专业英语.docx

专业英语.docx

《专业英语.docx》由会员分享，可在线阅读，更多相关《专业英语.docx（51页珍藏版）》请在冰豆网上搜索。

专业英语

专业英语

组员张强闵韩杰马士博杨瑞文

Detectionofwater-qualitycontaminationeventsbasedonmulti-sensorfusionusinganextentedDempster–Shafermethod

水污染事件检测质量的基于多传感器融合使用extenteddempster–shafer方法基于多传感器使用Dempster理论方法检测水质污染事件

Abstract

ThisstudypresentsamethodfordetectingcontaminationeventsofsourcesofdrinkingwaterbasedontheDempster–Shafer（D-S）evidencetheory.Thedetectionmethodhasthepurposeofprotectingwatersupplysystemsagainstaccidentalandintentionalcontaminationevents.Thispurposeisachievedbyfirstpredictingfuturewater-qualityparametersusinganautoregressive（AR）model.TheARmodelpredictsfuturewater-qualityparametersusingrecentmeasurementsoftheseparametersmadewithautomated（on-line）water-qualitysensors.FNext,aprobabilisticmethodassignsprobabilitiestothetimeseriesofresidualsformedbycomparingpredictedwater-qualityparameterswiththresholdvalues.Finally,theD-Sfusionmethodsearchesforanomalousprobabilitiesoftheresidualsandusestheresultofthatsearchtodeterminewhetherthecurrentwaterqualityisnormal（thatis,freeofpollution）orcontaminated.TheD-Sfusionmethodisextendedandimprovedinthispaperbyweightedaveragingofwater-contaminationevidenceandbytheanalysisofthepersistenceofanomalousprobabilitiesofwater-qualityparameters.TheextendedD-Sfusionmethodmakesdeterminationsthathaveahighprobabilityofbeingcorrectconcerningwhetherornotasourceofdrinkingwaterhasbeencontaminated.Thispaper'smethodfordetectingwater-contaminationeventswastestedwithwater-qualitytimeseriesfromautomated（on-line）waterqualitysensors.Inaddition,asmall-scale,experimental,water-pipenetworkwastestedtodetectwater-contaminationevents.ThetwotestsdemonstratedthattheextendedD-Sfusionmethodachievesalowfalsealarmrateandhighprobabilitiesofdetectingwatercontaminationevents.

摘要

本研究提出了一种用于检测基于DempsterShafer–饮用水源污染事件的方法（D-S）证据理论。

该检测方法具有保护水供应系统免受意外和故意污染事件的目的。

这是第一次使用一个自回归预测未来水质参数（AR）模型的实现。

AR模型预测未来水质参数，使用这些参数进行自动测量（在线）近期水质传感器。

其次，概率方法分配的概率与阈值比较预测水质参数形成的时间序列的残差。

最后，D-S证据融合方法寻找残差异常的概率和使用的搜索结果来判断水质是正常的（即，无污染或者污染）。

D-S证据融合方法改进和扩展，本文采用加权平均水污染的证据，通过对水质参数异常的概率性分析。

扩展的D-S融合方法测定有很高的概率是正确的关于是否饮用水源被污染。

本文的方法用于检测水污染事件进行了水质时间序列自动（在线）水质传感器。

此外，一个小规模的实验，水管网检测水污染事件。

两试验表明，扩展的D-S融合方法具有较低的误报率和检测水污染事件的高概率。

1.Introduction

Earlywarningsystems（EWS）forwaterqualityarebecomingmorefrequentlyusedbydrinking-waterpurveyorsandwater-qualitymonitoringagencies.In2005,theUSEnvironmentalProtectionAgency（USEPA）definedEWSas'anintegratedsystemformonitoring,analyzing,interpreting,andcommunicatingdata,whichcanthenbeusedtomakedecisionsthatareprotectiveofpublichealthandminimizeunnecessaryconcernandinconveniencetothepublic'[1].Mostwater-qualityEWSdetectwatercontaminationeventsbasedonwater-qualitycriteria.Inotherwords,awatercontaminationeventisdeclaredwhenreal-timewaterqualitydataareoutsidetheexpectedrangeofallowablewater-qualitycriteria,atwhichpointanalertisissued.Suchexceedance-criteriaeventdetectionmethod,however,mayoverlookimplicitinformationpresentinthewaterqualitymeasurementsandmaycauseahighfalsealarmrate（FAR）andfalsenegativerate（FNR）[2,3].

1简介

早期预警系统（EWS）水质越来越频繁使用的饮用水供应商和水质监测机构。

2005，美国环境保护署（USEPA）定义为“一种监测预警系统，综合系统分析，解释，并传送数据，然后可以用来做决定，保护公众健康和减少不必要的关注和对公众造成的不便”[1]。

大多数水质检测水污染事件预警系统基于水质标准。

换句话说，水污染事件时宣布实时水质数据超出允许的水质量标准的预期范围，在这一点上发出警报。

这种超越标准的事件检测方法，然而，可能忽略了隐性信息在测试水质现状及可能引起的高误报率（FAR）和假阴性率（FNR）[2，3]。

In2005,Halletal[4]demonstratedthatchangesinwater-qualityparameters,whichpotentiallyindicatecontamination,canbedetectedusingreal-ornearreal-timesensors.Empiricalevidenceshowsthatwaterqualityparameters,suchaspH,conductivity,totalorfreechlorineandTOC（totalorganiccarbon）,aresensitiveindicatorsofnicotine,arsenictrioxide,aldicarbandEscherichiacolicontaminants.Motivatedbythistypeofempiricalevidence,aclassofmethodsnamedanomaly-basedwater-contaminationeventdetectionhasgarneredincreasingattention.Theexistingmethodsforanomalydetectionofwater-contaminationeventsbasedononlinemeasurementsofwater-qualityparametersaremainlydividedintothreecategories,namely,statistical,artificialintelligenceanddataminingmethods.Statisticalmethodsarebasedontime-seriespredictionwithfixed-lengthmoving-timewindowandasinglewaterqualityparameter,whichcannottrackwelltrendspresentinwaterqualitydata[2,3,5–7].Artificialintelligence（AI）methods,suchasartificialneuralnetworks（ANN）andsupportvectormachines（SVM）,classifywaterqualitydataintonormalandanomalousclassesaftersupervisedlearningtraining[2,3,8].Data-miningmethods,suchasK-meansclassificationandthemultivariatenearest-neighbor（MV-NN）algorithm,whichcombinedifferentwater-qualityparametersandlocationinformation,arealsousedforprotectingdrinkingwatersystems[2,5,6,9,10].Inadditiontotheabovethreecategories,severalresearchersintroduceddata-fusionmethodstocombinevarioustypesofinformation,forexample,operationaldata[11],additionalstation-specificfeatures[8]anddatafrommultiplemonitoringstations[12]toimprovethedetectionofwater-contaminationevents.Althoughresearchonwater-contaminationeventdetectionhasproliferatedinrecentyears,carefulanalysisofthosemethodsrevealsthatmanyofthemstillhaveseveralshortcomings.Specially,they

（1）haveahighrateoffalsealarmsandfalsenegativesinpracticalapplicationsduetothecomplexityandincompletenessofwaterqualitydata;

（2）couldnotrealizemulti-featurefusiontoobtainacomprehensiveevaluatingresult;（3）arecumbersome,computationallydemandingandunsuitableforonlinedetection;（4）needalargenumberofrealwater-qualitycontaminationeventsformodeltraining,yetthelattereventsarerare.

2005，霍尔等人[4]表明，水质参数的变化，这可能表明污染，可以使用实时或接近实时的传感器检测。

经验证据表明，水质参数，如pH值，电导率，总的和游离氯和TOC（总有机碳），是尼古丁的敏感指标，三氧化二砷，涕灭威，大肠杆菌污染。

出于这类证据，一类方法基于水污染事件检测已经获得了越来越多的关注异常。

现有的水污染事件，基于水质参数在线测量的异常检测方法主要分为三类，即，统计，人工智能和数据挖掘的方法。

统计方法是基于固定长度移动时间窗口的时间序列预测和一个单一的水质参数，不能跟踪趋势，水质数据[2，3，5–7]。

人工智能（AI）的方法，如人工神经网络（ANN）和支持向量机（SVM），将水质数据为正常和异常类，经过学习训练[2，3，8]。

数据挖掘的方法，如k-均值分类和多元的最近邻（mv-nn）算法，并结合不同的水质参数和位置信息，也可用于保护饮用水系统[2，5，6，9，10]。

除了以上三类，一些研究人员介绍了数据融合方法，将各种类型的信息，例如，操作数据[11]，其他站的具体特点[8]和数据从多个监测站[12]提高水污染事件的检测。

虽然对水污染事件检测的研究在近几年激增，这些方法仔细分析发现，他们中的许多人仍然有几个缺点。

特别是，他们

（1）在实际应用中存在较高的误报率和漏报率由于水质数据的复杂性和不完整性；

（2）无法实现多特征融合得到综合评价结果；（3）繁琐，计算能力的要求，适合在线检测；（4）需要大量的实际水质污染事件模型的训练，但后者的事件是罕见的。

Consideringtheshortcomingscommonlyfoundinexistingmethods,thisstudyproposesawater-contaminationeventdetectorbasedonanextensionandimprovementoftheDempster–Shafer（D-S）evidencetheory.D-Sevidencetheorycanberegardedasanextensionofclassicalprobabilisticreasoning,whichmakesinferencesfromincompleteanduncertainknowledge,providedbydifferentindependentknowledgesources.AkeyadvantageofD-Sevidencetheoryisitsabilitytodealwithlackofknowledgeandmissinginformationaboutaphenomenonofinterest.Inparticular,itprovidesexplicitestimationoftheimprecisionandconflictsthatmayexistamongdifferentsourcesofinformation[14].Furthermore,D-Sevidencetheoryislesscomputationallyintensivethanothercompetingmethods[15].Giventhereferredadvantages,D-Sevidencetheoryhasbeenwidelyappliedinthefieldofeventdetection,multi-sensornetworks[16],patternclassification[17]andhyperspectralimageryprocessing[18].SentzandFerson[14]presentedseveralapplicationsoftheD-Sevidencedtheoryindetail.Amongtheseapplicationsonecancitenetworkanomalydetection[13,19],failuredetection[20,21]androadtrafficaccidentdetection[22].TheseapplicationshaveshownthatD-Sevidencetheoryhasbeensuccessfulinsolvingdetectionproblemswheredifferencesinsomecharacteristicsoftheevidencearenotenoughtodistinguish'normal'evidenceor'anomalous'evidence[13].

针对常见的现有方法的不足，本文提出了一种基于扩展和Dempster–谢弗改善水污染事件检测器（D-S）证据理论。

D-S证据理论可以看成是古典概率推理的延伸，使得不完整、不确定知识的推论，由不同的独立的知识来源。

D-S证据理论的一个关键优势是其应对一个现象感兴趣的知识和信息缺乏能力的缺失。

特别是，它提供的不精确性和可能存在的冲突的不同信息源之间的显式估计[14]。

此外，D-S证据理论比其他竞争方法[15]不计算密集。

鉴于简称D-S证据理论的优点，已广泛应用于事件检测领域，传感器网络[16]，模式分类的高光谱图像处理[17]和[18]。

森茨和汉斯[14]提出了应用D-S证据理论进行了详细介绍。

这些应用程序可以引用网络异常检测[13，19]中，故障检测[20，21]和[22]道路交通事故检测。

这些应用表明，D-S证据理论在证据的一些特征差异不足以区分“正常”或“异常”的证据的证据[13]解决检测问题是成功的。

Inthisstudy,theimprovedD-Stheoryforthedetectionofwater-contaminationeventsreliesonthetimesseriesofresidualsofwater-qualityparameterspredictionsandtheuseofweighted-averagingandtime-dimensioninformationtoresolveconflictsorambiguitiesthatarisewhenattemptingtodetectwater-contaminationevents.Suchconflictsorambiguitiesarenamedhereinevidenceconflicts.Simulatedandexperimentalwater-contaminationeventsofdifferentseverityareusedtotesttheproposedapproachfordetectingwater-contaminationevents.

在这项研究中，对水污染事件的检测改进的D-S证据理论依赖于水质参数的预测和加权平均和时间维度的信息来解决冲突或歧义出现企图检测水污染事件时，使用的时间序列的残差。

这样的矛盾或歧义载明证据冲突。

模拟不同程度的实验水污染事件是用来测试所提出的方法用于检测水污染事件。

2.Methodology

2.1.D-Sevidencetheory

2方法论

2.1D-S证据理论

TheD-StheoryofevidenceisbasedontheclassicworksofDempster[23]andShafer[24].TheD-Stheoryoffersanalternativetothetraditionalprobabilistictheoryforthemathematicalrepresentationofuncertainty[14].TheD-Stheory'sapplicationsrangefromexpertdecisionsupportsystemstomulti-attributedecision-makinganddatafusion.Inthissection,themainconceptsunderlyingtheD-Stheoryofevidencearesummarized,andbasicnotationisintroduced.

D-S证据理论是基于DempsterShafer[23]和[24]经典作品。

D-S证据理论提供了一种替代传统的概率理论对不确定性[14]的数学表示。

D-S证据理论的应用范围从专家决策支持系统的多属性决策和数据融合。

在这一部分中，潜在的D-S证据理论的主要概念进行了总结，并介绍了基本的符号