【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及基于多维传感器的河流状态评估方法及系统。
技术介绍
1、基于多维传感器的河流监测系统，能够同时获取多种类型的数据，包括水质、水量、水流速度、温度、ph值等多维度信息，从而更全面、准确地反映河流的实时状态和变化趋势。然而现有技术对河流状态检测评估的常规方法是使用阈值判断的方式检测每个水质指标是否存在异常，例如当水质指标超过阈值时，判断存在异常。然而不同指标之间可能会存在相互影响，因此当一个水质指标异常时，其他水质指标也可能存在异常或有异常发生的可能性。比如，ph值异常可能伴随着含氧量和浊度的异常，但是含氧量和浊度的异常并不能直接通过设置固定阈值的方式检测出来，这可能是因为固定阈值不准确，或者含氧量和浊度的异常程度不明显只是存在异常发生的可能性和存在变为异常的趋势，从而导致水质检测结果不准确和不全面。
2、然而，当水质指标中存在噪声干扰时，将很难准确区分各项水质指标之间是否真正存在相互影响。例如，在利用聚类算法来确定存在相互影响的水质指标时，噪声的存在会导致该算法无法给出准确的聚类结果，进而无法获得真实存在相互影响的水质指标。因此，噪声干扰的存在导致难以准确获取水质指标间的相互影响，进而影响了水质检测结果的准确性。
技术实现思路
1、本专利技术提供基于多维传感器的河流状态评估方法及系统，以解决由于噪声的干扰使得难以准确获取水质指标之间的相互影响，进而导致存在无法根据水质指标之间的相互影响准确全面评估水质的问题。
2、本专利技术的基
3、一方面，本专利技术一个实施例提供了基于多维传感器的河流状态评估方法，该方法包括以下步骤：
4、通过多维传感器采集河流若干水质指标的多维时序数据，并从时序数据中筛选出目标时序数据；
5、将时序数据分解为趋势项、周期项及残差项；
6、根据趋势项和残差项确定时序数据的稳定性；
7、利用残差项的中位数将残差项分割为两个类簇，根据两个类簇的数据分布差异以及周期项中周期数据的分布获得时序数据的混乱程度；
8、根据每个时序数据与目标时序数据的协方差、时序数据的稳定性及时序数据的混乱程度获取每个时序数据与目标时序数据的关联程度；
9、根据每个时序数据与目标时序数据的关联程度筛选出目标时序数据的正常时序数据，根据目标时序数据与所述正常时序数据的关联程度获取各正常时序数据在聚类算法中的权重；
10、根据正常时序数据在聚类算法中的权重对河流的状态进行评估。
11、优选的，所述将时序数据分解为趋势项、周期项及残差项，包括的具体步骤如下：
12、利用stl算法将时序数据分解为趋势项、周期项及残差项。
13、优选的，所述根据趋势项和残差项确定时序数据的稳定性，包括以下步骤：
14、根据趋势项的均方误差和残差项的整体均值获取时序数据的稳定性。
15、优选的，所述根据趋势项的均方误差和残差项的整体均值获取时序数据的稳定性，包括的具体计算公式如下：
16、
17、式中：表示第i项时序数据的稳定性；表示第i项时序数据中的采样时间点数量；表示第i项时序数据的趋势项在第j个采样时间点的值；表示第i项时序数据的趋势项的整体均值；表示第i项时序数据的残差项在采样点的残差值；表示以自然常数为底的指数函数；表示趋势项的均方误差；表示残差项的整体均值。
18、优选的，所述利用残差项的中位数将残差项分割为两个类簇，根据两个类簇的数据分布差异以及周期项中周期数据的分布获得时序数据的混乱程度，包括的具体步骤如下：
19、将第i个时序数据的残差项中的所有数据通过中位数分割为两个类簇和，其中𝐿2为均值最大的类簇；
20、计算两个类簇和的平均值和；
21、计算两个类簇和对应的均方根和；
22、根据两个类簇的平均值和、均方根和以及周期项中周期数据的分布获取时序数据的混乱程度。
23、优选的，所述根据两个类簇的平均值和、均方根和以及周期项中周期数据的分布获取时序数据的混乱程度，包括的具体计算步骤如下：
24、
25、式中：表示第i项时序数据的混乱程度；表示第i项时序数据的周期项中每个周期数据的数据均方根；表示第i项时序数据的周期项中单个数据周期的整体均值；为函数。
26、优选的，所述根据每个时序数据与目标时序数据的协方差、时序数据的稳定性及时序数据的混乱程度获取每个时序数据与目标时序数据的关联程度，包括的具体计算公式如下：
27、
28、式中：表示第i项时序数据与目标时序数据的关联程度；为与的协方差；表示第i项时序数据；表示目标时序数据；表示第i项时序数据的稳定性；表示第i项时序数据的混乱程度；表示目标时序数据的混乱程度；表示函数。
29、优选的，所述根据每个时序数据与目标时序数据的关联程度筛选出目标时序数据的正常时序数据，根据目标时序数据与所述正常时序数据的关联程度获取各正常时序数据在聚类算法中的权重，包括的具体计算步骤如下：
30、将与目标时序数据关联程度小于预设阈值的时序数据判定为噪声数据；
31、筛选除噪声数据外的时序数据，记为目标时序数据的正常时序数据；
32、根据目标时序数据的正常时序数据与目标时序数据的关联程度计算目标时序数据对应的第j项正常时序数据在聚类算法中的权重；
33、
34、式中：表示目标时序数据对应的第j项正常时序数据在聚类算法中的权重；表示第j项正常时序数据与目标时序数据的关联程度；u表示正常时序数据的数量。
35、优选的，所述根据正常时序数据在聚类算法中的权重对河流的状态进行评估，包括的具体步骤如下：
36、通过手肘法确定聚类k值，根据聚类k值以及正常时序数据在聚类算法中的权重对正常时序数据进行wkmeans聚类得到k个聚类簇，正常时序数据数量最多的聚类簇被定义为健康状态类簇，其他类簇为异常状态类簇，异常状态类簇中所包含的正常时序数据对应的水质指标以及目标时序数据对应的水质指标作为河流状态的评估结果。
37、另一方面，本专利技术实施例提供基于多维传感器的河流状态评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述基于多维传感器的河流状态评估方法的步骤。
38、本专利技术的技术方案的有益效果是：通过多维数据自身的稳定性和混乱程度对多维数据的可参考性进行判断，同时结合多维数据和目标维度的关联性计算聚类算法的权重，从而避免了噪声数据和目标数据因相同周期波动对聚类产生影响，据此对聚类算法中各维度数据的权重进行自适应调整，降低了传统聚类算法权重值对经验的依赖性，从而提高了聚类算法的效率和适应性，避免了因噪声干扰而难以准确获取水质指标之间本文档来自技高网...
【技术保护点】
1.基于多维传感器的河流状态评估方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述将时序数据分解为趋势项、周期项及残差项，包括的具体步骤如下：
3.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述根据趋势项和残差项确定时序数据的稳定性，包括以下步骤：
4.根据权利要求3所述基于多维传感器的河流状态评估方法，其特征在于，所述根据趋势项的均方误差和残差项的整体均值获取时序数据的稳定性，包括的具体计算公式如下：
5.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述利用残差项的中位数将残差项分割为两个类簇，根据两个类簇的数据分布差异以及周期项中周期数据的分布获得时序数据的混乱程度，包括的具体步骤如下：
6.根据权利要求5所述基于多维传感器的河流状态评估方法，其特征在于，所述根据两个类簇的平均值和、均方根和以及周期项中周期数据的分布获取时序数据的混乱程度，包括的具体计算步骤如下：
7.根据权利要求1所述基于多维传感器的
8.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述根据每个时序数据与目标时序数据的关联程度筛选出目标时序数据的正常时序数据，根据目标时序数据与所述正常时序数据的关联程度获取各正常时序数据在聚类算法中的权重，包括的具体计算步骤如下：
9.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述根据正常时序数据在聚类算法中的权重对河流的状态进行评估，包括的具体步骤如下：
10.基于多维传感器的河流状态评估系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9 任意一项所述基于多维传感器的河流状态评估方法的步骤。
...【技术特征摘要】
1.基于多维传感器的河流状态评估方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述将时序数据分解为趋势项、周期项及残差项，包括的具体步骤如下：
3.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述根据趋势项和残差项确定时序数据的稳定性，包括以下步骤：
4.根据权利要求3所述基于多维传感器的河流状态评估方法，其特征在于，所述根据趋势项的均方误差和残差项的整体均值获取时序数据的稳定性，包括的具体计算公式如下：
5.根据权利要求1所述基于多维传感器的河流状态评估方法，其特征在于，所述利用残差项的中位数将残差项分割为两个类簇，根据两个类簇的数据分布差异以及周期项中周期数据的分布获得时序数据的混乱程度，包括的具体步骤如下：
6.根据权利要求5所述基于多维传感器的河流状态评估方法，其特征在于，所述根据两个类簇的平均值和、均方根和以及周期项中周期数据的分布获取时序数据的混乱程度，包括...
【专利技术属性】
技术研发人员：翟润柏，
申请(专利权)人：东莞市杰瑞智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。