基于RBF神经网络和小波分析的水质异常检测方法.pdf

《基于RBF神经网络和小波分析的水质异常检测方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、138传感器与微系统(TransducerandMicrosystemTechnologies)2013年第32卷第2期基于RBF神经网络和小波分析的水质异常检测方法侯迪波，陈明，赵海峰，黄平捷，张光新(浙江大学控制科学与工程系工业控制技术国家重点实验室，浙江杭州310027)摘要：快速准确地检测出自然或人为事件下的水质异常，对保护水环境和保障公众健康具有重要意义。针对水质背景数据波动大时异常检测性能不理想的问题，提出一种基于RBF神经网络和小波分析的水质异常检测算法。通过引入RBF神经网络预测水质，对预测值和真实值相比较得到的残差序列进行滑动窗口小

2、波去噪，对各时刻偏离原点的距离与特定阈值比较后判定水质是否异常。以某水源水库在线监测氨氮值为研究对象验证算法，实验结果表明：与时间序列增量方法比较，算法具有更高的异常检测率和较低的误报率。关键词：水质异常检测；RBF神经网络；小波去噪；氨氮中图分类号：TP274文献标识码：A文章编号：1000-9787(2013)02--0138-04WaterqualityanomalydetectionmethodbasedonRBFneuralnetworkandwaveletanalysisHOUDi—bo，CHENYue，ZHAOHai—feng，HUAN

3、GPing-jie，ZHANGGuang-xin(StateKeyLaboratoryofIndustrialControlTechnology，DepartmentofControlScienceandEngineering，ZhejiangUniversity，Hangzhou310027，China)Abstract：Fastandaccuratedetectionofnatureorartificialwatercontaminationeventsplaysavitalroleinprotectingthewaterenvironmenta

4、ndpublichealth．ToSolvetheproblemthatconventionalwaterqualityanomalydetectionalgorithmshavebadperformanceunderhighbackgroundnoise，analgorithmbasedonRBFneuralnetworkandwaveletanalysisisproposed．ByintroducingRBFneuralnetworktopredictfuturewaterqualityvaluesusingpreviousobservation

5、softhewaterquality，waveletde—noisingresidualtimeseriesisobtainedbycomparingpredictionvaluewithrealvalue，thenusingwaveletde—noisinginslidingwindows，ifthenewresidualatonetimeisgreaterthanspecificthreshold／baseline，waterqualityisclaimedabnorma1．Usingtheonlinemonitoringammonianitro

6、genvalueastheresearchobject，itprovesthattheproposedalgorithmhaslowerfalsealarmrate(FAR)andhigherprobabilityofdetection(PD)comparingwithtimeseriesincrements．Keywords：waterqualityanomalydetection；RBFneuralnetwork；waveletde—noising；ammonianitrogen0引言提高对异常的检测率。为了克服实验平台环境相对简单的随着工业化和

7、城市化的快速发展，大量污染物和废弃缺点，KliseKA，McKennaSA_5采用实地在线监测的数物排入江、河、湖、海，给人类赖以生存的水体环境造成了严据进行分析，提出了时间序列增量、线性滤波和多元最邻重的污染。为了及时发现和控制水体污染，提高水质监测近。以上3种水质异常检测方法包含2个步骤，首先预测系统的水质异常检测能力十分必要。当前值，然后判断预测的当前值与实际测量值的差是否超现有的大多数水质监测系统往往依据水质实测值与标过阈值来检测是否存在异常。时间序列增量方法是基于长准值的差值进行报警，忽略了水质各指标的特定变化趋势，度为1的移动时间窗，未充

8、分挖掘历史数据变化趋势。线难以满足及时准确检测所有水质异常的需要。近年来，很性滤波方法通过对历史数据的线性组