基于无线传感器网络的水质数据流异常检测与预测方法
发布时间：2022-01-28 00:40
在集约化水产养殖中,水体质量对养殖的产量和质量起着决定性的作用。因此,养殖水体的准确监测具有十分重要的意义。水产养殖自动化、智能化的不断发展,对养殖过程中的水质监测提出了更高的要求。本文以传感网络水质监测平台为基础,以水产养殖水质监测数据流关键因子为研究对象,采用机器学习、信息论和统计学方法,研究监测过程中的异常检测、数据融合和预测预警模型,实现水质数据流的在线监测。主要贡献如下:（1）关于水质数据流异常检测方法研究。针对水质监测中传感器故障和偶发的事件等引起的数据流异常问题,在观察和分析水质数据特征信息的基础上,提出一种基于概率密度补偿的改进支持向量数据描述异常检测算法（ID-SVDD）。首先将相对密度的思想引入到传统SVDD算法中,补偿SVDD算法在数据分布特征信息分析上的缺失。其次,使用改进的Parzen-windows函数获取概率密度,构建ID-SVDD异常检测算法。最后利用实际水质监测数据集验证ID-SVDD算法的性能。实验结果表明,ID-SVDD异常检测算法具有较高的检测精度。（2）关于溶解氧数据流的支持度函数加权融合算法研究。针对单一溶解传感器监测不准确的问题,以溶解氧指...
【文章来源】：江南大学江苏省211工程院校教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
水产养殖水质监测平台系统架构图
SensorScope数据集传感节点部署图
第三章基于改进SVDD的水质数据异常检测算法33Sigmoid核函数68.1895055.5096从表3-3可以明显发现，基于高斯核函数的ID-SVDD检测结果有很显著的优势，其中TPR,TNR和Accuracy值要优于其他三个核函数的检测结果。基于上述实验结果，本节采用高斯核函数作为ID-SVDD水质异常检测的核函数。下图3-4阐述了SensorScope数据集的分布情况。(a)(b)图3-4SensorScope12号节点数据分布(a)SensorScope17号节点数据分布(b)Fig3-4ScatterplotofSensorScopenode12(a)ScatterplotofSensorScopenode17(b)从图3-4可以发现，支持向量构建了划分正常数据与离群数据点之间的边界。图中蓝色点位于超球体外，代表训练样本中的离群数据；而位于超球体内部的红色点代表了训练样本中的正常数据。3.4.4异常检测性能对比（1）不同数据集检测结果对比为了深入地分析ID-SVDD算法的性能，本章将传统SVDD、D-SVDD以及DW-SVDD作为对比方法。基于SensorScope数据集（节点12和17）完成这些检测方法的仿真实验，实验结果见表3-4。表3-4不同数据集的异常检测结果Tab3-4OutlierdetectionresultsofdifferentdatasetID-SVDDD-SVDDDW-SVDDSVDD节点12TPR(%)99.424598.417370.503698.0496TNR(%)87.510082.5100Accuracy(%)98.775598.503471.156598.1788Time(s)0.4890.53290.42110.5463节点17TPR(%)10098.833890.355399.3232TNR(%)97.03710063.703798.5185Accuracy(%)99.44998.898185.399499.1736
【参考文献】：
期刊论文
[1]工矿业城市区域水质参数高光谱定量反演[J]. 彭令,梅军军,王娜,徐素宁,刘文波,邢顾莲,陈启浩. 光谱学与光谱分析. 2019(09)
[2]基于监督学习的紫外-可见光光谱水质在线异常检测方法研究[J]. 尹航,俞巧君,侯迪波,黄平捷,张光新,张宏建. 光谱学与光谱分析. 2019(02)
[3]基于贝叶斯优化的三维水动力-水质模型参数估值方法[J]. 任婷玉,梁中耀,刘永,邹锐. 环境科学学报. 2019(06)
[4]面向大面积渔业环境监测的长距离低功耗LoRa传感器网络[J]. 张铮,曹守启,朱建平,陈佳品. 农业工程学报. 2019(01)
[5]基于低功耗广域网的海岛水产养殖环境监测系统研制[J]. 金光,高子航,江先亮,朱家骅. 农业工程学报. 2018(24)
[6]基于AES加密算法和轻量级ROV的水质监测系统[J]. 曹春杰,程大果,王隆娟,高昌正. 通信学报. 2018(S2)
[7]基于密度敏感最大软间隔SVDD不均衡数据分类算法[J]. 陶新民,李晨曦,沈微,常瑞,王若彤,刘艳超. 电子学报. 2018(11)
[8]基于GA-SELM算法的工厂化水产养殖水温预测方法研究[J]. 施珮,袁永明,匡亮,张红燕,李光辉. 传感技术学报. 2018(10)
[9]基于EMD-IGA-SELM的池塘养殖水温预测方法[J]. 施珮,袁永明,匡亮,李光辉,张红燕. 农业机械学报. 2018(11)
[10]基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J]. 吴云,雷建文,鲍丽山,李春哲. 电力系统自动化. 2018(20)
博士论文
[1]农业数据处理中的异常检测方法研究[D]. 尹宝全.中国农业大学 2016
本文编号：3613368
【文章来源】：江南大学江苏省211工程院校教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
水产养殖水质监测平台系统架构图
SensorScope数据集传感节点部署图
第三章基于改进SVDD的水质数据异常检测算法33Sigmoid核函数68.1895055.5096从表3-3可以明显发现，基于高斯核函数的ID-SVDD检测结果有很显著的优势，其中TPR,TNR和Accuracy值要优于其他三个核函数的检测结果。基于上述实验结果，本节采用高斯核函数作为ID-SVDD水质异常检测的核函数。下图3-4阐述了SensorScope数据集的分布情况。(a)(b)图3-4SensorScope12号节点数据分布(a)SensorScope17号节点数据分布(b)Fig3-4ScatterplotofSensorScopenode12(a)ScatterplotofSensorScopenode17(b)从图3-4可以发现，支持向量构建了划分正常数据与离群数据点之间的边界。图中蓝色点位于超球体外，代表训练样本中的离群数据；而位于超球体内部的红色点代表了训练样本中的正常数据。3.4.4异常检测性能对比（1）不同数据集检测结果对比为了深入地分析ID-SVDD算法的性能，本章将传统SVDD、D-SVDD以及DW-SVDD作为对比方法。基于SensorScope数据集（节点12和17）完成这些检测方法的仿真实验，实验结果见表3-4。表3-4不同数据集的异常检测结果Tab3-4OutlierdetectionresultsofdifferentdatasetID-SVDDD-SVDDDW-SVDDSVDD节点12TPR(%)99.424598.417370.503698.0496TNR(%)87.510082.5100Accuracy(%)98.775598.503471.156598.1788Time(s)0.4890.53290.42110.5463节点17TPR(%)10098.833890.355399.3232TNR(%)97.03710063.703798.5185Accuracy(%)99.44998.898185.399499.1736
【参考文献】：
期刊论文
[1]工矿业城市区域水质参数高光谱定量反演[J]. 彭令,梅军军,王娜,徐素宁,刘文波,邢顾莲,陈启浩. 光谱学与光谱分析. 2019(09)
[2]基于监督学习的紫外-可见光光谱水质在线异常检测方法研究[J]. 尹航,俞巧君,侯迪波,黄平捷,张光新,张宏建. 光谱学与光谱分析. 2019(02)
[3]基于贝叶斯优化的三维水动力-水质模型参数估值方法[J]. 任婷玉,梁中耀,刘永,邹锐. 环境科学学报. 2019(06)
[4]面向大面积渔业环境监测的长距离低功耗LoRa传感器网络[J]. 张铮,曹守启,朱建平,陈佳品. 农业工程学报. 2019(01)
[5]基于低功耗广域网的海岛水产养殖环境监测系统研制[J]. 金光,高子航,江先亮,朱家骅. 农业工程学报. 2018(24)
[6]基于AES加密算法和轻量级ROV的水质监测系统[J]. 曹春杰,程大果,王隆娟,高昌正. 通信学报. 2018(S2)
[7]基于密度敏感最大软间隔SVDD不均衡数据分类算法[J]. 陶新民,李晨曦,沈微,常瑞,王若彤,刘艳超. 电子学报. 2018(11)
[8]基于GA-SELM算法的工厂化水产养殖水温预测方法研究[J]. 施珮,袁永明,匡亮,张红燕,李光辉. 传感技术学报. 2018(10)
[9]基于EMD-IGA-SELM的池塘养殖水温预测方法[J]. 施珮,袁永明,匡亮,李光辉,张红燕. 农业机械学报. 2018(11)
[10]基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测[J]. 吴云,雷建文,鲍丽山,李春哲. 电力系统自动化. 2018(20)
博士论文
[1]农业数据处理中的异常检测方法研究[D]. 尹宝全.中国农业大学 2016
本文编号：3613368
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3613368.html
