基于隶属度函数和主成分分析的水质检测方法技术

本发明专利技术公开了一种基于隶属度函数和主成分分析的水质检测方法，包括如下步骤：首先，根据传感器采集的不同水质等级样本建立各个属性的隶属度模型；然后，计算测试样本在对应属性下的对于不同水质等级的隶属度；其次，将所求的隶属度归一化处理作为初始BPA函数；再次，使用主成分分析法获得每个属性的贡献率，以属性贡献率对初始BPA函数进行折扣，折扣的结果作为最终基本概率指派函数；最后，采用Dempster组合规则对最终基本概率指派函数进行逐个融合，输出对检测样本的水质级别决策结果。本发明专利技术方案综合考虑了隶属度和属性贡献率，可以有效地处理不确定和不精确的信息，具有重要的理论意义和应用价值。有重要的理论意义和应用价值。有重要的理论意义和应用价值。

【技术实现步骤摘要】
基于隶属度函数和主成分分析的水质检测方法


[0001]本专利技术涉及水质检测领域，尤其涉及一种基于隶属度函数和主成分分析的水质检测方法。

技术介绍

[0002]水质检测是水资源管理和环境保护工作的重要组成部分，是水质资源环境管理的基础和技术支持，为分析水质现状和开展水资源质量评价等提供基础数据，因此，研究水质检测方法对于实现对水域监测具有重要意义。随着传感器技术的迅速发展和水质监测手段的多元化，获取的监测水质属性(如PH值、高锰酸钾含量、氨氮含量等)指标数据之间可能存在着冗余、互补的信息，此外，传统的多源水质监测数据和水质类型之间建立的映射关系已经不能满足需要，同时由于监测环境的复杂性以及传感器的不精确性，使得监测的水质属性指标数据具有不确定性的特点。因此，研究多传感器中收集的水质属性指标数据合理的融合并作出水质决策具有重要的理论意义和应用价值。
[0003]Dempster
‑
Shafer(DS)证据理论通过其定义的置信函数和似然函数来表达对信息的“不知道”和“不确定”，并通过坚实的数学基础和出色的处理不确定信息的能力，使得DS证据理论成为一种优秀的不确定性推理方法。基本概率指派(Basic Probability Assignment,BPA)函数的生成是应用证据理论对不确定信息进行处理和融合时需要解决的首要问题。因此，如何将传感器获取的监测水质数据转化为DS证据理论框架中的BPA函数是应用DS证据理论解决实际问题最重要的一步。目前应用最为广泛的是基于隶属度的BPA函数生成方法。因为隶属度反映了评估因素和评价等级之间的关系，正确选择隶属度函数才能确保模糊综合评判的良好效果。常见的模糊评判多采用隶属度函数进行评估。但是，仅仅采用隶属度生成BPA函数，就忽略了水质属性权重的影响。文献[1]通过钟型函数构建隶属度模型，然后根据最大隶属度原则确定测试样本与各目标的相似度，最后对相似度进行归一化处理生成BPA函数。文献[2]根据三角模糊隶属度模型计算测试样本与每个目标之间的差异度生成初始BPA函数，接着计算生成证据之间的冲突度，最后根据冲突阈值对初始BPA函数进行修正得到最终BPA函数。但是上述方法均没有考虑属性权重对于生成BPA函数的影响，从而导致了决策准确度降低。

技术实现思路

[0004]本专利技术的目的是提供一种基于隶属度函数和主成分分析的水质检测方法，能够有效的对目标水域水质等级做出正确的决策。
[0005]本专利技术采用的技术方案为：
[0006]步骤1、根据水质检测数据集中某一属性下不同水质等级的数据集样本平均值和方差构造在各个属性下目标水质等级的隶属度模型；
[0007]步骤2、计算传感器观测到的测试样本数据各属性下对于不同水质等级的隶属度。传感器观测到水质目标的N个属性att
j
(j＝1,2,
…
,N)的参数构成一个测试样本X＝(x1,
x2,
…
,x
N
)，测试样本X在属性att
j
的不同水质等级L
i
的隶属度为L
i
(x
j
)，其中，x
j
为测试样本在att
j
属性下的值；
[0008]步骤3、将步骤2获得的隶属度进行归一化，确定初始BPA函数m
j
(L
i
)；该测试样本X在att
j
属性下得到关于Z种等级水质的隶属度，分别为L1(x
j
)、L2(x
j
)、
……
、L
Z
(x
j
)，生成的初始BPA函数为：其中，m
j
(L
i
)表示测试样本在att
j
属性下对于水质级别L
i
的初始BPA函数；同理，获得测试样本其他属性下对于水质级别L
i
的初始BPA函数；则获得N个初始BPA函数分别为{m1(L1),m1(L2),...,m1(L
Z
)}、{m2(L1),m2(L2),...,m2(L
Z
)}、
……
{m
N
(L1),m
N
(L2),...,m
N
(L
Z
)}；
[0009]步骤4、根据主成分分析法获得每个属性的贡献率C
j
；
[0010]步骤5、确定最终基本概率指派函数：利用属性贡献率对步骤3中所求的初始BPA函数m
j
进行折扣，折扣结果作为最终基本概率指派函数m'
j
；
[0011][0012]其中，j＝1,2,
…
,N，m'
j
＝(m'
j
(L1),m'
j
(L2),m'
j
(L3),m'
j
(L4),m'
j
(L5),m'
j
(Θ))。
[0013]步骤6、利用Dempster组合规则对步骤5中的最终基本概率指派函数进行逐个融合总共融合N
‑
1次。Dempster组合规则为：
[0014][0015]其中，为空集，θ
r
和θ
u
为辨识框架Θ上的焦元，K为冲突系数；
[0016]步骤7、输出检测的水质等级结果，最终融合结果中最大的基本概率赋值所对应的子集即为决策的水质等级。
[0017]所属步骤1的具体步骤如下：
[0018]步骤1
‑
1、将不同传感器采集到的Z种等级水质数据，记为L
i
(i＝1,2,...,Z)，传感器需收集不同水质等级的数据集样本，每个样本包含N个属性，即att
j
(j＝1,2,
…
,N)。由收集到的数据集样本构建隶属度模型：
[0019][0020]其中，e为自然常数，是一个约等于2.71828182845904523536
……
的无理数，x
j
∈[x
jmin
,x
jmax
]，x
jmin
,x
jmax
分别为att
j
属性下数据集的最小值与最大值，j＝1,2,...,N。
是数据集中水质等级为L
i
的样本在att
j
属性下平均值，i＝1,2,...,Z，p＝1,2,...,Q，为水质等级L
i
的第p个数据集样本其在att
j
属性下的值，Q为水质等级L
i
的数据集样本总个数。σ
ji
为水质等级L
i
的数据集样本在att
j
属性下的值的方差，...

【技术保护点】

【技术特征摘要】
1.基于隶属度函数和主成分分析的水质检测方法，其特征在于：包括如下步骤：步骤1、利用不同的传感器，分别采集Z种等级的水质数据，观测其在N个属性上的数据并生成目标样本数据集，根据数据集各属性下不同水质等级的数据平均值和方差σ构造目标水质等级在各个属性下的隶属度模型；步骤2、计算传感器观测到的测试样本各属性隶属度模型下的对应不同级别水质的隶属度值，传感器观测到水质目标的各个属性的参数构成一个测试样本X＝(x1,x2,
…
,x
N
)，测试样本X在属性att
j
的不同水质等级L
i
的隶属度为L
i
(x
j
)，其中，x
j
为测试样本在att
j
属性下的值；步骤3、将步骤2获得的隶属度进行归一化，确定初始BPA函数；步骤4、根据主成分分析法获得各属性的贡献率C
j
；步骤5、确定最终基本概率指派函数：利用属性贡献率对步骤3中所求的初始BPA函数进行折扣，折扣结果作为最终基本概率指派函数；步骤6、利用Dempster组合规则对步骤5中的最终基本概率指派函数进行逐个融合总共融合N
‑
1次；步骤7、输出检测的水质等级结果，最终融合结果中最大的基本概率赋值所对应的子集即为最终的水质等级。2.根据权利要求1所述的一种基于隶属度函数和主成分分析的水质检测方法，其特征在于：步骤1的具体步骤为：将不同传感器采集到的Z种等级水质数据，记为L
i
(i＝1,2,...,Z)，传感器需收集不同等级水质的数据集样本，每个样本均包含N个属性，记为att
j
(j＝1,2,
…
,N)；由收集到的数据集样本构建隶属度模型：其中，e为自然常数，是一个约等于2.71828182845904523536
……
的无理数，x
j
∈[x
jmin
,x
jmax
]，x
jmin
,x
jmax
分别为att
j
属性下数据集样本最小值与最大值，j＝1,2,...,N；属性下数据集样本最小值与最大值，j＝1,2,...,N；是数据集中水质等级为L
i
的样本在att
j
属性下平均值，i＝1,2,...,Z，p＝1,2,...,Q，为水质等级L
i
的第p个数据集样本其在att
j
属性下的值，Q为水质等级L
i
的数据集样本总个数，σ
ji
为水质等级L
i
的数据集样本在att
j
属性下的值的方差，3.根据权利要求1所述的一种基于隶属度函数和主成分分析的水质检测方法，其特征在于：归一化隶属度获得初始BPA函数的步骤具体为：将步骤2获得的隶属度进行归一化，确定初始BPA函数：该测试样本X在att
j
属性下得到关于Z种等级水质的隶属度，分别为L1(x
j
)、
L2(x
j

【专利技术属性】
技术研发人员：李军伟，赵奥祥，刘桓宇，夏苗苗，孙胜烽，
申请(专利权)人：河南大学，
类型：发明
国别省市：