一种基于导数的实时频率跟踪算法_张超

第39卷第1期2021年1月吉林大学学报（信息科学版）Journal of Jilin University(Information Science Edition)Vol.39No.1Jan.2021文章编号：1671-5896(2021)01-0028-09改进的PSO-VMD算法及其在管道泄漏检测中的应用张超"，侯男"，路敬祎“，王闯“(东北石油大学a.人工智能能源研究院；b.黑龙江省网络化与智能控制重点实验室.黑龙江大庆163318)摘要：针对变分模态分解(V MD：Variational Mode Decomposition)算法分解后有效模态分量选择困难以及去噪效果不理想等问题.将粒子群(PSO：Particle Swarm Optimization)与VMD算法结合，提出一种基于混沌和Sigmoid 函数改进PSO的优化算法。

利用改进的PSO算法优化VMD的分解模态数"和惩罚因子a,进行模态分解，然后计算各模态分量概率密度函数与信号概率密度函数之间的欧氏距离(ED：Euclidean Distance),选取有效模态分量重构信号。

实验结果表明，该算法与VMD-C()RR(Variational Mode Decomposition-Correlation Coeffificient)算法和EMD-ED(Empirical Mode Decomposition-Euclidean Distance)算法相比，仿真信号和实际管道泄漏信号都得到了较好的去噪效果，并验证了其在管道泄漏检测中的有效性。

关键词：变分模态分解；粒子群优化算法；混沌；Sigmoid函数；欧氏距离；管道泄漏检测中图分类号：TN911.7文献标识码：AImproved PSO-VMD Algorithm and Its Application in Pipeline Leak DetectionZHANG Chao a b,HOU Nan",LU Jingyi",WANG Chuang"(a.Artificial Intelligence Energy Research Institute；b.Heilongjiang Key Laboratory ofNetworking and Intelligent Control,Northeast Petroleum University,Daqing163318,China)Abstract:In view of problems such as the difficulty in selecting effective modal components and the unsatisfactory denoising effect after the decomposition of VMD(Variational Mode Decomposition)algorithm, an optimization algorithm is proposed to improve PSO(Particle Swarm Optimization)by adjusting the inertia weight and the acceleration factor,which combines PSO with VMD algorithm.The improved PSO algorithm is used to optimize the decomposition mode number k and the punishment factor a of VMD and to conduct the decomposition of mode.Then the ED(Euclidean Distance)is calculated between the probability density function of each modal component and the probability density function of the signal,and the effective modal component is selected to reconstruct the signal.Experimental results show that compared with VMD-CORR (Variational Mode Decomposition-Correlation Coeffificient)algorithm and EMD-ED(Empirical Mode Decomposition-Euclidean Distance)algorithm,the proposed algorithm achieves better denoising effect for both simulated signals and actual pipeline leakage signals,which verifies its effectiveness in pipeline leakage detection.Key words:variational mode decomposition；particle swann optimization；chaos；sigmoid function；euclidean distance;pipeline leak detection收稿日期：2020-07-08基金项目：黑龙江省科学基金资助项目(F2018004)；黑龙江省自然科学基金资助项目(LH2020FD05)；黑龙江省省属高等学校基本科研业务费科研基金资助项目(2019QNL-11)；大庆市指导性科技计划基金资助项目(zd-20194)7)；武汉科技大学冶金装备及其控制教育部重点实验室开放基金资助项目(2O18AO1)；东北石油大学青年科学基金资助项目(2O18QNL-33)作者简介：张超(1996-),女，黑龙江集贤人，东北石油大学硕士研究生，主要从事长输油管道泄漏检测技术研究，(Tel)86459-6504338(E-mail)zhangchao924@；侯男(1990—),女，黑龙江巴彦人，东北石油大学副教授，主要从事网络化系统控制，故障检测和估计研究，(Tel)86459-6504338(E-mail)**************。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010025405.6(22)申请日 2020.01.10(71)申请人 北京航空航天大学地址 100191 北京市海淀区学院路37号(72)发明人 王兴坚　沈友昊　王少萍　张育玮　张超　(74)专利代理机构 北京高沃律师事务所 11569代理人 杨媛媛(51)Int.Cl.G05B 13/04(2006.01)(54)发明名称一种电静液作动器的控制方法及系统(57)摘要本发明公开了一种电静液作动器的控制方法及系统。

该方法包括：构建电静液作动器的动力学模型；按照能量转换过程对电静液作动器进行系统划分，得到多个子系统；基于动力学模型确定各个子系统的控制律；按照各个子系统的控制律对电静液作动器进行控制。

本发明的电静液作动器的控制方法及系统能够提高电静液作动器的控制精度。

权利要求书6页 说明书22页 附图4页CN 111240196 A 2020.06.05C N 111240196A1.一种电静液作动器的控制方法，其特征在于，包括：构建电静液作动器的动力学模型；按照能量转换过程对电静液作动器进行系统划分，得到多个子系统；基于所述动力学模型确定各个子系统的控制律；按照各个所述子系统的控制律对所述电静液作动器进行控制。

2.根据权利要求1所述的一种电静液作动器的控制方法，其特征在于，所述电静液作动器包括电机、泵和作动筒；所述电机用于驱动所述泵从而改变液压缸的压力，进而驱动所述作动筒；所述构建电静液作动器的动力学模型，具体包括：以无刷直流电机作为所述电静液作动器的电机，建立电机的电势平衡方程：式中，u e为电机控制电压；i e为电机电流；K e为电机反电动势系数；ωe为电机转速；R e为电机电枢电阻；L e为电机电枢电感，为i e的一阶导数；建立电机的转矩平衡方程：式中，K m为电机电磁力矩常数；为ωe的一阶导数；B m＝B e+B p为电机与泵的总负载阻尼系数，B e为电机负载阻尼系数，B p为泵负载阻尼系数；J m＝J e+J p为电机与泵的总转动惯量，J e 为电机转动惯量，J p为泵转动惯量；T e为电机输出转矩；建立液压缸的流量连续方程：式中，V P＝V/(2π)，V为泵的排量，A e为液压缸活塞的有效面积；x e为液压缸活塞的位移；为x e的一阶导数；V e为液压缸的总容积；C el为液压缸的总泄露系数，且C el＝C eli+0.5C ele，C eli、C ele分别为液压缸的内泄漏系数和外泄漏系数；E e为有效体积弹性模量；P e为负载压力，为P e的一阶导数；建立液压缸的力平衡方程：式中，m e为负载质量，为x e的二阶导数；B e为负载阻尼系数，F e为外负载，即活塞杆的输出力。

专利名称：一种基于改进自适应算法的科里奥利流量计信号跟踪方法
专利类型：发明专利
发明人：任建新,王鑫鹏,边琦,张鹏
申请号：CN201310039394.7
申请日：20130131
公开号：CN103162755A
公开日：
20130619
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于改进自适应算法的科里奥利流量计信号跟踪方法，解决现有信号跟踪方法难以长时间实时准确跟踪和测量信号频率的问题。

本发明基于奇异谱分析方法和基于优化零极点配置滤波算法，通过对输入信号进行预处理，构建以为传递函数的滤波器，动态调整滤波器模型，使极点以变角度的方式趋近于零点。

本发明能够实时、精确跟踪和测量传感器输出信号频率。

本方法与传统方法相比在频率跟踪方面具有更好的收敛性和实时性，实现了在工业现场中对科里奥利流量计传感器信号进行长时间、高精度的跟踪。

申请人：西安东风机电有限公司
地址：710077 陕西省西安市高新区锦业路69号创业研发园A区8号雷信科技园2楼
国籍：CN
代理机构：西安智邦专利商标代理有限公司
代理人：倪金荣
更多信息请下载全文后查看。

第34卷第6期2023年11月㊀㊀水科学进展ADVANCES IN WATER SCIENCE Vol.34,No.6Nov.2023DOI:10.14042/ki.32.1309.2023.06.002融合数据同化与机器学习的流域径流模拟方法邓㊀超1,陈春宇1,尹㊀鑫2,王明明3,张宇新4(1.河海大学水文水资源学院,江苏南京㊀210098;2.南京水利科学研究院水灾害防御全国重点实验室,江苏南京㊀210029;3.宿迁市水利局,江苏宿迁㊀223800;4.南京水科院瑞迪建设科技集团有限公司,江苏南京㊀210098)摘要:环境变化影响下流域径流的精确模拟对洪涝灾害防治与区域水资源管理都具有重要意义㊂在径流模拟研究中,现有机器学习模型未能充分考虑水文中间状态变量对降雨-径流过程的影响,本研究基于集合卡尔曼滤波(En-KF)更新水文状态变量,结合主成分分析(PCA)提取预报因子的主要特征,采用长短时记忆神经网络(LSTM)构建考虑水文中间变量的机器学习水文模型EnKF-PCA-LSTM㊂以赣江流域为例,评估EnKF-PCA-LSTM 模型的径流模拟效果,同时将模拟结果与LSTM 模型㊁物理水文模型HYMOD 做对比分析㊂结果表明,EnKF-PCA-LSTM 模型模拟径流的纳什效率系数㊁Kling-Gupta 效率系数和对数纳什效率系数分别为0.954㊁0.971和0.972,比LSTM 模型和HYMOD 模型具有更好的模拟性能,说明考虑水文状态变量可有效提高机器学习模型的径流模拟精度及稳定性㊂研究成果可为流域径流模拟提供技术参考㊂关键词:径流模拟方法;水文状态变量;集合卡尔曼滤波;主成分分析;长短时记忆神经网络中图分类号:TV122㊀㊀㊀文献标志码:A㊀㊀㊀文章编号:1001-6791(2023)06-0839-11收稿日期:2023-05-29;网络出版日期:2023-10-25网络出版地址:https :ʊ /urlid /32.1309.P.20231025.1028.0022基金项目:国家重点研发计划资助项目(2022YFC3202802);中央高校基本科研业务费专项资金资助项目(B210201030)作者简介:邓超(1989 ),男,湖南常德人,副教授,博士,主要从事水文过程机理及其模拟研究㊂E-mail:dengchao@ 径流模拟是流域水文预报领域非常重要的一环,也是水文水资源研究中最重要的科学问题之一[1]㊂近年来,受强人类活动和全球气候变暖等因素的影响,极端天气事件频发,洪涝干旱灾害加剧,对中国经济和社会造成了极为严重的损失[2-3]㊂因此,提出能够适应变化环境的流域径流模拟方法,从而提高流域径流模拟精度[4],具有重大的科学意义和实际应用价值㊂随着智能监测技术的全面发展,水文数据更易获取[5],而利用机器学习方法构建水文输入变量与输出变量的映射关系,用来开展流域径流模拟成为当前的研究热点之一[6-7]㊂长短时记忆神经网络(long short-term memory,LSTM)作为热门机器学习方法之一,在径流模拟领域已经有了广泛的研究和应用[8]㊂李大洋等[9]提出了基于变分贝叶斯与深度学习的水文概率预报新方法VB-LSTM,应用于黄河源区流域,结果表明,VB-LSTM 具有一定的灵活性与通用性,且有效提高了径流预报精度;Khandelwal 等[10]将LSTM 模型应用到500多个流域,发现LSTM 模型在更多样本数据训练时,预测结果优于物理机制模型㊂但目前基于LSTM 模型的流域径流模拟预报研究大多是将预测因子直接输入模型[11],而数据的多源性增加了模型的不确定性,影响了径流模拟的精准度和计算效率㊂近期,李步等[12]将主成分分析(principal component analysis,PCA)与LSTM 结合,构建了融合气象要素时空特征的PCA-LSTM 模型,该方法在黄河源区的应用效果证明了其适用性和鲁棒性㊂对于流域降雨-径流过程,水文中间状态变量如土壤湿度㊁蒸散发等,对流域径流的形成有着重要影响[11]㊂因此,如何提高水文模型对水文中间状态变量的估计,并将其充分应用到基于机器学习的流域径流模拟中以提高径流模拟精度,有待进一步研究㊂本文将采用集合卡尔曼滤波(ensemble Kalman filter,EnKF)㊁PCA 和LSTM 方法构建一种融合数据同化与机器学习的流域径流模拟模型,记为EnKF-PCA-LSTM,以赣江流域开展实例研究,通过同化土壤湿度㊁840㊀水科学进展第34卷㊀蒸散发状态变量,以期提高机器学习径流模拟精度,并选取HYMOD水文模型和LSTM模型进行对比分析,系统评估EnKF-PCA-LSTM模型的流域径流模拟效果㊂1㊀研究方法1.1㊀EnKF-PCA-LSTM模型本文提出的一种融合EnKF㊁PCA和LSTM的流域径流模拟模型㊂基于水文气象实测数据,通过SCE-UA 算法[13-14]率定HYMOD水文模型参数的最优值,以流域历史径流序列,采用EnKF更新流域水文模型的状态变量,即实际蒸散发(E T)和土壤湿度(M S);通过PCA方法进行主成分提取,得到流域径流模拟因子集合;根据筛选的径流模拟因子集合和流域实测径流训练LSTM模型,基于训练好的LSTM模型进行流域径流模拟㊂1.1.1㊀集合卡尔曼滤波EnKF结合了集合模拟预报的形式和卡尔曼滤波算法,通过蒙特卡洛方法计算状态变量的预测误差协方差,将预测值和观测值之间的误差协方差最小化来优化目标估计㊂主要步骤分为预测和更新,首先利用状态转移方程对实际问题的状态变量进行预测,然后根据观测信息和计算得到的增益因子,更新状态变量[15-16]㊂1.1.2㊀主成分分析PCA是最常用的线性降维方法之一,主要步骤是对每一个特征进行去均值处理,求其协方差矩阵,再求协方差矩阵的特征值和相对应的特征向量,选取前k个最大的特征值,最后将原始特征投影到选取的特征向量上,得到降维后的k维特征,以此使用较少的数据维度,同时保留住较多的原数据点的特性㊂PCA具体计算步骤可参考文献[17]㊂当PCA能够提取满足赣江流域径流模拟的因子特征时,进一步增加主成分阈值对径流模拟影响较小[12],故本文主成分阈值设为85%㊂1.1.3㊀长短时记忆神经网络LSTM能够有效捕捉长时序数据之间的关联,缓解梯度消失或爆炸现象㊂LSTM的核心结构分为4个部分:遗忘门㊁输入门㊁细胞状态和输出门㊂其中,遗忘门决定从之前隐藏层状态中需要舍弃的信息;输入门选择用哪些新获取的信息更新状态;细胞状态负责更新记忆单元状态变量,这也是LSTM有长时间记忆能力的关键;输出门将部分记忆单元状态变量生成隐藏层状态变量,形成循环结构㊂LSTM在水文模拟预报中的详细运算过程可参考文献[18]㊂1.1.4㊀EnKF-PCA-LSTM模型基于以上方法,本文构建了一种融合EnKF㊁PCA和LSTM的流域径流模拟模型,该方法步骤主要包括(图1):(1)将降水(P)㊁潜在蒸散发(E TP)以及流域出口断面径流(Q int)等作为输入数据;采用SCE-UA优化算法,率定得到HYMOD模型参数的最优值,而后基于HYMOD模型采用EnKF更新状态变量(E T㊁M S),更新过程中HYMOD水文模型参数固定不变[19]㊂(2)参考PCA与机器学习结合在水文预报领域的研究[20-21],将主成分阈值设为85%,并采用2种方式进行流域径流模拟因子主成分提取:①针对更新后的状态变量,结合驱动变量P㊁Q int,同时作为输入变量通过PCA进行主成分提取;②将更新后的状态变量与驱动变量分别采用PCA进行主成分提取㊂(3)将提取得到的主成分输入LSTM模型,基于流域径流实测资料训练LSTM模型,最后基于训练好的LSTM模型,开展流域径流模拟㊂㊀第6期邓超,等:融合数据同化与机器学习的流域径流模拟方法841㊀图1㊀EnKF-PCA-LSTM 模型流程Fig.1Flow chart of the proposed EnKF-PCA-LSTM model1.2㊀对照模型为评估EnKF-PCA-LSTM 模型的可行性,本文与LSTM 机器学习模型和HYMOD 水文模型作对比研究㊂为验证同化后水文状态变量对径流模拟的影响,LSTM 模型的输入变量包括降水㊁径流㊁蒸散发和HYMOD 模拟得到的未同化处理的土壤湿度㊂HYMOD 模型是一种基于蓄满产流理论的集总式水文模型,将一个流域分为无限个不相关联的点的集合,每一个点都含有一定的初始土壤含水量,并且该点有其最大蓄水能力(C max ),当该点的降水量超过C max 时,超出的降水则转为径流㊂模型的产流计算基于流域蓄水能力曲线[22-23],公式如下:F (C )=1-1-C C max ()B (1)式中:F (C )为流域内某点蓄水能力累积率;C 为流域内某点的蓄水能力,mm;B 为流域内某点的蓄水能力空间变化指数㊂2㊀研究区域与数据2.1㊀研究区域赣江是长江主要支流之一,为江西省最大河流,流域面积达81800km 2㊂赣江位于长江中下游南岸,自然落差为937m,平均年径流深为849mm,平均年径流系数为0.61㊂流域发源于江西省赣州市石城县洋地乡石寮岽,地形组成较为复杂,其中山地㊁低丘㊁丘陵分别占流域总面积的44%㊁31%和21%,其他为水域和平原㊂流域汛期为4 9月,丰枯变化显著,汛期水量约占全年的73%~78%,多年平均最大月径流量与最小月径流量比值为5~9[24-25]㊂2.2㊀数据本文构建模型的输入数据分别为:(1)Q int 来源于水文年鉴外州水文控制站的实测日平均流量数据㊂(2)降水来源于中国气象数据网(http:ʊ /)中赣江流域内及其附近的16个气象站点(如图2所示)数据㊂(3)蒸散发包括潜在蒸散发和实际蒸散发㊂潜在蒸散发采用中国气象数据网获取的蒸发皿蒸发数据,实际蒸散发来源于国家青藏高原科学数据中心(http:ʊ /zh-hans /)的遥感反演产品PML-V2[26]㊂采用泰森多边形法计算流域面平均降水㊁面平均蒸发皿蒸发㊂流域面平均实际蒸散发基于蒸散发产品,采用Python 的GeoPandas 库处理得到㊂由于蒸散发产品PML-V2的起始时间序列为2002-07-04,故输入数据样本选用2002-07-04/2010-12-31,并将该段样本数据以7ʒ3的比例分为率定期和验证期,即2002-07-04/2008-06-12为训练期(率定期),2008-06-13/2010-12-31为测试期(验证期)㊂842㊀水科学进展第34卷㊀由于模型的预热期导致EnKF同化之后的数据初始阶段误差较大,为降低对后续模型径流模拟的影响,同时考虑数据的完整性,选择2002-07-04/10-04共3个月为预热期㊂在EnKF更新水文中间状态变量之后,t 记为径流模拟当前时刻,t-1为模拟当天的前一日,则PCA的输入变量为Q t-1㊁P t㊁E T,t和M S,t㊂图2㊀赣江流域地理位置及观测站点分布Fig.2Ganjiang River basin and the location of gauging stations2.3㊀模型参数设置(1)EnKF-PCA-LSTM模型㊂HYMOD水文模型参数的初始值和参考取值范围如表1所示,模型参数采用SCE-UA优化算法率定得到;LSTM模型的超参数主要包括隐藏层数(num_layers)㊁舍弃率(droupout)㊁迭代次数(epochs)㊁隐藏神经元数量(hidden_size)㊁训练批次大小(batch_size)㊁学习率(learning_size),超参数的设置也会影响到模型的预测效果和预测时间[27]㊂本研究参考相关文献并结合前期实验选取参数率定范围[27-28],LSTM模型根据给定的参数率定范围进行多次迭代计算,并自动输出评价指标Kling-Gupta效率系数最优值对应的一组参数㊂EnKF-PCA-LSTM模型中LSTM的主要超参数设置如下:num_layers值为1㊁droupout值为0.15㊁epochs值为10㊁hidden_size值为40㊁batch_size值为32㊁learning_size值为0.01,其中num_layers默认设置为1层,不参与模型参数优选率定过程,则LSTM模型需要通过参数优选率定的超参数为5个,模型损失函数选取均方根误差(E MS),模型采用Adam优化器,输入数据采用 Max-Min 归一化方法㊂表1㊀HYMOD模型参数及取值范围Table1Definition of HYMOD model parameters and their ranges模型参数初始值最小值最大值最大蓄水能力(C max)201500土壤持水量空间分布指数(B)0.20.12快㊁慢流速分水系数(α)0.100.99慢速流退水系数(R s)0.10.10.99三层线性快速流退水系数(R q)0.0500.1㊀第6期邓超,等:融合数据同化与机器学习的流域径流模拟方法843㊀㊀㊀(2)对照模型㊂为充分证明EnKF-PCA-LSTM 模型的可行性,HYMOD 模型㊁LSTM 模型的超参数设置与EnKF-PCA-LSTM 模型中对应参数设置保持一致㊂其中,HYMOD 模型的输入为流域径流量㊁面平均降水量和潜在蒸散发量,输出为土壤湿度和HYMOD 模拟径流;LSTM 模型的输入为流域径流量㊁面平均降水量㊁潜在蒸散发量和HYMOD 模型模拟的土壤湿度,输出为流域径流㊂同时,为了检验模型的鲁棒性,本文采用设置不同标准差的高斯噪音来模拟真实环境中的不确定性[29],检验EnKF-PCA-LSTM 模型是否对作为LSTM 模型的输入数据过拟合㊂2.4㊀评价指标本文采用3个指标评价模型的性能,分别为纳什效率系数(E NS )㊁Kling-Gupta 效率系数(E KG )和径流对数的纳什效率系数(E NSlnQ )㊂计算公式分别为:E NS =1-ðn t =1(Q sim,t -Q obs,t )2ðn t =1(Q obs,t -Q obs,t )2(2)E KG =1-(r -1)2+(α-1)2+(β-1)2(3)E NSlnQ =1-ðn t =1[ln(Q sim,t +ζ)-ln(Q obs,t +ζ)]2ðn t =1[ln(Q obs,t +ζ)-ln(Q obs,t +ζ)]2(4)式中:Q sim,t 为t 时刻的模型模拟流量;Q obs,t 为t 时刻的观测流量;Q obs,t 为观测流量的平均值;r 为皮尔逊线性相关系数;α为日径流量模拟值与日径流量观测值标准差的比值;β为模拟日径流量与实测日径流量平均值的比值;n 为时间序列的长度;ζ为常数,用来处理流域特别时段出现的零流量现象,建议取值为整个时段观测径流平均值的1%[30],即ζ=0.01Q obs,t ;ln(Q obs,t +ζ)为观测流量加上常数ζ后取对数的平均值㊂E NS 为一个标准化统计指标[31],E KG 主要用于对高流量模拟的评估[32],E NSlnQ 主要用于评估低流量的模拟效果[30],E NS ㊁E KG 和E NSlnQ 的取值范围都为(-ɕ,1],取值越接近于1,说明模型的模拟效果越好,反之越差㊂3㊀结果与讨论3.1㊀PCA 2种方式对比为了对比在EnKF-PCA-LSTM 模型径流模拟过程中数据同化之后,状态变量与驱动变量同时或分别作为输入变量进行主成分提取的降维结果对最终径流模拟效果的影响,做如下对比研究㊂方案一:当数据同化之后,对状态变量与驱动变量分别进行主成分提取,再将二者的主成分集合作为LSTM 的输入数据,进行径流模拟㊂方案二:将数据同化后的状态变量与驱动变量共同进行主成分提取,并将主成分集合输入LSTM 模型进行模拟,2种方案的评价指标对比见表2,径流模拟结果如图3所示㊂表2㊀2种PCA 降维方案下径流模拟结果对比Table 2Comparison of catchment streamflow performances under two PCA dimension reduction scenariosPCA 方案率定期验证期E NS E KG E NSlnQ E NS E KG E NSlnQ 方案一0.9480.9580.9740.9510.9190.976方案二0.9480.9580.9700.9540.9710.974844㊀水科学进展第34卷㊀㊀㊀根据表2所示结果,在验证期内,方案二的E KG比方案一高,其可能的原因是:方案一进行的2次PCA 过程共保留了2个主成分,这也增加了噪声数据对径流模拟的影响[33],而方案二进行的PCA过程只保留了1个主成分,且贡献率约为97%,相比于方案一在保留输入数据主要特征的同时,也有效降低了噪声数据的影响㊂为了评估PCA在提出方法中的必要性,本文设置了驱动数据和同化后的状态变量不进行PCA处理的对比方案,直接作为LSTM的输入数据,参数设置与方案二保持一致,结果显示率定期的E KG为0.918,验证期的E KG为0.916,其他评价指标也均略低于方案一和方案二㊂表明采用PCA方法进行主成分提取能够降低噪声数据对径流模拟结果的影响㊂在考虑PCA的情景下,2种方案的E NS和E NSlnQ相差不大,但在湿润㊁半湿润地区径流模拟工作中,一般更关注高流量径流,因此,本文采用方案二与HYMOD模型和LSTM模型作以下对比研究㊂图3㊀2种PCA降维方案下径流模拟过程对比Fig.3Comparison of simulated and observed streamflow under two PCA dimension reduction scenarios3.2㊀不同模型结果对比图4展示了EnKF-PCA-LSTM模型(方案二)与对比模型HYMOD模型和LSTM模型的径流模拟过程,表3展示了各模型的评价指标结果㊂以验证期为例,EnKF-PCA-LSTM㊁LSTM和HYMOD模型的E NS分别为0.954㊁0.952和0.841,E KG分别为0.971㊁0.900和0.849,E NSlnQ分别为0.974㊁0.972和0.825㊂结果显㊀第6期邓超,等:融合数据同化与机器学习的流域径流模拟方法845㊀示,3种模型的所有评价指标均大于0.8,表明3种模型在赣江流域均能取得良好的径流模拟效果㊂提出的EnKF-PCA-LSTM模型结果最优,LSTM模型次之,而HYMOD模型最差㊂相较于对照模型LSTM和HYMOD, EnKF-PCA-LSTM模型径流模拟结果的E NS分别提高了0.2%和13.4%,E KG分别提高了7.9%和14.4%,而E NSlnQ相较于LSTM模型无提升,相较于HYMOD模型则提高了17.8%㊂图4㊀不同模型模拟径流与实测径流对比Fig.4Comparison of observed and simulated streamflow different modelsHYMOD模型作为物理过程水文模型,是对流域真实水文过程的概化,其刻画的降雨径流过程会存在不足,导致径流的模拟存在一定的误差㊂径流过程的高水㊁低水过程较小的绝对误差亦会产生较大的相对误差,使得HYMOD模型对于径流过程的总体结果相对较差㊂LSTM模型是基于数理统计的数据驱动模型[34],846㊀水科学进展第34卷㊀能够基于历史降水㊁径流等实测数据挖掘更为准确的降雨径流映射关系,相比于HYMOD模型其径流模拟过程更接近于实测径流,但LSTM模型本质仍然是基于数据分析建立的映射关系,未能考虑水文循环过程中的中间变量对径流过程的影响[35-36]㊂提出的EnKF-PCA-LSTM模型既能充分考虑了水文中间状态变量对径流过程的影响,也能减少噪声数据,提高LSTM模型的计算效率,上述径流模拟结果也验证了该模型在3个模型中表现最优,特别是在径流过程高水部分的效果提升㊂表3㊀不同模型评价指标对比结果Table3Comparison of streamflow performances from different models模型率定期验证期E NS E KG E NSlnQ E NS E KG E NSlnQEnKF-PCA-LSTM0.9480.9580.9700.9540.9710.974 LSTM0.9430.9030.9650.9520.9000.972HYMOD0.7900.8620.8520.8410.8490.8253.3㊀模型鲁棒性检验表4展现了在不同标准差的高斯噪声下,EnKF-PCA-LSTM模型与LSTM模型径流模拟结果的E NS值㊂结果表明,EnKF-PCA-LSTM模型与LSTM模型对于不同标准差的高斯噪声几乎不受影响,E NS值始终保持在0.94以上,并且没有发生骤降趋势,证明了EnKF-PCA-LSTM模型未对作为LSTM模型的输入数据过拟合,具有很好的鲁棒性㊂表4㊀EnKF-PCA-LSTM模型与LSTM模型鲁棒性表现Table4Robust performance of EnKF-PCA-LSTM model and LSTM model模㊀型不同标准差下的E NS值0.030.040.060.080.100.120.140.160.180.20EnKF-PCA-LSTM0.9540.9540.9530.9530.9530.9520.9520.9520.9510.951 LSTM0.9520.9520.9520.9510.9510.9510.9500.9500.9490.9494㊀结㊀㊀论本研究以赣江流域为例,对比了EnKF-PCA-LSTM模型㊁LSTM模型和HYMOD模型在日尺度下的径流模拟结果,主要结论为:(1)本研究提出了考虑水文中间状态变量的机器学习模型EnKF-PCA-LSTM,通过融合集合卡尔曼滤波和主成分分析方法,不仅考虑了水文状态变量对径流过程的影响,还减少了输入数据的不确定性,提高了机器学习模型对径流模拟输入因子有效信息的引入,可为变化环境下的流域水文模拟提供技术支撑㊂(2)在EnKF-PCA-LSTM模型径流模拟过程中,经过EnKF同化之后,状态变量与驱动变量同时作为输入变量进行降维处理,其最终径流模拟结果要优于状态变量与驱动变量分开降维的结果,说明并非主成分数量越多,EnKF-PCA-LSTM模型径流模拟效果越好,过多的主成分数量会增加噪声数据的影响,削弱主成分分析的降维效果㊂(3)以验证期为例,EnKF-PCA-LSTM模型的Kling-Gupta效率系数对比LSTM模型和HYMOD模型分别提高了7.9%和14.4%;纳什效率系数和径流对数的纳什效率系数较HYMOOD模型分别提高了13.4%和17.8%,表明EnKF-PCA-LSTM模型具有很好的适用性和鲁棒性,模型可提高径流模拟精度,特别是在高水径流过程㊂㊀第6期邓超,等:融合数据同化与机器学习的流域径流模拟方法847㊀本文引入EnKF-PCA-LSTM模型的目的在于通过数据同化技术考虑水文中间状态变量的影响,从而提高流域径流模拟精度㊂本次研究采用了集总式水文模型,后续可基于分布式水文模型考虑多维状态变量及下垫面空间异质性对流域产汇流的影响来开展流域径流模拟预报研究㊂参考文献:[1]NIU W J,FENG Z K.Evaluating the performances of several artificial intelligence methods in forecasting daily streamflow time se-ries for sustainable water resources management[J].Sustainable Cities and Society,2021,64:102562.[2]宋晓猛,张建云,占车生,等.气候变化和人类活动对水文循环影响研究进展[J].水利学报,2013,44(7):779-790. (SONG X M,ZHANG J Y,ZHAN C S,et al.Review for impacts of climate change and human activities on water cycle[J]. Journal of Hydraulic Engineering,2013,44(7):779-790.(in Chinese))[3]张建云,王银堂,贺瑞敏,等.中国城市洪涝问题及成因分析[J].水科学进展,2016,27(4):485-491.(ZHANG J Y, WANG Y T,HE R M,et al.Discussion on the urban flood and waterlogging and causes analysis in China[J].Advances in Water Science,2016,27(4):485-491.(in Chinese))[4]张海荣.耦合天气预报的流域短期水文预报方法研究[D].武汉:华中科技大学,2017.(ZHANG H R.Watershed short-term hydrological forecast coupling with weather forecasting[D].Wuhan:Huazhong University of Science and Technology,2017. (in Chinese))[5]芮孝芳.水文学与 大数据 [J].水利水电科技进展,2016,36(3):1-4.(RUI X F.Hydrology and big data[J].Ad-vances in Science and Technology of Water Resources,2016,36(3):1-4.(in Chinese))[6]HAO R N,BAI Z parative study for daily streamflow simulation with different machine learning methods[J].Water, 2023,15(6):1179.[7]董宁澎,余钟波,王浩,等.耦合水库群参数化方案的区域陆面水文模拟[J].水科学进展,2021,32(5):670-682. (DONG N P,YU Z B,WANG H,et al.Regional coupled land surface-hydrologic simulation fully coupled with reservoir network scheme[J].Advances in Water Science,2021,32(5):670-682.(in Chinese))[8]张力,王红瑞,郭琲楠,等.基于时序分解与机器学习的非平稳径流序列集成模型与应用[J].水科学进展,2023,34 (1):42-52.(ZHANG L,WANG H R,GUO B N,et al.Integrated model and application of non-stationary runoff based on time series decomposition and machine learning[J].Advances in Water Science,2023,34(1):42-52.(in Chinese)) [9]李大洋,姚轶,梁忠民,等.基于变分贝叶斯深度学习的水文概率预报方法[J].水科学进展,2023,34(1):33-41. (LI D Y,YAO Y,LIANG Z M,et al.Probabilistic hydrological forecasting based on variational Bayesian deep learning[J].Ad-vances in Water Science,2023,34(1):33-41.(in Chinese))[10]KHANDELWAL A,XU S M,LI X,et al.Physics guided machine learning methods for hydrology[EB/OL].[2023-04-29].https:ʊ/abs/2012.02854.pdf.[11]BHASME P,VAGADIYA J,BHATIA U.Enhancing predictive skills in physically-consistent way:physics informed machinelearning for hydrological processes[J].Journal of Hydrology,2022,615:128618.[12]李步,田富强,李钰坤,等.融合气象要素时空特征的深度学习水文模型[J].水科学进展,2022,33(6):904-913.(LI B,TIAN F Q,LI Y K,et al.Development of a spatiotemporal deep-learning-based hydrological model[J].Advances in Water Science,2022,33(6):904-913.(in Chinese))[13]王宇晖,雷晓辉,蒋云钟,等.HYMOD模型参数敏感性分析和多目标优化[J].水电能源科学,2010,28(11):15-17,122.(WANG Y H,LEI X H,JIANG Y Z,et al.Parameter sensitivity analysis and multi-objective optimization on HYMOD model[J].Water Resources and Power,2010,28(11):15-17,122.(in Chinese))[14]DUAN Q Y,GUPTA V K,SOROOSHIAN S.Shuffled complex evolution approach for effective and efficient global minimization[J].Journal of Optimization Theory and Applications,1993,76(3):501-521.[15]BURGERS G,jan van LEEUWEN P,EVENSEN G.Analysis scheme in the ensemble Kalman filter[J].Monthly Weather Re-view,1998,126(6):1719-1724.[16]REICHLE R H,MCLAUGHLIN D B,ENTEKHABI D.Hydrologic data assimilation with the ensemble Kalman filter[J].Monthly Weather Review,2002,130(1):103-114.[17]朱春苗,吴海江,宋小燕,等.基于多因子组合的SVR模型在松花江流域径流预报中的应用[J].水电能源科学,848㊀水科学进展第34卷㊀2021,39(6):12-15,41.(ZHU C M,WU H J,SONG X Y,et al.Application of SVR model based on multi-factors combi-nation in streamflow forecasting of Songhua River basin[J].Water Resources and Power,2021,39(6):12-15,41.(in Chi-nese))[18]KRATZERT F,KLOTZ D,BRENNER C,et al.Rainfall-runoff modelling using Long Short-Term Memory(LSTM)networks[J].Hydrology and Earth System Sciences,2018,22(11):6005-6022.[19]王卫光,邹佳成,邓超.赣江流域多种数据同化方案的径流模拟比较[J].湖泊科学,2023,35(3):1047-1056.(WANG W G,ZOU J C,DENG parison of data assimilation based approach for daily streamflow simulation under multi-ple scenarios in Ganjiang River basin[J].Journal of Lake Sciences,2023,35(3):1047-1056.(in Chinese)) [20]HUANG S C,LAWRENCE D,IRENE BEOX N,et al.Direct statistical downscaling of monthly streamflow from atmosphericvariables in catchments with differing contributions from snowmelt[J].International Journal of Climatology,2021,41(S1): E2757-E2777.[21]FAN Y R,HUANG G H,LI Y P,et al.Development of PCA-based cluster quantile regression(PCA-CQR)framework for stre-amflow prediction:application to the Xiangxi River watershed,China[J].Applied Soft Computing,2017,51:280-293. [22]MOORE R J.The probability-distributed principle and runoff production at point and basin scales[J].Hydrological SciencesJournal,1985,30(2):273-297.[23]全钟贤,罗华萍,孙文超,等.概念性水文模型HYMOD在雅砻江流域的适用性研究[J].北京师范大学学报(自然科学版),2014,50(5):472-477.(QUAN Z X,LUO H P,SUN W C,et al.Application of conceptual hydrological model HYMOD in the Yalong River basin[J].Journal of Beijing Normal University(Natural Science),2014,50(5):472-477.(in Chinese))[24]SOLDATOVA E A,SAVICHEV O G,ZHOU D,et al.Ecological-geochemical conditions of surface water and groundwater andestimation of the anthropogenic effect in the basin of the Ganjiang River[J].Water Resources,2022,49(3):483-492. [25]邴建平,邓鹏鑫,吴智,等.赣江流域生态流量与地表水资源可利用量研究[J].人民长江,2023,54(2):127-131,170.(BING J P,DENG P X,WU Z,et al.Ecological flow and available surface water resources in Ganjiang River basin[J].Yangtze River,2023,54(2):127-131,170.(in Chinese))[26]ZHANG Y Q,KONG D D,GAN R,et al.Coupled estimation of500m and8-day resolution global evapotranspiration and grossprimary production in2002 2017[J].Remote Sensing of Environment,2019,222:165-182.[27]殷兆凯,廖卫红,王若佳,等.基于长短时记忆神经网络(LSTM)的降雨径流模拟及预报[J].南水北调与水利科技,2019,17(6):1-9,27.(YIN Z K,LIAO W H,WANG R J,et al.Rainfall-runoff modelling and forecasting based on long short-term memory(LSTM)[J].South-to-North Water Transfers and Water Science&Technology,2019,17(6):1-9,27.(in Chinese))[28]田远洋,徐显涛,彭安帮,等.训练数据量对LSTM网络学习性能影响分析[J].水文,2022,42(1):29-34,22.(TIAN Y Y,XU X T,PENG A B,et al.Effects of training data on the study performance of LSTM network[J].Journal of Chi-na Hydrology,2022,42(1):29-34,22.(in Chinese))[29]KRATZERT F,KLOTZ D,SHALEV G,et al.Towards learning universal,regional,and local hydrological behaviors via ma-chine learning applied to large-sample datasets[J].Hydrology and Earth System Sciences,2019,23(12):5089-5110. [30]PUSHPALATHA R,PERRIN C,LE MOINE N,et al.A review of efficiency criteria suitable for evaluating low-flow simulations[J].Journal of Hydrology,2012,420/421:171-182.[31]NASH J E,SUTCLIFFE J V.River flow forecasting through conceptual models part I:a discussion of principles[J].Journal ofHydrology,1970,10(3):282-290.[32]SANTOS L,THIREL G,PERRIN C.Technical note:pitfalls in using log-transformed flows within the KGE criterion[J].Hy-drology and Earth System Sciences,2018,22(8):4583-4591.[33]张婧,刘倩.主成分分析阈值选择差异性分析研究[J].数据采集与处理,2022,37(5):1012-1017.(ZHANG J,LIUQ.Difference analysis research of threshold selection in principal component analysis[J].Journal of Data Acquisition and Pro-cessing,2022,37(5):1012-1017.(in Chinese))[34]LEE J,NOH J.Development of a one-parameter new exponential(ONE)model for simulating rainfall-runoff and comparison withdata-driven LSTM model[J].Water,2023,15(6):1036.㊀第6期邓超,等:融合数据同化与机器学习的流域径流模拟方法849㊀[35]PENG A B,ZHANG X L,XU W,et al.Effects of training data on the learning performance of LSTM network for runoff simula-tion[J].Water Resources Management,2022,36(7):2381-2394.[36]HASHEMI R,BRIGODE P,GARAMBOIS P A,et al.How can we benefit from regime information to make more effective use oflong short-term memory(LSTM)runoff models?[J].Hydrology and Earth System Sciences,2022,26(22):5793-5816.Catchment runoff simulation by coupling data assimilation andmachine learning methods∗DENG Chao1,CHEN Chunyu1,YIN Xin2,WANG Mingming3,ZHANG Yuxin4(1.College of Hydrology and Water Resources,Hohai University,Nanjing210098,China;2.The National Key Laboratory ofWater Disaster Prevention,Nanjing Hydraulic Research Institute,Nanjing210029;China;3.Suqian Municipal WaterResources Bureau,Suqian223800,China;4.Nanjing R&D Tech Group Co.,Ltd,Nanjing210098,China) Abstract:Accurate catchment runoff simulation under the changing environment has a great significance in the flood disaster prevention and regional water resources management.The machine learning(ML)approach has been widely and successfully applied in runoff modelling during recent years,which,however,has not yet fully considered the potential impact of changes in hydrological intermediate state variables.This study proposed a coupled ML-based model for runoff simulating by integrating the ensemble Kalman filter(EnKF),the principal component analysis (PCA)and the long short-term memory(LSTM),which denoted as EnKF-PCA-LSTM.The specific steps include:①The dynamic update of hydrological intermediate state variables via the EnKF method;②The integration of updated state variables into the input set for predictor selection by the PCA method;③Runoff simulation through the combination of chosen predictors with the LSTM model.Taking the Ganjiang River basin as a case study,we provided a comprehensive assessment on the runoff simulation performance of the EnKF-PCA-LSTM,and performed comparisons against that of the original LSTM model and the physical hydrological model HYMOD.Results show that the EnKF-PCA-LSTM outperforms both the LSTM and HYMOD models,as reflected by the higher Nash-Sutcliffe efficiency coefficients,the Kling-Gupta efficiency coefficient and the Nash-Sutcliffe efficiency for the log-transformed runoff(0.954,0.971and0.972,respectively).This finding suggests that considering the hydrological intermediate state could effectively improve the accuracy and stability of ML models in terms of runoff simulation, which undoubtedly provides valuable insight into the catchment runoff modeling.Key words:runoff simulation approach;hydrological intermediate state variable;ensemble Kalman Filter;principal component analysis;long short-term memory∗The study is financially supported by the National Key R&D Program of China(No.2022YFC3202802)and the Fundamental Research Funds for the Central Universities,China(No.B210201030).。

3d 追踪ekf 公式
3D追踪的扩展卡尔曼滤波（EKF）公式可以用于估计物体在三维空间中的位置和速度。

以下是一种可能的公式：
1. 状态更新方程：
x_k = F_k * x_(k-1) + B_k * u_k + w_k
其中，x_k是系统状态向量，F_k是状态转移矩阵，x_(k-1)是上一时刻的状态向量，B_k是输入控制矩阵，u_k是输入控制向量，w_k 是过程噪声。

2. 状态协方差更新方程：
P_k = F_k * P_(k-1) * F_k^T + Q_k
其中，P_k是状态协方差矩阵，P_(k-1)是上一时刻的状态协方差矩阵，Q_k是过程噪声协方差矩阵。

3. 观测预测方程：
z_k = H_k * x_k + v_k
其中，z_k是观测向量，H_k是观测矩阵，v_k是观测噪声。

4. 卡尔曼增益方程：
K_k = P_k * H_k^T * (H_k * P_k * H_k^T + R_k)^-1
其中，K_k是卡尔曼增益矩阵，R_k是观测噪声协方差矩阵。

5. 状态更新方程：
x_k = x_k + K_k * (z_k - H_k * x_k)
其中，x_k是更新后的状态向量。

6. 状态协方差更新方程：
P_k = (I - K_k * H_k) * P_k
其中，I是单位矩阵。

以上公式描述了3D追踪的EKF算法中的主要步骤，其中包括状态预测、状态协方差预测、观测预测、卡尔曼增益计算和状态更新。

这些公式可根据具体的应用和系统动力学进行调整和扩展。

心理科学进展 2021, Vol. 29, No. 11, 1948–1969 © 2021 中国科学院心理研究所Advances in Psychological Sciencehttps:///10.3724/SP.J.1042.2021.019481948·研究方法(Research Method)·密集追踪数据分析：模型及其应用*郑舒方 张沥今 乔欣宇 潘俊豪(中山大学心理学系, 广州 510006)摘 要 在心理学、教育学和临床医学等领域, 越来越多的研究者开始关注个体内部的行为、心理、临床效果等随时间而产生的动态变化, 重视针对个体的差异化建模。

密集追踪是一种在短时间内对个体进行多个时间节点密集追踪测量的方法, 更适合用于研究个体内部心理过程等的动态变化及其作用机制。

近年来, 密集追踪成为心理学研究的一大热点, 但许多密集追踪的研究分析仍停留在较为传统的方法。

方法学领域已涌现出较多用于密集追踪数据分析的模型方法, 较为主流的模型包括以动态结构方程模型(Dynamic Structural Equation Model, DSEM)为代表的自上而下的建模方法, 以及以组迭代多模型估计(Group Iterative MultipleModel Estimation, GIMME)为代表的自下而上的建模方法。

二者均可以方便地对密集追踪数据中的自回归及交叉滞后效应进行建模。

关键词 密集追踪, 时间序列, 动态结构方程模型, 组迭代多模型估计分类号B8411 引言在干预治疗或自然发生的事件中, 个体的想法、情绪、行为以及生理功能等往往不是一成不变的, 而是会随时间的推移发生动态变化(Vallacher et al., 2002)。

传统的追踪研究或横断研究方法能够在一定程度上对人群中存在的现象进行描述或解释, 但难以揭示短时间内个体内部心理状态的动态变化, 也不能详细解释事件对个体的情绪、行为等产生的持续性影响(Setodji et al., 2019), 可能导致研究者对干预效果及其潜在机制产生错误解读(张银普 等, 2016; Setodji et al., 2019)。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910385800.2(22)申请日 2019.05.09(71)申请人 云南大学地址 650031 云南省昆明市翠湖北路2号云南大学信息学院申请人 昆明物理研究所(72)发明人 高赟　余丽　张学杰　张晋　林宇　(74)专利代理机构 北京君泊知识产权代理有限公司 11496代理人 王程远(51)Int.Cl.G06K 9/00(2006.01)G06K 9/46(2006.01)G06K 9/62(2006.01)(54)发明名称一种基于累积一阶导数高置信度策略的相关滤波跟踪方法(57)摘要本发明涉及相关滤波跟踪方法，具体涉及一种基于累积一阶导数高置信度策略的相关滤波跟踪方法。

所述方法基于相关滤波跟踪框架，采用方向梯度直方图(HOG)和颜色直方图两种互补特征进行特征提取，融合后的响应图最大值对应位置作为当前帧跟踪结果，并根据响应图历史序列最大值向量的累积一阶导数和当前帧响应图最大值对当前跟踪结果的置信度进行判别，当前跟踪结果具有高置信度情况下方可更新目标模板以提高目标模板的正确性。

本申请相比逐帧更新策略的相关滤波跟踪方法，取得了更为稳定的跟踪效果。

权利要求书4页 说明书10页 附图2页CN 110147747 A 2019.08.20C N 110147747A1.一种基于累积一阶导数高置信度策略的相关滤波跟踪方法，其特征在于，所述方法基于相关滤波跟踪框架，采用方向梯度直方图和颜色直方图两种互补特征进行特征提取，融合后的响应图最大值对应位置作为当前帧跟踪结果，并根据响应图历史序列最大值向量的累积一阶导数和当前帧响应图最大值对当前跟踪结果的置信度进行判别，当前跟踪结果具有高置信度情况下方可更新目标模板以提高目标模板的正确性。

2.根据权利要求1所述的一种基于累积一阶导数高置信度策略的相关滤波跟踪方法，其特征在于，所述步骤包括：步骤一、输入第一帧视频帧序列中的每一帧左上角为坐标原点(1，1)，宽高分别为Width和Height，手工或自动选定第一帧中待跟踪目标的矩形区域(x 0，y 0，w 0，h 0)，即选定的跟踪目标；其中，(x 0，y 0)表示矩形区域的左上角坐标，w 0，h 0分别表示矩形区域的宽高，第一帧选定目标也称为当前帧跟踪结果(x 1，y 1，w 1，h 1)＝(x 0，y 0，w 0，h 0)，下标表示当前帧号；步骤二、初始化目标模板(1)、计算搜寻窗口；(2)、生成标准高斯响应图；(3)、提取方向梯度直方图(HOG)特征；(4)、计算HOG特征的相关滤波器模板；(5)、提取颜色直方图特征模板；步骤三、初始化高置信度策略参数令No_Stable表示跟踪系统最近稳定态帧号，对于第一帧或当前帧被高置信度策略判别为稳定态时重置No_Stable＝t；令No_Init表示跟踪系统的初始累积帧号，表示计算累积一阶导数的起始帧号，累积一阶导数至多计算连续n帧，设置方法如公式(1)所示：令GL t 表示当前帧两种特征加权融合响应图，令GL_max t 表示GL t 矩阵中最大元素值，由于第一帧的跟踪目标是绝对正确的，故特别地对于第一帧将标准高斯响应图的频域表示G 作为GL 1，且GL_max 1＝1；令SumD表示当前帧的累积一阶导数，对于第一帧或当前帧被高置信度策略判别为稳定态时重置SumD＝0，对于其它帧按照公式(2)计算：令UpdateFlag表示当前帧目标模板是否需要更新，令StableFlag表示当前帧是否被判别为稳定态，这两个参数可以同时为0，但不会同时为1，特别地对于第一帧UpdateFlag＝1，StableFlag＝0；令H_Stable表示HOG特征相关滤波器模板的稳定态，第一帧将其初始化为H 1，令bg_hist_Stable和fg_hist_Stable分别表示背景颜色直方图和前景颜色直方图模板的稳定态，第一帧将其初始化为bg_hist 1和fg_hist 1；权　利　要　求　书1/4页2CN 110147747 A。

复杂背景下快速移动目标的实时跟踪（英文）
张超;王道波;Farooq M
【期刊名称】《南京航空航天大学学报：英文版》
【年(卷),期】2010(027)004
【摘要】提出了适用于跟踪在复杂背景下快速移动目标的实时跟踪系统。

利用基于马尔可夫场模型的背景减除算法检测像素变化,以跟踪移动目标。

分割掩膜的先验概率用马尔可夫场模型来表示,因此目标跟踪任务即被转化成最大后验问题。

实验结果表明,本文算法在简单背景或复杂背景下的离线和在线移动目标跟踪方面均有较好的效果。

【总页数】5页(P321-325)
【作者】张超;王道波;Farooq M
【作者单位】南京航空航天大学自动化学院,中国南京210016
【正文语种】中文
【中图分类】TP391.41
因版权原因，仅展示原文概要，查看原文内容请购买。

架空输电导线机械起舞受力与频率关系的理论计算谢文丽;王茂成;王冠宇;李新;陈海亮;张志红【摘要】The transmission line galloping can be a severe threat to the normal work of transmission lines. In order to study the movement regularity of the overhead transmission conductor galloping deeply, we have analyzed the re-lationship between the values of the outside force, frequency, and amplitude by using mechanical numerical control equipment analog the transmission galloping. The curves of the force for a single conductor and bundle conductor, changing with the frequency whose range covers from 0. 1 Hz to 1 Hz with the line span 100 m, are given in this pa-per. Theoretical calculation results provide a theoretical basis for the application of artificial mechanical to repro-duce the elliptical galloping of the overhead conductors. The mechanical Computerized Numerical Control ( CNC) equipment mocking transmission conductor galloping could be used to measure a series of torsion resistance. Due to the limitation of conditions, we have not yet completed measurements of the tension string of torsion angle.%导线舞动严重威胁输电线路正常工作，为了更深入研究架空输电导线舞动运动规律，根据输电导线舞动时导线做椭圆运动特点，计算得到利用机械数控设备模拟输电导线舞动时需要的力与频率和振幅的关系，绘制出架空输电导线舞动时所需外力与频率变化关系的曲线图，计算了档距100m的单导线和双分裂导线在舞动频率从0．1 Hz变化到1 Hz范围时所受的外力大小。

第36卷第6期Vol.36　No.6重庆工商大学学报(自然科学版)J Chongqing Technol &Business Univ(Nat Sci Ed)2019年12月Dec.2019doi:10.16055/j.issn.1672-058X.2019.0006.014无线传感器网络时间同步技术进展张　超(安徽理工大学计算机科学与工程学院,安徽淮南232001 ) 收稿日期:2019-04-27;修回日期:2019-06-12.作者简介:张超(1994 ),男,安徽安庆人,硕士研究生,从事物联网技术研究.摘　要:无线传感器网络是由大量部署在无线环境中的传感器设备构成的网络,无线节点间的协同操作要求网络节点维护共同的时间,时间同步是无线传感器网络支撑技术;针对传统分类方法中不能有效体现时间同步算法特点的问题,从信息交换是否存在反馈角度对现有时间同步算法进行了重新分类,同时对同步算法的进展情况作了详细描述;新的分类方法能够有效体现算法同步精度和同步能耗等特性:反馈式时间同步机制在同步精度和同步能耗上都要高于非反馈式时间同步机制;最后总结了现有时间同步算法的缺陷并展望了未来时间同步技术的发展方向㊂关键词:无线传感器网络;时间同步;技术进展;反馈式;非反馈式中图分类号:TP393 文献标志码:A 文章编号:1672-058X (2019)06-0088-070　引　言时间同步技术是无线传感器网络(Wireless Sensor Networks,WSN)中许多关键技术的基础,比如节点定位㊁数据融合[1]㊁休眠调度和TDMA(Time Division Multiple Address)时间调度㊂它还广泛应用于医疗㊁工业㊁军事㊁环境㊁科学和家庭网络等领域[2-3]㊂由于无线传感器网络中的传感器独立工作,它们的本地时钟可能不同步,但在有些应用中需要整合和集成来自不同传感器所采集到的数据[4]㊂比如在环境监测过程中需要监测某一环境的温度,不同传感器采集了多组数据,整合这些数据的过程中需要融合同一时刻各个节点采集到的不同数据,所以这就需要保证无线传感器网络有一个共同的时间概念㊂因此,研究时间同步协议对于无线传感器网络的发展具有重大的意义㊂无线传感器网络的主要功能是感知环境并将获取的信息发送到基站以进行进一步的处理[5]㊂由于无线传感器网络具有规模大㊁动态性㊁能量有限㊁环境复杂等特点,传统的网络时间协议(NetworkTime Protocol,NTP)和全球定位系统(Globle Position System,GPS)由于需要较大的能耗,并不适用于无线传感器网络中㊂因此,必须设计针对无线传感器网络的时间同步算法[6]㊂对无线传感器网络时间同步算法进行了研究,分析了时间同步的同步模型和同步延迟以及时间同步算法的设计要素;根据同步信息传输方式不同对现有的时间同步算法作了分类并整理了大致的发展脉络;最后进行了总结和展望㊂1　概　述1.1　时间同步模型无线传感器通常是由晶体振荡器和计数器构成的,传感器根据晶体振荡器周期性输出信号的过第6期张　超:无线传感器网络时间同步技术进展零点来增加计数器中的值,当其值达到某个阈值时,会产生一个中断㊂中断触发软件部分将数据保存在代表时钟的存储器中,增加一个时钟周期㊂节点i的本地时钟模型可由式(1)给出:C i(t)=1f0∫t t0f i(t)d t+C i(t0)(1)其中,C i(t)表示节点i的晶体钟读数,C i(t0)表示节点i在物理时刻t0的晶体钟读数;f0表示节点i的标称频率,f i(t)表示节点i晶体振荡器的实际频率, C i(t0)表示同步过程开始计时的物理时刻㊂然而,由于时钟振荡器的缺陷,即使时钟最初是完全同步的,它也会偏离理想的时间㊂因为节点在完成同步之后随着时间的推移,由于环境变化和自身性能改变等导致晶体振荡器的实际频率发生变化,这又会导致节点间本地时钟的差异㊂所以时钟漂移(Clock Skew)和时钟偏移(Clock Offset)需要周期性地进行补偿来保证所采集数据的有效性㊂1.2　时间同步延迟分析在无线传感器网络中,两个节点在进行同步时会有许多延迟产生,故而增加了同步的难度㊂时间同步延迟可分为如图1所示的6个部分:分别为发送延时T S㊁访问延时T A㊁传输延时T T㊁传播延时T P㊁接收延时T R和接收处理延时T PD㊂其中,T S为节点的发送端构造分组并将分组传递到MAC层的时间,该时间主要由系统负载大小决定;T A为等待空闲信道的时间,它受制于网络负载大小;T P为分组在空中传输的时间,取决于双方的距离;T R为接收节点的接收时间,它近似于节点的传输延时;T PD为将接收到的比特还原成分组并传送到应用层的时间㊂图1　无线传感器网络节点间数据传输延迟组成Fig.1　Data transmission delay between WSN nodes综上分析,当发送方在本地时钟t1时刻发送包含有时间戳的同步消息M(t1)时,接收方在本地时钟t2时刻接收到该同步消息并标记为M(t2)则两节点标记的时间戳绝对延时[7]T delay为T delay=t2-t1=T R+T}P d+T S+T A+TüþýïïïPDX(2)其中,d为传输延时的固定部分,X为传输延时的随机部分㊂固定延迟可以比较准确地估计然后进行补偿,但随机部分延迟具有很大的不确定性,因此需要通过减少甚至消除传输延迟的随机部分来降低同步误差㊁提高同步精度㊂2　设计要素与有线网络不同,无线网络中传感器节点往往处于复杂的环境中,故而不能把有线网络的同步算法应用到无线传感器网络中来㊂因此需要设计适合于无线传感器网络的时间同步算法,而在设计过程中需要考虑以下几个主要要素:2.1　节点能量有限由于传感器节点一般成本都比较低,通常置于复杂的环境中,因此更换电池是不现实且没必要的,所以节点能量是有限的㊂可是对于同步精度高㊁同步事件发生频繁㊁算法收敛速度慢的网络,同步所需要的能耗往往都比较大[7]㊂而节点的能量主要是在发射㊁接收及侦听和处理消息的过程中所消耗的㊂因此通过减少信息处理次数和通信次数可以达到节省能量的目的,同时也可以从拓扑控制[8]角度来考虑节能㊂2.2　网络稳定性差在一个网络中有时需要部署成千上万个节点,对于这么多节点依然需要保持它的性能,所以在设计同步算法时要考虑它的可扩展性㊂同时,有时节点会出现失效的情况,因此也要考虑到网络的动态变化,这就要保证系统的鲁棒性㊂在设计同步算法时必须要考虑可能导致网络出现不稳定的各种情况,并保证有相应的策略能够有效应对,从而避免由此带来的问题㊂2.3　同步误差累积效应大有些应用要求节点具有极高的同步精度,但在实际同步时会出现许多不可避免延迟,这些都影响了同步的精度㊂其次,节点的通信能力往往是有限98的,只能在有限的范围内进行通信,因此需要进行多跳传输㊂而在进行多跳传输时又会产生一定的累积误差,因此在设计同步算法时要最大限度地消除误差,保证良好的同步精度㊂3　无线传感器网络时间同步机制在不同网络环境中,无线传感器网络对时间同步性能的要求不同㊂有的需要着重考虑节点的同步能量消耗,有的需要考虑节点的同步精度,而有的则强调同步算法的可扩展性㊂因为不能保证所有性能均达到最佳性能,所以需要针对不同的性能需求来设计同步算法㊂本节根据时间同步信息传输中是否存在反馈把时间同步分为反馈式和非反馈式时间同步,并对现有的时间同步机制进行了分析㊂3.1　反馈式时间同步机制反馈式时间同步,也就是当一个节点向另一个节点发送一个分组时,另一个节点在这个分组的基础上会给该节点一个反馈分组,从而使得双方能够实现同步㊂Ganeriwals等[9]在2003年提出的TPSN (Timing-Sync Protocol for Sensor Network)算法,类似于传统网络的NTP,它的同步过程分为两个阶段:第一个阶段为网络初始化阶段,由根节点开始,逐层向下一层广播同步报文,使得每个节点拥有自己的层次号,并保证所有节点都至少有一个父节点㊂第二个阶段为同步阶段,同步时各级节点逐步同步到上层节点,从而实现全网范围内的同步㊂具体同步过程如图2所示,首先子节点向父节点发送一个请求消息,请求消息包携带请求时刻的时间戳,然后父节点接收到消息包后反馈一个消息包,反馈消息包中包含自身接收时刻的时间戳和反馈时发送消息包时刻的时间戳,然后子节点再接收该消息包并记下接收时的时间戳㊂其示意图如图2所示,通过这4个时间戳便能够消除交换过程中的固定延时,并且消除了不确定延迟对同步精度的影响㊂但是这个过程中需要交换很多的信息,所以需要巨大的开销㊂前面提到过,节点的能量是有限的,所以这会大大降低节点的寿命㊂图2　TPSN算法信息交换过程Fig.2　TPSN algorithm information exchange process 文献[10]在TPSN基础上提出了一种改进的传感器网络定时同步协议(Improved Time Synchronization Protocol for Wireless Sensor Networks, ITPSN),其在TPSN的基础上去除了TPSN算法的层次结构,因为层次构建阶段需要花费巨大的开销㊂当节点失效或新的节点加入时都需要重新构建新的树,这导致了TPSN算法的可扩展性非常低㊂因此采用ITPSN后,节点失效时不需要重新构建层次结构图,当新的节点加入时,其同步方式如图3所示㊂图3　新节点加入网络时的同步过程Fig.3　Synchronization process when a new nodejoins the network图3中a为新加入节点,首先a向周围广播同步请求消息,邻居节点b㊁c㊁d和e监听到该消息包后,分别向a发送自身时间同步数据包,a收到信息包后计算平均值更新自己的时间,这种方式大大优化了能耗开销㊂Tiny-sync和Mini-sync是两种低复杂度的同步协议[11],Mini-sync是Tiny-sync的提高版本,它们也是一种反馈式时间同步协议,算法假设了节点的时钟频率恒定且满足线性关系,收发节点通过交换同步报文来估计同步参数,从而对参数进行补偿,进而实现节点间的同步㊂但该算法只适用于短期的时间同步,不适用于需长期监测的网络应用中㊂考虑到参考节点失效的问题,文献[12]提出了一种基于反馈机制的分布式时间同步机制㊂在该算法中,每个传感器节点收集邻居的偏移和偏斜率,计算偏移量和偏斜值的群平均值,而不是传统09重庆工商大学学报(自然科学版)第36卷第6期张　超:无线传感器网络时间同步技术进展的点对点平均法㊂考虑并补偿传输延迟后,传感器节点将补偿后的值返回给邻居㊂该协议能够使得传感器网络快速建立一致性时钟,并保证了只有较小的偏差㊂也能够保证较好的鲁棒性和可扩展性,但是需要消耗较大的开销㊂3.2　非反馈式时间同步机制非反馈时间同步机制,也就是主从节点发送消息包时不需要给对方回复反馈包,分为交换式非反馈同步和非交换式非反馈同步㊂3.2.1　交换式非反馈时间同步Elson等人[13]提出的参考广播同步(Reference Boardcasting Synchronization,RBS)就是一种典型的交换式非反馈式时间同步机制㊂因为同一簇内的多个节点接收同一发送者发送的消息时,由于只有传输误差,而传输延迟又极小,基本可以忽略,所以它们接收的时刻基本相同㊂利用这一特点,接收节点再通过交换时间戳来计算相对时间偏移进而实现时间同步㊂这种同步方式使得接收节点不需要给发送节点反馈信息,而且消除了发送延时和访问延时这两大不确定性延时,因此具有较高的同步精度㊂但是当网络中节点数目较多时需要交换的信息也增加了,这对于大规模网络是一个很大的缺陷㊂文献[14]论述了RBS算法相位偏差具有统计学特性和存在网络开销的问题,针对这个问题,王义君等[15]提出了针对RBS的改进算法:能量有效的参考广播同步,该算法与RBS不同之处在于它只对不相邻的两个接收节点在多个参考广播消息的条件下求平均相位偏差,如图4所示㊂并且对计算出的相位偏差进行最大后验估计,再用最小二乘线性回归方法周期性拟合时钟偏移,从而完成同步过程㊂该算法在保证同步精度优于RBS的同时,它的能耗也更加低㊂图4　ERBS算法信息传输机制Fig.4　ERBS algorithm message transmission mechanism由于EBRS算法用一个线性模型来估计节点的时钟漂移模型,而时钟漂移实际上是一个动态的过程,因此其存在非确定性相位误差估计方面的缺陷,文献[16]采用后验估计的方法提出了MRF-MAP(Markov Random Field after Maximum a Posteriori)-Gardner ERBS算法,用基于最大后验的马尔可夫随机场估计算法估算非确定性相位偏差和基于Gardner闭环的实时估计算法估计时钟漂移,从而实现更高的同步精度㊂3.2.2　非交换式非反馈时间同步非交换式非反馈同步机制一般都是接收节点既不进行反馈数据包也不需要交换数据包便能够同步㊂Su Ping[17]提出的DMTS(Delay Measurement Time Synchronization for Wireless Sensor Networks)算法就是一种非交换式非反馈同步机制,它以牺牲同步精度为代价获得较低的同步能耗㊂在该算法中,通信范围内待同步节点根据参考节点发送同步报文时刻和测量传输过程中单向时间延迟来调整自身的时间,使得接收节点都同步到主节点㊂DMTS 只有监听到信道空闲后才发送标记时间戳的数据包,这样便消除了发送延时和访问延时,减少了不确定性延迟㊂但是由于它只估算了相位偏差,并没有估计频率偏差,所以保持同步的时间较短且同步精度比较低㊂Miklos Maroti等[18]于2004提出的FTSP(Flood -ing Time Synchronization Protocol)是基于洪泛的思想设计的非交换式非反馈时间同步机制,它通过采用MAC层时间戳技术来减少发送和接收时间延时,并通过最小二乘法线性回归拟合来提高同步精度㊂该算法在保证了一定同步精度的同时也保证了同步能耗㊂但是因为每个节点需要等待传来的参考节点时间信息,导致洪泛的速度很慢㊁周期很长,也影响了同步的精度和网络的可扩展性㊂Lenzen 等[19]提出了一种新的快速洪泛时间同步算法PulseSync,它允许节点快速可靠地传播时间信息,因此可以在FTSP算法基础上大大提高同步精度㊂但同时也仍然存在一些不可避免的缺点,比如邻居节点之间存在信道争用的问题,这导致洪泛过程变19慢㊂Yildirim K S等[20]在FTSP基础上提出了FCSA (Flooding with Clock Speed Agreement),它通过在传感器节点间采用时钟速度一致方法,使得算法的同步精度和可扩展性得到了大大提高㊂该协议强制所有节点以相同的速度运行,并将其同步到整个网络中具有稳定时间的参考节点㊂它从理论上证明了FCSA的同步误差随网络的平方根而增大,其在误差优化方面与FTSP相比提高了26倍,而且它的拓扑性能也比PulseSync更强㊂FTSP算法平衡了同步精度和能耗的问题,但是仍然存在较大的缺陷,基于它的改进算法仍然无法解决争用开销导致的洪泛速度较慢等问题,只能做一定程度的优化㊂基于可塑性干扰的洪泛时间同步算法能有效解决争用开销问题,Glossy[21]是基于可塑性干扰的一种新型洪泛算法,它在转发数据包中插入转发次数和初始节点的参考时间信息,接收节点收到数据包后立马转发数据包再根据数据包中信息调整自己的本地时间㊂通过这种方式使得它能够在几毫秒内完成数据包的洪泛,因此可获得极高的同步精度,而且它补偿了软件处理延时㊁收发转换延时和业务处理延时,这更加保证了同步的精度㊂文献[22]指出其随着节点数目的增多,Glossy算法的接收可靠性急剧降低,这大大限制了其在大规模网络中的应用;该文献提出了基于可塑性干扰的骨架洪泛(Spine Constructive Interference Flooding,SCIF)协议来解决这个问题,它通过拓扑控制方式来构建骨架结构(Spine)的网络,让骨干接点接收并转发数据包而叶子节点仅接收不转发,因此降低了网络密度,从而增强了其可扩展性㊂在提高同步精度方面,文献[23]提出了增强型可塑性干扰(Deliberated Synchronizized Constructive Inter-ference,Disco)算法,它利用大数定理的思想来补偿Glossy未补偿的射频处理延时和路径传播延时来提高同步精度㊂对于Glossy的能耗问题,文献[24]提出了基于可塑性干扰的能量自适应洪泛协议(Energy Adaptive CI-based Flooding Protocol,EACIF),它通过采用分布式的算法构建最小连接主导集(Minimum Connected Dominant Set,MCDS)的骨架构建方法来使得部分节点不转发数据包,从而降低Glossy当中的冗余传输,因此能够极大地降低能量消耗和洪泛延迟㊂基于可塑性的洪泛算法比传统的洪泛算法具有更高的同步精度,但是却存在着可扩展性的问题,很多基于此的研究也主要是解决这个问题㊂4摇结束语研究了无线传感器网络时间同步技术进展情况,主要根据信息传输时有无反馈分组将时间同步算法分为反馈式时间同步算法和非反馈式时间同步算法;然后详细介绍了不同种类算法的典型算法㊂通过对时间同步技术的归纳和总结,可以发现:一直以来,研究人员对于时间同步算法的研究一直尝试在原有经典同步算法上进行同步精度和同步能耗的改进㊂虽然性能有所增强,但是仍存在原有算法的缺陷㊂例如对于反馈式时间同步算法,虽然在保留精度高的基础上对能耗有所改进,但是能耗依然比非交换式非反馈算法能耗高得多,且收敛速度很慢㊂所以这种改进在应用到实际情况中的效果并不是很明显,还可能带来新的问题㊂在未来的研究中,可以在以下几个方面进行进一步研究:(1)适应大规模网络㊂很多算法只能应用于小型网络中,很难满足大规模网络的需求㊂但现在网络向着大规模的方向发展,因此需要设计适合于大规模网络的算法㊂(2)结合实际应用㊂已提出的各种同步算法大部分都是基于实验仿真条件下进行分析的,而实际情况可能要复杂得多,所以性能表现有待验证㊂而且随着物联网技术的发展和各种不同应用对时间同步的需求,需要针对具体应用设计合适的算法,从而满足其需求㊂参考文献(References):[1]　JESES P,BAQEREO C,ALMEIDA P S.A Survey ofDistributed Data Aggregation Algorithms[J].IEEECommunications Surveys&Tutorials,2015,17(1):29重庆工商大学学报(自然科学版)第36卷第6期张　超:无线传感器网络时间同步技术进展381 404[2]　KUMAR S A A,OVSTHUS K,KRISTENSEN L M.AnIndustrial Perspective on Wireless Sensor Networks⁃ASurvey of Requirements,Protocols,and Challenges[J].IEEE Communications Surveys&Tutorials,2014,16(3):1391 1412[3]　HE J,PENG C,LING S,et al.Time Synchronization inWSNs:A Maximum⁃Value⁃Based Consensus Approach[J].IEEE Transactions on Automatic Control,2014,59(3):660 675[4]　ETZLINGER B,WYMEERSCH H,SPRINGER A.Cooperative Synchronization in Wireless Networks[J].IEEE Transactions on Signal Processing,2014,62(11):2837 2849[5]　KAWAMOTO Y,MATSUNAGA T,KADO Y.MACProtocol with Clock Synchronization Correction for aPractical Infrastructure Monitoring System[J].Interna⁃tional Journal of Distributed Sensor Networks,2018,14(4):51-54[6]　胡冰,孙知信.无线传感器网络时间同步机制研究[J].计算机科学,2015,42(7):1 4HU B,SUN Z X.Overview of Time Synchronization inWireless Sensor Networks[J].Computer Science,2015,42(7):1 4(in Chinese)[7]　陈珍萍.煤矿井下物联网感知层能量有效时间同步研究[D].淮南:安徽理工大学,2016CHEN Z P.Study on Energy Efficient Time Synchroni⁃zation for IoTs Perception Layer of Underground CoalMine[D].Huainan:Anhui University of Science andTechno⁃logy,2016(in Chinese)[8]　徐力,屈召贵.无线传感器网络低能耗协议研究与仿真[J].现代电子技术,2017,40(3):7 11.XU L,QU Z G.Research and Simulation of Low EnergyConsumption Protocol for Wireless Sensor Network[J].Modern Electronics Technique,2017,40(3):7 11(inChinese)[9]　GANERIWAL S,KUMAR R,SRIVASTAVA M B,et al.Timing⁃sync Protocol for Sensor Networks[C]//Procee⁃dings of the1st International Conference on NetworkedSensor Systems.ACM,2003,114:306 311 [10]姜颖,郭淑霞,高金乔,等.低开销的无线传感器网络时间同步算法研究[J].计算机科学,2014,41(3):129 131JIANG Y,GUO S X,GAO J Q,et al.Low Overheml TimeSynchronization Algorithm for Wireless Sensor Network[J].Computer Science,2014,41(3):129 131(inChinese)[11]SICHITIU M L,VEERARITTIPHAN C M B.Simple,Accurate Time Synchronization for Wireless SensorNetworks[C]//Wireless Communications and Network⁃ing,WCNC2003IEEE,2003(2):1266 1273 [12]LIN L,MA S,MA M.A Group Neighborhood AverageClock Synchronization Protocol for Wireless SensorNetworks[J].Sensors,2014,14(8):14744 14764 [13]ELSON J,GIROD L,ESTRIN D.Fine⁃grained NetworkTime Synchronization Using Reference Broadcasts[J].ACM SIGOPS Operating Systems Review,2002,36(SI):147 163[14]CHAUDHARI Q M,SERPEDIN E,QARAQE K.OnMaximum Likelihood Estimation of Clock Offset and Skewin Networks with Exponential Delays[J].IEEETransactions on Signal Processing,2008,56(4):1685 1697[15]王义君,钱志鸿,王桂琴,等.无线传感器网络能量有效时间同步算法研究[J].电子与信息学报,2012,34(9):2174 2179WANG Y J,QIAN Z H,WNAG G Q,et al.Research onEnergy efficient Time Synchronization Algorithm forWireless Sensor Networks[J].Journal of Electronics&Information Technology,2012,34(9):2174 2179(inChinese)[16]XIA T,HE S.New Energy⁃efficient Time Synchroni⁃zation Algorithm Design for Wireless Sensor Networks[C]//Automation,IEEE,2017:490 495[17]PING S.Delay Measurement Time Synchronization forWireless Sensor Networks[J].Intel Research BerkeleyLab,2003,6:1 12[18]MARóTI M,KUSY B,SIMON G,et al.The FloodingTime Synchronization Protocol[C]//Proceedings of the2nd International Conference on Embedded Net⁃WorkedSensor Systems.ACM,2004:39 49[19]LENZEN C,SOMMER P,WATTENHOFER R.OptimalClock Synchronization in Networks[C]//Proceedings ofthe7th ACM Conference on Embedded Networked Sensor39Systems.ACM,2009:225 238[20]YILDIRIM K S,KANTARCI A.Time SynchronizationBased on Slow⁃flooding in Wireless Sensor Networks[J].IEEE Transactions on Parallel and Distributed Systems,2014,25(1):244 253[21]FERRARI F,ZIMMERLING M,Thiele L,et al.EfficientNetwork Flooding and Time Synchronization with Glossy [C ]//Information ProcessinginSensorNetworks(IPSN),201110th International Conference on IEEE,2011:73 84[22]WANG Y,HE Y,MAO X,et al.Exploiting ConstructiveInterference for Scalable Flooding in Wireless Networks [J].IEEE /ACM Transactions on Networking,2013,21(6):1880 1889[23]WANG Y,LIU Y,HE Y,et al.Disco:Improving PacketDelivery via Deliberate Synchronized Constructive Inter⁃ference[J].IEEE Transactions on Parallel &Distributed Systems,2015,26(3):713 723[24]CHENG D,MAO Y,WANG Y,et al.Improving EnergyAdaptivity of Constructive Interference Based Flooding for WSN⁃AF[J].International Journal of Distributed Sensor Networks,2015(6):45-53Progress in Time Synchronization Technology forWireless Sensor NetworksZHANG Chao(School of Computer Science and Engineering,Anhui University of Science and Technology,Anhui Huainan 232001,China)Abstract :A wireless sensor network is a network composed of a large number of sensor devices deployed in a wireless environment.The cooperative operation between wireless nodes requires the network nodes to maintain a common time.The time synchronization is a wireless sensor network supporting technology,and the traditional classification method cannot effectively reflect the characteristics of time synchronization algorithm.The existing time synchronization algorithm is reclassified from the perspective of whether there is feedback in the information exchange.At the same time,the progress of the time synchronization algorithm is described in detail.The new classification method can effectively reflect the characteristics of synchronization precision and synchronization energy consumption of the algorithm.The feedback time synchronization mechanism is higher than the non⁃feedback time synchronization mechanism in synchronization accuracy and synchronization energy consumption.Finally,the shortcomings of the existing time synchronization algorithm are summarized and the future development direction oftime synchronization technology is prospected.Key words :wireless sensor networks;time synchronization;technological progress;feedback;non⁃feedback责任编辑: 罗姗姗 引用本文/Cite this paper :张超.无线传感器网络时间同步技术进展[J].重庆工商大学学报(自然科学版),2019,36(6):88 94ZHANG C.Progress in Time Synchronization Technology for Wireless Sensor Networks[J].Journal of Chongqing Technology andBusiness University (Natural Science Edition),2019,36(6):88 9449重庆工商大学学报(自然科学版)第36卷。