CN114911789B - 基于雷视多传感器数据的水位数据融合方法及装置 - Google Patents
基于雷视多传感器数据的水位数据融合方法及装置 Download PDFInfo
- Publication number
- CN114911789B CN114911789B CN202210830796.8A CN202210830796A CN114911789B CN 114911789 B CN114911789 B CN 114911789B CN 202210830796 A CN202210830796 A CN 202210830796A CN 114911789 B CN114911789 B CN 114911789B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- subset
- constructing
- water level
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims abstract description 123
- 238000010276 construction Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 150000001875 compounds Chemical class 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 239000004576 sand Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
- G01F23/292—Light, e.g. infrared or ultraviolet
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Fluid Mechanics (AREA)
- Thermal Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供基于雷视多传感器数据的水位数据融合方法及装置，既能对传感器测量值进行有效性验证，剔除异常观测数据，同时又能充分考虑各数据源之间的离散性和相关性，实现全自动、自适应、高准确水位监测。水位数据融合方法包括：步骤1.采集待研究区域基于视频与雷达的多传感器水位原始数据集；步骤2.构建原始数据集理论函数和其约束条件，并对数据集样本进行可疑值检验和剔除，得到优选数据集S；步骤3.对S进行频率统计，计算熵值，并构建相对熵矩阵H；步骤4.对S进行相关计算，并构建相关性矩阵R；步骤5.基于H和R构建权重系数矩阵ω T；步骤6.基于ω T构建归一化系数矩阵W，将W与S子集矩阵做乘积处理，得到最终融合结果。
Description
技术领域
本发明属于电数字数据处理技术领域，具体涉及基于雷视多传感器数据的水位数据融合方法及装置。
背景技术
水位是水动力因素中最基本、最重要的观测要素。传统的水位测量仪器主要包括水尺，压力式、气泡式、浮子式水位计等。随着科学技术的发展，人们对新时期流域动态化、精细化和智慧化管理需求不断提高，更加先进的非接触式测量方法，如视频、雷达等开始应用于水位监测中。视频依据计算机视觉和数字图像处理技术对水位进行智能识别，对实时水位监控和构建河流水位监测预警系统有着重大意义，但摄像头传感器在采集数据时受天气和光照的影响较大，难以适应复杂多变的环境条件，鲁棒性较差。雷达根据观测回波来获取与目标的距离，进而推算出水位，其主要优势是全天候观测，不仅可以在灯光昏暗的夜间进行工作，而且可以在雨雪雾等复杂天气情况下进行工作，但测量精度易受波浪和水面漂浮物等影响。可见，单一传感器虽然各具优势，但受限于自身构造，在可探测范围、可探测对象及所获得的数据类型上存在一定局限性，且易受监测环境噪声干扰，测量结果稳定性较低，误差不可避免。此外，当传感器受到瞬时干扰、发生缓变故障、永久性故障等情况时，可能出现误检和漏跟等情况，无法胜任越来越复杂的应用场景。
为了解决视频与雷达单一传感器测水位时存在的信息量少、抗干扰能力弱、鲁棒性差等问题，人们开始尝试将二者进行传感器融合。多传感器融合技术，通过对各个传感器的信息进行排列整合、冗余互补和优化组合，可得到所监测目标全方位、多层次、高准确率的观测信息，能扩展测量感知范围，增强系统自适应能力。目前，在雷达和视频水位数据融合算法方面的研究较少，最常用的方法为算术平均法，即简单地将各传感器数据进行累加取平均值。此种方法虽然简单，但难以得到可靠结果。这是因为一方面，其未考虑各传感器偶尔输出的异常、明显偏离真实值的数据，若将异常观测和正常数据进行融合通常会得到不准确的估计，甚至使系统崩溃。另一方面，由于各类传感器提供的多源信息与数据可能具有各不相同的特性或特征，这些特征可能是多样的，相互支持或互补的，确定或者模糊的，也可能是冲突矛盾的，具有差异性，不同传感器所被赋予的权重也应该有所不同，不能同一而论。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供基于雷视多传感器数据的水位数据融合方法及装置，既能对传感器测量值进行有效性验证，剔除异常观测数据，同时又能充分考虑各数据源之间的离散性和相关性，实现全自动、自适应、高准确水位监测。
本发明为了实现上述目的，采用了以下方案：
本发明提供基于雷视多传感器数据的水位数据融合方法，其特征在于，包括以下步骤：
步骤1.采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o 1(x)、o 2(x)、o 3(x)、…、o m (x)}，o i (x)为第i个传感器监测的数据子集，o i (x)=[x 1、x 2、x 3、…、x n ]，x i 为o i (x)的样本，m为数据子集个数，n为子集中数据样本个数；
步骤2.构建原始数据集理论函数和其约束条件，并对数据子集样本进行可疑值检验和剔除，得到优选数据集S；
对于任一子集o i (x)，根据其所包含的样本，将其理论函数表示为：
式中，y表示数据子集的理论函数；α nt =[α 1、α 2、…、α nt ]T为待定系数，β nt (x)=[β 1(x)、β 2(x)、…、β nt (x)]T为一组线性无关的函数；nt为一组中线性无关函数的个数；
为保证理论函数最优，其目标函数应满足：
目标函数的约束条件为：
式中，μ是待求解的常数；x i 为o i (x)的样本；
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
式中，φ为约束函数；
然后对拉格朗日函数进行求解：
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留记为x i ’，构成优选子集S i (x’)；即原始数据子集o i (x)=[x 1、x 2、x 3、…、x n ]经过可疑值检验和剔除后将变为优选子集S i (x’)=[x 1 ’、x 2 ’、x 3 ’、…、x N ’]，x i ’为优选子集S i (x’)的样本，N为优选子集中样本个数；所有优选子集形成优选数据集S，S={S 1(x’)、S 2(x’)、S 3(x’)、…、S m (x’)}；
步骤3.对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H；
步骤4.对优选数据集S进行相关计算，并构建相关性矩阵R；
步骤5.基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω T；
步骤6.基于权重系数矩阵ω T构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果。
优选地，本发明提供的基于雷视多传感器数据的水位数据融合方法，还可以具有这样的特征：在步骤3中，频率统计为：记S i(x’)中任意x’ i 出现的次数为k，则其频率P(x’ i )=k/N，
数据集的熵值为：
对于任意两个数据子集S i (x’)和S j (x’)，i≠j，其相对熵为：
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
优选地，本发明提供的基于雷视多传感器数据的水位数据融合方法，还可以具有这样的特征：在步骤4中，对于任意两个数据子集S i (x’)和S j (x’)其相关计算为：
式中，
；
所有优选子集的相关性矩阵R为：
优选地，本发明提供的基于雷视多传感器数据的水位数据融合方法，还可以具有这样的特征：在步骤5中，权重系数矩阵ω T为：
其归一化处理为：
优选地，本发明提供的基于雷视多传感器数据的水位数据融合方法，还可以具有这样的特征：在步骤6中，归一化系数矩阵W为：
融合结果表达式为：
进一步，本发明还提供基于雷视多传感器数据的水位数据融合装置，其特征在于，包括：
采集部，采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o 1(x)、o 2(x)、o 3(x)、…、o m (x)}，o i (x)为第i个传感器监测到的数据子集，o i (x)=[x 1、x 2、x 3、…、x n ]，x i 为o i (x)的样本，m为数据子集个数，n为子集中数据样本个数；
筛选部，构建原始数据集理论函数和其约束条件，并对数据子集样本进行可疑值检验和剔除，得到优选数据集S；
对于任一子集o i (x)，根据其所包含的样本，将其数据集理论函数表示为：
式中，y表示数据子集的理论函数；α nt =[α 1,α 2,…,α nt ]T为待定系数，β nt (x)=[β 1(x)、β 2(x)、…、β nt (x)]T为一组线性无关的函数；nt为一组中线性无关函数的个数；
为保证理论函数最优，其目标函数应满足：
目标函数的约束条件为：
式中，μ是待求解的常数；x i 为o i (x)的样本；
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
式中，φ为约束函数；
然后对拉格朗日函数进行求解：
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留记为x i ’，构成优选子集S i (x’)；即原始数据子集o i (x)=[x 1、x 2、x 3、…、x n ]经过可疑值检验和剔除后将变为优选子集S i (x’)=[x 1 ’、x 2 ’、x 3 ’、…、x N ’]，x i ’为优选子集S i (x’)的样本，N为优选子集中样本个数；所有优选子集形成优选数据集S，S={S 1(x’)、S 2(x’)、S 3(x’)、…、S m (x’)}；
相对熵矩阵构建部，对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H；
相关性矩阵构建部，对优选数据集S进行相关计算，并构建相关性矩阵R；
权重系数矩阵构建部，基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω T；
融合部，基于权重系数矩阵ω T构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果；
控制部，与采集部、筛选部、相对熵矩阵构建部、相关性矩阵构建部、权重系数矩阵构建部和融合部均通信相连，控制它们的运行。
优选地，本发明所提供的基于雷视多传感器数据的水位数据融合装置，还可以具有这样的特征：在相对熵矩阵构建部中，记S i(x’)中任意x’ i 出现的次数为k，则其频率P(x’ i )=k/N，
数据集的熵值为：
对于任意两个数据集S i (x’)和S j (x’)，i≠j，其相对熵为：
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
优选地，本发明所提供的基于雷视多传感器数据的水位数据融合装置，还可以具有这样的特征：在相关性矩阵构建部中，对于任意两个数据子集S i (x’)和S j (x’)其相关计算为：
式中，
；
所有优选子集的相关性矩阵R为：
优选地，本发明所提供的基于雷视多传感器数据的水位数据融合装置，还可以具有这样的特征：在权重系数矩阵构建部中，权重系数矩阵ω T为：
其归一化处理为：
优选地，本发明所提供的基于雷视多传感器数据的水位数据融合装置，还可以包括：输入显示部，与采集部、筛选部、相对熵矩阵构建部、相关性矩阵构建部、权重系数矩阵构建部、融合部和控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
本发明所提供的基于雷视多传感器数据的水位数据融合方法及装置，能充分利用和挖掘视频水位数据与雷达水位数据之间的深层次联系，考虑各数据源之间的离散性和相关性，自动对异常数据进行检测和剔除，自动优选原始数据集，根据优选数据集分别独立地计算相对熵值和相关值，然后将优选数据集组成一个相对熵矩阵、一个相关矩阵，最后基于相对熵矩阵和相关矩阵构建权重系数矩阵并完成各类数据的权重赋值，得到融合结果，达到水位结果的精确输出，对对象先验知识无要求，具有较强的自学能力和适应性。
附图说明
图1为本发明实施例涉及的基于雷视多传感器数据的水位数据融合方法的流程图。
图2为本发明实施例涉及的装置的部分结构示意图；
图3为本发明实施例涉及的可疑值检验和剔除过程示意图。
具体实施方式
以下结合附图对本发明涉及的基于雷视多传感器数据的水位数据融合方法及装置的具体实施方案进行详细地说明。
如图1所示，本实施例提供的基于雷视多传感器数据的水位数据融合方法包括如下步骤：
步骤1.采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o 1(x)，o 2(x)、o 3(x)、…、o m (x)}，o i (x)为第i个传感器监测的数据子集，o i (x)=[x 1、x 2、x 3、…、x n ]，x i 为o i (x)的样本，m为数据子集个数，n为子集中数据样本个数；
步骤2.构建原始数据集理论函数和其约束条件，并对数据集样本进行可疑值检验和剔除，得到优选数据集S。
对于任一子集o i (x)，根据其所包含的所有样本，将其理论函数表示为：
式中，y表示数据子集的理论函数；α nt =[α 1、α 2、…、α nt ]T为待定系数，β nt (x)=[β 1(x)、β 2(x)、…、β nt (x)]T为一组线性无关的函数；nt为一组中线性无关函数的个数。
为保证理论函数最优，其目标函数应满足：
目标函数的约束条件为：
式中，μ是待求解的常数；x i 为o i (x)的样本。
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
式中，φ为约束函数。
然后对拉格朗日函数进行求解：
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留在相应子集中记为x i ’，构成优选子集S i (x’)；即原始数据子集o i (x)=[x 1、x 2、x 3、…、x n ]经过可疑值检验和剔除后将变为优选子集S i (x’)=[x 1 ’、x 2 ’、x 3 ’、…、x N ’]，x i ’为优选子集S i (x’)的样本，N为优选子集中样本个数；所有优选子集形成优选数据集S，S={S 1(x’)、S 2(x’)、S 3(x’)、…、S m (x’)}。
步骤3.对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H。
频率统计为：记S i(x’)中任意x’ i 出现的次数为k，则其频率P(x’ i )=k/N，
数据集的熵值为：
对于任意两个数据子集S i (x’)和S j (x’)，i≠j，其相对熵为：
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
当i≠j时，相对熵矩阵中的元素由相对熵值的倒数组成。
步骤4.对优选数据集S进行相关计算，并构建相关性矩阵R。
对于任意两个数据子集S i (x’)和S j (x’)其相关计算为：
式中，
。
所有优选子集的相关性矩阵R为：
步骤5.基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω T。
具体地，权重系数矩阵ω T为：
其归一化处理为：
步骤6.基于权重系数矩阵ω T构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果。
归一化系数矩阵W为：
融合结果表达式为：
为了更好的解释及验证本发明的可靠性及有效性，引用中国发明专利公开号为CN110389971A中的试验数据作为原始数据集，并采用本实施例算法与CN110389971A中涉及算法进行对比。原始数据集，如下表1所示：
表1多传感器观测数据（真值900）
对表1中的数据，分别使用CN110389971A中最优融合集法、均值法、可靠性算法与本文算法进行数据融合，结果见表2：
表2本文算法与其他算法融合结果对比
由上表2可以看出本实施例方法、最优融合集法、均值法和可靠性算法与真实值900的绝对误差分别为1.0957、1.9083、2.7389和2.7182。很明显，本实施例方法的绝对误差相对其他三种算法均更小，证明了本发明方法的优越性和可靠性。
进一步，本实施例还提供能够自动实现上述方法的基于雷视多传感器数据的水位数据融合装置，该装置包括采集部、筛选部、相对熵矩阵构建部、相关性矩阵构建部、权重系数矩阵构建部、融合部、输入显示部、控制部。
采集部执行上文步骤1所描述的内容，采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o 1(x)、o 2(x)、o 3(x)、…、o m (x)}，o i (x)为第i个传感器监测到的数据子集，o i (x)=[x 1、x 2、x 3、…、x n ]，x i 为o i (x)的样本，m为数据子集个数，n为子集中数据样本个数。
筛选部执行上文步骤2所描述的内容，构建数据集理论函数和其约束条件，并对数据集样本进行可疑值检验和剔除，得到优选数据集S。
相对熵矩阵构建部执行上文步骤3所描述的内容，对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H。
相关性矩阵构建部执行上文步骤4所描述的内容，对优选数据集S进行相关计算，并构建相关性矩阵R。
权重系数矩阵构建部执行上文步骤5所描述的内容，基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω T。
融合部执行上文步骤6所描述的内容，基于权重系数矩阵ω T构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果。
输入显示部与采集部、筛选部、相对熵矩阵构建部、相关性矩阵构建部、权重系数矩阵构建部、融合部均通信相连，用于让用户输入操作指令，并对相应部获取和处理得到的数据以文字、列表、静态图或者动态趋势图等方式进行相应显示。
控制部与采集部、筛选部、相对熵矩阵构建部、相关性矩阵构建部、权重系数矩阵构建部、融合部、输入显示部均通信相连，控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于雷视多传感器数据的水位数据融合方法及装置并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (6)
1.基于雷视多传感器数据的水位数据融合方法，其特征在于，包括以下步骤：
步骤1.采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o 1(x)、o 2(x)、o 3(x)、…、o m (x)}，o i (x)为第i个传感器监测的数据子集，o i (x)=[x 1、x 2、x 3、…、x n ]，x i 为o i (x)的样本，m为数据子集个数，n为子集中数据样本个数；
步骤2.构建原始数据集理论函数和其约束条件，并对数据集样本进行可疑值检验和剔除，得到优选数据集S；
对于任一子集o i (x)，根据其所包含的样本来表示，将其理论函数表示为：
式中，y表示数据子集的理论函数；α nt =[α 1、α 2、…、α nt ]T为待定系数，β nt (x)=[β 1(x)、β 2(x)、…、β nt (x)]T为一组线性无关的函数；nt为一组中线性无关函数的个数；
为保证理论函数最优，其目标函数应满足：
目标函数的约束条件为：
式中，μ是待求解的常数；x i 为o i (x)的样本；
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
式中，φ为约束函数；
然后对拉格朗日函数进行求解：
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留记为x i ’，构成优选子集S i (x’)；所有优选子集形成优选数据集S，S={S 1(x’)、S 2(x’)、S 3(x’)、…、S m (x’)}；
步骤3.对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H；
步骤4.对优选数据集S进行相关计算，并构建相关性矩阵R；
步骤5.基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω T；
步骤6.基于权重系数矩阵ω T构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果；
其中，在步骤3中，频率统计为：记S i(x’)中任意x i ’出现的次数为k，则其频率P(x i ’)=k/N，
数据集的熵值为：
对于任意两个数据子集S i (x’)和S j (x’)，i≠j，其相对熵为：
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
在步骤4中，对于任意两个数据子集S i (x’)和S j (x’)其相关计算为：
式中，
；
所有优选子集的相关性矩阵R为：
2.根据权利要求1所述的基于雷视多传感器数据的水位数据融合方法，其特征在于：
其中，在步骤5中，权重系数矩阵ω T为：
其归一化处理为：
3.根据权利要求2所述的基于雷视多传感器数据的水位数据融合方法，其特征在于：
其中，在步骤6中，归一化系数矩阵W为：
融合结果表达式为：
4.基于雷视多传感器数据的水位数据融合装置，其特征在于，包括：
采集部，采集待研究区域基于视频与雷达的多传感器水位原始数据集o，o={o 1(x)、o 2(x)、o 3(x)、…、o m (x)}，o i (x)为第i个传感器监测到的数据子集，o i (x)=[x 1、x 2、x 3、…、x n ]，x i 为o i (x)的样本，m为数据子集个数，n为子集中数据样本个数；
筛选部，构建原始数据集理论函数和其约束条件，并对数据子集样本进行可疑值检验和剔除，得到优选数据集S；
对于任一子集o i (x)，根据其所包含的样本，将其数据集理论函数表示为：
式中，y表示数据子集的理论函数；α nt =[α 1、α 2、…、α nt ]T为待定系数，β nt (x)=[β 1(x)、β 2(x)、…、β nt (x)]T为一组线性无关的函数；nt为一组中线性无关函数的个数；
为保证理论函数最优，其目标函数应满足：
目标函数的约束条件为：
式中，μ是待求解的常数；x i 为o i (x)的样本；
可疑值检验和剔除过程为，首先建立目标函数的拉格朗日函数：
式中，φ为约束函数；
然后对拉格朗日函数进行求解：
验证原始数据集o各子集中各个样本是否满足上式，将不满足的剔除，将满足的保留记为x i ’，构成优选子集S i (x’)；所有优选子集形成优选数据集S，S={S 1(x’)、S 2(x’)、S 3(x’)、…、S m (x’)}；
相对熵矩阵构建部，对优选数据集S进行频率统计，计算熵值，并构建相对熵矩阵H；
相关性矩阵构建部，对优选数据集S进行相关计算，并构建相关性矩阵R；
权重系数矩阵构建部，基于相对熵矩阵H和相关性矩阵R构建权重系数矩阵ω T；
融合部，基于权重系数矩阵ω T构建归一化系数矩阵W，并将W与S子集矩阵做乘积处理，得到最终融合结果；
控制部，与所述采集部、所述筛选部、所述相对熵矩阵构建部、所述相关性矩阵构建部、所述权重系数矩阵构建部和所述融合部均通信相连，控制它们的运行；
其中，在所述相对熵矩阵构建部中，记S i(x’)中任意x i ’出现的次数为k，则其频率P(x i ’)=k/N，
数据集的熵值为：
对于任意两个数据集S i (x’)和S j (x’)，i≠j，其相对熵为：
对所有优选子集进行相对熵计算，并构建相对熵矩阵H：
在所述相关性矩阵构建部中，对于任意两个数据子集S i (x’)和S j (x’)其相关计算为：
式中，
；
所有优选子集的相关性矩阵R为：
5.根据权利要求4所述的基于雷视多传感器数据的水位数据融合装置，其特征在于：
其中，在所述权重系数矩阵构建部中，权重系数矩阵ω T为：
其归一化处理为：
6.根据权利要求4所述的基于雷视多传感器数据的水位数据融合装置，其特征在于，还包括：
输入显示部，与所述采集部、所述筛选部、所述相对熵矩阵构建部、所述相关性矩阵构建部、所述权重系数矩阵构建部、所述融合部和所述控制部均通信相连，用于让用户输入操作指令，并进行相应显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210830796.8A CN114911789B (zh) | 2022-07-15 | 2022-07-15 | 基于雷视多传感器数据的水位数据融合方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210830796.8A CN114911789B (zh) | 2022-07-15 | 2022-07-15 | 基于雷视多传感器数据的水位数据融合方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114911789A CN114911789A (zh) | 2022-08-16 |
| CN114911789B true CN114911789B (zh) | 2022-10-11 |
Family
ID=82772268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210830796.8A Active CN114911789B (zh) | 2022-07-15 | 2022-07-15 | 基于雷视多传感器数据的水位数据融合方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114911789B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118640997A (zh) * | 2024-08-13 | 2024-09-13 | 武汉大学 | 基于雷视多模态融合的水位监测装置和水位监测设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX351680B (es) * | 2012-05-31 | 2017-10-25 | Univ Connecticut | Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. |
| CN108152059B (zh) * | 2017-12-20 | 2021-03-16 | 西南交通大学 | 基于多传感器数据融合的高速列车转向架故障检测方法 |
| CN108680552A (zh) * | 2018-07-13 | 2018-10-19 | 山东省科学院海洋仪器仪表研究所 | 基于信息熵的海洋光学溶解氧传感器标定数据融合算法 |
| CN112381128B (zh) * | 2020-11-06 | 2022-06-21 | 中国人民解放军空军预警学院雷达士官学校 | 一种基于目标特征分集评选的多传感器动态融合识别方法 |
-
2022
- 2022-07-15 CN CN202210830796.8A patent/CN114911789B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114509266A (zh) * | 2022-01-05 | 2022-05-17 | 东南大学 | 一种基于故障特征融合的轴承健康监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114911789A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rohling | Radar CFAR thresholding in clutter and multiple target situations | |
| CN102799903B (zh) | 一种基于空间与光谱信息的高光谱自动云检测方法 | |
| CN110456320B (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
| CN108171193B (zh) | 基于超像素局部信息度量的极化sar舰船目标检测方法 | |
| CN114911789B (zh) | 基于雷视多传感器数据的水位数据融合方法及装置 | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| CN102722706A (zh) | 基于粒子滤波的红外弱小目标检测与跟踪方法及装置 | |
| WO2024021642A1 (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
| CN113012195A (zh) | 基于光流计算的河流表面流速估计的方法和可读存储介质 | |
| CN101464172A (zh) | 电站锅炉煤粉浓度质量流量软测量方法 | |
| CN108764119A (zh) | 基于迭代最大类间方差的sar图像变化检测方法 | |
| CN106646634B (zh) | 一种微电阻率扫描成像测井数据异常校正方法及装置 | |
| CN111931827B (zh) | 基于多传感器信息融合的液压泵健康状况检测系统 | |
| CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
| CN108286948A (zh) | 一种基于图像处理的桥梁挠度检测方法 | |
| CN110362044B (zh) | 一种铜矿浮选装置的石灰石添加量预测控制系统及方法 | |
| CN109115807A (zh) | 一种土壤水分自动观测数据异常值检测方法及系统 | |
| CN109239553A (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
| CN104457911B (zh) | 一种液位检测系统及液位检测方法 | |
| CN104751157B (zh) | 基于fpga的检测跟踪方法 | |
| CN114596315A (zh) | 一种飞机地面检测积冰方法、装置、系统及计算机设备 | |
| Zhang et al. | FRS-Net: An efficient ship detection network for thin-cloud and FOG-covered high-resolution optical satellite imagery | |
| Chen et al. | Bi-deformation-UNet: recombination of differential channels for printed surface defect detection | |
| Yuan et al. | A novel method for pavement transverse crack detection based on 2D reconstruction of vehicle vibration signal | |
| CN108254038A (zh) | 一种原油储罐油水界面数据去伪及液位测量的计算方法 |
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 |