CN108064047B - 一种基于粒子群的水质传感器网络优化部署方法 - Google Patents
一种基于粒子群的水质传感器网络优化部署方法 Download PDFInfo
- Publication number
- CN108064047B CN108064047B CN201810045751.3A CN201810045751A CN108064047B CN 108064047 B CN108064047 B CN 108064047B CN 201810045751 A CN201810045751 A CN 201810045751A CN 108064047 B CN108064047 B CN 108064047B
- Authority
- CN
- China
- Prior art keywords
- water
- water area
- area
- sensor
- monitoring
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
- H04W16/20—Network planning tools for indoor coverage or short range network deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Abstract
本发明提出了一种基于粒子群的水质传感器网络优化部署方法,包括建立水域特征模型和传感器网络的优化部署两个基本步骤。步骤一,利用主成分分析方法,对待监测水域进行综合水质评价分析,并利用高斯烟羽模型确定重要监测点的影响范围,建立水域特征模型。步骤二,利用加权因子调整的粒子群算法实现对整个网络的优化部署。本发明通过建立重点水域的特征模型,进而实现对整个网络的优化部署,可灵活有效的解决复杂水域的水质监测问题。
Description
技术领域
本发明涉及环境监测和传感器网络领域,尤其涉及一种基于粒子群的水质传感器网络优化部署方法的研究。
背景技术
水是生命之源,也是人类赖以繁殖的必要资源。然而,近几十年,随着国民经济的快速发展和人民生活水平的不断提高,水资源供需矛盾日益突出。根据《2016中国环境状况公报》,2016年全国225个地级市行政区的6124个监测点的地下水水质监测情况中,水质为优良级的监测点比例仅为10.1%,较差级的观测点占比达到45.4%。就整个地表水而言,受到严重污染的劣V类水体所占比例较高,全国约8.6%。
近年来,科学地监测水环境受到越来越多的重视。在对水环境监测的过程中,传感器网络占据了十分重要的地位。由于水质传感器成本较高,希望能够对监测环境中的重点区域部署更多的传感器以提高监测质量,节约成本。因此,需要找到待监测水域内需要重点监测的区域,并通过有效的传感器部署策略实现对传感器网络的部署,为进行精确的水环境监测提供充实的理论依据。
发明内容
本发明的目的在于提出一种基于粒子群的水质传感器网络优化部署方法,可为水质传感器网络的部署提供理论基础,可广泛应用于水环境监测、水污染的预测和治理等领域。
为达到上述目的,本发明提出一种基于粒子群的水质传感器网络优化部署方法,具体包括建立水域特征模型和传感器网络的优化部署两个基本步骤。
步骤一,在本发明的一个实施例中,所述建立水域特征模型进一步包括:针对采集到的水域监测数据,利用主成分分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成分分析后的主成分个数;a1j,a2j,…,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,…,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成分分析后各个主成分的值;
由主成分分析得出的每个样本的主成分zin值,能够得到相应的主成分评价函数Zi,作为评判重点监测点的数据基础:
其中,Zi是每个样本对应的主成分评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;
通过主成分分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的监测点作为重点监测点,并以此作为水域基本模型;
然后,利用高斯烟羽模型确定重点监测点的影响范围;从理论上说,污染物在水域中的分布与毒物在大气中的扩散相似,是对无限空间扩散方程式的正态分布解,其数学模型如下式所示:
式中,x,y,z分别为距离重点监测点的水平、垂直及横向距离,其中x方向定义为重点监测点水质的扩散方向;C(x,y,z)为(x,y,z)点上受重点监测点影响的程度,是个无量纲的量;q为重点监测点扩散源的影响力;μ是重点监测点水质浓度的传播速度;σy和σz是x的函数,分别为重点监测点在y和z方向的分布参数;
由于重点监测点的影响范围受多个不确定因素的影响,在完全理想的无限空间进行扩散现象的推导,令σy=σz=σ,y2+z2=r2,r为扩散半径,则有:
由于q,μ,K与重点监测点的水质情况以及周围其他水域水质状况有关,作进一步假设,由量纲分析设K=ax,这里a为常量,a∈(0.15,1);此时:
借助引力场理论进行模拟,重点监测点扩散源的影响力q表示为如下公式:
式中,P为重点监测点的面积,通过以重点监测点为圆心,以传感器的感知范围为半径求出;
因此,由上述公式可求出重点监测点对周围水域产生的影响范围为:
因此,确定P、μ和C(x,r)即可得到重点监测点的影响范围,其中C(x,r)可由重点监测点的方差除以各监测点的方差之和求出;
在此基础上,建立水域特征模型;水域特征模型由重点监测水域和非重点监测水域构成;以重点监测点为圆心,以重点监测点的影响范围和传感器的感知半径之和为半径,即可得到最终的重点监测水域,其余水域为非重点监测水域;
对待监测水域进行网格化处理,假定水域大小为M×N,包括非重点监测水域和重点监测水域,对监测水域离散化处理,以密度为gs划分网格,所述监测水域中的网格点由矩阵Ω表示,
步骤二,在本发明的一个实施例中,所述传感器网络的优化部署进一步包括:首先,建立水域模型的覆盖度量标准;在得到水域模型后,对其产生的网格点记为Xmn,区域内的网格点总数记作KK,网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn);采用布尔感知模型完成传感器的覆盖监测,模型的数学表达式如下:
其中,d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离,即传感器节点si部署在点(xi,yi)上,则网格点Xmn到(xi,yi)的距离为:
其中,Rc表示传感器的有效监测半径,当d(si,Xmn)大于传感器的有效半径时,网格点Xmn将不能被监测;对于一个受监测网格,将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率,网格Xmn的联合监测概率如下公式所示:
统计监测概率等于1的网格数量,其与总网格数KK的比值即为目标区域的覆盖率;
基于粒子群算法的网络优化部署:假设在一个二维水域平面上,在解的D维搜索空间里有n个粒子作为预备解,随机部署m个传感器节点,则群体中的第i个粒子位置为si=(xi1,yi1;xi2,yi2;xi3,yi3;............;xim,yim),其中,每一个传感器节点在更新过程中有一个速度向量,用于更新当前速度和位置;
每个粒子在自动更新过程中,会经历一个表征个体最优解的位置和一个表征全局最优解的位置;首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度,进而更新当前的位置,所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值,粒子则通过新的适应值不断跟踪个体最优解Pid=(pi1,pi2,pi3,............piD)和全局最优解Pg=(pg1,pg2,pg3,......,pgd)进行搜索,以最优适应值为目标更新自己,其中,piD和pgd为每一次运算后适应值的大小;适应值由传感器网络的节点位置所确定的覆盖率大小决定,每次更新之后的覆盖率应当大于上次更新之后的覆盖率,在达到最大迭代次数时终止;根据粒子的自动移动特点,速度和位置的更新公式为:
其中,i=1,2,3,......,n,d=1,2,3,......,D,k为最大迭代次数,可设为50,为加权因子,它记录粒子当前的运动状况,c1和c2是加速因子,c1使粒子具有自我继承的作用,c2使粒子吸收群体中其他临近粒子的好的位置,r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下,粒子向自身经历过的最优点和群体历史最优点靠近,由此,传感器节点均部署在使网络覆盖率最大的位置;
在此基础上,对重点水域进行重新部署,即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内,实现对污染严重的区域的实时重点监测。
本发明提出的一种基于粒子群的水质传感器网络优化部署方法,可实现对监测水域的特征进行划分,并在此基础上进行水质传感器网络的优化部署,为水环境的有效监测和综合治理提供充实的理论依据。
附图说明
图1为本发明实施例的一种基于粒子群的水质传感器网络优化部署方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的意义。下面所描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本发明是针对水环境监测过程中,针对复杂的水域环境,提出的一种基于粒子群的水质传感器网络优化部署方法。
为了能够对本发明有更清楚的理解,在此进行简要描述。本发明包括两个基本步骤:步骤一,建立水域特征模型;步骤二,传感器网络的优化部署。
具体的,图1所示为本发明实施例的一种基于粒子群的水质传感器网络优化部署方法的流程图,包括以下步骤:
步骤S101,建立基于综合水质评价的水域基本模型。
在本发明的一个实施例中,针对采集到的水域监测数据,利用主成分分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成分分析后的主成分个数;a1j,a2j,...,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,...,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成分分析后各个主成分的值;
由主成分分析得出的每个样本的主成分zin值,能够得到相应的主成分评价函数Zi,作为评判重点监测点的数据基础:
其中,Zi是每个样本对应的主成分评价得分值;λi1,λi2,......,λin是矩阵[Xi1,Xi2,......,Xij]初始特征值对应的方差贡献率;
通过主成分分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的监测点作为重点监测点,并以此作为水域基本模型。
步骤S102,利用高斯烟羽模型确定重点监测点的影响范围。
