基于DS证据理论的海洋水质数据在线分析评价方法
阅读：743发布：2020-05-11
专利汇可以提供基于DS证据理论的海洋水质数据在线分析评价方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及海洋 水 质数据在线分析技术领域，具体涉及基于DS证据理论的海洋水质数据在线分析评价方法。具体技术方案为：基于DS证据理论的海洋水质数据在线分析评价方法，先采用模糊理论计算 水体 水质特征参数的测量值相对不同水质等级的隶属度，再利用加权平均法和DS证据理论对隶属度进行融合处理，得到测量值相对不同水质标准等级的 置信度 ，以此判断目标水体的水质等级。本发明利用了模糊理论和DS证据理论在解决多源、不确定信息的表达和融合等方面的优势，消除了因海洋环境变化快、 传感器 自身性能造成的水质特征参数测量值边界模糊问题，解决了特征参数测量值的量化和评价结果均值化等问题。，下面是基于DS证据理论的海洋水质数据在线分析评价方法专利的具体信息内容。
1.基于DS证据理论的海洋水质数据在线分析评价方法，其特征在于：包括以下步骤：
(1)水质特征参数的测量，利用传感器实时测量海水水质特征参数的数值；
(2)水质特征参数的输入，向计算机中输入步骤(1)中采集的水质特征参数测量值、水质特征参数的标准值和最大偏差；
(3)水质测量数据分析，利用水质数据在线分析评价算法对步骤(2)输入的水质特征参数测量值进行处理和融合，得到综合的水质等级判断结果。
2.根据权利要求1所述的基于DS证据理论的海洋水质数据在线分析评价方法，其特征在于：所述水质数据在线分析评价算法的过程为：先采用模糊理论计算水体水质特征参数的测量值相对不同水质等级的隶属度，再利用加权平均法和DS证据理论对隶属度进行融合处理，得到测量值相对不同水质标准等级的置信度，以此判断目标水体的水质等级。
3.根据权利要求2所述的基于DS证据理论的海洋水质数据在线分析评价方法，其特征在于：所述水质数据在线分析评价算法的步骤为：
(a)定义海洋水质等级识别框架U，
U＝{U1,U2,…,Um} (1)
式(1)中，1,2,…,m为海洋水质等级；
(b)构造高斯隶属度函数，计算水质特征参数的测量值相对不同水质等级的隶属度即：
式(2)中，i表示第i个水质特征参数，j表示第j类水质等级，xi为第i个水质特征参数的测量值，cij和σij分别表示第i个水质特征参数相对第j类水质级别的标准值和最大偏差；
(c)计算水质特征参数的测量值相对不同水质等级的基本概率
式(3)中，λi是第i类水质等级占所有水质等级的权重，λi≥0，且 根据水质特征参数对水质等级影响的重要程度确定λi，
λi＝1/n,i＝1,2,…,n (4)
式(4)中，n为水质特征参数的数量；
(d)计算水质特征参数的测量值相对不同水质等级的组合概率，
式(5)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率；
(e)计算水质特征参数测量值的置信度Bel(A)，得到水质等级综合判断结果，式(6)中，A为水质等级识别框架U的子集，m(B)为所有支持A的水质特征参数测量值的基本概率。
4.根据权利要求3所述的基于DS证据理论的海洋水质数据在线分析评价方法，其特征在于：步骤(d)中，K的计算方法如下：
式(7)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率。
5.根据权利要求3所述的基于DS证据理论的海洋水质数据在线分析评价方法，其特征在于：步骤(d)中，K的计算方法如下：
式(8)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率。
6.根据权利要求1所述的基于DS证据理论的海洋水质数据在线分析评价方法，其特征在于：所述水质特征参数主要包括pH值、溶解氧、电导率和无机氮。
基于DS证据理论的海洋水质数据在线分析评价方法
技术领域
[0001] 本发明涉及海洋水质数据在线分析技术领域，具体涉及基于DS证据理论的海洋水质数据在线分析评价方法。
背景技术
[0002] 目前，世界各国都对海洋水质数据的综合处理和评价技术进行重点研究与攻关，以提高对海洋资源综合性利用、海洋污染预警和海洋生态环境保护能力。
[0003] 海洋水质数据在线分析和评价是一个动态、快速、非线性、多参数耦合的复杂过程，为了全面反映海洋水体的物理、化学和生物等特征，需要监测pH值、溶解氧、电导率、无机氮等多个特征参数以及汞、铅等微量元素，并对获得的水质特征参数测量值进行融合后才能得到真实的水质等级结果。
[0004] 近年来，国内外学者在海洋水质数据的综合处理和评价方面开展了大量研究，提出了多种方法，比较典型的方法包括单因子评价法(孙涛,张妙仙,李苗苗等.基于对应分析法和综合污染指数法的水质评价[J].环境科学与技术,2014,37(4):185-190.)、单项污染指数法(王肖肖,张妙仙,徐兵兵.模糊标识指数与对应分析法在水质评价中的联合应用[J].环境科学学报,2012,32(5):1227-1235.)、模糊综合评价法(王泽宇,郭萌雨,孙才志等.基于可变模糊识别模型的现代海洋产业发展水平评价[J].资源科学,2015,37(3):534-545.NazifS,KaramouzM,YousefiM，etal.Increasing Water Security:An Algorithm to Improve Water Distribution Performance[J].Water Resources Management,2013，27(8):2903-2921.)、多元统计法(梁保国,乐禄社.应用遥感技术进行污染源监测的多元统计方法[J].数理统计与管理,1992,11(1):16-19.Estabragh R M,Mohammadian M.A New Approach for Finding Real Power Generation Direction to Improve Voltage Stability Margin[J].Arabian Journal for Science and Engineering,2014,39(3):
1949-1959.J.W.Einax,U.Soldt.Geostatistical and multivariate statistical methods for the assessment of polluted soils-merits and limitations[J].Chemometrics and Intelligent Laboratory Systems，1999,46:79-91.)、灰色评价法(杨继东,侯晓东.灰色关联分析在环境质量评价中的应用.环境工程,1993,11(3):58-61.李连香,许迪,程先军等.基于分层构权主成分分析的皖北地下水水质评价研究[J].资源科学,2015,37(1):61-67.)、神经网络法(Lionel Valet,GillesMauris,Philippe Bolon,NaamenKeskes.A fuzzy rule-based interactive fusion system for seismic data analysis[J].Information Fusion 2003(4):123-133.师彪,李郁侠,于新花等.自适应人工鱼群-BP神经网络算法在径流预测中的应用[J].自然资源学报,2009,24(11):2005-
2013.苏安玉,李衡,濮励杰等.基于RAGA-BP神经网络模型的三江平原地下水资源预测研究[J].地理科学,2009,29(2):283-287.)。
1949-1959.J.W.Einax,U.Soldt.Geostatistical and multivariate statistical methods for the assessment of polluted soils-merits and limitations[J].Chemometrics and Intelligent Laboratory Systems，1999,46:79-91.)、灰色评价法(杨继东,侯晓东.灰色关联分析在环境质量评价中的应用.环境工程,1993,11(3):58-61.李连香,许迪,程先军等.基于分层构权主成分分析的皖北地下水水质评价研究[J].资源科学,2015,37(1):61-67.)、神经网络法(Lionel Valet,GillesMauris,Philippe Bolon,NaamenKeskes.A fuzzy rule-based interactive fusion system for seismic data analysis[J].Information Fusion 2003(4):123-133.师彪,李郁侠,于新花等.自适应人工鱼群-BP神经网络算法在径流预测中的应用[J].自然资源学报,2009,24(11):2005-
2013.苏安玉,李衡,濮励杰等.基于RAGA-BP神经网络模型的三江平原地下水资源预测研究[J].地理科学,2009,29(2):283-287.)。
[0005] 上述这些方法虽取得了较好的分析和评价效果，但是与海洋水质数据在线分析评价的时效性和准确性需求相比，现有方法还存在一定的局限性：
[0006] 一是未考虑海水水质特征参数间的关联性。采用均值、均方差、指数等方法分析单一水质特征参数与标准值的偏差，将偏差最大值作为水质评价结果。这些方法直接反映了水质状况与评价标准之间的关系，是目前使用较广泛的水质评价方法，不足之处是评价参数之间相互独立，选用偏差最大结果评价水质等级存在片面性。分级评分法虽按照水质等级采用不同方法，但因评分尺度选择随意，一般适用于较粗浅的水质评价。
[0007] 二是评价结果易出现均化、模糊失效等问题。以模糊数学、灰色理论为基础的评价方法(如模糊综合评价法、模糊综合指数法、灰色关联评价法、灰色聚类法、灰色贴近度法)引用了取大取小算法、隶属度函数或白化函数等，用隶属度或关联度来度量水体样本与各级标准级别的接近程度，在关联结果中选取最大关联度作为目标水体的水质评价结果。这类方法很好地解决了评价指标不易量化、水质数据边界模糊的问题。但是当评价指标较多时，评价结果会出现趋于均化、模糊失效的问题。
[0008] 三是水质评价模型需要数据多，建模时间长。BP神经网络、遗传算法、小波分析等智能算法在水质评价中的应用，解决了水质数据建模的非线性和复杂性问题，但是这些算法在建模时需要大量历史数据、训练时间长、人为赋权随机性大，构建的模型多用于海水水质的预测，目前未见在线分析评价的应用实例。
[0009] 目前，能够准确分析海洋水质状况，并满足快速、准确要求的在线海洋水质分析和评价方法，仍然没有得到有效解决。
发明内容
[0010] 为解决海洋环境变化迅速，水质数据在线分析难度大，水质特征参数耦合关系复杂、边界模糊等的问题，本发明提供了一种基于DS证据理论的海洋水质数据在线分析评价方法，该方法充分利用了模糊理论和DS证据理论在解决多源、不确定信息的表达和融合等方面的优势，消除了因海洋环境变化快、传感器自身性能造成的水质特征参数测量值边界模糊问题，解决了特征参数测量值的量化和评价结果均值化等问题。
[0011] 为实现以上目的，本发明通过以下技术方案予以实现：
[0012] 本发明提供了一种基于DS证据理论的海洋水质数据在线分析评价方法，包括以下步骤：
[0013] (1)水质特征参数的测量，利用传感器实时测量海水水质特征参数的数值；
[0014] (2)水质特征参数的输入，向计算机中输入步骤(1)中采集的水质特征参数测量值、水质特征参数的标准值和最大偏差；
[0015] (3)水质测量数据分析，利用水质数据在线分析评价算法对步骤(2)输入的水质特征参数测量值进行处理和融合，得到综合的水质等级判断结果。
[0016] 优选的，所述水质数据在线分析评价算法的过程为：先采用模糊理论计算水体水质特征参数的测量值相对不同水质等级的隶属度，再利用加权平均法和DS证据理论对隶属度进行融合处理，得到测量值相对不同水质标准等级的置信度，以此判断目标水体的水质等级。
[0017] 优选的，所述水质数据在线分析评价算法的步骤为：
[0019] U＝{U1,U2,…,Um} (1)
[0020] 式(1)中，1,2,…,m为海洋水质等级；
[0021] (b)构造高斯隶属度函数，计算水质特征参数的测量值相对不同水质等级的隶属度 即：
[0022]
[0023] 式(2)中，i表示第i个水质特征参数，j表示第j类水质等级，xi为第i个水质特征参数的测量值，cij和σij分别表示第i个水质特征参数相对第j类水质级别的标准值和最大偏差；
[0024] (c)计算水质特征参数的测量值相对不同水质等级的基本概率
[0025]
[0026] 式(3)中，λi是第i类水质等级占所有水质等级的权重，λi≥0，且 根据水质特征参数对水质等级影响的重要程度确定λi，
[0027] λi＝1/n,i＝1,2,…,n (4)
[0028] 式(4)中，n为水质特征参数的数量；
[0029] (d)计算水质特征参数的测量值相对不同水质等级的组合概率，
[0030]
[0031] 式(5)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率；
[0032] (e)计算水质特征参数测量值的置信度Bel(A)，得到水质等级综合判断结果，[0033]
[0034] 式(6)中，A为水质等级识别框架U的子集，m(B)为所有支持A的水质特征参数测量值的基本概率。
[0035] 优选的，步骤(d)中，K的计算方法如下：
[0036]
[0037] 式(7)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率。
[0038] 优选的，步骤(d)中，K的计算方法如下：
[0039]
[0040] 式(8)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率。
[0041] 优选的，还包括步骤(3)建立水质分析评价数据库。
[0042] 优选的，建立的水质分析评价数据库包括水质特征参数的测量值、水质特征参数测量值的基本概率、水质特征参数的测量值相对不同水质等级的基本概率、水质特征参数的测量值相对不同水质等级的组合概率、水质等级判断结果。
[0043] 优选的，所述水质特征参数主要包括pH值、溶解氧、电导率和无机氮。
[0044] 本发明具备以下有益效果：
[0045] 本发明利用了模糊理论和DS证据理论在解决多源、不确定信息的表达和融合等方面的优势，消除了因海洋环境变化快、传感器性能差异造成的水质特征参数测量值边界模糊问题，解决了特征参数测量值的量化和评价结果均值化等问题。实践应用结果表明，该方法能够快速、准确地分析和评价目标水体的水质等级，适合在线应用，能有效地提高海洋生态环境监测能力。附图说明
[0046] 图1为本发明结构示意图；
具体实施方式
[0047] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048] 若未特别指明，实施举例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0049] 参考图1，本发明公开了一种基于DS证据理论的海洋水质数据在线分析评价方法，包括水质数据在线分析处理和水质数据在线分析评价算法，其中，水质数据在线分析处理包括水质特征参数测量、水质特征参数输入、水质测量数据分析、水质数据输出。
[0050] 具体过程为：
[0051] (1)水质特征参数测量，是将传感器实时监测得到的海水水质特征参数的测量值集成到计算机中，实现传感器与计算机之间的数据传输。
[0052] (2)水质特征参数输入，在计算机中输入需要融合的水质特征参数的数量、水质特征参数的测量值、水质特征参数的标准值和最大偏差，使本发明的在线分析评价算法能够适应不同区域、不同季节变化对水质特征参数值的影响。
[0053] (3)水质测量数据分析，对传感器测量的数据进行处理，利用模糊理论构造隶属度函数，计算每个测量数据相对不同水质等级的隶属度，再利用证据理论对隶属度进行融合，得到综合的水质等级判断结果。
[0054] (4)数据输出是将水质特征参数测量值、水质特征参数的组合概率和水质等级判断结果进行输出。
[0055] (5)建立水质分析评价数据库，包括水质特征参数的测量值、水质特征参数测量值的基本概率、水质特征参数的测量值相对不同水质等级的基本概率、水质特征参数的测量值相对不同水质等级的组合概率、水质等级判断结果，便于后续水质级别在线预测使用。
[0056] 本发明先采用模糊理论计算水体水质特征参数的测量值相对不同水质等级的隶属度，再利用加权平均法和DS证据理论对隶属度进行融合处理，得到测量值相对不同水质标准等级的置信度，以此判断目标水体的水质等级。
[0057] 水质数据在线分析评价算法，包括以下步骤：
[0058] (1)定义海洋水质等级识别框架U，
[0059] U＝{U1,U2,…,Um} (1)
[0060] 式(1)中，m为海洋水质等级；
[0061] (2)利用Cauchy模糊集构造高斯隶属度函数，计算水质特征参数的测量值相对不同水质等级的隶属度 即：
[0062]
[0063] 式(2)中，i表示第i个水质特征参数，j表示第j类水质等级，xi为第i个水质特征参数的测量值，cij和σij分别表示第i个水质特征参数相对第j类水质级别的标准值和最大偏差；
[0064] (3)计算水质特征参数的测量值相对不同水质等级的基本概率
[0065]
[0066] 式(3)中，λi是第i类水质等级占所有水质等级的权重，λi≥0，且 根据水质特征参数对水质等级影响的重要程度确定λi，
[0067] λi＝1/n,i＝1,2,…,n (4)
[0068] 式(4)中，n为水质特征参数的数量；
[0069] (4)利用DS证据理论计算水质特征参数的测量值相对不同水质等级的组合概率，[0070]
[0071] 式(5)中，K的计算方法如下：
[0072] 或
[0073]
[0074] 式(5)(6)(7)中，x1,x2,…,xn分别为第1,2,…,n个水质特征参数，U1,U2,…,Un为水质等级识别框架U的子集，x1(U1),x2(U2),…,xn(Un)分别为第1,2,…,n个水质特征参数的测量值支持水质等级U1,U2,…,Un的基本概率；
[0075] (5)计算水质特征参数测量值的置信度Bel(A)，得到水质等级综合判断结果，[0076]
[0077] 式(8)中，A为水质等级识别框架U的子集，m(B)为支持水质等级A的水质特征参数测量值的基本概率；
[0078] 实施例
[0079] 一、水质数据在线分析处理
[0080] (1)选择海洋水质特征参数
[0081] 海洋水质特征参数主要包括盐度、pH、溶解氧、电导率、水温、无机磷、无机氮(硝酸盐、亚硝酸盐和氨)以及一些重金属元素等。在本实施例中，选择对水质等级判定影响较大且能够利用传感器测量得到的水质特征参数：pH值、溶解氧、电导率、无机氮。
[0082] (2)水质特征参数的测量
[0083] (a)pH值的测量采用电位分析法，使用测量电极和参比电极，通过测量其电位差，计算出海水的pH值。在本实施例中，选用了一种内置不锈钢探头、具有玻璃感应电极、适合在恶劣环境下工作、耐腐蚀的pH传感器，主要技术参数如下：
[0084] 测量范围：0.00～14.00pH；
[0085] 适应温度：0～80℃；
[0086] 输入电源：24V DC或220V AC；
[0088] (b)溶解氧的测量采用溶解氧传感器，该传感器采用极谱法、自动化溶解氧电极，该类传感器具有测量精度高、操作简单等优点，能够满足及时、连续监测的要求，其主要技术参数如下：
[0089] 测量范围：0.00～20.0mg/L，检测下值：0.01mg/L；
[0090] 输入电源：220V AC；
[0091] 响应时间：3min(90％，20℃)；
[0094] (c)电导率的测量采用四电极传感器，连续监测电导率参数，其主要技术参数如下：
[0095] 测量温度：(-10.0～120.0)℃；
[0096] 电源：交流电压(220V±22)；频率(50±0.5)Hz；
[0097] 电导率范围：0～1000m S/cm；
[0098] 输出信号：(4～20)mA。
[0099] (d)无机氮的测量通过检测海水硝酸盐(无机氮的主要存在形式)的含量实现，利用基于光谱法的硝酸盐传感器测量，主要技术指标如下：
[0100] 测量范围：(0.007～18)mg/L；
[0101] 测量精度：±0.028mg/L；
[0102] 现测得1组特征参数的测量值分别为：pH＝8.1，溶解氧＝5.6(mg/L)，电导率＝4.55(S/m)，无机氮＝0.33(mg/L)。
[0103] (3)水质特征参数输入
[0104] 在计算机中输入水质特征参数的标准值和最大偏差，以及需融合的水质特征参数的数量。
[0105] (4)水质测量数据分析
[0106] 在计算机中，通过水质数据在线分析评价算法对上述步骤(3)输入的水质特征参数进行分析和融合，得到水质等级判断结果。然后从计算机中输出水质特征参数的测量值、水质特征参数的组合概率和水质等级判断结果。
[0107] 二、水质数据在线分析评价算法
[0108] (1)计算水质特征参数测量值的隶属度
[0109] 海洋水质等级采用国家四类海水水质标准，分别为I、II、III、IV级，海洋水质等级识别框架为U＝{UI,UII,UIII,UIV}。
[0110] 计算每个水质特征参数的测量值分别相对I、II、III、IV 4级水质等级的隶属度，从下表1中查询水质特征参数的标准值cij和最大偏差σij，将这些值与水质特征参数的测量值xi一起代入式(2)进行计算即可。
[0111] 表1水质特征参数的标准值和最大偏差
[0112]
[0113]
[0114] 计算pH值的隶属度，设pH值是第1个特征参数，i＝1，x1＝8.1。
[0115] 计算pH测量值相对I级水质的隶属度，此时j＝I，根据表1可知c1I＝8.4，σ1I＝0.2，代入式(2)得，
[0116]
[0117] 计算pH测量值相对II级水质的隶属度，此时j＝II，根据表1可知c1II＝8.2，σ1II＝0.2，代入式(2)得，
[0118]
