CN114495438B - 基于多传感器的灾害预警方法、系统、设备及存储介质 - Google Patents

基于多传感器的灾害预警方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN114495438B
CN114495438B CN202210392950.8A CN202210392950A CN114495438B CN 114495438 B CN114495438 B CN 114495438B CN 202210392950 A CN202210392950 A CN 202210392950A CN 114495438 B CN114495438 B CN 114495438B
Authority
CN
China
Prior art keywords
sequence data
time sequence
parameter
sensor
time
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
CN202210392950.8A
Other languages
English (en)
Other versions
CN114495438A (zh
Inventor
甘雨
赵星宇
杨世忠
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.)
Hunan Bds Micro Chipset Industry Development Co ltd
Original Assignee
Hunan Bds Micro Chipset Industry Development 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 Hunan Bds Micro Chipset Industry Development Co ltd filed Critical Hunan Bds Micro Chipset Industry Development Co ltd
Priority to CN202210392950.8A priority Critical patent/CN114495438B/zh
Publication of CN114495438A publication Critical patent/CN114495438A/zh
Application granted granted Critical
Publication of CN114495438B publication Critical patent/CN114495438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Emergency Management (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于多传感器的灾害预警方法、系统、设备及存储介质，首先将各个传感器采集的时序数据进行消噪处理，一方面降低传感器测量噪声的干扰，另一方面计算噪声标准差，提高后续偏移判断精度和有效性；将粗差、慢变速度和偏移一同作为待估参数构建估算模型，避免因粗差、慢变速度对偏移判断的影响，能够极大的提高时序数据偏移判断的准确性；估算模型按照阶段迭代估计的方式有效估算偏移参数、慢变速度参数和粗差参数，并对估计的参数进行有效性检验，提高参数估计的可靠性；利用检验合格的参数得到估算的时序数据；最后根据消噪的时序数据与估算的时序数据之间残差和噪声标准差判断是否存在显著偏移，本发明可提高灾变预警的准确率。

Description

基于多传感器的灾害预警方法、系统、设备及存储介质
技术领域
本发明涉及灾害预警技术领域，特别涉及一种基于多传感器的灾害预警方法、系统、设备及存储介质。
背景技术
随着经济社会建设取得成效，地质灾害和工程基础设施的安全风险逐步凸显。通过布设传感器网络，对传感器采集的时序数据进行计算，探测时序数据中的异常变化，可实现灾变分析和安全预警。
当灾害发育时，传感器采集的时序数据会发生偏移。目前针对单一传感器的时序数据偏移检测采用的方法主要包括：
1.人工观察每个传感器的数据曲线，通过肉眼识别数据异常；
2.设定阈值，当传感器数据超过该阈值时判定为灾害风险；
3.利用拟合方法，通过实际数据与拟合数据的差别判断异常。
人工观察方法效率太低，设定阈值的方法非常容易受到传感器测量噪声和粗差的干扰而引起误判。拟合方法在灾变发生后收集到足够多的数据后，才能探测到灾变情况，且计算的偏移量可能会小于实际偏移量。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种基于多传感器的灾害预警方法、系统、设备及存储介质，可提高灾变预警的准确率。
本发明的第一方面，提供了一种基于多传感器的灾害预警方法，包括如下步骤：
获取用于监测目标区域的每个传感器分别采集的原始时序数据；
对每个所述原始时序数据进行消噪，得到第一时序数据；并根据所述原始时序数据和所述第一时序数据计算噪声标准差；
根据时序数据的偏移、慢变速度和粗差进行参数化建模，得到如下估算模型：
Figure 310452DEST_PATH_IMAGE002
其中，所述估算模型将时序数据中慢变速度部分根据时间平均划分为
Figure 430854DEST_PATH_IMAGE004
个阶段，
Figure 69646DEST_PATH_IMAGE006
表示第j个传感器在
Figure 933697DEST_PATH_IMAGE008
时刻的时序数据，
Figure 482490DEST_PATH_IMAGE010
表示对应于第n阶段的起始时刻，
Figure 898428DEST_PATH_IMAGE012
表示对应于第n阶段的起始时刻的时序数据，每个阶段的时间长度为
Figure 899882DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016_7A
表示偏移参数，
Figure 285733DEST_PATH_IMAGE018
表示慢变速度参数系数，取值为0或1，
Figure 548087DEST_PATH_IMAGE020
表示对应于第n阶段的慢变速度参数，
Figure 275871DEST_PATH_IMAGE021
表示阶段的总数，
Figure 764622DEST_PATH_IMAGE023
表示发生粗差的个数，
Figure 236054DEST_PATH_IMAGE025
为粗差参数系数，取值为0或1，
Figure 618494DEST_PATH_IMAGE027
表示对应于第n阶段的粗差参数；
以所述第一时序数据作为所述估算模型的输入，并以最小二乘法估算所述第一时序数据的偏移参数、慢变速度参数和粗差参数；
对估算的所述偏移参数、所述慢变速度参数和所述粗差参数进行有效性检验，并将通过检验的所述偏移参数、所述慢变速度参数和所述粗差参数代入所述估算模型，得到估算的第二时序数据；
计算所述第一时序数据与所述第二时序数据之间的残差，根据残差与所述噪声标准差判断所述第一时序数据是否出现偏移；
当至少一个所述传感器的所述第一时序数据出现偏移，发出预警信号。
根据本发明的实施例，至少具有如下技术效果：
本方法首先将各个传感器采集的时序数据进行消噪处理，一方面降低传感器测量噪声的干扰，另一方面计算能够代表传感器误差水平的噪声标准差，提高后续偏移判断精度和有效性；利用灾害发育时传感器时序数据必然发生明显偏移的特性，将粗差、慢变速度和偏移一同作为待估参数构建估算模型，避免因粗差、慢变速度对偏移判断的影响，能够极大的提高传感器时序数据偏移判断的准确性；估算模型按照阶段迭代估计的方式有效估算偏移参数、慢变速度参数和粗差参数，并对估计的参数进行有效性检验，提高参数估计的可靠性；利用检验合格的参数得到估算的时序数据；最后根据消噪的时序数据与估算的时序数据之间残差和噪声标准差判断是否存在显著偏移，当传感器的时序数据发生偏移，则发送预警信号。本方法可提高灾变预警的准确率。
根据本发明的一些实施例，所述对每个所述原始时序数据进行消噪包括对每个所述原始时序数据进行小波分解阈值消噪；其中，对所述原始时序数据进行小波分解阈值消噪，得到第一时序数据，包括：
对所述原始时序数据做小波变换，得到小波分解系数；
对所述小波分解系数进行软阈值模式消噪，得到新小波系数；
利用所述新小波系数进行小波重构，得到第一时序数据。
根据本发明的一些实施例，所述对估算的所述偏移参数、所述慢变速度参数和所述粗差参数进行有效性检验包括：
计算检验统计量
Figure 517180DEST_PATH_IMAGE029
，根据所述检验统计量判断估算的参数向量是否满足正态分布：
Figure 493226DEST_PATH_IMAGE031
Figure 158563DEST_PATH_IMAGE033
其中，
Figure 536454DEST_PATH_IMAGE035
表示估算的参数向量，
Figure 730675DEST_PATH_IMAGE037
表示参数向量
Figure 194018DEST_PATH_IMAGE035
的协方差矩阵，
Figure DEST_PATH_IMAGE039AAA
表示变换矩阵，
Figure 335149DEST_PATH_IMAGE041
表示正态分布临界值，
Figure DEST_PATH_IMAGE043AAA
表示指定的显著水平；
通过如下公式判断所述粗差参数的模是否大于设定的粗差下限值：
Figure 895443DEST_PATH_IMAGE045
其中，
Figure 401511DEST_PATH_IMAGE047
表示设定的粗差下限值；
通过如下公式判断所述偏移参数的模是否大于设定的偏移下限值：
Figure 86570DEST_PATH_IMAGE049
其中，
Figure 828130DEST_PATH_IMAGE051
表示设定的偏移下限值。
根据本发明的一些实施例，所述计算所述第一时序数据与所述第二时序数据之间的残差，根据所述残差与所述噪声标准差判断所述第一时序数据是否出现偏移，包括：
根据公式
Figure 915035DEST_PATH_IMAGE053
计算残差；其中，
Figure 326425DEST_PATH_IMAGE055
表示第j个传感器在
Figure DEST_PATH_IMAGE057AAA
时刻估算的时序数据；
根据残差
Figure 826676DEST_PATH_IMAGE059
和所述噪声标准差计算第j个传感器的标准化残差
Figure 106348DEST_PATH_IMAGE061
；其中，所述
Figure 313338DEST_PATH_IMAGE063
表示第j个传感器的所述噪声标准差；
当所述标准化残差
Figure 161209DEST_PATH_IMAGE065
，则所述第j个传感器的所述第一时序数据出现偏移；其中，所述
Figure DEST_PATH_IMAGE067AAAA
取值为2至3之间的常数。
根据本发明的一些实施例，当所有所述传感器的所述第一时序数据均未出现偏移，还包括步骤：
构建神经网络预测模型，所述神经网络预测模型包括输入层、由神经元构成的隐藏层、输出层以及最优化权值；
以目标传感器之外的所有所述传感器的所述第一时序数据作为所述神经网络预测模型的输入；根据所述神经网络预测模型预测所述目标传感器对应的第三时序数据；其中，所述目标传感器是所有所述传感器中的任意一个所述传感器；
计算所述目标传感器的所述第一时序数据与所述第三时序数据之间的残差，根据残差与所述噪声标准差判断所述目标传感器的所述第一时序数据是否出现偏移；
当所述目标传感器的所述第一时序数据出现偏移，发出预警信号。
根据本发明的一些实施例，所述神经网络预测模型的每个神经元将加权输入量输送到非线性激励函数
Figure 148756DEST_PATH_IMAGE069
和
Figure 107485DEST_PATH_IMAGE071
中；其中，
Figure 28036DEST_PATH_IMAGE073
为第i个神经元输出的时序数据，
Figure 46808DEST_PATH_IMAGE075
为前一层神经元输入到第i个神经元的加权和，
Figure 193755DEST_PATH_IMAGE077
为神经元的偏置项，
Figure 815230DEST_PATH_IMAGE079
为待优化权值，
Figure 731233DEST_PATH_IMAGE081
表示输入的时序数据；所述神经网络预测模型的代价函数为
Figure 655327DEST_PATH_IMAGE083
，
Figure DEST_PATH_IMAGE085AA
为输入的时序数据，
Figure 640904DEST_PATH_IMAGE087
为预测的时序数据。
本发明的第二方面，提供了一种基于多传感器的灾害预警系统，包括：
时序数据获取单元，用于获取用于监测目标区域的每个传感器分别采集的原始时序数据；
时序数据消噪单元，用于对每个所述原始时序数据进行消噪，得到第一时序数据；并根据所述原始时序数据和所述第一时序数据计算噪声标准差；
估算模型单元，用于根据时序数据的偏移、慢变速度和粗差进行参数化建模，得到如下估算模型：
Figure 941435DEST_PATH_IMAGE088
其中，所述估算模型将时序数据中慢变速度部分根据时间平均划分为
Figure 102158DEST_PATH_IMAGE021
个阶段，
Figure 197153DEST_PATH_IMAGE089
表示第j个传感器在
Figure 318693DEST_PATH_IMAGE090
时刻的时序数据，
Figure 422915DEST_PATH_IMAGE091
表示对应于第n阶段的起始时刻，
Figure 172565DEST_PATH_IMAGE092
表示对应于第n阶段的起始时刻的时序数据，每个阶段的时间长度为
Figure 438462DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE016_8A
表示偏移参数，
Figure 375194DEST_PATH_IMAGE018
表示慢变速度参数系数，取值为0或1，
Figure 17528DEST_PATH_IMAGE020
表示对应于第n阶段的慢变速度参数，
Figure 887263DEST_PATH_IMAGE021
表示阶段的总数，
Figure 589640DEST_PATH_IMAGE023
表示发生粗差的个数，
Figure 420193DEST_PATH_IMAGE025
为粗差参数系数，取值为0或1，
Figure 866218DEST_PATH_IMAGE027
表示对应于第n阶段的粗差参数；
参数估算单元，用于以所述第一时序数据作为所述估算模型的输入，并以最小二乘法估算所述第一时序数据的偏移参数、慢变速度参数和粗差参数；
有效性检验单元，用于对估算的所述偏移参数、所述慢变速度参数和所述粗差参数进行有效性检验；
时序数据估算单元，用于将通过检验的所述偏移参数、所述慢变速度参数和所述粗差参数代入所述估算模型，得到估算的第二时序数据；
第一偏移计算单元，用于计算所述第一时序数据与所述第二时序数据之间的残差，根据残差与所述噪声标准差判断所述第一时序数据是否出现偏移；
第一预警单元，用于当至少一个所述传感器的所述第一时序数据出现偏移，发出预警信号。
根据本发明的实施例，至少具有如下技术效果：
本系统首先将各个传感器采集的时序数据进行消噪处理，一方面降低传感器测量噪声的干扰，另一方面计算能够代表传感器误差水平的噪声标准差，提高后续偏移判断精度和有效性；利用灾害发育时传感器时序数据必然发生明显偏移的特性，将粗差、慢变速度和偏移一同作为待估参数构建估算模型，避免因粗差、慢变速度对偏移判断的影响，能够极大的提高传感器时序数据偏移判断的准确性；估算模型按照阶段迭代估计的方式有效估算偏移参数、慢变速度参数和粗差参数，并对估计的参数进行有效性检验，提高参数估计的可靠性；利用检验合格的参数得到估算的时序数据；最后根据消噪的时序数据与估算的时序数据之间残差和噪声标准差判断是否存在显著偏移，当传感器的时序数据发生偏移，则发送预警信号。本系统可提高灾变预警的准确率。
根据本发明的一些实施例，还包括：
预测模型单元，用于构建神经网络预测模型，所述神经网络预测模型包括输入层、由神经元构成的隐藏层、输出层以及最优化权值；
时序数据预测单元，用于以目标传感器之外的所有所述传感器的所述第一时序数据作为所述神经网络预测模型的输入；根据所述神经网络预测模型预测所述目标传感器对应的第三时序数据；其中，所述目标传感器是所有所述传感器中的任意一个所述传感器；
第二偏移计算单元，用于计算所述目标传感器的所述第一时序数据与所述第三时序数据之间的残差，根据残差与所述噪声标准差判断所述目标传感器的所述第一时序数据是否出现偏移；
第二预警单元，用于当所述目标传感器的所述第一时序数据出现偏移，发出预警信号。
本发明的第三方面，提供了一种基于多传感器的灾害预警设备，包括：至少一条控制处理器和用于与所述至少一条控制处理器通信连接的存储器；所述存储器存储有可被所述至少一条控制处理器执行的指令，所述指令被所述至少一条控制处理器执行，以使所述至少一条控制处理器能够执行本发明第一方面所述的基于多传感器的灾害预警方法。
本发明的第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如执行本发明第一方面所述的基于多传感器的灾害预警方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一个实施例提供的一种基于多传感器的灾害预警方法的流程示意图；
图2是本发明另一个实施例提供的一种基于多传感器的灾害预警方法的流程示意图；
图3是本发明一个实施例提供的一种基于多传感器的灾害预警方法的流程框图；
图4是本发明一个实施例提供的一种基于多传感器的灾害预警系统的结构示意图；
图5是本发明另一个实施例提供的一种基于多传感器的灾害预警系统的结构示意图。
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元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
当灾害发育时，传感器采集的时序数据会发生偏移。现有的人工观察方法效率太低，设定阈值的方法非常容易受到传感器测量噪声和粗差的干扰而引起误判。拟合方法在灾变发生后收集到足够多的数据后，才能探测到灾变情况，且计算的偏移量可能会小于实际偏移量。
因此，为了提高偏移判断的准确性，提高灾变预警的准确性，参照图1，本发明提供了一种基于多传感器的灾害预警方法，包括如下步骤S101至S107：
步骤S101、获取用于监测目标区域的每个传感器分别采集的原始时序数据。目标区域是指需要被监测（监控）的区域，例如山体，大坝等，此处不进行具体限定。多个传感器组成传感器网络共同对目标区域进行监测。需要注意的是，原始时序数据是指传感器采集的时序数据，而后续第一时序数据是指对原始时序数据进行消噪后得到的时序数据。
步骤S102、对每个原始时序数据进行消噪，得到第一时序数据；并根据原始时序数据和第一时序数据计算噪声标准差。将各个传感器采集的时序数据进行消噪处理，一方面能够降低传感器测量噪声的干扰，另一方面计算能够代表传感器误差水平的噪声标准差，提高后续偏移判断精度和有效性。
步骤S103、根据时序数据的偏移、慢变速度和粗差进行参数化建模，得到如下估算模型：
Figure 590460DEST_PATH_IMAGE088
其中，估算模型将时序数据中慢变速度（慢变速度指的是传感器数据中随时间缓慢变化的部分分量，这部分不会引起数据偏移，不会直接导致灾害风险）部分根据时间平均划分为
Figure 198159DEST_PATH_IMAGE021
个阶段，
Figure 516008DEST_PATH_IMAGE089
表示第j个传感器在
Figure 624778DEST_PATH_IMAGE090
时刻的时序数据，
Figure 344473DEST_PATH_IMAGE091
表示对应于第n阶段的起始时刻，
Figure 388652DEST_PATH_IMAGE094
表示对应于第n阶段的起始时刻的时序数据，每个阶段的时间长度为
Figure 193797DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE016_9A
表示偏移参数，
Figure 309520DEST_PATH_IMAGE095
表示慢变速度参数系数，取值为0或1，
Figure 8355DEST_PATH_IMAGE020
表示对应于第n阶段的慢变速度参数，
Figure 223436DEST_PATH_IMAGE096
表示阶段的总数，
Figure 250298DEST_PATH_IMAGE023
表示发生粗差的个数，
Figure 700871DEST_PATH_IMAGE097
为粗差参数系数，取值为0或1，
Figure 129578DEST_PATH_IMAGE027
表示对应于第n阶段的粗差参数。在估算模型中，将粗差、慢变速度和偏移一同作为待估参数进行建模，避免粗差、慢变速度对灾变分析的影响，极大地提升探测准确性。而且估算模型将阶段性迭代估计和有效性检验相结合，能够提高参数估计的可靠性。
步骤S104、以第一时序数据作为估算模型的输入，并以最小二乘法估算第一时序数据的偏移参数、慢变速度参数和粗差参数。
步骤S105、对估算的偏移参数、慢变速度参数和粗差参数进行有效性检验，并将通过检验的偏移参数、慢变速度参数和粗差参数代入估算模型，得到估算的第二时序数据。
步骤S106、计算第一时序数据与第二时序数据之间的残差，根据残差与噪声标准差判断第一时序数据是否出现偏移。
步骤S107、当至少一个传感器的第一时序数据出现偏移，发出预警信号。
本方法首先将各个传感器采集的时序数据进行消噪处理，一方面降低传感器测量噪声的干扰，另一方面计算能够代表传感器误差水平的噪声标准差，提高后续偏移判断精度和有效性；利用灾害发育时传感器时序数据必然发生明显偏移的特性，将粗差、慢变速度和偏移一同作为待估参数构建估算模型，避免因粗差、慢变速度对偏移判断的影响，能够极大的提高传感器时序数据偏移判断的准确性；估算模型按照阶段迭代估计的方式有效估算偏移参数、慢变速度参数和粗差参数，并对估计的参数进行有效性检验，提高参数估计的可靠性；利用检验合格的参数得到估算的时序数据；最后根据消噪的时序数据与估算的时序数据之间残差和噪声标准差判断是否存在显著偏移，当传感器的时序数据发生偏移，则发送预警信号。本方法可提高灾变预警的准确率。
基于上述实施例，步骤S101对每个原始时序数据进行消噪包括对每个原始时序数据进行小波分解阈值消噪；其中，对原始时序数据进行小波分解阈值消噪，得到第一时序数据，包括以下步骤S1011至S1013：
步骤S1011、对原始时序数据做小波变换，得到小波分解系数。
步骤S1012、对小波分解系数进行软阈值模式消噪，得到新小波系数。
步骤S1013、利用新小波系数进行小波重构，得到第一时序数据。
在步骤S104中，以
Figure 515560DEST_PATH_IMAGE099
作为观测值，以估算模型作为观测方程，
Figure 295297DEST_PATH_IMAGE101
、
Figure 283982DEST_PATH_IMAGE103
、
Figure DEST_PATH_IMAGE105AA
为待估的参数，利用最小二乘方法估计上述各待估的参数。需要说明的是，利用最小二乘方法进行估计为本领域技术人员的公知，此处不再细述。
Figure 160671DEST_PATH_IMAGE107
表示
Figure DEST_PATH_IMAGE109AA
时刻的第j个传感器的时序数据；
Figure 311029DEST_PATH_IMAGE111
表示
Figure DEST_PATH_IMAGE113A
时刻的第j个传感器的时序数据；
Figure 781325DEST_PATH_IMAGE115
表示
Figure 839280DEST_PATH_IMAGE117
时刻的第j个传感器的时序数据。
在步骤S105中，对估算的偏移参数、慢变速度参数和粗差参数进行有效性检验，包括：
步骤S1051、计算检验统计量
Figure 711421DEST_PATH_IMAGE029
，根据检验统计量判断估算的参数向量是否满足正态分布：
Figure 704785DEST_PATH_IMAGE031
Figure 318168DEST_PATH_IMAGE033
其中，
Figure 789601DEST_PATH_IMAGE035
表示估算的参数向量（其是指任意一个由上述估算模型公式估算出的参数估值，如“慢变速度参数”、“粗差参数”或“偏移参数”），
Figure 47407DEST_PATH_IMAGE037
表示参数向量的协方差矩阵，
Figure DEST_PATH_IMAGE039AAAA
表示变换矩阵，
Figure 539568DEST_PATH_IMAGE041
表示正态分布临界值，
Figure DEST_PATH_IMAGE043AAAA
表示指定的显著水平。
步骤S1052、通过如下公式判断粗差参数的模是否大于设定的粗差下限值：
Figure 843511DEST_PATH_IMAGE045
其中，
Figure 118634DEST_PATH_IMAGE047
表示设定的粗差下限值；因粗差通常代表数值较大的误差，如果某粗差参数
Figure 355581DEST_PATH_IMAGE103
小于该下限值，说明该参数并不显著。
步骤S1053、通过如下公式判断偏移参数的模是否大于设定的偏移下限值：
Figure 425168DEST_PATH_IMAGE049
其中，
Figure 888510DEST_PATH_IMAGE051
表示设定的偏移下限值。通常，
Figure 701745DEST_PATH_IMAGE051
取值应大于
Figure 58777DEST_PATH_IMAGE119
。
Figure 299266DEST_PATH_IMAGE119
为噪声标准差。需要注意的是，无需针对慢变速度参数进行单独检验，因为慢变速度参数的值没有设定的下限值，其值本身可以是很小的数，而粗差参数和偏移参数有下限。
在步骤S106中，计算第一时序数据与第二时序数据之间的残差，根据残差与噪声标准差判断第一时序数据是否出现偏移，包括步骤S1061至S1063：
步骤S1061、根据公式
Figure 984325DEST_PATH_IMAGE053
计算残差；其中，
Figure 725885DEST_PATH_IMAGE055
表示第j个传感器在
Figure DEST_PATH_IMAGE120
时刻估算的时序数据（即第j个传感器的第二时序数据）。
步骤S1062、根据残差
Figure 281631DEST_PATH_IMAGE059
和噪声标准差计算第j个传感器的标准化残差
Figure 83234DEST_PATH_IMAGE061
；其中，
Figure 990010DEST_PATH_IMAGE063
表示第j个传感器的噪声标准差。
步骤S1063、当标准化残差
Figure 145048DEST_PATH_IMAGE065
，则第j个传感器的第一时序数据出现偏移；其中，
Figure DEST_PATH_IMAGE067_5A
取值为2至3之间的常数。
在上述实施例中，是通过对单个传感器采集的时序数据进行偏移分析，而由于每个传感器都有特定的监测范围，在传感器之间的区域存在部分监测盲区，此外单一传感器的偏移判断方法对小偏移的效果有限。因此，为了实现多传感器深度融合，除单个传感器本身进行偏移判断外，还应利用传感器之间的空间关系，做进一步的偏移判断。
基于上述实施例，参照图2，本实施例还提供了一种基于多传感器的灾害预警方法，在当所有传感器的第一时序数据均未出现偏移之后，还包括以下步骤S108至S111：
步骤S108、构建多传感器神经网络估算模型，多传感器神经网络估算模型包括输入层、由神经元构成的隐藏层、输出层以及最优化权值。具体的：多传感器神经网络估算模型的每个神经元将加权输入量输送到如下非线性激励函数中：
Figure 945514DEST_PATH_IMAGE069
Figure 386859DEST_PATH_IMAGE071
其中，
Figure 46511DEST_PATH_IMAGE073
为第i个神经元输出的时序数据，
Figure 5239DEST_PATH_IMAGE075
为前一层神经元输入到第i个神经元的加权和，
Figure 66736DEST_PATH_IMAGE077
为神经元的偏置项，
Figure 210142DEST_PATH_IMAGE079
为待优化权值，
Figure 357089DEST_PATH_IMAGE121
表示输入的时序数据。即通过非线性激励函数控制神经元的输出。
多传感器神经网络估算模型的代价函数为：
Figure 588351DEST_PATH_IMAGE083
其中，
Figure DEST_PATH_IMAGE122
为输入的时序数据，
Figure 425725DEST_PATH_IMAGE087
为预测（估算）的时序数据。
步骤S109、以目标传感器之外的所有传感器的第一时序数据作为已训练完成的多传感器神经网络估算模型的输入；根据多传感器神经网络估算模型估算目标传感器对应的第三时序数据；其中，目标传感器是所有传感器中的任意一个传感器。
优选的，使用10个神经元的单层网络结构，为了避免LM（Levenberg-Marquardt）算法的过拟合问题，采用贝叶斯正则化（Bayesian Regularization）方法进行训练。
为了便于理解，例如：将各传感器消噪后的第一时序数据分别表示为
Figure 615398DEST_PATH_IMAGE124
、
Figure 249642DEST_PATH_IMAGE126
、.......、
Figure 674807DEST_PATH_IMAGE128
，j为传感器索引号，
Figure 445317DEST_PATH_IMAGE130
为时刻。在模型的训练阶段，以
Figure 805891DEST_PATH_IMAGE132
、
Figure 786485DEST_PATH_IMAGE134
、
Figure 625129DEST_PATH_IMAGE136
作为多传感器网络模型输入观测值，对应1号传感器数据
Figure 515724DEST_PATH_IMAGE138
作为多传感器神经网络估算模型输出。
步骤S110、计算目标传感器的第一时序数据与第三时序数据之间的残差，根据残差与噪声标准差判断目标传感器的第一时序数据是否出现偏移。
优选的，在模型的预测阶段中，利用多传感器神经网络模型基于
Figure 47200DEST_PATH_IMAGE139
、
Figure 515090DEST_PATH_IMAGE140
、
Figure 423003DEST_PATH_IMAGE141
估算
Figure 902526DEST_PATH_IMAGE143
，可得到残差
Figure 729537DEST_PATH_IMAGE145
，通过标准化残差
Figure 560089DEST_PATH_IMAGE147
判定偏移状况。
步骤S110的处理步骤与上述实施例中的步骤S106类似，此处不再赘述。
步骤S111、当目标传感器的第一时序数据出现偏移，发出预警信号。
由于每个传感器都有特定的监测范围，在传感器之间的区域存在部分监测盲区，因此在上述实施例的基础上，当全部的所有单传感器都没有探测异常时，本方法步骤S108至S111还利用传感器间空间相关性，对多传感器神经网络模型进行训练，实现多传感器时序数据的深度融合，既能克服单传感器探测盲区问题，又能利用多传感器神经网络模型非常敏感的特性有效探测单一传感器未发现的小偏移。需要注意的是，本申请对预警信号不进行具体限制，预警信号可以是短信预警、声光预警等预警方式，以通知相关人员。
为了便于理解，本发明提供一个实施例：
当灾害发育时，传感器采集的时序数据会发生偏移。现有的人工观察方法效率太低，设定阈值的方法非常容易受到传感器测量噪声和粗差的干扰而引起误判。拟合方法在灾变发生后收集到足够多的数据后，才能探测到灾变情况，且计算的偏移量可能会小于实际偏移量。而且由于每个传感器都有特定的监测范围，在传感器之间的区域存在部分监测盲区，此外单一传感器的偏移判断方法对小偏移的效果有限。
目标区域是指需要被监测的区域，以某山体为例，为避免发生地质灾害，相关人员通常在该山体上布置由多个传感器组成的传感器网络，以对该山体进行监测。当灾害发育时，传感器采集的时序数据会发生偏移，利用这一点，能够在山体发生灾害前，进行预警（需要注意的是，传感器采集的数据发生偏移与山体发生灾害是必要不充分条件），及时且准确的判断传感器采集的时序数据是否发生偏移变得尤为重要。为此，参照图3，一种基于多传感器的灾害预警方法，包括以下步骤S201至S206：
步骤S201、获取设置在山体上的多个传感器中每一传感器相应的原始时序数据。
步骤S202、分别对每一传感器的原始时序数据进行小波分解阈值消噪。
以其中传感器j为例，步骤S202包括如下步骤S2021至S2024：
步骤S2021、对传感器j的数据做小波变换，得到一组小波分解系数，小波变换采用的小波基为db小波系，选择分解层数为4层。
步骤S2022、通过对分解得到的小波系数做阈值处理，采用阈值计算公式为
Figure 740535DEST_PATH_IMAGE149
，采用软阈值模式消噪，得出新小波系数。其中N是指对应层小波系数的个数。
步骤S2023、利用新小波系数进行小波重构，得到传感器消噪后的时序数据。
步骤S2024、根据传感器原始数据和消噪后的时序数据之差，统计噪声标准差
Figure 605723DEST_PATH_IMAGE151
。
步骤S203、构建针对单一传感器的时序数据是否发生偏移的估算模型，根据估算模型迭代估算得到偏移参数、慢变速度参数和粗差参数，对估算的偏移参数、慢变速度参数和粗差参数进行有效性检验，根据将通过有效性检验的参数代入估算模型，得到估算的时序数据，计算消噪后的时序数据与估算的时序数据之间的残差，根据残差和噪声标准差计算标准化残差，根据标准化残差判断消噪后的时序数据是否出现偏差。
估算模型将偏移、慢变、粗差进行参数化建模，通过迭代估算和有效性检验的方式进行参数估算和有效性分析，通过如下方式构建：
Figure 603635DEST_PATH_IMAGE088
上述实施例已经对相关字符进行解释，此处不再赘述。
步骤S2031、以
Figure 655904DEST_PATH_IMAGE152
为观测值，以上述估算模型为观测方程，
Figure 640041DEST_PATH_IMAGE101
、
Figure 484369DEST_PATH_IMAGE103
、
Figure DEST_PATH_IMAGE153A
为待估参数，利用最小二乘方法估算上述各个待估参数；
步骤S2032、检验参数的有效性，检验统计量为：
Figure 997390DEST_PATH_IMAGE031
Figure 661589DEST_PATH_IMAGE033
针对粗差参数，除显著性检验外，还需判断其模是否大于设定的粗差下限值：
Figure 449417DEST_PATH_IMAGE045
针对偏移参数，除显著性检验外，还需判断其模是否大于设定的偏移下限值：
Figure 23618DEST_PATH_IMAGE049
确认和保留通过检验的参数，进入下个步骤。
步骤S2033、根据检验统计量的显著水平，删除最小显著水平的参数，重新进行步骤S2031和步骤S2032，直到剩下的参数都通过检验或偏移参数通过检验。将当前时刻所有参数估值回代入模型可得数据的估算值
Figure 363332DEST_PATH_IMAGE055
，进而得到残差
Figure 124615DEST_PATH_IMAGE154
，若标准化残差
Figure 716133DEST_PATH_IMAGE156
，则判定偏移发生，
Figure 269474DEST_PATH_IMAGE158
可取2至3之间的常数。
步骤S204、若步骤S203中某个单传感器的时序数据发生偏移，意味着可能发生灾害风险，则向用户发出预警信号，并暂停后续步骤；若步骤S203中所有单传感器都没有发生偏移，则进入步骤S205。
步骤S205、构建多传感器神经网络模型，将除目标传感器之外的各传感器消噪后的时序数据同时输入多传感器网络模型进行训练，利用训练好的网络模型进行目标传感器的时序数据的预测，计算预测的时序数据与消噪后的时序数据之间的残差，根据残差和噪声标准差计算标准化残差，根据标准化残差判断消噪后的时序数据是否出现偏差。
多传感器网络模型包括输入观测值、由神经元构成的隐藏层、输出预测值、最优化权值。每个神经元将加权输入量输送到如下非线性激励函数中：
Figure 655456DEST_PATH_IMAGE069
Figure 435193DEST_PATH_IMAGE071
Figure 564823DEST_PATH_IMAGE160
可根据上述实施例中步骤S2033计算的标准化残差的倒数
Figure 707092DEST_PATH_IMAGE162
确定。即通过非线性激励函数控制神经元的输出。优化过程的代价函数为：
Figure 529554DEST_PATH_IMAGE164
例如：多传感器神经网络模型基于
Figure 531008DEST_PATH_IMAGE165
、
Figure 323384DEST_PATH_IMAGE140
、
Figure 726683DEST_PATH_IMAGE166
估算
Figure 454468DEST_PATH_IMAGE143
，可得到残差
Figure 802273DEST_PATH_IMAGE145
，通过标准化残差
Figure 539284DEST_PATH_IMAGE167
判定偏移状况。
步骤S206、若步骤S205判断发生偏移，则发出预警信号。
本实施例提供的一种基于多传感器的灾害预警方法，具有如下有益效果：
（1）将各传感器的数据先进行小波阈值消噪处理，既能降低传感器测量噪声的干扰，又可计算代表传感器误差水平的噪声标准差，提高后续传感器检测精度和有效性。
（2）根据灾害发育时传感器时序数据发生明显偏移的特性，利用自适应估算检验器分析单传感器消噪后数据，判断是否存在显著偏移，将迭代估算和有效性检验相结合，提高参数估算的可靠性。
（3）在估算模型中，将粗差、慢变速度和偏移一同作为待估参数进行建模，避免粗差、慢变速度对灾变分析的影响，提升探测准确性。
（4）在多传感器神经网络模型中，利用传感器间空间相关性，对多传感器网络模型进行训练，实现多传感器深度融合，既能克服单传感器探测盲区问题，又能利用多传感器网络模型非常敏感的特性有效探测单一传感器未发现的小偏移。
参照图4，本发明的一个实施例，提供一种基于多传感器的灾害预警系统，包括时序数据获取单元1001、时序数据消噪单元1002、估算模型单元1003、参数估算单元1004、有效性检验单元1005、时序数据估算单元1006、第一偏移计算单元1007和第一预警单元1008，其中：
时序数据获取单元1001用于获取用于监测目标区域的每个传感器分别采集的原始时序数据。
时序数据消噪单元1002用于对每个原始时序数据进行消噪，得到第一时序数据；并根据原始时序数据和第一时序数据计算噪声标准差。
估算模型单元1003用于根据时序数据的偏移、慢变速度和粗差进行参数化建模，得到如下估算模型：
Figure 797090DEST_PATH_IMAGE088
其中，估算模型将时序数据中慢变速度部分根据时间平均划分为
Figure 695776DEST_PATH_IMAGE021
个阶段，
Figure 796456DEST_PATH_IMAGE089
表示第j个传感器在
Figure 806001DEST_PATH_IMAGE090
时刻的时序数据，
Figure 777368DEST_PATH_IMAGE091
表示对应于第n阶段起始时刻，
Figure 846955DEST_PATH_IMAGE092
表示对应于第n阶段起始时刻的时序数据，每个阶段的时间长度为
Figure 44718DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE016_10A
表示偏移参数，
Figure 717008DEST_PATH_IMAGE018
表示慢变速度参数系数，取值为0或1，
Figure 808461DEST_PATH_IMAGE020
表示对应于第n阶段慢变速度参数，
Figure 48949DEST_PATH_IMAGE021
表示阶段的总数，
Figure 999588DEST_PATH_IMAGE023
表示发生粗差的个数，
Figure 616514DEST_PATH_IMAGE025
为粗差参数系数，取值为0或1，
Figure 828052DEST_PATH_IMAGE027
表示对应于第n阶段的粗差参数。
参数估算单元1004用于以第一时序数据作为估算模型的输入，并以最小二乘法估算第一时序数据的偏移参数、慢变速度参数和粗差参数。
有效性检验单元1005用于对估算的偏移参数、慢变速度参数和粗差参数进行有效性检验.
时序数据估算单元1006用于将通过检验的偏移参数、慢变速度参数和粗差参数代入估算模型，得到估算的第二时序数据。
第一偏移计算单元1007用于计算第一时序数据与第二时序数据之间的残差，根据残差与噪声标准差判断第一时序数据是否出现偏移。
第一预警单元1008用于当至少一个传感器的第一时序数据出现偏移，发出预警信号。
参照图5，在一些实施例中，还包括预测模型单元1009、时序数据预测单元1010、第二偏移计算单元1011以及第二预警单元1012，其中：
预测模型单元1009用于构建神经网络预测模型，神经网络预测模型包括输入层、由神经元构成的隐藏层、输出层以及最优化权值。
时序数据预测单元1010用于以目标传感器之外的所有传感器的第一时序数据作为神经网络预测模型的输入；根据神经网络预测模型预测目标传感器对应的第三时序数据；其中，目标传感器是所有传感器中的任意一个传感器。
第二偏移计算单元1011用于计算目标传感器的第一时序数据与第三时序数据之间的残差，根据残差与噪声标准差判断目标传感器的第一时序数据是否出现偏移。
第二预警单元1012用于当目标传感器的第一时序数据出现偏移，发出预警信号。
需要注意的是，本系统实施例与上述的方法实施例是基于相同的发明构思，因此上述实施例的相关内容同样适用于本系统实施例，此处不再赘述。
本发明的一个实施例，提供了一种基于多传感器的灾害预警设备，该溯源设备可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该溯源设备包括：一个或多个控制处理器和存储器。控制处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的基于多传感器的灾害预警设备对应的程序指令/模块。控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行基于多传感器的灾害预警系统的各种功能应用以及数据处理，即实现上述方法实施例的一种基于多传感器的灾害预警方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储基于多传感器的灾害预警系统的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该基于多传感器的灾害预警设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个控制处理器执行时，执行上述方法实施例中的一种基于多传感器的灾害预警方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种基于多传感器的灾害预警方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read Only Memory ,ROM）或随机存储记忆体（Random Access Memory ,RAM）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种基于多传感器的灾害预警方法，其特征在于，包括如下步骤：
获取用于监测目标区域的每个传感器分别采集的原始时序数据；
对每个所述原始时序数据进行消噪，得到第一时序数据；并根据所述原始时序数据和所述第一时序数据计算噪声标准差；
根据时序数据的偏移、慢变速度和粗差进行参数化建模，得到如下估算模型：
Figure 403596DEST_PATH_IMAGE002
其中，所述估算模型将时序数据中慢变速度部分根据时间平均划分为
Figure 700585DEST_PATH_IMAGE004
个阶段，
Figure 855623DEST_PATH_IMAGE006
表示第j个传感器在
Figure 797034DEST_PATH_IMAGE008
时刻的时序数据，
Figure 503959DEST_PATH_IMAGE010
表示对应于第n阶段的起始时刻，
Figure 163611DEST_PATH_IMAGE012
表示对应于第n阶段的起始时刻的时序数据，每个阶段的时间长度为
Figure 981394DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE016AA
表示偏移参数，
Figure 370787DEST_PATH_IMAGE018
表示慢变速度参数系数，取值为0或1，
Figure 389558DEST_PATH_IMAGE020
表示对应于第n阶段的慢变速度参数，
Figure 270927DEST_PATH_IMAGE021
表示阶段的总数，
Figure 33346DEST_PATH_IMAGE023
表示发生粗差的个数，
Figure 808404DEST_PATH_IMAGE025
为粗差参数系数，取值为0或1，
Figure 998077DEST_PATH_IMAGE027
表示对应于第n阶段的粗差参数；
以所述第一时序数据作为所述估算模型的输入，并以最小二乘法估算所述第一时序数据的偏移参数、慢变速度参数和粗差参数；
对估算的所述偏移参数、所述慢变速度参数和所述粗差参数进行有效性检验，并将通过检验的所述偏移参数、所述慢变速度参数和所述粗差参数代入所述估算模型，得到估算的第二时序数据；
计算所述第一时序数据与所述第二时序数据之间的残差，根据残差与所述噪声标准差判断所述第一时序数据是否出现偏移；
当至少一个所述传感器的所述第一时序数据出现偏移，发出预警信号。
2.根据权利要求1所述的基于多传感器的灾害预警方法，其特征在于，所述对每个所述原始时序数据进行消噪包括对每个所述原始时序数据进行小波分解阈值消噪；其中，对所述原始时序数据进行小波分解阈值消噪，得到第一时序数据，包括：
对所述原始时序数据做小波变换，得到小波分解系数；
对所述小波分解系数进行软阈值模式消噪，得到新小波系数；
利用所述新小波系数进行小波重构，得到第一时序数据。
3.根据权利要求1所述的基于多传感器的灾害预警方法，其特征在于，所述对估算的所述偏移参数、所述慢变速度参数和所述粗差参数进行有效性检验包括：
计算检验统计量
Figure 491376DEST_PATH_IMAGE029
，根据所述检验统计量判断估算的参数向量是否满足正态分布：
Figure 791907DEST_PATH_IMAGE031
Figure 562417DEST_PATH_IMAGE033
其中，
Figure 922991DEST_PATH_IMAGE035
表示估算的参数向量，
Figure 638006DEST_PATH_IMAGE037
表示参数向量
Figure 742228DEST_PATH_IMAGE035
的协方差矩阵，
Figure DEST_PATH_IMAGE039A
表示变换矩阵，
Figure 226299DEST_PATH_IMAGE041
表示正态分布临界值，
Figure DEST_PATH_IMAGE043A
表示指定的显著水平；
通过如下公式判断所述粗差参数的模是否大于设定的粗差下限值：
Figure 85671DEST_PATH_IMAGE045
其中，
Figure 163348DEST_PATH_IMAGE047
表示设定的粗差下限值；
通过如下公式判断所述偏移参数的模是否大于设定的偏移下限值：
Figure 930316DEST_PATH_IMAGE049
其中，
Figure 409839DEST_PATH_IMAGE051
表示设定的偏移下限值。
4.根据权利要求3所述的基于多传感器的灾害预警方法，其特征在于，所述计算所述第一时序数据与所述第二时序数据之间的残差，根据所述残差与所述噪声标准差判断所述第一时序数据是否出现偏移，包括：
根据公式
Figure 112216DEST_PATH_IMAGE053
计算残差；其中，
Figure 801823DEST_PATH_IMAGE055
表示第j个传感器在
Figure DEST_PATH_IMAGE057A
时刻估算的时序数据；
根据残差
Figure 575744DEST_PATH_IMAGE059
和所述噪声标准差计算第j个传感器的标准化残差
Figure 175353DEST_PATH_IMAGE061
；其中，所述
Figure 173264DEST_PATH_IMAGE063
表示第j个传感器的所述噪声标准差；
当所述标准化残差
Figure 959955DEST_PATH_IMAGE065
，则所述第j个传感器的所述第一时序数据出现偏移；其中，所述
Figure DEST_PATH_IMAGE067A
取值为2至3之间的常数。
5.根据权利要求1至4任一项所述的基于多传感器的灾害预警方法，其特征在于，当所有所述传感器的所述第一时序数据均未出现偏移，还包括步骤：
构建神经网络预测模型，所述神经网络预测模型包括输入层、由神经元构成的隐藏层、输出层以及最优化权值；
以目标传感器之外的所有所述传感器的所述第一时序数据作为所述神经网络预测模型的输入；根据所述神经网络预测模型预测所述目标传感器对应的第三时序数据；其中，所述目标传感器是所有所述传感器中的任意一个所述传感器；
计算所述目标传感器的所述第一时序数据与所述第三时序数据之间的残差，根据残差与所述噪声标准差判断所述目标传感器的所述第一时序数据是否出现偏移；
当所述目标传感器的所述第一时序数据出现偏移，发出预警信号。
6.根据权利要求5所述的基于多传感器的灾害预警方法，其特征在于，所述神经网络预测模型的每个神经元将加权输入量输送到非线性激励函数
Figure 537567DEST_PATH_IMAGE069
和
Figure 257261DEST_PATH_IMAGE071
中；其中，
Figure 160495DEST_PATH_IMAGE073
为第i个神经元输出的时序数据，
Figure 700061DEST_PATH_IMAGE075
为前一层神经元输入到第i个神经元的加权和，
Figure 487888DEST_PATH_IMAGE077
为神经元的偏置项，
Figure 921143DEST_PATH_IMAGE079
为待优化权值，
Figure 136224DEST_PATH_IMAGE081
表示输入的时序数据；所述神经网络预测模型的代价函数为
Figure 287720DEST_PATH_IMAGE083
，
Figure DEST_PATH_IMAGE085A
为输入的时序数据，
Figure 941555DEST_PATH_IMAGE087
为预测的时序数据。
7.一种基于多传感器的灾害预警系统，其特征在于，包括：
时序数据获取单元，用于获取用于监测目标区域的每个传感器分别采集的原始时序数据；
时序数据消噪单元，用于对每个所述原始时序数据进行消噪，得到第一时序数据；并根据所述原始时序数据和所述第一时序数据计算噪声标准差；
估算模型单元，用于根据时序数据的偏移、慢变速度和粗差进行参数化建模，得到如下估算模型：
Figure 635842DEST_PATH_IMAGE088
其中，所述估算模型将时序数据中慢变速度部分根据时间平均划分为
Figure 756244DEST_PATH_IMAGE021
个阶段，
Figure 395036DEST_PATH_IMAGE089
表示第j个传感器在
Figure 259087DEST_PATH_IMAGE090
时刻的时序数据，
Figure 807880DEST_PATH_IMAGE091
表示对应于第n阶段的起始时刻，
Figure 223818DEST_PATH_IMAGE092
表示对应于第n阶段的起始时刻的时序数据，每个阶段的时间长度为
Figure 225272DEST_PATH_IMAGE093
，
Figure DEST_PATH_IMAGE094
表示偏移参数，
Figure DEST_PATH_IMAGE095
表示慢变速度参数系数，取值为0或1，
Figure 103402DEST_PATH_IMAGE020
表示对应于第n阶段的慢变速度参数，
Figure 506701DEST_PATH_IMAGE021
表示阶段的总数，
Figure 968907DEST_PATH_IMAGE023
表示发生粗差的个数，
Figure 582290DEST_PATH_IMAGE025
为粗差参数系数，取值为0或1，
Figure 53723DEST_PATH_IMAGE027
表示对应于第n阶段的粗差参数；
参数估算单元，用于以所述第一时序数据作为所述估算模型的输入，并以最小二乘法估算所述第一时序数据的偏移参数、慢变速度参数和粗差参数；
有效性检验单元，用于对估算的所述偏移参数、所述慢变速度参数和所述粗差参数进行有效性检验；
时序数据估算单元，用于将通过检验的所述偏移参数、所述慢变速度参数和所述粗差参数代入所述估算模型，得到估算的第二时序数据；
第一偏移计算单元，用于计算所述第一时序数据与所述第二时序数据之间的残差，根据残差与所述噪声标准差判断所述第一时序数据是否出现偏移；
第一预警单元，用于当至少一个所述传感器的所述第一时序数据出现偏移，发出预警信号。
8.根据权利要求7所述的基于多传感器的灾害预警系统，其特征在于，还包括：
预测模型单元，用于构建神经网络预测模型，所述神经网络预测模型包括输入层、由神经元构成的隐藏层、输出层以及最优化权值；
时序数据预测单元，用于以目标传感器之外的所有所述传感器的所述第一时序数据作为所述神经网络预测模型的输入；根据所述神经网络预测模型预测所述目标传感器对应的第三时序数据；其中，所述目标传感器是所有所述传感器中的任意一个所述传感器；
第二偏移计算单元，用于计算所述目标传感器的所述第一时序数据与所述第三时序数据之间的残差，根据残差与所述噪声标准差判断所述目标传感器的所述第一时序数据是否出现偏移；
第二预警单元，用于当所述目标传感器的所述第一时序数据出现偏移，发出预警信号。
9.一种基于多传感器的灾害预警设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至6任一项所述的基于多传感器的灾害预警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的基于多传感器的灾害预警方法。
CN202210392950.8A 2022-04-15 2022-04-15 基于多传感器的灾害预警方法、系统、设备及存储介质 Active CN114495438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210392950.8A CN114495438B (zh) 2022-04-15 2022-04-15 基于多传感器的灾害预警方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210392950.8A CN114495438B (zh) 2022-04-15 2022-04-15 基于多传感器的灾害预警方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114495438A CN114495438A (zh) 2022-05-13
CN114495438B true CN114495438B (zh) 2022-07-01

Family

ID=81488032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210392950.8A Active CN114495438B (zh) 2022-04-15 2022-04-15 基于多传感器的灾害预警方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114495438B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881088B (zh) * 2023-09-06 2023-11-28 长沙金维信息技术有限公司 一种系统监控方法、装置、存储介质及电子装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US6594620B1 (en) * 1998-08-17 2003-07-15 Aspen Technology, Inc. Sensor validation apparatus and method
CN101799525A (zh) * 2009-07-10 2010-08-11 中国测绘科学研究院 全球导航卫星系统增强系统监测站的自主完备性监测方法
JP2012123185A (ja) * 2010-12-08 2012-06-28 Nippon Telegr & Teleph Corp <Ntt> 雑音抑圧装置とその方法とプログラム
CN109188466A (zh) * 2018-09-29 2019-01-11 华东交通大学 一种顾及非线性变化的gnss基准站地壳运动速度场估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472525B (zh) * 2019-07-26 2021-05-07 浙江工业大学 一种时间序列遥感植被指数的噪声检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US6594620B1 (en) * 1998-08-17 2003-07-15 Aspen Technology, Inc. Sensor validation apparatus and method
CN101799525A (zh) * 2009-07-10 2010-08-11 中国测绘科学研究院 全球导航卫星系统增强系统监测站的自主完备性监测方法
JP2012123185A (ja) * 2010-12-08 2012-06-28 Nippon Telegr & Teleph Corp <Ntt> 雑音抑圧装置とその方法とプログラム
CN109188466A (zh) * 2018-09-29 2019-01-11 华东交通大学 一种顾及非线性变化的gnss基准站地壳运动速度场估计方法

Also Published As

Publication number Publication date
CN114495438A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN106872657B (zh) 一种多变量水质参数时序数据异常事件检测方法
US20070233397A1 (en) System for detection and prediction of water quality events
US20180005151A1 (en) Asset health management framework
US20070215556A1 (en) System for detection and prediction of water nitrification
Story et al. A structural impairment detection system using competitive arrays of artificial neural networks
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
KR101711606B1 (ko) 유사도 기반 해양 구조물 손상 추정 방법
EP3951344A1 (en) Methods and systems for damage evaluation of structural assets
CN114495438B (zh) 基于多传感器的灾害预警方法、系统、设备及存储介质
CN110008096A (zh) 数据监测方法、装置、电子设备及计算机可读存储介质
CN102013148A (zh) 多信息融合火灾探测方法
CN110704911A (zh) 一种基于集群结构相似性的桥梁损伤交叉定位方法
CN105678423A (zh) 基于定量结构模型的故障诊断系统传感器优化配置方法
Wootton et al. Structural health monitoring of a footbridge using Echo State Networks and NARMAX
CN112327191A (zh) 一种基于几何特征融合决策的电池跳水概率评估方法
CN117629122B (zh) 一种水坝位移的监测与预警方法及系统
CN111191855B (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
CN115130658B (zh) 基于非线性组合模型的水库滑坡位移预测方法及装置
CN114429308A (zh) 一种基于大数据的企业安全风险评估方法及系统
CN118410428A (zh) 一种地铁隧道自动化监测方法、系统、设备和介质
CN112131781A (zh) 基于全连接神经网络与传递率函数的钢结构损伤检测方法
CN115270266A (zh) 基于改进层次分析法的边坡监测状态风险判断方法
CN117665592A (zh) 一种锂离子电池热失控故障诊断与预警方法
CN116777088B (zh) 用于保障生命安全的供电应急抢修环境监测方法及系统
JP2020129233A (ja) 異常検知装置

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