买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京大学申请的专利基于大数据分析的大气污染立体监测系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119207646B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411709303.0，技术领域涉及：G16C20/70；该发明授权基于大数据分析的大气污染立体监测系统是由周德荣;丁爱军;迟旭光;朱才俊设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本基于大数据分析的大气污染立体监测系统在说明书摘要公布了：本发明公开了基于大数据分析的大气污染立体监测系统，包括数据采集模块、数据预处理模块、子聚类生成模块、最佳聚类中心数量选择模块、聚类优化模块和大气污染立体监测模块。本发明属于大气污染监测技术领域，具体是指基于大数据分析的大气污染立体监测系统，本方案引入阈值和判定距离的设定，选择性形成点对相似性矩阵；以减少数据存储空间和计算量；加快收敛效果；引入核心数据点；基于核心数据点和轮廓系数选择最佳聚类中心；基于聚类超参数建立搜索空间，基于个体位置与优选个体位置对个体制定不同的移动策略，提高了算法的收敛速度和搜索效率；并对适应度值最低的三个个体进行重初始化；基于聚类优化实现大气污染立体监测。

本发明授权基于大数据分析的大气污染立体监测系统在权利要求书中公布了：1.基于大数据分析的大气污染立体监测系统，其特征在于：系统包括数据采集模块、数据预处理模块、子聚类生成模块、最佳聚类中心数量选择模块、聚类优化模块和大气污染立体监测模块； 所述数据采集模块历史监测数据和实时监测数据； 所述数据预处理模块对采集的数据进行数据清洗、数据转换和标准化处理； 所述子聚类生成模块引入阈值和判定距离的设定，选择性形成点对相似性矩阵，分配数据点时确保每次只选择一个最邻近的点；进而得到子聚类； 所述最佳聚类中心数量选择模块引入核心数据点；基于核心数据点和轮廓系数选择最佳聚类中心； 所述聚类优化模块基于聚类超参数建立搜索空间，基于个体位置与优选个体位置对个体制定不同的移动策略；并对适应度值最低的三个个体进行重初始化；以实现聚类优化； 所述大气污染立体监测模块基于优化后的聚类结果对实时监测数据进行大气污染立体监测； 所述子聚类生成模块具体包括以下内容： 初始点对相似性矩阵形成单元，预先设有距离阈值；对于数据集中的每对数据点pi和pj，基于欧几里得距离计算数据点相似性dij；若dij不大于，则将点对和对应相似性添加到点对相似性矩阵中； 数据聚类单元，从初始点对相似性矩阵选择最大距离作为判定距离，随机初始化第一个聚类中心； 数据点分配单元，查找与当前聚类中心最近且距离不大于的点，将其添加到当前聚类中；确保每次只选择一个最邻近的点；当不存在符合条件的点时，转至更新聚类中心单元； 更新聚类中心单元，若存在未被分配的数据点，则选择与聚类中心的距离大于的数据点作为新一代聚类中心，并转至数据点分配单元；否则转至迭代单元； 迭代单元，若未达到最大迭代次数或聚类未收敛，则将作为距离阈值更新点对相似性矩阵，选择当前聚类的中心点作为新聚类中心，并转至数据点分配单元；若达到最大迭代次数，则重新初始化第一个聚类中心；否则子聚类生成结束； 其特征在于：所述聚类优化模块具体包括以下内容： 初始化单元，基于距离阈值、子聚类的初始第一个聚类中心、多聚类时不同数量聚类中心对应的判定距离及初始第一个聚类中心建立搜索空间；随机初始化搜索种群位置，将基于个体位置聚类迭代k次的簇的平均轮廓系数作为个体适应度值； 位置更新单元，选择适应度值最高的三个个体作为优选个体，分别用a、b和c表示；对个体进行位置更新，所用公式如下： ； ； 式中，Xi·是除优选个体外第i个个体的位置，t表示迭代次数；Xa（·）、Xb（·）和Xc（·）是优选个体的位置Fa、Fb和Fc是优选个体对应的适应度值；i∈a、i∈b和i∈c分别表示第i个个体距离a、b和c最近；Y·是优选个体的位置；T是最大迭代次数；是优选个体平均位置；是平滑项； 重初始化单元，对于适应度值最低的三个个体进行初始化，所用公式如下： ； 式中，newXd·和Xd·分别是初始化之后和初始化之前适应度最低的三个个体第d维度的位置，Ld和Ud分别是第d维度搜索空间的上限和下限； 搜索判定单元，预先设有适应度阈值，当存在个体适应度值高于适应度阈值时，基于个体位置对数据集进行聚类处理，得到优化后的最终聚类结果；若达到最大迭代次数，则重新初始化种群位置；否则重新选择优选个体继续迭代搜索； 所述最佳聚类中心数量选择模块具体包括以下内容： 核心数据集生成单元，初始化核心数据集为空；对于每个子聚类，选择距离子聚类中心点最近的数据点、选择子聚类中距离其他子聚类最近的点和子聚类中具有最大密度的点作为核心数据点；将所有子聚类的核心数据点添加到核心数据集； 核心相似性矩阵生成单元，计算核心数据集中所有数据点之间的欧几里得距离，得到核心相似性矩阵； 多聚类单元，选择不同数量的聚类中心及对应判定距离基于核心相似性矩阵进行聚类处理，随机初始化第一个聚类中心，聚类过程与数据点分配单元至迭代单元相同；当聚类收敛时，基于轮廓系数对不同数量聚类中心的聚类结果进行评估，选择评估值最大的聚类结果对应的聚类中心数量作为最佳聚类中心数量； 最终聚类单元，基于最佳聚类中心数量对原数据集进行聚类处理；具体为，从核心数据集中随机选择数据点作为初始化的第一个聚类中心，每次选择与当前聚类中心距离最远的数据点作为聚类中心直至达到最佳聚类中心数量；基于数据点分配单元对数据点进行分配；而更新聚类中心时选择簇的中心点作为新一代聚类中心；若聚类收敛，则最终聚类完成；若达到最大迭代次数，则重新初始化第一个聚类中心；否则继续迭代聚类； 在数据采集模块中，所述历史监测数据和实时监测数据都包括污染物浓度数据、气象数据、辅助数据和地理信息数据；所述污染物浓度数据包括颗粒物浓度数据、空气污染物浓度数据和有机物质浓度数据；所述气象数据包括温度、湿度、风速、风向和大气压力；所述辅助数据包括交通流量数据和工业生产数据；所述地理信息数据包括人口密度、地形和土地利用；所述历史监测数据还包括大气污染等级； 所述大气污染立体监测模块是基于优化后的最终聚类结果，选择具有最多数量的历史数据的标签作为簇标签；将实时数据所属簇标签作为实时数据最终监测结果进行输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京大学，其通讯地址为：210023 江苏省南京市栖霞区仙林大道163号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。