[0119] 计算pH测量值相对III级水质的隶属度，此时j＝III，根据表1可知c1III＝7.8，σ1III＝0.5，代入式(2)得，
[0120]
[0121] 计算pH测量值相对IV级水质的隶属度，此时j＝IV，根据附表1可知c1IV＝7.6，σ1IV＝0.5，代入式(2)得，
[0122]
[0123] 同理，按照上面的计算过程，分别计算溶解氧、电导率和无机氮测量值的隶属度，结果见下表2所示。
[0124] 表2水质特征参数测量值的隶属度
[0125]
[0126] (2)计算水质特征参数测量值的基本概率
[0127] 计算每个水质特征参数的测量值分别相对4级水质等级I、II、III、IV的基本概率，方法是把表2的隶属度分别代入式(3)进行计算即可。下面以pH测量值的基本概率计算过程为例进行详细说明。
[0128] 计算pH值测量值相对I级水质的基本概率，此时式(3)为，
[0129]
[0130] 查表2可知，代入上式得，
[0131]
[0132] 计算pH值相对II级水质的基本概率：
[0133]
[0134] 计算pH值相对III级水质的基本概率：
[0135]
[0136] 计算pH值相对IV级水质的基本概率：
[0137]
[0138] 同理，按照上面的计算过程，分别计算溶解氧、电导率、无机氮3个特征参数相对4级水质等级的基本概率，结果如下表3所示。
[0139] 表3水质特征参数测量值的基本概率
[0140]
[0141] (3)计算4个水质特征参数测量值的组合概率，给出测量数据对水质等级的支持度[0142] 此时式(5)写成如下形式：
[0143]
[0144] 式(6)写成如下形式：
[0145] K＝x1(UI)·x2(UI)·x3(UI)·x4(UI)+x1(UII)·x2(UII)·x3(UII)·x4(UII)+x1(UIII)·x2(UIII)·x3(UIII)·x4(UIII)+x1(UIV)·x2(UIV)·x3(UIV)·x4(UIV)[0146] 根据表3可得：
[0147] x1(UI)＝0.1226，x2(UI)＝0.4433，x3(UI)＝0.1910，x4(UI)＝0.0000，[0148] x1(UII)＝0.3331，x2(UII)＝0.5248，x3(UII)＝0.2779，x4(UII)＝0.8355，[0149] x1(UIII)＝0.3153，x2(UIII)＝0.0308，x3(UIII)＝0.3086，x4(UIII)＝0.1645，[0150] x1(UIV)＝0.2290，x2(UIV)＝0.8355，x3(UIV)＝0.1645，x4(UIV)＝0.0000。
[0151] 将这些参数代入上式，经计算得K＝0.0411。
[0152] 将K代入上面式(5)得组合概率为：
[0153]
[0154]
[0155]
[0156]
[0157] (4)计算水质特征参数测量值的置信度Bel(A)，得到水质综合判断结果[0158] 根据式(8)可知，
[0159]
[0160]
[0161]
[0162]
[0163] 4个水质特征参数的测量值经融合后，对I级和IV水质的置信度均为0.0％，II级水的置信度为98.80％，III级水的置信度为1.20％，由此确定目标水质的当前水质为II级。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于大数据实时网络流量异常检测方法 | 2020-05-08 | 303 |
| 一种用于生产高纯氮气的催化脱氧工艺 | 2020-05-08 | 994 |
| 一种SOFC发电系统原料气处理装置及方法 | 2020-05-12 | 824 |
| 全自动血浆处理设备及处理方法 | 2020-05-12 | 896 |
| 一种用于评价低碳烃氧化催化剂性能的中试试验装置 | 2020-05-13 | 549 |
| 透明LED显示屏基于智能变电站二次回路的图形化显示方法 | 2020-05-14 | 162 |
| 污水生化处理系统及控制方法 | 2020-05-08 | 931 |
| 行走辅助设备及其控制方法、控制装置和可读存储介质 | 2020-05-08 | 471 |
| 一种pH在线分析仪 | 2020-05-11 | 24 |
| PM2.5浓度检测装置 | 2020-05-11 | 760 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
在线分析处理热门专利
-
10 蒸汽喷射泵
QQ群二维码
意见反馈
意见反馈