一种基于径向基函数神经网络模型的城市洪水预警系统及其方法
【技术领域】
[0001] 本发明涉及一种智能监测预警系统及其方法，具体涉及一种基于径向基函数神经 网络模型的城市洪水预警系统及其方法，属于超声检测与智能预报技术领域。
【背景技术】
[0002] 在城市洪水预警方面，目前主要依靠人工观测、分析。但依靠人工观测会出现误差 大、效率低下、成本高昂、难以实现实时监测等缺点。随着城市的不断发展，城市结构日益复 杂。如果仅仅依靠人工去监测，已经难以满足城市发展的需要。
[0003] 传统的自动监测方法通过在城市的主要干道安装视频监测器，在各主要河道安装 水位计等方法，虽然解决了人工观测的缺陷，但是该方法难以实现自主检测、预警。并且需 要人员实时观测各视频和水位计信息，劳动强度大，对城市道路积水无法监测，不利于对城 市洪水的及时发现和处理。
【发明内容】
[0004] 针对现有技术存在的不足，本发明目的是提供一种基于径向基函数神经网络模型 的城市洪水预警系统及其方法，能够监测城市河流、湖泊、道路的水位信息，有利于对城市 洪水的及时发现和处理。
[0005] 为了实现上述目的，本发明是通过如下的技术方案来实现：
[0006] 本发明的一种基于径向基函数神经网络模型的城市洪水预警系统，其特征在于， 包括多个设置在城市各个区域的数据采集终端，每个数据采集终端包括传感器模块、与传 感器模块输出端相连接用于对采集到的信息进行预处理的微控制器和与微控制器输出端 相连接的网络接口，其中，所述传感器模块包括用于测量城市道路积水情况的超声波测距 传感器和用于测量低洼处水位信息的水位传感器；
[0007] 监控中心服务器，用于接收城市各个区域数据采集终端发送来的数据，利用径向 基函数神经网络模型对城市洪水情况进行预警判断，然后将监控数据及城市洪水预报情况 分析结果进行存储，并将城市洪水预报情况分析结果发送至客户端，其中，监控中心服务器 包括服务器数据库、服务器主机和与网络接口相连接的服务器通信模块；
[0008] 和客户端，通过网络与所述监控中心服务器进行互联，监控中心服务器向客户端 主动发送城市洪水预报情况分析结果，客户端也可以自主访问监控中心服务器进行信息查 询。
[0009] 上述超声波测距传感器安装在城市路灯杆上，所述水位传感器安装在城市河道、 涵洞以及桥梁底部。
[0010] 本发明的城市洪水预警系统的预警方法，具体包括以下几个步骤：
[0011] S01、根据各城市历史水文数据构建径向基函数神经网络模型；
[0012] S02、通过所述超声波测距传感器和水位传感器定时采集城市道路积水信息以及 城市河道、涵洞水位信息，并发送至其所在区域的微控制器；
[0013] S03、所述微控制器对步骤S02所采集到的数据进行滤波及去噪处理；
[0014] S04、各区域的微控制器将处理后的数据包通过网络接口发送给监控中心服务 器；
[0015] S05、所述服务器主机将发送来的监测水位信息首先进行减少冗余操作得到数据 样本，然后将数据样本作为径向基函数神经网络模型的输入，经过径向基函数神经网络模 型的识别之后，该神经网络直接输出是否需要发出预警信息以及洪水报警等级，如果需要 发出则转向步骤S06,如果不需要发出则转向步骤S02 ;
[0016] S06、监控中心服务器对监控数据及城市洪水预报情况分析结果进行存储，根据设 定的存储时间间隔对服务器数据库进行更新，并转向步骤S01利用数据库中的数据重新训 练径向基函数神经网络模型；
[0017] S07、监控中心服务器将城市洪水预报情况分析结果向客户端进行发布，所述客户 端也可以通过网络访问监控中心服务器，进行城市洪水情况查询。
[0018] 步骤S01中，所述径向基函数神经网络模型的构建方法如下：
[0019] (S011)、选择高斯函数作为径向基函数：
的欧式距离，X为系统输入矩阵，为第i个径向基函数单元的中心，widthi为第i个径向 基函数单元的半径，h为径向神经网络隐含层神经元的个数，h大于零；
[0021] (S012)、采用亲和传播聚类算法计算出径向基函数的中心q和半径widthi;
[0022] (S013)、采用极限学习机优化径向基函数神经网络模型，极限学习机的系数矩阵 表示为：
[0024] 其中，c为聚类中心，X为系统输入矩阵，根据公式：β=H+T计算出径向基函数神 经网络隐含层的权值，得到优化后的径向基函数神经网络模型，其中，T为系统的输出矩阵， β为径向基函数神经网络隐含层的权值。
[0025] 步骤（S012)中，所述亲和传播聚类算法具体步骤如下：
[0026] ①、初始化：设置最大迭代次数η和阻尼系数lam;
[0027] ②、计算吸引度r(1，m)和归属度a(l,m):
[0028] r(l,m)表示m点是否适合作为1点的聚类中心，a(l,m)表示1点是否选择m点作 为其聚类中心，r(1,m)和a(l,m)的计算公式如下：
[0029] r(l,m) =S(1,m)-max{a(1,j)+S(l,j)},j= 1, 2, 3···,Ν,j^m
[0032] S(l，m)矩阵表示1点和1点所在聚类的聚类中心m点的相似度，使用负欧式距离 的平方来计算：S(1，m) = -1 |Ι-m| |2,N为正整数；
[0033] ③、更新r(1，m)和a(l,m):
[0034] r(l,m) = (1-lam)Xr(1,m)+lamXr(1-1,m)
[0035] a(1，m) = (1-lam)Xa(1，m)+lamXa(1-1，m)
[0036] ④、判断a(m，m)+r(m，m)彡0,或者迭代次数大于n，如果条件成立跳入⑤，否则跳 入②；
[0037] ⑤、记录聚类的结果：统计聚类中心的个数NQ、聚类中心q，计算半径width;，其 公式如下：
[0039] 其中NQ为第i个聚类中心点的个数，q]表示聚类中心的第j点。
[0040] 步骤S03中，采用卡尔曼算法对数据进行滤波，具体的方法如下：
[0041] ①、计算预测估计值Xf和预测均方估计误差
[0044] 其中，为系统k-Ι次的状态变量，/\+_ι为系统k-Ι次的均方估计误差，A、B 为系统的系数矩阵，Dw为过程噪声w 方差，u为系统状态变量，A1'表示矩阵A的转置；
[0045] ②、计算卡尔曼增益Lk:
[0047] 其中，C为系统系数矩阵，Dv为过程噪声v 方差；
[0048] ③、计算状态变量Χ?和均方估计误差If:
[0051] 其中，Χ?就是传感器采集的数据经过系统滤波之后的值，Yk为系统观测变量。
[0052] 步骤S04中，所述数据包包括采集设备所在的位置信息、数据采集的时间以及采 集的道路积水信息、城市河道及涵洞处的水位信息。
[0053] 步骤S05中，监控中心服务器对设备采集的数据进行减少冗余的操作，得到数据 样本，为了能够剔除建模数据样本中的冗余部分，计算数据间的相似度：
[0055] 其中，Xl，X]为接收到的设备检测数据，Fu表示第i个数据和第j个数据之间的相 似度，其中，i，j均为正整数，I1*1I表示是矩阵的2-范数，δ是归一化的参数，如果两个数 据之间的相似度&大于50%，则剔除其中的一个冗余数据，当设备检测数据中的冗余数据 被剔除后，就得到了建模数据样本。
[0056] 步骤S06中，如果监控中心服务器对城市洪水预警等级进行了识别，监控中心服 务器对数据样本进行更新，数据采集终端发送的一个数据集，通过成功识别，则将该数据集 添加到数据样本中，组成一个新的数据集。
[0057] 步骤S07中，监控中心服务器发送的数据设有不同的访问权限，其中，水利部门用 户可以访问设备信息、基础设施信息在内的有关城市洪水预报的详细信息，普通公众用户 可以通过移动设备接收来自监控中心服务器推送的城市洪水预报信息，也可以通过网络主 动访问监控中心服务器查询城市洪水相关信息。
[0058] 本发明能够自动监测城市道路积水情况和城市河道水位变化情况，并根据城市洪 水情况进行预测预警，具有误差小、实时性高、成