CN117320192A - 一种基于无线通信的水污染监测方法 - Google Patents
一种基于无线通信的水污染监测方法 Download PDFInfo
- Publication number
- CN117320192A CN117320192A CN202311594710.7A CN202311594710A CN117320192A CN 117320192 A CN117320192 A CN 117320192A CN 202311594710 A CN202311594710 A CN 202311594710A CN 117320192 A CN117320192 A CN 117320192A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- water pollution
- wireless communication
- texture
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004891 communication Methods 0.000 title claims abstract description 64
- 238000003911 water pollution Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000004044 response Effects 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 33
- 230000010355 oscillation Effects 0.000 claims description 25
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 238000004836 empirical method Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012896 Statistical algorithm Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000011109 contamination Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 206010033307 Overweight Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000011866 long-term treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000003403 water pollutant Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/70—Photonic quantum communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
- H04L9/0816—Key establishment, i.e. cryptographic processes or cryptographic protocols whereby a shared secret becomes available to two or more parties, for subsequent use
- H04L9/0852—Quantum cryptography
- H04L9/0858—Details about key distillation or coding, e.g. reconciliation, error correction, privacy amplification, polarisation coding or phase coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/009—Security arrangements; Authentication; Protecting privacy or anonymity specially adapted for networks, e.g. wireless sensor networks, ad-hoc networks, RFID networks or cloud networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/03—Protecting confidentiality, e.g. by encryption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/04—Key management, e.g. using generic bootstrapping architecture [GBA]
- H04W12/041—Key generation or derivation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/12—Detection or prevention of fraud
- H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
- H04W12/122—Counter-measures against attacks; Protection against rogue devices
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及无线通信网络技术领域，尤其涉及一种基于无线通信的水污染监测方法。首先，选择和部署传感器，构建无线通信网络，为数据的采集和初步处理提供基础，保证数据的实时传输和准确性，并引入三角定位法；其次，数据采集与局部处理，并对处理后的传感器数据进行深入分析，预测水污染模式；最后，基于水污染模式，实施响应策略，准确定位污染源并采取实时应对措施。解决了现有技术中数据传输安全系数较低以及对水污染的检测不够准确的技术问题。
Description
技术领域
本发明涉及无线通信网络技术领域，尤其涉及一种基于无线通信的水污染监测方法。
背景技术
近年来，水资源的污染与枯竭已经成为全球范围内的一个紧迫问题，随着工业化的加速以及人口的不断增长，水资源的质量受到了严重威胁，传统的水污染监测方法通常需要现场采样，然后在实验室进行分析，这种方法费时、费力且不能实时监测水质的变化；随着无线通信技术的发展，人们开始考虑将其应用于环境监测领域，尤其是无线通信技术，为远程实时监测提供了新的可能性，但大多数现有的基于无线通信的环境监测系统更多地集中在空气质量和土壤湿度的监测，而针对水质的实时远程监测系统仍然较为稀少；因此，存在一种需求，即开发一种基于无线通信的水污染监测方法，能够实时远程监测水资源的质量，并且简单、高效、低成本。
对于水污染的监测方法有很多，彭桂南提出的申请号：“CN202211065341.8”，发明名称：“一种基于互联网的无线通信水质监测系统”，主要包括：水质数据收集模块，所述水质数据收集模块与GPRS输出模块以及网络传输模块将数据传递至内部服务器中，内部服务器与数据处理模块相连接，同时数据处理模块还连接设置有数据储存模块。该发明对水体中的部分指标，通过监测的部分指标即可间接的对水质的大体情况进行了解，当某项数值于标准值相差较大时，则说明水体出现异常，需要进行进一步的取样化验，为后期的水质整改进行预备，减少了数据的监测量。
但上述技术至少存在如下技术问题：数据传输安全系数较低以及对水污染的检测不够准确的技术问题。
发明内容
本申请实施例通过提供一种基于无线通信的水污染监测方法，解决了现有技术中数据传输安全系数较低以及对水污染的检测不够准确的技术问题，实现了数据安全传输以及对水污染的准确预测的技术效果。
本申请提供了一种基于无线通信的水污染监测方法，具体包括以下技术方案：
一种基于无线通信的水污染监测方法，包括以下步骤：
S1. 选择和部署传感器，构建无线通信网络，引入三角定位法；
S2. 数据采集与局部处理，并对处理后的传感器数据进行深入分析，预测水污染模式；
S3. 基于水污染模式，实施响应策略，定位污染源并采取实时应对措施。
优选的，所述步骤S1，具体包括：
根据要监测的污染物类型，列出所有潜在的传感器模型和规格，并利用优化算法对传感器进行部署，确定最佳的传感器部署位置，构建无线通信网络。
优选的，在所述步骤S1，还包括：
在构建无线通信网络时，首先为每个传感器分配一个唯一的标识符，用于在网络中识别每个传感器；然后对所有传感器与网络通过优化的无线连接管理技术进行安全连接。
优选的，在所述步骤S1，还包括：
所述优化的无线连接管理技术，具体实现过程如下：首先进行分布式频率选择；引入基于光束纠缠的加密方法；进一步，形成自组织网络，同时，引入基于上下文的能量管理系统，根据传感器的位置、邻近的其他传感器状态和预测的数据流量动态调整传感器的工作模式，并为传感器进行动态角色分配。
优选的，在所述步骤S1，还包括：
所述基于光束纠缠的加密方法，具体实现如下：首先，光束纠缠与密钥生成；进一步，密钥同步与通信安全保障；随后，验证密钥的相符性；最后，建立加密通信。
优选的，在所述步骤S1，还包括：
采用三角定位法获取每个传感器的准确位置，保存和更新每个传感器的位置信息。
优选的，所述步骤S2，具体包括：
首先，根据水体的污染情况，利用专家法选择监测指标，确定要监测的水质参数，传感器定期采集数据，得到传感器采集的原始数据，对传感器采集的原始数据进行局部初步数据处理，利用简化的AI模型对每个局部初步数据处理后的数据点进行快速实时判定，得到关键数据，对所述关键数据进行深入分析，预测水污染模式。
优选的，在所述步骤S2中，还包括：
引入瀑布流水统计算法；所述瀑布流水统计算法，首先，进行标准化处理，随后，检测异常值；采用梯度强化的技术，得到梯度强化后的数据，即时间序列数据；利用数据的季节性，根据经验法设置季节性的波动调整值，从而进行波动率调整；对时间序列进行分解；再引入纹理振荡与移动均值模型进行预测，最后，引入调整因子对水污染进行监测，基于监测结果进行水污染模式预测。
优选的，在所述步骤S2中，还包括：
所述纹理振荡与移动均值模型基于原始数据的纹理和周期性，通过纹理振荡和移动平均的组合，同时加入时间序列解构因子，组合解构后的时间序列组件，最终得到纹理振荡与移动均值模型。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、本申请基于分布式频率选择以及物理原理，确保了每个传感器能够在一个损耗最小的频段进行通信，大大提高了通信的稳定性和实时性，引入基于光束纠缠的加密方法为通信双方提供了强大的身份验证和数据保密性，使得外部攻击者无法解密或篡改传输的数据。
2、本申请引入纹理振荡与移动均值模型充分考虑了数据的内在周期性、短期趋势和随机误差，使得预测更为准确，通过设定一个基于纹理振荡和移动平均效应的动态阈值，使得系统更为敏感且准确地反应实际与预测之间的差异，当实际水质测量数据与预测值之间的差异超过一个动态阈值时，系统会及时触发警报，从而保证及时采取措施。
3、本申请的技术方案能够有效解决数据传输安全系数较低以及对水污染的检测不够准确的技术问题，通过基于分布式频率选择以及物理原理，确保了每个传感器能够在一个损耗最小的频段进行通信，大大提高了通信的稳定性和实时性，引入基于光束纠缠的加密方法为通信双方提供了强大的身份验证和数据保密性，使得外部攻击者无法解密或篡改传输的数据；引入纹理振荡与移动均值模型充分考虑了数据的内在周期性、短期趋势和随机误差，使得预测更为准确，通过设定一个基于纹理振荡和移动平均效应的动态阈值，使得系统更为敏感且准确地反应实际与预测之间的差异，当实际水质测量数据与预测值之间的差异超过一个动态阈值时，系统会及时触发警报，从而保证及时采取措施。
附图说明
图1为本申请所述基于无线通信的水污染监测方法的流程图。
具体实施方式
本申请实施例通过提供一种基于无线通信的水污染监测方法，解决了现有技术中数据传输安全系数较低以及对水污染的检测不够准确的技术问题，总体思路如下：
首先，选择和部署传感器，并为传感器构建无线通信网络，为数据的采集和初步处理提供基础，保证数据的实时传输和准确性；随后，进行数据采集与局部处理，并对处理后的传感器数据进行深入分析，预测水污染模式；最后，基于水污染模式，实施响应策略，准确定位污染源并采取实时应对措施。基于分布式频率选择以及物理原理，确保了每个传感器能够在一个损耗最小的频段进行通信，大大提高了通信的稳定性和实时性，引入基于光束纠缠的加密方法为通信双方提供了强大的身份验证和数据保密性，使得外部攻击者无法解密或篡改传输的数据；引入纹理振荡与移动均值模型充分考虑了数据的内在周期性、短期趋势和随机误差，使得预测更为准确，通过设定一个基于纹理振荡和移动平均效应的动态阈值，使得系统更为敏感且准确地反应实际与预测之间的差异，当实际水质测量数据与预测值之间的差异超过一个动态阈值时，系统会及时触发警报，从而保证及时采取措施。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述一种基于无线通信的水污染监测方法，包括以下步骤：
S1. 选择和部署传感器，构建无线通信网络，引入三角定位法；
为了确保监测的水污染物都能被有效地检测，根据要监测的污染物类型，如PH、浑浊度、重金属含量，列出所有可能的传感器模型和规格，并利用优化算法对传感器进行部署，确定最佳的传感器部署位置；成功部署的传感器将作为数据源，为无线通信网络提供实时的水质数据；
进一步，构建无线通信网络以确保传感器之间和中心节点之间的稳定以及实时通信，首先开启每个传感器的电源，启动其内部无线通信模块，为每个传感器分配一个唯一的标识符，用于在网络中识别每个传感器；然后对所有传感器与网络利用优化的无线连接管理技术进行安全连接，所述优化的无线连接管理技术具体实现过程如下：
首先基于不同的物质对不同频率有吸收和反射的物理原理，进行分布式频率选择，为每个传感器分配频率，每个传感器启动时，会测量在不同频率下的信号损耗，利用经验法选择一个损耗最小的频段作为其优选通信频道，传感器将其选择的频段信息广播到附近的其他传感器，如果附近没有其他传感器选择相同的频段，那么这个传感器会锁定这个频段作为其通信频段；
为了更安全的验证通信双方的身份、协商通信参数从而建立连接，本申请引入一种基于光束纠缠的加密方法，所述基于光束纠缠的加密方法，具体实现如下：
首先，光束纠缠与密钥生成；对传感器进行初始状态设定，传感器A和传感器B同时释放一个光子，并使用“光束分裂器”将其分裂为两个纠缠的光子；传感器A释放的光子在纠缠后的状态可以用描述，同理传感器B的光子为/>，然后得到纠缠后的总态/>，可以描述为：
，
通过上述纠缠态，可以利用量子态测量方法从中提取出一个共享的随机密钥/>，具体而言，每当两个传感器分别测量出相同的结果，该结果就被用作密钥/>的一个组成部分；
进一步，密钥同步与通信安全保障；首先，公开信道交换，为了确保双方持有相同的密钥K，利用经验法传感器A和B将选择一个小部分的测量结果进行公开交换，上述过程中选择的随机性使得潜在的攻击者难以预测或干扰这一过程；
随后，验证密钥的相符性，利用交叉校验技术传感器A和B将比较部分密钥值来验证它们是否持有相同的密钥K，在此过程中，每个传感器都会计算其选定部分的密钥的哈希值，并将其与对方分享，如果两个哈希值匹配，说明双方持有相同的密钥，完成密钥同步；
最后，建立加密通信，一旦密钥K被同步，传感器A可以使用混合加密算法利用密钥K加密其数据，并通过无线通信发送给B，所述混合加密算法结合了对称和非对称加密的特点，以确保数据传输的速度和安全性，同理，传感器B也可以使用K加密数据发送给A，由于K的随机性和纠缠的特性，外部攻击者即使拦截了这些数据，也无法解密；
无线通信的额外保障，除了利用光束纠缠提供的安全性外，在无线通信环境下，采取了其他措施，如使用时间戳和随机数验证来防止重放攻击，并利用动态密钥更新协议定期更新密钥K，以增强安全性；
上述过程确保了每个传感器能够安全、稳定地连接到网络中；
进一步，形成自组织网络，不完全依赖传统的AODV、OLSR等路由协议，而是利用机器学习进行数据驱动的路由选择，基于传感器之间的历史通信模式、能耗和延迟等参数，训练一个模型来预测最优的路由选择；并使用强化学习技术，使传感器能够在运行中不断学习和改进其路由策略；具体地，每个传感器使用Q-learning算法，逐步学习最佳路由策略以最小化能耗和延迟；
同时，引入一个基于上下文的能量管理系统，所述系统会根据传感器的位置、邻近的其他传感器状态和预测的数据流量动态调整传感器的工作模式，如休眠、低功耗和高性能模式；并使用以下公式进行能源优化：
，
其中，是可选的路由集合；/>是路由/>的预期能耗，/>是预期的数据传输延迟；/>和/>是权重参数，可以根据实际情况调整，以达到能源和性能之间的最佳平衡；
进行动态角色分配，不再固定地为传感器分配角色，而是根据网络状况和传感器的能源状态动态调整；例如，当某个中继节点的能源即将耗尽时，另一个具有更高能源的节点可能会暂时接管其角色；同时，使用遗传算法，根据当前网络状况、传感器能源状态和数据传输需求，为每个传感器分配最佳角色，如中继节点、叶节点等；
经过上述过程，传感器不仅仅是单一的设备，而是形成了一个整体的网络。这为数据的采集和传输提供了可能；
采用三角定位法（Trilateration）获取每个传感器的准确位置，为后续的污染源追踪和数据分析提供了关键信息，保存和更新每个传感器的位置信息；
本申请基于分布式频率选择以及物理原理，确保了每个传感器能够在一个损耗最小的频段进行通信，大大提高了通信的稳定性和实时性，引入基于光束纠缠的加密方法为通信双方提供了强大的身份验证和数据保密性，使得外部攻击者无法解密或篡改传输的数据。
S2. 数据采集与局部处理，并对处理后的传感器数据进行深入分析，预测水污染模式；
首先，根据水体可能的污染情况，利用专家法选择监测指标，确定要监测的水质参数，例如PH、浑浊度、重金属含量；传感器根据其特定功能定期采集数据，得到传感器采集的原始数据；
对传感器采集的原始数据进行局部初步数据处理，所述局部初步数据处理，为数据滤波，对传感器采集的原始数据使用滤波算法，例如移动平均法，以消除可能的噪声或突然的异常值；基线对比，传感器存储一个基线数据，这是正常水质情况下的数据，通过实时数据与基线数据的对比，可以快速识别出异常情况，得到局部初步处理后的数据；
进一步，在传感器中部署一个简化的AI模型，所述模型是一个轻量级的神经网络模型，旨在快速鉴定异常情况；对于每个局部初步处理后的数据点，使用简化的AI模型进行快速实时判定，如果模型判定当前数据点为异常，该数据点会被标注为关键数据；
为更好的对初步处理并筛选的关键数据进行深入分析，引入瀑布流水统计算法，所述瀑布流水统计算法，首先，为了确保数据在同一量纲上对数据进行标准化处理，随后，基于瀑布流水箱线图技术检测异常值；为了更好地捕获数据的趋势，采用梯度强化的技术，赋予近期的数据更大的权重，具体实现公式如下：
，
其中，是梯度强化权重，通常/>；/>是在时间/>的水质测量数据；/>是时刻t的梯度强化后的数据，即时间序列数据；n表示在计算/>时考虑的数据点的数量；
进一步，利用数据的季节性，根据经验法设置季节性的波动调整值，对其进行波动率调整；
进一步，时间序列通常由多个成分组成，对调整后的数据进行时间序列分解，利用局部加权散点平滑估计对调整后的数据进行分解，得到独立的组件，即时间序列的解构成分；
进一步，引入纹理振荡与移动均值模型进行预测，所述纹理振荡与移动均值模型是基于原始数据的纹理和周期性，考虑到纹理振荡和移动平均的组合，同时加入时间序列解构因子，组合解构后的时间序列组件，最终得到纹理振荡与移动均值模型，具体公式如下：
，
其中，是预测的数据；/>是在时间/>的实际水质测量数据，也是初步处理并筛选的关键数据；/>代表纹理振荡参数，反映了水质数据的内在周期性，来源于过去的水质数据统计分；/>是移动平均参数，描述了数据中的短期变化或趋势，来源于过去的数据平均值；/>是在时间/>的随机误差，描述了模型未能捕获的任何异常或不规律的行为；/>是波动率调整参数，来源于数据的统计分析；/>是时间序列的解构成分；/>是在时间/>的随机误差或噪声；/>表示用来预测的数据点的数量；/>表示模型中考虑的随机误差或噪声的数量；
进一步，对水污染进行监测，将实际值和预测值进行比较：
，
其中，代表实际值与预测值之间的差异；
为了增强对比的准确性，引入了一个调整因子来考虑数据的纹理振荡和移动平均效应，若实际值与预测值之间的差异超过一个动态阈值，则触发污染事件警报；具体公式如下：
，
如果，则触发警报；其中，/>是一个常数，决定了敏感性，来源于实验验证；/>是考虑的过去数据点的数量，通常基于系统的响应时间获得；/>代表当前的时间点或观测实例；/>代表在时间/>时的实际水质测量数据与其在那个时间点的预测数据之间的差异；
水污染模式确定如下：
轻度污染：如果超过/>但小于1.5 />，则认为是轻度污染；
中度污染：如果超过1.5 />但小于2.5 />，则认为是中度污染；
重度污染：如果超过2.5 />，则认为是重度污染；
本申请引入纹理振荡与移动均值模型充分考虑了数据的内在周期性、短期趋势和随机误差，使得预测更为准确，通过设定一个基于纹理振荡和移动平均效应的动态阈值，使得系统更为敏感且准确地反应实际与预测之间的差异，当实际水质测量数据与预测值之间的差异超过一个动态阈值时，系统会及时触发警报，从而保证及时采取措施。
S3. 基于水污染模式，实施响应策略，定位污染源并采取实时应对措施。
针对水污染模式，根据其严重程度制定标准化的响应策略模板，当检测到某一污染模式时，系统可以自动触发相应的策略，如发送报警、通知相关部门、启动清洁措施等；这一决策过程可以通过设计决策树来实现，为了帮助决策者和公众了解当前情况，利用GIS地图实时展示水质数据、污染模式和响应策略；
在定位污染源方面，首先会建立一个水流模型，模拟污染物在水体中的传播过程，利用此模型以及传感器的位置数据，追踪污染物的流动路径，结合水污染模式和已知的污染源信息，还会为可能的污染源位置分配权重，最后，利用高分辨率卫星图像、无人机等工具对高权重区域进行实地验证；
一旦污染源被确定，会采取相应的紧急遏制措施，例如，可以选择设置隔离带、使用化学物质中和污染物等策略；同时，会通知公众避免使用受污染的水源，并通过各种媒体和社交网络发布污染信息，随后，会依据污染物的种类和程度，启动长期的治理措施，如污水处理、生态修复等；
综上所述，便完成了本申请所述的一种基于无线通信的水污染监测方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、本申请基于分布式频率选择以及物理原理，确保了每个传感器能够在一个损耗最小的频段进行通信，大大提高了通信的稳定性和实时性，引入基于光束纠缠的加密方法为通信双方提供了强大的身份验证和数据保密性，使得外部攻击者无法解密或篡改传输的数据。
2、本申请引入纹理振荡与移动均值模型充分考虑了数据的内在周期性、短期趋势和随机误差，使得预测更为准确，通过设定一个基于纹理振荡和移动平均效应的动态阈值，使得系统更为敏感且准确地反应实际与预测之间的差异，当实际水质测量数据与预测值之间的差异超过一个动态阈值时，系统会及时触发警报，从而保证及时采取措施。
效果调研：
本申请的技术方案能够有效解决数据传输安全系数较低以及对水污染的检测不够准确的技术问题，并且，上述系统或方法经过了一系列的效果调研，通过基于分布式频率选择以及物理原理，确保了每个传感器能够在一个损耗最小的频段进行通信，大大提高了通信的稳定性和实时性，引入基于光束纠缠的加密方法为通信双方提供了强大的身份验证和数据保密性，使得外部攻击者无法解密或篡改传输的数据；引入纹理振荡与移动均值模型充分考虑了数据的内在周期性、短期趋势和随机误差，使得预测更为准确，通过设定一个基于纹理振荡和移动平均效应的动态阈值，使得系统更为敏感且准确地反应实际与预测之间的差异，当实际水质测量数据与预测值之间的差异超过一个动态阈值时，系统会及时触发警报，从而保证及时采取措施。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于无线通信的水污染监测方法，其特征在于，包括以下步骤：
S1. 选择和部署传感器，构建无线通信网络，引入三角定位法；在构建无线通信网络时，首先为每个传感器分配唯一的标识符；然后对所有传感器与网络通过优化的无线连接管理技术进行安全连接；所述优化的无线连接管理技术，首先进行分布式频率选择；并引入基于光束纠缠的加密方法；进一步，形成自组织网络，同时，引入基于上下文的能量管理系统，动态调整传感器的工作模式，并为传感器进行动态角色分配；所述基于光束纠缠的加密方法：首先，光束纠缠与密钥生成；进一步，密钥同步与通信安全保障；随后，验证密钥的相符性；最后，建立加密通信；
S2. 数据采集与局部处理，并对处理后的传感器数据进行深入分析，引入瀑布流水统计算法，采用梯度强化的技术，得到梯度强化后的数据，引入纹理振荡与移动均值模型，预测水污染模式；
S3. 基于水污染模式，实施响应策略，通过建立水流模型，定位污染源并采取实时应对措施。
2.根据权利要求1所述的一种基于无线通信的水污染监测方法，其特征在于，所述步骤S1，具体包括：
根据要监测的污染物类型，列出所有潜在的传感器模型和规格，并利用优化算法对传感器进行部署，确定最佳的传感器部署位置，构建无线通信网络。
3.根据权利要求1所述的一种基于无线通信的水污染监测方法，其特征在于，在所述步骤S1，还包括：
采用三角定位法获取每个传感器的准确位置，保存和更新每个传感器的位置信息。
4.根据权利要求1所述的一种基于无线通信的水污染监测方法，其特征在于，所述步骤S2，具体包括：
首先，根据水体的污染情况，利用专家法选择监测指标，确定要监测的水质参数，传感器定期采集数据，得到传感器采集的原始数据，对传感器采集的原始数据进行局部初步数据处理，利用简化的AI模型对每个局部初步数据处理后的数据点进行快速实时判定，得到关键数据，对所述关键数据进行深入分析，预测水污染模式。
5.根据权利要求1所述的一种基于无线通信的水污染监测方法，其特征在于，在所述步骤S2中，还包括：
所述瀑布流水统计算法，首先，进行标准化处理，随后，检测异常值；采用梯度强化的技术，得到梯度强化后的数据，即时间序列数据；利用数据的季节性，根据经验法设置季节性的波动调整值，从而进行波动率调整；对时间序列进行分解；再引入纹理振荡与移动均值模型进行预测，最后，引入调整因子对水污染进行监测，基于监测结果进行水污染模式预测。
6.根据权利要求5所述的一种基于无线通信的水污染监测方法，其特征在于，在所述步骤S2中，还包括：
所述纹理振荡与移动均值模型基于原始数据的纹理和周期性，通过纹理振荡和移动平均的组合，同时加入时间序列解构因子，组合解构后的时间序列组件，最终得到纹理振荡与移动均值模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594710.7A CN117320192B (zh) | 2023-11-28 | 2023-11-28 | 一种基于无线通信的水污染监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594710.7A CN117320192B (zh) | 2023-11-28 | 2023-11-28 | 一种基于无线通信的水污染监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117320192A true CN117320192A (zh) | 2023-12-29 |
| CN117320192B CN117320192B (zh) | 2024-03-15 |
Family
ID=89273892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311594710.7A Active CN117320192B (zh) | 2023-11-28 | 2023-11-28 | 一种基于无线通信的水污染监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117320192B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113176387A (zh) * | 2021-04-19 | 2021-07-27 | 衢州学院 | 基于广域无线传感器网络的水质监测智能评估系统及方法 |
| CN113961952A (zh) * | 2021-10-25 | 2022-01-21 | 南京大学 | 基于稀土量子存储的量子数字签名方法及系统 |
| CN116455566A (zh) * | 2023-04-24 | 2023-07-18 | 中国科学技术大学 | 一种基于高维纠缠的量子密钥分发方法及其分发系统 |
| CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
| CN116956120A (zh) * | 2023-06-27 | 2023-10-27 | 河海大学 | 一种基于改进的tft模型对水质非平稳时间序列的预测方法 |
-
2023
- 2023-11-28 CN CN202311594710.7A patent/CN117320192B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113176387A (zh) * | 2021-04-19 | 2021-07-27 | 衢州学院 | 基于广域无线传感器网络的水质监测智能评估系统及方法 |
| CN113961952A (zh) * | 2021-10-25 | 2022-01-21 | 南京大学 | 基于稀土量子存储的量子数字签名方法及系统 |
| CN116455566A (zh) * | 2023-04-24 | 2023-07-18 | 中国科学技术大学 | 一种基于高维纠缠的量子密钥分发方法及其分发系统 |
| CN116956120A (zh) * | 2023-06-27 | 2023-10-27 | 河海大学 | 一种基于改进的tft模型对水质非平稳时间序列的预测方法 |
| CN116796907A (zh) * | 2023-07-11 | 2023-09-22 | 桂林理工大学 | 一种基于物联网的水环境动态监测系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117320192B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gvili | Security analysis of the COVID-19 contact tracing specifications by Apple Inc. and Google Inc. | |
| Mayzaud et al. | A distributed monitoring strategy for detecting version number attacks in RPL-based networks | |
| CN102333307B (zh) | 一种基于主观信念的无线传感器网络信任评估方法 | |
| Acarali et al. | Modelling the spread of botnet malware in IoT‐based wireless sensor networks | |
| Elghazel et al. | Dependability of wireless sensor networks for industrial prognostics and health management | |
| CN100493088C (zh) | 一种应用于ad hoc网络的合作增强机制的方法 | |
| de Melo et al. | UAVouch: a secure identity and location validation scheme for UAV-networks | |
| Devi et al. | Protection on wireless sensor network from clone attack using the SDN-enabled hybrid clone node detection mechanisms | |
| Halabi et al. | Protecting the internet of vehicles against advanced persistent threats: A Bayesian Stackelberg game | |
| CN106416183A (zh) | 使用分布式分类器的投票策略优化 | |
| Al Mutaz et al. | Leveraging platoon dispersion for sybil detection in vehicular networks | |
| Chenji et al. | Delay-tolerant networks (DTNs) for emergency communications | |
| Del Rey et al. | Malware propagation in Wireless Sensor Networks: global models vs Individual-based models | |
| Zhou et al. | Attack detection based on invariant state set for SDN-enabled vehicle platoon control system | |
| Zhang et al. | On effective data aggregation techniques in host–based intrusion detection in manet | |
| Mohajer et al. | Trusted-CDS based intrusion detection system in wireless sensor network (TC-IDS) | |
| CN117320192A (zh) | 一种基于无线通信的水污染监测方法 | |
| Li et al. | A reputation-based secure scheme in vehicular ad hoc networks | |
| Al Qurashi et al. | Efficient intrusion detection in ad-hoc networks | |
| Panos et al. | An evaluation of anomaly-based intrusion detection engines for mobile ad hoc networks | |
| Zhou et al. | Unscented Kalman Filtering based quantized innovation fusion for target tracking in WSN with feedback | |
| Mamatha et al. | Quantitative Behavior Based Intrusion Detection System for MANETS | |
| Siddiquee et al. | A Scalable and Secure MANET for an i-Voting System | |
| Sultana et al. | Detection of beacon transmission denial attack in ITS using temporal auto-correlation and random inspections | |
| Abualsauod | Machine Monitoring Protocols Based on Quality of Service (QoS) to Improve Performance of Real‐Time Industrial Applications |
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 |