基于CSI的河道流速监测方法、系统、设备及介质与流程

本发明涉及流速监测，具体的说是一种基于csi的河道流速监测方法、系统、设备及介质。

背景技术：

1、河道流速的监测对于水资源管理、防洪减灾、水利工程设计以及生态环境保护等具有重要意义。了解河道的流速可以帮助相关部门更好地预测洪水、管理水资源、保护生态环境以及制定相关的防灾减灾措施。

2、传统的河道流速监测方法通常需要使用专门的仪器设备，如流速仪等，但这些方法存在一些弊端，如：水下传感器需要定期维护和校准，特别是在泥沙沉积、腐蚀和生物附着严重的水域，维护工作更加繁重；在洪水、冰凌或漂浮物等恶劣环境下，水中设备容易损坏，导致监测中断或数据丢失；传统设备在复杂流场中可能受到湍流、漩涡等干扰，影响测量准确性。

3、随着无线技术的发展，利用无线信号进行监测的方法逐渐受到关注。csi(channelstate information，信道状态信息)作为无线信号的一种细粒度物理层信息，用于描述无线通信链路的信道属性，反映了信号在传输路径上的衰弱因子，如信号散射、环境衰弱和距离衰减等，为河道流速监测提供了新的可能性。

技术实现思路

1、本发明针对目前技术发展的需求和不足之处，提供一种基于csi的河道流速监测方法、系统、设备及介质。

2、第一方面，本发明提供一种基于csi的河道流速监测方法，解决上述技术问题采用的技术方案如下：

3、一种基于risc-v与射频的河道流速监测方法，通过在河道两岸安装多个lora发射器和lora接收器形成多对传感器，通过捕捉lora信号在河道中的传播路径和变化情况，利用信道状态信息进行分析和处理，确定漂浮物的具体位置并计算其速度；

4、所述方法的具体实现流程如下：

5、s1、在河道两岸安装多个lora射频模块，每个lora射频模块包括lora发射器和lora接收器；

6、s2、配置lora射频模块，设置传输频率、发射功率和信号速率，多个lora射频模块形成多对传感器网络，以构建覆盖整个监测区域的有效菲涅尔区；

7、s3、每个lora射频模块的lora发射器向河道中发送信号，lora接收器捕捉经过河道传播后的信号；

8、s4、risc-v处理器从捕捉的信号中提取信道状态信息，并加载运行预训练的机器学习模型，机器学习模型基于信号状态信息进行实时预测，识别输出河道中的漂浮物类型和位置信息；

9、s5、risc-v处理器基于多个lora射频模块的捕捉信号，计算漂浮物的精确位置；

10、s6、risc-v处理器根据漂浮物的位置变化，计算漂浮物的流动速度，即得到河道流速。

11、可选的，针对河道两岸安装的每个lora射频模块，在其lora发射器和lora接收器之间，信号通过多个路径传播时形成椭圆轨迹，这些椭圆轨迹中与信号波长相关的指定路径差对应的轨迹组成的区域即为菲涅耳区；

12、所述菲涅耳区圆截面的半径公式为：

13、|aqn|+|qnb|＝|ab|+nε/2，

14、式中，|aqn|和|qnb|分别表示发射器a和接收器b到第n个菲涅耳区椭圆边界上的某一点qn的距离，|ab|表示发射器a和接收器b之间的直线距离，ε表示无线信号的波长，n是菲涅耳区的序号，表示第n个菲涅耳区。

15、可选的，所涉及步骤s4具体包括如下操作：

16、s4.1、risc-v处理器对捕捉的信号应用动态相位偏移校正算法，消除环境噪声的影响；

17、s4.2、risc-v处理器从经过相位校正的信号中提取信道状态信息，信道状态信息描述了信号在传播过程中的各种属性；

18、s4.3、利用功率延迟剖面技术，risc-v处理器进一步提取信道状态信息中的时延信息，并分析菲涅尔区内的信号变化，评估信号在指定区域内的传播特性；

19、s4.4、使用预先收集的包含不同漂浮物类型和位置的标记数据训练一个能够识别不同漂浮物特征的机器学习模型，risc-v处理器提取信道状态信息后加载并运行机器学习模型，机器学习模型识别输出河道中的漂浮物类型和位置信息。

20、可选的，所涉及步骤s6具体包括如下操作：

21、s6.1、记录漂浮物在不同时刻的位置信息(x1,y1)和(x2,y2)，其中，x1和x2表示漂浮物在第1时刻和第2时刻的x轴坐标，y1和y2表示漂浮物在第1时刻和第2时刻的y轴坐标；

22、s6.2、计算第1时刻和第2时刻的时间间隔δt；

23、s6.3、计算位置变化的欧氏距离

24、s6.4、根据公式计算漂浮物的速度v，速度v即为河道流速。

25、第二方面，本发明提供一种基于csi的河道流速监测系统，解决上述技术问题采用的技术方案如下：

26、一种基于risc-v与射频的河道流速监测系统，其包括lora射频模块和risc-v处理器，其中：

27、lora射频模块安装在河道两岸，通过配置lora射频模块，设置传输频率、发射功率和信号速率，多个lora射频模块形成多对传感器网络，以构建覆盖整个监测区域的有效菲涅尔区；每个lora射频模块包括lora发射器和lora接收器，lora发射器向河道中发送信号，lora接收器捕捉经过河道传播后的信号；

28、基于捕捉到的信号，risc-v处理器完成如下操作：从捕捉的信号中提取信道状态信息，利用预训练的机器学习模型识别输出河道中的漂浮物类型和位置信息；利用多个lora射频模块的捕捉信号，计算漂浮物的精确位置，并根据漂浮物的位置变化，计算漂浮物的流动速度，即得到河道流速。

29、可选的，在lora射频模块的lora发射器和lora接收器之间，信号通过多个路径传播时形成椭圆轨迹，这些椭圆轨迹中与信号波长相关的指定路径差对应的轨迹组成的区域即为菲涅耳区；

30、所涉及菲涅耳区圆截面的半径公式为：

31、|aqn|+|qnb|＝|ab|+nε/2，

32、式中，|aqn|和|qnb|分别表示发射器a和接收器b到第n个菲涅耳区椭圆边界上的某一点qn的距离，|ab|表示发射器a和接收器b之间的直线距离，ε表示无线信号的波长，n是菲涅耳区的序号，表示第n个菲涅耳区。

33、可选的，所涉及risc-v处理器从捕捉的信号中提取信道状态信息，利用预训练的机器学习模型识别输出河道中的漂浮物类型和位置信息，具体包括如下过程：

34、risc-v处理器对捕捉的信号应用动态相位偏移校正算法，消除环境噪声的影响；

35、risc-v处理器从经过相位校正的信号中提取信道状态信息，信道状态信息描述了信号在传播过程中的各种属性；

36、利用功率延迟剖面技术，risc-v处理器进一步提取信道状态信息中的时延信息，并分析菲涅尔区内的信号变化，评估信号在指定区域内的传播特性；

37、使用预先收集的包含不同漂浮物类型和位置的标记数据训练一个能够识别不同漂浮物特征的机器学习模型，risc-v处理器提取信道状态信息后加载并运行机器学习模型，机器学习模型识别输出河道中的漂浮物类型和位置信息。

38、可选的，所涉及risc-v处理器根据漂浮物的位置变化，计算漂浮物的流动速度，即得到河道流速，具体包括如下过程：

39、记录漂浮物在不同时刻的位置信息(x1,y1)和(x2,y2)，其中，x1和x2表示漂浮物在第1时刻和第2时刻的x轴坐标，y1和y2表示漂浮物在第1时刻和第2时刻的y轴坐标；

40、计算第1时刻和第2时刻的时间间隔δt；

41、计算位置变化的欧氏距离

42、根据公式计算漂浮物的速度v，速度v即为河道流速。

43、第三方面，本发明还提供一种电子设备，包括：存储器和至少一个处理器；

44、其中，所述存储器上存储有计算机程序；

45、所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如第一方面所述的基于risc-v与射频的河道流速监测方法。

46、第四方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序可被处理器执行以实现如第一方面所述的基于risc-v与射频的河道流速监测方法。

47、本发明的一种基于csi的河道流速监测方法、系统、设备及介质，与现有技术相比具有的有益效果是：

48、本发明具有设备非侵入性、高精度流速监测、适应复杂环境、多功能性、低成本高效性和连续实时监测的优势，克服了传统方法的诸多劣势，具有广泛的应用前景和显著的社会效益；不仅在水资源管理和生态环境保护中发挥重要作用，还为未来的水环境监测技术提供了新的方向和思路。

技术特征：

1.一种基于csi的河道流速监测方法，其特征在于，通过在河道两岸安装多个lora发射器和lora接收器形成多对传感器，通过捕捉lora信号在河道中的传播路径和变化情况，利用信道状态信息进行分析和处理，确定漂浮物的具体位置并计算其速度；

2.根据权利要求1所述的基于csi的河道流速监测方法，其特征在于，针对河道两岸安装的每个lora射频模块，在其lora发射器和lora接收器之间，信号通过多个路径传播时形成椭圆轨迹，这些椭圆轨迹中与信号波长相关的指定路径差对应的轨迹组成的区域即为菲涅耳区；

3.根据权利要求1所述的基于csi的河道流速监测方法，其特征在于，所述步骤s4具体包括如下操作：

4.根据权利要求1所述的基于csi的河道流速监测方法，其特征在于，所述步骤s6具体包括如下操作：

5.一种基于csi的河道流速监测系统，其特征在于，其包括lora射频模块和risc-v处理器，其中：

6.根据权利要求5所述的基于csi的河道流速监测系统，其特征在于，在lora射频模块的lora发射器和lora接收器之间，信号通过多个路径传播时形成椭圆轨迹，这些椭圆轨迹中与信号波长相关的指定路径差对应的轨迹组成的区域即为菲涅耳区；

7.根据权利要求5所述的基于csi的河道流速监测系统，其特征在于，所述risc-v处理器从捕捉的信号中提取信道状态信息，利用预训练的机器学习模型识别输出河道中的漂浮物类型和位置信息，具体包括如下过程：

8.根据权利要求5所述的基于csi的河道流速监测系统，其特征在于，所述risc-v处理器根据漂浮物的位置变化，计算漂浮物的流动速度，即得到河道流速，具体包括如下过程：

9.一种电子设备，其特征在于，包括：存储器和至少一个处理器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至4任一项所述的基于csi的河道流速监测方法。

技术总结
本发明公开一种基于CSI的河道流速监测方法、系统、设备及介质，涉及流速监测技术领域。针对现有河道流速监测仪器存在的弊端，采用方案包括：在河道两岸安装多个射频模块，配置射频模块，构建覆盖整个监测区域的有效菲涅尔区；每个射频模块包括发射器和接收器，发射器向河道中发送信号，接收器捕捉经过河道传播后的信号；基于捕捉到的信号，RISC‑V处理器完成如下操作：提取信道状态信息，利用机器学习模型识别输出河道中的漂浮物类型和位置信息；计算漂浮物的精确位置，并根据漂浮物的位置变化，计算漂浮物的流动速度，即得到河道流速。本发明可以提高监测精度，并降低监测成本。

技术研发人员：胡佳,王建峰,赵鑫鑫,姜凯,李锐,魏子重
受保护的技术使用者：山东浪潮科学研究院有限公司
技术研发日：
技术公布日：2024/12/5