CN111504963B - 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法 - Google Patents

一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法 Download PDF

Info

Publication number
CN111504963B
CN111504963B CN202010280059.6A CN202010280059A CN111504963B CN 111504963 B CN111504963 B CN 111504963B CN 202010280059 A CN202010280059 A CN 202010280059A CN 111504963 B CN111504963 B CN 111504963B
Authority
CN
China
Prior art keywords
sampling
fusion
data
time
blue
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
Application number
CN202010280059.6A
Other languages
English (en)
Other versions
CN111504963A (zh
Inventor
李庆铁
熊迎军
李靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Lanchang Automation Technology Co ltd
Original Assignee
Shanghai Lanchang Automation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Lanchang Automation Technology Co ltd filed Critical Shanghai Lanchang Automation Technology Co ltd
Priority to CN202010280059.6A priority Critical patent/CN111504963B/zh
Publication of CN111504963A publication Critical patent/CN111504963A/zh
Application granted granted Critical
Publication of CN111504963B publication Critical patent/CN111504963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • Y02A20/20—Controlling water pollution; Waste water treatment

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，该方法包括以下步骤：S1、布置水质叶绿素/蓝绿藻检测传感器；S2、对于任一采样周期内传感器各采样点的数据，获取平均支持度；S3、计算采样点之间的信任度；S4、进行空间融合，获取空间融合值；S5、进行时间上的滤波修正，进一步获取时间融合后的测量值。本发明在空间角度上，使用支持度进行各传感器电信号的剔除，然后按照最小化总体融合方差的思想，对各节点进行基于信任度的数值融合，有效提高了数据处理的精度；在时间角度上，采用三阶Volterra级数进行数据滤波，结合实测样本数据的期望、方差，融合两种估计，获取最终的修正结果，进一步优化了数据处理方案。

Description

一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法
技术领域
本发明属于传感器信号处理领域，尤其是一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，具体地说是通过多个光电传感器同时获取数据，对多个同类型传感器数据进行空间融合，使用时间序列滤波算法，降低传感器采样的噪声，实现高精度水质浊度检测的方法。
背景技术
传感器是一种检测装置，能够感受被测量的信息，同时按照一定的规律将该信息转换为电信号或其他形式的信号输出。由于传感器的检测到数值输出是通过电路完成的，不可避免会有一定的延时。半导体元器件本身易受温度影响，在被检测量保持不变的情况下，会发生漂移现象。在被检测量自身具有较大波动的情形下，输入量从小到大、从大到小变化特征曲线有不重合的现象。尽管在低精度的使用中，这些问题可以通过简单的数值计算手段进行拟合，但随着系统设计的复杂程度增加，涉及元器件变多，为了追求更高的测量精度，必须要采取一定的手段，优化传感器原始数据的处理方法，获取高精度的真实值估计。
在植物性水华现象发生初期，由于植物的光合作用，水体会出现高叶绿素a、高溶解氧、高化学耗氧量。这种环境因素的改变，致使一些生物不能正常生长、发育、繁殖，导致一些生物逃避甚至死亡，破坏了原有的生态平衡。因此监测水中的叶绿素a,蓝绿藻的含量，是对水质监测的重要指标。水中的叶绿素、蓝绿藻受特定波长信号激发，产生波长更长的微弱荧光信号。荧光强度与叶绿素、蓝绿藻含量呈线性关系，通过检测荧光强度即可获得叶绿素、蓝绿藻浓度参数。由于荧光信号本身比较微弱，受各类干扰因素影响也容易产生波动，制约了叶绿素、蓝绿藻的精确测量。
发明内容
本发明的目的是针对叶绿素、蓝绿藻传感器检测精度的问题，提出一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，在检测的精度和灵敏度之间取舍，利用多点数据拟合，时间序列数据滤波的手段，保证水质浊度传感器的检测精度，同时在算法层面增强传感器的抗干扰能力。
本发明的技术方案是：
本发明提供一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，该方法包括以下步骤：
S1、布置水质叶绿素/蓝绿藻检测传感器，对待测区域的水质进行检测，所述的水质叶绿素/蓝绿藻检测传感器具有若干个光电二极管，各光电二极管作为采样点，按照固定的采样周期T，获取采样数据Xi(m)发送至处理器；其中，i是光电二极管即采样点的编号，i＝1、2...n；n表示采样点的总数；Xi表示采样点i在当前采样周期内获取的采样序列；m表示当前采样周期内所采样本的编号；m＝1、2...k；k表示当前周期内的样本总数；
S2、在处理器中，对于任一采样周期内各采样点的数据，采用基于支持度的方法进行预处理，获取各采样点的平均支持度mi；
S3、对于任一采样周期内各采样点的数据，计算采样点之间的信任度Wi；
S4、对各采样点的数据进行空间融合，获取对应时刻所有采样点数据的空间融合值
Figure BDA0002446229370000023
和融合方差/>
Figure BDA0002446229370000024
S5、对所有采样点数据进行时间上的滤波修正，获取修正系数
Figure BDA0002446229370000025
和修正方差/>
Figure BDA0002446229370000026
采用修正系数对前述空间融合值进行校正，获取时间融合后的测量值R(t)。
进一步地，所述的水质叶绿素/蓝绿藻检测传感器具有4～8个光电二极管，前述光电二极管轴对称布置。
进一步地，所述的水质叶绿素/蓝绿藻检测传感器采用测量液体散射光强度计算水质浊度为原理的传感器。
进一步地，步骤S2具体为：
S2-1、定义支持度函数，对于同一时刻任意两采样点对应编号的样本，计算两采样点之间的支持度sup(Xi(k),Xj(k))，记为si,j；
Figure BDA0002446229370000021
其中：i,j表示光电二极管即采样点的编号，i、j∈(1，n)；n表示采样点的总数；Xi(k),Xj(k)分别表示光电二极管当前采样周期内采样序列的第k个样本值；k表示当前周期内的样本总数；
Figure BDA0002446229370000022
分别表示采样点i,j在当前采样周期内获取的采样样本的方差；S2-2、按照步骤S2-1遍历所有采样点，计算两两采样点之间的支持度，获得n阶支持度矩阵S：
Figure BDA0002446229370000031
S2-3、对于各采样点，分别获取其他采样点对该采样点的支持度，遍历所有采样点，获取支持度向量SS：
Figure BDA0002446229370000032
其中：S是S2-2中获取的n阶支持度矩阵，(1,...,1)T是一个n×1的全1向量，diag(S)取矩阵S主对角线元素构成的n×1的向量；
S2-4、采用下述公式获取支持度平均向量
Figure BDA0002446229370000033
Figure BDA0002446229370000034
其中：msi表示采样点i的平均支持度。
进一步地，步骤S3具体为：对于各采样点，采用下述公式计算采样点之间的信任度Wi；
Figure BDA0002446229370000035
其中：i表示采样点的编号，i＝1、2...n；Xi表示采样点i在当前采样周期内获取的采样序列；m表示当前采样周期内所采样本的编号；m＝1、2...k；k表示当前周期内的样本总数；Xi(m)表示采样点i在采样周期内所获取的第m个样本值；
Figure BDA0002446229370000036
代表当前采样周期内所有采样点第m次采样的期望。
进一步地，步骤S4具体为：
S4-1、采用下述公式获取各采样点的信任关系值vi：
Figure BDA0002446229370000037
其中：Wi是采样点i的信任度，msi是采样点i的平均支持度。
S4-2、在t时刻，对所有采样点的采样数据进行空间融合，得到t时刻所有采样点数据的空间融合值
Figure BDA0002446229370000038
Figure BDA0002446229370000039
其中：Xi(k)表示采样点i在t时刻对应采样周期内的第k个即最后一个采样数据；
S4-3、采用下述公式获取t时刻，n个采样点的融合方差为：
Figure BDA0002446229370000041
进一步地，步骤S5具体为：
S5-1、建立沃尔泰拉Volterra级数的三阶函数y(t)：
Figure BDA0002446229370000042
其中：d表示阶数；e(t)为余项；λz表示回溯传感器记忆(历史输出)的序号，级数取三阶，z＝1、2、3，λz＝1、2、...、Nd；Nd代表时间序列记忆深度，Nd控制着y(t)输出需要考虑多长时间前的记忆，该项取值与y(t)的运算复杂度直接相关，一般取值在[2,4]；R表示水质叶绿素/蓝绿藻检测传感器的输出值，将R(t-λz)作为y(t)输入时间序列的第t-λz个输入值；h1(λ1)h2(λ1，λ2)h3(λ1，λ2，λ3)分别表示一阶、二阶和三阶缩放系数；p代表时域修正量，采用下述公式表达：
p1(λ1)＝1
Figure BDA0002446229370000043
Figure BDA0002446229370000044
S5-2、将t时刻之前Nd次的R值作为输入，求出t时刻的预测值Pre＝y(t)，该预测值Pre服从正态分布：
Figure BDA0002446229370000045
S5-3、当t＞Nd时，采用下述公式计算修正系数
Figure BDA0002446229370000046
和修正方差/>
Figure BDA0002446229370000047
Figure BDA0002446229370000048
Figure BDA0002446229370000051
其中：
Figure BDA0002446229370000052
表示当前时刻n个采样点的融合方差；
S5-4、采用下述公式对空间融合值
Figure BDA0002446229370000053
进行校正，获取时间融合后的测量值R(t)：
Figure BDA0002446229370000054
本发明的有益效果：
本发明在空间角度上，使用支持度进行各传感器电信号的剔除，然后按照最小化总体融合方差的思想，对各节点进行基于信任度的数值融合，有效提高了数据处理的精度。
本发明在时间角度上，采用三阶Volterra级数进行数据滤波，结合实测样本数据的期望、方差，融合两种估计，获取最终的修正结果，进一步优化了数据处理方案。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然描述了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
本发明提供一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，该方法包括以下步骤：
S1、布置水质叶绿素/蓝绿藻检测传感器，对待测区域的水质进行检测，所述的水质叶绿素/蓝绿藻检测传感器具有若干个光电二极管，各光电二极管作为采样点，按照固定的采样周期T，获取采样数据Xi(m)发送至处理器；其中，i是光电二极管即采样点的编号，i＝1、2...n；n表示采样点的总数；Xi表示采样点i在当前采样周期内获取的采样序列；m表示当前采样周期内所采样本的编号；m＝1、2…k；k表示当前周期内的样本总数；
所述的水质叶绿素/蓝绿藻检测传感器具有4～8个光电二极管，前述光电二极管轴对称布置；前述传感器采用测量液体散射光强度计算水质浊度为原理的传感器。
S2、在处理器中，对于任一采样周期内各采样点的数据，采用基于支持度的方法进行预处理，获取各采样点的平均支持度mi，用于滤除偏离采样数据群体的个别数据，具体包括：
S2-1、定义支持度函数，对于同一时刻任意两采样点对应编号的样本，计算两采样点之间的支持度sup(Xi(k)，Xj(k))，记为si，j；
Figure BDA0002446229370000061
其中：i，j表示光电二极管即采样点的编号，i、j∈(1，n)；n表示采样点的总数；Xi(k)，Xj(k)分别表示光电二极管当前采样周期内采样序列的第k个样本值；k表示当前周期内的样本总数；
Figure BDA0002446229370000062
分别表示采样点i,j在当前采样周期内获取的采样样本的方差；
S2-2、按照步骤S2-1遍历所有采样点，计算两两采样点之间的支持度，获得n阶支持度矩阵S：
Figure BDA0002446229370000063
S2-3、对于各采样点，分别获取其他采样点对该采样点的支持度，遍历所有采样点，获取支持度向量SS：
Figure BDA0002446229370000064
其中：S是S2-2中获取的n阶支持度矩阵，(1，...，1)T是一个n×1的全1向量，diag(S)取矩阵S主对角线元素构成的n×1的向量；
S2-4、采用下述公式获取支持度平均向量
Figure BDA0002446229370000065
Figure BDA0002446229370000066
其中：msi表示采样点i的平均支持度。
S3、对于任一采样周期内各采样点的数据，计算采样点之间的信任度Wi；
Figure BDA0002446229370000067
其中：i表示采样点的编号，i＝1、2...n；Xi表示采样点i在当前采样周期内获取的采样序列；m表示当前采样周期内所采样本的编号；m＝1、2...k；k表示当前周期内的样本总数；Xi(m)表示采样点i在采样周期内所获取的第m个样本值；
Figure BDA0002446229370000068
代表当前采样周期内所有采样点第m次采样的期望。
S4、对各采样点的数据进行空间融合，获取对应时刻所有采样点数据的空间融合值
Figure BDA0002446229370000069
和融合方差/>
Figure BDA00024462293700000610
空间上的滤波修正具体指基于支持度度量、异常值剔除、自适应加权的比例平均融合方法，实现在一个时刻内对不同位置采样点进行数值融合；
S4-1、采用下述公式获取各采样点的信任关系值vi：
Figure BDA0002446229370000071
其中：Wi是采样点i的信任度，msi是采样点i的平均支持度。
S4-2、在t时刻，对所有采样点的采样数据进行空间融合，得到t时刻所有采样点数据的空间融合值
Figure BDA0002446229370000072
Figure BDA0002446229370000073
其中：Xi(k)表示采样点i在t时刻对应采样周期内的第k个即最后一个采样数据；
S4-3、采用下述公式获取t时刻，n个采样点的融合方差为：
Figure BDA0002446229370000074
在空间角度上，使用支持度进行各传感器电信号的剔除，然后按照最小化总体融合方差的思想，对各节点进行基于信任度的数值融合，有效提高了数据处理的精度。
S5、对所有采样点数据进行时间上的滤波修正，获取修正系数
Figure BDA0002446229370000075
和修正方差/>
Figure BDA0002446229370000076
采用修正系数对前述空间融合值进行校正，获取时间融合后的测量值R(t)。
S5-1、建立沃尔泰拉Volterra级数的三阶函数y(t)：
Figure BDA0002446229370000077
其中：d表示阶数；e(t)为余项，包括4阶到无穷阶之和，为简化计算，认为此项的值为0；λz表示回溯传感器记忆(历史输出)的序号，级数取三阶，z＝1、2、3，λz＝1、2、...、Nd；Nd代表时间序列记忆深度，Nd控制着y(t)输出需要考虑多长时间前的记忆，y(t)的运算复杂度为
Figure BDA0002446229370000078
在保证记忆效果的前提下考虑性能因素，一般Nd取值在[2,8],建议取值为4；R表示水质叶绿素/蓝绿藻检测传感器的输出值，将R(t-λz)作为y(t)输入时间序列的第t-λz个输入值；h1(λ1)h2(λ1,λ2)h3(λ1,λ2,λ3)分别表示一阶、二阶和三阶缩放系数；(采用更高精度的传感器在相同的采样环境下进行数据采集，采用梯度下降法或群体智能算法对Volterra级数进行优化训练，获取一阶、二阶和三阶缩放系数的有效解；算法具体可采用：蚁群算法、粒子群算法等)；p代表时域修正量，采用下述公式表达：
p1(λ1)＝1
Figure BDA0002446229370000081
Figure BDA0002446229370000082
S5-2、将t时刻之前Nd次的R值作为输入，求出t时刻的预测值Pre＝y(t)，该预测值Pre服从正态分布：
Figure BDA0002446229370000083
S5-3、当t＞Nd时，采用下述公式计算修正系数
Figure BDA0002446229370000084
和修正方差/>
Figure BDA0002446229370000085
Figure BDA0002446229370000086
Figure BDA0002446229370000087
其中：
Figure BDA0002446229370000088
表示当前时刻n个采样点的融合方差；前述修正方差/>
Figure BDA0002446229370000089
表示输出结果R(t)的误差范围；
S5-4、采用下述公式对空间融合值
Figure BDA00024462293700000810
进行校正，获取时间融合后的测量值R(t)：
Figure BDA00024462293700000811
本发明在时间角度上，采用三阶Volterra级数进行数据滤波，结合实测样本数据的期望、方差，融合两种估计，获取最终的修正结果，进一步优化了数据处理方案。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (3)

1.一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，其特征在于，该方法包括以下步骤：
S1、布置水质叶绿素/蓝绿藻检测传感器，对待测区域的水质进行检测，所述的水质叶绿素/蓝绿藻检测传感器具有若干个光电二极管，各光电二极管作为采样点，按照固定的采样周期T，获取采样数据Xi(m)发送至处理器；其中，i是光电二极管即采样点的编号，i＝1、2...n；n表示采样点的总数；Xi表示采样点i在当前采样周期内获取的采样序列；m表示当前采样周期内所采样本的编号；m＝1、2…k；k表示当前采样周期内的样本总数；
S2、在处理器中，对于任一采样周期内各采样点的数据，采用基于支持度的方法进行预处理，获取各采样点的平均支持度msi；
S3、对于任一采样周期内各采样点的数据，计算采样点之间的信任度Wi；
S4、对各采样点的数据进行空间融合，获取对应时刻所有采样点数据的空间融合值
Figure FDA0004243312910000013
和融合方差/>
Figure FDA0004243312910000014
S5、对所有采样点数据进行时间上的滤波修正，获取修正系数
Figure FDA0004243312910000015
和修正方差/>
Figure FDA0004243312910000016
采用修正系数对前述空间融合值进行校正，获取时间融合后的测量值R(t)；
步骤S2具体为：
S2-1、定义支持度函数，对于同一时刻任意两采样点对应编号的样本，计算两采样点之间的支持度sup(Xi(k),Xj(k))，记为si,j；
Figure FDA0004243312910000011
其中：i,j表示光电二极管即采样点的编号，i、j∈(1，n)；n表示采样点的总数；Xi(k),Xj(k)分别表示光电二极管当前采样周期内采样序列的第k个样本值，即最新的采样结果；k表示当前采样周期内的样本总数；
Figure FDA0004243312910000012
分别表示采样点i,j在当前采样周期内获取的采样样本的方差，反映当前周期中传感器数值的稳定性；
S2-2、按照步骤S2-1遍历所有采样点，计算两两采样点之间的支持度，获得n阶支持度矩阵S：
Figure FDA0004243312910000021
S2-3、对于各采样点，分别获取其他采样点对该采样点的支持度，遍历所有采样点，获取支持度向量
Figure FDA0004243312910000022
Figure FDA0004243312910000023
其中：S是S2-2中获取的n阶支持度矩阵，(1,…,1)T是一个n×1的全1向量，diag(S)取矩阵S主对角线元素(S1,1,...,Sn,n)构成的n×1的向量；
S2-4、采用下述公式获取支持度平均向量
Figure FDA0004243312910000024
Figure FDA0004243312910000025
其中：msi表示采样点i的平均支持度；
步骤S3具体为：对于各采样点，采用下述公式计算采样点之间的信任度Wi；
Figure FDA0004243312910000026
其中：i表示采样点的编号，i＝1、2...n；Xi表示采样点i在当前采样周期内获取的采样序列；m表示当前采样周期内所采样本的编号；m＝1、2…k；k表示当前采样周期内的样本总数；Xi(m)表示采样点i在采样周期内所获取的第m个样本值；
Figure FDA0004243312910000027
代表当前采样周期内所有采样点即从i＝1、2...n的第m次采样的期望；
步骤S4具体为：
S4-1、采用下述公式获取各采样点的信任关系值vi：
Figure FDA0004243312910000028
其中：Wi是采样点i的信任度，msi是采样点i的平均支持度；
S4-2、在t时刻，对所有采样点的采样数据进行空间融合，得到t时刻所有采样点数据的空间融合值
Figure FDA0004243312910000029
Figure FDA00042433129100000210
其中：Xi(k)表示采样点i在t时刻对应采样周期内的第k个，即最后一个采样数据；
S4-3、采用下述公式获取t时刻，n个采样点的融合方差为：
Figure FDA00042433129100000211
步骤S5具体为：
S5-1、建立沃尔泰拉Volterra级数的三阶函数y(t)：
Figure FDA0004243312910000031
Figure FDA0004243312910000032
其中：d表示阶数；e(t)为余项；λz表示回溯传感器记忆即历史输出的序号，级数取三阶，z＝1、2、3，λz＝1、2、…、Nd；Nd代表时间序列记忆深度，取值在[2,4]；R表示水质叶绿素/蓝绿藻检测传感器的输出值，将R(t-λz)作为y(t)输入时间序列的第t-λz个输入值；h1(λ1)、h2(λ1,λ2)、h3(λ1,λ2,λ3)分别表示一阶、二阶和三阶缩放系数；p代表时域修正量，采用下述公式表达：
p1(λ1)＝1
Figure FDA0004243312910000033
Figure FDA0004243312910000034
S5-2、将t时刻之前Nd次的R值作为输入，求出t时刻的预测值Pre＝y(t)，该预测值Pre服从正态分布：
Figure FDA0004243312910000035
S5-3、当t>Nd时，采用下述公式计算修正系数
Figure FDA0004243312910000036
和修正方差/>
Figure FDA0004243312910000037
Figure FDA0004243312910000038
Figure FDA0004243312910000039
其中：
Figure FDA00042433129100000310
表示当前时刻n个采样点的融合方差；
S5-4、采用下述公式对空间融合值
Figure FDA00042433129100000311
进行校正，获取时间融合后的测量值R(t)：
Figure FDA0004243312910000041
2.根据权利要求1所述的应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，其特征在于，所述的水质叶绿素/蓝绿藻检测传感器具有4～8个光电二极管，前述光电二极管轴对称布置。
3.根据权利要求1所述的应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法，其特征在于，所述的水质叶绿素/蓝绿藻检测传感器采用测量液体散射光强度计算水质浊度为原理的传感器。
CN202010280059.6A 2020-04-10 2020-04-10 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法 Active CN111504963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010280059.6A CN111504963B (zh) 2020-04-10 2020-04-10 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010280059.6A CN111504963B (zh) 2020-04-10 2020-04-10 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法

Publications (2)

Publication Number Publication Date
CN111504963A CN111504963A (zh) 2020-08-07
CN111504963B true CN111504963B (zh) 2023-07-07

Family

ID=71870901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010280059.6A Active CN111504963B (zh) 2020-04-10 2020-04-10 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法

Country Status (1)

Country Link
CN (1) CN111504963B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2177180A1 (fr) * 1994-09-23 1996-03-28 Robert Soubaras Seismic prospection method with application of a self-deconvoluted prediction error filter
JPH10240747A (ja) * 1997-02-19 1998-09-11 Internatl Business Mach Corp <Ibm> データ間結合ルール導出方法及び装置、及び直交凸領域切出方法及び装置
CA2478697A1 (en) * 2004-08-20 2006-02-20 David Joseph Beckford System, computer program and method for quantifying and analyzing musical intellectual property
CN101539629A (zh) * 2009-04-17 2009-09-23 南京师范大学 基于多特征证据融合与结构相似度的遥感图像变化检测方法
CN102322861A (zh) * 2011-05-31 2012-01-18 电子科技大学 一种航迹融合方法
CN102589616A (zh) * 2012-02-07 2012-07-18 东北林业大学 人造板多层压机热压过程的多传感器数据融合方法及实现装置
DE102014211166A1 (de) * 2013-11-20 2015-05-21 Continental Teves Ag & Co. Ohg Verfahren, Fusionsfilter und System zur Fusion von Sensorsignalen mit unterschiedlichen zeitlichen Signalausgabeverzügen zu einem Fusionsdatensatz
CN108168549A (zh) * 2018-03-24 2018-06-15 陕西博实测控科技有限公司 一种卫星动中通姿态检测装置及方法
CN108985373A (zh) * 2018-07-12 2018-12-11 中国人民解放军陆军炮兵防空兵学院郑州校区 一种多传感器数据加权融合方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7012772B1 (en) * 1998-09-02 2006-03-14 Cirrus Logic, Inc. Sampled amplitude read channel employing an adaptive non-linear correction circuit for correcting non-linear distortions in a read signal
US6823254B2 (en) * 2003-03-28 2004-11-23 Honeywell International, Inc. Method and system for turbomachinery surge detection
US7266477B2 (en) * 2005-06-22 2007-09-04 Deere & Company Method and system for sensor signal fusion
US7929375B2 (en) * 2007-06-26 2011-04-19 The United States Of America As Represented By The Secretary Of The Navy Method and apparatus for improved active sonar using singular value decomposition filtering
US9213010B2 (en) * 2012-06-08 2015-12-15 Medtronic Minimed, Inc. Application of electrochemical impedance spectroscopy in sensor systems, devices, and related methods
FR3042043A1 (fr) * 2015-08-04 2017-04-07 Bioaxial Suivi Par Gabriel Sirat Procede et dispositif de mesure optique
CA3024580A1 (en) * 2015-05-15 2016-11-24 Airfusion, Inc. Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis
CN105467382A (zh) * 2015-12-31 2016-04-06 南京信息工程大学 基于svm的多传感器的目标跟踪数据融合算法及其系统
FR3054339B1 (fr) * 2016-07-22 2022-01-21 Thales Sa Procede de correction sans calibrage d'un defaut introduit par un systeme de numerisation et dispositifs associes
CN109034473B (zh) * 2018-07-25 2020-05-19 上海蓝长自动化科技有限公司 一种基于线性时不变模型预测控制的施肥方法
CN109443333B (zh) * 2018-10-31 2019-08-27 中国人民解放军火箭军工程大学 一种陀螺阵列反馈加权融合方法
CN209911230U (zh) * 2018-12-10 2020-01-07 中国石油天然气股份有限公司 一种激光拉曼分析装置
CN110288144B (zh) * 2019-06-19 2023-04-11 南京深地智能建造技术研究院有限公司 一种基于效用理论和d-s证据推理的深基坑安全性评估方法
CN110441060A (zh) * 2019-08-07 2019-11-12 贵州电网有限责任公司 一种基于多传感器信息融合的机械故障诊断方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2177180A1 (fr) * 1994-09-23 1996-03-28 Robert Soubaras Seismic prospection method with application of a self-deconvoluted prediction error filter
JPH10240747A (ja) * 1997-02-19 1998-09-11 Internatl Business Mach Corp <Ibm> データ間結合ルール導出方法及び装置、及び直交凸領域切出方法及び装置
CA2478697A1 (en) * 2004-08-20 2006-02-20 David Joseph Beckford System, computer program and method for quantifying and analyzing musical intellectual property
CN101539629A (zh) * 2009-04-17 2009-09-23 南京师范大学 基于多特征证据融合与结构相似度的遥感图像变化检测方法
CN102322861A (zh) * 2011-05-31 2012-01-18 电子科技大学 一种航迹融合方法
CN102589616A (zh) * 2012-02-07 2012-07-18 东北林业大学 人造板多层压机热压过程的多传感器数据融合方法及实现装置
DE102014211166A1 (de) * 2013-11-20 2015-05-21 Continental Teves Ag & Co. Ohg Verfahren, Fusionsfilter und System zur Fusion von Sensorsignalen mit unterschiedlichen zeitlichen Signalausgabeverzügen zu einem Fusionsdatensatz
CN108168549A (zh) * 2018-03-24 2018-06-15 陕西博实测控科技有限公司 一种卫星动中通姿态检测装置及方法
CN108985373A (zh) * 2018-07-12 2018-12-11 中国人民解放军陆军炮兵防空兵学院郑州校区 一种多传感器数据加权融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-sensor Ensemble Kalman filtering algorithm based on observation fuzzy support degree fusion;Zhentao Hu et al.;Optik;第127卷(第20期);全文 *
一种多传感器温度数据动态融合方法;李时辉;;科技通报(第01期);全文 *

Also Published As

Publication number Publication date
CN111504963A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
US4473797A (en) Multielement-sensor measuring device
Aßmann et al. Spectrophotometric high-precision seawater pH determination for use in underway measuring systems
CN106933127B (zh) 一种气体类传感器的控制方法
KR20180122403A (ko) 다변수 수질 모니터링을 위한 광학 질산염 센서 보상 알고리즘
CN105806915B (zh) 一种营养液钾、钠离子浓度检测装置及检测方法
CN106498489B (zh) 蓝宝石单晶炉称重检测系统、传感器滤波方法及切换方法
CN109556633A (zh) 一种基于自适应ekf的仿生偏振传感器多源误差标定方法
CN111595402A (zh) 一种恒温差型热式气体质量流量计
CN111504963B (zh) 一种应用于叶绿素、蓝绿藻荧光检测的数据时空融合方法
CN110987875B (zh) 一种基于支持度和信任度进行空间融合的水质浊度检测方法
CN111458395B (zh) 一种改变q值的卡尔曼滤波方法、装置及可读存储介质
CN114564699B (zh) 一种总磷总氮连续在线监测方法及系统
CN110702735A (zh) 余氯电极校准方法及水质检测仪表
CN115839927A (zh) 一种基于非线性方程组解法的气体间浓度干扰补偿修正方法
CN107943142A (zh) 一种基于卡尔曼滤波的低温辐射计温度控制的方法
CN106344039A (zh) 生物传感器的微信号精密测量装置及方法
CN109923415A (zh) 用于确定溶液中物质浓度的系统和方法
CN105763170B (zh) 一种电力信号数字滤波方法
CN115600065A (zh) 一种海水溶解氧温度传感器系数的估计方法
CN102589686A (zh) 一种能量传感器的校准方法
CN102384901A (zh) 化学需氧量检测方法及检测装置
CN102147606A (zh) 一种高浓度次氯酸消毒液在线检测控制系统
CN106017681B (zh) 一种同时测量微型光谱仪增益及读出噪声的方法
Fu et al. CMOS-based colour-change pH measurement system
WO2019043408A1 (en) DEVICE FOR MEASURING CHLOROPHYLLE ABSORPTION

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