CN112541569A - 一种基于机器学习的传感器在线训练***和方法 - Google Patents
一种基于机器学习的传感器在线训练***和方法 Download PDFInfo
- Publication number
- CN112541569A CN112541569A CN202011328753.7A CN202011328753A CN112541569A CN 112541569 A CN112541569 A CN 112541569A CN 202011328753 A CN202011328753 A CN 202011328753A CN 112541569 A CN112541569 A CN 112541569A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- cloud server
- acquisition module
- original
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000010801 machine learning Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 229910002651 NO3 Inorganic materials 0.000 description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于机器学习的传感器在线训练***和方法，包括传感器、数据采集模块、人机交互设备、智能手机端应用、数据采集模块软件和云端服务器软件，数据采集模块分别从传感器和人机交互设备处获取原始数据和实际测量值，并通过网络上传到云端服务器，云端服务器提取属于同一个传感器的训练数据库中的所有数据进行模型训练，并将训练完成的新算法下载到数据采集模块，数据采集模块将新算法更新到传感器，本发明利用机器学习技术使得传感器算法在全生命周期中保持不断地改进，从而使传感器能最大限度的适应现场不同的工况，稳定可靠的完成各种复杂应用场景下的监测工作，达到了一个全局优化的效果。
Description
技术领域
本发明涉及物联网技术领域，具体为一种基于机器学习的传感器在线训练***和方法。
背景技术
机器学习技术利用大数据和卷积神经网络算法在图像识别、自然语言识别等领域获得了巨大的成功，工业界也在不断地尝试将机器学习算法应用到在线传感器设备上，来应对复杂的应用环境，比如废水监测领域等。
传统监测领域仍存在以下诸多不足：工程师根据行业知识和自身经验设计传感器软件，但是仅凭经验完成的软件算法只能适应部分应用场景，当监测一个复杂对象时，现场环境和被监测对象很容易发生变化，而且受项目时间和成本的限制，工程师往往只能采集到现场部分工况的原始数据来训练算法，所以传统方式设计的软件注定无法稳定可靠的完成监测工作。
基于上述问题，亟待提出一种基于机器学习的传感器在线训练***和方法，利用机器学习大量采集复杂应用场景下传感器的原始数据和对应工况下的实际测量值，通过海量数据来训练卷积神经网络模型，得到与当前复杂应用场景相匹配的一套算法，然后将算法嵌入到传感器的软件中，使得传感器算法在全生命周期中保持不断地改进，从而使传感器能最大限度的适应现场不同的工况，稳定可靠的完成复杂应用场景下的监测工作，达到一个全局优化的效果。
发明内容
本发明的目的在于提供一种基于机器学习的传感器在线训练***和方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于机器学习的传感器在线训练***，包括硬件和软件，所述硬件包括传感器、数据采集模块和人机交互设备，所述软件包括智能手机端应用、数据采集模块软件和云端服务器软件，所述传感器与数据采集模块连接，所述智能手机端应用允许用户输入被测目标的测量值，所述数据采集模块软件包括采集单元、上传单元和部署单元，所述采集单元负责从传感器获取原始数据，所述上传单元负责将数据上传到云端服务器，所述部署单元负责将从云端服务器接收到的算法参数更新到传感器，所述云端服务器软件包括数据接收单元、模型训练单元和数据发送单元，所述数据接收单元通过网络接收并把原始数据保存到对应数据库，所述模型训练单元利用不断更新的传感器原始数据来训练模型参数，所述数据发送单元将经过训练的算法参数通过网络下载到数据采集模块。
进一步的，所述传感器与数据采集模块连接方式包括以太网和RS-485总线，所述数据采集模块附带4G/5G网络通信功能和Wi-Fi功能，保证了数据获取的实时性。
进一步的，所述数据采集模块从传感器获取原始数据，并通过网络将其上传到云端服务器，最后将新的模型参数更新到在线传感器的步骤如下：
