CN108593557B - 基于te-ann-awf移动污染源遥测误差补偿方法 - Google Patents

Abstract

本发明公开了一种基于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。

Description

基于TE-ANN-AWF移动污染源遥测误差补偿方法

技术领域

本发明设计一种基于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技术领域，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。

背景技术

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***(Remote Sensing Device，RSD)由美国丹佛大学研制，该***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(Ultra Violet，UV)测量NO浓度的遥感监测***，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-Violet Differential OpticalAbsorption Spectrometry，UV-DOAS)的NO和HC遥感***。由于可调谐二极管激光器(Tunable Diode Lasers，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(Tunable DiodeLaserAbsorptionSpectrometer)的遥测***，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***。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。

发明内容

本发明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。

本发明技术解决方案：

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TE_T->CO，湿度干扰到测量值的传递熵TE_H->CO，气压干扰到测量值的传递熵TE_P->CO，风速干扰因素到测量值的传递熵TE_W->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{TE_CO->T、TE_CO->H、TE_CO->P、TE_CO->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{β_n}，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，K_n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，W_n ^*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K_n，而稳态过程则应侧重于W_n ^*，并逐渐收敛于W_n ^*；为了体现上述的特点，加权系数{β_n}需要满足如下特点：

i表示自然数； (3)

为了满足上述条件，构造如下函数；

d_n＝(1-b)/(1-a·bⁿ)，n＝1，2，3… (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：

本发明与现有技术相比存在的优点：

(1)本发明结合了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。与传统误差补偿方法相比，无须先验全知多干扰测量样本，能够有效补偿外部环境干扰引起的测量误差，提高了遥感测量的适用性和抗干扰能力。

(2)本发明针对外部干扰可探测的特点，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。

(3)本发明引入了自适应加权融合算法AWF，在最小均方误差的准则下对各干扰通道的观测值进行自适应融合，从而保证误差补偿的长时稳定性。

(4)本发明为了进一步改善误差补偿过程的动态性能，通过引入遗忘机制将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。

附图说明

图1为本发明方法流程图；

图2为本发明不同干扰因子传递熵比较图；

图3为本发明单干扰下遥测误差神经网络预测模型图；

图4为本发明温度-浓度下CO测量误差分布图；

图5为本发明风速-浓度下CO测量误差分布图；

图6为本发明气压-浓度下CO测量误差分布图；

图7为本发明虚拟观测观测序列重构说明图；

图8为本发明TE-ANN-AWF误差补偿模型图；

具体实施方式

为使本发明实现的技术创新点易于理解，下面结合图1，对本发明的实现方式进一步详细叙述，具体步骤如下：

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，再对测量样本进行预处理及归一化处理。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。

设Xn和Yn为两个在n时刻具有xn和yn离散状态的环境干扰变化序列和遥感测量观测序列，且Xn和Yn分别可以近似为k阶和l阶的稳态马尔科夫过程，那么从Yn和Xn的传递熵定义式如下：

其中，T_Y→X表示Y到X的传递熵(Transfer Entroy)，u_n＝(x_n+1,x_n,y_n ^(l))，p(u_n)表示状态状态x_n+1和序列x_n ^(k),y_n ^(l)同时出现的概率；p(x_n+1|x_n ^(k),y_n ^(l))表示在n时刻，已知x_n ^(k)，y_n ^(l)的前提下，x_n+1的条件概率；p(x_n+1|x_n ^(k))表示x_n ^(k)已知的前提下x_n+1的条件概率，当x_n在某个时刻的状态完全由自身的历史状态决定时，传递熵为零。

由于遥感检测是基于光学吸收原理完成对移动污染源排污气体的检测，而光信号存在吸收作用、散射作用、光束偏折、光束扩散等问题。而检测大多是在室外环境中进行，测量过程容易受到温度、湿度、气压、风速、风向、扬尘等因素影响，是一个由多个因素共同作用的复杂的非线性动力学问题。传递熵能够定量度量***变量间的线性和非线性关系，同时具有较好的抗噪能力，常被应用于刻画复杂***内部的动态非线性特征。因此，补偿模型中选择传递熵来对测量数据进行相关分析，这有助于追溯误差产生的来源以及更合理准确的对误差进行补偿。

为验证补偿模型的有效性，选择CO为目标检测对象，通过环境模拟实验平台模拟了温度、湿度、气压和风速变化的测量环境，采用遥测设备对目标对象进行测量。补偿模型中采用传递熵来衡量多干扰间不平衡程度。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TE_T->CO，湿度干扰到测量值的传递熵TE_H->CO，气压干扰到测量值的传递熵TE_P->CO，风速干扰因素到测量值的传递熵TE_W->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{TE_CO->T、TE_CO->H、TE_CO->P、TE_CO->W}

由图2可以看出，风速、温度、气压到CO测量的传递熵TE_W->CO、TE_T->CO、TE_P->CO都显然大于湿度到CO测量值的传递熵TE_H->CO，而湿度到CO测量值的传递熵TE_H->CO和反向传递熵TE₀相差不大。从信息论角度看，测量序列中的所含信息可从风速、温度、气压干扰序列中得到显著解释，而可从湿度序列中得到解释部分较小。因而风速、温度、气压对测量结果有显著因果关联，即三个环境因素对测量的干扰较大，测量误差中三者的比例较大。从中可以看出湿度到测量的传递熵TE_H->CO和反向传递熵TE₀十分接近，反映出湿度对CO测量结果没有明显的因果关系。因而在对CO的测量补偿中可以不用考虑湿度的影响。

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；

根据图3所示，为温度干扰下CO气体遥测误差神经网络预测模型。由于在遥测误差不仅受到干扰因素的作用，同时，待测气体的真实浓度也会影响误差的绝对值大小。因此，神经网络的输入数据为标准气体浓度n、温度t，输出数据为测量误差e。根据前向网络隐层点选取方法及实际处理数据的效果，隐层数选择7。通过烟雾箱环境模拟平台，固定其他因素，对箱内温度进行调控，以此获得单温度干扰下的训练样本。同理，也可以建立风速干扰下和气压干扰下的神经网络预测模型。图4-6分别是单温度、单气压、单风速干扰下，测试样本的误差分布。

在建立温度、风速、气压三个预测模型之后，则可以对一定温度、风速、气压下的测量值分别进行误差预测，之后在对三个预测误差进行求和，得到最终的补偿值。

步骤三：根据图8所示TE-ANN-AWF模型结构图，通过虚拟观测解构、指数遗忘机制将传递熵TE、神经网络ANN、自适应加权融合AWF三者结合用于带扰测量值的最终估计。

1)首先，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相应的误差补偿，再采用多元自适应加权融合方法AWF对补偿后的多元虚拟观测序列进行融合重构。

针对ANN误差预测模型，待测气体的真实浓度对误差分布有直接的影响。而实际上，待测气体真实浓度无法得知，只能通过历史序列进行大致估计，这也导致预测的测量误差不准确。因而，对各个通道的误差补偿值直接相加，效果并不明显。根据图7，为了将数据融合的方法应用到误差的补偿模型中，需要对观测序列进行解构。为此，首先引出虚拟观测的概念。

例如，CO的遥感检测受到环境中温度、气压、风速三者的干扰，假设三个干扰因素对测量结果影响的互耦合较小，则误差的组成可以认为是加性噪声。因而，测量值可以看作由下式表示，其中Y为测量值，yr为真实值，Wt、Ww、Wp为环境干扰噪声，θ为测量随机噪声。

Y＝y_r+W_t+W_w+W_p+θ

其中，Wt、Ww、Wp为单干扰的测量误差，其可以通过单干扰ANN模型进行预测。

设温度单干扰下的测量值为Yt，可以认为其是排除Ww、Wp两者后的值，如下式。

Y_t＝y_r+W_t+θ＝Y-W_w-W_p

显然，温度单干扰下的测量值Yt在实际中并不存在。实际上它是一种对原有观测值的重新解构，因而称之为“虚拟观测”。同理可得气压单干扰下的测量值Yp和风速单干扰下的测量值Yw，如下式所示。

Y_w＝y_r+W_w+θ＝Y-W_t-W_p

Y_p＝y_r+W_p+θ＝Y-W_t-W_w

通过虚拟观测的概念对观测值进行解构之后，还需要进行重构。相比温度、气压，风速对测量结果有着更大的影响，尤其是当风速大于5m/s时。显然，此时的测量值的可信度则应当最小。为了表现这种可信度的大小，引入传递熵来表达三个虚拟观测的可信度。由传递熵分析可知，若干扰传递熵越大，干扰测量的因果关系越强，则干扰对测量结果的干扰越强。因而虚拟观测的可信度与传递熵成反比。同时，为了保持权值总和为1，需要计算不同虚拟观测可信度占三者总体的权值，如下式可得三个虚拟观测的可信度。

其中，TE_T、TE_P、TE_W可根据传递熵原理进行估计，且K_T、K_P、K_W满足下式。

K_t+K_p+K_w＝1

利用预估得到的不同虚拟观测的置信度，并将其作为虚拟观测的权值进行重构。重构后的测量结果如下式所示。

2)其次，针对融合算法中的权值收敛问题，引入指数遗忘的方法将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。

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，如下式所示。

其中，n表示对第n次观测值进行融合。

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：

为了满足上述条件，构造如下函数。

d_n＝(1-b)/(1-a·bⁿ)，n＝1，2，3…

其中，b为遗忘因子，a为衰减因子，0<b<1<a。由

可得加权系数：

β_n ^K＝d_n，β_n ^W＝1-d_n

由此可以得到各个通道的权值，如式所示：

其中，Wn^满足下式，并将得到的新的权值Wn^作为新权值代替原Wn*。

提供以上实施例仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (4)

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；在后续步骤中忽略与测量结果间为非显著因果关系的干扰因素；

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，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TE_T->CO，湿度干扰到测量值的传递熵TE_H->CO，气压干扰到测量值的传递熵TE_P->CO，风速干扰因素到测量值的传递熵TE_W->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{TE_CO->T、TE_CO->H、TE_CO->P、TE_CO->W} (1)。

3.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。

4.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：所述步骤三中，模型中引入了指数遗忘的方法将TE权值预估能力和AWF的权值自适应调整相结合，具体为：

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{β_n}，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，K_n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，W_n ^*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K_n，而稳态过程则应侧重于W_n ^*，并逐渐收敛于W_n ^*；为了体现上述的特点，加权系数{β_n}需要满足如下特点：

β_i＝β_i-1b；0<b<1；

i表示自然数； (3)

为了满足上述条件，构造如下函数；

d_n＝(1-b)/(1-a·bⁿ)，n＝1，2，3…(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：

Images