[发明专利]基于TD-LTE专网的水环境监测系统及方法

权利要求书

1.基于TD-LTE专网的水环境监测系统，其特征在于，所述系统包括：TD-LTE基站、至少一个水环境监测终端、移动监测船、移动监测车、第一TD-LTE终端、水文、水质监测站、卫星终端、环境监测卫星、第二TD-LTE终端、水环境监控中心；

所述TD-LTE基站分别与至少一个水环境监测终端、移动监测船、移动监测车、第一TD-LTE终端无线连接；所述TD-LTE基站通过第一TD-LTE终端连接到水文、水质监测站；所述TD-LTE基站通过卫星终端连接到环境监测卫星；所述TD-LTE基站通过第二TD-LTE终端连接到水环境监控中心；

所述至少一个水环境监测终端的水环境参数检测模块通过信号调理模块连接控制模块，控制模块连接TD-LTE通信模块，TD-LTE通信模块通过TD-LTE基站连接所述水环境监控中心的所述第二TD-LTE终端；

所述水环境监控中心基于区间证据理论的数据融合方法对多个水环境监测终端所采集到的数据进行多源数据融合，对当前水环境现状进行评价；基于深度信念网络对被监测水域的水环境参数进行预测，基于支持向量机对被监测水域的水环境进行预警；

采用基于区间证据理论的多源数据融合方法对被监测水域水质情况进行评价，其步骤如下：

(1-1)令θ＝{g₁，g₂，g₃，…，g_i，…，g_t}表示水质判断识别框架，其中，g_i表示被监测水域当前的水质等级，t为水质等级的个数，用区间数表示每个等级水质参数特征值的范围，令[F]_θ表示所有水质等级的特征值：

其中，表示水质等级为i的m个水质参数的特征值，m为水质参数的个数，每个特征值均为区间数；

(1-2)设在基于TD-LTE的水环境监测专网中，水环境监测终端的总数为N；令[S]_k＝{[s]_k1，[s]_k2，…，[s]_kj，…，[s]_km}表示第k个水环境监测终端测量的水质数据，其中，k＝1，2，…，N，[s]_ki表示第k个水环境监测终端测量的第j个水质参数数据；设第k个水环境监测终端测量的第j个水质参数的数值为s_kj，误差为p_kj，则[s]_kj＝[s_kj-p_kj，s_kj+p_kj]；

用mass函数表示被监测水域水质判断为不同等级的区间信度；{[m]_k(g₁)，[m]_k(g₂)，…，[m]_k(g_i)，…，[m]_k(g_t)}表示用第k个水环境监测终端测量的水质数据计算得到的mass分配，其中，[m]_k(g_i)表示对被测量水域水质等级判断为g_i的区间信度，其值根据[S]_k与g_i等级水质参数特征值的距离计算得到；

(1-3)由于传感器测量的数据具有不确定性，为了能更准确地判断被监测水域水质等级，在区间证据组合之前，用可靠性系数C对mass函数进行修正；通过区间证据组合规则综合修正后的mass分配，得到综合区间证据，最后按照决策准则判断水质等级；

基于深度信念网络对被监测水域的水环境参数进行预测，采用均方根误差RMSE、相关系数、和训练时间作为评价预测模型性能的指标；预测步骤如下：

(2-1)将水环境数据按照获取时间进行分类集中，对缺失的水环境监测数据，使用拉格朗日插值多项式对其进行修复处理；

(2-2)从历史数据库中选取大量水环境数据，将其分为训练集与测试集，采用d＝4，τ为1周的回归延迟，即用前4周数据预测下一周数据；

(2-3)对不同水环境参数的深度信念网络模型设置参数，构建深度信念网络；采用n层受限制波尔斯曼机组成一个深度信念网络，n≤3，网络结构包括输入层、隐含层和输出层；其中输入层i个节点，分别代表某时间段之前某个水环境参数的测量值，隐含层包括k个节点，输出节点j个，用于输出该水环境参数在下一时间段的预测值；

(2-4)训练深度信念网络；应用深度信念网络进行无监督预训练，再通过BP算法对整个神经网络做反向传播运算，调整每层的权证矩阵，对判别性能做调整；

(2-5)利用训练后的深度信念网络进行水环境参数预测与分析；

(2-6)对每个水环境监测终端，针对每个水环境参数重复上述步骤(2-1)～(2-5)，得到各个水环境监测终端每个水环境参数在下一天的所有预测值；

基于支持向量机对被监测水域的水环境进行预警，水环境预警模型构建步骤如下：

(3-1)结合被监测水域水环境的实际情况以及专家经验，构建该水域水环境预警指标体系；从水环境数据库中提取描述预警特征的参数，构建预警指标体系，再随机抽取部分样本作为水环境数据训练集；

(3-2)在保障原始分类能力的前提下，运用适宜的离散化方法对连续的水环境特征数据进行离散化，建立相应的决策表；

(3-3)在保持知识系统分类能力不变条件下，通过粗糙集属性约简算法，对水环境数据集进行约简，删除其中冗余不相关或不重要的属性，挖掘出对水环境状况较敏感的预警指标，获得最小条件属性集；

(3-4)归一化处理最小条件属性集样本，得到支持向量机分类器的训练样本集；

(3-5)对支持向量机分类器及核函数参数进行初始化，将训练样本集输入到分类器中并运用二次规划法进行优化训练，当达到总循环次数，或连续几次支持向量数不变，则分类器训练结束；

(3-6)按照步骤(3-2)～(3-4)的数据处理方法对水环境测试样本进行属性简约和归一化预处理，然后输入到优化后的预警模型中进行预警识别，获得水环境预警结果。