CN117370926A - 一种基于集成学习的声层析声音到达时间计算方法 - Google Patents
一种基于集成学习的声层析声音到达时间计算方法 Download PDFInfo
- Publication number
- CN117370926A CN117370926A CN202311311891.8A CN202311311891A CN117370926A CN 117370926 A CN117370926 A CN 117370926A CN 202311311891 A CN202311311891 A CN 202311311891A CN 117370926 A CN117370926 A CN 117370926A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- result
- arrival time
- error
- calculating
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 25
- 238000004587 chromatography analysis Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 description 9
- 238000003325 tomography Methods 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于集成学习的声音到达时间计算方法，包括使用多种算法分别计算声音到达时间，得到若干个计算结果；将所述计算结果与真实结果比较，计算出各算法结果的误差；根据各算法结果的误差，计算各个算法结果的可靠程度，再进行融合；新的数据通过算法计算得到各个声音到达时间结果，再通过集成学习融合成最终结果，实现算法准确度和稳定性的提升。本发明提供的基于集成学习的声音到达时间计算方法，集成了多种基础计算方法，使得其结果比其中的每一种基础算法都稳定，并且本算法将来还能够集成更多的基础算法来进一步提高整体的准确度，进一步提升了测量河流流速的准确性。
Description
技术领域
本发明涉及江河声层析流量检测领域，特别是涉及一种基于集成学习的声层析声音到达时间计算方法。
背景技术
河流声层析测流技术是一种利用声速差测量河流流速的测量技术，具有设备易安装、结果受河面情况影响小、方便测量等特点，目前，河流声层析测流技术仍在发展阶段，声音信号受到流域地形、温度、设备本身等因素影响，会出现信号变弱、信号缺失等情况，对声音到达时间的测量产生较大干扰，最终影响流速、流量结果的计算。现有的各种单一测量算法在流体测量声音信号中都存在较大误差。
因此，本领域亟需一种能够提高江河流量、流速测量结果的技术方案。
发明内容
为了提高声层析测流过程中，测量声音到达时间的准确率，本发明提出了一种基于集成学习的声层析声音到达时间计算方法，利用集成学习结合多个弱学习器，得出误差最小、准确率更高的结果。
本发明方法包括：
步骤一：使用多种算法分别计算声音到达时间，得到若干个计算结果；
步骤二：将所述计算结果与真实结果比较，计算出各算法结果的误差；
步骤三：根据各算法结果的误差，计算各个算法结果的可靠程度，再进行融合；
步骤四：新的数据通过算法计算得到各个声音到达时间结果，再通过集成学习融合成最终结果，实现算法准确度和稳定性的提升。
可选的，步骤一中所述算法包括边缘检测算法、峰值检测算法和预测模型算法。
可选的，所述计算出各算法结果的误差具体为：使用均方误差来描述结果误差，假设某个算法第i时刻计算的声音到达时间为实际到达时间为ti，一共计算得到n组数据，则该算法的均方误差为：/>
可选的，所述步骤三具体包括：
所述步骤三具体包括：使用加权平均算法，假设一共有n个算法结果，每个结果的误差为ei，则第i个结果对应权重为：
加权平均算法的计算结果t为：
可选的，所述步骤三还包括：使用卡尔曼滤波算法，假设预测模型算法得到的声音到达时间结果为tpred，误差Q＝epred，边缘检测算法得到的结果为tobs1，误差为eobs1，峰值检测算法得到的结果为tobs2，误差为eobs2，初始化融合误差为P，则经过卡尔曼滤波的五个计算公式：
得到最优声音到达时间t和更新后的融合误差P，更新后的融合误差用于下一次卡尔曼滤波算法计算中。
与现有技术相比，本发明具有以下优点：
本发明提供的基于集成学习的声音到达时间计算方法，集成了多种基础算法，使得其结果比其中的每一种基础算法都稳定，并且本发明算法还能够集成更多的基础算法来进一步提高整体的准确度，进一步提升了测量河流流速的准确性。面对不同地域、季节温度和水流大小的复杂河流环境，比现有的单一算法更先进科学。因为本发明算法运用均方误差，加权平均算法，各自得出权重值，最后根据各算法结果的误差，计算各个算法结果的可靠程度，减少误差再进行融合，得出最优测量声音到达时间。
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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于集成学习的声层析声音到达时间计算方法示意图。
图2为本发明实施例提供的集成学习训练过程示意图。
图3为本发明实施例提供的集成学习调用过程示意图。
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。
本发明的目的是提供一种能够提高河流流速检测准确度的方法。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例提供了一种基于集成学习的声层析声音到达时间计算方法，包括：
步骤一：使用多种算法分别计算声音到达时间，得到若干个计算结果；
步骤二：将所述计算结果与真实结果比较，计算出各算法结果的误差；
步骤三：根据各算法结果的误差，计算各个算法结果的可靠程度，再进行融合分析计算；
步骤四：新的数据通过算法计算得到各个声音到达时间结果，再通过集成学习融合成最终结果，实现算法准确度和稳定性的提升。
进一步，所述多种算法包括边缘检测算法、峰值检测算法和预测模型算法，收集连续10组声音信号数据，通过三种基础算法计算得到10×3个声音到达时间结果。
| 序号 | 峰值时间 | 边界时间 | 预测时间 | 真实时间 |
| 1 | 1.741965 | 1.74195693 | 1.74196096 | 1.74196096 |
| 2 | 1.74195 | 1.74196193 | 1.74196096 | 1.74195538 |
| 3 | 1.74195682 | 1.74196836 | 1.74195538 | 1.74196323 |
| 4 | 1.74195761 | 1.74196693 | 1.74196323 | 1.74196219 |
| 5 | 1.74196287 | 1.74197193 | 1.74196219 | 1.74196778 |
| 6 | 1.74196462 | 1.74197693 | 1.74196778 | 1.74197114 |
| 7 | 1.74196654 | 1.74198193 | 1.74197114 | 1.74197472 |
| 8 | 1.74197169 | 1.74197943 | 1.74197472 | 1.74197562 |
| 9 | 1.74197 | 1.74198193 | 1.74197562 | 1.74197601 |
| 10 | 1.74197 | 1.74198193 | 1.74197601 | 1.74197596 |
所述计算出各算法结果的误差具体为：使用均方误差来描述结果误差，假设某个算法第i时刻计算的声音到达时间为实际到达时间为ti，一共计算得到n组数据，则该算法的均方误差为：/>
| 峰值检测结果 | 边缘检测结果 | 预测模型结果 | |
| 均方误差 | 2.932×10-11 | 2.434×10-11 | 2.988×10-11 |
所述步骤三具体包括：使用加权平均算法，假设一共有n个算法结果，每个结果的误差为ei，则第i个结果对应权重为：
| 峰值检测结果 | 边缘检测结果 | 预测模型结果 | |
| 加权权重 | 0.314 | 0.378 | 0.308 |
加权平均算法的计算结果t为：
根据均方误差公式(1)，加权平均结果与真实结果的均方误差为2.820×10-12，证明结果优于三种基础算法结果。
进一步的，所述步骤三还包括：使用卡尔曼滤波算法，假设预测模型算法得到的声音到达时间结果为tpred，误差Q＝epred，边缘检测算法得到的结果为tobs1，误差为eobs1，峰值检测算法得到的结果为tobs2，误差为eobs2，初始化融合误差为P，则经过卡尔曼滤波的五个计算公式：
得到最优声音到达时间t和更新后的融合误差P，更新后的融合误差用于下一次卡尔曼滤波算法计算中。
| 编号 | 卡尔曼滤波 | 真实结果 | 融合误差 | 编号 | 卡尔曼滤波 | 真实结果 | 融合误差 |
| 1 | 1.74196059 | 1.74196096 | 1.321×10-11 | 6 | 1.74197652 | 1.74197596 | 1.313×10-11 |
| 2 | 1.74196309 | 1.74196277 | 1.313×10-11 | 7 | 1.74197652 | 1.74197597 | 1.313×10-11 |
| 3 | 1.74196776 | 1.74196778 | 1.313×10-11 | 8 | 1.74198704 | 1.74198708 | 1.313×10-11 |
| 4 | 1.74197486 | 1.74197524 | 1.313×10-11 | 9 | 1.74199644 | 1.74199643 | 1.313×10-11 |
| 5 | 1.74197650 | 1.74197605 | 1.313×10-11 | 10 | 1.74199845 | 1.74199824 | 1.313×10-11 |
根据均方误差公式(1)，卡尔曼滤波结果与真实结果的均方误差为1.259×10-13，证明结果优于三种基础算法结果。
如图2所示，本发明中的集成学习训练过程如下：
使用多种基础算法对声层析数据进行计算，得到n个声音到达时间结果。将实际声音到达时间与该结果比较计算得到结果误差，再通过统计各误差在整体算法中所占比例大小，得到该基础算法结果的权重，完成集成学习的训练。
如图3所示，本发明中的集成学习调用过程如下：
使用多种基础算法对声层析数据进行计算，得到n个声音到达时间结果。将所有结果按照权重进行融合，得到最优声音到达时间结果。本发明的方法将声音信号受到流域地形、温度、设备本身等因素影响降到最低，提高声层析测流过程中，测量声音到达时间的准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于集成学习的声音到达时间计算方法，其特征在于，包括以下步骤：
步骤一：使用多种算法分别计算声音到达时间，得到若干个计算结果；
步骤二：将所述计算结果与真实结果比较，计算出各算法结果的误差；
步骤三：根据各算法结果的误差，计算各个算法结果的可靠程度，再进行融合；
步骤四：新的数据通过算法计算得到各个声音到达时间结果，再通过集成学习融合成最终结果，实现算法准确度和稳定性的提升。
2.根据权利要求1所述的集成学习的声音到达时间计算方法，其特征在于，所述算法包括边缘检测算法、峰值检测算法和预测模型算法。
3.根据权利要求1所述的集成学习的声音到达时间计算方法，其特征在于，所述计算出各算法结果的误差具体为：使用均方误差来描述结果误差，假设某个算法第i时刻计算的声音到达时间为实际到达时间为ti，一共计算得到n组数据，则该算法的均方误差为：
4.根据权利要求1所述的集成学习的声音到达时间计算方法，其特征在于，所述步骤三具体包括：使用加权平均算法，假设一共有n个算法结果，每个结果的误差为ei，则第i个结果对应权重为：
通过加权平均算法的计算结果t为：
5.根据权利要求1所述的集成学习的声音到达时间计算方法，其特征在于，所述步骤三还包括：使用卡尔曼滤波算法，假设预测模型算法得到的声音到达时间结果为tpred，误差Q＝epred，边缘检测算法得到的结果为tobs1，误差为eobs1，峰值检测算法得到的结果为tobs2，误差为eobs2，初始化融合误差为P，则经过卡尔曼滤波的五个计算公式：
得到最优声音到达时间t和更新后的融合误差P，更新后的融合误差用于下一次卡尔曼滤波算法计算中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311311891.8A CN117370926A (zh) | 2023-10-10 | 2023-10-10 | 一种基于集成学习的声层析声音到达时间计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311311891.8A CN117370926A (zh) | 2023-10-10 | 2023-10-10 | 一种基于集成学习的声层析声音到达时间计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117370926A true CN117370926A (zh) | 2024-01-09 |
Family
ID=89395735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311311891.8A Pending CN117370926A (zh) | 2023-10-10 | 2023-10-10 | 一种基于集成学习的声层析声音到达时间计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370926A (zh) |
-
2023
- 2023-10-10 CN CN202311311891.8A patent/CN117370926A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536971B (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
| US11494853B2 (en) | Method for acquiring water leakage amount of leakage area in water distribution system | |
| CN109581281B (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
| CN105488316B (zh) | 用于预测空气质量的系统和方法 | |
| CN107202976B (zh) | 低复杂度的分布式麦克风阵列声源定位系统 | |
| CN107085037B (zh) | 振型加权模态柔度的梁结构损伤识别方法 | |
| CN110513603B (zh) | 一种基于逆瞬态分析法的非金属管道泄漏定位方法 | |
| CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| Pan et al. | Improved automatic operational modal analysis method and application to large-scale bridges | |
| CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
| Hwang et al. | Long-term damping characteristics of twin cable-stayed bridge under environmental and operational variations | |
| CN106093849A (zh) | 一种基于测距和神经网络算法的水下定位方法 | |
| CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
| CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
| CN105824987A (zh) | 一种基于遗传算法的风场特征统计分布模型建立方法 | |
| CN112052551A (zh) | 一种风机喘振运行故障识别方法及系统 | |
| Pérez et al. | Leakage isolation in water distribution networks: A comparative study of two methodologies on a real case study | |
| CN117370926A (zh) | 一种基于集成学习的声层析声音到达时间计算方法 | |
| Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
| CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
| CN113970073B (zh) | 一种基于ResNet的供水管网泄漏精准定位方法 | |
| CN115047408B (zh) | 一种基于单层大卷积核神经网络的水下多声源定位方法 | |
| CN108668254B (zh) | 基于改进BP神经网络的WiFi信号特征的区域定位方法 | |
| KR20230072920A (ko) | 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치 | |
| CN110673088B (zh) | 混合视距和非视距环境中基于到达时间的目标定位方法 |
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 |