本發(fā)明涉及環(huán)境監(jiān)測，尤其涉及一種放射性氣溶膠實時監(jiān)測方法及系統(tǒng)。

背景技術：

1、隨著科技的不斷進步和環(huán)境保護意識的增強，對于放射性氣溶膠的監(jiān)測和管理顯得尤為重要。放射性氣溶膠是指懸浮在空氣中的放射性物質(zhì)微小顆粒，它們可以通過大氣傳播到很遠的地方，對人類健康和生態(tài)環(huán)境構成潛在威脅。因此，實時監(jiān)測放射性氣溶膠的種類、濃度和分布等信息，對于及時采取應對措施、減少放射性污染的風險具有重要意義。

2、傳統(tǒng)的放射性氣溶膠監(jiān)測方法主要依賴于單一的監(jiān)測手段，如通過空氣采樣器收集氣溶膠樣品，再利用放射性分析儀器進行離線分析。這種方法存在監(jiān)測周期長、實時性差、操作復雜等缺點，難以滿足現(xiàn)代環(huán)境監(jiān)測的實時性和準確性要求。

3、因此，有必要提供一種放射性氣溶膠實時監(jiān)測方法及監(jiān)測系統(tǒng)解決上述技術問題。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種放射性氣溶膠實時監(jiān)測方法，將多模態(tài)數(shù)據(jù)融合技術、先進的機器學習算法和決策支持系統(tǒng)相結合，以實現(xiàn)對放射性氣溶膠的全面、實時、準確的監(jiān)測與評估。

3、為解決上述技術問題，本發(fā)明提供如下技術方案，一種放射性氣溶膠實時監(jiān)測方法，包括：采集目標區(qū)域內(nèi)氣溶膠監(jiān)測的實時多模態(tài)數(shù)據(jù)，并獲取實時多模態(tài)數(shù)據(jù)的融合特征；利用預先訓練好的識別模型對實時多模態(tài)數(shù)據(jù)的融合特征進行核素識別，得到識別結果；基于識別結果，通過判斷核素的語義屬性，獲取已知類型的核素的語義屬性，以及利用零樣本學習模型推測未知類型的核素的語義屬性；基于實時多模態(tài)數(shù)據(jù)對應的核素的屬性，利用預定義的決策支持模型生成建議決策。

4、作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測方法的一種優(yōu)選方案，其中：所述包括，所述實時多模態(tài)數(shù)據(jù)包括，通過部署于目標區(qū)域內(nèi)的傳感器模塊，實時采集輻射數(shù)據(jù)、氣象數(shù)據(jù)、空氣質(zhì)量數(shù)據(jù)和位置數(shù)據(jù)的多模態(tài)數(shù)據(jù)，運用特征提取方法，分別處理每種模態(tài)數(shù)據(jù)，提取特征后，整合所有單模態(tài)特征，形成高度概括的融合特征。

5、作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測方法的一種優(yōu)選方案，其中：所述包括，所述獲取實時多模態(tài)數(shù)據(jù)的融合特征包括，對于每種模態(tài)數(shù)據(jù)，應用特定的特征提取方法，具體為：

6、輻射數(shù)據(jù)使用頻譜分析和統(tǒng)計方法，提取峰值能量、能譜分布特征；

7、氣象數(shù)據(jù)通過計算趨勢、周期性變化和異常值；

8、空氣質(zhì)量數(shù)據(jù)通過分析污染物的時間序列特性，識別濃度波動模式；

9、位置數(shù)據(jù)利用地理信息系統(tǒng)通過計算各監(jiān)測點間的距離矩陣和空間聚類；

10、采用多模態(tài)融合網(wǎng)絡融合各模態(tài)的特征信息，整合各模態(tài)的特征信息，形成一個全面反映目標區(qū)域環(huán)境狀態(tài)的融合特征，通過多模態(tài)融合網(wǎng)絡，將不同模態(tài)的特征向量作為輸入，mmfn包含多個分支，每個分支處理對應的一種模態(tài)特征，提取高級抽象特征，各分支的輸出在融合層匯聚；

11、在融合層，將各分支的輸出進行匯聚，通過加權求和產(chǎn)生一個統(tǒng)一的融合特征向量，最后融合特征向量經(jīng)過進一步的非線性變換和降維處理，形成高度濃縮、易于解釋的融合特征。

12、作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測方法的一種優(yōu)選方案，其中：所述包括，所述預先訓練好的識別模型包括，通過預先訓練的識別模型對融合特征進行分析，輸出對每種核素類型的預測概率，即置信度，為后續(xù)的核素類型判斷提供依據(jù)，將得到的融合特征作為輸入，送入已訓練好的神經(jīng)網(wǎng)絡模型中，神經(jīng)網(wǎng)絡模型采用反向傳播算法進行訓練，通過優(yōu)化損失函數(shù)最小化預測誤差，學習不同核素類型的表征模式；

