一种基于无人船和集成学习的智能广域水质监测分析系统、方法及水质分析方法技术方案

本发明专利技术公开了一种基于无人船和集成学习的智能广域水质监测分析系统、方法及水质分析方法。以单片机为主控制单元对无人船进行设计，无人船上搭载导航、通信模块及水质监测系统。上位机界面加载百度地图，点击鼠标可对地图对应水域设置若干监测点，通过上位机中的路径规划和自动航行槽函数，无人船按照规划路线到达指定的监测点作业，测得的水质等数据经由GPRS模块与上位机进行交互，上位机通过SQL等技术建立与数据库之间的联系，进而保存用户信息及下位机数据。基于集成学习的水质分析算法建立起水质分析模型。本发明专利技术具有低成本、水质监测范围广且实时性高、水质分析优越、低功耗等优点，可以广泛应用于农业水产养殖以及城市污水监测等场景。污水监测等场景。污水监测等场景。

【技术实现步骤摘要】
一种基于无人船和集成学习的智能广域水质监测分析系统、方法及水质分析方法


[0001]本专利技术涉及利用无人船进行水质监测的
，具体涉及一种基于低成本无人船和集成学习的智能广域水质监测分析系统、方法及水质分析方法。

技术介绍

[0002]随着经济增长，社会与个人对水资源利用的更多，对水质安全需求也精益求精。我国是水资源大国，但过去的几十年里还是发生了不少水质安全事件，因此水质监测不仅涉及居民日常用水，也是水产养殖等行业不可或缺的任务。水的溶氧值、浊度、PH值等是影响水质的重要因素，故常对它们进行数据测量并分析。
[0003]之前惯用的水质监测分析的方法主要有两种。一种是人工方法，工作人员在水域提取水源进行现场或带回实验室分析记录，此方法人工成本偏高，测量范围受限且时效性偏低；另一种是进行浮点式监测，在水域中广布浮标，这种方式一定程度上解决了前者测量范围受限和时效性偏低的问题，但是浮标多后期维护成本也高，且浮标固定意味着监测点固定，无法灵活改变测量范围。近些年，利用无人船进行水质监测的研究逐渐兴起，用无人船装载水质模块等，通过手机等手持设备或者PC机遥控无人船，理论上可行至任意水域点进行水质实时监测。
[0004]利用无人船进行水质监测既灵活且监测的范围也广。但现有的水质监测无人船大都造价偏高，且依靠人工操作的方式进行目标点监测，无法自主寻迹。另外水质测量方面，虽然实时性高，但数据还是单一，不仅是水质类别方面，同时对不同深度的水质参数也缺乏测量。因此在本专利技术的上位机程序中嵌有地图，无人船可按地图中预设点进行遍历，完成监测任务。同时本专利技术针对无人船成本高和水质监测数据单一的问题，设计了水质监测系统和分析算法，水质监测系统主要是由几个轻量级造价低的模块以及一个提升装置组成，而水质分析算法是基于集成学习的。
[0005]综上所述，本专利技术针对无人船的水质监测分析，提出一种基于低成本无人船和集成学习的智能广域水质监测分析系统及方法。

技术实现思路

[0006]为了解决当前无人船成本偏高、水质测量不灵活以及水质参数单一且精度有限的问题，本专利技术提出一种基于低成本无人船和集成学习的智能广域水质监测分析系统及方法。通过水质监测系统中的提升装置，可以测得不同深度的水质参数，再将水质传感器采集的水质数据上传到数据库中，然后使用基于集成学习的水质算法训练水质模型并进行分析。
[0007]本专利技术通过以下技术方案予以实现：
[0008]一种基于低成本无人船和集成学习的智能广域水质监测分析系统包括低成本无人船系统、水质监测系统、水质分析算法三部分；
[0009]第一部分，所述低成本无人船系统由双体船，MCU，动力系统，导航模块，通信模块，电源模块组成。
[0010]所述双体船的浮体为可充气气囊；
[0011]所述MCU为STM32单片机开发板；
[0012]所述动力系统包括船体两侧的直流电机和无刷电调；
[0013]所述直流电机驱动螺旋桨用于无人船的航行；
[0014]所述无刷电调通过PWM方式对电机调速；
[0015]所述导航模块包括北斗定位模块及航向角模块；
[0016]所述北斗定位模块用于记录无人船的经纬度数据；
[0017]所述航向角模块用于记录无人船航向角数据；
[0018]所述通信模块主要为GPRS模块，主要用于下位机程序及上位机后台服务器程序间通信；
[0019]所述上位机程序基于Qt软件平台，使用C++语言开发，通过TCP/IP协议接收下位机发送的数据并进行解算，实时地显示在对应的行文本框中，经由上位机保存在数据库中。上位机界面中嵌入由JavaScript等语言二次开发的百度地图文件，在地图中设置多个监测任务点，通过多监测点路径规划算法和自动航行槽函数，控制无人船按照规划出的最优路径执行监测任务，到监测点时驱动步进电机下放水质传感器到不同深度并停留一定的时间，从而得到相对立体的三维水质数据，再经由水质分析算法得到最终的水质模型。
[0020]所述电源模块为三节可充电锂电池，为其他部件供电。
[0021]第二部分，所述水质监测系统也放置在无人船装置盒中，包括水质测量模块和一个提升装置。
[0022]所述水质测量模块包括溶解氧，温度，PH传感器；
[0023]所述提升装置为步进电机，用于下放水质测量模块到不同的深度。
[0024]第三部分，所述水质分析算法是基于集成学习的随机森林算法。
[0025]基于上述系统，本专利技术提出了一种基于集成学习算法的智能广域水质监测分析方法包括如下步骤：
[0026]步骤1：无人船与上位机建立通信，上位机收到航向角及经纬度数据，解析经纬度数据，将其转换为百度地图格式，统一经纬度坐标。
[0027]步骤2：设置无人船为自动导航模式，在上位机地图中手动设置各个水质监测点并将无人船目前所处的位置作为起点，点击路径规划按钮，调用路径规划算法，再点击自动航行按钮开启自动航行。
[0028]步骤3：上位机取出当前位置的经纬度值和下一目标点的经纬度值，计算两个点之间的距离和方位角。
[0029]步骤4：将方位角与步骤1中上位机收到的航向角对比得出无人船的转向角，经过逻辑判断后发给单片机相应的指令以控制无人船转向。
[0030]步骤5：判断无人船是否到达目标点，如果没有，重复执行步骤3，如果到达目标点，上位机发送相应控制指令给单片机对目标点的水质进行检测分析，将检测的数据发送给上位机进行显示并保存到数据库。
[0031]步骤6:判断无人船是否遍历所有目标点，若完成遍历，本次任务结束，若尚未遍历
所有目标点，重复执行步骤3到步骤5，直到完成遍历监测任务。
[0032]步骤7：调用数据库数据，用集成学习算法进行水质模型训练，并进行水质分析。
[0033]进一步，所述步骤5具体执行以下步骤：
[0034]步骤5.1：无人船到达目标点后，控制步进电机下沉水质传感器模块，步进电机的步距角计算方法如下：
[0035]θ＝2π/m*z*c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0036]式中，m－定子相数，z－转子齿数,c－通电方式：c＝1单相轮流通电、双相轮流通电方式c＝2单、双相轮流通电方式。
[0037]步骤5.2：结合如下公式，控制每次步进电机下沉0.5米。
[0038]L＝θnr
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0039]式中，r为步进电机半径，n为脉冲信号的次数，θ为步进电机步距角。
[0040]步骤5.3：延时等待30s测量水质数据，
[0041]步骤5.4：重复5.2、5.3步骤分别对水深0.5,1.0,1.5米处进行水质测量。
[0042]其中，对水质检测分析的方法在具体实施方式部分作详细介绍。
[0043]本专利技术的有益效果为：
[0044](1)克服传统水质监测方式成本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水质分析方法，其特征在于，采用随机森林算法实现，包括如下步骤：步骤1：提取三个特征，即PH、温度和溶解氧值，获得原始数据集；然后，将这些值与从历史数据集中获得的水质评价结果相结合，历史数据由人工采集的不同深度的水质参数和平均法得到的水质评价值组成；步骤2：通过对三个特征参数的异常值和水质评价值进行检索处理，对步骤1得到的数据进行清洗；具体方式为对水质参数及水质评价值分别进行遍历，通过预先设置的范围，对有错误的值进行删除，例如温度或水质评价值等数据明显超过正常范围的；步骤3：通过自举采样有放回的抽取(bootstrap)，为每个决策树生成子训练集和测试样本，叶子节点分裂时，从M个特征中随机选取m个特征，满足m＜M，采用基尼算法从m个特征中选取基尼指数最小的特征作为切分点进行裂，不进行剪枝操作使其最大限度的生长，形成单棵决策树，计算过程如下：式中，p
i
为类别C
i
在样本集N中出现的概率；步骤4：步骤2和3重复T次，构造T个决策树，生成随机森林；步骤5：汇总各决策树对测试样本的分类结果，得票最多的类为最终结果：式中，h
k
(x)为单棵决策树分类结果；argmax为求函数最大值自变量点集；T为决策树的数目；Y为目标分类；I()为示性函数。采用泛化误差衡量模型迁移能力，使用训练数据训练出来的模型oob(out of bag)数据或者测试数据上的表现可以用泛化误差来体现，泛化误差低，模型迁移能力好，反之则不好，定义余量函数，泛化误差如下：m
g
(X，Y)＝av
k
I(h
k
(x)＝Y)
‑
max
j≠k
av
k
I(h
k
(x)＝j)
ꢀꢀꢀꢀ
(3)式中，j为误分向量；P
X，Y
为X，Y空间下的泛化误差；av
k
()为取平均，根据余量函数和泛化误差定义、强大数定律及决策树的结构可推导随机森林泛化误差总收敛于：同理，P
β
为β空间下的泛化误差，式5也表明了随机森林并不会因为决策树数量的增加而产生过拟合的不良效果，再定义随机森林的余量函数为：产生过拟合的不良效果，再定义随机森林的余量函数为：余量函数反映了模型正确分类的得票数超过误分类的最大得票数的程度，该值越大，则模型置信度越高，E
β
为β空间下的期望；根据切比雪夫不等式，可得：式中，E
X，Y
m
r
(X，Y)为训练的模型对分类结果的期望，再定义决策树的分类强度以及相关
性，分别用s，表示：s＝E
X，Y
m
r
(X，Y)＞＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中，d(β)、d(β
‘
)均为方差；独立同分布的随机变量遵循E
β
f(β)2＝E
β，β
‘
f(β)f(β
‘
)，再结合s，可得到：综上，可得随机森林的泛化误差收敛，其界限为：决策树分类强度s及决策树之间的相关程度决定随机森林的泛化误差范围，增大s或减小是提高训练模型分类精度的关键。上述oob数据为抽取样本过程中未被抽中的样本，即为带外数据，大约为37％，是由随机森林自身特性所决定的：该部分oob数据未参与模型的训练，可用于验证随机森林的泛化能力，具体：统计每棵决策树对袋外数据的误分率，取其平均值作为模型泛化误差的估计，称为包外估计，包外估计为随机森林泛化误差的一个无偏估计，结果近似于大量交叉验证的结果。2.一种基于无人船和集成学习的智能广域水质监测分析系统，其特征在于，包括低成本无人船系统、水质监测系统、水质分析算法三部分；第一部分，所述低成本无人船系统包括双体船，MCU，动力系统，导航模块，通信模块，电源模块；所述双体船的浮体为可充气气囊；所述MCU作为下位机，通过通信模块与上位机通讯；所述动力系统包括船体两侧的直流电机和无刷电调；所述直流电机驱动螺旋桨用于双体无人船的航行；所述无刷电调通过PWM方式对电机调速；所述导航模块包括北斗定位模块及航向角模块；所述北斗定位模块用于记录无人船的经纬...

【专利技术属性】
技术研发人员：刘星桥，周康，赵德安，刘一颖，
申请(专利权)人：江苏大学，
类型：发明
国别省市：