CN107219347A - 一种用于获取土壤湿度的传感器布置优化方法 - Google Patents
一种用于获取土壤湿度的传感器布置优化方法 Download PDFInfo
- Publication number
- CN107219347A CN107219347A CN201710597344.9A CN201710597344A CN107219347A CN 107219347 A CN107219347 A CN 107219347A CN 201710597344 A CN201710597344 A CN 201710597344A CN 107219347 A CN107219347 A CN 107219347A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- estimate
- sensor
- soil moisture
- optimization method
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 194
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种用于获取土壤湿度的传感器布置优化方法,包括:步骤S1、在待测量土壤区域内布置多个传感器,获取不同时刻所述多个传感器的测量数据,对任一时刻的测量数据进行稀疏表示以获取稀疏系数;步骤S2、基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值,其中,所述测量矩阵每行只有一个元素为1,每列至多有一个元素为1;步骤S3、将不同时刻的测量数据与对应的测量数据估计值进行比较获取其误差,基于所述误差最小的测量数据估计值,确定传感器的部署数量和部署位置。本发明用于获取土壤湿度的传感器布置优化方法,测量准确性高、传感器使用数量少。
Description
技术领域
本发明涉及传感检测技术,更具体地,涉及一种用于获取土壤湿度的传感器布置优化方法。
背景技术
传感器是通过感受待测量对象的信息,并将其按一定规律变换成为电信号或其他所需形式的信息输出,其结构简单、测量准确性高,且成本低廉,因此,其在各类检测技术中应用广泛。
随着农田物联网的发展,由于土壤温、湿度具有空间差异性和时间差异性,需要布置大量的传感器来获取农田温、湿度信息,以保证农作物的健康生长。
为减少传感器的使用数量、降低检测成本,通常会对传感器的布置位置进行优化。现有的传感器布置优化方法大概分为两大类:第一类,序列法、模态置信度、有效独立法、随机类算法,这类算法均以模态分析技术为基础,需要完整的实验模态振型;第二类,数据驱动算法、互信息准则。
但是,由于试验条件及环境的影响,测试的模态参数不完整,同时,由于农田土壤数据的获取通常不符合特定的分布模式,在农田土壤信息的检测中,难以兼顾传感器合理布置和测量准确性的要求。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明提供了一种用于获取土壤湿度的传感器布置优化方法,以解决农田土壤信息测量准确性与检测成本难以兼顾的技术问题。
根据本发明的一个方面,提供一种用于获取土壤湿度的传感器布置优化方法,包括:
步骤S1、在待测量土壤区域内布置多个传感器,获取不同时刻所述多个传感器的测量数据,对任一时刻的测量数据进行稀疏表示以获取稀疏系数;
步骤S2、基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值;其中,所述测量矩阵每行只有一个元素为1,每列至多有一个元素为1;
步骤S3、将不同时刻的测量数据与对应的测量数据估计值进行比较获取其误差,基于所述误差最小的测量数据估计值,确定传感器的部署数量和部署位置。
进一步地,步骤S1中在待测量土壤区域内布置多个传感器进一步包括:
将所述待测量土壤区域划分为具有若干相同四边形结构的网格,在所述网格的每一个节点处布置一个传感器。
进一步地,所述测量数据具体为:所述传感器测量得到的土壤中湿度数据。
进一步地,步骤S1中对所述测量数据进行稀疏表示前,基于所述测量数据,采用双线性插值法获取所述待测量土壤区域内任意位置的湿度数据。
进一步地,步骤S1中对所述测量数据进行稀疏表示前,先采用聚类或箱线图方法剔除所述测量数据中的噪声数据。
进一步地,步骤S1中所述稀疏表示的方法具体为:对所述测量数据采用傅里叶变换、小波变换或高斯变换方法进行稀疏表示。
进一步地,步骤S2中所述测量矩阵的获取方法具体为:随机生成一个单位矩阵I∈onesN×N,在所述单位矩阵中随机选取M行向量,由所述M行向量构成的矩阵即为所述测量矩阵;其中,M<<N。
进一步地,步骤S2中基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值具体包括:
步骤S21、将所述测量矩阵与所述测量数据相乘,以获取观测值;
步骤S22、分别采用多种重构算法对所述观测值进行重构运算以还原得到多组稀疏系数估计值;
步骤S23、基于所述稀疏系数估计值获取初始测量数据估计值,将所述每一组初始测量数据估计值与所述测量数据进行比较以分别获取其对应的测量误差;
步骤S24、将所述测量误差最小的初始测量数据估计值作为测量数据估计值,获取所述测量数据估计值的重构算法为最优重构算法;
步骤S25、基于所述最优重构算法,获取不同时刻的测量数据对应的测量数据估计值。
进一步地,所述重构算法为:正交匹配追踪、广义正交匹配追踪或压缩采样匹配追踪算法。
进一步地,所述测量误差最小的评价方法采用绝对误差:
其中xi为测量数据,为测量数据估计值,n为土壤湿度数据的长度。
本发明的有益效果主要如下:
(1)在待测量土壤区域对应设置多个传感器,以传感器测量得到的关于土壤信息的测量数据为基准,通过稀疏表示以及重构算法,最终得到逼近测量数据的测量数据估计值,以合理部署传感器,在保证土壤信息测量准确性的基础上,能够降低传感器的实际使用数量,有效降低成本;
(2)对测量数据采用双线性插值法进行拟合,不仅能够更直观反映土壤信息的差异性,还能够增强测量数据的可筛选性;
(3)在重构运算过程中,通过优化测量矩阵,以使所获取的测量数据估计值中的数据能够更好逼近实测数据,提高传感器数量和位置部署的合理性和测量准确性。
附图说明
图1为根据本发明实施例中的一种用于获取土壤湿度的传感器布置优化方法的示意图;
图2为根据本发明实施例中的一种用于获取土壤湿度的传感器布置优化方法的节点及传感器布置示意图;
图3为根据本发明实施例中的一种用于获取土壤湿度的传感器布置优化方法的测量数据拟合示意图;
图4为根据本发明实施例中的基于一种用于获取土壤湿度的传感器布置优化方法优化后的传感器布置示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1所示,本发明提供一种用于获取土壤湿度的传感器布置优化方法,包括:
步骤S1、在待测量土壤区域内布置多个传感器,获取不同时刻所述多个传感器的测量数据,对任一时刻的测量数据进行稀疏表示以获取稀疏系数;
步骤S2、基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值,其中,所述测量矩阵每行只有一个元素为1,每列至多有一个元素为1;
步骤S3、将不同时刻的测量数据与对应的测量数据估计值进行比较获取其误差,基于所述误差最小的测量数据估计值,确定传感器的部署数量和部署位置。
具体地,根据待测量的土壤区域的大小,在该待测量土壤区域内随机布置多个传感器,以获取相应的测量数据。优选在该待测量土壤区域内均匀布置传感器,以使所布置的多个传感器均匀等距分布于该待测量土壤区域内,能够更准确的获取该待测量区域内的土壤信息或测量数据。可以理解的是,该测量数据是在某一时刻所有传感器所测量得到的数据的集合。在不同的时刻,由该组传感器能够测量得到多组测量数据。
由于通过传感器直接测量得到的测量数据大都属于非稀疏数据,但在其变换域上是稀疏的。将各传感器测量得到的任一一组测量数据进行稀疏表示,得到用于后续分析的稀疏系数,以及系数基矩阵。
具体地,以稀疏表示后得到的稀疏系数为基础,并寻找合适的测量矩阵,采用重构算法重构得到与稀疏系数相关的稀疏系数估计值。由于该测量矩阵中的任一行向量只有一个元素值为1,任一列向量中至多有一个元素值为1,其他元素值为0。同时,稀疏基矩阵与测量矩阵的结果满足有限等距性质,不会把两个不同的稀疏数据映射到同一个集合中。
由稀疏系数、测量矩阵以及测量数据,通过基于压缩感知的重构运算方法,能够得到基于该测量数据的稀疏系数估计值,基于该测量数据估计值,能够得到测量数据估计值。将传感器在不同时刻所获取的多组测量数据分别进行稀疏表示,以及重构运算,可以对应得到多组测量数据估计值。
由于测量数据估计值与对应的测量数据之间存在误差,将每一组测量数据估计值与对应的测量数据进行比对,由误差最小的一组数据对应的测量数据估计值为基准,优化待测量土壤区域设置的传感器的数量以及相应传感器的位置布置状态。同时,结合传感器使用数量所产生的成本问题,以确定最优的传感器数量和布置状态。