13、前向傳播過程包括，輸入層接收融合特征向量h，引入注意力機制層，用于動態(tài)地加權各個模態(tài)的特征：

14、a＝attention(h)

15、其中，a表示注意力機制層的輸出，attention為注意力函數(shù)；

16、設定隱藏層有l(wèi)層，每層有nl個神經(jīng)元，每層執(zhí)行特征變換和非線性激活函數(shù)，逐步提取更高層次的特征：

17、a(l)＝re(w(l)a(l-1)+b(l)+dropout(a(l-1)，pl)+a(l-1))

18、其中，a(l)表示第l層的激活輸出，re表示非線性激活函數(shù)，w(l)表示連接第l-1層和第l層的權重矩陣，a(l-1)表示l-1層注意力機制層的輸出，pl表示第l層的dropout比例，dropout(a(l-1)，pl)表示隨機失活函數(shù)，b(l)表示第l層的偏置向量；在訓練過程中，dropout比例pl在每個迭代中逐漸減小，實現(xiàn)動態(tài)調(diào)整：

19、pl＝pstart-iteration×decay

20、其中，pstart表示初始dropout比例，iteration表示當前迭代次數(shù)，decay表示dropout比例的衰減速率；

21、輸出層使用softmax函數(shù)輸出每個核素類型的預測概率，即置信度

22、

23、其中，softmax表示確為輸出的是概率分布的函數(shù)，w(l+1)表示連接最后一個隱藏層和輸出層的權重矩陣，a(l)表示輸出層的激活輸出，b(l+1)表示輸出層的偏置向量，a(l)表示當前注意力機制層的輸出；

24、訓練數(shù)據(jù)集包含大量已標記的多模態(tài)數(shù)據(jù)，每條數(shù)據(jù)標注實際的核素類型，用于模型訓練和驗證。

25、作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測方法的一種優(yōu)選方案，其中：所述包括，所述進行核素識別包括，從實時多模態(tài)數(shù)據(jù)對應各個核素類型的置信度中篩選出超過預設的置信度閾值的置信度，在篩選后的預測結果中，找到具有最高置信度的核素類型，將該核素類型視為本次監(jiān)測所識別出的核素類型，基于已知的核素列表判斷實時多模態(tài)數(shù)據(jù)的核素類型是否已知，得到已知類型的核素和未知類型的核素；

26、初始置信度閾值為0.9，連續(xù)5個迭代周期內(nèi)，超過置信度閾值的核素類型數(shù)量超過50％時，置信度閾值增加0.05；低于30％時，置信度閾值減少0.05，但最小值為0.7，在每個迭代周期結束后，根據(jù)上述規(guī)則自動調(diào)整置信度閾值；

27、一級核素類型置信度閾值為0.95，二級核素類型置信度閾值為0.9，三級核素類型置信度閾值為0.85，四級核素類型置信度閾值為0.8；根據(jù)實時多模態(tài)數(shù)據(jù)對應的核素類型置信度進行分類，多模態(tài)數(shù)據(jù)的時間序列中，時間序列閾值為3個迭代周期，在連續(xù)3個迭代周期內(nèi)，當某個核素類型的置信度持續(xù)增加，超過時間序列閾值，則優(yōu)先考慮該核素類型。

28、直接獲取已知核素的語義屬性或使用零樣本學習模型推測未知核素的屬性

29、獲取一個已知核素的列表，該列表包含所有已知核素類型及其相關屬性，將確定的核素類型與已知核素列表進行比對，如果匹配成功，則認定為已知類型的核素；如果未找到匹配項，則認為是未知類型的核素，通過核素類型的已知/未知分類，根據(jù)不同類型的核素采取不同的處理策略。

30、作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測方法的一種優(yōu)選方案，其中：所述包括，所述判斷核素的語義屬性包括，整合樣本數(shù)據(jù)和未知類型的核素對應的融合特征，并輸入預先訓練好的零樣本學習模型；

31、從收集的樣本數(shù)據(jù)中提取關鍵屬性，形成屬性矩陣，將得到的未知類型的核素對應的融合特征的特征向量與屬性矩陣合并，形成一個統(tǒng)一的輸入向量，

32、將輸入向量送入預先訓練好的零樣本學習模型中，模型通過學習不同核素之間的屬性關聯(lián)和模式，推斷未知類型的核素的語義屬性，原始零樣本學習模型利用在訓練階段學到的跨核素屬性關聯(lián)和模式，預測未知類型的核素的語義屬性，推測公式為：

33、f(x，θ)＝s

34、其中，f為屬性預測函數(shù)，θ為零樣本學習模型的參數(shù)，s為預測的未知類型的核素的語義屬性，x為未知類型核素的融合特征向量；對原始零樣本學習模型進行優(yōu)化，得到改進后的模型；