在本发明的一个实施例中,污染物在水域中的分布与毒物在大气中的扩散相似,是对无限空间扩散方程式的正态分布解,其数学模型如公式(3)所示:
式中,x,y,z分别为距离重点监测点的水平、垂直及横向距离,其中x方向定义为重点监测点水质的扩散方向;C(x,y,z)为(x,y,z)点上受重点监测点影响的程度,是个无量纲的量;q为重点监测点扩散源的影响力;μ是重点监测点水质浓度的传播速度;σy和σz是x的函数,分别为重点监测点在y和z方向的分布参数;
由于重点监测点的影响范围受多个不确定因素的影响,在完全理想的无限空间进行扩散现象的推导,令σy=σz=σ,y2+z2=r2,r为扩散半径,则有:
由于q,μ,K与重点监测点的水质情况以及周围其他水域水质状况有关,作进一步假设,由量纲分析设K=ax,这里a为常量,a∈(0.15,1);此时:
借助引力场理论进行模拟,重点监测点扩散源的影响力q表示为公式(8);
式中,P为重点监测点的面积,通过以重点监测点为圆心,以传感器的感知范围为半径求出;
因此,由公式(7)和(8)可求出重点监测点对周围水域产生的影响范围为:
因此,确定P、μ和C(x,r)即可得到重点监测点的影响范围,其中C(x,r)可由重点监测点的方差除以各监测点的方差之和求出。
水域特征模型由重点监测水域和非重点监测水域构成;以重点监测点为圆心,以重点监测点的影响范围和传感器的感知半径之和为半径,即可得到最终的重点监测水域,其余水域为非重点监测水域。
对待监测水域进行网格化处理,假定水域大小为M×N,包括非重点监测水域和重点监测水域,对监测水域离散化处理,以密度为gs划分网格,所述监测水域中的网格点由矩阵Ω表示,
步骤S103,建立水域模型的覆盖度量标准。
在得到如式(10)所述的水域模型后,对其产生的网格点记为Xmn,区域内的网格点总数记作KK,网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn);采用布尔感知模型完成传感器的覆盖监测,模型的数学表达式如下:
其中,d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离,即传感器节点si部署在点(xi,yi)上,则网格点Xmn到(xi,yi)的距离为:
其中,Rc表示传感器的有效监测半径,当d(si,Xmn)大于传感器的有效半径时,网格点Xmn将不能被监测;对于一个受监测网格,将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率,网格Xmn的联合监测概率如下公式所示:
统计监测概率等于1的网格数量,其与总网格数KK的比值即为目标区域的覆盖率;
步骤S104,基于粒子群算法的网络优化部署。
假设在一个二维水域平面上,在解的D维搜索空间里有n个粒子作为预备解,随机部署m个传感器节点,则群体中的第i个粒子位置为si=(xi1,yi1;xi2,yi2;xi3,yi3;............;xim,yim),其中,每一个传感器节点在更新过程中有一个速度向量,用于更新当前速度和位置;
每个粒子在自动更新过程中,会经历一个表征个体最优解的位置和一个表征全局最优解的位置;首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度,进而更新当前的位置,所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值,粒子则通过新的适应值不断跟踪个体最优解Pid=(pi1,pi2,pi3,............piD)和全局最优解Pg=(pg1,pg2,pg3,......,pgd)进行搜索,以最优适应值为目标更新自己,其中,piD和pgd为每一次运算后适应值的大小;适应值由传感器网络的节点位置所确定的覆盖率大小决定,每次更新之后的覆盖率应当大于上次更新之后的覆盖率,在达到最大迭代次数时终止;根据粒子的自动移动特点,速度和位置的更新公式为:
其中,i=1,2,3,......,n,d=1,2,3,......,D,k为最大迭代次数,可设为50,为加权因子,它记录粒子当前的运动状况,c1和c2是加速因子,c1使粒子具有自我继承的作用,c2使粒子吸收群体中其他临近粒子的好的位置,r1和r2为[0,1]之间的随机数。在三者的相互联系和作用下,粒子向自身经历过的最优点和群体历史最优点靠近,由此,传感器节点均部署在使网络覆盖率最大的位置;
在此基础上,对重点水域进行重新部署,即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内,实现对污染严重的区域的实时重点监测。
通过本发明提出的一种基于粒子群的水质传感器网络优化部署方法,可实现对监测水域的特征进行划分,并在此基础上进行水质传感器网络的优化部署,为水环境的有效监测和综合治理提供充实的理论依据。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,本发明的范围由所附权利要求及其等同限定。
Claims (1)
1.一种基于粒子群的水质传感器网络优化部署方法,其特征在于:包括建立水域特征模型和传感器网络的优化部署两个基本步骤;
所述建立水域特征模型包括:
(1)建立基于综合水质评价的水域基本模型:
针对采集到的水域监测数据,利用主成分分析法对各个因素进行分析,对水质参数进行降维处理,提取出水质评价的代表成分,其数学模型为:
其中,i为样本个数;j为因子个数;n为主成分分析后的主成分个数;a1j,a2j,…,anj是原始变量矩阵在各主成分上的载荷;Xi1,Xi2,…,Xij是原始变量矩阵经过标准化处理的值;zi1,zi2,……,zin表示经过主成分分析后各个主成分的值;
由主成分分析得出的每个样本的主成分zin值,能够得到相应的主成分评价函数Zi,作为评判重点监测点的数据基础:
其中,Zi是每个样本对应的主成分评价得分值;λi1,λi2,……,λin是矩阵[Xi1,Xi2,……,Xij]初始特征值对应的方差贡献率;
通过主成分分析对某区域水质参数的分析,可以得出该区域在时间变化上的综合水质评价得分Zi,求取这些得分的方差值,可以评价该水域的水质数据稳定或者波动的情况,同理,可求得各片水域的综合水质评价得分的方差值,比较各水域的方差值大小,将方差值最大的监测点作为重点监测点,并以此作为水域基本模型;
(2)利用高斯烟羽模型确定重点监测点的影响范围:
从理论上说,污染物在水域中的分布与毒物在大气中的扩散相似,是对无限空间扩散方程式的正态分布解,其数学模型如公式(3)所示:
式中,x,y,z分别为距离重点监测点的水平、垂直及横向距离,其中x方向定义为重点监测点水质的扩散方向;C(x,y,z)为(x,y,z)点上受重点监测点影响的程度,是个无量纲的量;q为重点监测点扩散源的影响力;μ是重点监测点水质浓度的传播速度;σy和σz是x的函数,分别为重点监测点在y和z方向的分布参数;
由于重点监测点的影响范围受多个不确定因素的影响,在完全理想的无限空间进行扩散现象的推导,令σy=σz=σ,y2+z2=r2,r为扩散半径,则有:
由于q,μ,K与重点监测点的水质情况以及周围其他水域水质状况有关,作进一步假设,由量纲分析设K=ax,这里a为常量,a∈(0.15,1);此时:
借助引力场理论进行模拟,重点监测点扩散源的影响力q表示为公式(8);
式中,P为重点监测点的面积,通过以重点监测点为圆心,以传感器的感知范围为半径求出;
因此,由公式(7)和(8)可求出重点监测点对周围水域产生的影响范围为:
因此,通过烟羽模型就可以得到重点监测点的影响范围;
水域特征模型由重点监测水域和非重点监测水域构成;以重点监测点为圆心,以重点监测点的影响范围和传感器的感知半径之和为半径,即可得到最终的重点监测水域,其余水域为非重点监测水域;
对待监测水域进行网格化处理,假定水域大小为M×N,包括非重点监测水域和重点监测水域,对监测水域离散化处理,以密度为gs划分网格,所述监测水域中的网格点由矩阵Ω表示,
所述传感器网络的优化部署包括:
(1)建立水域模型的覆盖度量标准:在得到如式(10)所述的水域模型后,对其产生的网格点记为Xmn,区域内的网格点总数记作KK,网格点Xmn被一个传感器si监测到的概率记为c(si,Xmn);采用布尔感知模型完成传感器的覆盖监测,模型的数学表达式如下:
其中,d(si,Xmn)表示传感器节点与网格点Xmn的欧式距离,即传感器节点si部署在点(xi,yi)上,则网格点Xmn到(xi,yi)的距离为:
其中,Rc表示传感器的有效监测半径,当d(si,Xmn)大于传感器的有效半径时,网格点Xmn将不能被监测;对于一个受监测网格,将它被整个监测区域中的所有传感器节点监测到得概率定义为联合监测概率,网格Xmn的联合监测概率如下公式所示:
统计监测概率等于1的网格数量,其与总网格数KK的比值即为目标区域的覆盖率;
(2)基于粒子群算法的网络优化部署:假设在一个二维水域平面上,在解的D维搜索空间里有n个粒子作为预备解,随机部署m个传感器节点,则群体中的第i个粒子位置为si=(xi1,yi1;xi2,yi2;xi3,yi3;............;xim,yim),其中,每一个传感器节点在更新过程中有一个速度向量,用于更新当前速度和位置;
每个粒子在自动更新过程中,会经历一个表征个体最优解的位置和一个表征全局最优解的位置;首先是每个传感器节点根据当前的速度和自身位置以及邻居节点的位置更新当前的速度,进而更新当前的位置,所有传感器节点的当前速度和当前位置得到更新之后就计算一次适应值,粒子则通过新的适应值不断跟踪个体最优解Pid=(pi1,pi2,pi3,............piD)和全局最优解Pg=(pg1,pg2,pg3,......,pgd)进行搜索,以最优适应值为目标更新自己,其中,piD和pgd为每一次运算后适应值的大小;适应值由传感器网络的节点位置所确定的覆盖率大小决定,每次更新之后的覆盖率应当大于上次更新之后的覆盖率,在达到最大迭代次数时终止;根据粒子的自动移动特点,速度和位置的更新公式为:
其中,i=1,2,3,......,n,d=1,2,3,......,D,k为最大迭代次数,可设为50,为加权因子,它记录粒子当前的运动状况,c1和c2是加速因子,c1使粒子具有自我继承的作用,c2使粒子吸收群体中其他临近粒子的好的位置,r1和r2为[0,1]之间的随机数,在三者的相互联系和作用下,粒子向自身经历过的最优点和群体历史最优点靠近,由此,传感器节点均部署在使网络覆盖率最大的位置;
在此基础上,对重点水域进行重新部署,即将距离重点监测区域小于传感器半径的传感器节点部署到重点监测区域内,实现对污染严重的区域的实时重点监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045751.3A CN108064047B (zh) | 2018-01-17 | 2018-01-17 | 一种基于粒子群的水质传感器网络优化部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045751.3A CN108064047B (zh) | 2018-01-17 | 2018-01-17 | 一种基于粒子群的水质传感器网络优化部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108064047A CN108064047A (zh) | 2018-05-22 |
