[发明专利]基于传感器风险区间模型的养殖水情判断方法及系统

说明书

本发明公开了一种基于传感器风险区间模型的养殖水情判断方法及系统。所述方法包括：建立养殖水情数据的区间数表示模型计算传感器获取的水情测量数据[E]subgt;k/subgt;与区间数表示的不同水情等级特征值之间的距离根据距离构造基本概率分配函数；利用预先构建的基于传感器风险区间值的消极‑积极模型，对基本概率分配函数进行修正，并对修正后的值做归一化处理；利用区间证据组合规则并综合归一化处理后的基本概率分配函数值，得到综合区间证据；根据综合区间证据，基于预定决策准则判断水情等级。本发明通过对传感器输出进行区间数处理，在传感器输出中加入误差系数，对潜在风险进行建模，有效消除传感器测量数据的不确定性，并提高系统的最终精度。

技术领域

本发明涉及养殖水质检测领域，具体涉及一种基于多传感器的养殖水情判断方法及系统。

背景技术

随着人们对水产品消费需求的提高，对养殖产品质量、产量的要求也越来越高，而水质参数对水产养殖的过程影响较大，特别是温度、溶氧、PH值等参数，进而也会影响养殖产品的质量和产量。由此，监测渔业养殖环境的变化，实现水质指标的自动监测是掌握渔业环境及提高渔业生产和渔业资源研究不可缺少的保证。

现有养殖水质监控系统大都只能实现水质参数的采集与显示，忽略了水质因子间的相互作用对水质产生的影响，未对传感器数据与水质参数之间建立映射关系，存在着釆集精度不高、传输数据量大等缺点，造成对水质的调控仅处于单指标调节水平，水质监测的准确度和决策管理的科学性都有待提高。而采用数据融合的自动监测技术是对统一监测对象，利用各种传感器监测的信息和不同的处理方法以获得该对象的全面监测信息，从而提高监测精度和可靠性。并且能够综合各项数据，全面分析水产养殖的水环境状况，避免了独立数据所引起的不全面的判断。由于这些优点，近年来，多传感器融合在条件监测中引起了相当大的关注。然而，多传感器在养殖水质监控中所获得的数据总是模棱两可、随机、不精确和不可靠的，融合过程中还可能会出现传感器之间的不一致。为了消除这些误差，目前所提出的模型中均乐观地假设传感器始终工作，并通过比较每个传感器提供的信息，计算动态传感器的可靠性。然而，这种方法有时是有问题的，实际上很可能会出现这样的现象：系统所考虑的传感器工作正常，而其他传感器出现故障。从而影响养殖水情的判断准确性。

发明内容

发明目的：针对现有技术的问题，本发明提供一种基于传感器风险区间模型的养殖水情判断方法及系统，可以消除传感器测量数据的不确定性，实现更为准确地判断水情等级，进一步提升养殖水质检测的准确度。

技术方案：根据本发明的第一方面，提供一种基于传感器风险区间模型的养殖水情判断方法，包括如下步骤：

建立养殖水情数据的区间数表示模型为不同水情参数的区间型特征值，m为水情参数个数；

计算传感器获取的水情测量数据[E]_k与区间数表示的不同水情等级特征值之间的距离根据距离构造基本概率分配函数；

利用预先构建的基于传感器风险区间值的消极-积极模型，对基本概率分配函数进行修正；

利用区间证据组合规则并综合修正后的基本概率分配函数值，得到综合区间证据；

根据综合区间证据，基于预定决策准则判断水情等级。

进一步地，所述预先建立的基于传感器风险区间值的消极-积极模型根据以下步骤得到：

将传感器测量值与实际值偏差的百分比作为传感器的风险因子

对传感器输出风险进行评估，包括：正常工作模式、消极模式、积极模式，其中正常工作模式是指传感器输出值与实际值相同，消极模式是指传感器测量值高于实际值的情况下对传感器输出值进行下降处理，积极模式是指传感器输出值低于实际值的情况下对传感器输出值进行提高处理，所述消极模式表示为：

所述积极模式表示为：