35、由于輸出s的值域為[0，1]，0表示不具有當前語義屬性，1表示具有當前語義屬性，預測的未知核素語義屬性的可能性隨輸出值的增大而增大。

36、作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測方法的一種優(yōu)選方案，其中：所述包括，所述生成建議決策包括，基于實時多模態(tài)數(shù)據(jù)得到的核素的基本屬性和擴展屬性整合成綜合屬性列表；收集從實時多模態(tài)數(shù)據(jù)中解析出的核素的基本屬性，整合擴展屬性，將屬性信息按照預定義的格式和結構，組成一個綜合屬性列表；

37、基于生成的綜合屬性列表計算風險指數(shù)，反映核素潛在的危險程度，根據(jù)預設的風險等級劃分標準，將計算出的風險指數(shù)映射到特定的風險等級，包括低風險、中風險、高風險；

38、riskindex(n)＝α1·r+α3·t+α4·tx

39、其中，riskindex(n)表示核素的毒性，α1、α2、α3、α4表示風險指數(shù)計算中的權重系數(shù)，r表示核素的放射性強度，，t表示核素的半衰期，tx表示核素的毒性；

40、設定一級風險的閾值為riskindexl，二級風險的閾值為riskindexm，三級風險的閾值為riskindexh，當riskindex(n)＜riskindexl時，將核素劃分為一級風險；當riskindexl≤riskindex(n)＜riskindexm時，將核素劃分為二級風險；當riskindex(n)≥riskindexh時，將核素劃分為三級風險；在三級分類中，二級和三級核素類型會產(chǎn)生競爭，通過進一步的分析和比對，使用模糊邏輯和相似度評估，來區(qū)分核素類型；

41、建立包含響應策略的策略庫，每種策略對應不同的風險等級和場景，當風險等級確定后，查詢策略庫中與之匹配的響應策略，根據(jù)實際情況和資源可用性，制定響應策略的執(zhí)行計劃，包括執(zhí)行順序、參與人員、所需物資，執(zhí)行選定的響應策略，同時監(jiān)控執(zhí)行效果，必要時調(diào)整策略或采取額外措施；

42、將所述風險等級和選擇的響應策略整理成報告，并傳達給操作人員。

43、本發(fā)明的另一個目的是提供一種放射性氣溶膠實時監(jiān)測系統(tǒng)，作為本發(fā)明所述的一種放射性氣溶膠實時監(jiān)測系統(tǒng)的一種優(yōu)選方案，其中：包括融合特征獲取模塊、核素識別模塊、核素屬性獲取模塊、決策生成模塊；

44、所述融合特征獲取模塊，用于采集目標區(qū)域內(nèi)氣溶膠監(jiān)測的實時多模態(tài)數(shù)據(jù)，并獲取所述實時多模態(tài)數(shù)據(jù)的融合特征；

45、所述核素識別模塊，用于利用預先訓練好的識別模型對所述實時多模態(tài)數(shù)據(jù)的融合特征進行核素識別，得到識別結果，其中，所述識別結果包括已知類型的核素和未知類型的核素；

46、所述核素屬性獲取模塊，用于基于所述識別結果，獲取核素的語義屬性，其中，若識別結果為已知類型的核素，從預定義的核素語義知識庫獲取已知類型的核素的語義屬性，若識別結果為未知類型的核素，利用預先訓練好的零樣本學習模型推測未知類型的核素的語義屬性；

47、所述決策生成模塊，用于基于所述實時多模態(tài)數(shù)據(jù)對應的核素的屬性，利用預定義的決策支持模型生成建議決策，以供操作人員參考

48、一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)一種放射性氣溶膠實時監(jiān)測方法的步驟。

49、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)一種放射性氣溶膠實時監(jiān)測方法的步驟。

50、本發(fā)明的有益效果：通過采集目標區(qū)域內(nèi)氣溶膠的實時多模態(tài)數(shù)據(jù)，并融合這些數(shù)據(jù)的特征，能夠獲取到更為全面和豐富的監(jiān)測信息，不僅提高了監(jiān)測數(shù)據(jù)的全面性和準確性，還能夠更好地適應復雜多變的環(huán)境條件；利用預先訓練好的識別模型對融合后的多模態(tài)數(shù)據(jù)進行核素識別，實現(xiàn)對已知類型和未知類型核素的快速準確識別。

51、針對未知類型的核素，通過引入零樣本學習模型，能夠基于已有的知識庫和學習經(jīng)驗，推測出未知核素的語義屬性，從而大大擴展了系統(tǒng)的識別范圍和適應性；最后，基于核素的屬性信息，利用預定義的決策支持模型生成建議決策，為操作人員提供了有力的技術支持，不僅能夠幫助操作人員及時了解放射性氣溶膠的污染狀況，還能夠指導他們采取合理的應對措施，以最大限度地減少放射性污染的風險。