CN101539241A - 一种管道泄漏监测网络的层级式多源数据融合方法 - Google Patents

Abstract

本发明公开了一种管道泄漏监测网络的层级式多源数据融合方法，包括：在监测网络的普通节点处，利用小波变换对传感器采集的各类原始泄漏检测信号进行数据级预处理，提取泄漏敏感的特征参量；建立基于蚁群神经网络的特征级数据融合模型，处理节点上各类传感器提取的泄漏特征参数，依据蚁群神经网络的输出结果构造证据的基本概率指派函数；在簇头节点处，使用证据组合规则进行证据合成，依据最大信任度值法做出最终决策。本发明提供一种从数据级、特征级到决策级的层级式多源泄漏检测数据融合方法，解决了管道泄漏监测网络的多源数据处理问题；该方法利用了网络内各类传感器采集的泄漏检测信息，有效提高了泄漏识别的准确率。

Description

一种管道泄漏监测网络的层级式多源数据融合方法

技术领域

本发明涉及管道泄漏检测技术领域，特别是基于无线传感器网络的管道泄漏监测网络中，一种基于小波神经网络和证据理论的多源检测数据融合方法。

背景技术

城市天然气供给体系是现代城市的“生命线”之一，其主要输配方式为管道传输。伴随着天然气管网越来越复杂、管线越来越长，重大的安全隐患问题愈加突出。由于管道劣化、老化、自然灾害和人为破坏等因素，管道泄漏以及由此引发的爆炸事故频频发生，严重威胁着城市天然气供给体系的安全。常见的管道泄漏原因有：泵站的开关所带来的应力、压力控制阀的误操作、处于腐蚀环境下管道的老化、埋管土壤潮湿及温度变化、通过公路时受压过大等。管道泄漏不仅会影响管输的正常运行，导致资源的损失，而且给人们的生命财产造成巨大威胁，成为公共安全的重大隐患，及时准确的识别出管道泄漏具有重要意义。

鉴于天然气管道泄漏带来的严重危害，国内外研究者发展了一些泄漏诊断方法，如：声发射法、负压波法、压力点分析法、质量平衡法、检测元件法、波阵面诊断法以、实时瞬变模型法和计算机建模法，等等，这些检测方法各有优缺点。基于上述泄漏检测原理或方法，英、美、德、瑞士等国相继研制出具有不同功能、满足不同应用场合的相关检漏仪及在线监控系统；单台仪器方面，如AQUASCAN、SoundSens和Questar超声探测器，等等。在线监控系统方面，最著名的是SCADA系统，用来对各站点运行状况进行实时监测和管理，其它泄漏检测系统还有ATMOS PIPE、LeakNet和LICMONITOR系统，等等。

尽管在管道泄漏检测方面取得了一定的研究成果，但还存在如下一些问题：1)基于单台泄漏检测仪器的人工定期巡检方式，效率低、实时性差，迫切需要网络化、自动化监测；2)已有的监控系统多用于长输管线检测，难以适用于强背景噪声、复杂工况下的城市天然气管道泄漏检测。

针对传统检测方法存在的不足，2005年，麻省理工学院、Intel、NETL(美国能源技术国家实验室)和帝国理工大学等单位，联合率先提出了基于无线传感器网络(Wireless SensorNetworks，WSN)的城市地下管网安全监测新思路。其核心思想在于：由众多具有感知、计算和无线通信能力的检测节点自组织成覆盖城市管网的监控网络，利用网络节点上的压力、声和流量等多类传感器采集管道的状态信息，以更全面的诊断出管道安全状况。该监测网络具有部署灵活、价格低廉、组网迅速和实时性强等优点，有较好的应用前景。随后，相关基础问题研究受到了学者的关注和政府部门的资助。例如，针对管道网络特点，开展了管道泄漏监测网络中服务质量的相关研究，提出了一种线性无线网络结构的组网通信协议，保证了检测网络通信的健壮性、安全性；2008年，美国马里兰大学的研究者，研制出用于管道泄漏检测的柔性WSN节点；2007年4月，美国西南研究院从美国能源与管道研究国际委员会获得了“天然气管道内部腐蚀监控”项目资助，研究用于检查管道内部腐蚀的无线传感器网络。

管道泄漏监测网络中，传感器受噪声、时变效应和环境变化等因素的影响，节点提供的检测信息具有不确定性和模糊性；针对同一泄漏事件，处于不同位置的节点可能做出不一致甚至相互矛盾的诊断结果，致使系统难以做出正确决策。具体来说，需要解决以下问题：(1)传感器采集信号的噪声剔除，实际泄漏检测环境中，管内管外不可避免存在大量干扰噪声，尤其是固定的干扰噪声，如汽车发动机、施工噪声以及管道阀门噪声其面临的噪声主要有：机械噪声(如摩擦、流体流动等)、电气噪声、传播途径引起的信号衰减和畸变；(2)单节点上异类传感器检测信息的相关性处理及冗余数据去除；(3)处于不同监测位置的多节点诊断结果间的联合决策。

针对以上问题，利用噪声与泄漏检测信号在各个尺度上的小波谱具有不同的表现，即随尺度增加，噪声的小波谱将逐渐消失，而泄漏信号的小波变换在大尺度上仍有清楚表现，可利用比较成熟的小波分析法对泄漏信号进行消噪处理，并提取出对泄漏敏感的特征参数。神经网络具有很强的自学习、自适应、自容错和模式识别能力，可解决泄漏诊断过程中数学建模难、信息不足和实时性差的问题。在众多的神经网络模型中，基于误差反向传播算法(BackPropagation，BP)神经网络的应用最为广泛和成熟。由于受训练样本选取、背景干扰噪声以及传感器时变效应等因素的影响，导致神经网络的诊断结果仍然存在一定的不准确性，同时不同检测节点间的报告结果可能相互冲突，给汇聚节点的决策带来较大的困难。D-S证据理论作为一种不确定性决策推理方法，在模式识别、信息融合和故障检测等领域得到了广泛应用。但是，基本概率赋值是利用证据理论进行决策分析的前提条件，其选取的好坏直接影响最终融合结果的准确性和有效性，目前大多完全依靠专家进行主观化赋值。若将神经网络处理后的初始识别结果作为独立的证据，则可实现基本概率分配赋值的客观化，使不确定信息的融合具有很强的鲁棒性，便于最终的决策处理。

发明内容

本发明的目的是提供一种基于小波神经网络和证据理论的多源泄漏检测数据融合方法，对网络中多个节点上多种传感器采集的泄漏检测信息进行层级式的融合处理，以降低单传感器或单节点泄漏识别过程中的不确定性，提高泄漏识别的准确率，利于簇头节点做出决策判断。

一种管道泄漏监测网络的层级式多源数据融合方法，具体包括以下步骤：

1、在普通节点处，利用小波变换对原始泄漏信号进行数据级预处理，提取对泄漏敏感的特征参数，具体方法为：

(1)选取小波基对泄漏信号进行分解；

由于不同的小波基具有不同的时频特性，因而对于同一个信号，用不同小波基进行分解，得到的结果并不是唯一的，小波基的选取是利用小波变换对信号进行分析的关键问题；本发明选择Symlets系列小波对信号进行变换，该小波基对泄漏信号敏感、能够突出泄漏信号的奇异特征、减小信号的失真、保证信号的精确重构以及良好的时频分析性能；

(2)选择小波分解尺度；

对含噪泄漏信号进行离散小波变换，小波分解的尺度越大，越利于消除噪声，但尺度太大有时会丢失信号的某些重要局部奇异性，因此，分解尺度的选择应根据实际要求来确定，具体方法为：小波分解的层数根据管道泄漏检测信号的频率特点来确定，设泄漏检测信号的采样频率是f_s KHz，最低识别频率为f_min KHz，则最大分解尺度n应满足：

$\frac{f_s}{2^{n+1}}\≥f_{\min }---\left(1\right)$

(3)依据式(1)计算得到的最大分解尺度n值，对泄漏信号进行n层小波分解；采用小波阈值法对分解后的信号进行信噪处理，然后进行小波重构，得到降噪后的泄漏信号，其原理是：利用信号和噪声在各个尺度上的小波谱具有不同的表现特性，选定一个适当的阈值，令小于阈值的系数为0，大于阈值的点变为该点值与阈值的差值。阈值选择时可有4种规则：1)用stein无偏风险估计原则选择适应阈值；2)采用固定的阈值，如选取sqrt(2＊log(length(X)))；3)启发式阈值选择，综合使用前两种方案选取阈值；4)采用极大极小准则选择阈值；本发明通过实验比较4种阈值去噪法的效果，选取启发式阈值法进行去噪，然后进行小波重构，得到降噪后的泄漏信号。

(4)对降噪后的信号进行时频域分析，提取反映管道泄漏的特征参数，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数。

2、建立并训练蚁群神经网络模型，将泄漏特征参数输入至训练好的蚁群神经网络诊断结构，进行特征级的数据融合，具体方法为：

(1)网络层数和各层神经元数的选取；

若隐含层有足够数量的神经元，三层神经网络可以精确逼近任何目标函数，为此，建立包含输入层、单隐含层和输出层的三层神经网络结构；

依据提取的对泄漏敏感的特征参数的数量，确定蚁群神经网络的输入层神经元数p；根据管道泄漏的级别q，确定蚁群神经网络输出层的神经元数q，其理想输出向量为T_out，例如，T_out＝(1，0，…，0)_1×q表示管道正常，T_out＝(0，0，…，1)_1×q表示管道发生严重泄漏；单隐含层的神经元数n₀，可根据下面的经验公式得到：

n₀＝2p+β                    (2)

其中，β为无量纲的修正参数，β＝1～10，p为输入神经层元数；

(2)优化神经网络的权值、阈值参数；

具体步骤如下：

①初始化参数，设标准神经网络模型中有m个待优化的权值参数p₁，p₂，...，p_m，对于任一参数p_i(1≤i≤m)，初始化为由N个随机的非零值构成的集合I_pi，N为自然数；蚂蚁的数量为S，且全部位于蚁巢，S的取值范围：集合I_pi(1≤i≤m)中的所有元素在初始时刻具有相同的信息素τ_j(I_pi)(t)＝C，C为量常，1≤j≤N；τ_j(I_pi)(t)表示集合I_pi中第j个元素在时刻t的信息素；初始时刻的迭代次数Nc＝0，最大的迭代次数为Nmax；

②启动所有蚂蚁，每只蚂蚁k(k＝1，2，...，S)依据以下概率从每个集合I_pi(1≤i≤m)中随机选择一个元素：

$P_j\left(I_{\mathrm{pi}}\right)=\left(t_j\left(I_{\mathrm{pi}}\right)\right)/\underset{u=1}{\overset{N}{\mathrm{\Σ}}}{t}_u\left(I_{\mathrm{pi}}\right)---\left(3\right)$

t_j(I_pi)表示本次循环中蚂蚁在集合I_pi的第j个元素留下的信息素；

③待所有蚂蚁在每个集合中都选择了一个元素后，用各蚂蚁所选权值作为神经网络参数，计算训练样本的输出误差，记录当前所选参数中的最优解；对所有集合I_pi(1≤i≤m)中各元素的信息素按下式进行调节：

${\mathrm{\τ}}_j\left(I_{\mathrm{pi}}\right)(t+m)={\mathrm{\ρ\τ}}_j\left(I_{\mathrm{pi}}\right)\left(t\right)+\underset{k=1}{\overset{s}{\mathrm{\Σ}}}{t}_j^k\left(I_{\mathrm{pi}}\right)---\left(4\right)$

其中，τ_j(I_pi)(t+m)表示集合I_pi中第j个元素在时刻t+m的信息素，参数ρ表示信息素的持久性，0≤ρ≤1；t_j ^k(I_pi)表示本次循环中第k只蚂蚁在集合I_pi的第j个元素P_j(I_pi)留下的信息素，其计算方法为：

式中：Q是常数，表示蚂蚁完成一次循环后所释放的信息素总和，用于调节信息素的调整速度；e是蚂蚁k选择的元素作为神经网络的权值时各训练样本的最大输出误差，定义为

$e^k=\underset{n=1}{\overset{h}{\max }}|O_n-O_q|---\left(6\right)$

其中，h是样本数目，O_n和O_q是神经网络的实际输出和期望输出，当误差越小时，信息素增加的就越多；

样本的训练误差 $e^k=\underset{n=1}{\overset{h}{\max }}|O_n-O_q|,$ 若e^k小于期望误差ζ，则存储当前所选阈值和权值；若e^k大于等于期望误差ζ，则令Nc＝Nc+1，t＝t+m，对所有集合I_pi中各元素的信息素按式(4)做调节，转至步骤②；

④重复步骤②、③，直到达到最大迭代次数，输出最优解，得到神经网络所需的各个权值参数，建立基于蚁群神经网络的特征级数据融合模型；

通过引入蚁群算法优化神经网络的权值，克服了标准BP神经网络易于陷入局部最优解的问题，并提高了网络的训练速度；

(3)将步骤一中得到的泄漏特征参数包括方根幅值、峭度和能量，输入至训练好的蚁群神经网络进行融合处理；

3、在簇头节点处对蚁群神经网络的初始识别结果进行证据合成，具体包括以下步骤：

根据管道的泄漏级别建立完备的泄漏识别框架Θ＝{A₁，A₂，...，A_q}，q表示管道泄漏级别数，取自然数；设泄漏事件所属的簇共有M个成员节点，得证据集{m_l(·)}，l＝1，2，...，M；对于簇内成员节点l上的蚁群神经网络，设其第g个输出神经元的值为O_l(g)，g＝1，2，...，q，该蚁群神经网络的识别准确率为α_l；依据泄漏点至簇成员节点的距离来评估各证据的权重，具体方法：以距离最近的簇内成员节点作为基准，该证据的权重为1，其它源节点的权重w_l通过自身距离与基准值间的比值来确定，具体的为：

$w_l=\sqrt[T]{\mathrm{\δ}/d_l}---\left(7\right)$

其中，1≤l≤M，δ＝min{d_l}，T为权重的影响因子，取自然数，d_l为节点l的传感器节点至泄漏点的距离；

则第l条证据的基本概率指派函数m_l(·)为：

$\left\{\begin{array}{c}{m}_l\left(A_g\right)=\sqrt[T]{\mathrm{\δ}/d_l}\frac{{\mathrm{\α}}_l{O}_l\left(g\right)}{{\mathrm{\Σ}}_{g=1}^n{O}_l\left(g\right)},A_g\≠\mathrm{\Θ}\\ m_l\left(\mathrm{\Θ}\right)=1-{\mathrm{\Σ}}_{A_g\⋐\mathrm{\Θ}}{m}_l\left(A_g\right)\end{array}\right.---\left(8\right)$

其中，A_g表示证据的焦元，l＝1，2，...，M，g＝1，2，...，q；

在簇头节点处，采用下面的D-S证据合成公式进行证据合成：

其中，K_l，g表示证据间的冲突大小，A表示证据l和证据g组合后的焦元，B、C分别表示证据l，g的焦元，m_l、m_g分别表示证据l，g的基本概率指派函数。

4、根据证据组合结果，做出最终决策。

确定性命题的信度大于未知命题的信度，且未知命题的信任度值小于预先设定的阈值ε₁；对于信度值最大的确定性命题，其信度与次最大信度之差大于预先设定的阈值ε₂，其中ε₁、ε₂是无量纲量，取值范围是0和1之间；若满足，则诊断结果为信任度值最大的命题，否则将不做判断，具体用下式来表述：

设A₁、A₂是泄漏识别框架Θ的两个命题集合，基本概率指派值分别为 $m\left(A_1\right)=\max \{m\left(A_k\right),A_k\⋐\mathrm{\Θ}\},$ $m\left(A_2\right)=\max \{m\left(A_k\right),A_k\⋐\mathrm{\Θ},A_k\≠A_1\},$ A_k表示泄露识别框架Θ中任意一个命题，若满足：

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.---\left(10\right)$

则诊断的结果为A₁，否则不做决策。

本发明的优点在于：

(1)本发明采用从数据级、特征级到决策级的多级数据融合处理，充分利用了网络内不同节点上各类传感器所采集的泄漏检测信息，可有效的提高管道泄漏识别的准确率；

(2)采用小波分解方法，可有效的剔除原始泄漏检测信号中的噪声，提取出对泄漏敏感的特征参数；

(3)通过引入蚁群算法优化神经网络的权值参数，可以提高神经网络的收敛速度，避免了神经网络陷入局部极小值，实现了对异类泄漏特征参数的有效融合，提高了簇内成员节点的泄漏识别准确率；

(4)通过在簇头节点处进行证据合成，可有效的克服蚁群神经网络融合可能存在的误识别问题，避免了簇头节点不做决策或误决策现象。

附图说明

图1为本发明应用中的监控网络结构；

图2为本发明的方法流程图；

图3为本发明中的5层多尺度小波分解树结构；

图4为本发明蚁群算法优化神经网络的权值和阈值参数的流程图。

图中：

1-普通传感器节点    2-簇头节点      3-中心节点    4-簇

5-管道              6-某一个位置    7-后台监控主机

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

图1给出了利用无线传感器网络进行管道安全监控的系统结构，包括普通传感器节点1、簇头节点2和中心节点3，普通传感器节点1间可采用管内或管外射频无线通信方式，采用分簇的网络结构以降低协议设计和网络管理的复杂度，同时满足新加管道对网络可扩展性的需求；普通传感器节点1上装有声发射、压力等多类传感器，沿管道安装，簇头节点2可安装于地面上，负责融合处理簇内普通传感器节点1的检测数据，并将最终的诊断结果发送至中心节点3；簇4由M个普通传感器节点1和一个簇头节点2构成；某一时刻，在管道5的某一个位置6处发生泄漏事故。中心节点3通过串口线建立与后台监控主机7间的交互式通讯进行连接，图形化显示远程监控网络运行状态，并管理和维护网络中的节点。

本发明是一种管道泄漏监测网络的层级式多源数据融合方法，流程如图2所示，具体包括以下步骤：

1、在普通节点处，利用小波变换对原始泄漏信号进行数据级预处理，然后提取对泄漏敏感的特征参数；

利用小波变换方法对原始泄漏信号进行消噪处理。选择对泄漏信号敏感、能够突出泄漏信号的奇异特征、减小信号的失真、保证信号的精确重构以及良好的时频分析性能的Symlets小波基，对普通节点上各类传感器提取的原始管道泄漏检测信号进行n层小波分解；

本发明选取n＝5，此时可实现较好的信噪分离，如图3所示，Bi，i＝1，2，3，4，5，为信号的低频分解部分，Di，i＝1，2，3，4，5，为信号的高频分解部分，选取启发式阈值法进行去噪，然后进行小波重构，得到降噪后的泄漏信号S：

S＝B5+D5+D4+D3+D2+D1                    (11)

提取能够较好地反映泄漏特征的统计指标作为蚁群神经网络的输入特征向量，如峰值X_amax、平均幅值X_am、方差X_avr、方根幅值X_r、峭度X_k和能量比分布系数X_e的具体计算方法为：

X_amax＝max{|x_i|}             (12)

$X_{\mathrm{am}}=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left|x_i\right|---\left(13\right)$

$X_{\mathrm{avr}}=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x})}^2---\left(14\right)$

$X_r={\left[\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left|x_i\right|}^{1/2}\right]}^2---\left(15\right)$

$X_{\mathrm{kf}}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x})}^4---\left(16\right)$

$X_e=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left(x_i\right)}^2---\left(17\right)$

其中x_i(i＝1，2，...，n)表示重构信号各离散点的值。

2、建立并训练蚁群神经网络模型，将泄漏特征参数输入至训练好的蚁群神经网络结构，进行特征级的数据融合，具体方法为：

(1)确定网络结构和各层神经元数。

采用包含输入层、单隐含层和输出层的三层神经网络结构，依据提取的对泄漏敏感的特征参数，如均值、峰值、方根幅值、方差和峭度，确定蚁群神经网络的输入层神经元数p；根据管道泄漏的级别q，确定蚁群神经网络输出层的神经元数q，其理想输出向量为T_out；根据公式(2)确定单隐含层神经元数n₀；

(2)引入蚁群算法优化神经网络的权值、阈值参数，具体流程如图4所示：

①初始化参数，设神经网络模型中有m个待优化的权值或阈值参数p₁，p₂，...，p_m，对于任一参数p_i(1≤i≤m)，初始化为由N个随机的非零值构成的集合I_pi，集合I_pi(1≤i≤m)中所有元素具有相同的信息素C，蚂蚁的数量为S，迭代次数Nc＝0，t＝0，最大的迭代次数为Nmax；

②判断若Nc小于Nmax，对于任意一只蚂蚁k(k＝1，2，...，S)，依据式(3)得到的概率随机地从集合I_pi中选择第j个元素；

若Nc等于Nmax，存储当前所选权值和阈值；

③待所有蚂蚁在每个集合中都选择了一个元素后，用各蚂蚁所选权值作为神经网络参数，计算样本的训练误差 $e^k=\underset{n=1}{\overset{h}{\max }}|O_n-O_q|,$ 若e^k小于期望误差ζ，则存储当前所选阈值和权值；若e^k不小于期望误差ζ，则令Nc＝Nc+1，t＝t+m，对所有集合I_pi(1≤i≤m)中各元素的信息素按式(4)做调节，转至步骤②；

④重复步骤②、③，直到达到最大迭代次数，输出最优解；

(3)将当前提取到的时域泄漏特征参数包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数，输入至训练好的蚁群神经网络进行泄漏识别。

3、在簇头节点处对蚁群神经网络的初始识别结果进行证据合成，具体方法为：

假设泄漏识别框架Θ＝{A₁，A₂，...，A_q}，q表示管道泄漏级别数，取自然数；簇内共有M个成员节点，并将各自的蚁群神经网络输出结果多跳发送至簇头节点，可得证据集{m_l(·)}(l＝1，2，...，M)。

基于蚁群神经网络的输出结果、识别准确率和证据源的可靠度，构造证据的基本概率指派函数，具体方法为：设普通节点l(l＝1，2，...，M)的第g(g＝1，2，...，n)个输出神经元的值为O_l(g)，通过输入测试样本计算得到蚁群神经网络的识别准确率为α_l；

以距离最近的簇内成员节点作为基准，该证据的权重为1，其它源节点的权重w_i可通过自身距离与基准值间的比值来确定，即通过式(7)得到簇内成员节点的权重。各证据的基本概率指派值根据式(8)可得。

最后，利用D-S证据组合公式(9)对各证据的基本概率指派函数进行证据合成。

4、根据证据组合结果，做出最终决策。

基于证据组合以后的结果，利用决策规则式(10)做出最终决策，判断管道发生泄漏的级别。

Claims (3)

1、一种管道泄漏监测网络的层级式多源数据融合方法，其特征在于，包括以下步骤：

步骤一、在普通节点处，利用小波变换对原始泄漏信号进行数据级预处理，并提取对泄漏敏感的特征参数；

(1)选取小波基对泄漏信号进行分解；

选取Symlets小波对传感器提取的原始管道泄漏检测信号进行小波分解；

(2)选择小波分解尺度；

设管道泄漏检测信号的采样频率是f_sKHz，最低识别频率为f_min KHz，则最大分解尺度n应满足：

$\frac{f_s}{2^{n+1}}\&GreaterEqual;f_{\min }---\left(1\right)$

(3)依据式(1)计算得到最大分解尺度n值，对泄漏信号进行n层小波分解；选取启发式阈值法对分解后的信号进行去噪；

(4)对降噪后的信号进行时频域分析，提取反映管道泄漏的特征参数，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数；

步骤二、建立并训练蚁群神经网络数据融合模型，将泄漏特征参数输入至训练好的蚁群神经网络结构，进行特征级的数据融合；

(1)网络层数和各层神经元数的选取；

建立包含输入层、单隐含层和输出层的三层神经网络结构；

依据步骤一中提取的对泄漏敏感的特征参数的数量，确定蚁群神经网络的输入层神经元数p；根据管道泄漏的级别数q，确定蚁群神经网络输出层的神经元数为q；单隐含层的神经元数n₀：

n₀＝2p+β(2)

其中，β为无量纲的修正参数，β＝1～10，p为输入层神经元数；

(2)优化神经网络的权值参数；

具体步骤如下：

①初始化参数，设标准神经网络模型中有m个待优化的权值参数p₁，p₂，...，p_m，对于

任一参数p_i，1≤i≤m，初始化为由N个随机的非零值构成的集合I_pi，N为自然数；蚂蚁的数量为S，且全部位于蚁巢，S的取值范围：

集合I_pi中的所有元素在初始时刻具有相同的信息素τ_j(I_pi)(t)＝C，C为量常，1≤j≤N，τ_j(I_pi)(t)表示集合I_pi中第j个元素在时刻t的信息素；初始时刻的迭代次数Nc＝0，最大的迭代次数为Nmax；

②启动所有蚂蚁，每只蚂蚁k，k＝1，2，...，S，依据以下概率从每个集合I_pi中随机选择一个元素：

$P_j\left(I_{\mathrm{pi}}\right)=\left(t_j\left(I_{\mathrm{pi}}\right)\right)/\underset{u=1}{\overset{N}{\mathrm{\&Sigma;}}}{t}_u\left(I_{\mathrm{pi}}\right)---\left(3\right)$

其中，t_j(I_pi)表示本次循环中蚂蚁在集合I_pi的第j个元素留下的信息素，u为自然数，取值为1≤u≤N；

③待所有蚂蚁在每个集合中都选择了一个元素后，用各蚂蚁所选权值作为神经网络参数，计算训练样本的输出误差，记录当前所选参数中的最优解；对所有集合I_pi中各元素的信息素按下式进行调节：

${\mathrm{\&tau;}}_j\left(I_{\mathrm{pi}}\right)(t+m)=\mathrm{\&rho;}{\mathrm{\&tau;}}_j\left(I_{\mathrm{pi}}\right)\left(t\right)+\underset{k=1}{\overset{s}{\mathrm{\&Sigma;}}}{t}_j^k\left(I_{\mathrm{pi}}\right)---\left(4\right)$

其中，τ_j(I_pi)(t+m)表示集合I_pi中第j个元素在时刻t+m的信息素，参数ρ表示信息素的持久性，0≤ρ≤1；t_j ^k(I_pi)表示本次循环中第k只蚂蚁在集合I_pi的第j个元素P_j(I_pi)留下的信息素，其计算方法为：

式中：Q是常数，表示蚂蚁完成一次循环后所释放的信息素总和；e^k是蚂蚁k选择的元素作为神经网络的权值时各训练样本的最大输出误差，定义为

$e^k=\underset{n=1}{\overset{h}{\max }}|O_n-O_q|---\left(6\right)$

其中，h是样本数目，O_n和O_q是神经网络的实际输出和期望输出，当误差越小时，信息素增加的就越多；

样本的训练误差 $e^k=\underset{n=1}{\overset{h}{\max }}|O_n-O_q|,$ 若e^k小于期望误差ζ，则存储当前所选阈值和权值；若e^k大于等于期望误差ζ，则令Nc＝Nc+1，t＝t+m，对所有集合I_pi中各元素的信息素按式(4)做调节，转至步骤②；

④重复步骤②、③，直到达到最大迭代次数，输出最优解，得到神经网络所需的各个权值参数，建立基于蚁群神经网络的特征级数据融合模型；

(3)将步骤一中得到的泄漏特征参数，包括峰值、平均幅值、方差、方根幅值、峭度和能量比分布系数，输入至训练好的蚁群神经网络模型进行融合处理；

步骤三、在簇头节点处，对蚁群神经网络的初始识别结果进行证据合成；

对蚁群神经网络的识别结果进行归一化处理，构造证据的基本概率指派函数；在簇头节点处，采用证据组合公式进行证据合成；

步骤四、根据证据组合结果，做出最终决策；

根据证据组合结果，若信任度值最大的命题满足预先设定的阈值条件，则该命题为决策的目标，否则不做决策。

2、根据权利要求1所述的一种管道泄漏监测网络的层级式多源数据融合方法，其特征在于：所述的步骤三中在簇头节点处对蚁群神经网络的初始识别结果进行证据合成，具体方法为：

根据管道的泄漏级别建立完备的泄漏识别框架Θ＝{A₁，A₂，...，A_q}，q表示管道泄漏级别数，取自然数；设泄漏事件所属的簇共有M个成员节点，得证据集{m_l(·)}，l＝1，2，...，M；对于簇内成员节点l上的蚁群神经网络，设其第g个输出神经元的值为O_l(g)，g＝1，2，...，q，该蚁群神经网络的识别准确率为α_l；依据泄漏点至簇成员节点的距离来评估各证据的权重，具体方法：以距离最近的簇内成员节点作为基准，该证据的权重为1，其它源节点的权重w_l通过自身距离与基准值间的比值来确定，具体的为：

$w_l=\sqrt[T]{\mathrm{\&delta;}/d_l}---\left(7\right)$

其中，1≤l≤M，δ＝min{d_l}，T为权重的影响因子，取自然数，d_l为节点l的传感器节点至泄漏点的距离；

则第l条证据的基本概率指派函数m_l(·)为：

$\left\{\begin{array}{c}{m}_l\left(A_g\right)=\sqrt[T]{\mathrm{\&delta;}/d_l}\frac{{\mathrm{\&alpha;}}_l{O}_l\left(g\right)}{{\mathrm{\&Sigma;}}_{g=1}^n{O}_l\left(g\right)},A_g\&NotEqual;\mathrm{\&Theta;}\\ m_l\left(\mathrm{\&Theta;}\right)=1-{\mathrm{\&Sigma;}}_{A_g\&Subset;\mathrm{\&Theta;}}{m}_l\left(A_g\right)\end{array}---\left(8\right)\right.$

其中，A_g表示证据的焦元，l＝1，2，...，M，g＝1，2，...，q；

在簇头节点处，采用下面的D-S证据合成公式进行证据合成：

其中，K_lg表示证据间的冲突大小，A表示证据l和证据g组合后的焦元，B、C分别表示证据l，g的焦元，m_l、m_g分别表示证据l，g的基本概率指派函数。

3、根据权利要求1所述的一种管道泄漏监测网络的层级式多源数据融合方法，其特征在于，所述的步骤四采用最大信任度函数值法做出最终决策，具体包括：

确定性命题的信度大于未知命题的信度，且未知命题的信任度值小于预先设定的阈值ε₁；对于信度值最大的确定性命题，其信度与次最大信度之差大于预先设定的阈值ε₂，其中ε₁、ε₂是无量纲量，取值范围是0和1之间；若满足，则诊断结果为信任度值最大的命题，否则将不做判断，具体如下：

设A₁、A₂是泄漏识别框架Θ的两个命题集合，基本概率指派值分别为 $m\left(A_1\right)=\max \{m\left(A_k\right),A_k\&Subset;\mathrm{\&Theta;}\},$ $m\left(A_2\right)=\max \{m\left(A_k\right),A_k\&Subset;\mathrm{\&Theta;}{,A}_k\&NotEqual;A_1\},$ A_k表示泄露识别框架Θ中任意一个命题，若满足：

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.---\left(10\right)$

则诊断的结果为A₁，否则不做决策。

Images