a：数据采集模块获取在线传感器原始数据；
b：数据采集模块为采集到的原始数据增加时间戳信息；
c：判断此时的网络是否正常，如果正常转步骤d，否则直接将数据保存到本地数据库，并转回步骤a；
d：通过网络将步骤b里已增加时间戳信息的原始数据上传到云端服务器；
e：判断从云端服务器是否接收到新的模型参数，若接收到新的模型参数，则转步骤f，否则转回步骤a；
f：数据采集模块将新的模型参数更新到在线传感器，并继续从传感器处获取原始数据，使得传感器算法在全生命周期中保持不断地改进。
进一步的，所述步骤a中在线传感器原始数据的获取和步骤f中将新的模型参数更新到在线传感器都是通过Modbus RTU通信协议，Modbus是一种工业自动化总线通信协议，支持数千种工业智能仪器仪表数据通信，同时支持多种通信接口。
进一步的，所述云端服务器接收原始数据、提取设备序列号和时间戳信息、训练算法得到新的模型参数以及发送新的模型参数的步骤如下：
(1)创建TCP Socket应用程序编程接口服务等待现场上传传感器原始数据；
(2)云端服务器判断是否接收到传感器原始数据，若已接收到传感器原始数据，则提取设备序列号和时间戳信息，并将原始数据***到数据库A，转步骤(3)，否则继续等待现场上传传感器原始数据；
(3)判断是否接收到智能手机端应用发送的打标数据，若已接收到打标数据，则提取设备序列号和时间戳信息，并将打标数据***数据库B，转步骤(4)，否则继续等待现场上传传感器原始数据；
(4)从数据库B中提取所有打标数据，并查询数据库A，通过时间戳信息找到对应的原始数据集，并用查询得到的原始数据和打标数据重新训练算法得到新的模型参数；
(5)检查对应序列号的设备是否已经建立网络连接，若已建立网络连接，则云端服务器发送新的模型参数，并下载到数据采集模块，否则新的模型参数将被保存在云端服务器，待设备下次连接后再次发送。
进一步的，所述步骤(3)中的打标为用户通过智能手机端应用输入当前被测目标的测量值并上传到云服务器的过程。
进一步的，一种基于机器学习的传感器在线训练方法，包括以下步骤：
S1：通过以太网或者RS-485总线从传感器获取原始数据，同时从人机交互设备处获取测量值；
S2：通过智能手机端应用输入当前被测目标的测量值并上传到云端服务器；
S3：通过网络将原始数据上传到云端服务器；
S4：把原始数据和测量值***到训练数据库，以时间戳为索引训练数据库的每一条数据，同一个时间戳的数据将包含一次原始数据采样值和一次目标测量值；
S5：云端服务器提取属于同一个传感器的训练数据库中的所有数据重新进行模型训练；
S6：将训练完成的算法，即一组新的模型参数，下载到数据采集模块；
S7：将新的模型参数通过以太网或RS-485总线更新到传感器，从而极大的提高了传感器在不同工况下的适应能力。
进一步的，所述步骤S2还包括以下步骤：
S21：用户通过智能手机端应用输入从第三方设备或实验室测到的准确值；
S22：用户通过智能手机端应用输入在线传感器的序列号；
S23：智能手机端应用将测量值、序列号以及当前的时间信息打包发送到云端服务器。
与现有技术相比，本发明所达到的有益效果是：本发明利用机器学习大量采集复杂应用场景下传感器的原始数据和对应工况下的实际测量值，通过海量数据来训练卷积神经网络模型，得到与当前复杂应用场景相匹配的一套算法，然后将算法嵌入到传感器的软件中，使得传感器算法在全生命周期中保持不断地改进，从而使传感器能最大限度的适应现场不同的工况，稳定可靠的完成复杂应用场景下的监测工作，达到一个全局优化的效果。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于机器学习的传感器在线训练***的框架示意图；
图2是本发明一种基于机器学习的传感器在线训练方法的步骤示意图；
图3是本发明一种基于机器学习的传感器在线训练***的数据采集模块工作步骤示意图；
图4是本发明一种基于机器学习的传感器在线训练***的云端服务器工作步骤示意图；
图5是本发明一种基于机器学习的传感器在线训练***的智能手机端应用工作步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-5，本发明提供技术方案：
一种基于机器学习的传感器在线训练***，包括硬件和软件，硬件包括传感器、数据采集模块和人机交互设备，软件包括智能手机端应用、数据采集模块软件和云端服务器软件，传感器与数据采集模块通过以太网或RS-485总线，数据采集模块附带4G/5G网络通信功能和Wi-Fi功能，智能手机端应用允许用户输入被测目标的测量值，数据采集模块软件包括采集单元、上传单元和部署单元，采集单元负责从传感器获取原始数据，上传单元负责将数据上传到云端服务器，部署单元负责将从云端服务器接收到的算法参数更新到传感器，云端服务器软件包括数据接收单元、模型训练单元和数据发送单元，数据接收单元通过网络接收并把原始数据保存到对应数据库，模型训练单元利用不断更新的传感器原始数据来训练模型参数，数据发送单元将经过训练的算法参数通过网络下载到数据采集模块。
数据采集模块从传感器获取原始数据，并通过网络将其上传到云端服务器，最后将新的模型参数更新到在线传感器的步骤如下：
a：数据采集模块获取在线传感器原始数据；
b：数据采集模块为采集到的原始数据增加时间戳信息；
c：判断此时的网络是否正常，如果正常转步骤d，否则直接将数据保存到本地数据库，并转回步骤a；
d：通过网络将步骤b里已增加时间戳信息的原始数据上传到云端服务器；
e：判断从云端服务器是否接收到新的模型参数，若接收到新的模型参数，则转步骤f，否则转回步骤a；
f：数据采集模块将新的模型参数更新到在线传感器，并继续从传感器处获取原始数据。
步骤a中在线传感器原始数据的获取和步骤f中将新的模型参数更新到在线传感器都是通过Modbus RTU通信协议。
云端服务器的运行流程如下：
(1)创建TCP Socket应用程序编程接口服务等待现场上传传感器原始数据；
(2)云端服务器判断是否接收到传感器原始数据，若已接收到传感器原始数据，则提取设备序列号和时间戳信息，并将原始数据***到数据库A，转步骤(3)，否则继续等待现场上传传感器原始数据；
(3)判断是否接收到智能手机端应用发送的打标数据，若已接收到打标数据，则提取设备序列号和时间戳信息，并将打标数据***数据库B，转步骤(4)，否则继续等待现场上传传感器原始数据；
(4)从数据库B中提取所有打标数据，并查询数据库A，通过时间戳信息找到对应的原始数据集，并用查询得到的原始数据和打标数据重新训练算法得到新的模型参数；
(5)检查对应序列号的设备是否已经建立网络连接，若已建立网络连接，则云端服务器发送新的模型参数，并下载到数据采集模块，否则新的模型参数将被保存在云端服务器，待设备下次连接后再次发送。
一种基于机器学习的传感器在线训练方法，包括以下步骤：
S1：通过以太网或者RS-485总线从传感器获取原始数据，同时从人机交互设备处获取测量值；
S2：通过智能手机端应用输入当前被测目标的测量值并上传到云端服务器；
S3：通过网络将原始数据上传到云端服务器；
S4：把原始数据和测量值***到训练数据库，以时间戳为索引训练数据库的每一条数据，同一个时间戳的数据将包含一次原始数据采样值和一次目标测量值；
S5：云端服务器提取属于同一个传感器的训练数据库中的所有数据重新进行模型训练；
S6：将训练完成的算法，即一组新的模型参数，下载到数据采集模块；
S7：将新的模型参数通过以太网或RS-485总线更新到传感器。
上述步骤S2还包括以下步骤：
S21：用户通过智能手机端应用输入从第三方设备或实验室测到的准确值；
S22：用户通过智能手机端应用输入在线传感器的序列号；
S23：智能手机端应用将测量值、序列号以及当前的时间信息打包发送到云端服务器。
以“光谱探头采集数据，预测硝酸盐浓度”为例，实现本方法的步骤如下：
步骤1：在线传感器采集256个离散光谱对应的原始数据，即数学上256维的输入向量
n个采样点，组成n行256列的的输入矩阵X；
步骤2：用户根据第三方设备或实验室测量，获取当时准确的硝酸盐浓度，并通过智能手机端应用输入，以此值设定输入向量
的目标y，设第i个采样点，用户设定值为yi，n个采样点，设定值为目标值向量
并通过智能手机端应用输入在线传感器的序号，将测量值、序列号以及当前的时间信息打包发送到云端服务器；
步骤3：通过数据采集模块，把输入矩阵X和目标值向量
上传到云端服务器；
步骤4：在云端服务器上采用机器学习算法，如偏最小二乘法(Partial leastSquares regression，PLS)或神经网络，逼近真实的光谱输入向量与目标值函数
pls＝PLSRegression(n_components＝9)
pls.fit(x,y)
步骤5：将云端服务器训练的多维参数θ打包，通过网络下载到现场的数据采集模块，根据PLS算法原理，需要把X矩阵的平均值向量x_mean_，标准差向量x_std，系数向量coef_，目标值的平均值y_mean_，共四组参数下载到下位机，获取参数的方法是：
Pls.x_mean_
Pls.x_std_.
Pls.coef_.
Pls.y_mean_[0]
步骤6:数据采集模块通过Modbus RTU协议将平均值向量，标准差向量，系数向量和目标值的平均值更新到在线传感器，传感器将这4组向量作为参数保存到Flash中存储；
步骤7：在线传感器在下一次的测量周期中，将使用新的模型参数来计算测量值，如计算公式：
其中，x为下位机测出的吸光度输入向量，xmean为下载的训练后的平均值向量x_mean_,xstd为下载的训练后的标准差向量x_std，C为下载的训练后的系数向量coef_，ymean为下载的训练后的目标值的平均值y_mean_。
如图1所示，数据采集模块大量采集复杂应用场景下传感器的原始数据和对应工况下的实际测量值，云端服务器通过海量数据来训练卷积神经网络模型，得到与当前复杂应用场景相匹配的一套算法，然后将算法嵌入到传感器的软件中，使得传感器算法在全生命周期中保持不断地改进，从而使传感器能最大限度的适应现场不同的工况，稳定可靠的完成复杂应用场景下的监测工作，达到一个全局优化的效果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于机器学习的传感器在线训练***，包括硬件和软件，所述硬件包括传感器、数据采集模块和人机交互设备，所述软件包括智能手机端应用、数据采集模块软件和云端服务器软件，其特征在于：
所述传感器与数据采集模块连接，所述智能手机端应用允许用户输入被测目标的测量值，所述数据采集模块软件包括采集单元、上传单元和部署单元，所述采集单元负责从传感器获取原始数据，所述上传单元负责将数据上传到云端服务器，所述部署单元负责将从云端服务器接收到的算法参数更新到传感器，所述云端服务器软件包括数据接收单元、模型训练单元和数据发送单元，所述数据接收单元通过网络接收并把原始数据保存到对应数据库，所述模型训练单元利用不断更新的传感器原始数据来训练模型参数，所述数据发送单元将经过训练的算法参数通过网络下载到数据采集模块。
2.根据权利要求1所述的一种基于机器学习的传感器在线训练***，其特征在于：所述传感器与数据采集模块连接方式包括以太网和RS-485总线，所述数据采集模块附带4G/5G网络通信功能和Wi-Fi功能。
3.根据权利要求1所述的一种基于机器学习的传感器在线训练***，其特征在于：所述数据采集模块从传感器获取原始数据，并通过网络将其上传到云端服务器，最后将新的模型参数更新到在线传感器的具体步骤如下：
a：数据采集模块获取在线传感器原始数据；
b：数据采集模块为采集到的原始数据增加时间戳信息；
c：判断此时的网络是否正常，如果正常转步骤d，否则直接将数据保存到本地数据库，并转回步骤a；
d：通过网络将步骤b里已增加时间戳信息的原始数据上传到云端服务器；
e：判断从云端服务器是否接收到新的模型参数，若接收到新的模型参数，则转步骤f，否则转回步骤a；
f：数据采集模块将新的模型参数更新到在线传感器，并继续从传感器处获取原始数据。
4.根据权利要求3所述的一种基于机器学习的传感器在线训练***，其特征在于：所述步骤a中在线传感器原始数据的获取和步骤f中将新的模型参数更新到在线传感器都是通过Modbus RTU通信协议。
5.根据权利要求1所述的一种基于机器学习的传感器在线训练***，其特征在于：所述云端服务器接收原始数据、提取设备序列号和时间戳信息、训练算法得到新的模型参数以及发送新的模型参数的具体步骤如下：
(1)创建TCP Socket应用程序编程接口服务等待现场上传传感器原始数据；
(2)云端服务器判断是否接收到传感器原始数据，若已接收到传感器原始数据，则提取设备序列号和时间戳信息，并将原始数据***到数据库A，转步骤(3)，否则继续等待现场上传传感器原始数据；
(3)判断是否接收到智能手机端应用发送的打标数据，若已接收到打标数据，则提取设备序列号和时间戳信息，并将打标数据***数据库B，转步骤(4)，否则继续等待现场上传传感器原始数据；
(4)从数据库B中提取所有打标数据，并查询数据库A，通过时间戳信息找到对应的原始数据集，并用查询得到的原始数据和打标数据重新训练算法得到新的模型参数；
(5)检查对应序列号的设备是否已经建立网络连接，若已建立网络连接，则云端服务器发送新的模型参数，并下载到数据采集模块，否则新的模型参数将被保存在云端服务器，待设备下次连接后再次发送。
6.根据权利要求5所述的一种基于机器学习的传感器在线训练***，其特征在于：所述步骤(3)中的打标为用户通过智能手机端应用输入当前被测目标的测量值并上传到云服务器的过程。
7.一种基于机器学习的传感器在线训练方法，其特征在于：包括以下步骤：
S1：通过以太网或者RS-485总线从传感器获取原始数据，同时从人机交互设备处获取测量值；
S2：通过智能手机端应用输入当前被测目标的测量值并上传到云端服务器；
S3：通过网络将原始数据上传到云端服务器；
S4：把原始数据和测量值***到训练数据库，以时间戳为索引训练数据库的每一条数据，同一个时间戳的数据将包含一次原始数据采样值和一次目标测量值；
S5：云端服务器提取属于同一个传感器的训练数据库中的所有数据重新进行模型训练；
S6：将训练完成的算法，即一组新的模型参数，下载到数据采集模块；
S7：将新的模型参数通过以太网或RS-485总线更新到传感器。
8.根据权利要求7所述的一种基于机器学习的传感器在线训练方法，其特征在于：所述步骤S2进一步包括以下步骤：
S21：用户通过智能手机端应用输入从第三方设备或实验室测到的准确值；
S22：用户通过智能手机端应用输入在线传感器的序列号；
S23：智能手机端应用将测量值、序列号以及当前的时间信息打包发送到云端服务器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328753.7A CN112541569A (zh) | 2020-11-24 | 2020-11-24 | 一种基于机器学习的传感器在线训练***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328753.7A CN112541569A (zh) | 2020-11-24 | 2020-11-24 | 一种基于机器学习的传感器在线训练***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541569A true CN112541569A (zh) | 2021-03-23 |
Family
ID=75014707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011328753.7A Pending CN112541569A (zh) | 2020-11-24 | 2020-11-24 | 一种基于机器学习的传感器在线训练***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541569A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435126A (zh) * | 2021-07-07 | 2021-09-24 | 魏天骐 | 知识分享处理方法、智能机器人设备、知识分享***、任务学习*** |
| CN115052130A (zh) * | 2022-05-27 | 2022-09-13 | 合肥富煌君达高科信息技术有限公司 | 一种高低温实验无人值守bug信息无线传输*** |
| CN115908948A (zh) * | 2023-01-05 | 2023-04-04 | 北京霍里思特科技有限公司 | 一种在线调整模型的智能分选***及其控制方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120220835A1 (en) * | 2011-02-14 | 2012-08-30 | Wayne Chung | Wireless physiological sensor system and method |
| US20140081100A1 (en) * | 2012-09-20 | 2014-03-20 | Masimo Corporation | Physiological monitor with mobile computing device connectivity |
| CN104965503A (zh) * | 2015-07-17 | 2015-10-07 | 江西洪都航空工业集团有限责任公司 | 一种基于机器学习的智能家居控制*** |
| CN105205436A (zh) * | 2014-06-03 | 2015-12-30 | 北京创思博德科技有限公司 | 一种基于前臂生物电多传感器的手势识别*** |
| CN106412111A (zh) * | 2016-11-14 | 2017-02-15 | 南京物联传感技术有限公司 | 一种基于云的全屋智能*** |
| US20170083312A1 (en) * | 2015-09-22 | 2017-03-23 | Mc10, Inc. | Method and system for crowd-sourced algorithm development |
| CN107707657A (zh) * | 2017-09-30 | 2018-02-16 | 苏州涟漪信息科技有限公司 | 基于多传感器的安全监护*** |
| CN107788994A (zh) * | 2017-10-12 | 2018-03-13 | 微泰医疗器械(杭州)有限公司 | 一种基于云端大数据的智能实时动态血糖监测***及方法 |
| CN108093030A (zh) * | 2017-11-29 | 2018-05-29 | 杭州古北电子科技有限公司 | 一种基于云服务器的人工智能模型部署方法 |
| CN108614071A (zh) * | 2018-03-21 | 2018-10-02 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正***及参数更新方法 |
| CN109631973A (zh) * | 2018-11-30 | 2019-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和*** |
| CN110216680A (zh) * | 2019-07-05 | 2019-09-10 | 山东大学 | 一种服务机器人云地协同故障诊断***和方法 |
| CN210836549U (zh) * | 2019-11-27 | 2020-06-23 | 肖世军 | 保护分心行走安全的智能穿戴传感*** |
| CN111444848A (zh) * | 2020-03-27 | 2020-07-24 | 广州英码信息科技有限公司 | 一种基于联邦学习的特定场景模型升级方法和*** |
| CN111862165A (zh) * | 2020-06-17 | 2020-10-30 | 南京理工大学 | 一种基于深度强化学习更新卡尔曼滤波器的目标追踪方法 |
-
2020
- 2020-11-24 CN CN202011328753.7A patent/CN112541569A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120220835A1 (en) * | 2011-02-14 | 2012-08-30 | Wayne Chung | Wireless physiological sensor system and method |
| US20140081100A1 (en) * | 2012-09-20 | 2014-03-20 | Masimo Corporation | Physiological monitor with mobile computing device connectivity |
| CN105205436A (zh) * | 2014-06-03 | 2015-12-30 | 北京创思博德科技有限公司 | 一种基于前臂生物电多传感器的手势识别*** |
| CN104965503A (zh) * | 2015-07-17 | 2015-10-07 | 江西洪都航空工业集团有限责任公司 | 一种基于机器学习的智能家居控制*** |
| CN108293174A (zh) * | 2015-09-22 | 2018-07-17 | Mc10股份有限公司 | 用于众包算法开发的方法和*** |
| US20170083312A1 (en) * | 2015-09-22 | 2017-03-23 | Mc10, Inc. | Method and system for crowd-sourced algorithm development |
| CN106412111A (zh) * | 2016-11-14 | 2017-02-15 | 南京物联传感技术有限公司 | 一种基于云的全屋智能*** |
| CN107707657A (zh) * | 2017-09-30 | 2018-02-16 | 苏州涟漪信息科技有限公司 | 基于多传感器的安全监护*** |
| CN107788994A (zh) * | 2017-10-12 | 2018-03-13 | 微泰医疗器械(杭州)有限公司 | 一种基于云端大数据的智能实时动态血糖监测***及方法 |
| CN108093030A (zh) * | 2017-11-29 | 2018-05-29 | 杭州古北电子科技有限公司 | 一种基于云服务器的人工智能模型部署方法 |
| CN108614071A (zh) * | 2018-03-21 | 2018-10-02 | 中国科学院自动化研究所 | 分布式室外大气质量监测精度校正***及参数更新方法 |
| CN109631973A (zh) * | 2018-11-30 | 2019-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和*** |
| CN110216680A (zh) * | 2019-07-05 | 2019-09-10 | 山东大学 | 一种服务机器人云地协同故障诊断***和方法 |
| CN210836549U (zh) * | 2019-11-27 | 2020-06-23 | 肖世军 | 保护分心行走安全的智能穿戴传感*** |
| CN111444848A (zh) * | 2020-03-27 | 2020-07-24 | 广州英码信息科技有限公司 | 一种基于联邦学习的特定场景模型升级方法和*** |
| CN111862165A (zh) * | 2020-06-17 | 2020-10-30 | 南京理工大学 | 一种基于深度强化学习更新卡尔曼滤波器的目标追踪方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435126A (zh) * | 2021-07-07 | 2021-09-24 | 魏天骐 | 知识分享处理方法、智能机器人设备、知识分享***、任务学习*** |
| CN113435126B (zh) * | 2021-07-07 | 2024-02-02 | 魏天骐 | 知识分享处理方法、智能机器人设备、知识分享***、任务学习*** |
| CN115052130A (zh) * | 2022-05-27 | 2022-09-13 | 合肥富煌君达高科信息技术有限公司 | 一种高低温实验无人值守bug信息无线传输*** |
| CN115908948A (zh) * | 2023-01-05 | 2023-04-04 | 北京霍里思特科技有限公司 | 一种在线调整模型的智能分选***及其控制方法 |
| CN115908948B (zh) * | 2023-01-05 | 2024-04-26 | 北京霍里思特科技有限公司 | 一种在线调整模型的智能分选***及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541569A (zh) | 一种基于机器学习的传感器在线训练***和方法 | |
| CN116129366B (zh) | 基于数字孪生的园区监测方法及相关装置 | |
| EP3361330B1 (en) | Event analyzing device, event analyzing system, event analyzing method, event analyzing program, and non-transitory computer readable storage medium | |
| CN108614071B (zh) | 分布式室外大气质量监测精度校正***及参数更新方法 | |
| CN113872328A (zh) | 基于神经网络的变电站远程智能巡检方法及*** | |
| CN107944005B (zh) | 一种数据展示方法及装置 | |
| CN111399421A (zh) | 一种基于云平台的工厂能源监控和管理*** | |
| CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用*** | |
| CN103401881A (zh) | 基于智能仪表的数据采集***及方法 | |
| CN110910440A (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
| CN108093419A (zh) | 一种基于物联网的基站信息采集***及其控制方法 | |
| CN117493498B (zh) | 基于工业互联网的电力数据挖掘与分析*** | |
| CN102359879A (zh) | 一种试验网络测控***及数据采集控制方法 | |
| CN117639228A (zh) | 基于数字孪生的配电网运行状态预测方法及*** | |
| CN112132519A (zh) | 一种基于物联网大数据的瓶装燃气交叉网络*** | |
| CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理***和用于处理数据的方法 | |
| CN116708084A (zh) | 一种基于工业互联网的边缘计算网关 | |
| CN115987692A (zh) | 一种基于流量回溯分析的安全防护***及方法 | |
| CN115118578A (zh) | 一种基于web的scada*** | |
| CN115224795A (zh) | 一种智能化变电站设备运行监测预警***及方法 | |
| CN103631232A (zh) | 数据监测控制方法和装置 | |
| CN107316105B (zh) | 一种大区域农业预测*** | |
| CN112702707B (zh) | 多感知物联网的智能数据分析***及方法 | |
| CN110719316A (zh) | 一种基于NB-IoT的分布式测控*** | |
| CN117969789B (zh) | 一种地下水资源的水情预测方法及监测*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |