基于机器学习的消毒剂浓度监测方法

本发明属于消毒管理，具体是指基于机器学习的消毒剂浓度监测方法。

背景技术：

1、消毒剂是医疗、食品加工、环境卫生相关领域的常用消毒手段，如果使用不当会对人员和环境产生不良安全隐患，通过机器学习技术对消毒剂浓度进行智能化监测，帮助工作人员了解消毒剂的使用情况，进而保障消毒效果，控制消毒剂使用量，且有助于预防因消毒剂浓度不足或过量带来的安全隐患。但在现有的消毒剂浓度监测方法中，存在气体特征复杂，而机器学习方法非常依赖特征提取的效果的技术问题；存在消毒剂浓度监测需要对气体混合物进行定性和定量的双向量化分析，单独或简单的任务设计无法满足消毒剂浓度监测的需要的技术问题；存在多任务学习的模型具体结构对于学习效率和准确率的影响较大，且特征提取的同时需要进一步对气体特征进行特征增强以更好适应多任务学习需要的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器学习的消毒剂浓度监测方法，针对在已有的消毒剂浓度监测方法中，存在气体特征复杂，而机器学习方法非常依赖特征提取的效果的技术问题，本方案创造性地采用结构改进的一维卷积神经网络进行关键特征筛选，通过改进一维卷积神经网络的模型结构，在特征提取阶段提取时序特征，提高了特征提取的精确性，也为后续分类预测任务提供了良好的特征数据基础；针对在在已有的消毒剂浓度监测方法中，存在消毒剂浓度监测需要对气体混合物进行定性和定量的双向量化分析，单独或简单的任务设计无法满足消毒剂浓度监测的需要的技术问题，本方案创造性地采用多任务学习进行模型构建，通过设立消毒剂类别分类任务子网和消毒剂浓度预测任务子网，有助于机器学习定性定量分析，提高了模型的实用性和可扩展性；针对在已有的消毒剂浓度监测方法中，存在多任务学习的模型具体结构对于学习效率和准确率的影响较大，且特征提取的同时需要进一步对气体特征进行特征增强以更好适应多任务学习需要的技术问题，本方案创造性地采用结合长短期记忆注意力机制的多任务学习进行模型构建，通过长短期记忆网络构建模型基础的共享层，并通过将共享层输出连接至注意力层，进行特征馈送，实现多任务学习的任务分配，提高了方法整体的可用性、效率和准确性。

2、本发明采取的技术方案如下：本发明提供的基于机器学习的消毒剂浓度监测方法，该方法包括以下步骤：

3、步骤s1：原始数据采集；

4、步骤s2：数据预处理；

5、步骤s3：关键特征筛选；

6、步骤s4：消毒剂浓度监测模型构建；

7、步骤s5：消毒剂浓度监测。

8、进一步地，在步骤s1中，原始数据采集，用于收集消毒剂浓度监测所需的原始数据，具体为从医院环境中，通过气体传感器阵列采集气体响应数据，得到原始数据集。

9、进一步地，在步骤s2中，所述数据预处理，用于去除数据中的噪声和基线漂移，具体为通过变分模态分解滤波和基线移除操作对原始数据集进行预处理，得到消毒剂浓度去噪数据集。

10、进一步地，在步骤s3中，所述关键特征筛选，用于从数据集中筛选关键特征，具体为采用结构改进的一维卷积神经网络，对消毒剂浓度去噪数据集进行关键特征筛选，得到关键特征，包括以下步骤：

11、步骤s31：构建一维卷积神经网络架构，具体为在一维卷积神经网络中设置1个输入层、3个卷积层、1个池化层和1个全连接子网；

12、步骤s32：构建输入层，用于接收一维时间序列的输入，具体为将输入层大小设置为l×1×1，其中l是时间序列长度；

13、步骤s33：调整一维卷积神经网络架构，用于提高模型性能和表征能力，具体为通过构建卷积层和全连接子网，对一维卷积网络架构进行调整，得到结构改进的一维卷积神经网络，包括以下步骤：

