1.基于TE-ANN-AWF移动污染源遥测误差补偿方法，该方法具体包括以下步骤：步骤一：通过环境模拟实验获取不同干扰作用下的测量样本；基于实验测量样本，通过TE传递熵进行干扰相关性分析，从而确定测量误差来源以及衡量多干扰之间的不平衡程度；并利用TE传递熵的方向性引出非显著因果关系的量化标准和判定方法；在后续步骤中忽略与测量结果间为非显著因果关系的干扰因素；

步骤二：采用环境模拟烟雾箱实验平台获取单干扰通道的训练样本集合，通过神经网络ANN方法建立各个干扰的测量误差预测模型；

步骤三：通过虚拟观测方法来实现单元观测序列的多元解构，通过不同干扰下的ANN误差预测模型对解构后的多元虚拟观测序列进行误差补偿，再采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构；

针对融合算法中的权值收敛，模型中引入了指数遗忘的方法将TE的权值预估能力和多元自适应加权融合方法的权值自适应调整相结合，改善了误差补偿过程的动态性能。

2.根据权利要求1所述的基于TE-ANN-AWF移动污染源遥测误差补偿方法，其特征在于：所述步骤一中，针对外部环境干扰可探测的特点，引入TE传递熵来对遥感测量干扰进行相关性因果分析，利用传递熵的方向性引出非显著因果关系的量化标准和判定方法；

假设干扰间一定程度上相互独立，通过模拟实验平台获得控制单干扰的变化下的测量序列，以此计算温度干扰到测量值的传递熵TET->CO，湿度干扰到测量值的传递熵TEH->CO，气压干扰到测量值的传递熵TEP->CO，风速干扰因素到测量值的传递熵TEW->CO，其中取最大的反向传递熵TE0作为非因果关系的衡量标准；

TE0＝max{TECO->T、TECO->H、TECO->P、TECO->W}   (1)。

3.根据权利要求1所述的基于TE-ANN-AWF移动污染源遥测误差补偿方法，其特征在于：所述步骤三中，采用多元自适应加权融合方法对补偿后的多元虚拟观测序列进行融合重构具体为：在最小均方误差的准则下对各干扰通道的多元观测值进行自适应融合；通过虚拟观测方法和指数遗忘机制将TE传递熵、ANN人工神经网络、AWF自适应加权融合三种方法相互紧密结合。

4.根据权利要求1所述的基于TE-ANN-AWF移动污染源遥测误差补偿方法，其特征在于：所述步骤三中，模型中引入了指数遗忘的方法将TE权值预估能力和AWF的权值自适应调整相结合，具体为：将得到的传递熵预估的置信权值K和根据最小均方误差准则的最优加权因子W*，选取加权系数{βn}，将K和W*进行融合得到 如下式所示；

其中，n表示对第n次观测值进行融合， 表示置信权值K的加权系数，Kn表示第n次观测值进行传递熵预估的置信权值， 表示最优加权因子W*的加权系数，Wn*表示第n次观测值进行融合后的AWF的权值；

鉴于传递熵平稳预估特点和AWF的权值自适应调整及收敛特点，权值的初期动态过程的预估值应侧重于Kn，而稳态过程则应侧重于Wn*，并逐渐收敛于Wn*；为了体现上述的特点，加权系数{βn}需要满足如下特点：βi＝βi-1b；0

i表示自然数；          (3)

为了满足上述条件，构造如下函数；

n

dn＝(1-b)/(1-a·b)，n＝1，2，3…(4)

其中，b为遗忘因子，a为衰减因子，0