论文部分内容阅读
水质安全问题关乎国计民生,在全世界范围内都受到了广泛关注和高度重视。水质污染事件发生往往后果严重,因此,建立水质污染物防范机制及监测系统进行水质污染预警十分必要。其中,水质异常事件检测算法是水质污染监测系统的核心。常见的异常检测算法包括基于统计分析的算法、聚类分类算法及人工智能算法等。然而,水质指标时序自身具有非平稳性,且水质事件发生时尺度具有不确定性,常规算法针对多尺度事件适应性仍然较差,特别是针对长而缓的事件,检出率较低且误报率较高。为了进一步挖掘水质指标时序来源不同成分的波动特性,并结合事件的多尺度特性及时频变化特征,提升水质异常检测算法的检出能力和信息利用率,本文提出了基于经验模态分解的水质异常检测方法,主要论述了经验模态分解的理论研究、应用领域、现有问题及改进方案等,并通过仿真分析及与常规算法对比,验证了提出算法在异常事件检测方面的有效性。本文的主要工作及创新点如下:1.针对水质指标时序中含有来源不同的成分及水质异常事件发生时的尺度不确定性,提出了基于经验模态分解及广义零交叉理论的局部时间尺度匹配水质异常检测方法。首先将经预处理后的原始水质指标时序利用经验模态分解(EMD)进行信号逐层提取,获得一系列振动周期逐渐增大的固有模态函数(IMF),并分别利用3δ阈值检测法进行异常事件检测,然后计算每个模态每个时间点的局部时间尺度,从而获得每个频段的平均时间尺度。对于每个观察点,计算其局部动态时间,并根据时间尺度归属的定义计算其归属度,挑选出最敏感的固有模态函数进行融合事件检测。该方法能够针对不同尺度的事件进行异常检测,具有一定的尺度自适应性,对于长而缓的水质异常事件也具有一定检测效果。2.针对EMD分解中的模态混叠及直接融合事件检测结果方法忽略了各频段之间的内在联系问题,提出了基于聚合经验模态分解的多维异常事件检测方法。将水质指标时序用聚合模态分解(EEMD)方法进行分解,在挑选出敏感尺度后,利用所选各尺度在每个时刻点的值构建目标特征向量,并利用训练集数据进行模型训练。对于每个观察点,计算其目标特征向量至训练集中心的马氏距离,通过设置不同的置信度及阈值判定是否发生异常。该方法能够抑制由水质指标时序信号的非平稳性及间歇性等造成的模态混叠问题,且充分利用了敏感频段间的内在联系,具有更好的事件检测效果。3.针对EEMD在线应用时,在被分析信号两端出现失真或者发散的边际效应问题,提出了基于极值点对称延拓的在线EEMD异常事件检测算法。通过对原始水质时序的极值点进行延拓,可以有效防止其在边界位置失真或振荡。通过设置滑动窗,动态更新被检测点,实时利用EEMD进行分解,并将当前观察点各IMF函数值作为目标检测向量,计算其到训练集中心的马氏距离是否超出阈值进行异常事件判定。该方法通过对EEMD分解边际效应的抑制,提高其进行实时水质异常事件检测应用的准确性及检出率。