CN106093329A - 一种纠错能力可控的水质监测数据可靠性提升方法 - Google Patents

Abstract

本发明公开了一种纠错能力可控的水质监测数据可靠性提升方法，首先对被测水域进行网格划分，设置测点矩阵，采集数据，当测点阵列均正常运行时，同一水层以及同一垂方向上，所有测点应该满足一定的相互关系，判断矩阵元素小于2，则直接输出数据；当不满足相互关系时，判断矩阵元素等于2，判断该测点的数据不可靠，采用同一水层其他测点的平均值进行纠正，纠正后，将测点数据输出，本发明可以对监测数据进行纠错，提高水质监测数据的可靠性；同时，其纠错行为可人为控制，当参数取最小值时系统的纠错功能不运作，而当参数取最大值时系统对测点数据发生的任意偏移均认为发生故障，强制纠错。

Description

一种纠错能力可控的水质监测数据可靠性提升方法

技术领域

本发明涉及一种水质的测试方法，尤其是一种纠错能力可控的水质监测数据可靠性提升方法。

背景技术

在工业、农业和环保行业中，存在大量工程需要对水质进行监测，如污水处理、水产养殖等。这些水质的自动监测是通过多个传感器实现的。比如用PH传感器实现PH值的测量，用溶解氧传感器实现水中含氧量的测量。

这些测量数据为后继的决策提供了依据。以水产养殖为例，需要对水中的融氧量进行实时的监测，一旦水中氧气过少，需及时用气泵进行加氧。而如果传感器发生故障，测量数据与实际数据差距较大的话，可能会引发严重后果。比如，水中氧气量很小，而传感数据错误，显示认为水中氧气量足够，那么就不会进行及时的补氧，导致水产品因缺氧发生大规模死亡。因此，如何确保传感系统的可靠性具有非常重大的现实意义。

通常说来，提高监测数据可靠性可以通过以下途径实现。

1)选用高质量高可靠性的传感器：可选用国外进口的高档传感器，如美国哈希传感器、德国E+H传感器等，以降低故障发生的概率。但需要指出该方法在实际运用中存在较多问题，如：(1)成本过高；(2)高档传感器总体质量较好，发生故障的概率较小，但总体概率不能代表个体实例，即使采用高档传感器也不能确保用户所测数据可靠。

2)采用硬件冗余：在某个测点采用多组完全一样的传感器同时对某个水质监测对象进行测量，对比所有传感器的输出值，判断其实际数据值。该方法最为可靠，但其经济成本需要在原有基础上翻数倍，成本巨大。

3)发明ZL201410396348.7(提高水质监测数据可靠性的方法)采用不同测点间的监测数据进行相互的纠错，能在不显著提高成本的条件下显著提高水质监测的可靠性。

发明内容

本发明所要解决的技术问题是如何通过特定参数来调节发明ZL201410396348.7中水质监测数据的纠错能力，通过现场人员的实时调节，进一步提高水质监测的可靠性。

为了解决技术问题，本发明采用的技术方案是：一种纠错能力可控的水质监测数据可靠性提升方法，包括如下步骤：

步骤[1]将目标水域在垂直方向上划分为近表层、中层、近底层，每层分别布置n测点，所述近表层、中层、近底层中的测点数据分别记作[X₁,X₂,...X_i...,X_n]，[Y₁,Y₂,...Y_i...,Y_n]和[Z₁,Z₂,...Z_i...,Z_n]，其中X_i，Y_i，Z_i分别是所述近表层、中层、近底层中的第i个测点数据，i＝1，2，...，n；设目标水域界面面积为A，每个测点的覆盖面积为S，则有n·S≥A；

步骤[2]利用多组正常状态下近表层、中层、近底层中的测点采集的历史数据作为训练样本，采用支持向量回归方法分别建立近表层、中层、近底层同一水层测点间的内在关系式：

X_n＝w_X1×X₁+w_X2×X₂+…+w_Xj×X_j+…+w_Xn-1×X_n-1-b_X

Y_n＝w_Y1×Y₁+w_Y2×Y₂+…+w_Yj×Y_j+…+w_Yn-1×Y_n-1-b_Y

Z_n＝w_Z1×Z₁+w_Z2×Z₂+…+w_Zj×Z_j+…+w_Zn-1×Z_n-1-b_Z

其中，w_Xj，w_Yj，w_Zj分别为近表层、中层、近底层中测点X_j，Y_j，Z_j的权重系数，j＝1,2，…，n-1；b_X、b_Y、b_Z为近表层、中层、近底层内在关系式的偏置量；

同理，采用支持向量回归方法分别建立近表层、中层、近底层在同一垂直方向上的三层测点间的内在关系式：

X_i＝w'_yi×Y_i+w'_zi×Z_i-b_Gi

其中，w'_yi，w'_zi分别为第i个垂面方向上的测点Y_i，Z_i的权重系数，b_Gi为第i个垂直方向上的三层测点间内在关系式的偏置量；

步骤[3]给定指标函数f₁(X,ρ)、f₂(Y,ρ)、f₃(Z,ρ)用于评价近表层、中层、近底层中同一水层测点运行的可靠性，ρ参数用于调节评价的严格程度，0≤ρ≤m m为常数变量；

$f_1(X,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Xj}.X_j-b_X-X_n\right|-R_X\left(\mathrm{\ρ}\right)$

$f_2(Y,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Yj}.Y_j-b_Y-Y_n\right|-R_Y\left(\mathrm{\ρ}\right)$

$f_3(Z,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Zj}.Z_j-b_Z-Z_n\right|-R_Z\left(\mathrm{\ρ}\right)$

$R_X\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})X_n}{m}$

$R_Y\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})Y_n}{m}$

$R_Z\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})Z_n}{m}$

其中，是利用支持向量回归方法计算的预测值，与实测值X_n、Y_n、Z_n相比较；

给定指标函数G_i(X_i,Y_i,Z_i,ρ)用于评价第i个垂面方向的三个测点运行的可靠性：

G_i(X_i,Y_i,Z_i,ρ)＝|w'_yi×Y_i+w'_zi×Z_i-b_Gi-X_i|-R_Gi(ρ)

$R_{Gi}\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})X_i}{m}$

其中，w'_yi×Y_i+w'_zi×Z_i-b_Gi是采用支持向量回归方法计算的预测值，与实测值X_i相比较；

步骤[4]设立判断矩阵D为：

$D=\left[\begin{array}{cccccc}{D}_{X1}& D_{X2}& ...& D_{Xi}& ...& D_{Xn}\\ D_{Y1}& D_{Y2}& ...& D_{Yi}& ...& D_{Yn}\\ D_{Z1}& D_{Z2}& ...& D_{Zi}& ...& D_{Zn}\end{array}\right]$

其中,D_Xi，D_Yi,D_Zi，分别为用于判断近表层、中层、近底层第i个测点采集的测点数据可靠性的元素；

步骤[5]设定参数ρ，所述近表层、中层、近底层中的测点实时采集测点数据，将[X₁,X₂,...X_i...,X_n]代入f₁(X,ρ)，若f₁(X,ρ)小于或者等于0，则判断矩阵D中第1行元素均为0；若f₁(X,ρ)大于0，则判断矩阵D中第1行元素均为1；将[Y₁,Y₂,...Y_i...,Y_n]代入f₂(Y,ρ)，若f₂(Y,ρ)小于或者等于0，则判断矩阵D中第2行元素均为0；若f₂(Y,ρ)大于0，则判断矩阵D中第2行元素均为1；将[Z₁,Z₂,...Z_i...,Z_n]代入f₃(Z,ρ)，若f₃(Z,ρ)小于或者等于0，则判断矩阵D中第3行元素均为0，若f₃(Z,ρ)大于0，则判断矩阵D中第3行元素均为1；将目标水域同一垂直方向上的三层测点采集的测点数据X_i、Y_i和Z_i代入G_i(X_i,Y_i,Z_i,ρ)，若G_i(X_i,Y_i,Z_i,ρ)小于或者等于0，则判断矩阵D中[D_Xi,D_Yi,D_Zi]整列元素加0；反之，则判断矩阵D中[D_Xi,D_Yi,D_Zi]整列元素加1；

步骤[6]当判断矩阵D中D_Xi、D_Yi或者D_Zi等于2时，则判定与判断矩阵D中等于2的元素相对应的测点采集的测点数据不可靠，定位故障测点位置，发出报警信号，采用故障测点所在水层其他测点采集的测点数据的平均值代替不可靠的测点采集的测点数据，纠正后，输出近表层、中层、近底层测点采集的测点数据；当判断矩阵中D_Xi、D_Yi和D_Zi均小于2时，则判定测点采集的测点数据可靠，输出近表层、中层、近底层测点采集的数据。

进一步地，步骤[3]，m等于10,ρ取值[0：10]。ρ取值越大，则对故障的定义越严格，对应的纠错行为越多；当ρ＝m时，测点与模型存在任意大小的偏离均认为发生故障，算法将频繁进行纠错；反之，当ρ＝0时，测点与模型存在任意大小的偏离均认为没有发生故障，算法将不进行纠错。系统的纠错能力可由参数ρ实现控制。

本发明的有益效果为：1)首先对被测水域进行网格划分，设置测点矩阵，采集数据，当测点阵列均正常运行时，同一水层以及同一垂方向上，所有测点应该满足一定的相互关系，判断矩阵元素小于2，则直接输出数据；当不满足相互关系时，判断矩阵元素等于2，判断该测点的数据不可靠，采用同一水层其他测点的平均值进行纠正，纠正后，将测点数据输出，本发明改进在于，包括：(1)不同测点之间相互关系式求解方式；(2)测点故障判断(即判断矩阵D生成环节)，首先采用支持向量回归(Support Vector Regression,SVR)方法替代原发明中分别采用支持向量数据描述与多元线性回归方法对两类函数进行统一拟合，避免算法不统一对测点故障诊断灵敏度的影响，其次在判断矩阵D的生成环节，引进了参数ρ∈[0:m]对过程进行控制，ρ取值越大，则对故障的定义越严格，对应的纠错行为越多；当ρ＝m时，测点与模型存在任意大小的偏离均认为发生故障，算法将频繁进行纠错；反之，当ρ＝0时，测点与模型存在任意大小的偏离均认为没有发生故障，算法将不进行纠错；本发明可以对监测数据进行纠错，提高水质监测数据的可靠性；同时，其纠错行为可人为控制，当参数取最小值时系统的纠错功能不运作，而当参数取最大值时系统对测点数据发生的任意偏移均认为发生故障，强制纠错。

附图说明

图1所示为本发明的方法流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

如图1所示，一种纠错能力可控的水质监测数据可靠性提升方法，包括如下步骤：

步骤[1]将目标水域在垂直方向上划分为近表层、中层、近底层，每层分别布置n测点，所述近表层、中层、近底层中的测点数据分别记作[X₁,X₂,...X_i...,X_n]，[Y₁,Y₂,...Y_i...,Y_n]和[Z₁,Z₂,...Z_i...,Z_n]，其中X_i，Y_i，Z_i分别是所述近表层、中层、近底层中的第i个测点数据，i＝1，2，...，n；设目标水域界面面积为A，每个测点的覆盖面积为S，则有n·S≥A；所述测点可以为PH传感器或者溶解氧传感器及其他传感器，取决于实际的测试需求；

步骤[2]利用多组正常状态下近表层、中层、近底层中的测点采集的历史数据作为训练样本，采用支持向量回归方法分别建立近表层、中层、近底层同一水层测点间的内在关系式：

X_n＝w_X1×X₁+w_X2×X₂+…+w_Xj×X_j+…+w_Xn-1×X_n-1-b_X (1)

Y_n＝w_Y1×Y₁+w_Y2×Y₂+…+w_Yj×Y_j+…+w_Yn-1×Y_n-1-b_Y (2)

Z_n＝w_Z1×Z₁+w_Z2×Z₂+…+w_Zj×Z_j+…+w_Zn-1×Z_n-1-b_Z (3)

其中，w_Xj，w_Yj，w_Zj分别为近表层、中层、近底层中测点X_j，Y_j，Z_j的权重系数，j＝1,2，…，n-1；b_X、b_Y、b_Z为近表层、中层、近底层内在关系式的偏置量；

同理，采用支持向量回归方法分别建立近表层、中层、近底层在同一垂直方向上的三层测点间的内在关系式：

X_i＝w'_yi×Y_i+w'_zi×Z_i-b_Gi (4)

其中，w'_yi，w'_zi分别为第i个垂面方向上的测点Y_i，Z_i的权重系数，b_Gi为第i个垂直方向的三层测点间内在关系式的偏置量；

所有的权重系数和偏置量均可以通过支持向量回归方法计算而出；

当所有测点正常运行时有：

$\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Xj}.X_j-b_X-X_n=0---\left(5\right)$

$\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Yj}.Y_j-b_Y-Y_n=0---\left(6\right)$

$\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Zj}.Z_j-b_Z-z_n=0---\left(7\right)$

w'_yi×Y_i+w'_zi×Z_i-b_Gi-X_i＝0,i＝1,2,...,n (8)

步骤[3]给定指标函数f₁(X,ρ)、f₂(Y,ρ)、f₃(Z,ρ)用于评价近表层、中层、近底层中同一水层测点运行的可靠性，ρ参数用于调节评价的严格程度，0≤ρ≤m m为常数变量；m可以取10，也可以取100，数值越大，越利于ρ的调节；

$f_1(X,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Xj}.X_j-b_X-X_n\right|-R_X\left(\mathrm{\ρ}\right)---\left(9\right)$

$f_2(Y,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Yj}.Y_j-b_Y-Y_n\right|-R_Y\left(\mathrm{\ρ}\right)---\left(10\right)$

$f_3(Z,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Zj}.Z_j-b_Z-Z_n\right|-R_Z\left(\mathrm{\ρ}\right)---\left(11\right)$

$R_X\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})X_n}{m}---\left(12\right)$

$R_Y\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})Y_n}{m}---\left(13\right)$

$R_Z\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})Z_n}{m}---\left(14\right)$

其中，是利用支持向量回归方法计算的预测值，与实测值X_n、Y_n、Z_n相比较；比如，由于被测对象为实际物理对象，如水中溶氧率或者PH值等，SVR拟合所得函数与实测值X_n均大于等于0，又彼此接近，为实际值与预测值之间的差距；

给定指标函数G_i(X_i,Y_i,Z_i,ρ)用于评价第i个垂面方向的三个测点运行的可靠性：

G_i(X_i,Y_i,Z_i,ρ)＝|w'_yi×Y_i+w'_zi×Z_i-b_Gi-X_i|-R_Gi(ρ) (15)

$R_{Gi}\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})X_i}{m}---\left(16\right)$

其中，w'_yi×Y_i+w'_zi×Z_i-b_Gi是采用支持向量回归方法计算的预测值，与实测值X_i相比较；

步骤[4]设立判断矩阵D为：

$D=\left[\begin{array}{cccccc}{D}_{X1}& D_{X2}& ...& D_{Xi}& ...& D_{Xn}\\ D_{Y1}& D_{Y2}& ...& D_{Yi}& ...& D_{Yn}\\ D_{Z1}& D_{Z2}& ...& D_{Zi}& ...& D_{Zn}\end{array}\right]$

其中,D_Xi，D_Yi,D_Zi，分别为用于判断近表层、中层、近底层第i个测点采集的测点数据可靠性的元素；

步骤[5]设定参数ρ，所述近表层、中层、近底层中的测点实时采集测点数据，将[X₁,X₂,...X_i...,X_n]代入f₁(X,ρ)，若f₁(X,ρ)小于或者等于0，则判断矩阵D中第1行元素均为0；若f₁(X,ρ)大于0，则判断矩阵D中第1行元素均为1；将[Y₁,Y₂,...Y_i...,Y_n]代入f₂(Y,ρ)，若f₂(Y,ρ)小于或者等于0，则判断矩阵D中第2行元素均为0；若f₂(Y,ρ)大于0，则判断矩阵D中第2行元素均为1；将[Z₁,Z₂,...Z_i...,Z_n]代入f₃(Z,ρ)，若f₃(Z,ρ)小于或者等于0，则判断矩阵D中第3行元素均为0，若f₃(Z,ρ)大于0，则判断矩阵D中第3行元素均为1；将目标水域同一垂直方向上的三层测点采集的测点数据X_i、Y_i和Z_i代入G_i(X_i,Y_i,Z_i,ρ)，若G_i(X_i,Y_i,Z_i,ρ)小于或者等于0，则判断矩阵D中[D_Xi,D_Yi,D_Zi]整列元素加0；反之，则判断矩阵D中[D_Xi,D_Yi,D_Zi]整列元素加1；

步骤[6]当判断矩阵D中D_Xi、D_Yi或者D_Zi等于2时，则判定与判断矩阵D中等于2的元素相对应的测点采集的测点数据不可靠，定位故障测点位置，发出报警信号，采用故障测点所在水层其他测点采集的测点数据的平均值代替不可靠的测点采集的测点数据，纠正后，输出近表层、中层、近底层测点采集的测点数据；当判断矩阵中D_Xi、D_Yi和D_Zi均小于2时，则判定测点采集的测点数据可靠，输出近表层、中层、近底层测点采集的数据。

这里简单介绍现有技术：支持向量回归方法(Support Vector Regression,SVR)是一种经典的函数拟合方法，该方法以统计学习理论为基础，对训练样本进行学习，拟合出给定样本满足的分布函数。给定一组训练样本{(x₁,y₁),...,(x_N,y_N)}，该样本集包含正常运行条件下的N个样本数据，其中x_i为系统的输入，y_i为输出。支持向量回归通过构建如下Lagrangian式拟合函数:

$\begin{array}{c}\min :L\left(\mathrm{\α}\right)=\frac{1}{2}(w,w)+C\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*})-\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i(y_i-(w,x_i)-b+\mathrm{\ϵ}+{\mathrm{\ξ}}_i)\\ -\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\α}}_i^{*}(-y_i+(w,x_i)+b+\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*})-\underset{i=1}{\overset{N}{\Σ}}({\mathrm{\β}}_i{\mathrm{\ξ}}_i+{\mathrm{\β}}_i^{*}{\mathrm{\ξ}}_i^{*})\end{array}---\left(17\right)$

其中α_i,β_i≥0为拉格朗日乘子，C、ε及K(·)为给定参数，ξ_i为松弛因子。通过特定算法，如Active set方法等，可对式(17)进行求解，得到数据满足的分布函数f(x)＝w·x-b。面对未知输入数据时，可借助函数f(x)预测出其输出。在本发明中，以近表层为例，可令输入为[X₁,X₂,...,X_n-1]，输出为X_n，通过SVR方法求解出相互关系式

X_n＝w_X1×X₁+w_X2×X₂+…+w_Xi×X_i+…+w_Xn-1×X_n-1-b_x。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种纠错能力可控的水质监测数据可靠性提升方法，其特征在于，包括如下步骤：

步骤[1]将目标水域在垂直方向上划分为近表层、中层、近底层，每层分别布置n测点，所述近表层、中层、近底层中的测点数据分别记作[X₁,X₂,... X_i...,X_n]，[Y₁,Y₂,...Y_i...,Y_n]和[Z₁,Z₂,... Z_i...,Z_n]，其中X_i，Y_i，Z_i分别是所述近表层、中层、近底层中的第i个测点数据，i＝1，2，...，n；设目标水域界面面积为A，每个测点的覆盖面积为S，则有n·S≥A；

步骤[2]利用多组正常状态下近表层、中层、近底层中的测点采集的历史数据作为训练样本，采用支持向量回归方法分别建立近表层、中层、近底层同一水层测点间的内在关系式：

X_n＝w_X1×X₁+w_X2×X₂+…+w_Xj×X_j+…+w_Xn-1×X_n-1-b_X (1)

Y_n＝w_Y1×Y₁+w_Y2×Y₂+…+w_Yj×Y_j+…+w_Yn-1×Y_n-1-b_Y (2)

Z_n＝w_Z1×Z₁+w_Z2×Z₂+…+w_Zj×Z_j+…+w_Zn-1×Z_n-1-b_Z (3)

其中，w_Xj，w_Yj，w_Zj分别为近表层、中层、近底层中测点X_j，Y_j，Z_j的权重系数，j＝1,2，…，n-1；b_X、b_Y、b_Z为近表层、中层、近底层内在关系式的偏置量；

同理，采用支持向量回归方法分别建立近表层、中层、近底层在同一垂直方向上的三层测点间的内在关系式：

X_i＝w'_yi×Y_i+w'_zi×Z_i-b_Gi (4)

其中，w'_yi，w'_zi分别为第i个垂面方向上的测点Y_i，Z_i的权重系数，b_Gi为第i个垂直方向上的三层测点间内在关系式的偏置量；

步骤[3]给定指标函数f₁(X,ρ)、f₂(Y,ρ)、f₃(Z,ρ)用于评价近表层、中层、近底层中同一水层测点运行的可靠性，ρ参数用于调节评价的严格程度，0≤ρ≤m m为常数变量；

$f_1(X,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Xj}.X_j-b_X-X_n\right|-R_X\left(\mathrm{\ρ}\right)---\left(9\right)$

$f_2(Y,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Yj}.Y_j-b_Y-Y_n\right|-R_Y\left(\mathrm{\ρ}\right)---\left(10\right)$

$f_3(Z,\mathrm{\ρ})=\left|\underset{j=1}{\overset{n-1}{\Σ}}{w}_{Zj}.Z_j-b_Z-Z_n\right|-R_Z\left(\mathrm{\ρ}\right)$

$R_X\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})X_n}{m}$

$R_Y\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})Y_n}{m}$

$R_Z\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})Z_n}{m}$

其中，是利用支持向量回归方法计算的预测值，对应地，X_n、Y_n、Z_n是实测值；

给定指标函数G_i(X_i，Y_i，Z_i，ρ)用于评价第i个垂面方向的三个测点运行的可靠性：

G_i(X_i，Y_i，Z_i，ρ)＝|w′_yi×Y_i+w′_zi×Z_i-b_Gi-X_i|-R_Gi(ρ)

$R_{Gi}\left(\mathrm{\ρ}\right)=\frac{(m-\mathrm{\ρ})X_i}{m}$

其中，w'_yi×Y_i+w'_zi×Z_i-b_Gi是采用支持向量回归方法计算的预测值，对应地，X_i是实测值；

步骤[4]设立判断矩阵D为：

$D=\left[\begin{array}{cccccc}{D}_{X1}& D_{X2}& ...& D_{Xi}& ...& D_{Xn}\\ D_{Y1}& D_{Y2}& ...& D_{Yi}& ...& D_{Yn}\\ D_{Z1}& D_{Z2}& ...& D_{Zi}& ...& D_{Zn}\end{array}\right]$

其中,D_Xi，D_Yi,D_Zi，分别为用于判断近表层、中层、近底层第i个测点采集的测点数据可靠性的元素；

步骤[5]设定参数ρ，所述近表层、中层、近底层中的测点实时采集测点数据，将[X₁,X₂,... X_i...,X_n]代入f₁(X,ρ)，若f₁(X,ρ)小于或者等于0，则判断矩阵D中第1行元素均为0；若f₁(X,ρ)大于0，则判断矩阵D中第1行元素均为1；将[Y₁,Y₂,... Y_i...,Y_n]代入f₂(Y,ρ)，若f₂(Y,ρ)小于或者等于0，则判断矩阵D中第2行元素均为0；若f₂(Y,ρ)大于0，则判断矩阵D中第2行元素均为1；将[Z₁,Z₂,... Z_i...,Z_n]代入f₃(Z,ρ)，若f₃(Z,ρ)小于或者等于0，则判断矩阵D中第3行元素均为0，若f₃(Z,ρ)大于0，则判断矩阵D中第3行元素均为1；将目标水域同一垂直方向上的三层测点采集的测点数据X_i、Y_i和Z_i代入G_i(X_i,Y_i,Z_i,ρ)，若G_i(X_i,Y_i,Z_i,ρ)小于或者等于0，则判断矩阵D中[D_Xi,D_Yi,D_Zi]整列元素加0；反之，则判断矩阵D中[D_Xi,D_Yi,D_Zi]整列元素加1；

步骤[6]当判断矩阵D中D_Xi、D_Yi或者D_Zi等于2时，则判定与判断矩阵D中等于2的元素相对应的测点采集的测点数据不可靠，定位故障测点位置，发出报警信号，采用故障测点所在水层其他测点采集的测点数据的平均值代替不可靠的测点采集的测点数据，纠正后，输出近表层、中层、近底层测点采集的测点数据；当判断矩阵中D_Xi、D_Yi和D_Zi均小于2时，则判定测点采集的测点数据可靠，输出近表层、中层、近底层测点采集的数据。

2.如权利要求1所述的一种纠错能力可控的水质监测数据可靠性提升方法，其特征在于，

步骤[3]m等于10,ρ取值[0：10]。