[發明專利]基于TE-ANN-AWF移動污染源遙測誤差補償方法

有效

• 申請號: 201810205703.6
• 申請日: 2018-03-13
• 公開（公告）號: CN108593557B
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 蔣鵬;華通;席旭剛;佘青山;甘海濤
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G01N21/17
• 分類號: G01N21/17;G06F17/18;G06N3/08
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.基于TE-ANN-AWF移動污染源遙測誤差補償方法，該方法具體包括以下步驟：

步驟一：通過環境模擬實驗獲取不同干擾作用下的測量樣本；基于實驗測量樣本，通過TE傳遞熵進行干擾相關性分析，從而確定測量誤差來源以及衡量多干擾之間的不平衡程度；并利用TE傳遞熵的方向性引出非顯著因果關系的量化標準和判定方法；在后續步驟中忽略與測量結果間為非顯著因果關系的干擾因素；

步驟二：采用環境模擬煙霧箱實驗平臺獲取單干擾通道的訓練樣本集合，通過神經網絡ANN方法建立各個干擾的測量誤差預測模型；

步驟三：通過虛擬觀測方法來實現單元觀測序列的多元解構，通過不同干擾下的ANN誤差預測模型對解構后的多元虛擬觀測序列進行誤差補償，再采用多元自適應加權融合方法對補償后的多元虛擬觀測序列進行融合重構；

針對融合算法中的權值收斂，模型中引入了指數遺忘的方法將TE的權值預估能力和多元自適應加權融合方法的權值自適應調整相結合，改善了誤差補償過程的動態性能。

2.根據權利要求1所述的基于TE-ANN-AWF移動污染源遙測誤差補償方法，其特征在于：所述步驟一中，針對外部環境干擾可探測的特點，引入TE傳遞熵來對遙感測量干擾進行相關性因果分析，利用傳遞熵的方向性引出非顯著因果關系的量化標準和判定方法；

假設干擾間一定程度上相互獨立，通過模擬實驗平臺獲得控制單干擾的變化下的測量序列，以此計算溫度干擾到測量值的傳遞熵TE_T-CO，濕度干擾到測量值的傳遞熵TE_H-CO，氣壓干擾到測量值的傳遞熵TE_P-CO，風速干擾因素到測量值的傳遞熵TE_W-CO，其中取最大的反向傳遞熵TE₀作為非因果關系的衡量標準；

TE₀＝max{TE_CO-T、TE_CO-H、TE_CO-P、TE_CO-W} (1)。

3.根據權利要求1所述的基于TE-ANN-AWF移動污染源遙測誤差補償方法，其特征在于：所述步驟三中，采用多元自適應加權融合方法對補償后的多元虛擬觀測序列進行融合重構具體為：在最小均方誤差的準則下對各干擾通道的多元觀測值進行自適應融合；通過虛擬觀測方法和指數遺忘機制將TE傳遞熵、ANN人工神經網絡、AWF自適應加權融合三種方法相互緊密結合。

4.根據權利要求1所述的基于TE-ANN-AWF移動污染源遙測誤差補償方法，其特征在于：所述步驟三中，模型中引入了指數遺忘的方法將TE權值預估能力和AWF的權值自適應調整相結合，具體為：

將得到的傳遞熵預估的置信權值K和根據最小均方誤差準則的最優加權因子W^*，選取加權系數{β_n}，將K和W^*進行融合得到如下式所示；

其中，n表示對第n次觀測值進行融合，表示置信權值K的加權系數，K_n表示第n次觀測值進行傳遞熵預估的置信權值，表示最優加權因子W^*的加權系數，W_n^*表示第n次觀測值進行融合后的AWF的權值；

鑒于傳遞熵平穩預估特點和AWF的權值自適應調整及收斂特點，權值的初期動態過程的預估值應側重于K_n，而穩態過程則應側重于W_n^*，并逐漸收斂于W_n^*；為了體現上述的特點，加權系數{β_n}需要滿足如下特點：

β_i＝β_i-1b；0b1；

i表示自然數； (3)

為了滿足上述條件，構造如下函數；

d_n＝(1-b)/(1-a·bⁿ)，n＝1，2，3…(4)

其中，b為遺忘因子，a為衰減因子，0b1a；由公式(3)得到加權系數：

由此得到各個通道的權值，如式所示：