发明内容
本发明的目的是提供一种数据采样点部署方法及系统,使得依据其采样值能够较好地反映整个水环境监测区域的水质状态。
为实现上述目的,本发明提供了如下方案:
一种数据采集点部署方法,其特征在于,所述方法包括:
确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差;
结合所述网格覆盖率和所述标量场重构误差,构建适应度函数;
根据适应度函数,利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值;
按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
可选的,所述确定待检测水域的网格覆盖率具体包括:
将所述待监测水域中二维平面S区域离散化为等单位边长的网格;所述网格的数量为C;
在所述网格上随机部署D个采样点;每个所述采样点的位置为Xd=(xd,yd),d=1,2,…,D;
采用布尔感知模型判断所述采样点所在的网格是否被覆盖,得到判断结果;所述布尔感知模型为:
其中,Dis(X
d,p)≤R
S时,P(X
d,p)=1,表示所述采样点所在的网格被覆盖;Dis(X
d,p)>R
S时,P(X
d,p)=0,表示所述采样点所在的网格未被覆盖;Dis(X
d,p)为所述采样点d与任意所述网格的中心点p(x,y)的欧几里得距离:
R
s为监测点的有效感知半径;
根据所述判断结果确定被覆盖的网格数目为Cs;
可选的,所述确定水质特征非均匀分布环境场的标量场重构误差,具体包括:
确定误差分析的位置点(x,y)个数为I;
获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z';
可选的,所述构建适应度函数具体包括:
以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标,构建适应度函数;所述适应度函数为:fitness=a*(1-f1)+b*f2;
其中,a,b为常数因子,f1为所述网格覆盖率,f2为所述标量场重构误差。
可选的,利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值,具体包括:
(1)初始化粒子群中每个粒子的位置和速度,所述位置满足公式
所述速度满足公式
所述粒子代表一组采样点位置集合,即
其中X
id=(x
id,y
id),i=1,2,…,N,d=1,2,…,D,其中,X
id表示采样点d的位置,
表示粒子i的位置,V
id表示采样点d的速度,
表示粒子i的速度;
(2)确定最大迭代次数Gmax;
(4)比较所述粒子群中的所有所述粒子的适应度值的大小,确定所述适应度值的最小值,以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解;以所述适应度值的最小值做为所述最优解对应的适应度值
(5)判断迭代次数是否达到最大迭代次数,若是,输出所述采样点位置集合的最优解及所述最优解对应的适应度值
若否,利用公式
更新每一所述粒子的所述速度和所述位置,并返回步骤(3);
其中,
表示粒子i的速度矩阵的转置,
表示粒子i的更新后的速度矩阵的转置,
表示粒子i的位置矩阵的转置,
表示粒子i的更新后的位置矩阵的转置,c表示学习因子,rand
i表示[0,1]的均匀随机数,Lbest为寻优过程中的全局最优解,w为惯性权重;
所述惯性权重的计算公式为:
为所述惯性权重的最大值、w
min为所述惯性权重的最小值;f表示粒子的适应度函数值,f
avg表示所有粒子的平均适应度函数值,f
min表示所有粒子的最小适应度函数值。
一种数据采集点部署系统,其特征在于,所述系统包括:
网格覆盖率和标量场重构误差确定单元,用于确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差;
适应度函数构建单元,用于结合所述网格覆盖率和所述标量场重构误差,构建适应度函数;
寻优单元,用于根据适应度函数,利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值;
部署单元,用于按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
可选的,所述网格覆盖率和标量场重构误差确定单元包括网格覆盖率确定子单元,所述网格覆盖率确定子单元,用于确定待检测水域的网格覆盖率;所述网格覆盖率确定子单元具体包括:
网格划分模块,用于将所述待监测水域中二维平面S区域离散化为等单位边长的网格;所述网格的数量为C;
随机部署模块,用于在所述网格上随机部署D个采样点;每个所述采样点的位置为Xd=(xd,yd),d=1,2,…,D;
布尔感知模型判断模块,用于采用布尔感知模型判断所述采样点所在的网格是否被覆盖,得到判断结果;所述布尔感知模型为:
其中,Dis(X
d,p)≤R
S时,P(X
d,p)=1,表示所述采样点所在的网格被覆盖;Dis(X
d,p)>R
S时,P(X
d,p)=0,表示所述采样点所在的网格未被覆盖;Dis(X
d,p)为所述采样点d与任意所述网格的中心点p=(x,y)的欧几里得距离:
R
s为监测点的有效感知半径;
被覆盖网格数目确定模块,用于根据所述判断结果确定被覆盖的网格数目为Cs;
网格覆盖率计算模块,用于按照公式
计算所述网格覆盖率。
可选的,所述网格覆盖率和标量场重构误差确定单元还包括标量场重构误差确定子单元,所述标量场重构误差确定子单元用于确定水质特征非均匀分布环境场的标量场重构误差,所述标量场重构误差确定子单元具体包括:
误差分析点确定模块,用于确定误差分析的位置点(x,y)个数为I;
温度获取模块,用于获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z';
标量场重构误差计算模块,用于利用公式
计算所述标量场重构误差。
可选的,所述适应度函数构建单元用于构建适应度函数,所述适应度函数构建单元具体包括:
适应度函数构建子单元,用于以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标,构建适应度函数;所述适应度函数为:fitness=a*(1-f1)+b*f2;
其中,a,b为常数因子,f1为所述网格覆盖率,f2为所述标量场重构误差。
可选的,所述寻优单元利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值,所述寻优单元具体包括:
粒子初始化子单元,用于初始化粒子群中每个粒子的位置和速度,所述位置满足公式
所述速度满足公式
所述粒子代表一组采样点位置集合,即
其中X
id=(x
id,y
id),i=1,2,…,N,d=1,2,…,D,其中,X
id表示采样点d的位置,
表示粒子i的位置,V
id表示采样点d的速度,
表示粒子i的速度;
迭代次数确定子单元,用于确定最大迭代次数Gmax;
适应度函数计算子单元,用于根据所述适应度函数计算所述粒子的适应度值
适应度值比较子单元,用于比较所述粒子群中的所有所述粒子的适应度值的大小,确定所述适应度值的最小值,以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解;以所述适应度值的最小值做为所述最优解对应的适应度值
迭代次数判断子单元,用于判断迭代次数是否达到最大迭代次数,若是,输出所述采样点位置集合的最优解及所述最优解对应的适应度值
若否,利用公式
更新每一所述粒子的所述速度和所述位置,并返回步骤(3);
其中,
表示粒子i的速度矩阵的转置,
表示粒子i的更新后的速度矩阵的转置,
表示粒子i的位置矩阵的转置,
表示粒子i的更新后的位置矩阵的转置,c表示学习因子,rand
i表示[0,1]的均匀随机数,Lbest为寻优过程中的全局最优解,w为惯性权重;
所述惯性权重的计算公式为:
其中w
max为所述惯性权重的最大值、w
min为所述惯性权重的最小值;f表示粒子的适应度函数值,f
avg表示所有粒子的平均适应度函数值,f
min表示所有粒子的最小适应度函数值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明在构建适应度函数时,将同时考虑覆盖性能和能反映采样数据优劣的重构性能,使得采样点达到对环境标量场的最大化覆盖,在搜索最优采样点时,将传统粒子群优化算法与引力搜索算法结合,对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值,以提高算法收敛速度和精度,使得依据其采样值能够较好地反映整个水环境监测区域的水质状态。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种数据采集点部署方法及系统,依据其采样值能够较好地反映整个水环境监测区域的水质状态。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供的数据采集点部署方法包括:
步骤101:确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差;
在本实施例中,具体采用以下步骤确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差。
所述确定待检测水域的网格覆盖率具体包括:
将所述待监测水域中二维平面S区域离散化为等单位边长的网格;所述网格的数量为C;
在所述网格上随机部署D个采样点;每个所述采样点的位置为Xd=(xd,yd),d=1,2,…,D;
采用布尔感知模型判断所述采样点所在的网格是否被覆盖,得到判断结果;所述布尔感知模型为:
其中,Dis(X
d,p)≤R
S时,P(X
d,p)=1,表示所述采样点所在的网格被覆盖;Dis(X
d,p)>R
S时,P(X
d,p)=0,表示所述采样点所在的网格未被覆盖;Dis(X
d,p)为所述采样点d与任意所述网格的中心点p(x,y)的欧几里得距离:
R
s为监测点的有效感知半径;
根据所述判断结果确定被覆盖的网格数目为Cs;
根据布尔感知模型确定的网格覆盖率,能够更加准确地反映实际覆盖情况,可以直接作为水环境检测覆盖率的度量指标。
所述确定水质特征非均匀分布环境场的标量场重构误差,具体包括:
确定误差分析的位置点(x,y)个数为I;
获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z';
针对水质特征非均匀分布环境场,将较多的采样位置部署在变化较大、特征明显的区域中,而在变化平缓的区域中部署相对少的采样点,这相比于完全均匀部署的方式能够获得更好的环境标量场重构性能。
步骤102:结合所述网格覆盖率和所述标量场重构误差,构建适应度函数;
所述构建适应度函数具体包括:
以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标,构建适应度函数;所述适应度函数为:fitness=a*(1-f1)+b*f2;
其中,a,b为常数因子,f1为所述网格覆盖率,f2为所述标量场重构误差,1-f1将覆盖率的最大化转化为覆盖空洞的最小化,使得寻优目标变成求解函数最小值的问题。
由适应度函数建立了基于最大化覆盖率和最小化标量场的重构误差的水环境检测性能衡量准则,使得采样点部署能达到对环境标量场的最大化覆盖。
步骤103:根据适应度函数,利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值;
所述利用所述粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值,具体包括:
(1)初始化粒子群中每个粒子的位置和速度,所述位置满足公式
所述粒子代表一组采样点位置集合,即
其中X
id=(x
id,y
id),i=1,2,…,N,d=1,2,…,D,其中,X
id表示采样点d的位置,
表示粒子i的位置,V
id表示采样点d的速度,
表示粒子i的速度;
(2)确定最大迭代次数Gmax;
(4)比较所述粒子群中的所有所述粒子的适应度值的大小,确定所述适应度值的最小值,以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解;以所述适应度值的最小值做为所述最优解对应的适应度值
(5)判断迭代次数是否达到最大迭代次数,若是,输出所述采样点位置集合的最优解及所述最优解对应的适应度值
若否,利用公式
更新每一所述粒子的所述速度和所述位置,并返回步骤(3);
其中,
表示粒子i的速度矩阵的转置,
表示粒子i的更新后的速度矩阵的转置,
表示粒子i的位置矩阵的转置,
表示粒子i的更新后的位置矩阵的转置,c表示学习因子,rand
i表示[0,1]的均匀随机数,Lbest为寻优过程中的全局最优解,w为惯性权重;
所述惯性权重,能够体现粒子继承当前速度的能力,为了平衡算法的全局搜索能力和局部改良能力,所述惯性权重采用自适应权重,计算公式为:
其中w
max为所述惯性权重的最大值、w
min为所述惯性权重的最小值;f表示粒子的适应度函数值,f
avg表示所有粒子的平均适应度函数值,f
min表示所有粒子的最小适应度函数值。
利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值,实现对水域的最大化覆盖监测的同时,能够较好的重构整个水域的水质分布特征,从而较好的反映整个水环境监测区域的水质状态。
步骤104:按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
本申请提出的数据采集点部署方法,通过网格覆盖率和标量场重构误差两者相结合,作为水环境测试性能衡量标准,建立与衡量标准相关的适应度函数,利用寻优,确定采样点位置集合的最优解及所述最优解对应的适应度值,实现对水域的最大化覆盖监测的同时,能够较好的重构整个水域的水质分布特征,从而较好的反映整个水环境监测区域的水质状态。
实施例2
如图2所示,本实施例提供的数据采集点部署系统包括:网格覆盖率和标量场重构误差确定单元201、适应度函数构建单元202、寻优单元203和部署单元204。
网格覆盖率和标量场重构误差确定单元201,用于确定待检测水域的网格覆盖率和水质特征非均匀分布环境场的标量场重构误差。
所述网格覆盖率和标量场重构误差确定单元201包括网格覆盖率确定子单元和标量场重构误差确定子单元;
所述网格覆盖率确定子单元具体包括:
网格划分模块,用于将所述待监测水域中二维平面S区域离散化为等单位边长的网格;所述网格的数量为C;
随机部署模块,用于在所述网格上随机部署D个采样点;每个所述采样点的位置为Xd=(xd,yd),d=1,2,…,D;
布尔感知模型判断模块,用于采用布尔感知模型判断所述采样点所在的网格是否被覆盖,得到判断结果;所述布尔感知模型为:
其中,Dis(X
d,p)≤R
S时,P(X
d,p)=1,表示所述采样点所在的网格被覆盖;Dis(X
d,p)>R
S时,P(X
d,p)=0,表示所述采样点所在的网格未被覆盖;Dis(X
d,p)为所述采样点d与任意所述网格的中心点p=(x,y)的欧几里得距离:
R
s为监测点的有效感知半径;
被覆盖网格数目确定模块,用于根据所述判断结果确定被覆盖的网格数目为Cs;
网格覆盖率计算模块,用于按照公式
计算所述网格覆盖率。
根据布尔感知模型确定的网格覆盖率,能够更加准确地反映实际覆盖情况,可以直接作为水环境检测覆盖率的度量指标。
所述标量场重构误差确定子单元具体包括:
误差分析点确定模块,用于确定误差分析的位置点(x,y)个数为I;
温度获取模块,用于获取所述水质特征非均匀分布环境场中任意的所述位置点的温度真实值Z和与所述位置点的温度真实值Z对应的估计值Z';
标量场重构误差计算模块,用于利用公式
计算所述标量场重构误差。
针对水质特征非均匀分布环境场,将较多的采样位置部署在变化较大、特征明显的区域中,而在变化平缓的区域中部署相对少的采样点,这相比于完全均匀部署的方式能够获得更好的环境标量场重构性能。
适应度函数构建单元202,用于结合所述网格覆盖率和所述标量场重构误差,构建适应度函数。所述适应度函数构建单元202具体包括:
适应度函数构建子单元,用于以所述网格覆盖率的最大化和所述标量场重构误差的最小化为目标,构建适应度函数;所述适应度函数为:fitness=a*(1-f1)+b*f2;
其中,a,b为常数因子,f1为所述网格覆盖率,f2为所述标量场重构误差,1-f1将覆盖率的最大化转化为覆盖空洞的最小化,使得寻优目标变成求解函数最小值的问题。
由适应度函数建立了基于最大化覆盖率和最小化标量场的重构误差的水环境检测性能衡量准则,使得采样点部署能达到对环境标量场的最大化覆盖。
寻优单元203,用于根据适应度函数,利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值。所述寻优单元203具体包括:
粒子初始化子单元,用于初始化粒子群中每个粒子的位置和速度,所述位置满足公式
所述速度满足公式
所述粒子代表一组采样点位置集合,即
其中X
id=(x
id,y
id),i=1,2,…,N,d=1,2,…,D,其中,X
id表示采样点d的位置,
表示粒子i的位置,V
id表示采样点d的速度,
表示粒子i的速度;
迭代次数确定子单元,用于确定最大迭代次数Gmax;
适应度函数计算子单元,用于根据所述适应度函数计算所述粒子的适应度值
适应度值比较子单元,用于比较所述粒子群中的所有所述粒子的适应度值的大小,确定所述适应度值的最小值,以所述适应度值的最小值对应的所述粒子作为所述采样点位置集合的最优解;以所述适应度值的最小值做为所述最优解对应的适应度值
迭代次数判断子单元,用于判断迭代次数是否达到最大迭代次数,若是,输出所述采样点位置集合的最优解及所述最优解对应的适应度值
若否,利用公式
更新每一所述粒子的所述速度和所述位置,并返回所述适应度函数计算子单元;
其中,
表示粒子i的速度矩阵的转置,
表示粒子i的更新后的速度矩阵的转置,
表示粒子i的位置矩阵的转置,
表示粒子i的更新后的位置矩阵的转置,c表示学习因子,rand
i表示[0,1]的均匀随机数,Lbest为寻优过程中的全局最优解,w为惯性权重;
所述惯性权重,能够体现粒子继承当前速度的能力,为了平衡算法的全局搜索能力和局部改良能力,所述惯性权重采用自适应权重,计算公式为:
其中w
max为所述惯性权重的最大值、w
min为所述惯性权重的最小值;f表示粒子的适应度函数值,f
avg表示所有粒子的平均适应度函数值,f
min表示所有粒子的最小适应度函数值。
利用粒子群优化算法与引力搜索算法对采样点位置集合进行寻优处理,确定采样点位置集合的最优解及所述最优解对应的适应度值,实现对水域的最大化覆盖监测的同时,能够较好的重构整个水域的水质分布特征,从而较好的反映整个水环境监测区域的水质状态。
部署单元204,用于按照所述采样点位置集合的最优解对应的采样点位置在所述待检测水域部署数据采样点。
本申请提出的数据采集点部署系统,通过网格覆盖率确定子单元和标量场重构误差确定子单元两者相结合,作为水环境测试性能衡量标准,建立与衡量标准相关的适应度函数构建单元,利用寻优单元,确定采样点位置集合的最优解及所述最优解对应的适应度值,实现对水域的最大化覆盖监测的同时,能够较好的重构整个水域的水质分布特征,从而较好的反映整个水环境监测区域的水质状态。
对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。