CN105241524B - 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 - Google Patents

一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 Download PDF

Info

Publication number
CN105241524B
CN105241524B CN201510702562.5A CN201510702562A CN105241524B CN 105241524 B CN105241524 B CN 105241524B CN 201510702562 A CN201510702562 A CN 201510702562A CN 105241524 B CN105241524 B CN 105241524B
Authority
CN
China
Prior art keywords
mrow
msub
data
city
msubsup
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.)
Active
Application number
CN201510702562.5A
Other languages
English (en)
Other versions
CN105241524A (zh
Inventor
倪建军
王康
罗成名
朱金秀
范新南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University Changzhou Campus
Original Assignee
Hohai University Changzhou Campus
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University Changzhou Campus filed Critical Hohai University Changzhou Campus
Priority to CN201510702562.5A priority Critical patent/CN105241524B/zh
Publication of CN105241524A publication Critical patent/CN105241524A/zh
Application granted granted Critical
Publication of CN105241524B publication Critical patent/CN105241524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于径向基函数神经网络模型的城市洪水预警系统及其方法,包括利用超声波测距仪测量城市道路积水情况,利用水位传感器测量城市河道水位信息,将同一区域的有关信息汇总到数据采集终端进行预处理,将处理后相关数据通过网络发送至监控中心服务器,服务器利用径向基函数神经网络模型对城市洪水情况进行预测和预警,并将结果发送至相关用户的移动终端。用户也可以通过网络登陆服务器查询相关地点的洪水情况。本发明实现自动监测城市道路积水情况和城市河道水位变化情况,并进行城市洪水情况进行预测预警,具有误差小、实时性高、成本低、预警信息准确等优点,具有很好的市场前景和应用价值。

