基于超声波数据与最优化算法的气象监测系统的制作方法

本发明涉及数据处理，具体涉及一种基于超声波数据与最优化算法的气象监测系统。

背景技术：

1、超声波数据气象监测是一种高效、精准的气象监测方式，其利用超声波探测技术对大气中的各种物理量进行测量和监测。具体来说，通过发射连续变频超声波信号，并测量其在大气中传播的时间和距离，我们可以获得一系列与大气物理量相关的数据，如温度、湿度、风速、风向、大气云雾等信息。这些数据经过处理和分析，可以用于预测天气变化、评估气候变化趋势、监测环境污染等。

2、超声波气象监测数据容易受到其他环境因素的影响，如声音反射、回声、散射等原因导致超声波数据的准确率降低。因此，超声波气象监测数据需要经过复杂的数据处理和分析才能得出超声波数据中有效的信息，其中，数据处理包括噪声滤除、信号处理、数据融合等方面的问题。现有方法中通过卡尔曼滤波器对气象监测数据进行噪声滤波，卡尔曼滤波器的原理是通过不断优化误差值来估测去噪后的真实信号，初始状态噪声的精度直接决定了卡尔曼滤波器的收敛速度和去噪效果，现有方法中通过经验法确定初始状态噪声，比较缺乏稳定性和可信度，进而导致对气象监测数据的去噪效果不好且去噪效率不高，使得后续对气象的变化预判不准确。

技术实现思路

1、为了解决初始状态噪声缺乏稳定性和可信度，导致气象监测数据的去噪效果不好且去噪效率不高，使得后续对气象的变化预判不准确的技术问题，本发明的目的在于提供一种基于超声波数据与最优化算法的气象监测系统，所采用的技术方案具体如下：

2、本发明实施例中提供了一种基于超声波数据与最优化算法的气象监测系统，该系统包括以下：

3、数据获取模块，用于获取超声波数据中的风速信号，风速信号包括历史信号和待处理信号；依次对历史信号和待处理信号平滑处理，分别获得平滑历史信号和平滑待处理信号；

4、状态方程获取模块，用于对平滑历史信号进行分割，获得历史信号段；对历史信号段进行聚类，获得至少两个信号聚类簇；对平滑待处理信号进行分割，获取待处理信号段，确定待处理信号段匹配的信号聚类簇；根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇匹配的待处理信号段的状态方程；

5、噪声估测函数获取模块，用于根据每个信号聚类簇中每个历史信号段在历史信号中对应数据的最大噪声范围，以及平滑前后的差异，获取对应信号聚类簇的噪声估测函数；

6、初始状态噪声获取模块，用于根据每个信号聚类簇的噪声估测函数的大小，获取对应信号聚类簇匹配的待处理信号段的估测噪声库；根据估测噪声库中选择的数据、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数；改变估测噪声库中选择的数据，根据目标函数的变化，获取待处理信号段的初始状态噪声；

7、滤波处理模块，用于根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程，将更新状态方程和观测方程输入到卡尔曼滤波器中，对待处理信号段进行滤波；

8、监测模块，用于对滤波后的待处理信号进行监测。

9、进一步地，所述历史信号段与待处理信号段的获取方法，包括：

10、任选一个风速信号作为目标风速信号，获得滤波后的平滑目标风速信号；

11、获取平滑目标风速信号的极点，对每个极点均进行分割，获得相邻极点之间的目标风速信号段；其中，每个目标风速信号段均为单调变化；

12、当目标风速信号为历史信号时，目标风速信号段为历史信号段；

13、当目标风速信号为待处理信号时，目标风速信号段为待处理信号段。

14、进一步地，所述对历史信号段进行聚类，获得至少两个信号聚类簇的方法，包括：

15、选取任意两个历史信号段作为一个匹配对，通过动态时间规整算法将每个匹配对内的两个历史信号段的长度保持一致，通过每个匹配对中的两个历史信号段相同位置信号点之间的差异，获取对应匹配对的均方误差；

16、将每个匹配对的均方误差进行负相关映射且归一化的结果，作为对应匹配对的相似度；

17、通过层次聚类算法根据相似度对历史信号段进行聚类，获得至少两个信号聚类簇。

18、进一步地，所述根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇中的待处理信号段的状态方程的方法，包括：

19、任选一个信号聚类簇作为目标信号聚类簇，根据目标信号聚类簇中的每个历史信号段相同位置信号点的幅值均值，构成一个平均信号段作为目标信号聚类簇的目标信号段；

20、将目标信号段的末尾端点幅值减去起始端点幅值的差值作为目标整体变化值；获取目标信号段的时间长度作为目标长度；将目标整体变化值与目标长度的比值作为状态转移因子；

21、选取目标信号段内的任一时刻作为目标时刻；

22、获取目标时刻与相邻下一时刻之间的时间差作为目标时刻差；

23、计算状态转移因子与目标时刻差的乘积作为目标局部变化值；

24、将目标时刻的幅值与目标局部变化值的相加结果作为目标时刻相邻下一时刻的预测幅值；

25、将获取目标时刻相邻下一时刻的预测幅值的公式，作为目标信号聚类簇匹配的待处理信号段的状态方程。

26、进一步地，所述噪声估测函数的获取方法，包括：

27、将每个历史信号段每个时刻在历史信号上的数据与历史信号的基线信号上对应数据之间的差异，作为对应时刻下的最大噪声范围；每个历史信号段的所有时刻下的所述最大噪声范围构成对应历史信号段的残差信号；

28、将每个历史信号段每个时刻在历史信号上的数据与平滑历史信号上对应数据之间的差异，作为对应历史信号段的噪声信号；

29、统计任一个信号聚类簇中所有历史信号段的残差信号的幅值，获取残差幅值直方图，对所述残差幅值直方图进行高斯函数拟合，获得对应信号聚类簇的高斯拟合函数；

30、统计任一个信号聚类簇中所有历史信号段的噪声信号的幅值，获得噪声幅值直方图；

31、将每个信号聚类簇的高斯拟合函数映射至对应的噪声幅值直方图中，每类噪声对应的高斯拟合函数与对应噪声幅值直方图中频次的差值，构成对应信号聚类簇的噪声估测函数。

32、进一步地，所述估测噪声库的获取方法，包括：

33、获取每个信号聚类簇的噪声估测函数中大于预设阈值的函数值作为目标函数值；

34、将目标函数值从大到小进行排序，获得一个有顺序的数据集作为对应信号聚类簇匹配的待处理信号段的估测噪声库。

35、进一步地，所述目标函数的获取方法，包括：

36、根据目标函数的公式获取目标函数，所述目标函数的公式为：

37、

38、式中，s为待处理信号段的目标函数；为待处理信号段中第k个时刻的待处理信号的幅值；为待处理信号段的第k个时刻的待处理信号的基线信号的幅值；为待处理信号段的估测噪声库中的第i个数据；为待处理信号段的噪声信号的第i类噪声幅值；p为待处理信号段上的时刻总数量；n为估测噪声库中选择的数据的数量；为待处理信号段第k个时刻在待处理信号中对应数据的最大噪声范围；e为自然常数；为绝对值函数。

39、进一步地，所述初始状态噪声的获取方法，包括：

40、当目标函数达到预设条件时，将估测噪声库中选择的数据对应的噪声类型作为目标噪声类型；

41、将目标噪声类型根据估测噪声库中对应的数据顺序进行排序，构成一个噪声类型序列，将噪声类型序列转化为一个协方差矩阵，作为待处理信号段的初始状态噪声。

42、进一步地，所述根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程的方法，包括：

43、将待处理信号段的状态方程与初始状态噪声的相加结果，作为待处理信号段的更新状态方程；

44、获取观测传感器采集数据的状态观测矩阵与观测幅值误差，将状态观测矩阵与更新状态方程获取的预测值的乘积，作为直观观测值；所述观测传感器为除超声波传感器之外的其他风速信号传感器；将同一时刻下的直观观测值减去观测幅值误差的差值作为对应时刻的观测值，将获取观测值的公式作为观测方程。

45、本发明具有如下有益效果：

46、对去噪后的历史信号进行分割，获取历史信号段，便于对离散且无明显规律变化的历史信号进行分析；对历史信号段进行聚类，获得信号聚类簇，将历史信号段分类进行分析，提高了分析的效率，同时避免了不同类型的历史信号段之间的影响，使得根据历史信号段对待处理信号的滤波处理效果更好；将去噪后的待处理信号进行分割，获取待处理信号段，确定每个待处理信号段匹配的信号聚类簇，便于根据相似的历史信号段对待处理信号段进行分析；根据每个信号聚类簇中的每个历史信号段的幅值变化，获取对应信号聚类簇匹配的待处理信号段的状态方程，便于后续获取待处理信号段的初始状态预测值；获取信号聚类簇的噪声估测函数，根据噪声估测函数的大小，获取信号聚类簇匹配的待处理信号段的估测噪声库，确定待处理信号段中可能存在的噪声类型；根据估测噪声库中选择的数据、以及待处理信号段在待处理信号中对应数据的最大噪声范围，构建待处理信号段的目标函数，根据目标函数的结果筛选出一组最贴合待处理信号中真实存在的噪声的噪声类型，构建为待处理信号段的初始状态噪声，使得初始状态噪声更贴合实际，进而卡尔曼滤波器的滤波效率更高、滤波结果更准确；根据每个待处理信号段的初始状态噪声与状态方程，获取对应待处理信号段的更新状态方程和观测方程，将更新状态方程和观测方程输入到卡尔曼滤波器中，大幅度提高了卡尔曼滤波器的性能，使卡尔曼滤波器在后续更新状态向量和误差协方差矩阵时，损耗更少、效率更快，同时去噪精度更高，进而提高了气象监测数据的数据精度，使得对气象的变化预测更准确。