14、步骤s331：构建卷积层，具体为采用3个卷积层进行特征学习，并在每个卷积层中设置64个卷积核，将卷积核的大小设为100，步长设为3，所述卷积核的计算公式为：

15、；

16、式中，k是卷积核索引，ck是第k个卷积核的输出向量，cond(·)是一维卷积操作，wk是第k个卷积核的权重，x是卷积核的输入向量，gk是第k个卷积核的偏置项；

17、步骤s332：构建全连接子网，用于进一步提取抽象特征，具体为在全连接层子网中设置3个大小为500的隐藏层，并在第3个隐藏层之后添加leakrelu激活函数，用于加速模型收敛并避免梯度消失，所述leakrelu激活函数的计算公式为：

18、；

19、式中，leakrelu(·)是leakrelu激活函数，x是leakrelu激活函数的输入值，max(·)是求最大值函数，a是小于1的常数，用于控制负值部分的斜率；

20、步骤s34：通过结构改进的一维卷积神经网络对消毒剂浓度去噪数据集进行关键特征筛选，得到关键特征。

21、进一步地，在步骤s4中，所述消毒剂浓度监测模型构建，具体为依据关键特征，采用结合长短期记忆注意力机制的多任务学习进行模型构建，得到消毒剂浓度监测模型；

22、所述结合长短期记忆注意力机制的多任务学习，具体包括共享层、注意力层、并行双任务子网；

23、所述并行双任务子网，具体包括消毒剂类别分类任务子网和消毒剂浓度预测任务子网；

24、所述消毒剂浓度监测模型构建，包括以下步骤：

25、步骤s41：构建共享层，用于强化网络的记忆，具体为采用双层长短期记忆网络架构作为共享层，并在每层长短期记忆网络架构中设置n个长短期记忆单元，所述长短期记忆单元的计算公式为：

26、；

27、式中，t是长短期记忆单元第一索引，ht是第t个长短期记忆单元的隐藏状态，具体指第t个长短期记忆单元的输出，lstm(·)是长短期记忆单元计算函数，zt是第t个长短期记忆单元的输入数据，所述输入数据具体指关键特征样本，ht-1是第t-1个长短期记忆单元的隐藏状态；

28、步骤s42：构建注意力层，用于集成共享层输出并将共享层输出分别馈送至并行双任务子网，包括以下步骤：

29、步骤s421：通过对每个长短期记忆单元的隐藏状态进行线性变化，将共享层的输出结果映射为标量；

30、步骤s422：依据标量，计算注意力权重，计算公式为：

31、；

32、式中，bt是注意力权重，具体指第t个长短期记忆单元对应输入数据的注意力权重，v是长短期记忆单元第二索引，n是长短期记忆单元数量，exp(·)是指数函数，av是第v个长短期记忆单元的标量，at是第t个长短期记忆单元的标量；

33、步骤s423：依据注意力权重，对每个长短期记忆单元的隐藏状态进行加权求和，得到共享层的最终输出，计算公式为：

34、；

35、式中，ct是第t个长短期记忆单元的加权向量；

36、步骤s43：构建并行双任务子网，用于分别执行消毒剂类别分类和消毒剂浓度预测任务，包括以下步骤：

37、步骤s431：构建消毒剂类别分类任务子网，具体为接收共享层的最终输出，通过构建回归模型的全连接层和输出层，进行消毒剂类别分类，得到消毒剂分类数据，所述回归模型的计算公式为：

38、；

39、式中，yr是回归模型的输出，具体指消毒剂分类数据，wr是回归权重，c是共享层的最终输出，br是回归偏置项；

40、步骤s432：构建消毒剂浓度预测任务子网，具体为接收共享层的最终输出，通过构建分类器的全连接层和输出层，进行消毒剂浓度预测，得到消毒剂浓度预测概率，所述分类器的计算公式为：

41、；

42、式中，yc是分类器的输出，具体指消毒剂浓度预测概率，softmax(·)是softmax函数，wc是分类权重，所述分类权重的大小为k×d，k是消毒剂类别数量，d是共享层的最终输出的维度，bc是分类偏置项；

43、步骤s44：构建模型损失函数，包括以下步骤：

44、步骤s441：构建交叉熵损失函数，用于衡量计算消毒剂类别分类的准确程度，计算公式为：

45、；

46、式中，lc是交叉熵损失函数，n是样本数量，具体指关键特征的样本数量，i是样本索引，具体指关键特征样本的索引，j是消毒剂类别索引，ycij是第i个样本被正确分类为第j个消毒剂类别的指示函数，如果第i个样本被正确分类，则ycij等于1，否则ycij等于0，是第i个样本被分类为第j个消毒剂类别的概率；

47、步骤s442：构建浓度预测损失函数，用于衡量消毒剂浓度预测的准确程度，计算公式为：

48、；

49、式中，lr是浓度预测损失函数，yri是第i个样本的真实浓度，是第i个样本的预测浓度；

50、步骤s443：构建带有正则化项的双任务总损失函数，用于防止过拟合，计算公式为：

51、；

52、式中，ltotal是双任务总损失函数，λc是消毒剂类别分类任务权重，λr是消毒剂浓度预测任务权重，λ是正则化项权重，||·||2是l2范式；

53、步骤s45：模型训练并优化，具体为通过所述构建共享层、所述构建注意力层、所述构建并行双任务子网和所述构建模型损失函数，进行模型训练，并通过pso算法进行超参数更新，得到消毒剂浓度监测模型modelcp。

54、进一步地，在步骤s5中，所述消毒剂浓度监测，用于进行消毒剂浓度监测，具体为采用消毒剂浓度监测模型modelcp，进行消毒剂浓度监测，得到消毒剂浓度分析数据，依据消毒剂浓度分析数据，生成消毒剂管理辅助信息，当消毒剂浓度偏离安全范围或消毒剂类别存在异常时，发出警报提醒；

55、所述消毒剂浓度分析数据，具体包括消毒剂类别数据和消毒剂浓度数据，所述消毒剂类别数据，类别具体包括酒精类、氯类、过氧化氢类和醚类，所述消毒剂浓度数据，具体指消毒剂浓度预测概率数据。

56、采用上述方案本发明取得的有益效果如下：

57、（1）针对在已有的消毒剂浓度监测方法中，存在气体特征复杂，而机器学习方法非常依赖特征提取的效果的技术问题，本方案创造性地采用结构改进的一维卷积神经网络进行关键特征筛选，通过改进一维卷积神经网络的模型结构，在特征提取阶段提取时序特征，提高了特征提取的精确性，也为后续分类预测任务提供了良好的特征数据基础；

58、（2）针对在在已有的消毒剂浓度监测方法中，存在消毒剂浓度监测需要对气体混合物进行定性和定量的双向量化分析，单独或简单的任务设计无法满足消毒剂浓度监测的需要的技术问题，本方案创造性地采用多任务学习进行模型构建，通过设立消毒剂类别分类任务子网和消毒剂浓度预测任务子网，有助于机器学习定性定量分析，提高了模型的实用性和可扩展性；

59、（3）针对在已有的消毒剂浓度监测方法中，存在多任务学习的模型具体结构对于学习效率和准确率的影响较大，且特征提取的同时需要进一步对气体特征进行特征增强以更好适应多任务学习需要的技术问题，本方案创造性地采用结合长短期记忆注意力机制的多任务学习进行模型构建，通过长短期记忆网络构建模型基础的共享层，并通过将共享层输出连接至注意力层，进行特征馈送，实现多任务学习的任务分配，提高了方法整体的可用性、效率和准确性。