Description

一种基于径向基函数神经网络模型的城市洪水预警系统及其 方法
技术领域
[0001] 本发明涉及一种智能监测预警系统及其方法,具体涉及一种基于径向基函数神经 网络模型的城市洪水预警系统及其方法,属于超声检测与智能预报技术领域。
背景技术
[0002] 在城市洪水预警方面,目前主要依靠人工观测、分析。但依靠人工观测会出现误差 大、效率低下、成本高昂、难以实现实时监测等缺点。随着城市的不断发展,城市结构日益复 杂。如果仅仅依靠人工去监测,已经难以满足城市发展的需要。
[0003] 传统的自动监测方法通过在城市的主要干道安装视频监测器,在各主要河道安装 水位计等方法,虽然解决了人工观测的缺陷,但是该方法难以实现自主检测、预警。并且需 要人员实时观测各视频和水位计信息,劳动强度大,对城市道路积水无法监测,不利于对城 市洪水的及时发现和处理。
发明内容
[0004] 针对现有技术存在的不足,本发明目的是提供一种基于径向基函数神经网络模型 的城市洪水预警系统及其方法,能够监测城市河流、湖泊、道路的水位信息,有利于对城市 洪水的及时发现和处理。
[0005] 为了实现上述目的,本发明是通过如下的技术方案来实现:
[0006] 本发明的一种基于径向基函数神经网络模型的城市洪水预警系统,其特征在于, 包括多个设置在城市各个区域的数据采集终端,每个数据采集终端包括传感器模块、与传 感器模块输出端相连接用于对采集到的信息进行预处理的微控制器和与微控制器输出端 相连接的网络接口,其中,所述传感器模块包括用于测量城市道路积水情况的超声波测距 传感器和用于测量低洼处水位信息的水位传感器;
[0007] 监控中心服务器,用于接收城市各个区域数据采集终端发送来的数据,利用径向 基函数神经网络模型对城市洪水情况进行预警判断,然后将监控数据及城市洪水预报情况 分析结果进行存储,并将城市洪水预报情况分析结果发送至客户端,其中,监控中心服务器 包括服务器数据库、服务器主机和与网络接口相连接的服务器通信模块;
[0008] 和客户端,通过网络与所述监控中心服务器进行互联,监控中心服务器向客户端 主动发送城市洪水预报情况分析结果,客户端也可以自主访问监控中心服务器进行信息查 询。
[0009] 上述超声波测距传感器安装在城市路灯杆上,所述水位传感器安装在城市河道、 涵洞以及桥梁底部。
[0010] 本发明的城市洪水预警系统的预警方法,具体包括以下几个步骤:
[0011] S01、根据各城市历史水文数据构建径向基函数神经网络模型;
[0012] S02、通过所述超声波测距传感器和水位传感器定时采集城市道路积水信息以及 城市河道、涵洞水位信息,并发送至其所在区域的微控制器;
[0013] S03、所述微控制器对步骤S02所采集到的数据进行滤波及去噪处理;
[0014] S04、各区域的微控制器将处理后的数据包通过网络接口发送给监控中心服务器;
[0015] S05、所述服务器主机将发送来的监测水位信息首先进行减少冗余操作得到数据 样本,然后将数据样本作为径向基函数神经网络模型的输入,经过径向基函数神经网络模 型的识别之后,该神经网络直接输出是否需要发出预警信息以及洪水报警等级,如果需要 发出则转向步骤S06,如果不需要发出则转向步骤S02;
[0016] S06、监控中心服务器对监控数据及城市洪水预报情况分析结果进行存储,根据设 定的存储时间间隔对服务器数据库进行更新,并转向步骤SOl利用数据库中的数据重新训 练径向基函数神经网络模型;
[0017] S07、监控中心服务器将城市洪水预报情况分析结果向客户端进行发布,所述客户 端也可以通过网络访问监控中心服务器,进行城市洪水情况查询。
[0018] 步骤SOl中,所述径向基函数神经网络模型的构建方法如下:
[0019] (soil)、选择高斯函数作为径向基函数:
Figure CN105241524BD00061
为X和Ci的欧式距离,X为系统输入矩阵,Ci为第i个径向基函数单元的中心,widthi为第 i个径向基函数单元的半径,h为径向神经网络隐含层神经元的个数,h大于零;
[0021] (S012)、采用亲和传播聚类算法计算出径向基函数的中心Ci和半径widthi;
[0022] (S013)、采用极限学习机优化径向基函数神经网络模型,极限学习机的系数矩阵 表示为:
Figure CN105241524BD00062
[0024] 其中,c为聚类中心,X为系统输入矩阵,根据公式:β = Η+Τ计算出径向基函数神经 网络隐含层的权值,得到优化后的径向基函数神经网络模型,其中,T为系统的输出矩阵,β 为径向基函数神经网络隐含层的权值。
[0025] 步骤(S012)中,所述亲和传播聚类算法具体步骤如下:
