CN115166177A - 基于多传感器数据融合算法的水质监测方法和系统 - Google Patents

基于多传感器数据融合算法的水质监测方法和系统 Download PDF

Info

Publication number
CN115166177A
CN115166177A CN202210747588.1A CN202210747588A CN115166177A CN 115166177 A CN115166177 A CN 115166177A CN 202210747588 A CN202210747588 A CN 202210747588A CN 115166177 A CN115166177 A CN 115166177A
Authority
CN
China
Prior art keywords
water quality
probability distribution
membership
sensors
quality data
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.)
Pending
Application number
CN202210747588.1A
Other languages
English (en)
Inventor
王玉
沈金羽
张雷
尚玉龙
张琳
田建杰
肖淑艳
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202210747588.1A priority Critical patent/CN115166177A/zh
Publication of CN115166177A publication Critical patent/CN115166177A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明提供了一种基于多传感器数据融合算法的水质监测方法和系统，该方法包括：获取待检测水域的n组水质数据，获取n组水质数据之间的隶属度，并根据隶属度计算n个传感器的可信度；从n个传感器中确定最优传感器数组，并根据最优传感器数组获取第二隶属度矩阵；获取权重系数，并根据权重系数获取概率分配矩阵；计算概率分配矩阵中每个概率分配值之间的可信度和不确定度；根据可信度和不确定度获取每个概率分配值对应的修正参数，并分别根据每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值；采用D‑S组合规则对各mass函数值进行融合，并根据融合结果对待检测水域中的水质进行分析。可靠性和准确性较高。

Description

基于多传感器数据融合算法的水质监测方法和系统
技术领域
本发明涉及水质监测技术领域，具体涉及一种基于多传感器数据融合算法的水质监测方法和一种基于多传感器数据融合算法的水质监测系统。
背景技术
水务行业是从城市供排水及水污染处理等业务逐渐发展起来的，该行业作为影响国计民生的传统基础领域，通过整合吸收政府、社会各界优质资源，将“水务业务管理与服务”与“物联网”、“云计算”等技术相结合，促进“水源地”的高效管理利用以及“水污染灾害”的有效防控。
相关技术中，该行业中，在对水质数据进行监测时，准确性和可靠性较低。
发明内容
本发明为解决上述技术问题，提供了一种基于多传感器数据融合算法的水质监测方法，采用数据融合算法对海量的水质数据进行融合处理并根据融合处理结果对水质进行监测，可靠性和准确性较高。
本发明采用的技术方案如下：
一种基于多传感器数据融合算法的水质监测方法，包括以下步骤：获取待检测水域的n组水质数据，其中，所述n组水质数据分别由n个传感器测量获取，n为正整数；获取所述n组水质数据之间的隶属度，并根据所述N组水质数据之间的所述隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵；根据所述n个传感器的可信度从所述n个传感器中确定最优传感器数组，并根据所述最优传感器数组从所述第一隶属度矩阵中获取所述最优传感器数组对应的第二隶属度矩阵；对所述最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数；根据所述权重系数对所述第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵；计算所述概率分配矩阵中每个概率分配值之间的可信度和不确定度；根据所述可信度和所述不确定度获取所述每个概率分配值对应的修正参数，并分别根据所述每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值；采用D-S组合规则对各mass函数值进行融合，并根据融合结果对所述待检测水域中的水质进行分析。
通过以下公式获取所述n组水质数据之间的隶属度：
Figure BDA0003717392440000021
其中，xi为第i个传感器对所述待检测水域进行测量获取的水质数据，xj为第j个传感器对所述待检测水域进行测量获取的水质数据，μij为所述第i个传感器对所述待检测水域进行测量获取的水质数据与所述第j个传感器对所述待检测水域进行测量获取的水质数据之间的隶属度。
根据所述n个传感器的可信度从所述n个传感器中确定最优传感器数组：从所述n个传感器中筛选出可信度大于预设可信度的传感器；根据可信度大于所述预设可信度的传感器获取所述最优传感器数组。
根据所述可信度和所述不确定度获取所述每个概率分配值对应的所述修正参数，包括：根据所述可信度和所述不确定度获取所述每个概率分配值对应的折扣系数；分别对所述每个概率分配值对应的所述折扣系数进行归一化处理，以获取所述每个概率分配值对应的所述修正系数。
一种基于多传感器数据融合算法的水质监测系统，包括：第一获取模块，所述第一获取模块用于获取待检测水域的n组水质数据，其中，所述n组水质数据分别由n个传感器测量获取，n为正整数；第一计算模块，所述第一计算模块用于获取所述n组水质数据之间的隶属度，并根据所述n组水质数据之间的所述隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵；第二获取模块，所述第二获取模块用于根据所述n个传感器的可信度从所述n个传感器中确定最优传感器数组，并根据所述最优传感器数组从所述第一隶属度矩阵中获取所述最优传感器数组对应的第二隶属度矩阵；第三获取模块，所述第三获取模块用于对所述最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数；第四获取模块，所述第四获取模块用于根据所述权重系数对所述第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵；第二计算模块，所述第二计算模块用于计算所述概率分配矩阵中每个概率分配值之间的可信度和不确定度；第五获取模块，所述第五获取模块用于根据所述可信度和所述不确定度获取所述每个概率分配值对应的修正参数，并分别根据所述每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值；数据融合模块，所述数据融合模块用于采用D-S组合规则对各mass函数值进行融合，并根据融合结果对所述待检测水域中的水质进行分析。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述的基于多传感器数据融合算法的水质监测方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于多传感器数据融合算法的水质监测方法。
本发明的有益效果：
本发明采用数据融合算法对海量的水质数据进行融合处理并根据融合处理结果对水质进行监测，可靠性和准确性较高。
附图说明
图1为本发明实施例的基于多传感器数据融合算法的水质监测方法的流程图。
图2为本发明实施例的基于多传感器数据融合算法的水质监测系统的方框示意图。
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。
图1为本发明实施例的基于多传感器数据融合算法的水质监测方法的流程图。
需要说明的是，本发明可基于水务平台实现基于多传感器数据融合算法的水质监测方法。其中，选择VS Code作为跨平台代码编辑器，采用Vue.js框架搭建水务系统，使用JavaScript语言，并且安装Node.js作为运行环境和底层平台；Element-UI作为UI框架，用于构建系统界面；选择XAMPP作为服务器系统开发套件，XAMPP包含MySQL数据库，以此作系统数据库；数据可视化图表采用ECharts进行开发，通过折线图、柱状图等直观反映数据的变化。
具体而言，安装Node.js开发环境，由于npm安装插件的时候是从国外的服务器下载所以比较慢，在安装完成之后需要安装淘宝镜像cnpm；其次，安装Vue-cli脚手架工具，利用vue create命令行创建项目，选择Vue2；在项目创建完毕之后，通过淘宝镜像cnpm命令行安装所需要的插件；Element-UI和ECharts分别使用cnpm install element-ui和cnpminstall echarts命令行进行安装，安装完成之后都需要在项目的main.js文件中进行组件引入；安装nodemon工具，命令行也为cnpm install nodemon，nodemon能够在后端文件更改时自动重新启动节点应用程序，而不再需要用重启的方法来使服务生效；MySQL作为node专门连接数据库的第三方模块，同样需要命令行进行安装，如果需要安装指定版本的话则需要命令行的后面加上@指定版本号，例如@3.0.0，安装完成后，在项目中创建server文件夹，并创建server.js和app.js文件，第一个主要用于编写node后端服务器，允许跨域并且开启服务器监听端口，另一个用于连接数据库并且编写后端逻辑；在系统项目运行的时候，需要先打开XAMPP，打开Apache以及MySQL，同时，利用nodemon插件在系统运行的时候输入命令行nodemon index.js，使后端服务运行；在NPM脚本中，点击serve，运行整个项目。
其中，后端技术为：安装express、axios以及body-parser插件，输入命令行cnpminstall，axios主要从浏览器中创建XMLHttpRequests，从node.js中创建http请求，在系统开发中axios用于转换数据和请求数据；在axios安装完成之后需要在main.js文件中引用，并且利用Vue.prototype方法注册全局组件，在其他文件中需要使用axios方法时只需要this.$axios调用；express框架实现了路由功能，使我们方便的通过路径区分各种请求，利用express这个中间件创建路由对象，其次，对于不同的接口就能划分不同的路由；body-parser插件主要是在中间中对传入的请求进行解析，如果不使用body-parser便会出现undefined。
下面来详细说明基于多传感器数据融合算法的水质监测方法的具体实现方式。
如图1所示，本发明实施例的基于多传感器数据融合算法的水质监测方法可包括以下步骤：
S1，获取待检测水域的n组水质数据。其中，n组水质数据分别由n个传感器测量获取。
具体而言，可从数据存储库中调取待检测水域的n组水质数据。其中，该N组水质数据为预先采用n个传感器测量获取到的。
S2，获取n组水质数据之间的隶属度，并根据n组水质数据之间的隶属度计算n个传感器的可信度。其中，每组水质数据之间的隶属度组成第一隶属度矩阵。
根据本发明的一个实施例，可通过以下公式获取n组水质数据之间的隶属度：
Figure BDA0003717392440000061
其中，xi为第i个传感器对待检测水域进行测量获取的水质数据，xj为第j个传感器对待检测水域进行测量获取的水质数据，μij为第i个传感器对待检测水域进行测量获取的水质数据与第j个传感器对待检测水域进行测量获取的水质数据之间的隶属度。
其中，每组水质数据之间的隶属度组成第一隶属度矩阵，即
Figure BDA0003717392440000062
进一步而言，根据n组水质数据之间的隶属度可通过以下公式计算n个传感器的可信度：
Figure BDA0003717392440000063
其中，Di为第i个传感器的可信度，表示第i个传感器测量获取的水质数据由其他传感器测量获取的水质数据的支持程度。
S3，根据n个传感器的可信度从n个传感器中确定最优传感器数组，并根据最优传感器数组从第一隶属度矩阵中获取最优传感器数组对应的第二隶属度矩阵。
在本发明的一个实施例，根据n个传感器的可信度从n个传感器中确定最优传感器数组：从n个传感器中筛选出可信度大于预设可信度的传感器；根据可信度大于预设可信度的传感器获取最优传感器数组。
具体而言，可先通过以下公式根据n个传感器的可信度计算平均可信度：
Figure BDA0003717392440000071
其中，
Figure BDA0003717392440000072
为平均可信度。
进一步而言，可将平均可信度
Figure BDA0003717392440000075
作为预设可信度剔除n个传感器中可信度低的传感器，以获取最优传感器数组。
在获取最优传感器数组后，可从第一隶属度矩阵中获取最优传感器数组对应的第二隶属度矩阵。
S4，对最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数。
具体地，可通过以下公式对最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数：
Figure BDA0003717392440000073
其中，wm为第m个传感器对应的权重系数。
S5，根据权重系数对第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵。
具体而言，可通过以下公式根据各传感器权重系数分别对第二隶属度矩阵进行归一化加权修正以获取相应的概率分配值：
Figure BDA0003717392440000074
其中，mi(xj)为第i个传感器对待检测水域进行测量获取的水质数据对应的概率分配值。
然而，根据各传感器对应的概率分配值组成概率分配矩阵。
S6，计算概率分配矩阵中每个概率分配值之间的可信度和不确定度。
具体而言，假设辨识框架Θ中有k个命题即：Θ＝{A1,A2,…,Ak}，n个证据体为m1,m2,…,mn，其中mi＝{mi(A1),mi(A2),…,mi(Ak)}，mi(Aj)表示第i个证据体对于第j个命题的概率分配值，即将概率分配矩阵中每个概率分配值均作为一个证据体，共n个证据体。dij表示证据体mi和mj之间的曼哈顿距离，即
Figure BDA0003717392440000081
其中，i＝1，2，……，n；j＝1，2，……，n；h＝1，2，……，k。
通过计算任意两个证据间的曼哈顿距离dij，并将曼哈顿距离dij用矩阵D的形式来表示，定义如下：
Figure BDA0003717392440000082
其中，当i＝j时，dij＝0。通过计算证据间的曼哈顿距离dij度量其相似度，当曼哈顿距离dij越近时，相似度就越大。因此，定义相似度矩阵R，R＝1-dij即：
Figure BDA0003717392440000083
在度量当中可信度和有效度是衡量证据准确性的一个标准，所以证据的权重可以通过计算可信度确定，可信度Credi定义如下：
Figure BDA0003717392440000091
进一步而言，Deng熵可以用于测量基本概率分配的不确定度，定义如下：
Figure BDA0003717392440000092
其中，Θ为定义的辨识框架，mi(Ak)表示对于命题Ak的概率分配值，|Ak|为命题Ak的基数。当命题所包含的基数越多时，Edi也就越大，不确定度也就越大。反之，Edi越小，不确定度也就越小。
由于可能存在不确定度为零的情况导致分配的权重也为零，所以用过指数形式来确定权重大小，定义如下：
Figure BDA0003717392440000093
将计算得到的Expi进行归一化处理，从而得到不确定度Uci，定义如下：
Figure BDA0003717392440000094
S7，根据可信度和不确定度获取每个概率分配值对应的修正参数，并分别根据每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值。
根据本发明的一个实施例，根据可信度和不确定度获取每个概率分配值对应的修正参数，包括：根据可信度和不确定度获取每个概率分配值对应的折扣系数；分别对每个概率分配值对应的折扣系数进行归一化处理，以获取每个概率分配值对应的修正系数。
具体而言，当某个证据的不确定度越小时则表明该证据越准确，可先根据可信度和不确定度通过以下公式获取每个概率分配值对应的折扣系数Wi：
Wi＝Credi×Uci， (14)
通过以下公式分别对每个概率分配值对应的折扣系数进行归一化处理，以获取每个概率分配值对应的修正系数Wi *：
Figure BDA0003717392440000101
进一步而言，根据每个证据的修正参数Wi *和修正证据体mi(Ak)，通过修正可得到相应的mass函数值mi *(Ak)，即
Figure BDA0003717392440000102
S8，采用D-S组合规则对各mass函数值进行融合，并根据融合结果对待检测水域中的水质进行分析。
具体而言，在识别框架Θ下，对于
Figure BDA0003717392440000103
mass函数值m1，m2，……，mn是有限的，而其D-S组合规则为：
Figure BDA0003717392440000104
其中，
Figure BDA0003717392440000105
A＝A1∩A2∩…∩An，k为归一化因子，1-k反应了证据的冲突程度。
由此，本发明利用数据融合算法对海量数据进行了处理并得到融合结果，不仅提高了水质数据监测的准确性与可靠性，同时减少了人工观测故障诊断带来的不确定性。
综上所述，根据本发明实施例的基于多传感器数据融合算法的水质监测方法，获取待检测水域的n组水质数据，其中，n组水质数据分别由n个传感器测量获取，n为正整数，以及获取n组水质数据之间的隶属度，并根据n组水质数据之间的隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵，以及根据n个传感器的可信度从n个传感器中确定最优传感器数组，并根据最优传感器数组从第一隶属度矩阵中获取最优传感器数组对应的第二隶属度矩阵，以及对最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数，并根据权重系数对第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵，以及计算概率分配矩阵中每个概率分配值之间的可信度和不确定度，并根据可信度和不确定度获取每个概率分配值对应的修正参数，以及分别根据每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值，并采用D-S组合规则对各mass函数值进行融合，以及根据融合结果对待检测水域中的水质进行分析。由此，采用数据融合算法对海量的水质数据进行融合处理并根据融合处理结果对水质进行监测，可靠性和准确性较高。
对应上述实施例，本发明还提出了一种基于多传感器数据融合算法的水质监测系统。
如图2所示，本发明实施例的基于多传感器数据融合算法的水质监测系统可包括：第一获取模块100、第一计算模块200、第二获取模块300、第三获取模块400、第四获取模块500、第二计算模块600、第五获取模块700和数据融合模块800。
其中，第一获取模块100用于获取待检测水域的n组水质数据，其中，n组水质数据分别由n个传感器测量获取，n为正整数；第一计算模块200用于获取n组水质数据之间的隶属度，并根据n组水质数据之间的隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵；第二获取模块300用于根据n个传感器的可信度从n个传感器中确定最优传感器数组，并根据最优传感器数组从第一隶属度矩阵中获取最优传感器数组对应的第二隶属度矩阵；第三获取模块400用于对最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数；第四获取模块500用于根据权重系数对第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵；第二计算模块600用于计算概率分配矩阵中每个概率分配值之间的可信度和不确定度；第五获取模块700用于根据可信度和不确定度获取每个概率分配值对应的修正参数，并分别根据每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值；数据融合模块800用于采用D-S组合规则对各mass函数值进行融合，并根据融合结果对待检测水域中的水质进行分析。
根据本发明的一个实施例，第一计算模块200具体用于通过以下公式获取n组水质数据之间的隶属度：
Figure BDA0003717392440000121
其中，xi为第i个传感器对待检测水域进行测量获取的水质数据，xj为第j个传感器对待检测水域进行测量获取的水质数据，μij为第i个传感器对待检测水域进行测量获取的水质数据与第j个传感器对待检测水域进行测量获取的水质数据之间的隶属度。
根据本发明的一个实施例，第二获取模块300具体用于：从n个传感器中筛选出可信度大于预设可信度的传感器；根据可信度大于预设可信度的传感器获取最优传感器数组。
根据本发明的一个实施例，第五获取模块700具体用于：根据可信度和不确定度获取每个概率分配值对应的折扣系数；分别对每个概率分配值对应的折扣系数进行归一化处理，以获取每个概率分配值对应的修正系数。
需要说明的是，本发明实施例的基于多传感器数据融合算法的水质监测系统更具体的实施方式可参照上述基于多传感器数据融合算法的水质监测方法的实施例，在此不再赘述。
根据本发明实施例的基于多传感器数据融合算法的水质监测系统，通过第一获取模块获取待检测水域的n组水质数据，其中，n组水质数据分别由n个传感器测量获取，n为正整数，以及通过第一计算模块获取n组水质数据之间的隶属度，并根据n组水质数据之间的隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵，以及通过第二获取模块根据n个传感器的可信度从n个传感器中确定最优传感器数组，并根据最优传感器数组从第一隶属度矩阵中获取最优传感器数组对应的第二隶属度矩阵，以及通过第三获取模块对最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数，并通过第四获取模块根据权重系数对第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵，以及通过第二计算模块计算概率分配矩阵中每个概率分配值之间的可信度和不确定度，并通过第五获取模块根据可信度和不确定度获取每个概率分配值对应的修正参数，以及分别根据每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值，并通过数据融合模块采用D-S组合规则对各mass函数值进行融合，并根据融合结果对待检测水域中的水质进行分析。由此，采用数据融合算法对海量的水质数据进行融合处理并根据融合处理结果对水质进行监测，可靠性和准确性较高。
对应上述实施例，本发明还提出了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现上述的基于多传感器数据融合算法的水质监测方法。
根据本发明实施例的计算机设备，采用数据融合算法对海量的水质数据进行融合处理并根据融合处理结果对水质进行监测，可靠性和准确性较高。
对应上述实施例，本发明还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的基于多传感器数据融合算法的水质监测方法。
根据本发明实施例的非临时性计算机可读存储介质，采用数据融合算法对海量的水质数据进行融合处理并根据融合处理结果对水质进行监测，可靠性和准确性较高。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，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。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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必针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (7)

1.一种基于多传感器数据融合算法的水质监测方法，其特征在于，包括以下步骤：
获取待检测水域的n组水质数据，其中，所述n组水质数据分别由n个传感器测量获取，n为正整数；
获取所述n组水质数据之间的隶属度，并根据所述n组水质数据之间的所述隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵；
根据所述n个传感器的可信度从所述n个传感器中确定最优传感器数组，并根据所述最优传感器数组从所述第一隶属度矩阵中获取所述最优传感器数组对应的第二隶属度矩阵；
对所述最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数；
根据所述权重系数对所述第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵；
计算所述概率分配矩阵中每个概率分配值之间的可信度和不确定度；
根据所述可信度和所述不确定度获取所述每个概率分配值对应的修正参数，并分别根据所述每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值；
采用D-S组合规则对各mass函数值进行融合，并根据融合结果对所述待检测水域中的水质进行分析。
2.根据权利要求1所述的基于多传感器数据融合算法的水质监测方法，其特征在于，通过以下公式获取所述n组水质数据之间的隶属度：
Figure FDA0003717392430000011
其中，xi为第i个传感器对所述待检测水域进行测量获取的水质数据，xj为第j个传感器对所述待检测水域进行测量获取的水质数据，μij为所述第i个传感器对所述待检测水域进行测量获取的水质数据与所述第j个传感器对所述待检测水域进行测量获取的水质数据之间的隶属度。
3.根据权利要求2所述的基于多传感器数据融合算法的水质监测方法，其特征在于，根据所述n个传感器的可信度从所述n个传感器中确定最优传感器数组包括：
从所述n个传感器中筛选出可信度大于预设可信度的传感器；
根据可信度大于所述预设可信度的传感器获取所述最优传感器数组。
4.根据权利要求3所述的基于多传感器数据融合算法的水质监测方法，其特征在于，根据所述可信度和所述不确定度获取所述每个概率分配值对应的所述修正参数，包括：
根据所述可信度和所述不确定度获取所述每个概率分配值对应的折扣系数；
分别对所述每个概率分配值对应的所述折扣系数进行归一化处理，以获取所述每个概率分配值对应的所述修正系数。
5.一种基于多传感器数据融合算法的水质监测系统，其特征在于，包括：
第一获取模块，所述第一获取模块用于获取待检测水域的n组水质数据，其中，所述n组水质数据分别由n个传感器测量获取，n为正整数；
第一计算模块，所述第一计算模块用于获取所述n组水质数据之间的隶属度，并根据所述n组水质数据之间的所述隶属度计算n个传感器的可信度，其中，每组水质数据之间的隶属度组成第一隶属度矩阵；
第二获取模块，所述第二获取模块用于根据所述n个传感器的可信度从所述n个传感器中确定最优传感器数组，并根据所述最优传感器数组从所述第一隶属度矩阵中获取所述最优传感器数组对应的第二隶属度矩阵；
第三获取模块，所述第三获取模块用于对所述最优传感器数组中每个传感器对应的可信度进行归一化处理，以获取权重系数；
第四获取模块，所述第四获取模块用于根据所述权重系数对所述第二隶属度矩阵进行归一化加权修正以获取概率分配矩阵；
第二计算模块，所述第二计算模块用于计算所述概率分配矩阵中每个概率分配值之间的可信度和不确定度；
第五获取模块，所述第五获取模块用于根据所述可信度和所述不确定度获取所述每个概率分配值对应的修正参数，并分别根据所述每个概率分配值对应的修正参数对相应的概率分配值进行修正，以获取相应的mass函数值；
数据融合模块，所述数据融合模块用于采用D-S组合规则对各mass函数值进行融合，并根据融合结果对所述待检测水域中的水质进行分析。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-4中任一项所述的基于多传感器数据融合算法的水质监测方法。
7.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-4中任一项所述的基于多传感器数据融合算法的水质监测方法。
CN202210747588.1A 2022-06-28 2022-06-28 基于多传感器数据融合算法的水质监测方法和系统 Pending CN115166177A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210747588.1A CN115166177A (zh) 2022-06-28 2022-06-28 基于多传感器数据融合算法的水质监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210747588.1A CN115166177A (zh) 2022-06-28 2022-06-28 基于多传感器数据融合算法的水质监测方法和系统

Publications (1)

Publication Number Publication Date
CN115166177A true CN115166177A (zh) 2022-10-11

Family

ID=83489503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210747588.1A Pending CN115166177A (zh) 2022-06-28 2022-06-28 基于多传感器数据融合算法的水质监测方法和系统

Country Status (1)

Country Link
CN (1) CN115166177A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539831A (zh) * 2023-06-26 2023-08-04 中交天航环保工程有限公司 一种基于大数据分析水环境数据监测处理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116539831A (zh) * 2023-06-26 2023-08-04 中交天航环保工程有限公司 一种基于大数据分析水环境数据监测处理方法
CN116539831B (zh) * 2023-06-26 2023-12-05 中交天航环保工程有限公司 一种基于大数据分析水环境数据监测处理方法

Similar Documents

Publication Publication Date Title
Yuan et al. Conflict management based on belief function entropy in sensor fusion
US20190147361A1 (en) Learned model provision method and learned model provision device
CN108900622B (zh) 基于物联网的数据融合方法、装置与计算机可读存储介质
CN110083475B (zh) 一种异常数据的检测方法及装置
CN117540174B (zh) 基于神经网络的建筑结构多源异构数据智能分析系统及方法
CN115238836B (zh) 一种基于气动数据和物理模型相关度的融合方法
CN114298221A (zh) 故障确定方法及装置、电子设备和计算机可读存储介质
CN115166177A (zh) 基于多传感器数据融合算法的水质监测方法和系统
CN111860698B (zh) 确定学习模型的稳定性的方法和装置
Derrible et al. Network-based and binless frequency analyses
Zounemat-Kermani Investigating chaos and nonlinear forecasting in short term and mid-term river discharge
CN113409284A (zh) 电路板故障检测方法、装置、设备以及存储介质
CN110689230B (zh) 一种区域的贫困程度确定方法、电子装置及存储介质
CN114241266B (zh) 一种光缆智能预警的处理方法及系统
CN112949697A (zh) 一种管道异常的确认方法、装置及计算机可读存储介质
CN115932144B (zh) 色谱仪性能检测方法、装置、设备和计算机介质
CN117216844A (zh) 一种桥梁结构损伤检测方法、系统和存储介质
JP2015184818A (ja) サーバ、モデル適用可否判定方法およびコンピュータプログラム
CN115794398A (zh) 资源分配方法、装置、电子设备及存储介质
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及系统
CN112966971B (zh) 一种项目工作量评估方法和装置
CN115048290A (zh) 软件质量的评估方法、装置、存储介质及计算机设备
CN112560974B (zh) 一种信息融合、车辆信息获取方法及装置
CN114399669A (zh) 目标检测方法和装置
CN115398442A (zh) 用于评估传感器测量值的设备和自动化方法和该设备的应用

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