式樣本變換到高維特征空間，并在高維特征空間中構(gòu)造分類超平面，該超平面在原空間中可表示為wT (X)+b = 0, y G {1，_1}，因此應(yīng)滿足約束條件Yi (Wi (Xi)+b)≥ 1，i = 1，…，I (16) 由于支持向量與超平面之間的距離為1/1 |w| I |，則分類間隔等于2/Il w Il min|^-wrw|(17) s. t. Yi (Wi 4) (Xi)+b)≥1，i = 1，…，I (18)增加一個(gè)松弛項(xiàng) € i≥ 0, i = 1，…，I,則約束條件變?yōu)?br> 全文摘要
本發(fā)明屬于數(shù)據(jù)分析領(lǐng)域，具體涉及一種水環(huán)境監(jiān)測質(zhì)控分析方法。一種水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)分析方法，其特征在于，該方法包括下述的步驟a.獲取待審核水環(huán)境質(zhì)控?cái)?shù)據(jù)；b.建立支持向量機(jī)水環(huán)境質(zhì)控?cái)?shù)據(jù)預(yù)測模型；c.將質(zhì)控?cái)?shù)據(jù)輸出與分析方法、儀器類型相同歷史數(shù)據(jù)中的質(zhì)控?cái)?shù)據(jù)進(jìn)行比較，得到偏差；d.確定數(shù)據(jù)的審核通過與否，具體確定的步驟為偏差不大，則數(shù)據(jù)合理，通過審核，并將其加入歷史數(shù)據(jù)集，反之偏差過大，將該數(shù)據(jù)列為可疑數(shù)據(jù)。采用了本發(fā)明的分析研究方法對水環(huán)境監(jiān)測質(zhì)控?cái)?shù)據(jù)進(jìn)行分析，解決了急劇膨脹的各種呈非線性多變量的監(jiān)測質(zhì)控?cái)?shù)據(jù)的處理與審核及分析問題，滿足了科學(xué)管理的要求。
文檔編號(hào)G06K9/62GK103020642SQ201210500108
公開日2013年4月3日 申請日期2012年11月29日 優(yōu)先權(quán)日2012年10月8日
發(fā)明者趙永剛, 汪曉東, 穆肅, 胡冠九, 張蓓蓓, 章勇 申請人:江蘇省環(huán)境監(jiān)測中心