[0026] ①、初始化:设置最大迭代次数η和阻尼系数lam;
[0027] ②、计算吸引度r (l,m)和归属度a(l,m):
[0028] r (I,m)表示m点是否适合作为1点的聚类中心,a (I,m)表示1点是否选择m点作为其 聚类中心,:r (I,m)和a (I,m)的计算公式如下:
[0029] r (I ,m) = S (I ,m) -max {a (I, j) +S (I, j)} , j = 1,2,3···,N, j
Figure CN105241524BD00063
[0031]
Figure CN105241524BD00071
[0032] S (I,m)矩阵表示1点和1点所在聚类的聚类中心m点的相似度,使用负欧式距离的 平方来计算:S(l,m)=-| |l-m| |2,N为正整数;
[0033] ③、更新r (I,m)和a (I,m):
[0034] r (I ,m) = (1-lam) Xr (I ,m) +IamXr (1-1 ,m)
[0035] a (I ,m) = (1-lam) Xa (I ,m)+IamXa (1-1 ,m)
[0036] ④、判断a(m,m)+r(m,m)彡0,或者迭代次数大于n,如果条件成立跳入⑤,否则跳入 ②;
[0037] ⑤、记录聚类的结果:统计聚类中心的个数NCi、聚类中心Ci,计算半径widthi,其公 式如下:
Figure CN105241524BD00072
[0039] 其中NC1为第i个聚类中心点的个数,¾表示聚类中心的第j点。
[0040] 步骤S03中,采用卡尔曼算法对数据进行滤波,具体的方法如下:
[0041] ①、计算预测估计值
Figure CN105241524BD00073
和预测均方估计误差.
Figure CN105241524BD00074
Figure CN105241524BD00075
[0044] 其中,
Figure CN105241524BD00076
_为系统k-Ι次的状态变量,
Figure CN105241524BD00077
为系统k-Ι次的均方估计误差,A、B为系 统的系数矩阵,DW为过程噪声概的方差,u为系统状态变量,六7表示矩阵A的转置;
[0045] ②、计算卡尔曼增益Lk:
[0046]
Figure CN105241524BD00078
[0047] 其中,C为系统系数矩阵,Dv为过程噪声Vk的方差;
[0048] ③、计算状态变量
Figure CN105241524BD00079
和均方估计误差
Figure CN105241524BD000710
Figure CN105241524BD000711
[0051] 其中,
Figure CN105241524BD000712
就是传感器采集的数据经过系统滤波之后的值,Yk为系统观测变量。
[0052] 步骤S04中,所述数据包包括采集设备所在的位置信息、数据采集的时间以及采集 的道路积水信息、城市河道及涵洞处的水位信息。
[0053] 步骤S05中,监控中心服务器对设备采集的数据进行减少冗余的操作,得到数据样 本,为了能够剔除建模数据样本中的冗余部分,计算数据间的相似度:
[0054]
Figure CN105241524BD00081
[0055] 其中,Xl,x伪接收到的设备检测数据,F1谦示第i个数据和第j个数据之间的相似 度,其中,i,j均为正整数,I 1*1 I表示是矩阵的2-范数,δ是归一化的参数,如果两个数据之 间的相似度Rlj大于50%,则剔除其中的一个冗余数据,当设备检测数据中的冗余数据被剔 除后,就得到了建模数据样本。
[0056] 步骤S06中,如果监控中心服务器对城市洪水预警等级进行了识别,监控中心服务 器对数据样本进行更新,数据采集终端发送的一个数据集,通过成功识别,则将该数据集添 加到数据样本中,组成一个新的数据集。
[0057] 步骤S07中,监控中心服务器发送的数据设有不同的访问权限,其中,水利部门用 户可以访问设备信息、基础设施信息在内的有关城市洪水预报的详细信息,普通公众用户 可以通过移动设备接收来自监控中心服务器推送的城市洪水预报信息,也可以通过网络主 动访问监控中心服务器查询城市洪水相关信息。
[0058] 本发明能够自动监测城市道路积水情况和城市河道水位变化情况,并根据城市洪 水情况进行预测预警,具有误差小、实时性高、成本低、预警信息准确等优点,具有很好的市 场前景和应用价值。
附图说明
[0059] 图1为本发明的城市洪水预警系统工作原理图;
[0060] 图2为本发明的城市洪水预警方法工作流程图;
[0061] 图3为本发明的基于径向基函数神经网络模型的结构示意图。
具体实施方式
[0062] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合
具体实施方式,进一步阐述本发明。
[0063] 参见图1,本发明的一种基于径向基函数神经网络模型的城市洪水预警系统包括 数据采集终端、监控中心服务器和客户端。
[0064] 数据采集终端包括传感器模块、微控制器及网络接口。传感器模块包括超声波测 距传感器和水位传感器。超声波测距传感器安装在城市路灯杆上,用于测量城市道路积水 情况,水位传感器安装在城市河道、涵洞以及桥梁底部等处,用于测量城市河道水位、涵洞 内水位及桥洞等低洼处水位信息。
[0065] 将城市按地理位置划分不同的区域,每个区域设置一处数据采集终端设备,负责 收集该区域的超声波测距传感器、水位传感器测量的数据,将采集后的相关数据通过网络 (包括有线和无线两种方式,互为备用)传送到监控中心服务器。
[0066] 监控中心服务器包括服务器数据库、服务器主机和服务器通信模块,服务器数据 库、服务器主机和服务器通信模块依次顺序连接;网络接口与服务器通信模块相连接。监控 中心服务器接收到城市各个区域数据采集终端发送的数据后,利用径向基函数神经网络模 型对城市洪水情况进行自主识别和自主判断,将相关数据进行存储。并将洪水预警信息发 送至客户端:包括计算机和移动终端。
[0067] 客户端通过网络(包括有线和无线两种方式,互为备用)与监控中心服务器进行互 联,监控中心可以向客户端主动发送相关城市洪水信息,客户端也可以通过自主访问监控 中心服务器,进行相关信息的查询等。
[0068] 参见图2,本发明的基于径向基函数神经网络模型的城市洪水预警方法,具体包括 以下几个步骤:
[0069] S01、根据各城市历史水文数据建立径向基函数神经网络模型;
[0070] S02、超声波测距传感器和水位传感器定时采集城市道路积水信息以及城市河道、 涵洞水位信息,并发送至其所在区域的数据采集终端;
[0071] S03、数据采集终端使用微控制器对所采集到数据进行滤波、去噪;
[0072] S04、各区域数据采集终端将处理后的数据包通过网络接口发送给监控中心服务 器;
[0073] S05、监控中心服务器接收来自数据采集终端发送的数据,利用径向基函数神经网 络模型对数据进行智能分析、判断;对城市洪水进行预测、预警;
[0074] S06、监控中心服务器将监控数据及分析结果进行存储,并根据限定的存储时间间 隔对数据库进行更新,最后利用数据库中的数据重新训练径向基函数神经网络模型;
[0075] S07、监控中心服务器将城市洪水预报情况分析结果向客户端进行发布,用户客户 端也可以通过网络访问监控中心服务器,进行城市洪水情况查询。
[0076] 步骤SOl具体包括以下几个步骤:
[0077] (SOll)、使用径向基函数神经网络作为本系统的神经网络模型,选择高斯函数作 为径向基函数
Figure CN105241524BD00091
为X和Ci的欧式距离。 X为系统输入矩阵,Ci为第i个径向基函数单元的中心,Widthi为第i个径向基函数单元的半 径。
[0078] (S012)、使用亲和传播聚类算法求出径向基函数的中心Ci和半径widthi。步骤如 下:
[0079] ①、初始化。设置最大迭代次数η和阻尼系数lam。
[0080] ②、计算吸引度r (I,m)和归属度a (I,m)。1· (I,m)表示m点是否适合作为1点的聚类 中心,a (i,m)表示1点是否选择m点作为其聚类中心。r (I,m)和a (I,m)的计算公式如下:
[0081] r (I ,m) = S (I ,m) -max {a (I, j) +S (I, j)} , j = 1,2,3···,N, j
Figure CN105241524BD00092
[0084] S (I,m),该矩阵表示I点和I点所在聚类的聚类中心点m点的相似度。使用负欧式距 离的平方来计算相似度:S(l,m) =-| I l-m| |2。
[0085] ③、更新r (I,m)和a (I,m)。
[0086] r (I ,m) = (1-lam) Xr (I ,m) +IamXr (1-1 ,m)
[0087] a (I,m) = (1-lam) Xa (I,m)+IamXa (1-1,m)
[0088] ④、判断a(m,m)+r(m,m)彡0,或者迭代次数大于n。如果条件成立跳入⑤,否则跳入 ②。
[0089] ⑤、记录聚类的结果。统计聚类中心的个数NCi、聚类中心Ci。计算半径widthi。其公 式如下:
Figure CN105241524BD00101
[0091] 其中NC1为第i个聚类中心点的个数,¾表示聚类中心的第j点。
[0092] (S013)、使用极限学习机优化径向基函数神经网络。极限学习机的系数矩阵表示 为:
Figure CN105241524BD00102
[0094] 其中c为步骤S012的聚类中心;X为系统输入。根据公式β = Η+Τ求出径向基函数神 经网络隐含层的权值,T为系统的输出。至此,本系统的径向基函数神经网络模型的已经构 建出来(参见图3)。
[0095] 步骤S02具体包括以下几个步骤:
[0096] S021、超声波测距传感器安装在城市路灯杆上,用于测量城市道路积水情况,具体 方法为根据超声波测得与路面距离的变化量就是城市道路的积水高度;
[0097] S022、水位传感器安装在城市河道、涵洞以及桥梁底部等处,用于测量城市河道水 位、涵洞内水位及桥洞等低洼处水位信息;
[0098] S023、各传感器通过网络(包含有线网络或者无线网络)与区域数据采集终端进行 通讯,传送数据;
[0099] 步骤S03中,使用卡尔曼算法对数据进行滤波,具体包括以下几个步骤:
[0100] ①、计算预测估计值
Figure CN105241524BD00103
和预测均方估计误差
Figure CN105241524BD00104
Figure CN105241524BD00105
[0103] 其中.
Figure CN105241524BD00106
为系统k-Ι次的状态变量
Figure CN105241524BD00107
为系统k-Ι次的均方估计误差;A、B为系 统的系数矩阵;Dw为过程噪声Wk的方差;u为系统状态变量。
[0104] ②、计算卡尔曼增益Lk:
[0105]
Figure CN105241524BD00108
[0106] 其中C为系统系数矩阵,Dv为过程噪声Vk的方差。
[0107] ③、计算状态变量
Figure CN105241524BD00111
和均方估计误差
Figure CN105241524BD00112
Figure CN105241524BD00113
[0110]
Figure CN105241524BD00114
就是传感器采集的数据经过系统滤波之后的值。Yk为系统观测变量。
[0111] 步骤S04的数据包包括采集设备所在的位置信息、数据采集的时间以及采集的道 路积水信息、城市河道及涵洞等处的水位信息。
[0112] 步骤S05具体包括以下几个步骤:
[0113] S051、监控中心服务器对设备采集的数据进行减少冗余的操作,得到数据样本。为 了能够剔除建模数据样本中的冗余部分,计算数据间的相似度:
[0114]
Figure CN105241524BD00115
[0115] 其中,Xl,x伪接收到的设备检测数据,Rlj表示第i个数据和第j个数据之间的相似 度,这里的i,j均为正整数。11*| I表示是矩阵的2-范数,δ是归一化的参数。如果两个数据之 间的相似度Ru大于50%,则剔除其中的一个冗余数据。当设备检测数据中的冗余数据被剔 除后,就得到了建模数据样本。
[0116] S052、将发送来的监测水位信息作为径向基函数神经网络的输入,经过神经网络 的识别之后,输出是否发出报警信息以及洪水报警等级等信息。
[0117] 步骤S06具体包括以下几个步骤:
[0118] S061、如果监控中心服务器对城市洪水预警等级进行了识别,监控中心服务器对 建模数据样本进行更新。数据采集终端发送的一个数据集,通过上述步骤进行成功识别,则 将该数据集添加到建模数据样本XkeRm (k= 1,2,,. . . q)中。
[0119] S062、利用新的数据集重新训练神经网络。
[0120] ①、使用亲和传播聚类算法重新计算径向基函数的中心Ci和半径widthi。
[0121] ②、使用极限学习机计算隐含层的权值,得到优化后径向基函数神经网络模型。
[0122] 步骤S07中,监控中心服务器向客户端发布信息,可以通过有线和无线两种方式; 监控中心服务器发送的数据设有不同的访问权限,其中,水利等部门的特殊用户根据权限 可以访问包括设备信息、基础设施信息在内的有关城市洪水预报的详细信息;普通公众用 户可以通过移动设备接收来自监控中心推送的城市洪水预报信息,也可以通过网络主动访 问监控中心服务器查询城市洪水相关信息。
[0123] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术 人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本 发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变 化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其 等效物界定。

Claims (8)

1. 一种城市洪水预警系统的预警方法,城市洪水预警系统包括多个设置在城市各个区 域的数据采集终端,每个数据采集终端包括传感器模块、与传感器模块输出端相连接用于 对采集到的信息进行预处理的微控制器和与微控制器输出端相连接的网络接口,其中,所 述传感器模块包括用于测量城市道路积水情况的超声波测距传感器和用于测量低洼处水 位信息的水位传感器; 监控中心服务器,用于接收城市各个区域数据采集终端发送来的数据,利用径向基函 数神经网络模型对城市洪水情况进行预警判断,然后将监控数据及城市洪水预报情况分析 结果进行存储,并将城市洪水预报情况分析结果发送至客户端,其中,监控中心服务器包括 服务器数据库、服务器主机和与网络接口相连接的服务器通信模块; 和客户端,通过网络与所述监控中心服务器进行互联,监控中心服务器向客户端主动 发送城市洪水预报情况分析结果,客户端也可以自主访问监控中心服务器进行信息查询; 其特征在于,具体包括以下几个步骤: 501、 根据各城市历史水文数据构建径向基函数神经网络模型; 502、 通过所述超声波测距传感器和水位传感器定时采集城市道路积水信息以及城市 河道、涵洞水位信息,并发送至其所在区域的微控制器; 503、 所述微控制器对步骤S02所采集到的数据进行滤波及去噪处理; 504、 各区域的微控制器将处理后的数据包通过网络接口发送给监控中心服务器; 505、 所述服务器主机将发送来的监测水位信息首先进行减少冗余操作得到数据样本, 然后将数据样本作为径向基函数神经网络模型的输入,经过径向基函数神经网络模型的识 别之后,该神经网络直接输出是否需要发出预警信息以及洪水报警等级,如果需要发出则 转向步骤S06,如果不需要发出则转向步骤S02; 506、 监控中心服务器对监控数据及城市洪水预报情况分析结果进行存储,根据设定的 存储时间间隔对服务器数据库进行更新,并转向步骤SOl利用数据库中的数据重新训练径 向基函数神经网络模型; 507、 监控中心服务器将城市洪水预报情况分析结果向客户端进行发布,所述客户端也 可以通过网络访问监控中心服务器,进行城市洪水情况查询。
2. 根据权利要求1所述的城市洪水预警系统的预警方法,其特征在于,步骤SOl中,所述 径向基函数神经网络模型的构建方法如下: (5011) 、选择高斯函数作为径向基函数:
Figure CN105241524BC00021
,i = l,2,3,…,h,| I x-ci I 12为X和Ci的欧式距 离,X为系统输入矩阵,Ci为第i个径向基函数单元的中心,widthi为第i个径向基函数单元的 半径,h为径向神经网络隐含层神经元的个数,h大于零; (5012) 、采用亲和传播聚类算法计算出径向基函数的中心Ci和半径widthi; (5013) 、采用极限学习机优化径向基函数神经网络模型,极限学习机的系数矩阵表示 为:
Figure CN105241524BC00031
其中,C为聚类中心,X为系统输入矩阵,根据公式:β = Η+Τ计算出径向基函数神经网络隐 含层的权值,得到优化后的径向基函数神经网络模型,其中,T为系统的输出矩阵,β为径向 基函数神经网络隐含层的权值。
3. 根据权利要求2所述的城市洪水预警系统的预警方法,其特征在于,步骤(S012)中, 所述亲和传播聚类算法具体步骤如下: ① 、初始化:设置最大迭代次数η和阻尼系数lam; ② 、计算吸引度r(l,m)和归属度a(l,m): r(l,m)表示m点是否适合作为1点的聚类中心,a(l,m)表示1点是否选择m点作为其聚类 中心,r (I,m)和a (I,m)的计算公式如下:r (I,m) = S (I,m) -max {a (I,j) +S (I,j)},j = l,2, 3…,N,j辛m
Figure CN105241524BC00032
S (I,m)矩阵表示I点和I点所在聚类的聚类中心m点的相似度,使用负欧式距离的平方 来计算:S(l,m) =-| I l-m| |2,N为正整数; ③ 、更新r (I,m)和a (I,m): r (I ,m) = (1-lam) Xr (I ,m) +IamXr (1-1 ,m) a (I ,m) = (1-lam) X a (I ,m) +IamX a (1-1 ,m) ④ 、判断a(m,m)+r(m,m)多0,或者迭代次数大于n,如果条件成立跳入⑤,否则跳入②; ⑤ 、记录聚类的结果:统计聚类中心的个数NC1、聚类中心Cl,计算半径Width1,其公式如 下:
Figure CN105241524BC00033
其中NC1为第i个聚类中心点的个数,¾表示聚类中心的第j点。
4. 根据权利要求1所述的城市洪水预警系统的预警方法,其特征在于,步骤S03中,采用 卡尔曼算法对数据进行滤波,具体的方法如下: ①、计算预测估计值
Figure CN105241524BC00034
和预测均方估计误差.
Figure CN105241524BC00035
Figure CN105241524BC00036
Figure CN105241524BC00041
其中,
Figure CN105241524BC00042
为系统k-1次的状态变量,
Figure CN105241524BC00043
I为系统k-Ι次的均方估计误差,A、B为系统的 系数矩阵,Dw为过程噪声概的方差,u为系统状态变量,六7表示矩阵A的转置; ② 、计算卡尔曼增益Lk:
Figure CN105241524BC00044
其中,C为系统系数矩阵,Dv为过程噪声Vk的方差; ③ 、计算状态变量
Figure CN105241524BC00045
和均方估计误差
Figure CN105241524BC00046
Figure CN105241524BC00047
其中,
Figure CN105241524BC00048
就是传感器采集的数据经过系统滤波之后的值,Yk为系统观测变量。
5. 根据权利要求1所述的城市洪水预警系统的预警方法,其特征在于,步骤S04中,所述 数据包包括采集设备所在的位置信息、数据采集的时间以及采集的道路积水信息、城市河 道及涵洞处的水位信息。
6. 根据权利要求1所述的城市洪水预警系统的预警方法,其特征在于,步骤S05中,监控 中心服务器对设备采集的数据进行减少冗余的操作,得到数据样本,为了能够剔除建模数 据样本中的冗余部分,计算数据间的相似度:
Figure CN105241524BC00049
其中,X1, ^为接收到的设备检测数据,Flj表示第i个数据和第j个数据之间的相似度,其 中,i,j均为正整数,I 1*1 I表示是矩阵的2-范数,δ是归一化的参数,如果两个数据之间的相 似度Ru大于50%,则剔除其中的一个冗余数据,当设备检测数据中的冗余数据被剔除后,就 得到了建模数据样本。
7. 根据权利要求1所述的城市洪水预警系统的预警方法,其特征在于,步骤S06中,如果 监控中心服务器对城市洪水预警等级进行了识别,监控中心服务器对数据样本进行更新, 数据采集终端发送的一个数据集,通过成功识别,则将该数据集添加到数据样本中,组成一 个新的数据集。
8. 根据权利要求1所述的城市洪水预警系统的预警方法,其特征在于,步骤S07中,监控 中心服务器发送的数据设有不同的访问权限,其中,水利部门用户可以访问设备信息、基础 设施信息在内的有关城市洪水预报的详细信息,普通公众用户可以通过移动设备接收来自 监控中心服务器推送的城市洪水预报信息,也可以通过网络主动访问监控中心服务器查询 城市洪水相关信息。
CN201510702562.5A 2015-10-26 2015-10-26 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法 Active CN105241524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510702562.5A CN105241524B (zh) 2015-10-26 2015-10-26 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510702562.5A CN105241524B (zh) 2015-10-26 2015-10-26 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法

Publications (2)

Publication Number Publication Date
CN105241524A CN105241524A (zh) 2016-01-13
CN105241524B true CN105241524B (zh) 2018-03-20

Family

ID=55039250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510702562.5A Active CN105241524B (zh) 2015-10-26 2015-10-26 一种基于径向基函数神经网络模型的城市洪水预警系统及其方法

Country Status (1)

Country Link
CN (1) CN105241524B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105953868A (zh) * 2016-04-29 2016-09-21 东莞中科智城软件有限公司 一种基于路灯物联网的积水监测系统
CN106203298A (zh) * 2016-06-30 2016-12-07 北京集创北方科技股份有限公司 生物特征识别方法及装置
CN107340026B (zh) * 2017-06-27 2019-09-06 中国航空工业集团公司沈阳飞机设计研究所 非稳态液面高度测量值滤波方法
CN107563567A (zh) * 2017-09-18 2018-01-09 河海大学 基于稀疏自编码的核极限学习机洪水预报方法
CN108492530A (zh) * 2018-03-09 2018-09-04 深圳市宏电技术股份有限公司 一种水库泄洪预警信息发布方法、装置及系统
CN109827629B (zh) * 2019-01-17 2020-08-07 杭州电子科技大学 一种城市河道水位的分布式可靠性估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1152708A (zh) * 1996-07-11 1997-06-25 太原工业大学 感应式数字水位传感器
CN102928037A (zh) * 2012-09-07 2013-02-13 河北向阳电子有限公司 基于物联网技术的道路积水监测与发布方法
CN102938188A (zh) * 2012-11-13 2013-02-20 中国水电顾问集团中南勘测设计研究院 一种城市洪涝灾害自动监测预警装置
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN103678910A (zh) * 2013-12-12 2014-03-26 河海大学 河道型水库支流库湾水华的云体系架构预警系统及方法
CN104408900A (zh) * 2014-11-10 2015-03-11 柳州师范高等专科学校 基于动态优化的神经网络洪水预警装置及其方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101868811B (zh) * 2007-09-19 2013-03-06 联合工艺公司 用于威胁传播估计的系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1152708A (zh) * 1996-07-11 1997-06-25 太原工业大学 感应式数字水位传感器
CN102928037A (zh) * 2012-09-07 2013-02-13 河北向阳电子有限公司 基于物联网技术的道路积水监测与发布方法
CN102938188A (zh) * 2012-11-13 2013-02-20 中国水电顾问集团中南勘测设计研究院 一种城市洪涝灾害自动监测预警装置
CN103499374A (zh) * 2013-09-05 2014-01-08 江苏大学 一种基于神经网络的超声波动态液位检测方法和系统
CN103678910A (zh) * 2013-12-12 2014-03-26 河海大学 河道型水库支流库湾水华的云体系架构预警系统及方法
CN104408900A (zh) * 2014-11-10 2015-03-11 柳州师范高等专科学校 基于动态优化的神经网络洪水预警装置及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
用径向基函数神经网络模型预报感潮河段洪水位;黄国如;《水科学进展》;20030331;第14卷(第2期);第158页第2段 *

Also Published As

Publication number Publication date
CN105241524A (zh) 2016-01-13

Similar Documents

Publication Publication Date Title
Alcantarilla et al. Street-view change detection with deconvolutional networks
Zhang et al. An object-based convolutional neural network (OCNN) for urban land use classification
Mazimpaka et al. Trajectory data mining: A review of methods and applications
Zhang et al. Joint Deep Learning for land cover and land use classification
Liu et al. Urban traffic prediction from mobility data using deep learning
CN106997669B (zh) 一种基于特征重要性的判断交通拥堵成因的方法
CN105046235B (zh) 车道线的识别建模方法和装置、识别方法和装置
CN103476118B (zh) 一种用于实时监控的wlan室内位置指纹定位方法
US8341110B2 (en) Temporal-influenced geospatial modeling system and method
CN102737510B (zh) 一种基于移动智能终端的实时交通路况采集方法
Hsieh et al. Inferring air quality for station location recommendation based on urban big data
Taubenböck et al. Object-based feature extraction using high spatial resolution satellite data of urban areas
CN1224289C (zh) 无线远程通信网中的位置估计
CN106251625B (zh) 大数据环境下立体城市交通路网全局状态预测方法
CN107709928A (zh) 用于实时建图与定位的方法和装置
CN106250812A (zh) 一种基于快速r‑cnn深度神经网络的车型识别方法
US7917458B2 (en) Temporal-influenced geospatial modeling system and method
Ma et al. Improving air quality prediction accuracy at larger temporal resolutions using deep learning and transfer learning techniques
CN107610469A (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
Li et al. Traffic density-based discovery of hot routes in road networks
Malof et al. Automatic detection of solar photovoltaic arrays in high resolution aerial imagery
US9706413B2 (en) Computer implemented system and method for Wi-Fi based indoor localization
KR101638368B1 (ko) 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법
JP6652915B2 (ja) 移動式くぼみ検出システム及び方法
US20130170696A1 (en) Clustering-based object classification

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant