CN103971005B - 一种靠近湖泊岸边的污染源定位方法 - Google Patents
一种靠近湖泊岸边的污染源定位方法 Download PDFInfo
- Publication number
- CN103971005B CN103971005B CN201410205323.4A CN201410205323A CN103971005B CN 103971005 B CN103971005 B CN 103971005B CN 201410205323 A CN201410205323 A CN 201410205323A CN 103971005 B CN103971005 B CN 103971005B
- Authority
- CN
- China
- Prior art keywords
- moment
- formula
- lambda
- vectorial
- water body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明涉及一种靠近湖泊岸边的污染源定位方法。其技术方案是:将tk时刻的N个传感器节点测量的水体离子浓度时刻的待求向量X的后验估计和tk‑1时刻的误差协方差矩阵用动态数据处理模块进行处理,得到tk时刻的待求向量X的后验估计和tk时刻的误差协方差矩阵k:=k+1,再调用动态数据处理模块,直至计算出k=L时的tL时刻的待求向量X的后验估计则为所求的污染源的横坐标,
Description
技术领域
本发明属于污染源定位技术领域。具体涉及一种靠近湖泊岸边的污染源定位方法。
背景技术
湖泊是工农业用水、居民饮用水的重要水源。近年来,水污染事件的频发已引起人类的广泛关注,湖泊水体的污染给社会、经济和人们的生活带来了不可估量的损失。由于湖泊水体的污染主要来自工业废水、废渣和生活垃圾的沿岸排放,因此,靠近湖泊岸边污染源的定位对保护水资源具有重要意义。
现有靠近湖泊岸边的污染源定位方法有:近似函数法和非线性最小二乘法。近似函数法是在已知污染源扩散模型的基础上,用分段函数近似污染源扩散模型中的非线性函数,得到分段扩散模型。分段扩散模型将扩散过程简化为不稳定阶段和稳定阶段。采用该方法时需提前给定浓度阈值以判定扩散处于哪个阶段,然后选择处于同一阶段的两个测量值计算出污染源的位置。然而在实际应用中该浓度阈值难以预先确定,该方法不易实现。并且该方法忽略了过渡阶段的浓度信息,影响了定位精度。该方法的定位效果严重依赖于被选取的少量传感器节点的测量值,所以此方法易受测量噪声的干扰,定位结果的稳定性差。
非线性最小二乘法是在实际的约束条件下,满足测量的浓度值与理论的浓度值之差最小时的参数估计。该方法在每个测量时刻都有历史时刻的测量值和当前时刻的测量值参与最小二乘数值运算,然而随着测量次数的增加,数据量会急剧增长,在不同的测量时刻有重复而繁杂的最小二乘数值计算,因此该方法数据存储量大、工作效率低和耗时长。
发明内容
本发明旨在克服现有技术中的不足,目的是提供一种易实现、定位精度高、工作效率高和耗时短的靠近湖泊岸边的污染源定位方法。
为实现上述目的,本发明采用的技术方案的具体步骤是:
步骤1、以岸边为纵轴,以垂直于岸边为横轴,在水平面上建立直角坐标系。设污染源在(α,β)处从τ时刻连续释放污染物,污染源的质量流率为Q,以污染源的横坐标α、污染源的纵坐标β、污染源的初始扩散时间τ和污染源的质量流率Q为未知量组成待求向量X,待求向量X=(α,β,τ,Q)T;传感器节点的总个数为N,传感器节点共测量了L个时刻的水体离子浓度,第i(i=1,...,N)个传感器节点(xi,yi)在tk(k=1,...,L)时刻测量的水体离子浓度为:
式(1)中:是第i个传感器节点(xi,yi)在tk时刻的测量噪声,kg/m3;
的均值为0,的方差为Di,(kg/m3)2;
Z(xi,yi,tk,X)表示tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度,kg/m3;
式(2)中:ξ为补量纲常量,tunit为时间单位,h;
Ri为第i个传感器节点(xi,yi)到污染源(α,β)的距离,m;
为第i个传感器节点(xi,yi)到镜像污染源(-α,β)的距离,m;
erfc(x)=1-erf(x) (5)
f为水体平均深度,m;
d为同向扩散系数,m2/h。
步骤2、设t0时刻的待求向量X的后验估计为设t0时刻的误差协方差矩阵为 其中: 依次为t0时刻的污染源的横坐标的估计方差、t0时刻的污染源的纵坐标的估计方差、t0时刻的污染源的初始扩散时间的估计方差和t0时刻的污染源的质量流率的估计方差;令k=1。
步骤3、将tk时刻的N个传感器节点测量的水体离子浓度时刻的待求向量X的后验估计和tk-1时刻的误差协方差矩阵用动态数据处理模块进行处理,得到tk时刻的待求向量X的后验估计和tk时刻的误差协方差矩阵
步骤4、k:=k+1,跳转到步骤3,直至计算出k=L时的tL时刻的待求向量X的后验估计 和误差协方差矩阵
步骤5、在tL时刻的待求向量X的后验估计中,为所求的污染源的横坐标,为所求的污染源的纵坐标。
2、根据权利要求1所述的靠近湖泊岸边的污染源定位方法,其特征在于所述的用动态数据处理模块进行处理的步骤是:
步骤(1)、由tk-1时刻的待求向量X的后验估计和tk-1时刻的误差协方差矩阵得到tk时刻的第1个Sigma点第p+1个Sigma点和第q+1个Sigma点
式(7)中:表示开方矩阵的第p行;
式(8)中:表示开方矩阵的第(q-n)行。
计算tk时刻第1个Sigma点第p+1个Sigma点和第q+1个Sigma点依次对应的权值W0、Wp和Wq:
式(7)(8)(9)(10)(11)中:n为待求向量X的维数,n=4。
步骤(2)、预测tk时刻各传感器节点(xi,yi)(i=1,...,N)处的水体离子浓度
式(12):W0、Wp和Wq依次同式(9)、式(10)和式(11);
和依次同式(6)、式(7)和式(8);
n为待求向量X的维数,n=4;
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度;
步骤(3)、计算tk时刻的待求向量X的后验估计和tk时刻的误差协方差矩阵首先计算tk时刻的待求向量X的后验估计
式(13)中:为tk时刻的待求向量X的先验估计,
Gk是tk时刻的增益矩阵,Gk用于修正tk时刻的待求向量X的先验估计得到tk时刻的待求向量X的后验估计
和依次表示第1个传感器节点、第2个传感器节点和第N个传感器节点在tk时刻测量的水体离子浓度;
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度;
式(14)中:为tk-1时刻的待求向量X的后验估计。
式(15)中:
Sk=Rk+PZZ (17)
式(16):W0、Wp和Wq依次同式(9)、式(10)和式(11);
和依次同式(6)、式(7)和式(8);
为tk时刻的待求向量X的先验估计,同式(14);
n为待求向量X的维数,n=4;
式(18)中:同式(6);
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第1个传感器节点(x1,y1)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第2个传感器节点(x2,y2)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第N个传感器节点(xN,yN)处的理论水体离子浓度;
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度。
式(19)中:同式(7);
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第1个传感器节点(x1,y1)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第2个传感器节点(x2,y2)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第N个传感器节点(xN,yN)处的理论水体离子浓度;
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度。
式(20)中:同式(8);
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第1个传感器节点(x1,y1)处的理论水体离子浓度;
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第2个传感器节点(x2,y2)处测量的理论水体离子浓度;
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第N个传感器节点(xN,yN)处的理论水体离子浓度;
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度。
式(17)中:Rk是测量噪声的协方差矩阵,所述测量噪声的协方差矩阵为对角矩阵,
式(22)中:W0、Wp和Wq依次同式(9)、式(10)和式(11);
ΔZ0、ΔZp和ΔZq依次同式(18)、式(19)和式(20);
n为待求向量X的维数,n=4。
然后计算误差协方差矩阵
式(23)中:
Gk和Sk依次同式(15)和式(17);
式(24)中:为tk-1时刻的误差协方差矩阵。
由于采用上述技术方案,本发明与现有技术相比具有如下经济效果:
本发明无需提前给定阈值,用每个时刻的测量值去更新待求向量X的先验估计得到待求向量X的后验估计,在实际定位操作中简单易行;其次,本发明中测量的浓度数据可以包含整个扩散过程的信息,避免了因忽略过渡阶段影响定位精度的问题;然后,本发明在每个测量时刻均处理了所有传感器节点(xi,yi)(i=1,...,N)的测量数据,由于在每个测量时刻都考虑到了所有传感器节点(xi,yi)(i=1,...,N)的测量噪声Vi (k)(i=1,...,N),该方法的定位效果相对稳定。
本发明在定位计算过程中只需保存当前时刻的测量值、上一时刻的待求向量X的后验估计和上一时刻的误差协方差矩阵,用当前时刻的测量值去更新待求向量X的先验估计,计算过程中不需要保存和计算历史测量数据。故本发明具有工作效率高和耗时短的优点。
因此,本发明具有易实现、定位精度高、工作效率高和耗时短的特点。
具体实施方式
下面结合具体实施方式对本发明作进一步的描述,并非对保护范围的限制:
实施例1
一种靠近湖泊岸边的污染源定位方法。该方法的具体步骤是:
步骤1、以岸边为纵轴,以垂直于岸边为横轴,在水平面上建立直角坐标系。设污染源在(α,β)处从τ时刻连续释放污染物,污染源的质量流率为Q,以污染源的横坐标α、污染源的纵坐标β、污染源的初始扩散时间τ和污染源的质量流率Q为未知量组成待求向量X,待求向量X=(α,β,τ,Q)T;传感器节点的总个数为8,传感器节点共测量了5个时刻的水体离子浓度,8个传感器节点(xi,yi)(i=1,...,8)在tk(k=1,...,5)时刻测量的水体离子浓度见表1.1。
表1.1
第i(i=1,...,8)个传感器节点(xi,yi)在tk(k=1,...,5)时刻测量的水体离子浓度为:
式(1)中:是第i个传感器节点(xi,yi)在tk时刻的测量噪声,kg/m3;
的均值为0,的方差为Di,(kg/m3)2;8个传感器节点(xi,yi)(i=1,...,8)在tk(k=1,...,5)时刻的测量噪声的方差见表1.2;
Z(xi,yi,tk,X)表示tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度,kg/m3;
式(2)中:ξ为补量纲常量,tunit为时间单位,h;
Ri为第i个传感器节点(xi,yi)到污染源(α,β)的距离,m;
为第i个传感器节点(xi,yi)到镜像污染源(-α,β)的距离,m;
erfc(x)=1-erf(x) (5)
f为水体平均深度,f=10m;
d为同向扩散系数,d=0.5m2/h。
表1.2
步骤2、设t0=0h时刻的待求向量X的后验估计为设t0=0h时刻的误差协方差矩阵为其中:4、4、4和100依次为t0=0h时刻的污染源的横坐标的估计方差、t0=0h时刻的污染源的纵坐标的估计方差、t0=0h时刻的污染源的初始扩散时间的估计方差和t0=0h时刻的污染源的质量流率的估计方差;令k=1。
步骤3、将t1=6h时刻的8个传感器节点测量的水体离子浓度时刻的待求向量X的后验估计和t0=0h时刻的误差协方差矩阵用动态数据处理模块进行处理。
步骤3.1、由t0=0h时刻的待求向量X的后验估计和t0=0h时刻的误差协方差矩阵得到t1=6h时刻的第1个Sigma点第p+1个Sigma点和第q+1个Sigma点
式(7)中:表示开方矩阵的第p行;
式(8)中:表示开方矩阵的第(q-4)行。
t1=6h时刻的9个Sigma点如下:
计算t1=6h时刻第1个Sigma点第p+1个Sigma点和第q+1个Sigma点依次对应的权值W0、Wp和Wq:
t1=6h时刻的9个Sigma点依次对应的权值如下:
W0=0.2;W1=0.1;W2=0.1;W3=0.1;W4=0.1;W5=0.1;W6=0.1;W7=0.1;W8=0.1。
步骤3.2、预测t1=6h时刻各传感器节点(xi,yi)(i=1,...,8)处的水体离子浓度
式(12):W0、Wp和Wq依次同式(9)、式(10)和式(11);
和依次同式(6)、式(7)和式(8);
表示当待求向量X为t1=6h时刻的第1个Sigma点时,t1=6h时刻第i个传感器节点(xi,yi)处的理论水体离子浓度:
当待求向量X为t1=6h时刻的第1个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
表示当待求向量X为t1=6h时刻的第p+1个Sigma点时,t1=6h时刻第i个传感器节点(xi,yi)处的理论水体离子浓度;
当待求向量X为t1=6h时刻的第2个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
当待求向量X为t1=6h时刻的第3个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
当待求向量X为t1=6h时刻的第4个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
当待求向量X为t1=6h时刻的第5个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
表示当待求向量X为t1=6h时刻的第q+1个Sigma点时,t1=6h时刻第i个传感器节点(xi,yi)处的理论水体离子浓度;
当待求向量X为t1=6h时刻的第6个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
当待求向量X为t1=6h时刻的第7个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
当待求向量X为t1=6h时刻的第8个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
当待求向量X为t1=6h时刻的第9个Sigma点时,t1=6h时刻各传感器节点处的理论水体离子浓度如下:
预测的t1=6h时刻各传感器节点处的水体离子浓度如下:
步骤3.3、计算t1=6h时刻的待求向量X的后验估计和t1=6h时刻的误差协方差矩阵首先计算t1=6h时刻的待求向量X的后验估计
式(13)中:为t1=6h时刻的待求向量X的先验估计,
G1是t1=6h时刻的增益矩阵,G1用于修正t1=6h时刻的待求向量X的先验估计得到t1=6h时刻的待求向量X的后验估计
和依次表示第1个传感器节点、第2个传感器节点和第8个传感器节点在t1=6h时刻测量的水体离子浓度;
和依次表示预测的t1=6h时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第8个传感器节点(x8,y8)处的水体离子浓度。
式(14)中:为t0=0h时刻的待求向量X的后验估计。
式(15)中:
S1=R1+PZZ (17)
式(16):W0、Wp和Wq依次同式(9)、式(10)和式(11);
和依次同式(6)、式(7)和式(8);
为t1=6h时刻的待求向量X的先验估计,同式(14);
ΔZ0=(0.051623,-0.01654,-0.03286,0.12675,0.039175,0.19039,0.056525,-0.0531)T。
ΔZ1=(-0.2498,-0.18346,-0.17211,-0.36392,-0.26848,-0.50634,-0.28282,-0.21013)T;
ΔZ2=(-0.25074,-0.18482,-0.17342,-0.36592,-0.28067,-0.5266,-0.28929,-0.2148)T;
ΔZ3=(-0.14517,-0.14309,-0.14229,-0.12479,-0.13684,-0.06433,-0.13665,-0.16838)T;
ΔZ4=(0.13679,0.03074,0.006614,0.265726,0.129102,0.392311,0.153815,-0.0077)T。
ΔZ5=(-0.03718,-0.06095,-0.06898,-0.01273,0.005514,0.134037,-0.01008,-0.08027)T;
ΔZ6=(0.1071,0.396159,0.479146,-0.11551,0.205128,-0.31507,0.135028,0.70166)T;
ΔZ7=(0.36929,0.242315,0.209072,0.475876,0.318648,0.516755,0.357705,0.184324)T;
ΔZ8=(-0.03354,-0.06381,-0.07232,-0.01223,-0.05075,-0.01153,-0.04076,-0.0985)T。
式(18)中:同式(6);
表示当待求向量X为t1=6h时刻的第1个Sigma点时,t1=6h时刻第1个传感器节点(x1,y1)处的理论水体离子浓度;
表示当待求向量X为t1=6h时刻的第1个Sigma点时,t1=6h时刻第2个传感器节点(x2,y2)处的理论水体离子浓度;
表示当待求向量X为t1=6h时刻的第1个Sigma点时,t1=6h时刻第8个传感器节点(x8,y8)处的理论水体离子浓度;
和依次表示预测的t1=6h时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第8个传感器节点(x8,y8)处的水体离子浓度。
式(19)中:同式(7);
表示当待求向量X为t1=6h时刻的第p+1个Sigma点时,t1=6h时刻第1个传感器节点(x1,y1)处的理论水体离子浓度;
表示当待求向量X为t1=6h时刻的第p+1个Sigma点时,t1=6h时刻第2个传感器节点(x2,y2)处的理论水体离子浓度;
表示当待求向量X为t1=6h时刻的第p+1个Sigma点时,t1=6h时刻第8个传感器节点(x8,y8)处的理论水体离子浓度;
和依次表示预测的t1=6h时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第8个传感器节点(x8,y8)处的水体离子浓度。
式(20)中:同式(8);
表示当待求向量X为t1=6h时刻的第q+1个Sigma点时,t1=6h时刻第1个传感器节点(x1,y1)处的理论水体离子浓度;
表示当待求向量X为t1=6h时刻的第q+1个Sigma点时,t1=6h时刻第2个传感器节点(x2,y2)处测量的理论水体离子浓度;
表示当待求向量X为t1=6h时刻的第q+1个Sigma点时,t1=6h时刻第8个传感器节点(x8,y8)处的理论水体离子浓度;
和依次表示预测的t1=6h时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第8个传感器节点(x8,y8)处的水体离子浓度。
式(17)中:R1是测量噪声的协方差矩阵,所述测量噪声的协方差矩阵为对角矩阵,
式(22)中:W0、Wp和Wq依次同式(9)、式(10)和式(11);
ΔZ0、ΔZp和ΔZq依次同式(18)、式(19)和式(20)。
然后计算误差协方差矩阵
式(23)中:
G1和S1依次同式(15)和式(17);
式(24)中:为t0=0h时刻的误差协方差矩阵;
故:t1=6h时刻的待求向量X的后验估计
t1=6h时刻的误差协方差矩阵
步骤4、k=2,同理步骤3,得到t2=10h时刻:
待求向量X的后验估计
误差协方差矩阵
……,
k=5,同理步骤3,得到t5=18h时刻:
待求向量X的后验估计
误差协方差矩阵
步骤5、在t5=18h时刻的待求向量X的后验估计 中,2.559427为所求的污染源的横坐标,7.21534为所求的污染源的纵坐标。
实施例2
一种靠近湖泊岸边的污染源定位方法。该方法的具体步骤是:
步骤1、以岸边为纵轴,以垂直于岸边为横轴,在水平面上建立直角坐标系。设污染源在(α,β)处从τ时刻连续释放污染物,污染源的质量流率为Q,以污染源的横坐标α、污染源的纵坐标β、污染源的初始扩散时间τ和污染源的质量流率Q为未知量组成待求向量X,待求向量X=(α,β,τ,Q)T;传感器节点的总个数为8,传感器节点共测量了9个时刻的水体离子浓度,8个传感器节点(xi,yi)(i=1,...,8)在tk(k=1,...,9)时刻测量的水体离子浓度见表2.1。
表2.1
第i(i=1,...,8)个传感器节点(xi,yi)在tk(k=1,...,9)时刻测量的水体离子浓度为:
式(1)中:是第i个传感器节点(xi,yi)在tk时刻的测量噪声,kg/m3;
的均值为0,的方差为Di,(kg/m3)2;8个传感器节(xi,yi)(i=1,...,8)在tk(k=1,...,9)时刻的测量噪声的方差见表2.2;
Z(xi,yi,tk,X)表示tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度,kg/m3;
式(2)中:ξ为补量纲常量,tunit为时间单位,h;
Ri为第i个传感器节点(xi,yi)到污染源(α,β)的距离,m;
为第i个传感器节点(xi,yi)到镜像污染源(-α,β)的距离,m;
erfc(x)=1-erf(x) (5)
f为水体平均深度,f=10m;
d为同向扩散系数,d=0.5m2/h
表2.2
步骤2、同实施例1的步骤2。
步骤3、同实施例1的步骤3。
步骤4、k=2,同理步骤3,得到t2=10h时刻:
待求向量X的后验估计
误差协方差矩阵
……。
k=9,同理步骤3,得到t9=30h时刻:
待求向量X的后验估计
误差协方差矩阵
步骤5、在t9=30h时刻的待求向量X的后验估计 中,2.93044为所求的污染源的横坐标,6.062932为所求的污染源的纵坐标。
本具体实施方式与现有技术相比具有如下经济效果:
本具体实施方式无需提前给定阈值,用每个时刻的测量值去更新待求向量X的先验估计得到待求向量X的后验估计,在实际定位操作中简单易行;其次,本具体实施方式中测量的浓度数据可以包含整个扩散过程的信息,避免了因忽略过渡阶段影响定位精度的问题;然后,本具体实施方式在每个测量时刻均处理了所有传感器节点(xi,yi)(i=1,...,N)的测量数据,由于在每个测量时刻都考虑到了所有传感器节点(xi,yi)(i=1,...,N)的测量噪声该方法的定位效果相对稳定。
本具体实施方式在定位计算过程中只需保存当前时刻的测量值、上一时刻的待求向量X的后验估计和上一时刻的误差协方差矩阵,用当前时刻的测量值去更新待求向量X的先验估计,计算过程中不需要保存和计算历史测量数据。故本具体实施方式具有工作效率高和耗时短的优点。
因此,本具体实施方式具有易实现、定位精度高、工作效率高和耗时短的特点。
Claims (1)
1.一种靠近湖泊岸边的污染源定位方法,其特征在于所述污染源定位方法的步骤是:
步骤1、以岸边为纵轴,以垂直于岸边为横轴,在水平面上建立直角坐标系;设污染源在(α,β)处从τ时刻连续释放污染物,污染源的质量流率为Q,以污染源的横坐标α、污染源的纵坐标β、污染源的初始扩散时间τ和污染源的质量流率Q为未知量组成待求向量X,待求向量X=(α,β,τ,Q)T;传感器节点的总个数为N,传感器节点共测量了L个时刻的水体离子浓度,第i(i=1,...,N)个传感器节点(xi,yi)在tk(k=1,...,L)时刻测量的水体离子浓度为:
式(1)中:Vi (k)是第i个传感器节点(xi,yi)在tk时刻的测量噪声,kg/m3,
Vi (k)的均值为0,Vi (k)的方差为Di,(kg/m3)2,
Z(xi,yi,tk,X)表示tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度,kg/m3,
式(2)中:ξ为补量纲常量,tunit为时间单位,h,
Ri为第i个传感器节点(xi,yi)到污染源(α,β)的距离,m,
为第i个传感器节点(xi,yi)到镜像污染源(-α,β)的距离,m,
erfc(x)=1-erf(x) (5)
f为水体平均深度,m,
d为同向扩散系数,m2/h;
步骤2、设t0时刻的待求向量X的后验估计为设t0时刻的误差协方差矩阵为其中:和依次为t0时刻的污染源的横坐标的估计方差、t0时刻的污染源的纵坐标的估计方差、t0时刻的污染源的初始扩散时间的估计方差和t0时刻的污染源的质量流率的估计方差;令k=1;
步骤3、将tk时刻的N个传感器节点测量的水体离子浓度tk-1时刻的待求向量X的后验估计和tk-1时刻的误差协方差矩阵用动态数据处理模块进行处理,得到tk时刻的待求向量X的后验估计和tk时刻的误差协方差矩阵
步骤4、k:=k+1,跳转到步骤3,直至计算出k=L时的tL时刻的待求向量X的后验估计和误差协方差矩阵
步骤5、在tL时刻的待求向量X的后验估计中,为所求的污染源的横坐标,为所求的污染源的纵坐标;
所述的用动态数据处理模块进行处理的步骤是:
步骤(1)、由tk-1时刻的待求向量X的后验估计和tk-1时刻的误差协方差矩阵得到tk时刻的第1个Sigma点第p+1个Sigma点和第q+1个Sigma点
式(7)中:表示开方矩阵的第p行;
式(8)中:表示开方矩阵的第(q-n)行;
计算tk时刻第1个Sigma点第p+1个Sigma点和第q+1个Sigma点依次对应的权值W0、Wp和Wq:
式(7)(8)(9)(10)(11)中:n为待求向量X的维数,n=4;
步骤(2)、预测tk时刻各传感器节点(xi,yi)(i=1,...,N)处的水体离子浓度
式(12):W0、Wp和Wq依次同式(9)、式(10)和式(11),
和依次同式(6)、式(7)和式(8),
n为待求向量X的维数,n=4,
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第i个传感器节点(xi,yi)处的理论水体离子浓度;
步骤(3)、计算tk时刻的待求向量X的后验估计和tk时刻的误差协方差矩阵首先计算tk时刻的待求向量X的后验估计
式(13)中:为tk时刻的待求向量X的先验估计,
Gk是tk时刻的增益矩阵,Gk用于修正tk时刻的待求向量X的先验估计得到tk时刻的待求向量X的后验估计
和依次表示第1个传感器节点、第2个传感器节点和第N个传感器节点在tk时刻测量的水体离子浓度,
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度,
式(14)中:为tk-1时刻的待求向量X的后验估计,
式(15)中:
Sk=Rk+PZZ (17)
式(16):W0、Wp和Wq依次同式(9)、式(10)和式(11),
和依次同式(6)、式(7)和式(8),
为tk时刻的待求向量X的先验估计,同式(14),
n为待求向量X的维数,n=4;
式(18)中:同式(6),
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第1个传感器节点(x1,y1)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第2个传感器节点(x2,y2)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第1个Sigma点时,tk时刻第N个传感器节点(xN,yN)处的理论水体离子浓度,
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度;
式(19)中:同式(7),
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第1个传感器节点(x1,y1)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第2个传感器节点(x2,y2)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第p+1个Sigma点时,tk时刻第N个传感器节点(xN,yN)处的理论水体离子浓度,
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度;
式(20)中:同式(8),
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第1个传感器节点(x1,y1)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第2个传感器节点(x2,y2)处的理论水体离子浓度,
表示当待求向量X为tk时刻的第q+1个Sigma点时,tk时刻第N个传感器节点(xN,yN)处的理论水体离子浓度,
和依次表示预测的tk时刻第1个传感器节点(x1,y1)处、第2个传感器节点(x2,y2)处和第N个传感器节点(xN,yN)处的水体离子浓度;
式(17)中:Rk是测量噪声的协方差矩阵,所述测量噪声的协方差矩阵为对角矩阵,
式(22)中:W0、Wp和Wq依次同式(9)、式(10)和式(11),
ΔZ0、ΔZp和ΔZq依次同式(18)、式(19)和式(20),
n为待求向量X的维数,n=4;
然后计算误差协方差矩阵
式(23)中:
Gk和Sk依次同式(15)和式(17);
式(24)中:为tk-1时刻的误差协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410205323.4A CN103971005B (zh) | 2014-05-15 | 2014-05-15 | 一种靠近湖泊岸边的污染源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410205323.4A CN103971005B (zh) | 2014-05-15 | 2014-05-15 | 一种靠近湖泊岸边的污染源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971005A CN103971005A (zh) | 2014-08-06 |
CN103971005B true CN103971005B (zh) | 2017-02-08 |
Family
ID=51240493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410205323.4A Expired - Fee Related CN103971005B (zh) | 2014-05-15 | 2014-05-15 | 一种靠近湖泊岸边的污染源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971005B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104597212A (zh) * | 2015-02-03 | 2015-05-06 | 无锡中电科物联网创新研发中心 | 一种大气污染源定位方法 |
CN105158431B (zh) * | 2015-09-22 | 2017-06-06 | 浙江大学 | 一种无人污染物溯源系统及其溯源方法 |
CN105353099B (zh) * | 2015-10-26 | 2017-04-05 | 中国地质大学(武汉) | 一种基于多种群协同算法的给水管网污染源定位方法 |
CN106841557A (zh) * | 2017-02-23 | 2017-06-13 | 上海喆之信息科技有限公司 | 基于互联网和大数据平台构建的水质远程查看和预警系统 |
CN107423467A (zh) * | 2017-04-18 | 2017-12-01 | 武汉科技大学 | 一种接近湖泊岸边的三维污染源定位方法 |
CN111812292B (zh) * | 2020-09-03 | 2020-12-08 | 中兴仪器(深圳)有限公司 | 水质污染类型溯源方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495187A (zh) * | 2011-11-14 | 2012-06-13 | 武汉科技大学 | 一种基于无线传感网络的水环境污染源的探测方法 |
CN102680657A (zh) * | 2012-06-01 | 2012-09-19 | 武汉科技大学 | 基于无线传感器的靠近不透水边界污染源探测与定位方法 |
CN103472201A (zh) * | 2013-09-24 | 2013-12-25 | 武汉科技大学 | 一种河流中不透水边界的污染源定位方法 |
-
2014
- 2014-05-15 CN CN201410205323.4A patent/CN103971005B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495187A (zh) * | 2011-11-14 | 2012-06-13 | 武汉科技大学 | 一种基于无线传感网络的水环境污染源的探测方法 |
CN102680657A (zh) * | 2012-06-01 | 2012-09-19 | 武汉科技大学 | 基于无线传感器的靠近不透水边界污染源探测与定位方法 |
CN103472201A (zh) * | 2013-09-24 | 2013-12-25 | 武汉科技大学 | 一种河流中不透水边界的污染源定位方法 |
Non-Patent Citations (4)
Title |
---|
基于无线传感器网络的静态水环境近岸污染源定位研究;栾凡;《中国优秀硕士学位论文全文数据库信息科技辑》;20140415;第2014年卷(第4期);正文第2.2.1节和3.1.2节 * |
无味变换与无味卡尔曼滤波;程水英;《计算机工程与应用》;20080831;第44卷(第24期);第25-35页 * |
无线传感器网络下移动扩散源追踪算法;罗旭等;《控制理论与应用》;20140228;第31卷(第2期);第201-208页 * |
无迹卡尔曼滤波在无线传感器网络节点定位中的应用;杜娟娟;《南京邮电大学学报(自然科学版)》;20130228;第33卷(第1期);正文第2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103971005A (zh) | 2014-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103971005B (zh) | 一种靠近湖泊岸边的污染源定位方法 | |
CN104535981B (zh) | 海杂波Pareto幅度分布参数的双分位点估计方法 | |
CN106885576B (zh) | 一种基于多点地形匹配定位的auv航迹偏差估计方法 | |
CN101957356B (zh) | 一种基于弹性径向基神经网络的生化需氧量bod软测量方法 | |
Loya-Fernández et al. | Comparing four mixing zone models with brine discharge measurements from a reverse osmosis desalination plant in Spain | |
CN110457651B (zh) | 一种利用数据同化改进的滑坡位移预测方法 | |
CN111381498B (zh) | 多传感器基于多率变时滞状态空间模型的期望最大化辨识方法 | |
CN103606006A (zh) | 基于自组织t-s模糊神经网络的污泥沉降指数软测量方法 | |
CN109060023B (zh) | 一种微型环境监测的数据质控方法及系统 | |
CN108008099A (zh) | 一种污染源定位方法 | |
CN104101344A (zh) | 基于粒子群小波网络的mems陀螺随机误差补偿方法 | |
CN107526880A (zh) | 一种基于河流水质观测推算上游入河污染通量的方法 | |
CN104245499A (zh) | 海洋浮动船坞搭载精度管理系统 | |
CN112464584A (zh) | 自由表面流的水位和流量推求方法 | |
CN106127682A (zh) | 一种顾及海岸线地理特征约束的可控分形插值方法及系统 | |
CN103699650A (zh) | 消息传播预测方法及装置 | |
CN117275602A (zh) | 一种流域农业面源污染的源强估计和溯源方法 | |
CN104283529B (zh) | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 | |
CN104063609A (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
CN107423467A (zh) | 一种接近湖泊岸边的三维污染源定位方法 | |
CN109376446B (zh) | 基于粒子群算法的极化曲线拟合方法 | |
CN116680500A (zh) | 水下航行器在非高斯噪声干扰下的位置估计方法及系统 | |
CN111414442A (zh) | 一种基于航道地形图和水位数据的航标位置校核方法 | |
CN109522593A (zh) | 一种基于动态卡尔曼滤波的灰色模型基坑沉降监测算法 | |
CN106021924A (zh) | 基于多属性高斯核函数快速相关向量机的污水在线软测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20180515 |
|
CF01 | Termination of patent right due to non-payment of annual fee |