[发明专利]一种污染源定位方法

说明书

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t_n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t_n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。

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中的通用模型，计算t₁至t_n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t_n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；