专利摘要
本发明公开了一种污染源定位方法，包括传感器节点传输位置坐标以及传感器节点所检测到的污染物浓度；建立用于分析污染物浓度的通用模型；设定神经网络模型；计算t1至tn时刻下各个传感器节点的污染物浓度理论值；以计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；实际应用时神经网络模型输出预测的各个传感器节点的污染物浓度；定位污染源位置。本发明通过对神经网络模型进行训练，在未知待测水域污染物运动时能够做到精准地预测一段时间后处于各个位置的传感器节点的污染物浓度，并定位污染源位置。本发明创造用于定位待测水域中污染源位置。
权利要求
1.一种污染源定位方法，其特征在于包括以下步骤：
步骤A.在待测水域上设置多个传感器节点，中央处理器通过GPS获取各个传感器节点的采集信号，所述采集信号包括传感器节点的位置坐标以及传感器节点所检测到的污染物浓度；
步骤B.建立用于分析污染物浓度的通用模型；
步骤C.设定神经网络模型，所述神经网络模型是ELM(极限学习机)神经网络模型，初始化神经网络模型的输入神经元数目、输入权重、偏差、隐层节点数目、激活函数、输出神经元数目以及输出权重；
步骤D.在t＝t0时刻，采集各个传感器节点所检测到的污染物浓度，基于步骤B中的通用模型，计算t1至tn时刻下各个传感器节点的污染物浓度理论值；
步骤E.以步骤D所计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；
步骤F.将所述训练样本以及期望输出输入到神经网络模型中，完成神经网络模型的训练；
步骤G.投入实际应用后，将所述各个传感器节点所采集得到的污染物浓度实际值输入到通用模型中，所述通用模型将输出的一段时间后的各个传感器节点的污染物浓度理论值输入到神经网络模型中，所述神经网络模型输出预测的一段时间后的各个传感器节点的污染物浓度；
步骤H.根据所述神经网络模型预测的各个传感器节点的污染物浓度，定位污染源位置；
步骤B中所述通用模型的建立过程包括以下步骤：
步骤B01.以待测水域的空间为基础建立三维坐标系；
步骤B02.设在t＝t0时刻，位于(x0,y0,z0)的污染源恒定地向流速为v＝(vx,vy,vz)的水域中排放浓度为C0的污染物；
步骤B03.设在坐标为(ξ,γ,β),t＝τ时刻，经过dτ，污染物投放质量为dM＝C0Qdτ，M表示污染物投放质量，Q表示状态转移噪声方差矩阵
步骤B04.在t时刻，坐标为(x,y,z)的污染物浓度为Cxyzt，所述Cxyzt满足如下公式，
2.根据权利要求1所述的一种污染源定位方法，其特征在于，所述步骤H是基于无迹卡尔曼滤波算法以及序贯滤波算法定位污染物位置。
说明书
技术领域
本发明涉及一种软件定位技术领域。
背景技术
由于水污染严重地影响着水环境安全，因此及时发现和定位污染源对于水环境的保护具有十分重要的意义。目前通常采用的人工检测技术通常由于水域、地形、天气的影响而无法实现实时检测的需求。水下机器人由于造价较高、可靠性的问题不能大面积长时间的工作。
基于上述问题，本领域技术人员使用传感器网络以实现对污染源的定位功能。现有技术中所述传感器网络所配置的污染源定位算法主要包括确定法以及概率法。其中所述确定法是指采用确定的数学物理方程分析污染物运动状态，通过利用正则变换将构造得来的反问题转换为适定的问题后进行解析或数值求解，确定法缺点在于因“最优”参数失真而带来的决策风险；而所述概率法着眼于对特定事件发生概率的评估，主要包括贝叶斯估计及最大似然估计等，概率法虽然在一定程度上避免了因“最优”参数失真带来的决策风险，但具有较强的随机性，且其计算量会随着参数的增多而呈指数增长。
发明内容
本发明要解决的技术问题是：提供一种基于无迹序贯卡尔曼滤波的方法及ELM与无迹序贯卡尔曼滤波相结合的污染源定位方法。
本发明解决其技术问题的解决方案是：
一种污染源定位方法，包括以下步骤：
步骤A.在待测水域上设置多个传感器节点，中央处理器通过GPS获取各个传感器节点的采集信号，所述采集信号包括传感器节点的位置坐标以及传感器节点所检测到的污染物浓度；
步骤B.建立用于分析污染物浓度的通用模型；
步骤C.设定神经网络模型，所述神经网络模型是ELM(极限学习机)神经网络模型，初始化神经网络模型的输入神经元数目、输入权重、偏差、隐层节点数目、激活函数、输出神经元数目以及输出权重；
步骤D.在t＝t0时刻，采集各个传感器节点所检测到的污染物浓度，基于步骤B中所设定的通用模块，计算t1至tn时刻下各个传感器节点的污染物浓度理论值；
步骤E.以步骤D所计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；
步骤F.将所述训练样本以及期望输出输入到神经网络模型中，完成神经网络模型的训练；
步骤G.投入实际应用后，将所述各个传感器节点所采集得到的污染物浓度实际值输入到神经网络模型中，所述神经网络模型输出预测的一段时间后的各个传感器节点的污染物浓度；
步骤H.根据所述神经网络模型预测的各个传感器节点的污染物浓度，定位污染源位置。
作为上述技术方案的进一步改进，步骤B中所述通用模型的建立过程包括以下步骤：
步骤B01.以待测水域的空间为基础建立三维坐标系；
步骤B02.设在t＝t0时刻，位于(x0,y0,z0)的污染源恒定地向流速为v＝(vx,vy,vz)的水域中排放浓度为C0的污染物；
步骤B03.设在坐标为(ξ,γ,β),t＝τ时刻，经过dτ，污染物投放质量为dM＝C0Qdτ；
步骤B04.在t时刻，坐标为(x,y,z)的污染物浓度为Cxyzt，所述Cxyzt满足如下公式， 其中， D为扩散系数且在待测水域中各向同性。
作为上述技术方案的进一步改进，所述步骤H是基于无迹卡尔曼滤波算法以及序贯滤波算法定位污染物位置。
本发明的有益效果是：本发明通过对ELM神经网络模型进行训练，在未知待测水域污染物运动的方式的条件下，能够做到精准地预测一段时间后处于各个位置的传感器节点的污染物浓度，并以此为依据定位待测区域的污染源位置。本发明创造用于定位待测水域中污染源位置。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员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他设计方案和附图。
图1是本发明的定位方法实施例流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。
参照图1，本发明创造公开了一种污染源定位方法，包括以下步骤：
步骤A.在待测水域上设置多个传感器节点，中央处理器通过GPS获取各个传感器节点的采集信号，所述采集信号包括传感器节点的位置坐标以及传感器节点所检测到的污染物浓度；
步骤B.建立用于分析污染物浓度的通用模型；
步骤C.设定神经网络模型，所述神经网络模型是ELM(极限学习机)神经网络模型，初始化神经网络模型的输入神经元数目、输入权重、偏差、隐层节点数目、激活函数、输出神经元数目以及输出权重；
步骤D.在t＝t0时刻，采集各个传感器节点所检测到的污染物浓度，基于步骤B中所设定的通用模块，计算t1至tn时刻下各个传感器节点的污染物浓度理论值；
步骤E.以步骤D所计算得到的污染物浓度理论值为神经网络模型的训练样本，以t1至tn时刻下各个传感器节点所检测到的污染物浓度实际值作为神经网络模型的期望输出；
步骤F.将所述训练样本以及期望输出输入到神经网络模型中，完成神经网络模型的训练；
步骤G.投入实际应用后，将所述各个传感器节点所采集得到的污染物浓度实际值输入到神经网络模型中，所述神经网络模型输出预测的一段时间后的各个传感器节点的污染物浓度；
步骤H.根据所述神经网络模型预测的各个传感器节点的污染物浓度，定位污染源位置。
具体地，现有技术中关于待测水域污染源定位的技术方案中，首先都需要确定污染源的运动模型，才能够进行污染源的定位，这种技术方法精准度虽然高，但是确定污染源运动模型的时间过长，难以应对突发的，危害严重的污染源定位问题。本发明创造通过对ELM神经网络模型进行训练，在未知待测水域污染物运动的方式的条件下，能够做到精准地预测一段时间后处于各个位置的传感器节点的污染物浓度，并以此为依据定位待测区域的污染源位置。
进一步作为优选的实施方式，本发明创造为了能够对所述神经网络模型进行训练操作，需要生成一系列符合实际的训练样本，本发明创造利用所述通用模型生成符合实际的训练样本，具体地，本实施例步骤B中所述通用模型的建立过程包括以下步骤：
步骤B01.以待测水域的空间为基础建立三维坐标系；
步骤B02.设在t＝t0时刻，位于(x0,y0,z0)的污染源恒定地向流速为v＝(vx,vy,vz)的水域中排放浓度为C0的污染物；
步骤B03.设在坐标为(ξ,γ,β),t＝τ时刻，经过dτ，污染物投放质量为dM＝C0Qdτ；
步骤B04.在t时刻，坐标为(x,y,z)的污染物浓度为Cxyzt，所述Cxyzt满足如下公式， 其中， D为扩散系数且在待测水域中各向同性。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤H是基于无迹卡尔曼滤波算法以及序贯滤波算法定位污染物位置。具体地，本发明创造中利用序贯滤波算法可实现对多个传感器节点集中式融合滤波估计，将无迹卡尔曼滤波方法与序贯滤波相结合，首先基于无迹卡尔曼滤波方法构造出动态序列方程的基础上，再进行污染源定位分析中仅利用一次采样对污染源位置进行估计，提高定位的精度，其中所述动态序列方程为 所述步骤H具体过程如下：
已知tk-1时刻估计值 协方差Pk-1以及tk时刻N个传感器节点的量测值Zi(k),i＝1,...,N，运用对称采样策略得到输入变量 的Sigma点集χk-1及相应粒子权重Wm和方差的权值Wc，所述过程涉及以下公式1至公式5；
经过状态转移方程映射后粒子的下一步预测值χk|k-1＝χk-1，加权后得到状态的一步预测及一步预测协方差 和Pk|k-1，上述过程涉及如下公式6至公式11；
χk|k-1＝χk-1 公式6
根据第一个传感器节点量测 运用无迹卡尔曼滤波进行滤波估计，得到状态基于观测信息 的估计值 和相应的估计误差协方差阵 下式中，i为第i个传感器节点，上述过程涉及如下公式12至公式15；
以第一个传感器节点的估计结果作为一步预测，用量测 对 和 进行更新，得到状态xk基于观测信息 的估计值 和相应的估计误差协方差阵
直至用最后一个传感器节点量测值 对状态进行更新，得到相应的状态估计值 和协方差矩阵
依次执行以上步骤，最终可得k时刻状态xk基于所有传感器节点量测的估计值和相应的误差协方差阵： 由于不同时刻污染源位置变化不大，因此利用一次采样运用序贯式UKF方法对污染源位置进行滤波估计。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
一种污染源定位方法专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0