在一个具体的实施例中,步骤S1中在待测量土壤区域内布置多个传感器的具体布置方法为:将所述待测量土壤区域划分为具有若干相同四边形结构的网格,在所述网格的每一个节点处布置一个传感器。
具体地,将待测量土壤区域划分为具有多个方格或等边长菱形的网格结构。在该网格的每一个节点处均设置一个传感器,以获取该节点位置的土壤信息。在待测量土壤区域均匀的布置多个传感器,能够更准确的获取待测量土壤区域的测量数据。
例如,参见图2所示,在40m*40m的待测量土壤区域中,将该待测量土壤区域40m长的一条边线a上,除该边线a两端的端点外,以5m长的等间距距离在该边线上设置7个节点;在与该边线相交的另一条40m长的边线b上,除该边线b两端的端点外,也以5m长的等间距在其上设置7个节点。分别作与边线a或边线b平行且经过上述节点的直线,各直线的交点、各边线的端点,以及所作直线与待测量土壤区域边线的交点均作为节点,可得到64个节点。在64个节点的每一个节点位置均对应布置一个传感器,即对应设置64个传感器。传感器插入到土壤地表以下的位置,例如插入到土壤以下10cm的深度,以获取该处位置的土壤信息。可以理解的是,传感器位于土壤以下的深度可以根据测量条件或土壤性质等条件适当调整。
在另一个具体的实施例中,传感器测量得到的测量数据为土壤中的湿度数据。对传感器所采集得到的湿度数据进行稀疏表示,并根据该测量数据进一步重构运算得到的重构稀疏系数,进而优化待测量土壤区域实际传感器的使用数量以及位置状态。根据优化后的传感器部署条件布置传感器,在大幅减少传感器使用数量的基础上,其所获取的测量数据能够更准确地反映该区域内土壤的湿度,而不仅仅只是体现传感器位置的合理性。
在另一个具体的实施例中,步骤S1中对所述测量数据进行稀疏表示前,基于所述测量数据,采用双线性插值法获取所述待测量土壤区域内任意位置的湿度数据。由于待测量土壤区域内任一位置的土壤数据均可通过实测或拟合得到,不仅能够更直观的反映土壤湿度或温度信息的差异性,也能够反映测量数据的可筛选性。
具体地,由传感器获取待测量土壤区域内土壤的测量数据后,采用双线性插值法对该测量数据进行插值拟合,以拟合得到在某一时刻待测量土壤区域内所有位置的湿度。参见图3所示,由此,待测量土壤区域内土壤的湿度信息形成一个平滑曲面,便于观察农田土壤不同位置的湿度差异。可以理解的是,该待测量土壤区域内传感器的测量深度尽可能保持一致,但其所在位置不重复,分别位于该待测量土壤区域内网格的节点处。
在另一个具体的实施例中,步骤S1中对所述测量数据进行稀疏表示前,先采用聚类或箱线图方法剔除所述测量数据中的噪声数据。具体地,在待测量土壤区域布置的传感器数量较多,在获取测量数据时,由于传感器故障、测量、人工录入等原因,可能会出现误差。因此,使用聚类、箱线图等方法找到异常点或缺失值,剔除非正常或无效数据后的测量数据再用于后续分析,以增强优化方案的准确性。
在另一个具体的实施例中,步骤S1中所述稀疏表示的方法具体为:对所述测量数据采用傅里叶变换、小波变换或高斯变换方法进行稀疏表示。对传感器所获取的测量数据进行稀疏表示,使测量数据在某个变换域上稀疏,以为数据的重构奠定基础。
具体地,由待测量土壤区域内各节点处布置的传感器所获取测量数据,该测量数据可由一个向量表示:x=(x1,x2,x3…xN),其中,N为节点数量。
该测量数据本身是非稀疏数据,为便于数据的压缩处理,先对该测量数据进行稀疏表示,该测量数据可以表示为一组互不相关的基底ψi的线性组合,其具体可表述如下:
式中,ψ=[ψ1,ψ2,ψ3…ψN]是N×N的稀疏基矩阵,α是测量数据进行稀疏表示时得到的稀疏系数。
具体地,若稀疏系数中有K(K<<N)个非零系数,则称x在稀疏基矩阵ψ下是K稀疏信号,K称为稀疏系数的稀疏度。若稀疏信号的变换系数经排序后按指数级衰减趋近于零,则该稀疏信号是可压缩的。在进行稀疏表示时所采用的稀疏基矩阵ψ。
在另一个具体的实施例中,步骤S2中所述测量矩阵的获取方法具体为:随机生成一个单位矩阵I∈onesN×N,在所述单位矩阵中随机选取M行向量,由所述M行向量构成的M×N矩阵即为所述测量矩阵;其中,M<<N。具体地,该测量矩阵可表述为Φ=[Φ1,Φ2,…ΦN]。
具体地,该单位矩阵的列向量的数量与基矩阵ψ的行向量的数量相同,即都为N。由于单位矩阵是正交矩阵,从中取M行之后得到的M×N大小的部分单位矩阵还是具有较强的非相关性和部分正交性,所得到的测量矩阵Φ中每行只有一个元素值为1,每列至多有一个元素值为1,其他元素值均为0。
在另一个具体的实施例中,步骤S2中基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值具体包括:
步骤S21、将所述测量矩阵与所述测量数据相乘,以获取观测值;
步骤S22、分别采用多种重构算法对所述观测值进行重构运算以还原得到多组稀疏系数估计值;
步骤S23、基于所述稀疏系数估计值获取初始测量数据估计值,将所述每一组初始测量数据估计值与所述测量数据进行比较以分别获取其对应的测量误差;
步骤S24、将所述测量误差最小的初始测量数据估计值作为测量数据估计值,获取所述测量数据估计值的重构算法为最优重构算法;
步骤S25、基于所述最优重构算法,获取不同时刻的测量数据对应的测量数据估计值。
具体地,将测量数据x投影到测量矩阵Φ=[Φ1,Φ2,…ΦN]上,可以得到观测值y。其中,y∈RM(M<<N),此过程可表述为:
y=Φx (2)
将公式(2)带入到公式(1)中,可得到下式:
y=Φx=Φψα (3)
令Θ=Φψ,则由公式(3)可得到下式:
y=Φx=Φψα=Θα (4)
式中,x为测量数据,Φ为测量矩阵,ψ为稀疏基矩阵,α为稀疏系数,Θ=Φψ为感知矩阵。
具体地,对测量数据与测量矩阵相乘后得到的观测值进行重构运算,通过合理的安排待测量土壤区域传感器的实际设置数据和设置位置,以减少在待测量土壤区域实际设置的传感器的数量,同时又能够保障待测量土壤区域测量数据的准确获取。
具体地,即采用重构算法对观测值y进行重构运算以得到重构数据再通过公式(1)由得到测量数据估计值但是,由于测量矩阵Φ的维数M<<N,则通过公式(1)无法直接求解得到测量数据估计值
具体地,由于测量矩阵Φ和稀疏基矩阵ψ均为已知,且测量矩阵Φ为M×N的矩阵,稀疏基矩阵ψ为N×N的矩阵。因此,可利用公式(4),由重构得到稀疏系数估计值其中,感知矩阵Θ=Φψ满足有限等距性质,且测量矩阵Φ中每行只有一个元素值为1,每列至多有一个元素值为1,其他元素值均为0,能够保证观测值中的元素值对应到测量数据中的数据。
具体地,实际操作过程中,在对观测值y进行重构时,所采用的重构算法不同,重构得到的稀疏系数估计值不同。为使运算得到的测量数据估计值能够更逼近于测量数据x,可以采用多种重构算法分别对观测值y进行重构运算,重构得到多组不同的稀疏系数估计值以进行运算。
由多组稀疏系数估计值,通过公式(1)可对应得到多组初始测量数据估计值,该多组初始测量数据估计值分别与测量数据x进行比较,即可对应得到多组测量误差,其测量误差最小的一组初始测量数据估计值为最优,即为最终确定的测量数据估计值,其对应的重构算法为最优的重构算法。确定最优重构算法后,当对观测值y进行重构运算时,即可采用该最优重构算法进行重构,以提高运算的准确性。
具体地,确定最优的重构算法后,在重构运算过程中,还可通过改变稀疏系数的稀疏度,以改变迭代计算过程,从而得到测量数据估计值,使该测量数据估计值能够更贴近于测量数据。
针对不同时刻获取的多组测量数据,在进行稀疏表示后,分别采用所确定的最优的重构算法进行重构运算,以分别重构得到对应的稀疏系数估计值,再由公式(1)分别获取对应的测量数据估计值。也就是,某一时刻t1所获取的测量数据,采用稀疏表示后,再由最优的重构算法重构运算得到稀疏系数估计值,然后,由公式(1)获取其对应的测量数据估计值;针对另一时刻t2所获取的测量数据,进行稀疏表示后,再采用同样的最优的重构算法进行重构运算,并由公式(1)获取该t2时刻的测量数据对应的测量数据估计值。
由此,可获取针对不同时刻的测量数据对应的测量数据估计值,根据处理数据估计值与对应的测量数据,结合传感器使用成本,即可确定传感器的部署状态。例如,t1时刻所获取的测量数据,与由该时刻测量数据为基础进行稀疏表示和重构运算等运算过程得到的测量数据估计值进行比较,其误差即为测量误差。不同时刻的测量数据与对应的测量数据估计值之间的测量误差不一样,选择多组测量误差中最小的测量误差对应的测量数据估计值,该测量数据估计值即为最终最优的测量数据估计值。基于该最优的测量数据估计值所对应的观测值y,即能够确定最优的传感器部署数量和部署位置。
在另一个具体的实施例中,所述重构算法为:正交匹配追踪、广义正交匹配追踪或压缩采样匹配追踪算法。
在另一个具体的实施例中,所述测量误差最小的评价方法采用绝对误差:
其中,Γ为绝对误差,xi为测量数据,为测量数据估计值,n为土壤湿度数据的长度,其数值与传感器节点数量N相等。具体地,在对多组测量误差进行比较时,也还可以采用空间矢量的余弦定理指标、相关系数、均方根误差或残差法等方法进行比较。
具体地,在不同时刻的测量数据与对应的测量数据估计值之间进行比较而获取的多组误差,针对该多组误差之间的比较,也可采用绝对误差的方法进行比较,以获取最小的误差,从而确定最优的测量数据估计值以及其对应的观测值y,进而确定最终的传感器部署数量和部署位置。
本发明的一种用于获取土壤湿度的传感器布置优化方法,通过在待测量土壤区域内均匀布置多个传感器,以获取测量数据,基于该测量数据,对其进行稀疏表示,并基于压缩感知的重构运算方法重构得到逼近实际测量数据的测量数据估计值。同时,针对不同时刻所获取的测量数据,分别确定对应的测量数据估计值,由此,以在保证测量准确性的情况下,得到最优的传感器部署方案,减少在待测量土壤区域内实际布设的传感器数量。参见图4所示,其在图2中所示传感器获取的测量数据的基础上,优化后得到的传感器部署状态。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于获取土壤湿度的传感器布置优化方法,其特征在于,包括:
步骤S1、在待测量土壤区域内布置多个传感器,获取不同时刻所述多个传感器的测量数据,对任一时刻的测量数据进行稀疏表示以获取稀疏系数;
步骤S2、基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值;其中,所述测量矩阵每行只有一个元素为1,每列至多有一个元素为1;
步骤S3、将不同时刻的测量数据与对应的测量数据估计值进行比较获取其误差,基于所述误差最小的测量数据估计值,确定传感器的部署数量和部署位置。
2.如权利要求1所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,步骤S1中在待测量土壤区域内布置多个传感器进一步包括:
将所述待测量土壤区域划分为具有若干相同四边形结构的网格,在所述网格的每一个节点处布置一个传感器。
3.如权利要求1或2所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,所述测量数据具体为:所述传感器测量得到的土壤中湿度数据。
4.如权利要求3所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,步骤S1中对所述测量数据进行稀疏表示前,基于所述测量数据,采用双线性插值法获取所述待测量土壤区域内任意位置的湿度数据。
5.如权利要求1所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,步骤S1中对所述测量数据进行稀疏表示前,先采用聚类或箱线图方法剔除所述测量数据中的噪声数据。
6.如权利要求1所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,步骤S1中所述稀疏表示的方法具体为:对所述测量数据采用傅里叶变换、小波变换或高斯变换方法进行稀疏表示。
7.如权利要求2所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,步骤S2中所述测量矩阵的获取方法具体为:随机生成一个单位矩阵I∈onesN×N,在所述单位矩阵中随机选取M行向量,由所述M行向量构成的矩阵即为所述测量矩阵;其中,M<<N。
8.如权利要求7所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,步骤S2中基于所述稀疏系数与测量矩阵,采用重构算法进行重构运算,以获取测量数据估计值具体包括:
步骤S21、将所述测量矩阵与所述测量数据相乘,以获取观测值;
步骤S22、分别采用多种重构算法对所述观测值进行重构运算,以还原得到多组稀疏系数估计值;
步骤S23、基于所述稀疏系数估计值获取初始测量数据估计值,将所述每一组初始测量数据估计值与所述测量数据进行比较以分别获取其对应的测量误差;
步骤S24、将所述测量误差最小的初始测量数据估计值作为测量数据估计值,获取所述测量数据估计值的重构算法为最优重构算法;
步骤S25、基于所述最优重构算法,获取不同时刻的测量数据对应的测量数据估计值。
9.如权利要求8所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,所述重构算法为:正交匹配追踪、广义正交匹配追踪或压缩采样匹配追踪算法。
10.如权利要求8所述的一种用于获取土壤湿度的传感器布置优化方法,其特征在于,所述测量误差最小的评价方法采用绝对误差:
<mrow>
<mi>&Gamma;</mi>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>|</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>|</mo>
</mrow>
</mrow>
其中xi为测量数据,为测量数据估计值,n为土壤湿度数据的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710597344.9A CN107219347B (zh) | 2017-07-20 | 2017-07-20 | 一种用于获取土壤湿度的传感器布置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710597344.9A CN107219347B (zh) | 2017-07-20 | 2017-07-20 | 一种用于获取土壤湿度的传感器布置优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107219347A true CN107219347A (zh) | 2017-09-29 |
CN107219347B CN107219347B (zh) | 2019-08-16 |
Family
ID=59953285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710597344.9A Active CN107219347B (zh) | 2017-07-20 | 2017-07-20 | 一种用于获取土壤湿度的传感器布置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107219347B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693006A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院地理科学与资源研究所 | 珊瑚沙土壤监测区域的传感器数量和位置确定方法及装置 |
US11521097B2 (en) | 2019-02-19 | 2022-12-06 | International Business Machines Corporation | Sparse modeling for optimizing sensor placement |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280084A (zh) * | 2013-04-24 | 2013-09-04 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
CN104270829A (zh) * | 2014-09-10 | 2015-01-07 | 湘潭大学 | 一种基于压缩感知的井下数据采集及处理方法 |
CN104931040A (zh) * | 2014-11-25 | 2015-09-23 | 国家电网公司 | 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法 |
CN105958487A (zh) * | 2016-06-15 | 2016-09-21 | 山东大学 | 一种计及多种网络结构的配电网量测配置方法 |
-
2017
- 2017-07-20 CN CN201710597344.9A patent/CN107219347B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103280084A (zh) * | 2013-04-24 | 2013-09-04 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
CN104270829A (zh) * | 2014-09-10 | 2015-01-07 | 湘潭大学 | 一种基于压缩感知的井下数据采集及处理方法 |
CN104931040A (zh) * | 2014-11-25 | 2015-09-23 | 国家电网公司 | 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法 |
CN105958487A (zh) * | 2016-06-15 | 2016-09-21 | 山东大学 | 一种计及多种网络结构的配电网量测配置方法 |
Non-Patent Citations (2)
Title |
---|
王勇 等: "基于稀疏信号重构的无线传感网络目标定位", 《仪器仪表学报》 * |
郭艳 等: "基于压缩感知的多目标定位中的测量矩阵设计", 《计算机科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11521097B2 (en) | 2019-02-19 | 2022-12-06 | International Business Machines Corporation | Sparse modeling for optimizing sensor placement |
CN111693006A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院地理科学与资源研究所 | 珊瑚沙土壤监测区域的传感器数量和位置确定方法及装置 |
CN111693006B (zh) * | 2020-06-12 | 2021-07-02 | 中国科学院地理科学与资源研究所 | 珊瑚沙土壤监测区域的传感器数量和位置确定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107219347B (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199742B (zh) | 一种频率域航空电磁法2.5维带地形反演方法 | |
CN105790279B (zh) | 基于谱聚类的无功电压分区方法 | |
CN104778720B (zh) | 一种基于空间不变特性的快速体积测量方法 | |
CN104775811B (zh) | 一种地层各向异性信息的提取及校正方法和系统 | |
CN106093875B (zh) | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 | |
CN107516301A (zh) | 一种基于压缩感知在图像重建中测量矩阵的构造优化方法 | |
CN103124179A (zh) | 基于正交匹配追踪的电力系统数据重构解压缩方法 | |
CN106291678B (zh) | 一种地震数据采集方法及系统 | |
CN107219347B (zh) | 一种用于获取土壤湿度的传感器布置优化方法 | |
CN103558498B (zh) | 基于小波分析的绝缘子污闪泄漏电流信号稀疏表示方法 | |
CN104965134B (zh) | 基于回声状态网络的变电站接地网地表电位分布计算方法 | |
CN109100816A (zh) | 一种重磁数据处理方法及系统 | |
CN103868958A (zh) | 一种电阻抗断层成像植物根系构型原位观测方法 | |
CN107229774A (zh) | 一种基于广义正交匹配追踪的电能质量信号重构方法 | |
CN109758149A (zh) | 一种结合时差成像和频差成像的电阻抗成像方法 | |
CN106597415A (zh) | 一种高斯噪声下提高稀疏孔径成像系统误差检测精度的方法 | |
CN111291316B (zh) | 一种基于小波变换的多尺度电阻率反演方法及系统 | |
CN106294286B (zh) | 基于小波变换与正弦曲线拟合的非稳态畸变噪声检测方法 | |
CN106290796A (zh) | 一种基于多重分形的土壤盐分空间变异性表征方法 | |
CN109861220B (zh) | 电力系统分析用深度卷积神经网络张量输入构建方法 | |
CN204600475U (zh) | 一种成像装置 | |
CN103323844B (zh) | 一种多通道干涉合成孔径雷达高程重建方法及装置 | |
CN105809743B (zh) | 一种基于变换对数空间的对称及orbit检测方法 | |
CN105701824A (zh) | 基于圆弧形网格剖分的电学层析图像重建方法 | |
CN109004916A (zh) | 量子状态滤波器及相关方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |