CN116541732B - 基于超声波数据与最优化算法的气象监测系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于超声波数据与最优化算法的气象监测系统。获取包括历史信号和待处理信号的风速信号中的平滑历史信号和平滑待处理信号；对平滑历史信号与平滑待处理信号进行分割，获得历史信号段与待处理信号段；根据历史信号段的相似度，获得信号聚类簇，确定待处理信号段匹配的信号聚类簇，进而获取待处理信号段的状态方程和初始状态噪声，根据初始状态噪声与状态方程，获取更新状态方程和观测方程，对待处理信号段进行滤波。本发明根据历史信号对待处理信号进行预处理，使得输入卡尔曼滤波器中的初始数据更贴合实际，进而提高滤波效率，且滤波后的待处理信号更准确。

Description

基于超声波数据与最优化算法的气象监测系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于超声波数据与最优化算法的气象监测系统。

背景技术

超声波数据气象监测是一种高效、精准的气象监测方式，其利用超声波探测技术对大气中的各种物理量进行测量和监测。具体来说，通过发射连续变频超声波信号，并测量其在大气中传播的时间和距离，我们可以获得一系列与大气物理量相关的数据，如温度、湿度、风速、风向、大气云雾等信息。这些数据经过处理和分析，可以用于预测天气变化、评估气候变化趋势、监测环境污染等。

超声波气象监测数据容易受到其他环境因素的影响，如声音反射、回声、散射等原因导致超声波数据的准确率降低。因此，超声波气象监测数据需要经过复杂的数据处理和分析才能得出超声波数据中有效的信息，其中，数据处理包括噪声滤除、信号处理、数据融合等方面的问题。现有方法中通过卡尔曼滤波器对气象监测数据进行噪声滤波，卡尔曼滤波器的原理是通过不断优化误差值来估测去噪后的真实信号，初始状态噪声的精度直接决定了卡尔曼滤波器的收敛速度和去噪效果，现有方法中通过经验法确定初始状态噪声，比较缺乏稳定性和可信度，进而导致对气象监测数据的去噪效果不好且去噪效率不高，使得后续对气象的变化预判不准确。

发明内容

为了解决初始状态噪声缺乏稳定性和可信度，导致气象监测数据的去噪效果不好且去噪效率不高，使得后续对气象的变化预判不准确的技术问题，本发明的目的在于提供一种基于超声波数据与最优化算法的气象监测系统，所采用的技术方案具体如下：

本发明实施例中提供了一种基于超声波数据与最优化算法的气象监测系统，该系统包括以下：

数据获取模块，用于获取超声波数据中的风速信号，风速信号包括历史信号和待处理信号；依次对历史信号和待处理信号平滑处理，分别获得平滑历史信号和平滑待处理信号；

状态方程获取模块，用于对平滑历史信号进行分割，获得历史信号段；对历史信号段进行聚类，获得至少两个信号聚类簇；对平滑待处理信号进行分割，获取待处理信号段，确定待处理信号段匹配的信号聚类簇；根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇匹配的待处理信号段的状态方程；

噪声估测函数获取模块，用于根据每个信号聚类簇中每个历史信号段在历史信号中对应数据的最大噪声范围，以及平滑前后的差异，获取对应信号聚类簇的噪声估测函数；

初始状态噪声获取模块，用于根据每个信号聚类簇的噪声估测函数的大小，获取对应信号聚类簇匹配的待处理信号段的估测噪声库；根据估测噪声库中选择的数据、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数；改变估测噪声库中选择的数据，根据目标函数的变化，获取待处理信号段的初始状态噪声；

滤波处理模块，用于根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程，将更新状态方程和观测方程输入到卡尔曼滤波器中，对待处理信号段进行滤波；

监测模块，用于对滤波后的待处理信号进行监测。

进一步地，所述历史信号段与待处理信号段的获取方法，包括：

任选一个风速信号作为目标风速信号，获得滤波后的平滑目标风速信号；

获取平滑目标风速信号的极点，对每个极点均进行分割，获得相邻极点之间的目标风速信号段；其中，每个目标风速信号段均为单调变化；

当目标风速信号为历史信号时，目标风速信号段为历史信号段；

当目标风速信号为待处理信号时，目标风速信号段为待处理信号段。

进一步地，所述对历史信号段进行聚类，获得至少两个信号聚类簇的方法，包括：

选取任意两个历史信号段作为一个匹配对，通过动态时间规整算法将每个匹配对内的两个历史信号段的长度保持一致，通过每个匹配对中的两个历史信号段相同位置信号点之间的差异，获取对应匹配对的均方误差；

将每个匹配对的均方误差进行负相关映射且归一化的结果，作为对应匹配对的相似度；

通过层次聚类算法根据相似度对历史信号段进行聚类，获得至少两个信号聚类簇。

进一步地，所述根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇中的待处理信号段的状态方程的方法，包括：

任选一个信号聚类簇作为目标信号聚类簇，根据目标信号聚类簇中的每个历史信号段相同位置信号点的幅值均值，构成一个平均信号段作为目标信号聚类簇的目标信号段；

将目标信号段的末尾端点幅值减去起始端点幅值的差值作为目标整体变化值；获取目标信号段的时间长度作为目标长度；将目标整体变化值与目标长度的比值作为状态转移因子；

选取目标信号段内的任一时刻作为目标时刻；

获取目标时刻与相邻下一时刻之间的时间差作为目标时刻差；

计算状态转移因子与目标时刻差的乘积作为目标局部变化值；

将目标时刻的幅值与目标局部变化值的相加结果作为目标时刻相邻下一时刻的预测幅值；

将获取目标时刻相邻下一时刻的预测幅值的公式，作为目标信号聚类簇匹配的待处理信号段的状态方程。

进一步地，所述噪声估测函数的获取方法，包括：

将每个历史信号段每个时刻在历史信号上的数据与历史信号的基线信号上对应数据之间的差异，作为对应时刻下的最大噪声范围；每个历史信号段的所有时刻下的所述最大噪声范围构成对应历史信号段的残差信号；

将每个历史信号段每个时刻在历史信号上的数据与平滑历史信号上对应数据之间的差异，作为对应历史信号段的噪声信号；

统计任一个信号聚类簇中所有历史信号段的残差信号的幅值，获取残差幅值直方图，对所述残差幅值直方图进行高斯函数拟合，获得对应信号聚类簇的高斯拟合函数；

统计任一个信号聚类簇中所有历史信号段的噪声信号的幅值，获得噪声幅值直方图；

将每个信号聚类簇的高斯拟合函数映射至对应的噪声幅值直方图中，每类噪声对应的高斯拟合函数与对应噪声幅值直方图中频次的差值，构成对应信号聚类簇的噪声估测函数。

进一步地，所述估测噪声库的获取方法，包括：

获取每个信号聚类簇的噪声估测函数中大于预设阈值的函数值作为目标函数值；

将目标函数值从大到小进行排序，获得一个有顺序的数据集作为对应信号聚类簇匹配的待处理信号段的估测噪声库。

进一步地，所述目标函数的获取方法，包括：

根据目标函数的公式获取目标函数，所述目标函数的公式为：

式中，S为待处理信号段的目标函数；为待处理信号段中第k个时刻的待处理信 号的幅值；为待处理信号段的第k个时刻的待处理信号的基线信号的幅值；为待处理信 号段的估测噪声库中的第i个数据；为待处理信号段的噪声信号的第i类噪声幅值；p为待 处理信号段上的时刻总数量；n为估测噪声库中选择的数据的数量；为待处理信号 段第k个时刻在待处理信号中对应数据的最大噪声范围；e为自然常数；为绝对值函数。

进一步地，所述初始状态噪声的获取方法，包括：

当目标函数达到预设条件时，将估测噪声库中选择的数据对应的噪声类型作为目标噪声类型；

将目标噪声类型根据估测噪声库中对应的数据顺序进行排序，构成一个噪声类型序列，将噪声类型序列转化为一个协方差矩阵，作为待处理信号段的初始状态噪声。

进一步地，所述根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程的方法，包括：

将待处理信号段的状态方程与初始状态噪声的相加结果，作为待处理信号段的更新状态方程；

获取观测传感器采集数据的状态观测矩阵与观测幅值误差，将状态观测矩阵与更新状态方程获取的预测值的乘积，作为直观观测值；所述观测传感器为除超声波传感器之外的其他风速信号传感器；将同一时刻下的直观观测值减去观测幅值误差的差值作为对应时刻的观测值，将获取观测值的公式作为观测方程。

本发明具有如下有益效果：

对去噪后的历史信号进行分割，获取历史信号段，便于对离散且无明显规律变化的历史信号进行分析；对历史信号段进行聚类，获得信号聚类簇，将历史信号段分类进行分析，提高了分析的效率，同时避免了不同类型的历史信号段之间的影响，使得根据历史信号段对待处理信号的滤波处理效果更好；将去噪后的待处理信号进行分割，获取待处理信号段，确定每个待处理信号段匹配的信号聚类簇，便于根据相似的历史信号段对待处理信号段进行分析；根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇匹配的待处理信号段的状态方程，便于后续获取待处理信号段的初始状态预测值；获取信号聚类簇的噪声估测函数，根据噪声估测函数的大小，获取信号聚类簇匹配的待处理信号段的估测噪声库，确定待处理信号段中可能存在的噪声类型；根据估测噪声库中选择的数据、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数，根据目标函数的结果筛选出一组最贴合待处理信号中真实存在的噪声的噪声类型，构建为待处理信号段的初始状态噪声，使得初始状态噪声更贴合实际，进而卡尔曼滤波器的滤波效率更高、滤波结果更准确；根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程，将更新状态方程和观测方程输入到卡尔曼滤波器中，大幅度提高了卡尔曼滤波器的性能，使卡尔曼滤波器在后续更新状态向量和误差协方差矩阵时，损耗更少、效率更快，同时去噪精度更高，进而提高了气象监测数据的数据精度，使得对气象的变化预测更准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于超声波数据与最优化算法的气象监测系统的结构框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于超声波数据与最优化算法的气象监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于超声波数据与最优化算法的气象监测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于超声波数据与最优化算法的气象监测系统的结构框图，该系统包括：数据获取模块10、状态方程获取模块20、噪声估测函数获取模块30、初始状态噪声获取模块40、滤波处理模块50。

数据获取模块10，用于获取超声波数据中的风速信号，风速信号包括历史信号和待处理信号；依次对历史信号和待处理信号平滑处理，分别获得平滑历史信号和平滑待处理信号。

具体的，超声波气象站具有多组超声波探头，其中，两个超声波探头为一组。在无风的环境下，从每一个探头发出的超声波到达对应同一组的对面探头的时间都是一样的；在有风的情况下，风会影响超声波到达同一组的对面探头的时间，通过计算同一组超声波探头之间的超声波传输的时间差，可以计算出风速和风向。具体为，在超声波气象站的内部具有一个微处理器，可以通过多组超声波探头的测量数据来计算出风速和风向。在整个过程中，传感器同时测量空气中的温度、湿度，来对声速在不同温度、湿度下的变化进行补偿。但是在补偿之前，由于超声波气象站在室外环境中，不可避免会受到多源因素的干扰，如大气杂音、空气湍流等，存在较大噪声，因此，需要对所有的气象监测数据进行预处理。本发明实施例以气象监测数据中的风速信号为例，根据风速信号中的历史信号，对风速信号中的待处理信号进行初步的预测，使得后续对待处理信号的去噪效率更高且去噪效果更好。

风速信号均为时序分布，传统的风速信号去噪算法中卡尔曼滤波算法是一种基于状态空间模型的自适应滤波算法，卡尔曼滤波算法能够根据风速的待处理信号的统计特性，对待处理信号进行动态估计和预测，实现对待处理信号中的噪声等干扰的自适应消除。卡尔曼滤波算法的原理是通过不断优化预测值与观测值的误差来估测去噪后真实的待处理信号，其中，初始状态噪声的精度直接决定了卡尔曼滤波算法的收敛速度和去噪效果，现有方法中对于初始状态噪声的获取方法仍为经验法，比较缺乏稳定性和可信度，因此，本发明实施例根据历史信号对待处理信号进行预处理，提高卡尔曼滤波器在气象监测数据中的应用效率，以及增强气象监测数据的监测精度。其中，卡尔曼滤波算法为公知技术，在此不再进行赘述。

卡尔曼滤波算法的基本思路是通过状态空间模型描述待处理信号的预测值与观测值之间的关系，利用贝叶斯公式和最小均方误差准则，对待处理信号进行状态估计和预测，其中，贝叶斯公式和最小均方误差准则为公知技术，在此不再进行赘述。卡尔曼滤波算法的理论基础就是估计问题，即如何从受噪声污染的待处理信号中恢复实际信号或逼近实际信号或推出一组实际参数值的问题。其中，卡尔曼滤波算法主要包含两个过程：预测过程和更新过程。其中，预测过程的目的是根据上一时刻的状态估计幅值和系统状态转移矩阵，预测当前时刻的状态幅值和误差协方差矩阵；更新过程的目的是将当前时刻的观测值与预测值进行比较，进一步修正状态估计幅值和误差协方差矩阵。通过多次迭代，逐步实现对待处理信号的去噪和平滑处理。卡尔曼滤波算法最核心的两个函数方程为状态方程和观测方程。其中状态方程就是根据当前时刻的信号幅值预测下一时刻的信号幅值，对于时序信号来说，只有平滑的信号曲线才可以进行线性预测，而含有噪声的历史信号和待处理信号可能处于离散状态，无法进行预测，因此，对历史信号和待处理信号均进行均值滤波处理。本发明实施例设定滤波尺寸的长度为5，实施者可根据实际情况进行设定，在此不进行限定。将滤波尺寸以滑动步长为1的步长，在历史信号和待处理信号上进行滑动，将历史信号中的每个信号点以及待处理信号中的每个信号点均进行均值滤波，对于边界信号点进行均值滤波时，将滤波尺寸中不在信号上的信号点的幅值用0补充。将滤波后的历史信号作为平滑历史信号，将滤波后的待处理信号作为平滑待处理信号，平滑历史信号和平滑待处理信号均为连续的信号。其中，均值滤波为公知技术，在此不再进行赘述。

状态方程获取模块20，用于对平滑历史信号进行分割，获得历史信号段；对历史信号段进行聚类，获得至少两个信号聚类簇；对平滑待处理信号进行分割，获取待处理信号段，确定待处理信号段匹配的信号聚类簇；根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇匹配的待处理信号段的状态方程。

具体的，将去噪后的历史信号即平滑历史信号进行分割，获得历史信号段，将相似的历史信号段划分为同一个类型即同一个信号聚类簇，将去噪后的待处理信号即平滑待处理信号进行分割，确定每个待处理信号段匹配的信号聚类簇。根据同一个信号聚类簇内的历史信号段的变化，获取对应信号聚类簇的整体变化，进而获取对应信号聚类簇匹配的待处理信号段的状态方程，来预测待处理信号段的后续变化。其中，获取待处理信号段的状态方程的具体方法如下：

（1）获取信号聚类簇。

为了对历史信号的变化更准确的分析，因此，对去噪后的历史信号即平滑历史信号进行分割，获得历史信号段，将历史信号段进行聚类，获得历史信号段的信号聚类簇，对信号聚类簇进行分析，进而对相似的历史信号段的变化更清晰明了，同时，降低了异常历史信号段带来的干扰。

优选地，获取历史信号段的方法为：任选一个历史信号作为目标历史信号，将滤波后的目标历史信号作为平滑目标历史信号；获取平滑目标历史信号的极点，对每个极点均进行分割，获得相邻极点之间的目标历史信号段；其中，每个目标历史信号段均为单调变化。

作为一个示例，任选一段历史信号作为目标历史信号，将进行均值滤波后的目标历史信号作为平滑目标历史信号，通过获取曲线极点的方法获取平滑目标历史信号的极点，将平滑目标历史信号上的每个极点均进行分割，获取相邻极点之间的目标历史信号段，其中，每个平滑目标历史信号段均为单调变化。其中，曲线极点的获取方法为公知技术，在此不再进行赘述。

根据获取平滑目标历史信号段的方法，获取每个平滑历史信号的历史信号段。

将相似的历史信号段进行聚类，获取至少两个信号聚类簇，对信号聚类簇进行分析，确定平滑历史信号的变化，即大致确定历史信号的变化。

优选地，获取信号聚类簇的方法为：选取任意两个历史信号段作为一个匹配对，通过动态时间规整算法将每个匹配对内的两个历史信号段的长度保持一致，通过每个匹配对中的两个历史信号段相同位置信号点之间的差异，获取对应匹配对的均方误差；将每个匹配对的均方误差进行负相关映射且归一化的结果，作为对应匹配对的相似度；通过层次聚类算法根据相似度对历史信号段进行聚类，获得至少两个信号聚类簇。其中，动态时间规整算法、均分误差以及层次聚类算法均为公知技术，在此不再进行赘述。

作为一个示例，选取历史信号段a与历史信号段b作为一个匹配对，历史信号段a与历史信号段b的长度可能不相同，为了获取历史信号段a与历史信号段b之间的相似度，使用动态时间规整算法将历史信号段a与历史信号段b的长度保持一致，使得历史信号段a与历史信号段b上的相同位置的信号点一对一的进行对应，即通过动态时间规整算法调整后的历史信号段a上的从左到右的第一个信号点与历史信号段b上的从左到右的第一个信号点进行对应，直至历史信号段a与历史信号段b最后一个信号点对应。根据相同长度的历史信号段a与历史信号段b之间的对应信号点之间的幅值差值，获取历史信号段a与历史信号段b之间的均方误差，根据均方误差获取历史信号段a与历史信号段b之间的相似度的公式为：

式中，为历史信号段a与历史信号段b之间的相似度；为历史信 号段a与历史信号段b之间的均方误差；e为自然常数。

需要说明的是，均方误差越小，历史信号段a与历史信号段b之间的差异 越小，历史信号段a与历史信号段b越相似，越大；本发明实施例通过对进行负相关映射且归一化处理，使得的取值范围在0到1之间。

根据获取历史信号段a与历史信号段b之间的相似度的方法，获取任意一个匹配对中的两个历史信号段之间的相似度。

通过层次聚类算法根据匹配对的相似度，对历史信号段进行聚类，获得至少两个信号聚类簇，且每个信号聚类簇中的每个历史信号段的长度相同。至此，获取信号聚类簇。

（2）确定每个待处理信号段匹配的信号聚类簇。

具体的，获取待处理信号通过均值滤波后的平滑待处理信号，通过曲线极点方法获取平滑待处理信号的极点，对平滑待处理信号上的每个极点均进行分割，将相邻极点之间的信号段作为待处理信号段，其中，每个待处理信号段均为单调变化。根据（1）获取信号聚类簇中的获取相似度的方法，获取每个待处理信号段与每个信号聚类簇的中心对应的历史信号段之间的相似度，将最大的相似度对应的信号聚类簇，作为对应待处理信号段匹配的信号聚类簇。以第y个待处理信号段为例，获取第y个待处理信号段与每个信号聚类簇的中心对应的历史信号段之间的相似度，将最大的相似度对应的信号聚类簇作为第y个待处理信号段匹配的信号聚类簇。其中，多个待处理信号段可以匹配到同一个信号聚类簇中。至此，每个待处理信号段均有匹配的信号聚类簇。

（3）获取待处理信号段的状态方程。

信号聚类簇是根据历史信号段之间的相似度获得的，因此，每个信号聚类簇中的历史信号段的单调变化是一致的，且相同时间段内的信号幅值变化是相近的，因此，根据同一类型的历史信号段的变化，来预测对应信号聚类簇匹配的待处理信号段的幅值变化，进而确定每个待处理信号段的状态方程。

优选地，获取待处理信号段的状态方程的方法为：任选一个信号聚类簇作为目标信号聚类簇，根据目标信号聚类簇中的每个历史信号段相同位置信号点的幅值均值，构成一个平均信号段作为目标信号聚类簇的目标信号段；将目标信号段的末尾端点幅值减去起始端点幅值的差值作为目标整体变化值；获取目标信号段的时间长度作为目标长度；将目标整体变化值与目标长度的比值作为状态转移因子；选取目标信号段内的任一时刻作为目标时刻；获取目标时刻与相邻下一时刻之间的时间差作为目标时刻差；计算状态转移因子与目标时刻差的乘积作为目标局部变化值；将目标时刻的幅值与目标局部变化值的相加结果作为目标时刻相邻下一时刻的预测幅值；将获取目标时刻相邻下一时刻的预测幅值的公式，作为目标信号聚类簇匹配的待处理信号段的状态方程。

作为一个示例，任选一个信号聚类簇作为目标信号聚类簇，目标信号聚类簇中的 历史信号段均经过了动态时间规整算法的处理，因此，目标信号聚类簇中的每个历史信号 段的长度相同，进而获取目标信号聚类簇中的每个历史信号段相同位置信号点的幅值均 值，进而构成一个平均信号段即为目标信号聚类簇的目标信号段。将目标信号段的末尾端 点幅值减去起始端点幅值的差值作为目标整体变化值，其中，目标整体变化值可以为正数， 也可以为负数，当目标整体变化值为正数时，说明目标信号聚类簇中的每个历史信号段的 幅值为单调递增；当目标整体变化值为负数时，说明目标信号聚类簇中的每个历史信号段 的幅值为单调递减。将目标信号段的末尾端点度对应的时间点减去起始端点对应的时间点 之间的差值作为目标信号段的时间长度即目标长度；将目标整体变化值与目标长度的比值 作为状态转移因子，使得根据目标信号段预测的信号仍保持相同的单调变化。选取目标信 号段内的第t个时刻作为目标时刻，获取第t个时刻与相邻下一时刻即第t+1个时刻之间的 时间差值绝对值作为目标时刻差，本发明实施例中的目标时刻差为1，实施者可根据实际情 况设定目标时刻差，在此不进行限定。计算状态转移因子与目标时刻差的乘积作为目标局 部变化值；将第t个时刻的幅值与目标局部变化值的相加结果作为第t+1个时刻的预测幅 值，进而，获取目标信号段中的第t+1个时刻的预测幅值的公式为：

式中，为目标信号段中的第t+1个时刻的预测幅值；为目标信号段中的第t 个时刻的幅值；为目标信号段的状态转移因子，本发明实施例中为1；为第t个时刻与 第t+1个时刻之间的目标时刻差。

需要说明的是，状态转移因子决定了目标信号段的幅值变化趋势，当为正数 时，目标信号段的幅值变化为单调递增，是增大的趋势；当为负数时，目标信号段的 幅值变化为单调递减，是减小的趋势。

本发明实施例将获取第t+1个时刻的预测幅值的公式，作为目标信号聚类簇匹配的待处理信号段的状态方程，根据状态方程预测待处理信号段的幅值。根据获取目标信号聚类簇匹配的待处理信号段的状态方程的方法，获取每个待处理信号段的状态方程。

噪声估测函数获取模块30，用于根据每个信号聚类簇中每个历史信号段在历史信号中对应数据的最大噪声范围，以及平滑前后的差异，获取对应信号聚类簇的噪声估测函数。

具体的，初始状态噪声直接决定了卡尔曼滤波器的收敛速度和去噪精度，现有方法中初始状态噪声是人为给定的，缺乏稳定性和可信度，进而导致对待处理信号的去噪效率低且去噪效果可能不准确。本发明实施例为了提高初始状态噪声的可靠性，通过历史信号中的噪声类型，获取待处理信号段中可能存在的噪声类型，进而获取初始状态噪声。因此，对历史信号段进行分析，确定可以预测初始状态噪声的噪声估测函数。

优选地，获取噪声估测函数的方法为：将每个历史信号段每个时刻在历史信号上的数据与历史信号的基线信号上对应数据之间的差异，作为对应时刻下的最大噪声范围；每个历史信号段的所有时刻下的最大噪声范围构成对应历史信号段的残差信号；将每个历史信号段每个时刻在历史信号上的数据与平滑历史信号上对应数据之间的差异，作为对应历史信号段的噪声信号；统计任一个信号聚类簇中所有历史信号段的残差信号的幅值，获取残差幅值直方图，对残差幅值直方图进行高斯函数拟合，获得对应信号聚类簇的高斯拟合函数；统计任一个信号聚类簇中所有历史信号段的噪声信号的幅值，获得噪声幅值直方图；将每个信号聚类簇的高斯拟合函数映射至对应的噪声幅值直方图中，每类噪声对应的高斯拟合函数与对应噪声幅值直方图中频次的差值，构成对应信号聚类簇的噪声估测函数。

作为一个示例，将历史信号的谷值进行连接作为历史信号的基线信号，基线信号的获取方法为公知技术，在此不进行赘述。计算每个历史信号段中的每个时刻在历史信号上的数据与历史信号的基线信号上对应的数据之间的差值，作为对应时刻下的最大噪声范围，即该时刻下存在噪声的最大范围，历史信号段的所有时刻下的所述最大噪声范围构成对应历史信号段的残差信号，其中，每个历史信号段的时段对应的真实信号的时段一定在对应时段下的历史信号与历史信号的基线信号之间。因为噪声分布在真实信号上，会导致平滑的真实信号变的不平滑，在真实信号中形成很多毛刺，这里假设历史信号的基线信号为低趋势即平滑的真实信号，将同一时刻下的历史信号减去历史信号的基线信号的差值，即为该时刻下的最大噪声范围，因此，最大噪声范围一定是一个非负数。计算每个历史信号段每个时刻在历史信号上的数据与平滑历史信号上对应数据之间的差异，即为对应历史信号段的噪声信号，这里是假设平滑历史信号即为去噪后的真实信号，将同一个时刻下的历史信号减去平滑历史信号的差值，获得的结果即为该时刻存在的真实信号。这里的两个假设均为两个极端的情况，本发明实施例在两个极端情况的基础上，获取信号聚类簇的噪声估测函数。

以状态方程获取模块20中的目标信号聚类簇为例，将目标信号聚类簇中的每个历 史信号段的残差信号的幅值统一转换为一个统计直方图即残差幅值直方图，将每类残差信 号的幅值作为残差幅值直方图的横轴，将每类残差信号的频次作为残差幅值直方图的纵 轴。其中，将每类残差信号根据幅值从小到大的顺序在残差幅值直方图中从左向右进行排 列，根据残差幅值直方图中每类残差信号的频次分布，将残差幅值直方图拟合成为一个高 斯分布函数，即为目标信号聚类簇中最大噪声范围对应的高斯拟合函数。其中，根据统计直 方图拟合高斯分布函数的方法为现有技术，在此不进行赘述。理想的噪声分布符合高斯分 布，因此，可以将高斯拟合函数的函数值看作对应类噪声的理想噪声分布值。将目标信号聚 类簇中的每个历史信号段的噪声信号的幅值统一转换为一个统计直方图即噪声幅值直方 图，将每类噪声信号的幅值作为噪声幅值直方图的横轴，将每类噪声信号的频次作为噪声 幅值直方图的纵轴。其中，将每类噪声信号根据幅值从小到大的顺序在噪声幅值直方图中 从左向右进行排列，直观的反应出目标信号聚类簇中每类噪声信号的噪声实际分布值。为 了更准确的预测目标信号聚类簇匹配的待处理信号段的噪声类型，将目标信号聚类簇的高 斯拟合函数映射到噪声幅值直方图中，进而获取每类噪声信号对应的理想噪声分布值减去 噪声实际分布值的差值，即对应类噪声的噪声估测值，当噪声估测值越大时，目标信号聚类 簇匹配的待处理信号段中出现该噪声类型的可能性越大，使得实际的噪声分布更符合理想 的噪声分布，即越符合高斯拟合函数。以目标信号聚类簇中的第i类噪声为例，获取目标信 号聚类簇中的第i类噪声的噪声估测值的公式为：

式中，为目标信号聚类簇中的第i类噪声的噪声估测值；为目标信号聚类 簇中的第i类噪声的理想噪声分布值，即第i类噪声对应的高斯拟合函数的函数值；为目 标信号聚类簇中的第i类噪声的噪声实际分布值。

需要说明的是，当为正数且越大时，目标信号聚类簇中的第i类噪声越可能为 目标信号聚类簇匹配的待处理信号段的噪声类型；当为负数时，目标信号聚类簇中的 第i类噪声在目标信号聚类簇匹配的待处理信号段中出现的可能性越小。

将获取目标信号聚类簇中的第i类噪声的噪声估测值的公式看作为一个函数式，作为目标信号聚类簇的噪声估测函数；根据获取目标信号聚类簇的噪声估测函数的方法，获取每个信号聚类簇的噪声估测函数。

初始状态噪声获取模块40，用于根据每个信号聚类簇的噪声估测函数的大小，获取对应信号聚类簇匹配的待处理信号段的估测噪声库；根据估测噪声库中选择的数据、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数；改变估测噪声库中选择的数据，根据目标函数的变化，获取待处理信号段的初始状态噪声。

具体的，对待处理信号段进行卡尔曼滤波前要获取待处理信号段的初始状态噪声，本发明实施例通过信号聚类簇的噪声估测函数，获取可能会出现在待处理信号段中的噪声类型，进而根据噪声类型的分布情况，筛选出存在待处理信号中最合理的噪声类型，进而获取待处理信号段的初始状态噪声。获取初始状态噪声的具体方法如下：

（1）获取估测噪声库。

根据每个信号聚类簇的噪声估测函数，获取每个信号聚类簇中出现的噪声类型，即历史信号段中出现的噪声类型，根据历史出现过的噪声类型预测待处理信号段的初始状态噪声。

优选地，获取估测噪声库的方法为：获取每个信号聚类簇的噪声估测函数中大于预设阈值的函数值作为目标函数值；将目标函数值从大到小进行排序，获得一个有顺序的数据集作为对应信号聚类簇中的待处理信号段的估测噪声库。

作为一个示例，以状态方程获取模块20中的目标信号聚类簇为例，获取目标信号聚类簇中每类噪声对应的噪声估测函数的函数值，本发明实施例设定预设阈值为0，当函数值大于预设阈值时，说明对应的噪声类型可能在目标信号聚类簇中的待处理信号段中出现，并且，函数值越大，说明对应的噪声类型在目标信号聚类簇中的待处理信号段中出现的可能性越大。因此，将大于预设阈值的函数值作为目标函数值，即噪声的估测值，且将目标函数值从大到小进行排序，排序的目的是加快预测初始状态噪声的效率，将有顺序的目标函数值即一个有顺序的数据集作为目标信号聚类簇中的待处理信号段的估测噪声库。

（2）获取目标函数。

通过迭代的方法预测待处理信号段上的不同噪声类型，通过估测噪声库、估测噪声库中每个数据对应的噪声类型、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数，通过将目标函数收敛，即目标函数的变化越接近真实的待处理信号段，使得初始状态噪声更符合待处理信号真实的初始状态噪声。获取目标函数的方法如下：

作为一个示例，将待处理信号的谷值进行连接作为待处理信号的基线信号，任选一个待处理信号段作为目标待处理信号段，根据目标待处理信号段的目标函数的公式获取目标待处理信号段的目标函数，目标待处理信号段的目标函数的公式为：

式中，S为目标待处理信号段的目标函数；为目标待处理信号段中第k个时刻的 待处理信号的幅值；为目标待处理信号段的第k个时刻的待处理信号的基线信号的幅值；为目标待处理信号段的估测噪声库中的第i个数据；为目标待处理信号段的噪声信号 的第i类噪声的幅值；p为目标待处理信号段上的时刻总数量；n为估测噪声库中选择的数据 的数量；为目标待处理信号段第k个时刻在待处理信号中对应数据的最大噪声范 围；e为自然常数；为绝对值函数。

需要说明的是，是目标待处理信号段第k个时刻对应的待处理信号的幅 值与基线信号的幅值的差值即目标待处理信号段第k个时刻的最大噪声范围，基线信号为 待处理信号的估值构成的，因此，最大噪声范围为非负数，这里假设目标待处理信号段的时 段对应的基线信号为真实信号，则噪声类型一定在最大噪声范围内，且噪声类型的幅值越 接近第k个时刻的最大噪声范围，则对应的噪声类型越在目标待处理信号段中；越小，越小，即与越接近，估测噪声库 中选择的数据对应的第i个类型噪声分配在目标待处理信号段上越合理，S越小，即目标函 数S越收敛，S的变化越接近真实的目标待处理信号段的变化；越小，越大， 越大，说明分布在目标待处理信号段上的噪声类型的可能性越大，S越小；因此，目标函数S 越收敛，即S越小，估测噪声库中选择的数据对应的噪声类型越为目标待处理信号段中的实 际噪声类型。

根据获取目标待处理信号段的目标函数的方法，获取每个待处理信号段的目标函数。

（3）获取初始状态噪声。

目标函数越收敛，预测的初始状态噪声越可靠，因此本发明实施例将获取目标函数最小值时，对应的所有叠加的噪声类型作为目标噪声类型，根据目标噪声类型获取待处理信号段的初始状态噪声。

优选地，获取初始状态噪声的方法为：当目标函数达到预设条件时，将估测噪声库中选择的数据对应的噪声类型作为目标噪声类型；将目标噪声类型根据估测噪声库中对应的数据顺序进行排序，构成一个噪声类型序列，将噪声类型序列转化为一个协方差矩阵，作为待处理信号段的初始状态噪声。

作为一个示例，以（2）获取目标函数中的目标待处理信号段为例，本发明实施例将预设条件设定为目标待处理信号段的目标函数为最小值，此时，目标待处理信号段的目标函数与目标待处理信号段的真实信号越接近，即目标函数中对应的测噪声库中选择的数据对应的噪声类型越为目标待处理信号段中的噪声类型，即目标噪声类型，将目标噪声类型根据估测噪声库中对应的数据顺序进行排序，构成一个目标待处理信号段的噪声类型序列，根据噪声类型序列中的元素，计算一个协方差矩阵，作为目标待处理信号段的初始状态噪声。其中，根据噪声类型序列中的元素计算一个协方差矩阵是现有技术，在此不进行赘述。

根据获取目标待处理信号段的初始状态噪声的方法，获取每个待处理信号段的状态噪声。

滤波处理模块50，用于根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程，将更新状态方程和观测方程输入到卡尔曼滤波器中，对待处理信号段进行滤波。

具体的，本发明实施例的目的是提高输入到卡尔曼滤波器中的初始状态噪声的准确性，使得输入卡尔曼滤波器中的数据更准确，进而卡尔曼滤波器的滤波效率更快且滤波效果更好。因此，本发明实施例将待处理信号段对应的状态方程和更新方程作为卡尔曼滤波器中的初始数据，使得卡尔曼滤波器的后续工作的去噪效果更好。

待处理信号段与匹配的信号聚类簇中的历史信号段的变化趋势相同，为了更好的根据匹配的信号聚类簇中的历史信号段预判待处理信号段的预测值，本发明实施例根据信号聚类簇中的历史信号段的幅值变化，获取该信号聚类簇匹配的待处理信号段的状态方程；根据信号聚类簇中的历史信号段中的噪声类型，获取该信号聚类簇匹配的待处理信号段的初始状态噪声。本发明实施例将待处理信号段的状态方程与初始状态噪声的相加结果，作为待处理信号段的更新状态方程，将更新状态方程对应初始时刻的值，作为待处理信号的初始预测值。获取观测传感器采集数据的状态观测矩阵与观测幅值误差，将状态观测矩阵与更新状态方程获取的预测值的乘积，作为直观观测值；所述观测传感器为除超声波传感器之外的其他风速信号传感器；将同一时刻下的直观观测值减去观测幅值误差的差值作为对应时刻的观测值，将获取观测值的公式作为观测方程，将观测方程对应初始时刻的值，作为待处理信号的初始观测值。根据待处理信段相同的初始时刻对应的初始预测值与初始观测值之间的差异，决定对待处理信段后续的滤波的方向与程度。

作为一个示例，以初始状态噪声获取模块40中的目标待处理信号段为例，获取目标待处理信号段的更新状态方程的公式为：

式中，为目标待处理信号段第t+1个时刻的预测幅值；为目标待处理信号段 中的第t个时刻的估测幅值；为目标待处理信号段的状态转移因子；为第t+1个时刻与 第t个时刻之间的目标时刻差，本发明实施例中为1；为目标待处理信号段的初始状态 噪声。

需要说明的是，目标待处理信号段中的第t个时刻的估测值越大， 越大；目标待处理信号段的初始状态噪声越大，越大；其中，越准确，越准确，越准确，越接近目标待处理信号段中第t+1个时刻的真实幅值。

通过观测传感器根据更新状态方程的预测值，获取目标待处理信号段的观测方程的公式为：

式中，为目标待处理信号段第t+1个时刻的观测幅值；为目标待处理信号 段第t+1个时刻的预测幅值；为目标待处理信号段第t+1个时刻的状态观测矩阵，使得更 新状态方程转化为与观测方程相同的数据类型，由传感器直接提供，不需要本发明实施例 计算获取；为目标待处理信号段第t+1个时刻的观测幅值误差，由传感器直接提供，不 需要本发明实施例计算获取。

需要说明的是，越大，越大；越大，越小。

将目标待处理信号的更新状态方程和观测方程作为卡尔曼滤波器中的初始数据，进而对目标待处理信号段进行滤波。利用卡尔曼滤波器获取估测值和观测值的误差协方差矩阵，并不断进行状态估测值更新和误差协方差矩阵更新，实现对目标待处理信号的去噪。其中卡尔曼滤波器对目标待处理信号段进行滤波的具体方法如下：

1、系统初始化：需要对系统进行初始化，包括初始状态向量和误差协方差矩阵的设置。通常情况下，初始状态向量可以基于先验信息或历史信号段进行估计。

2、预测状态和误差协方差矩阵：使用状态方程和误差协方差矩阵进行状态预测，得到预测状态向量和预测误差协方差矩阵。

3、更新状态和误差协方差矩阵：使用观测方程和预测状态向量进行状态更新，得到最终的状态向量和误差协方差矩阵。

4、输出状态向量：将得到的状态向量作为卡尔曼滤波器的输出，用于后续的预测和决策。该连续预测和输出期望目标待处理信号段的过程，即为一个滤波过程。

最终得到卡尔曼滤波后的目标待处理信号段。

根据获取卡尔曼滤波器滤波后的目标待处理信号段的方法，获取卡尔曼滤波器滤波后的每个待处理信号点。至此，完成对每个待处理信号段的卡尔曼滤波后的待处理信号段，即完成卡尔曼滤波器对风速信号中的待处理信号的滤波处理。

监测模块60，用于对滤波后的待处理信号进行监测。

经过尔曼滤波器滤波后的气象监测数据大幅度提高了监测数据质量，为后续气象变化的预测提供可靠的数据支撑。监测人员通过对滤波后的待处理信号段进行分析，可以预测风速的大小、方向等信息。

根据风速信号中历史信号对待处理信号的预测方法，可以对气象监测数据是的其他数据进行预测，完成对各种气象的预测。具体根据监测数据预测天气的气象过程非本发明实施例的重点，在此不多进行赘述。

至此，本发明完成。

综上所述，本发明实施例获取包括历史信号和待处理信号的风速信号中的平滑历史信号和平滑待处理信号；对平滑历史信号与平滑待处理信号进行分割，获得历史信号段与待处理信号段；根据历史信号段的相似度，获得信号聚类簇，确定待处理信号段匹配的信号聚类簇，进而获取待处理信号段的状态方程和初始状态噪声，根据初始状态噪声与状态方程，获取更新状态方程和观测方程，对待处理信号段进行滤波。本发明根据历史信号对待处理信号进行预处理，使得输入卡尔曼滤波器中的初始数据更贴合实际，进而提高滤波效率，且滤波后的待处理信号更准确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (5)

1.一种基于超声波数据与最优化算法的气象监测系统，其特征在于，所述系统包括：

数据获取模块，用于获取超声波数据中的风速信号，风速信号包括历史信号和待处理信号；依次对历史信号和待处理信号平滑处理，分别获得平滑历史信号和平滑待处理信号；

状态方程获取模块，用于对平滑历史信号进行分割，获得历史信号段；对历史信号段进行聚类，获得至少两个信号聚类簇；对平滑待处理信号进行分割，获取待处理信号段，确定待处理信号段匹配的信号聚类簇；根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇匹配的待处理信号段的状态方程；

噪声估测函数获取模块，用于根据每个信号聚类簇中每个历史信号段在历史信号中对应数据的最大噪声范围，以及平滑前后的差异，获取对应信号聚类簇的噪声估测函数；

初始状态噪声获取模块，用于根据每个信号聚类簇的噪声估测函数的大小，获取对应信号聚类簇匹配的待处理信号段的估测噪声库；根据估测噪声库中选择的数据、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数；改变估测噪声库中选择的数据，根据目标函数的变化，获取待处理信号段的初始状态噪声；

滤波处理模块，用于根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程，将更新状态方程和观测方程输入到卡尔曼滤波器中，对待处理信号段进行滤波；

监测模块，用于对滤波后的待处理信号进行监测；

所述根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇中的待处理信号段的状态方程的方法，包括：

任选一个信号聚类簇作为目标信号聚类簇，根据目标信号聚类簇中的每个历史信号段相同位置信号点的幅值均值，构成一个平均信号段作为目标信号聚类簇的目标信号段；

将目标信号段的末尾端点幅值减去起始端点幅值的差值作为目标整体变化值；获取目标信号段的时间长度作为目标长度；将目标整体变化值与目标长度的比值作为状态转移因子；

选取目标信号段内的任一时刻作为目标时刻；

获取目标时刻与相邻下一时刻之间的时间差作为目标时刻差；

计算状态转移因子与目标时刻差的乘积作为目标局部变化值；

将目标时刻的幅值与目标局部变化值的相加结果作为目标时刻相邻下一时刻的预测幅值；

将获取目标时刻相邻下一时刻的预测幅值的公式，作为目标信号聚类簇匹配的待处理信号段的状态方程；

所述噪声估测函数的获取方法，包括：

将每个历史信号段每个时刻在历史信号上的数据与历史信号的基线信号上对应数据之间的差异，作为对应时刻下的最大噪声范围；每个历史信号段的所有时刻下的所述最大噪声范围构成对应历史信号段的残差信号；

将每个历史信号段每个时刻在历史信号上的数据与平滑历史信号上对应数据之间的差异，作为对应历史信号段的噪声信号；

统计任一个信号聚类簇中所有历史信号段的残差信号的幅值，获取残差幅值直方图，对所述残差幅值直方图进行高斯函数拟合，获得对应信号聚类簇的高斯拟合函数；

统计任一个信号聚类簇中所有历史信号段的噪声信号的幅值，获得噪声幅值直方图；

将每个信号聚类簇的高斯拟合函数映射至对应的噪声幅值直方图中，每类噪声对应的高斯拟合函数与对应噪声幅值直方图中频次的差值，构成对应信号聚类簇的噪声估测函数；

所述估测噪声库的获取方法，包括：

获取每个信号聚类簇的噪声估测函数中大于预设阈值的函数值作为目标函数值；

将目标函数值从大到小进行排序，获得一个有顺序的数据集作为对应信号聚类簇匹配的待处理信号段的估测噪声库；

所述目标函数的获取方法，包括：

根据目标函数的公式获取目标函数，所述目标函数的公式为：

式中，S为待处理信号段的目标函数；为待处理信号段中第k个时刻的待处理信号的幅值；/>为待处理信号段的第k个时刻的待处理信号的基线信号的幅值；/>为待处理信号段的估测噪声库中的第i个数据；/>为待处理信号段的噪声信号的第i类噪声幅值；p为待处理信号段上的时刻总数量；n为估测噪声库中选择的数据的数量；/>为待处理信号段第k个时刻在待处理信号中对应数据的最大噪声范围；e为自然常数；/>为绝对值函数。

2.如权利要求1所述的一种基于超声波数据与最优化算法的气象监测系统，其特征在于，所述历史信号段与待处理信号段的获取方法，包括：

任选一个风速信号作为目标风速信号，获得滤波后的平滑目标风速信号；

获取平滑目标风速信号的极点，对每个极点均进行分割，获得相邻极点之间的目标风速信号段；其中，每个目标风速信号段均为单调变化；

当目标风速信号为历史信号时，目标风速信号段为历史信号段；

当目标风速信号为待处理信号时，目标风速信号段为待处理信号段。

3.如权利要求1所述的一种基于超声波数据与最优化算法的气象监测系统，其特征在于，所述对历史信号段进行聚类，获得至少两个信号聚类簇的方法，包括：

选取任意两个历史信号段作为一个匹配对，通过动态时间规整算法将每个匹配对内的两个历史信号段的长度保持一致，通过每个匹配对中的两个历史信号段相同位置信号点之间的差异，获取对应匹配对的均方误差；

将每个匹配对的均方误差进行负相关映射且归一化的结果，作为对应匹配对的相似度；

通过层次聚类算法根据相似度对历史信号段进行聚类，获得至少两个信号聚类簇。

4.如权利要求1所述的一种基于超声波数据与最优化算法的气象监测系统，其特征在于，所述初始状态噪声的获取方法，包括：

当目标函数达到预设条件时，将估测噪声库中选择的数据对应的噪声类型作为目标噪声类型；

将目标噪声类型根据估测噪声库中对应的数据顺序进行排序，构成一个噪声类型序列，将噪声类型序列转化为一个协方差矩阵，作为待处理信号段的初始状态噪声。

5.如权利要求1所述的一种基于超声波数据与最优化算法的气象监测系统，其特征在于，所述根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程的方法，包括：

将待处理信号段的状态方程与初始状态噪声的相加结果，作为待处理信号段的更新状态方程；

获取观测传感器采集数据的状态观测矩阵与观测幅值误差，将状态观测矩阵与更新状态方程获取的预测值的乘积，作为直观观测值；所述观测传感器为除超声波传感器之外的其他风速信号传感器；将同一时刻下的直观观测值减去观测幅值误差的差值作为对应时刻的观测值，将获取观测值的公式作为观测方程。