CN111105131B - 一种基于改进d-s证据理论的水质判断方法 - Google Patents
一种基于改进d-s证据理论的水质判断方法 Download PDFInfo
- Publication number
- CN111105131B CN111105131B CN201911080896.8A CN201911080896A CN111105131B CN 111105131 B CN111105131 B CN 111105131B CN 201911080896 A CN201911080896 A CN 201911080896A CN 111105131 B CN111105131 B CN 111105131B
- Authority
- CN
- China
- Prior art keywords
- water quality
- probability distribution
- monitoring data
- distribution function
- basic probability
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
本发明提供了一种基于改进D‑S证据理论的水质判断方法。本方法为了解决传统的基本概率分配函数(BPA)获取过度依赖专家知识经验而缺乏实时性与客观性,采用基于有序命题类问题的典型样本方法,获取如溶解氧、高锰酸盐、氨氮等水质参数在五类水质上的基本概率分配函数,获取过程中采用弹性拉大的方法对BPA进行修正。再针对水质参数监测数据在五类水质中的概率分配情况,采用对各类水质概率进行加权分配的融合方法,消除了传统D‑S证据理论在水质参数监测数据融合中存在的逻辑错误问题,融合精度更高,说服力更强,从而可以对监测点的水质状况做出迅速、正确的判断。
Description
技术领域
本发明涉及环境监测领域,特别是指一种基于改进D-S证据理论的水质判断方法。
背景技术
水是生命之源,是人们赖以生存的重要条件,随着社会工业化的步伐不断加快,国民经济迅速增长,社会发展与人口规模扩大造成的水资源污染成为了社会发展中不可忽视的问题。因此,加强水污染防治,建立水质工程对民生的改善,国家战略安全有很大的重要意义。而水质监测预警作为水污染防治中重要的一环,是环境监管中的重点和难点,只有正确分析监测点的水质状况,才能为上层行动决策做出最精准的估计,从而更好更快地控制污染的扩散。
多传感器数据融合就是通过对多个传感器的监测数据的支配和使用,利用多个传感器协同工作的优势,把传感器的监测数据在时间或空间上的互补数据和冗余数据按照融合算法融合出可以判定待测点环境状况的数据,从而得出对该监测点环境状况的一致性解释,提高整个水质监测预警的有效性与稳定性,从而可以更好地掌握水环境的情况,为水环境质量的评价估测提供有效的依据和手段。
目前,传统的多传感器数据融合算法大部分是由专家系统通过大量知识与经验计算出基本概率分配函数,再通过普通的融合算法对其融合。这种多传感器数据融合算法存在基本概率分配函数获取困难、计算量大、融合精确性不够、系统不适合大范围推广等问题。
发明内容
本发明的主要目的在于针对传统的多传感器数据融合算法的基本概率分配函数获取困难、计算量大、融合精确性不够,提出一种基于改进D-S证据理论的水质判断方法。
本发明采用如下技术方案:
一种基于改进D-S证据理论的水质判断方法,其特征在于,包括如下步骤:
1)通过同类型水质传感器获取证据数据s={s1,s2,…,sm},si为水质参数监测数据,1≤i<m,m为水质参数监测数据的样本数量;
2)计算水质参数监测数据si基于五个不同水质类别的基本概率分配函数;
3)将m个水质参数监测数据所对应的基本概率分配函数进行融合;
4)将融合结果按照判决原则确定水质类别。
优选的,将五个水质类别设定为辨识框架Θ={X1,X2,X3,X4,X5},每个水质类别Xj对应着一个限值Sij,限值集S={Si1,Si2,Si3,Si4,Si5},步骤2)中,基本概率分配函数计算具体包括如下:
2.1)求出水质参数监测数据si与水质类别限值Sij之间的海明距离:
Hij=|si-Sij|;其中1≤j<5
2.2)求出水质参数监测数据si对应的海明距离的平均值:
2.3)求出水质参数监测数据si与水质类别限值Sij的相似度,利用正态曲线可得:
2.4)求出水质参数监测数据si对应的水质类别Xj的基本概率分配函数:
优选的,当水质参数监测数据满足以下条件
Sij<si<Si(j+1),1≤j<5
则设水质参数监测数据样本所在区间的海明距离差值为:
h=|Hi(j+1)-Hij|
新的海明距离为:
H'ik=Hik+h,k=1,2,…,5,k≠j,k=j+1
根据新的海明距离重复步骤2.2)-2.4),得到基本概率分配函数。
优选的,步骤3)中,具体为:将同类型水质传感器获取的两个水质参数监测数据a和b的基本概率分配函数进行融合,a、b∈s,
融合后的基本概率分配函数为
优选的,步骤4)中,所述判决的原则是:
规则一:该水质类别的基本概率分配函数是最大的;
规则二:该水质类别应该比其他的水质类别的基本概率分配函数要大于某一阈值;
规则三:不确定性的基本概率分配函数必须要小于某一阈值,;
规则四:该水质类别的基本概率分配函数要大于不确定性的基本概率分配函数。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
本发明采用基于有序命题类问题的典型样本方法,简化了基本概率分配函数的获取,在大量减少基本概率分配函数获取的计算量情况下,也使得获取的数据更具有实时性和有效性。所有的基本概率分配函数进行融合,融合结果符合正常的思维逻辑,不像D-S证据理论存在“一票否决”的错误,也不像Yager公式存在大量的不确定性,因此是合理有效的数据,可以按照判决原则来判定监测点的水质状况。
附图说明
图1是本发明方法在水质监测中的实现过程原理图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
一种基于改进D-S证据理论的水质判断方法,包括如下步骤:
1)获取证据数据
证据数据可以是溶解氧、高锰酸盐、氨氮等水质参数,以溶解氧水质参数为例,一个溶解氧传感器作为一个证据源,m为该证据源中证据的数量也即水质参数监测数据的样本数量,水质参数数据集s={s1,s2,…,sm},对这水质参数数据si进行融合,1≤i<m。
融合分为时间上的融合与空间上的融合。
设某一传感器t天内的水质参数监测数据stime={s1,s2,…,st},对这t个数据进行融合,可以获得t天内该监测点的水质状况。
设某一水域s个监测点传感器的水质参数监测数据sspace={s1,s2,…,ss},对这s个数据进行融合,可以获得该水域在某时刻水质状况。
将时间融合的数据与空间融合的数据再次融合,便可得到监测水域的整体水质状况。
2)计算水质参数监测数据基于不同水质类别的基本概率分配函数
将五个水质类别设定为辨识框架Θ={X1,X2,X3,X4,X5},每个水质类别Xj对应着一个限值,限值集S={Si1,Si2,Si3,Si4,Si5}。则第i个水质参数监测数据在五个水质类别Xj上的BPA的获取步骤如下:
2.1)求出水质参数监测数据si与水质类别限值Sij之间的海明距离:
Hij=|si-Sij| (1)
2.2)求出水质参数监测数据si对应的海明距离的平均值:
2.3)求出水质参数监测数据si与水质类别限值Sij的相似度,利用正态曲线可得:
A是大于0的系数,为了保证正态曲线的斜度,取A=5;b为:
2.4)求出水质参数监测数据si对应的水质类别Xj的基本概率分配函数为:
另外,当水质参数监测数据满足以下条件时,
Sij<si<Si(j+1),1≤j<5 (6)
则设水质参数监测数据样本所在区间的海明距离差值为
h=|Hi(j+1)-Hij| (7)
那么新的海明距离为
H'ik=Hik+h,k=1,2,…,5,k≠j,k=j+1 (8)
根据新的海明距离重复步骤2.2)-2.4)即重复公式(2)(3)(4)(5)的计算,即可获得基本概率分配函数。
采用典型方法来计算基本概率分配函数的目的是弥补传统基本概率分配函数需要依赖专家系统才能获取的缺点,使得获得的基本概率分配函数具有客观性与实时性。
3)将水质参数监测数据所对应的基本概率分配函数进行融合
将同类型水质传感器获取的两个水质参数监测数据a和b的基本概率分配函数进行融合,a、b∈s,
融合后的基本概率分配函数为
其中f(X)是冲突证据概率分配函数,f(X)=k'q(X),k'为冲突因子,q(X)为证据对水质类别X的支持程度,
将同类型水质传感器所获取证据数据的基本概率分配函数进行两两融合得到融合结果,五种不同水质类别下的融合结果可以按照判决原则来判定监测点的水质状况。
4)将融合结果按照判决原则确定水质类别
对水质类别进行判定,判决的原则是:
规则一:该水质类别的基本概率分配函数是最大的;
规则二:该水质类别应该比其他的水质类别的基本概率分配函数要大于某一阈值;
规则三:不确定性的基本概率分配函数M(Θ)必须要小于某一阈值;
规则四:该水质类别的基本概率分配函数要大于不确定性的基本概率分配函数M(Θ);
将以上的基本规则用公式来表示,如下所示:
M(X1)=max{M(X1),M(X2),M(X3),M(X4),M(X5)} (12)
M(X2)=max{M(X2),M(X3),M(X4),M(X5)} (13)
M(X1)-M(X2)≥ε1 (14)
M(Θ)<ε2 (15)
M(X1)>M(Θ) (16)
不确定性的基本概率分配函数,是用1减去五个水质类别的确定性基本概率分配函数之和,得到的差值即为不确定性基本概率分配函数,之所以叫不确定性基本概率分配函数,也是相对前述步骤中所介绍的五个水质类别的确定性基本概率分配函数而言的,大多数正常情况下这五个水质类别的基本概率分配函数相加之和为1,此时不确定性基本概率分配函数就为0。如出现有不确定性的基本概率分配函数,则需要排除掉,不能用来判断水质的类别。
本发明采用对各类水质概率进行加权分配的融合方法,消除了传统D-S证据理论在水质参数数据融合中存在的逻辑错误问题,融合精度更高,说服力更强,从而可以对监测点的水质状况做出迅速、正确的判断。
应用举例
1)获取证据数据
通过溶解氧传感器,获取某一监测点的溶解氧水质参数监测数据s={4.02,4.35,4.88},对这3个水质参数监测数据进行融合。
2)计算基本概率分配函数
水质类别限值S={7.5,6.0,5.0,3.0,2.0}
按照公式(1)~(8)计算基本概率分配函数
M1(X1)=0.00000,M1(X2)=0.00754,M1(X3)=0.51915,M1(X4)=0.46577,M1(X5)=0.00754;
M2(X1)=0.00000,M2(X2)=0.00517,M2(X3)=0.79520,M2(X4)=0.19951,M2(X5)=0.00012;
M3(X1)=0.00037,M3(X2)=0.00426,M3(X3)=0.90278,M3(X4)=0.09257,M3(X5)=0.00000。
3)对基本概率分配函数进行融合
按照公式(9)~(11)对基本概率分配函数进行融合,
M(X1)=0.00006,M(X2)=0.00117,M(X3)=0.92037,M(X4)=0.07811,M(X5)=0.00029。
4)针对融合结果按照判决原则判定水质类别
针对融合结果,按照公式(12)~(16)对监测点的水质类别进行判定。
《地表水环境质量标准》将地表水按功能高低依次划分为五类(I类、II类、III类、IV类、V类),并给出了地表水环境质量标准五类水质基本项目标准限值表。由最终融合结果可以看出,M(X3)值最大,该监测点的水质属于III类水质。故需要对该水质采取III类水质相对应的污染处理措施。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (4)
1.一种基于改进D-S证据理论的水质判断方法,其特征在于,包括如下步骤:
1)通过同类型水质传感器获取证据数据s={s1,s2,…,sm},si为水质参数监测数据,1≤i<m,m为水质参数监测数据的样本数量;
2)计算水质参数监测数据si基于五个不同水质类别的基本概率分配函数,将五个水质类别设定为辨识框架Θ={X1,X2,X3,X4,X5},每个水质类别Xj对应着一个限值Sij,限值集S={Si1,Si2,Si3,Si4,Si5},则基本概率分配函数计算具体包括如下:
2.1)求出水质参数监测数据si与水质类别限值Sij之间的海明距离:
Hij=|si-Sij|;其中1≤j≤5;
2.2)求出水质参数监测数据si对应的海明距离的平均值:
2.3)求出水质参数监测数据si与水质类别限值Sij的相似度,利用正态曲线可得:
2.4)求出水质参数监测数据si对应的水质类别Xj的基本概率分配函数:
3)将m个水质参数监测数据所对应的基本概率分配函数进行融合;
4)将融合结果按照判决原则确定水质类别。
2.如权利要求1所述的一种基于改进D-S证据理论的水质判断方法,其特征在于,当水质参数监测数据满足以下条件
Sij<si<Si(j+1),1≤j≤5
则设水质参数监测数据样本所在区间的海明距离差值为:
h=|Hi(j+1)-Hij|
新的海明距离为:
H′ik=Hik+h,k=1,2,…,5,k≠j,k=j+1
根据新的海明距离重复步骤2.2)-2.4),得到基本概率分配函数。
4.如权利要求1所述的一种基于改进D-S证据理论的水质判断方法,其特征在于,步骤4)中,所述判决原则是:
规则一:该水质类别的基本概率分配函数是最大的;
规则二:该水质类别比其他的水质类别的基本概率分配函数要大于某一阈值;
规则三:不确定性的基本概率分配函数必须要小于某一阈值;
规则四:该水质类别的基本概率分配函数要大于不确定性的基本概率分配函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080896.8A CN111105131B (zh) | 2019-11-07 | 2019-11-07 | 一种基于改进d-s证据理论的水质判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911080896.8A CN111105131B (zh) | 2019-11-07 | 2019-11-07 | 一种基于改进d-s证据理论的水质判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105131A CN111105131A (zh) | 2020-05-05 |
CN111105131B true CN111105131B (zh) | 2022-07-01 |
Family
ID=70420660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911080896.8A Active CN111105131B (zh) | 2019-11-07 | 2019-11-07 | 一种基于改进d-s证据理论的水质判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111105131B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
WO2017115341A1 (en) * | 2015-12-31 | 2017-07-06 | Fluentgrid Limited | Method and system for utility management |
CN108764520A (zh) * | 2018-04-11 | 2018-11-06 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
-
2019
- 2019-11-07 CN CN201911080896.8A patent/CN111105131B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
WO2017115341A1 (en) * | 2015-12-31 | 2017-07-06 | Fluentgrid Limited | Method and system for utility management |
CN108764520A (zh) * | 2018-04-11 | 2018-11-06 | 杭州电子科技大学 | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111105131A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN107292383B (zh) | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 | |
CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN112906738B (zh) | 一种水质检测及处理方法 | |
CN116881749B (zh) | 一种污染场地施工监测方法及系统 | |
CN113435471A (zh) | 深度特征聚类的高排放移动源污染识别方法及系统 | |
CN112084716A (zh) | 一种基于富营养化综合评价的赤潮预测预警方法 | |
CN111191855A (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN111105131B (zh) | 一种基于改进d-s证据理论的水质判断方法 | |
Sun et al. | A wireless sensor network node fault diagnosis model based on belief rule base with power set | |
CN111625934B (zh) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN117312879A (zh) | 一种注塑机生产数据监督预警方法、系统及介质 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN117538503A (zh) | 一种实时智能的土壤污染监测系统及方法 | |
Jiang et al. | Parameters calibration of traffic simulation model based on data mining | |
CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
CN109101778B (zh) | 基于性能退化数据和寿命数据融合的Wiener过程参数估计方法 | |
CN116562615A (zh) | 一种用于乳制品食品安全的风险预警方法 | |
CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN115526407A (zh) | 基于因果机器学习的电网大数据安全检测预警方法及系统 | |
CN108874974A (zh) | 基于频繁词集的并行化话题跟踪方法 |
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 |