CN106802568A - 一种基于云计算的脉冲水处理装置的远程控制系统 - Google Patents

Abstract

本发明属于水处理技术领域，公开了一种基于云计算的脉冲水处理装置的远程控制系统，包括：多通道脉冲水处理装置、单片机分系统、主控制系统、服务器、云计算中心、移动终端。本发明设置有云计算中心，提高了数据的处理速度和效率，提高了系统的可靠性和稳定性。本发明在保证WSN数据传输可靠性的同时，提高网络负载整体的均衡度，有效减少数据冗余和降低节点能量损耗，从而延长了WSN的工作寿命。

Description

一种基于云计算的脉冲水处理装置的远程控制系统

技术领域

本发明属于水处理技术领域，尤其涉及一种基于云计算的脉冲水处理装置的远程控制系统。

背景技术

多通道高频脉冲水处理装置在企事业单位循环水系统使用以来，为用户全天候在线除垢、杀菌、灭藻，改善水质发挥着重要作用。然而、由于各区域水质的不同，各企业业主对处理水质的指标要求各异，以及设备电流、电压的变化、有些设备甚至在高空摆放；现阶段下，工作人员每天需到现场查看并取水样化验、记录设备运行数据比较辛苦、麻烦；同时，如水质的好坏变化未能及时发现或者水处理设备发生故障未及时发现，均会给企业正常生产带来影响或重大损失。

综上所述，现有技术存在的问题是：现有的脉冲水处理装置存在功能单一，处理效率较低。

发明内容

针对现有技术存在的问题，本发明提供了一种基于云计算的脉冲水处理装置的远程控制系统。

本发明是这样实现的，一种基于云计算的脉冲水处理装置的远程控制系统，所述基于云计算的脉冲水处理装置的远程控制系统包括：

多通道脉冲水处理装置，用于收集脉冲水的数据信号；所述多通道脉冲水处理装置通过内置的图像处理模块进行建立图像的显著性模型，来判定水处理的质量信息；所述建立图像的显著性模型包括：

利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

或按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

根据每种颜色类型的颜色值，建立所述显著性模型；

所述多通道脉冲水处理装置用于归一化混合矩阵列向量估计时频域跳频源信号，具体步骤如下：

第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳，其中的第l个频率跳变时刻的估计；

第二步，对第l(l＝1,2,…)跳的所有时刻p_l，估计该跳各跳频源信号的时频域数据，计算公式如下：

单片机分系统，与多通道脉冲水处理装置有线连接，用于接收多通道脉冲水处理装置收集的脉冲水数据信号，并进行处理的处理；

所述单片机分系统的小波包去噪和小波包分解与重构包括：(1)信号延拓，对小波包分解的各层信号进行抛物线延拓；(2)设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：(3)消去单子带多余频率成分：将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子采用LF-cut-IF算子采用，在HF-cut-IF算子公和LF-cut-IF算子公式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

主控制系统，与单片机分系统有线连接，用于接收单片机分系统处理的信号，并通过互联网发送至服务器；

服务器，通过互联网与主控制系统连接，用于接收主控制系统的信号，并进行存储，通过网线或4G网络发送至云计算中心、移动终端；

所述服务器的无线传感器网络中安全数据检索方法包括以下步骤：

步骤一，传感器S_i完成一个周期的数据采集，采集的数据为(i，t，{d₁，d₂，…，d_n})，其中i为传感器号，t为周期号；S_i首先采用AES对数据{d₁，d₂，…，d_n}进行加密，生成加密数据{(d₁)_K，(d₂)_K，…，(d_n)_K}，其中K为数据加密密钥；

步骤二，S_i为每一个数据构建一个不可区分布鲁姆过滤器，且每一个不可区分布鲁姆过滤器分配一个唯一的ID号，对数据d_j，S_i构建一个分配ID号为i_j的不可区分布鲁姆过滤器B_ij；

步骤三，S_i将加密数据、对应的不可区分布鲁姆过滤器以及其ID号上传到存储节点，上传的数据形式为：{(i₁，B_i1，(d₁)_K)，(i₂，B_i2(d₂)_K)，…，(i_n，B_in，(d_n)_K)}；

所述服务器发送数据具体包括：

第一步，按照下式，计算中间节点S₁,S₂,L,S_i,L,S_n到目的节点Sink的距离d_iSink，以及源节点N到目的节点Sink的距离d_NSink：

其中(x_i,y_i)为中间节点S₁,S₂,L,S_i,L,S_n的坐标，(x_N,y_N)为源节点N的坐标，(x_Sink,y_Sink)为目的节点Sink的坐标；

第二步，源节点N选择在其传输范围内，且到目的节点的距离d_iSink比源节点N到目的节点Sink的距离d_NSink更近的所有中间节点作为邻居节点；

第三步，在所有邻居节点中，源节点N根据路由算法公式选出下一跳转发节点，公式如下：

其中，M表示节点的综合值；D表示邻居节点到目的节点Sink的距离；E表示节点的剩余能量，等于节点的初始能量减去每次接收和转发数据所消耗的能量；S表示节点的安全度，所有节点预设相同初始值，当目的节点Sink接收到的数据与源节点N发送的数据不一致时，则将本次数据传输路径中所有节点的安全度降为当前值的二分之一；α，β，γ为常数；依次计算每个邻居节点的M值，将其中M值最小的邻居节点作为下一跳转发节点，即到目的节点Sink的距离最短，剩余能量最多且安全度最大的邻居节点；

第四步，源节点N将含水印数据序列wdata发送给选出的下一跳转发节点；

第五步，下一跳转发节点接收到含水印数据序列wdata，重复第一步到第四步，继续选出后续转发节点并转发含水印数据序列wdata，直至将含水印数据序列wdata传送到目的节点Sink；

云计算中心，通过网络与服务器连接，用于对服务器的数据进行计算，实现与以往数据对比，形成表格或曲线图，返回服务器进行存储并显示；

移动终端，通过4G网络与服务器连接，实现对服务器的远程控制，达到远程接收数据。

进一步，所述无线传感器的簇的建立阶段，簇首节点产生后，主动向网络中所有节点广播这一消息；未被选择作为簇首的传感器节点选择最优簇首，并发送加入该簇的请求信息；簇首收到请求后，将节点设置为簇内成员；簇形成后，簇首通过广播方式告知为簇内每一个节点分配一个TDMA通信时隙；只有在属于自己的时隙内，成员节点才向簇首节点发送数据；

(1)在每一轮中选举PN个簇头节点，其中P为优化簇头比例，也是加权概率；每一个节点由下面的概率门限来决定是否成为簇头节点：

其中，r为当前的轮数，G为在最近轮中没有成为簇头的节点集合；每个节点都有机会轮流成为消耗能量较多的簇头节点；

E₀表示普通节点的初始能量，a₁,a₂,...,a_n分别表示n种特殊节点所占的比例，b₁,b₂,...,b_n分别表示特殊节点初始能量超过普通节点初始能量的倍数；

a₁N,a₂N,...,a_nN个特殊节点的初始能量分别为E₀(1+b₁),E₀(1+b₂),...,E₀(1+b_n)，剩下的(1-a₁-a₂,...-a_n)N个普通节点的初始能量为E₀(1+b_n)；

多级异构网络总的初始能量为：

N个传感器节点随机均匀分布在一个半径为A的圆形区域，sink节点位于区域中间，每一轮向簇头发送数据的过程中所耗的总能量为：

其中，l为簇头数，E_elec表示运行传输电路或者接收电路时每比特数据所消耗的能量，E_DA为簇头执行数据融合的代价，为簇头到sink节点的平均距离，为簇成员节点到簇头节点的平均距离，ε_ampd⁴ _sink和为放大器消耗的能量：

计算得到

对E_round关于l求偏导，并令该偏导数为0，则最优的簇头数为：

得到网络在每一轮消耗的能量总数E_round；同时，

网络的初始总能量E_total已知，R_total为网络生命周期的估计值，也可得到：

R_tatal＝E_total/E_round；

对这n+1种节点按照其初始能量取不同的加权概率P_i：

(2)节点i在第r轮的当前能量E_i(r)来选取其簇头轮转周期T_i，表示网络在第r轮的平均能量，以作为参考能量与节点的当前能量E_i(r)作比较，得到：

其中，P_opt为优化簇头比例；

第r轮后网络每个节点的平均能量为：

代入计算得到加权概率H_i(r)；

得到各节点的概率门限。

进一步，所述云计算中心的离散函数模型：

式中：u(0)为初始信号，μ为混沌参数，ν为分数阶阶数，n为信号长度，j表示第j步迭代，α(μ,ν,j,n)为离散积分核，u(n)为第n步信号，n和N设置为800，m为1,L,N的整。

进一步，服务器的信号间干扰关系分析方法包括：

一)，确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量

二)，基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量

服务器的信号间干扰关系分析方法还包括：

定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：

其中PRJ(·)算子表示针对某一CP维度的投影运算；

定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；

进一步，服务器的信号间干扰关系分析方法还包括：在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；

定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度。

进一步，图像处理模块采用MRD算法根据鲁棒统计来改进图像相关性度量方法，利用鲁棒估计函数对象素灰度差进行加权后求和；

MRD算法的算式为：

其中，ρ(x；σ)为鲁棒估计函数，T:K×L的模板图像，f:M×N的实时图像，1≤m≤M–K+1，1≤n≤N–L+1，当D(m,n)取最小值时，是最佳匹配。

本发明的优点及积极效果为：设置有云计算中心，提高了数据的处理速度和效率，提高了系统的可靠性和稳定性。本发明在保证WSN数据传输可靠性的同时，提高网络负载整体的均衡度，有效减少数据冗余和降低节点能量损耗，从而延长了WSN的工作寿命。本发明建立的图像显著性模型利用预定过分割算法对所述图像进行过分割，得到至少一个区域，从而准确判定出处理的水质问题。本发明基于云计算服务器数据处理方法比现有技术的准确率92.5％提高到97.32％，提高了进5个百分点。本发明通过MRD算法，保证了图像数据精确获得。

附图说明

图1是本发明实施例提供的基于云计算的脉冲水处理装置的远程控制系统结构示意图；

图中：1、多通道脉冲水处理装置；2、单片机分系统；3、主控制系统；4、服务器；5、云计算中心；6、移动终端。

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，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于云计算的脉冲水处理装置的远程控制系统包括：多通道脉冲水处理装置1、单片机分系统2、主控制系统3、服务器4、云计算中心5、移动终端6。

多通道脉冲水处理装置1，用于收集脉冲水的数据信号。所述多通道脉冲水处理装置通过内置的图像处理模块进行建立图像的显著性模型，来判定水处理的质量信息；所述建立图像的显著性模型包括：

利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

或按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

根据每种颜色类型的颜色值，建立所述显著性模型；

单片机分系统2，与多通道脉冲水处理装置1有线连接，用于接收多通道脉冲水处理装置1收集的脉冲水数据信号，并进行处理的处理。

主控制系统3，与单片机分系统2有线连接，用于接收单片机分系统2处理的信号，并通过互联网发送至服务器4。

服务器4，通过互联网与主控制系统3连接，用于接收主控制系统3的信号，并进行存储，通过网线或4G网络发送至云计算中心5、移动终端6。

云计算中心5，通过网络与服务器4连接，用于对服务器的数据进行计算，实现与以往数据对比，形成表格或曲线图，返回服务器4进行存储并显示。

移动终端6，通过4G网络与服务器4连接，实现对服务器4的远程控制，达到远程接收数据。

所述多通道脉冲水处理装置用于归一化混合矩阵列向量估计时频域跳频源信号，具体步骤如下：

第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳，其中的第l个频率跳变时刻的估计；

第二步，对第l(l＝1,2,…)跳的所有时刻p_l，估计该跳各跳频源信号的时频域数据，计算公式如下：

所述单片机分系统的小波包去噪和小波包分解与重构包括：(1)信号延拓，对小波包分解的各层信号进行抛物线延拓；(2)设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：(3)消去单子带多余频率成分：将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子采用LF-cut-IF算子采用，在HF-cut-IF算子公和LF-cut-IF算子公式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

所述服务器的无线传感器网络中安全数据检索方法包括以下步骤：

步骤一，传感器S_i完成一个周期的数据采集，采集的数据为(i，t，{d₁，d₂，…，d_n})，其中i为传感器号，t为周期号；S_i首先采用AES对数据{d₁，d₂，…，d_n}进行加密，生成加密数据{(d₁)_K，(d₂)_K，…，(d_n)_K}，其中K为数据加密密钥；

步骤二，S_i为每一个数据构建一个不可区分布鲁姆过滤器，且每一个不可区分布鲁姆过滤器分配一个唯一的ID号，对数据d_j，S_i构建一个分配ID号为i_j的不可区分布鲁姆过滤器B_ij；

步骤三，S_i将加密数据、对应的不可区分布鲁姆过滤器以及其ID号上传到存储节点，上传的数据形式为：{(i₁，B_i1，(d₁)_K)，(i₂，B_i2(d₂)_K)，…，(i_n，B_in，(d_n)_K)}；

所述服务器发送数据具体包括：

第一步，按照下式，计算中间节点S₁,S₂,L,S_i,L,S_n到目的节点Sink的距离d_iSink，以及源节点N到目的节点Sink的距离d_NSink：

其中(x_i,y_i)为中间节点S₁,S₂,L,S_i,L,S_n的坐标，(x_N,y_N)为源节点N的坐标，(x_Sink,y_Sink)为目的节点Sink的坐标；

第二步，源节点N选择在其传输范围内，且到目的节点的距离d_iSink比源节点N到目的节点Sink的距离d_NSink更近的所有中间节点作为邻居节点；

第三步，在所有邻居节点中，源节点N根据路由算法公式选出下一跳转发节点，公式如下：

其中，M表示节点的综合值；D表示邻居节点到目的节点Sink的距离；E表示节点的剩余能量，等于节点的初始能量减去每次接收和转发数据所消耗的能量；S表示节点的安全度，所有节点预设相同初始值，当目的节点Sink接收到的数据与源节点N发送的数据不一致时，则将本次数据传输路径中所有节点的安全度降为当前值的二分之一；α，β，γ为常数；依次计算每个邻居节点的M值，将其中M值最小的邻居节点作为下一跳转发节点，即到目的节点Sink的距离最短，剩余能量最多且安全度最大的邻居节点；

第四步，源节点N将含水印数据序列wdata发送给选出的下一跳转发节点；

第五步，下一跳转发节点接收到含水印数据序列wdata，重复第一步到第四步，继续选出后续转发节点并转发含水印数据序列wdata，直至将含水印数据序列wdata传送到目的节点Sink。

所述无线传感器的簇的建立阶段，簇首节点产生后，主动向网络中所有节点广播这一消息；未被选择作为簇首的传感器节点选择最优簇首，并发送加入该簇的请求信息；簇首收到请求后，将节点设置为簇内成员；簇形成后，簇首通过广播方式告知为簇内每一个节点分配一个TDMA通信时隙；只有在属于自己的时隙内，成员节点才向簇首节点发送数据；

(1)在每一轮中选举PN个簇头节点，其中P为优化簇头比例，也是加权概率；每一个节点由下面的概率门限来决定是否成为簇头节点：

其中，r为当前的轮数，G为在最近轮中没有成为簇头的节点集合；每个节点都有机会轮流成为消耗能量较多的簇头节点；

E₀表示普通节点的初始能量，a₁,a₂,...,a_n分别表示n种特殊节点所占的比例，b₁,b₂,...,b_n分别表示特殊节点初始能量超过普通节点初始能量的倍数；

a₁N,a₂N,...,a_nN个特殊节点的初始能量分别为E₀(1+b₁),E₀(1+b₂),...,E₀(1+b_n)，剩下的(1-a₁-a₂,...-a_n)N个普通节点的初始能量为E₀(1+b_n)；

多级异构网络总的初始能量为：

N个传感器节点随机均匀分布在一个半径为A的圆形区域，sink节点位于区域中间，每一轮向簇头发送数据的过程中所耗的总能量为：

其中，l为簇头数，E_elec表示运行传输电路或者接收电路时每比特数据所消耗的能量，E_DA为簇头执行数据融合的代价，为簇头到sink节点的平均距离，为簇成员节点到簇头节点的平均距离，ε_ampd⁴ _sink和为放大器消耗的能量：

计算得到

对E_round关于l求偏导，并令该偏导数为0，则最优的簇头数为：

得到网络在每一轮消耗的能量总数E_round；同时，

网络的初始总能量E_total已知，R_total为网络生命周期的估计值，也可得到：

R_tatal＝E_total/E_round；

对这n+1种节点按照其初始能量取不同的加权概率P_i：

(2)节点i在第r轮的当前能量E_i(r)来选取其簇头轮转周期T_i，表示网络在第r轮的平均能量，以作为参考能量与节点的当前能量E_i(r)作比较，得到：

其中，P_opt为优化簇头比例；

第r轮后网络每个节点的平均能量为：

代入计算得到加权概率H_i(r)；

得到各节点的概率门限。

所述云计算中心的离散函数模型：

式中：u(0)为初始信号，μ为混沌参数，ν为分数阶阶数，n为信号长度，j表示第j步迭代，α(μ,ν,j,n)为离散积分核，u(n)为第n步信号，n和N设置为800，m为1,L,N的整。

进一步，服务器的信号间干扰关系分析方法包括：

一)，确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量

二)，基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量

服务器的信号间干扰关系分析方法还包括：

定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：

其中PRJ(·)算子表示针对某一CP维度的投影运算；

定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；

进一步，服务器的信号间干扰关系分析方法还包括：在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；

定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度。

进一步，图像处理模块采用MRD算法根据鲁棒统计来改进图像相关性度量方法，利用鲁棒估计函数对象素灰度差进行加权后求和；

MRD算法的算式为：

其中，ρ(x；σ)为鲁棒估计函数，T:K×L的模板图像，f:M×N的实时图像，1≤m≤M–K+1，1≤n≤N–L+1，当D(m,n)取最小值时，是最佳匹配。

本发明单片机分系统处理收集到的多通道脉冲水处理装置的各数据信号，并将处理后的数据信号传输到主控制系统；若干个水质传感器将测得的数据信号传入主控制系统；主控制系统通过服务器接入互联网，或通过移动设备接收设备运行状态信息。云计算中心通过网络用于对服务器的数据进行计算，实现与以往数据对比，形成表格或曲线图，返回服务器进行存储并显示；移动终端实现对服务器的远程控制，达到远程接收数据。

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 (8)

1.一种基于云计算的脉冲水处理装置的远程控制系统，其特征在于，所述基于云计算的脉冲水处理装置的远程控制系统包括：

多通道脉冲水处理装置，用于收集脉冲水的数据信号；所述多通道脉冲水处理装置通过内置的图像处理模块进行建立图像的显著性模型，来判定水处理的质量信息；所述建立图像的显著性模型包括：

利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型；

所述显著性模型为：

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为：Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时；

或按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

根据每种颜色类型的颜色值，建立所述显著性模型；

所述多通道脉冲水处理装置用归一化混合矩阵列向量估计时频域跳频源信号，具体步骤如下：

第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳，其中的第l个频率跳变时刻的估计；

第二步，对第l(l＝1,2,…)跳的所有时刻p_l，估计该跳各跳频源信号的时频域数据，计算公式如下：

$\left\{\begin{array}{c}{\tilde{S}}_j(p_l,q)=\frac{1}{\left|\right|{\hat{a}}_j\left(l\right)|{|}^2}\·{\hat{a}}_j^H\left(l\right)\×\left[\begin{array}{c}{\tilde{X}}_1(p_l,q)\\ {\tilde{X}}_2(p_l,q)\\ .\\ .\\ .\\ {\tilde{X}}_M(p_l,q)\end{array}\right]\\ j=\underset{j_0=1:\hat{N}}{\arg \max }\left(\right|{\[{\tilde{X}}_1(p_l,q),{\tilde{X}}_2(p_l,q),\mathrm{...},{\tilde{X}}_M(p_l,q)\]}^H\×{\hat{a}}_{j_0}\left(l\right)\left|\right)\\ {\tilde{S}}_m(p_l,q)=0,m=1,2,\mathrm{...},M,m\≠j\\ q=0,1,2,\mathrm{...},N_{fft}-1\end{array}\right.;$

单片机分系统，与多通道脉冲水处理装置有线连接，用于接收多通道脉冲水处理装置收集的脉冲水数据信号，并进行处理；

所述单片机分系统的小波包去噪和小波包分解与重构包括：(1)信号延拓，对小波包分解的各层信号进行抛物线延拓；(2)设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：(3)消去单子带多余频率成分：将延拓后的信号与分解低通滤波器h₀卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g₀卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子采用LF-cut-IF算子采用，在HF-cut-IF算子公和LF-cut-IF算子公式中，x(n)为在2^j尺度上小波包的系数，N_j表示在2^j尺度上数据的长度，k＝0，1，…，N_j-1；n＝0，1，…，N_j-1；

主控制系统，与单片机分系统有线连接，用于接收单片机分系统处理的信号，并通过互联网发送至服务器；

服务器，通过互联网与主控制系统连接，用于接收主控制系统的信号，并进行存储，通过网线或4G网络发送至云计算中心、移动终端；

所述服务器的无线传感器网络中安全数据检索方法包括以下步骤：

步骤一，传感器S_i完成一个周期的数据采集，采集的数据为(i，t，{d₁，d₂，…，d_n})，其中i为传感器号，t为周期号；S_i首先采用AES对数据{d₁，d₂，…，d_n}进行加密，生成加密数据{(d₁)_K，(d₂)_K，…，(d_n)_K}，其中K为数据加密密钥；

步骤二，S_i为每一个数据构建一个不可区分布鲁姆过滤器，且每一个不可区分布鲁姆过滤器分配一个唯一的ID号，对数据d_j，S_i构建一个分配ID号为i_j的不可区分布鲁姆过滤器B_ij；

步骤三，S_i将加密数据、对应的不可区分布鲁姆过滤器以及其ID号上传到存储节点，上传的数据形式为：{(i₁，B_i1，(d₁)_K)，(i₂，B_i2(d₂)_K)，…，(i_n，B_in，(d_n)_K)}；

所述服务器发送数据具体包括：

第一步，按照下式，计算中间节点S₁,S₂,L,S_i,L,S_n到目的节点Sink的距离d_iSink，以及源节点N到目的节点Sink的距离d_NSink：

$d_{iSink}=\sqrt{{(x_i-x_{Sink})}^2+{(y_i-y_{Sink})}^2};$

$d_{NSink}=\sqrt{{(x_N-x_{Sink})}^2+{(y_N-y_{Sink})}^2};$

其中(x_i,y_i)为中间节点S₁,S₂,L,S_i,L,S_n的坐标，(x_N,y_N)为源节点N的坐标，(x_Sink,y_Sink)为目的节点Sink的坐标；

第二步，源节点N选择在其传输范围内，且到目的节点的距离d_iSink比源节点N到目的节点Sink的距离d_NSink更近的所有中间节点作为邻居节点；

第三步，在所有邻居节点中，源节点N根据路由算法公式选出下一跳转发节点，公式如下：

$M=\frac{\mathrm{\α}D}{\mathrm{\β}E+\mathrm{\γ}S};$

其中，M表示节点的综合值；D表示邻居节点到目的节点Sink的距离；E表示节点的剩余能量，等于节点的初始能量减去每次接收和转发数据所消耗的能量；S表示节点的安全度，所有节点预设相同初始值，当目的节点Sink接收到的数据与源节点N发送的数据不一致时，则将本次数据传输路径中所有节点的安全度降为当前值的二分之一；α，β，γ为常数；依次计算每个邻居节点的M值，将其中M值最小的邻居节点作为下一跳转发节点，即到目的节点Sink的距离最短，剩余能量最多且安全度最大的邻居节点；

第四步，源节点N将含水印数据序列wdata发送给选出的下一跳转发节点；

第五步，下一跳转发节点接收到含水印数据序列wdata，重复第一步到第四步，继续选出后续转发节点并转发含水印数据序列wdata，直至将含水印数据序列wdata传送到目的节点Sink；

云计算中心，通过网络与服务器连接，用于对服务器的数据进行计算，实现与以往数据对比，形成表格或曲线图，返回服务器进行存储并显示；

移动终端，通过4G网络与服务器连接，实现对服务器的远程控制，达到远程接收数据。

2.如权利要求1所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，所述无线传感器的簇的建立阶段，簇首节点产生后，主动向网络中所有节点广播这一消息；未被选择作为簇首的传感器节点选择最优簇首，并发送加入该簇的请求信息；簇首收到请求后，将节点设置为簇内成员；簇形成后，簇首通过广播方式告知为簇内每一个节点分配一个TDMA通信时隙；只有在属于自己的时隙内，成员节点才向簇首节点发送数据。

3.如权利要求2所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，成员节点向簇首节点发送数据，具体包括：

(1)在每一轮中选举PN个簇头节点，其中P为优化簇头比例，也是加权概率；每一个节点由下面的概率门限来决定是否成为簇头节点：

$T\left(n_i\right)=\left\{\begin{array}{c}\frac{P_{opt}}{1-P_{opt}\[r\mathrm{mod}(1/P_{opt})\]},\∀n_i\∈G\\ 0,\∀n_i\∉G\end{array}\right.;$

其中，r为当前的轮数，G为在最近轮中没有成为簇头的节点集合；每个节点都有机会轮流成为消耗能量较多的簇头节点；

E₀表示普通节点的初始能量，a₁,a₂,...,a_n分别表示n种特殊节点所占的比例，b₁,b₂,...,b_n分别表示特殊节点初始能量超过普通节点初始能量的倍数；

a₁N,a₂N,...,a_nN个特殊节点的初始能量分别为E₀(1+b₁),E₀(1+b₂),...,E₀(1+b_n)，剩下的(1-a₁-a₂,...-a_n)N个普通节点的初始能量为E₀(1+b_n)；

多级异构网络总的初始能量为：

$\begin{array}{c}{E}_{total}=E_0(1+b_1)a_{1}N+E_0(1+b_2)a_{2}N+\mathrm{...}+E_0(1+b_n)a_{n}N\\ +E_0(1-a_1-a_2-\mathrm{...}-a_n)N\\ =E_{0}N(1+a_1{b}_1+a_2{b}_2+\mathrm{...}+a_n{b}_n)\\ =E_{0}N(1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i)\end{array};$

N个传感器节点随机均匀分布在一个半径为A的圆形区域，sink节点位于区域中间，每一轮向簇头发送数据的过程中所耗的总能量为：

$E_{round}=k(2{\mathrm{NE}}_{elec}+{\mathrm{NE}}_{DA}+{\mathrm{l\ϵ}}_{amp}{d^4}_{\sin k}+{\mathrm{N\ϵ}}_{fs}{{\stackrel{\‾}{d}}_{CH}}^2)$

其中，l为簇头数，E_elec表示运行传输电路或者接收电路时每比特数据所消耗的能量，E_DA为簇头执行数据融合的代价，为簇头到sink节点的平均距离，为簇成员节点到簇头节点的平均距离，ε_ampd⁴ _sink和为放大器消耗的能量：

计算得到

对E_round关于l求偏导，并令该偏导数为0，则最优的簇头数为：

$l_{opt}=\sqrt{\frac{N}{2}}\sqrt{\frac{{\mathrm{\ϵ}}_{fs}}{{\mathrm{\ϵ}}_{amp}}}\frac{A}{{d^2}_{\sin k}};$

得到网络在每一轮消耗的能量总数E_round；同时，

网络的初始总能量E_total已知，R_total为网络生命周期的估计值，也可得到：

R_tatal＝E_total/E_round；

对这n+1种节点按照其初始能量取不同的加权概率P_i：

$P_1=\frac{1+b_1}{1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i},P_2=\frac{1+b_2}{1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i},\mathrm{...},P_n=\frac{1+b_n}{1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i},P_0=\frac{1}{1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i},$

(2)节点i在第r轮的当前能量E_i(r)来选取其簇头轮转周期T_i，表示网络在第r轮的平均能量，以作为参考能量与节点的当前能量E_i(r)作比较，得到：

$H_i\left(r\right)=P_{opt}\frac{E_i\left(r\right)}{\stackrel{\‾}{E}\left(r\right)}{P}_i;$

其中，P_opt为优化簇头比例；

第r轮后网络每个节点的平均能量为：

$\stackrel{\‾}{E}\left(r\right)=\frac{E_{total}}{N}(1-\frac{r}{R_{total}});$

代入计算得到加权概率H_i(r)；

$H_1\left(r\right)=P_{opt}\frac{E_1\left(r\right)}{\stackrel{\‾}{E}\left(r\right)}\frac{1+b_1}{1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i},H_2\left(r\right)=P_{opt}\frac{E_2\left(r\right)}{\stackrel{\‾}{E}\left(r\right)}\frac{1+b_2}{1+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{b}_i},\mathrm{...},$

$H_n\left(r\right)=P_{opt}\frac{E_n\left(r\right)}{\stackrel{\‾}{E}\left(r\right)}\frac{1+b_n}{1+\underset{i=1}{\overset{n}{\Σ}}{a}_i{b}_i},H_0\left(r\right)=P_{opt}\frac{E_0\left(r\right)}{\stackrel{\‾}{E}\left(r\right)}\frac{1}{1+\underset{i=1}{\overset{n}{\Σ}}{a}_i{b}_i},$

得到各节点的概率门限。

4.如权利要求1所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，所述云计算中心的离散函数模型：

$u\left(n\right)=u\left(0\right)+\underset{j=1}{\overset{n}{\Σ}}\mathrm{\α}(\mathrm{\μ},v,j,n)u(j-1)(1-u(j-1\left)\right);$

式中：u(0)为初始信号，μ为混沌参数，ν为分数阶阶数，n为信号长度，j表示第j步迭代，α(μ,ν,j,n)为离散积分核，u(n)为第n步信号，n和N设置为800，m为1,L,N的整。

5.如权利要求1所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，服务器的信号间干扰关系分析方法包括：

一)，确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量

二)，基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量

6.如权利要求5所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，服务器的信号间干扰关系分析方法还包括：

定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：

其中PRJ(·)算子表示针对某一CP维度的投影运算；

定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；

$S(\stackrel{\&RightArrow;}{V_I},\stackrel{\&RightArrow;}{V_S})=\left\{\begin{array}{cc}0& \&Exists;{\mathrm{CP}}_i,d_{{\mathrm{CP}}_i,(I,S)}\&GreaterEqual;{\mathrm{\&Delta;}}_{{\mathrm{CP}}_i}\\ 1& \&ForAll;{\mathrm{CP}}_i,d_{{\mathrm{CP}}_i,(I,S)}<{\mathrm{\&Delta;}}_{{\mathrm{CP}}_i}\end{array}\right..$

7.如权利要求5所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，服务器的信号间干扰关系分析方法还包括：在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；

定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度。

8.如权利要求1所述的基于云计算的脉冲水处理装置的远程控制系统，其特征在于，图像处理模块采用MRD算法根据鲁棒统计来改进图像相关性度量方法，利用鲁棒估计函数对象素灰度差进行加权后求和；

MRD算法的算式为：

$D(m,n)=\frac{1}{KL}\underset{i=1}{\overset{K}{\&Sigma;}}\underset{j=1}{\overset{L}{\&Sigma;}}\mathrm{\&rho;}\left(f\right(i+m,j+n)-T(i,j);\mathrm{\&sigma;})$

其中，ρ(x；σ)为鲁棒估计函数，T:K×L的模板图像，f:M×N的实时图像，1≤m≤M–K+1，1≤n≤N–L+1，当D(m,n)取最小值时，是最佳匹配。