CN108064047B true CN108064047B (zh) | 2021-02-09 |
Family
ID=62141344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810045751.3A Active CN108064047B (zh) | 2018-01-17 | 2018-01-17 | 一种基于粒子群的水质传感器网络优化部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108064047B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922478B (zh) * | 2019-01-14 | 2021-10-22 | 北京工商大学 | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 |
CN109738604B (zh) * | 2019-01-14 | 2021-04-27 | 北京工商大学 | 一种基于空间权重矩阵的水域特征模型建立方法 |
CN110889201B (zh) * | 2019-11-05 | 2020-07-03 | 北京工商大学 | 基于混杂动态系统的水质机理建模及健康风险评估方法 |
CN111475884A (zh) * | 2020-04-24 | 2020-07-31 | 福州大学 | 基于粒子群算法与地下水模型的基坑降水优化方法 |
CN111669767B (zh) * | 2020-05-27 | 2023-05-16 | 北京工商大学 | 一种传感器网络动态部署方法 |
CN112468989A (zh) * | 2020-11-27 | 2021-03-09 | 中国人民解放军火箭军工程大学 | 一种可燃气体泄漏无线监测传感器部署方法 |
CN114113487B (zh) * | 2021-12-02 | 2022-11-22 | 江苏云聚汇科技有限公司 | 一种挥发性有机物在线监测系统及方法 |
CN114755387B (zh) * | 2022-05-24 | 2023-01-31 | 深圳市环境科学研究院 | 基于假设检验法的水体监测点位优化方法 |
CN116258048B (zh) * | 2023-05-16 | 2023-07-18 | 河北工业大学 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
CN116468189A (zh) * | 2023-06-20 | 2023-07-21 | 山东云泷水务环境科技有限公司 | 一种基于智能优化算法的水质传感器节点部署优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050004316A (ko) * | 2003-06-27 | 2005-01-12 | 재단법인 포항산업과학연구원 | 복수 기상관측자료를 이용한 대기오염 확산 예측 방법 |
CN101489941A (zh) * | 2005-11-10 | 2009-07-22 | 耶达研究及发展有限公司 | 催化处理被卤化有机化合物污染的水 |
CN103605308A (zh) * | 2013-11-20 | 2014-02-26 | 北京工商大学 | 基于嵌入式技术的河湖水质信息远程监测主控制器 |
CN106231609A (zh) * | 2016-09-22 | 2016-12-14 | 北京工商大学 | 一种基于重点目标区域的水下传感器网络优化部署方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7138060B2 (en) * | 2005-03-30 | 2006-11-21 | Delta Environmental Consultants, Inc. | In situ remediation of contaminated groundwater |
US20150294047A1 (en) * | 2014-04-10 | 2015-10-15 | SimCenter Enterprises, Inc. | System for Continuous Modeling and Dissemination of Threat Zones Associated with Hazardous Release Materials |
-
2018
- 2018-01-17 CN CN201810045751.3A patent/CN108064047B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050004316A (ko) * | 2003-06-27 | 2005-01-12 | 재단법인 포항산업과학연구원 | 복수 기상관측자료를 이용한 대기오염 확산 예측 방법 |
CN101489941A (zh) * | 2005-11-10 | 2009-07-22 | 耶达研究及发展有限公司 | 催化处理被卤化有机化合物污染的水 |
CN103605308A (zh) * | 2013-11-20 | 2014-02-26 | 北京工商大学 | 基于嵌入式技术的河湖水质信息远程监测主控制器 |
CN106231609A (zh) * | 2016-09-22 | 2016-12-14 | 北京工商大学 | 一种基于重点目标区域的水下传感器网络优化部署方法 |
Non-Patent Citations (3)
Title |
---|
Fate and transport evaluation of potential leaching and fire risks from CdTe PV;Parikhit Sinha,Robert Balas,etc.;《 2011 37th IEEE Photovoltaic Specialists Conference》;20120419;2025-2030 * |
基于粒子群优化算法的水质传感器优化部署研究;余幸运,孙茜,等;《CNKI 传感器与微系统》;20161206;全文 * |
大渤海圈港口腹地演变的腹地烟羽模型研究;李振福,汤晓雯;《CNKI 经济地理》;20150630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108064047A (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108064047B (zh) | 一种基于粒子群的水质传感器网络优化部署方法 | |
CN108426812B (zh) | 一种基于记忆神经网络的pm2.5浓度值预测方法 | |
Abdullah et al. | Multiple linear regression (MLR) models for long term PM10 concentration forecasting during different monsoon seasons | |
CN106231609B (zh) | 一种基于重点目标区域的水下传感器网络优化部署方法 | |
CN109922478B (zh) | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 | |
Lu et al. | Prediction of particulate matter at street level using artificial neural networks coupling with chaotic particle swarm optimization algorithm | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
WO2016155372A1 (zh) | 预测空气质量指数的方法与装置 | |
Durao et al. | Forecasting O3 levels in industrial area surroundings up to 24 h in advance, combining classification trees and MLP models | |
CN110782093A (zh) | 一种融合ssae深度特征学习和lstm网络的pm2.5小时浓度预测方法及系统 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN112365708B (zh) | 基于多图卷积网络的景区交通量预测模型建立和预测方法 | |
CN107133686A (zh) | 基于时空数据模型的城市级pm2.5浓度预测方法 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN114694767B (zh) | 基于时空图常微分方程网络的pm2.5浓度预测方法 | |
CN115629160A (zh) | 一种基于时空图的空气污染物浓度预测方法及系统 | |
Zhou et al. | Combined estimation of fire perimeters and fuel adjustment factors in FARSITE for forecasting wildland fire propagation | |
Amirabadizadeh et al. | Downscaling daily precipitation and temperatures over the Langat River Basin in Malaysia: a comparison of two statistical downscaling approaches | |
CN107944205B (zh) | 一种基于高斯烟羽模型的水域特征模型建立方法 | |
Zubair | Prediction of land use and land cover (LULC) changes using CA-Markov model in Mamuju Subdistrict | |
CN115656446B (zh) | 一种基于物联网的空气质量检测系统及方法 | |
CN115238245B (zh) | 污染物监测方法、装置、存储介质及电子设备 | |
CN108510097B (zh) | 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统 | |
CN115099493A (zh) | 一种基于cnn的林火向任意方向蔓延速率预测方法 | |
Page et al. | Predictive capability in estimating changes in water quality: long-term responses to atmospheric deposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |