基于TE-ANN-AWF移动污染源遥测误差补偿方法技术

本发明专利技术公开了一种基于TE‑ANN‑AWF移动污染源遥测误差补偿方法，本发明专利技术利用TE传递熵对干扰与测量结果进行因果相关性分析，从而确定测量误差来源以及衡量多干扰间不平衡程度，并利用TE传递熵的方向性引出非显著因果关系的量化标准和判定方法。提出了虚拟观测方法来实现单元观测序列的多元解构，通过ANN误差预测模型实现单干扰通道虚拟观测序列的补偿，再采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构。针对融合算法中的权值收敛问题，模型中引入了指数遗忘的方法将TE良好的权值预估能力和AWF的权值自适应调整的优点相结合，改善了误差补偿过程的动态性能。

【技术实现步骤摘要】
基于TE-ANN-AWF移动污染源遥测误差补偿方法
本专利技术设计一种基于TE-ANN-AWF的移动污染源遥感检测误差补偿方法，属于对移动污染源遥感检测仪器误差补偿的
，以在外部环境干扰下对遥感检测仪器的测量结果进行校正为目标，根据熵估计理论、自适应融合和神经网络的相关理论，进行补偿与估计，进而解决遥感检测法易受到外部环境干扰的问题。
技术介绍
移动污染源是指不以固定式设备排放空气污染物的来源，如在移动过程中排放废气的机动车、移动式工程机械、船舶和飞机等。移动源污染特别是重型柴油货车、营运汽油车、老旧汽车、工程机械车辆已经成为大气污染的主要来源，是造成城市超细颗粒物、光化学烟雾污染的重要原因。2012年世界卫生组织已经将柴油尾气由可疑致癌物提升为明确致癌物。为了对移动污染源进行有效的治理，尤其是高排污机动车辆的识别管控，需要对移动污染源的排放物进行实时有效的检测。目前，移动污染源检测技术种类繁多，如通过植物生长来反映大气的污染程度或利用化学检测来测定污染物的浓度，但这些方法难以对移动污染源进行实时在线检测。遥感检测法是一种检测移动污染源的快速而有效的方法。该方法基于对气体光学吸收光谱的精密分析，根据环境中气体成分在紫外、可见和红外光谱波段的吸收性质来反演其浓度。1988年，首个采用非扩散红外技术(NondispersiveInfrared，NDIR)的遥感监测系统(RemoteSensingDevice，RSD)由美国丹佛大学研制，该系统能够同时检测机动车尾气中CO2、CO、HC的排放浓度。20世纪90年代，丹佛大学研发了采用紫外吸收技术(UltraViolet，UV)测量NO浓度的遥感监测系统，克服了NDIR测量时的水蒸气吸收问题。之后，MD-LaserTech公司研制了基于紫外差分技术(Ultra-VioletDifferentialOpticalAbsorptionSpectrometry，UV-DOAS)的NO和HC遥感系统。由于可调谐二极管激光器(TunableDiodeLasers，TDL)发射波长波段窄，对于不同被测气体成分可以选择不受干扰的波段来测量，满足高时间分辨率、高灵敏度、高选择性等实时监测要求。之后，麻省理工学院研发了基于红外激光差分吸收光谱技术TDLAS(TunableDiodeLaserAbsorptionSpectrometer)的遥测系统，用于机动车等移动污染源超标排放的检测。当前，遥感检测技术已成为实时在线检测气体浓度的主流技术手段。遥感测量法自动化程度高，只要设备架设到道路旁后，就可以测量通过该路段的大量车辆。同时，该方法对交通影响较小。英国利物浦约翰摩尔斯大学、美国TSI公司等采用基于TDLAS、UV-DOAS等技术开发了可以检测包括CO、NOx等污染物的道边式监测系统。但是这种测量方法的使用条件有限，受环境干扰大，如环境温度、湿度、气压、风速等对检测数据有重要影响。且城市的地理环境大都复杂多变，如：城市峡谷效应会引起气流的突然变化。由于外部环境的复杂性，德国弗劳恩霍夫物理测量技术研究所在检测污染物参数的基础上又增加了对风速、风向、温湿度、气压等气象参数的测量，对污染物检测结果进行校正。
技术实现思路
本专利技术针对移动污染源的遥感检测法容易受到外部环境的干扰问题，本文结合了TE传递熵、ANN人工神经网络、AWF自适应加权融合三种方法提出了一种新的误差补偿模型TE-ANN-AWF。其中，模型中利用TE传递熵量化分析干扰与测量的因果相关性，并引出非显著因果关系的判定方法。模型中提出虚拟观测的思想来实现单元观测序列多元解构，再通过多元融合方法对多元虚拟观测序列进行重构。模型中引入指数遗忘的方法将TE良好的权值预估优点和AWF的权值自适应调整的优点相结合，改善了误差补偿过程的动态性能。本专利技术技术解决方案：步骤一：通过环境模拟实验获取不同干扰作用下的测量样本；基于实验测量样本，通过TE传递熵进行干扰相关性分析，从而确定测量误差来源以及衡量多干扰之间的不平衡程度；并利用TE传递熵的方向性引出非显著因果关系的量化标准和判定方法；步骤二：采用环境模拟烟雾箱实验平台获取单干扰通道的训练样本集合，通过神经网络ANN方法建立各个干扰的测量误差预测模型；步骤三：通过虚拟观测方法来实现单元观测序列的多元解构，通过不同干扰下的ANN误差预测模型对解构后的多元虚拟观测序列进行误差补偿，再采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构；针对融合算法中的权值收敛问题，模型中引入了指数遗忘的方法将TE的权值预估能力和多元自适应加权融合方法的权值自适应调整的优点相结合，改善了误差补偿过程的动态性能。所述步骤一中，针对外部环境干扰可探测的特点，引入TE传递熵来对遥感测量干扰进行相关性因果分析，利用传递熵的方向性引出非显著因果关系的量化标准和判定方法；假设干扰间一定程度上相互独立，通过模拟实验平台获得控制单干扰的变化下的测量序列，以此计算温度干扰到测量值的传递熵TET->CO，湿度干扰到测量值的传递熵TEH->CO，气压干扰到测量值的传递熵TEP->CO，风速干扰因素到测量值的传递熵TEW->CO，其中取最大的反向传递熵TE0作为非因果关系的衡量标准；TE0＝max{TECO->T、TECO->H、TECO->P、TECO->W}(1)。所述步骤三中，采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构具体为：，在最小均方误差的准则下对各干扰通道的多元观测值进行自适应融合；通过虚拟观测方法和指数遗忘机制将TE传递熵、ANN人工神经网络、AWF自适应加权融合三种方法相互紧密结合。所述步骤三中，模型中引入了指数遗忘的方法将TE良好的权值预估能力和AWF的权值自适应调整的优点相结合，具体为在TE-ANN模型中，尽管传递熵具有良好的权值预估的能力，但权值无法根据误差进行调整以至于逐渐收敛，从而导致误差的分布也保持波动，无法收敛；而AWF自适应加权融合算法具有无需任何先验知识就可以使得权值在最小均方误差的准则下逐渐收敛的优点；为了将TE的良好权值预估优点和AWF的权值自适应调整的优点相结合，引入遗忘机制；将得到的传递熵预估的置信权值K和根据最小均方误差准则的最优加权因子W*，选取加权系数{βn}，将K和W进行融合得到如下式所示；其中，n表示对第n次观测值进行融合，表示置信权值K的加权系数，Kn表示第n次观测值进行传递熵预估的置信权值，表示最优加权因子W的加权系数，Wn*表示第n次观测值进行融合后的AWF的权值。鉴于传递熵平稳预估特点和AWF的权值自适应调整及收敛特点，权值的初期动态过程的预估值应侧重于Kn，而稳态过程则应侧重于Wn*，并逐渐收敛于Wn*；为了体现上述的特点，加权系数{βn}需要满足如下特点：i表示自然数；为了满足上述条件，构造如下函数；dn＝(1-b)/(1-a·bn)，n＝1，2，3L(4)其中，b为遗忘因子，a为衰减因子，0<b<1<a；由公式(3)得到加权系数：由此得到各个通道的权值，如式所示：本专利技术与本文档来自技高网...

【技术保护点】
1.基于TE‑ANN‑AWF移动污染源遥测误差补偿方法，该方法具体包括以下步骤：步骤一：通过环境模拟实验获取不同干扰作用下的测量样本；基于实验测量样本，通过TE传递熵进行干扰相关性分析，从而确定测量误差来源以及衡量多干扰之间的不平衡程度；并利用TE传递熵的方向性引出非显著因果关系的量化标准和判定方法；步骤二：采用环境模拟烟雾箱实验平台获取单干扰通道的训练样本集合，通过神经网络ANN方法建立各个干扰的测量误差预测模型；步骤三：通过虚拟观测方法来实现单元观测序列的多元解构，通过不同干扰下的ANN误差预测模型对解构后的多元虚拟观测序列进行误差补偿，再采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构；针对融合算法中的权值收敛问题，模型中引入了指数遗忘的方法将TE的权值预估能力和多元自适应加权融合方法的权值自适应调整的优点相结合，改善了误差补偿过程的动态性能。

【技术特征摘要】
1.基于TE-ANN-AWF移动污染源遥测误差补偿方法，该方法具体包括以下步骤：步骤一：通过环境模拟实验获取不同干扰作用下的测量样本；基于实验测量样本，通过TE传递熵进行干扰相关性分析，从而确定测量误差来源以及衡量多干扰之间的不平衡程度；并利用TE传递熵的方向性引出非显著因果关系的量化标准和判定方法；步骤二：采用环境模拟烟雾箱实验平台获取单干扰通道的训练样本集合，通过神经网络ANN方法建立各个干扰的测量误差预测模型；步骤三：通过虚拟观测方法来实现单元观测序列的多元解构，通过不同干扰下的ANN误差预测模型对解构后的多元虚拟观测序列进行误差补偿，再采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构；针对融合算法中的权值收敛问题，模型中引入了指数遗忘的方法将TE的权值预估能力和多元自适应加权融合方法的权值自适应调整的优点相结合，改善了误差补偿过程的动态性能。2.根据权利要求1所述的基于TE-ANN-AWF移动污染源遥测误差补偿方法，其特征在于：所述步骤一中，针对外部环境干扰可探测的特点，引入TE传递熵来对遥感测量干扰进行相关性因果分析，利用传递熵的方向性引出非显著因果关系的量化标准和判定方法；假设干扰间一定程度上相互独立，通过模拟实验平台获得控制单干扰的变化下的测量序列，以此计算温度干扰到测量值的传递熵TET->CO，湿度干扰到测量值的传递熵TEH->CO，气压干扰到测量值的传递熵TEP->CO，风速干扰因素到测量值的传递熵TEW->CO，其中取最大的反向传递熵TE0作为非因果关系的衡量标准；TE0＝max{TECO-&g...

【专利技术属性】
技术研发人员：蒋鹏，华通，席旭刚，佘青山，甘海涛，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33