[发明专利]一种基于无线云传感网的大气污染物在线监测系统

摘要

本发明属于大气污染物在线监测技术领域，公开了一种基于无线云传感网的大气污染物在线监测系统，设置有用户终端、数据总汇终端、无线云传感网、系统分析模块、温度监测模块、污染物监测模块、温度监测模块、时间控制模块；温度监测模块、污染物监测模块、温度监测模块通过导线连接时间控制模块和系统分析模块；系统分析模块将数据通过GTiBee协议传送到无线云传感网，数据总汇终端接收汇总无线云传感网的数据，用户终端通过访问数据总汇终端对大气污染状况进行了解并控制监测设备。本发明可自动在线监测大气污染物以及大气温度和湿度，将数据通过无线云传感网传送到数据总汇终端，最终通过用户终端进行观察，并进行控制。

主权项

一种基于无线云传感网的大气污染物在线监测系统，其特征在于，所述基于无线云传感网的大气污染物在线监测系统包括：用户终端、数据总汇终端、无线云传感网、系统分析模块、湿度监测模块、污染物监测模块、温度监测模块及时间控制模块；所述湿度监测模块、污染物监测模块、温度监测模块均通过有线或无线分别连接时间控制模块和系统分析模块；系统分析模块将数据通过GTiBee协议传送到无线云传感网；所述数据总汇终端用于接收汇总无线云传感网的数据；用户终端通过访问数据总汇终端对大气污染状况进行了解并控制数据总汇终端；所述用户终端通过流量数据连接用数据总汇终端；所述时间控制模块用于控制所述湿度监测模块、污染物监测模块、温度监测模块的工作频率或采样周期；所述湿度监测模块用感知设备在独立的采样周期内对目标信号x(t)进行采集，并用A/D方式对信号进行数字量化；然后，对量化后的信号x(i)进行降维；最后，对降维后的信号进行重构；其中t为采样时刻，i为量化后的信号排序；对量化后的信号进行降维，具体是对量化后的信号通过有限脉冲响应滤波器的差分方程i＝1,…,M，其中h(0),…,h(L‑1)为滤波器系数，设计基于滤波的压缩感知信号采集框架，构造如下托普利兹测量矩阵：则观测i＝1,…,M，其中b1,…,bL看作滤波器系数；子矩阵ΦFT的奇异值是格拉姆矩阵G(ΦF,T)＝Φ′FTΦFT特征值的算术根，验证G(ΦF,T)的所有特征值λi∈(1‑δK,1+δK),i＝1,…,T，则ΦF满足RIP，并通过求解最优化问题来重构原信号；即通过线性规划方法来重构原信号，亦即BP算法；对图像或语音压缩信号的采集，则修改ΦF为如下形式：如果信号在变换基矩阵Ψ上具有稀疏性，则通过求解最优化问题，精确重构出原信号；其中Φ与Ψ不相关，Ξ称为CS矩阵；所述污染物监测模块数字调制信号x(t)的分数低阶模糊函数表示为：χ(τ,f)=∫-∞∞[x(t+τ/2)]<a>[x*(t-τ/2)]<b>e-j2πftdt;]]>其中，τ为时延偏移，f为多普勒频移，0＜a,b＜α/2，x*(t)表示x(t)的共轭，当x(t)为实信号时，x(t)＜p＞＝|x(t)|＜p＞sgn(x(t))；当x(t)为复信号时，[x(t)]＜p＞＝|x(t)|p‑1x*(t)；所述温度监测模块的接收信号z(t)表示为：z(t)＝s(t)+n(t)；其中，s(t)为数字调制信号，n(t)为服从标准SαS分布的脉冲噪声，s(t)的解析形式表示为：s(t)=[Σn=1Nang(t-nTb)]ej(2πfct+φ0);]]>其中，N为采样点数，an为发送的信息符号，在MASK信号中，an＝0，1，2，…，M‑1，M为调制阶数，an＝ej2πε/M，ε＝0,1,2,…,M‑1，g(t)表示矩形成型脉冲，Tb表示符号周期，fc表示载波频率，载波初始相位是在[0,2π]内均匀分布的随机数；所述系统分析模块对湿度监测模块、污染物监测模块、温度监测模块传输的图像信号进行处理，具体包括：输入待分割图像，得到图像的颜色信息；提取颜色特征和自适应LBP算子特征；设置聚类数目K及迭代终止的似然函数变化值和迭代的最大次数；构建多特征底秩矩阵表示模型；minZ1,...,ZKE1,...,EKΣi=1K(||A||*+λ||E||2,1)+α||A||2,1]]>s.t.Xi＝XiAi+Ei,i＝1,…,K，其中α是大于0的系数，用来度量噪声和野点带来的误差；等价为以下模型：minJ1,...,JKS1,...,SKZ1,...,ZKE1,...,EKΣi=1K(||Ji||*+λ||Ei||2,1)+α||A||2,1s.t.Xi=XiSi+Ei,Ai=Ji,Ai=Si,i=1,...,K;]]>初始化参数，使用K‑均值算法得到均值μ和协方差Σ，然后初始化变量，设置变量η＝1，精度Λ＝(ηΣ)‑1，v＝1，利用近邻关系求得像素中的每个像素的均值利用当前的μk和Σk计算高斯分布，计算青蛙t分布；计算场景混合系数πnk和后验概率znk；计算均值μk和协方差Σk；修改ηk的值并求得精度值计算对数似然函数的值，计算其变化值或迭代次数超过规定数就退出循环操作，否则执行利用当前的μk和Σk计算高斯分布，计算青蛙t分布步骤操作；计算像素的最大后验概率，根据最大后验概率原则得到像素的类别；输出伪像素区域并得到最后准确的像素区域；假设一副图像中共有N个像素，这些像素被分为K个类；所述像素中的每个像素的均值的求解按下面公式进行求解，x‾n=1NnΣm∈∂nxm]]>式中表示近邻系统，Nn表示近邻系统中近邻的个数。