CN113033722A - 传感器数据融合方法、装置、存储介质及计算设备 - Google Patents

传感器数据融合方法、装置、存储介质及计算设备 Download PDF

Info

Publication number
CN113033722A
CN113033722A CN202110597548.9A CN202110597548A CN113033722A CN 113033722 A CN113033722 A CN 113033722A CN 202110597548 A CN202110597548 A CN 202110597548A CN 113033722 A CN113033722 A CN 113033722A
Authority
CN
China
Prior art keywords
data
sampling
group
groups
mean
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.)
Granted
Application number
CN202110597548.9A
Other languages
English (en)
Other versions
CN113033722B (zh
Inventor
王立新
汪珂
李储军
雷升祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Railway First Survey and Design Institute Group Ltd
China Railway Construction Corp Ltd CRCC
Original Assignee
China Railway First Survey and Design Institute Group Ltd
China Railway Construction Corp Ltd CRCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Railway First Survey and Design Institute Group Ltd, China Railway Construction Corp Ltd CRCC filed Critical China Railway First Survey and Design Institute Group Ltd
Priority to CN202110597548.9A priority Critical patent/CN113033722B/zh
Publication of CN113033722A publication Critical patent/CN113033722A/zh
Application granted granted Critical
Publication of CN113033722B publication Critical patent/CN113033722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本申请公开一种传感器数据融合方法、装置、存储介质及计算设备，包括：获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果。本申请解决现有技术中传感器数据采集数据量大、精确度低的技术问题。

Description

传感器数据融合方法、装置、存储介质及计算设备
技术领域
本申请涉及数据处理技术领域，具体而言，涉及一种传感器数据融合方法、装置、存储介质及计算设备。
背景技术
结构变形监测数据不仅是对工程安全的直接反馈，还是指导后续设计施工的重要依据，因此对现场监测数据的准确分析处理是施工安全监测的重要基础，数据的有效性是开展数据挖掘工作的一个重要前提。结构变形数据为缓慢变化信号，信号的变化频率相对较小，目前常用人工监测数据采样频率相对较低，而随着自动化监测***的逐步应用，基于传感器的自动采集***均实现了数据的实时采集，而实时的数据采集***数据存在很大的冗余度。
这种冗余度除了大幅增加***的数据处理量之外，还可能带来数据处理精度方面的弊端，例如，如果采用较高的采样频率，则可能在数据没有大幅度波动时造成数据的大量冗余，而采用较低的采样频率，则可能在数据短时间内波动时造成数据遗漏，从而影响检测精度。
针对上述现有技术中传感器数据采集数据量大、精确度低的技术问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种传感器数据融合方法、装置、存储介质及计算设备，以至少解决现有技术中传感器数据采集数据量大、精确度低的技术问题。
根据本申请实施例的一个方面，提供了一种传感器数据融合方法，包括获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果。
根据本申请实施例的另一个方面，提供了一种传感器数据融合装置，包括获取单元，用于获取用于监测目标对象的传感器的监测数据；第一采样单元，用于以第一采样频率对监测数据进行采样，得到一组第一采样数据；第二采样单元，用于以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；融合单元，用于对K组第二采样数据进行融合，得到传感器监测数据的融合结果。
在上述任一实施例的基础上，对K组第二采样数据进行融合，得到传感器监测数据的融合结果包括：对K组第二采样数据进行平均，得到一组均值数据组；根据K组第二采样数据中的每一组与均值数据组的相关性，为每一组第二采样数据分配加权系数；根据加权系数对K组第二采样数据进行加权处理，得到一组传感器监测数据的融合结果。
在上述任一实施例的基础上，对K组第二采样数据进行平均，得到一组均值数据组 包括：获取K组第二采样数据
Figure 153591DEST_PATH_IMAGE001
，其中，
Figure 273994DEST_PATH_IMAGE002
，
Figure 319310DEST_PATH_IMAGE003
表示第i组 第二采样数据；将K组第二采样数据处理为K个对应的一维数组，其中
Figure 917782DEST_PATH_IMAGE004
，其中
Figure 997734DEST_PATH_IMAGE005
，D表示每一组第二采 样数据的项数，
Figure 23458DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项；计算K个一维数组中对应项的 平均值，得到一组均值数据组
Figure 556071DEST_PATH_IMAGE007
，其中
Figure 207501DEST_PATH_IMAGE008
，
Figure 141959DEST_PATH_IMAGE009
表示计算K组第二采样数据中的第j项的平均值。
在上述任一实施例的基础上，根据K组第二采样数据中的每一组与均值数据组的相关性，为每一组第二采样数据分配加权系数包括：计算每一组第二采样数据与均值数据组之间的相关系数；根据相关系数，为每一组第二采样数据设置加权系数，其中加权系数与相关系数正相关。
在上述任一实施例的基础上，通过如下公式计算第i组第二采样数据
Figure 338585DEST_PATH_IMAGE003
与均值数 据组
Figure 92914DEST_PATH_IMAGE007
之间的相关系数
Figure 95505DEST_PATH_IMAGE010
：
Figure 822153DEST_PATH_IMAGE011
其中，
Figure 517577DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项，
Figure 962464DEST_PATH_IMAGE012
表示第i组第二采样数据的 均值，
Figure 237588DEST_PATH_IMAGE013
，
Figure 146638DEST_PATH_IMAGE014
表示均值数据组的第j项，
Figure 934334DEST_PATH_IMAGE015
表示均值数据组的均值，
Figure 928835DEST_PATH_IMAGE016
，
Figure 7650DEST_PATH_IMAGE017
表示第i组第二采样数据的方差，
Figure 708889DEST_PATH_IMAGE018
，
Figure 746116DEST_PATH_IMAGE019
表示均值数据组
Figure 900016DEST_PATH_IMAGE007
的方差，
Figure 48101DEST_PATH_IMAGE020
。
在上述任一实施例的基础上，根据相关系数，为每一组第二采样数据设置加权系 数包括：计算每一组第二采样数据与均值数据组之间的相关系数的和
Figure 603847DEST_PATH_IMAGE021
，
Figure 546395DEST_PATH_IMAGE022
，其中，
Figure 249909DEST_PATH_IMAGE010
表示第i组第二采样数据与均值数据组
Figure 134775DEST_PATH_IMAGE007
之间的相关系数；计算每一组第二采 样数据与均值数据组之间的相关系数在和
Figure 872924DEST_PATH_IMAGE021
中的占比
Figure 189636DEST_PATH_IMAGE023
，其中
Figure 380446DEST_PATH_IMAGE024
表示第i组第二采样数 据与均值数据组之间的相关系数
Figure 604753DEST_PATH_IMAGE010
在和
Figure 869513DEST_PATH_IMAGE021
中的占比，
Figure 419443DEST_PATH_IMAGE025
；将每一组第二采样数据 与均值数据组之间的相关系数在和
Figure 35232DEST_PATH_IMAGE021
中的占比
Figure 328810DEST_PATH_IMAGE023
作为该组第二采样数据的加权系数。
在上述任一实施例的基础上，根据加权系数对K组第二采样数据进行加权处理，得 到一组传感器监测数据的融合结果包括：获取K组第二采样数据
Figure 962923DEST_PATH_IMAGE001
，其中，
Figure 152595DEST_PATH_IMAGE002
，
Figure 317998DEST_PATH_IMAGE003
表示第i组第二采样数据，
Figure 87370DEST_PATH_IMAGE004
，
Figure 654618DEST_PATH_IMAGE005
，D表示每一组第二采样数据的项数，
Figure 218454DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j 项；获取K组第二采样数据对应的K个加权系数
Figure 871153DEST_PATH_IMAGE026
;将K组第二采样数据 中同一项的K个数值与对应的K个加权系数进行加权求和，得到一组融合数据
Figure 240954DEST_PATH_IMAGE027
，其中
Figure 334812DEST_PATH_IMAGE028
Figure 397446DEST_PATH_IMAGE029
。
根据本申请实施例的另一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任一实施例的方法。
根据本申请实施例的另一个方面，提供了一种计算设备，包括处理器，处理器用于运行程序，其中，程序运行时执行上述任一实施例的方法。
在本申请实施例中，通过获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果，实现了在不具备传感器测量数据的任何先验知识的情况下，确定融合后的局部决策值并据此得到决策结果，本申请提出的方案能够实现充分挖掘数据的内部信息，且具有数据冗余度低、采样精度高及数据采集可靠的特点，进而解决了现有技术中传感器数据采集数据量大、精确度低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种用于实现传感器数据融合方法的计算机终端（或移动设备）的硬件结构框图；
图2是根据本申请实施例的一种传感器数据融合方法的流程图；
图3是根据本申请实施例的又一种传感器数据融合方法的流程图；
图4是根据本申请实施例的一种传感器数据融合装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本申请实施例，还提供了一种传感器数据融合方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现传感器数据融合方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备10）可以包括一个或多个（图中采用102a、102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据融合电路在本文中通常可以被称为“数据融合电路”。该数据融合电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据融合电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据融合电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的产品激活确定方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据融合，即实现上述的传感器数据融合方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。
此处，需要说明的是，在一些可选实施例中，上述图1所示的计算机设备（或移动设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或移动设备）中的部件的类型。
本申请在上述运行环境下运行如图2所示的一种传感器数据融合方法。图2是根据本申请实施例的一种传感器数据融合方法的流程图，如图2所示，传感器数据融合方法可以包括：
步骤S202：获取用于监测目标对象的传感器的监测数据；
在上述步骤S202中，目标对象例如施工工程，在该工程中布置有至少一个传感器，传感器不间断的采集工程数据，从而得到完整的原始监测数据。此处需要说明的是，本申请不限制传感器种类。在一种可选方式中，传感器为模拟传感器，因此在步骤S202之前，方法还包括：接收传感器输出的模拟信号，对该模拟信号进行预处理，得到上述监测数据，其中对传感器的输出模拟信号进行预处理的具体过程为：对传感器的输出模拟信号依次进行降噪、滤波处理。
步骤S204：以第一采样频率对监测数据进行采样，得到一组第一采样数据；
在上述步骤S204中，第一采样频率例如记为
Figure 458812DEST_PATH_IMAGE030
，通过该采样频率可以对原始的监测 数据进行初步采样，在一种优选方式中，第一采样频率设置为较大的值，从而可实现对传感 器监测数据进行较为完整、精确的采样，同样，由于该采样频率较大，导致数据仍然具有一 定的冗余度。在一种实施方式中，可以预设第一采样时间，从而按照该第一采样时间将原始 监测数据划分为若干段，以便针对每一段监测数据进行处理。
步骤S206：以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；
在上述步骤S206中，第二采样频率例如记为
Figure 897883DEST_PATH_IMAGE031
,其中，
Figure 111827DEST_PATH_IMAGE032
,K为正整数。第 二采样频率被设置为较小的值，从而可在第一采样数据的基础上进行较为低频的采样，根 据采样频率关系可知，由于第二采样频率缩小为第一采样频率的1/K倍，因而每一组第二采 样数据的数据量也被同比缩小至第一采样数据的1/K倍。以第二采样频率对第一采样数据 进行K次重采样，可设置K次重采样的采样起始点平均分布在一个第二采样周期中，如此，可 以正好使得K次重采样的数据之间无重复，完整覆盖第一次采样得到的数据。举例来说，第 一次采样频率设为10Hz，即每秒采样10个值，假设采样进行了2秒，得到20个值构成一组第 一采样数据。令K=10，则第二采样频率变为1Hz，即每秒采样1个值，进行10次重采样从而得 到10组第二采样数据，其中第二采样周期为1s，10次重采样的起始时间平均分布在一个第 二采样周期，即每隔0.1秒开始一次采样，第一次从这20个数的第一个值采样，那么就得到 两个数，分别是第1个值与第10个值。第K次重采样从第二个值开始采样，也得到两个数，分 别是第2个值与第11个值，依次类推，采样10次，得到10组数，每组数的第一个数排序完刚好 是一开始20个值中的第一到第十个数，而第二个数排序后刚好是第十一到第二十个数。如 此，就不重复的刚好将一次采样的数据重构了一遍。
假设第一采样的采集持续时间为T，采样频率
Figure 79783DEST_PATH_IMAGE033
，将第一采样数据表示为
Figure 441494DEST_PATH_IMAGE034
，数据长度为N，第K次重采样的采样频率
Figure 356361DEST_PATH_IMAGE035
，采样次数 为K，那么可到K组长度为
Figure 487128DEST_PATH_IMAGE036
的第二采样数据。
步骤S208：对K组第二采样数据进行融合，得到传感器监测数据的融合结果。
在上述步骤S206中，融合方式例如可以为加权融合，对K组数据分别赋予不同的权值，并将K组数据中的相同项进行加权求和，由于K组数据的采样起始点非常接近，在以相同的第二采样频率进行采样时，K组数据的同一项的采样数据的采样时间点也较为接近，对这些数据进行局部融合，可以最大限度的减少融合后的数据与真实数据之间的偏差，并且可以尽可能滤除因传感器异常造成的数据突变。
综上，在本申请实施例中，通过获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果，实现了在不具备传感器测量数据的任何先验知识的情况下，确定融合后的局部决策值并据此得到决策结果，本申请提出的方案能够实现充分挖掘数据的内部信息，且具有数据冗余度低、采样精度高及数据采集可靠的特点，进而解决了现有技术中传感器数据采集数据量大、精确度低的技术问题。
本申请所提出的基于信号重采样的传感器数据融合方法，对传感器采集的原始数据以新的采样频率进行重采样，采样频率为原采样频率的1/K，其中K为正整数，即对原始数据的K倍抽取，再分别计算分组后的数据均值以及与K组数据取平均得到数据的相关系数，对分组数据的相关系数进行分析，以相关系数的大小与权值建立对应关系，相关系数越大表示数据与K组数据的共性相似度越高，在数据融合过程中应赋相对较大的权值，而相关系数越小的数据应赋相对较小的权值。这种数据融合方法不要求传感器测量数据的任何先验知识，依据融合后的局部决策值就能够得到决策结果。建立变权值的数据融合方法，提高了单传感器结构变形数据的采集精度。
可选地，步骤S208：对K组第二采样数据进行融合，得到传感器监测数据的融合结果包括：
步骤S2082：对K组第二采样数据进行平均，得到一组均值数据组；
在上述步骤S2082中，对K组第二采样数据进行平均，即对K组第二采样数据中的对应项进行平均，例如对1到K组数据中的K个第一项进行平均，得到的值作为均值数据组的第一项，对1到K组数据中的K个第j项进行平均，得到的值作为均值数据组的第j项，以此类推。由于K组数据的采样起始点非常接近，即K组数据的对应项的采样数据的采样时间点也较为接近，计算对应项的平均值即计算局部数据的平均值，以便于将局部其他数据与该平均值进行比较，从而可以在后续加权系数分配的过程之后，摒弃差别巨大的局部值，强调接***均值的局部值。
步骤S2084：根据K组第二采样数据中的每一组与均值数据组的相关性，为每一组第二采样数据分配加权系数；
在上述步骤S2084中，把每一组第二采样数据与均值数据组的相关性的大小与该组第二采样数据的加权系数建立对应关系，例如可以给相关性高的一组第二采样数据分配较高的加权系数，给相关性低的一组第二采样数据分配较低的加权系数，从而可实现摒弃差别巨大的局部值，强调接***均值的局部值这一效果。同时，本申请计算的是一组第二采样数据与均值数据组之间的整体相关性，当其中一组第二采样数据采集的是传感器数据中周期性的环境噪音或者异常噪音时，该组数据可被有效滤除。在一种可选方式中，相关系数越大表示该组数据和这K组数据共性相关度越高，在数据融合过程中应赋相对较大的权值，而相关系数越小的数据应赋相对较小的权值，即权值于相关系数的大小成正比。
步骤S2086：根据加权系数对K组第二采样数据进行加权处理，得到一组传感器监测数据的融合结果。
在上述步骤S2086中，为K组第二采样数据分配K个权值，将K组数据中的K个对应项分别与其对应的K个权值加权求和，得到该对应项的融合值，计算完所有对应项后，即可得到一组传感器监测数据的融合结果。
可选地，步骤S2082：对K组第二采样数据进行平均，得到一组均值数据组包括：
步骤S20822：获取K组第二采样数据
Figure 829247DEST_PATH_IMAGE001
，其中，
Figure 678255DEST_PATH_IMAGE002
，
Figure 927970DEST_PATH_IMAGE003
表示第i组第二采样数据；
步骤S20824：将K组第二采样数据处理为K个对应的一维数组，其中
Figure 365774DEST_PATH_IMAGE004
，其中
Figure 941112DEST_PATH_IMAGE005
，D表示每一组第二采 样数据的项数，
Figure 215098DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项；
步骤S20826：计算K个一维数组中对应项的平均值，得到一组均值数据组
Figure 268505DEST_PATH_IMAGE007
，其中
Figure 373864DEST_PATH_IMAGE008
，
Figure 57786DEST_PATH_IMAGE009
表示计算K组第二采样数据中的第j项的平均值。
可选地，步骤S2084：根据K组第二采样数据中的每一组与均值数据组的相关性，为每一组第二采样数据分配加权系数包括：
步骤S20842：计算每一组第二采样数据与均值数据组之间的相关系数；
在上述步骤S20842中，通过如下公式计算第i组第二采样数据
Figure 615807DEST_PATH_IMAGE003
与均值数据组
Figure 676167DEST_PATH_IMAGE007
之间的相关系数
Figure 370453DEST_PATH_IMAGE010
：
Figure 287593DEST_PATH_IMAGE011
其中，
Figure 785440DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项，
Figure 446228DEST_PATH_IMAGE012
表示第i组第二采样数据的 均值，
Figure 198284DEST_PATH_IMAGE013
，
Figure 286325DEST_PATH_IMAGE014
表示均值数据组的第j项，
Figure 818938DEST_PATH_IMAGE015
表示均值数据组的均值，
Figure 221100DEST_PATH_IMAGE016
，
Figure 889979DEST_PATH_IMAGE017
表示第i组第二采样数据的方差，
Figure 352184DEST_PATH_IMAGE018
，
Figure 106514DEST_PATH_IMAGE019
表示均值数据组
Figure 109105DEST_PATH_IMAGE007
的方差，
Figure 85020DEST_PATH_IMAGE020
。
步骤S20844：根据相关系数，为每一组第二采样数据设置加权系数，其中加权系数与相关系数正相关。
在上述步骤S20844中，把相关系数的大小与权值建立对应关系，相关系数越大表示该组数据和这K组数据共性相关度越高，在数据融合过程中应赋相对较大的权值，而相关系数越小的数据应赋相对较小的权值，即权值于相关系数的大小成正比。
在上述步骤S20844中，根据相关系数，为每一组第二采样数据设置加权系数包括：
步骤S208442：计算每一组第二采样数据与均值数据组之间的相关系数的和
Figure 780444DEST_PATH_IMAGE021
，
Figure 959752DEST_PATH_IMAGE022
，其中，
Figure 500455DEST_PATH_IMAGE010
表示第i组第二采样数据与均值数据组
Figure 409505DEST_PATH_IMAGE007
之间的相关系数；
步骤S208444：计算每一组第二采样数据与均值数据组之间的相关系数在和
Figure 947934DEST_PATH_IMAGE021
中 的占比
Figure 942435DEST_PATH_IMAGE023
，其中
Figure 224511DEST_PATH_IMAGE024
表示第i组第二采样数据与均值数据组之间的相关系数
Figure 722489DEST_PATH_IMAGE010
在和
Figure 494136DEST_PATH_IMAGE021
中的 占比，
Figure 162883DEST_PATH_IMAGE025
；
步骤S208446：将每一组第二采样数据与均值数据组之间的相关系数在和
Figure 310968DEST_PATH_IMAGE021
中的 占比
Figure 866714DEST_PATH_IMAGE023
作为该组第二采样数据的加权系数。
可选地，步骤S2086：根据加权系数对K组第二采样数据进行加权处理，得到一组传感器监测数据的融合结果包括：
步骤S20862：获取K组第二采样数据
Figure 809262DEST_PATH_IMAGE001
，其中，
Figure 512776DEST_PATH_IMAGE002
，
Figure 136656DEST_PATH_IMAGE003
表示第i组第二采样数据，
Figure 874804DEST_PATH_IMAGE004
，
Figure 925937DEST_PATH_IMAGE005
，D表示每一组第二采样数据的项数，
Figure 116747DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j 项；
步骤S20864：获取K组第二采样数据对应的K个加权系数
Figure 793585DEST_PATH_IMAGE026
;
步骤S20866：将K组第二采样数据中同一项的K个数值与对应的K个加权系数进行 加权求和，得到一组融合数据
Figure 120661DEST_PATH_IMAGE027
，其中
Figure 670591DEST_PATH_IMAGE028
Figure 286380DEST_PATH_IMAGE037
[
Figure 314379DEST_PATH_IMAGE038
]。
图3是根据本申请实施例的一种传感器数据融合方法的流程图，如图3所示，安装固定传感器，通过传感器进行数据采集，传感器数据融合方法可以包括：
S301：对传感器的输出模拟信号进行预处理；
S302：设定采集持续时间、采样频率
Figure 699224DEST_PATH_IMAGE033
、重采样的采样频率
Figure 420055DEST_PATH_IMAGE035
，其中K为正 整数；
S303：跟据采集持续时间、采样频率
Figure 523140DEST_PATH_IMAGE033
采集结构变形数据；
S304：根据重采样的采样频率对原始数据进行多次采样，得到多组数据；
S305：通过每组数据的统计特性建立变权值数据融合；
步骤S301：对传感器的输出模拟信号进行预处理的具体过程为：对传感器的输出模拟信号依次进行降噪、滤波处理。
步骤S305的具体操作为：
步骤S3051：设置所用的采集持续时间为T，以采样频率
Figure 354830DEST_PATH_IMAGE039
采集的原始数据
Figure 843449DEST_PATH_IMAGE034
，重采样的采样次数为K，得到的K组长度为
Figure 735182DEST_PATH_IMAGE036
的数据， 则每组数据记做：
Figure 325563DEST_PATH_IMAGE004
，
Figure 429785DEST_PATH_IMAGE002
，
Figure 851540DEST_PATH_IMAGE005
把这K组数据取平均，得出一组数据：
Figure 851857DEST_PATH_IMAGE040
分别计算每组数据的均值以及和
Figure 726272DEST_PATH_IMAGE007
相关系数，具体如下：
Figure 368606DEST_PATH_IMAGE013
Figure 831817DEST_PATH_IMAGE041
Figure 65352DEST_PATH_IMAGE042
Figure 364746DEST_PATH_IMAGE043
Figure 76350DEST_PATH_IMAGE044
其中
Figure 410380DEST_PATH_IMAGE003
表示第i组数据，
Figure 814816DEST_PATH_IMAGE045
表示第i组数据的均值，
Figure 601507DEST_PATH_IMAGE046
为数据
Figure 851223DEST_PATH_IMAGE007
的均值，
Figure 102075DEST_PATH_IMAGE006
表示第i组的j点的值；
Figure 864364DEST_PATH_IMAGE017
表示第i组数据的方差，
Figure 200667DEST_PATH_IMAGE019
为
Figure 254074DEST_PATH_IMAGE007
数据的方差；
Figure 297116DEST_PATH_IMAGE010
表示第 i组数据和
Figure 43355DEST_PATH_IMAGE007
的相关系数。
步骤S3052：对K组数值的相关系数进行从小到大排序，假设排序结果为
Figure 539059DEST_PATH_IMAGE047
，
步骤S3053：把相关系数的大小与权值建立对应关系，相关系数越大表示该组数据和这K组数据共性相关度越高，在数据融合过程中应赋相对较大的权值，而相关系数越小的数据应赋相对较小的权值，即权值于相关系数的大小成正比。然后根据权值实现各组数据的融合
Figure 661736DEST_PATH_IMAGE022
Figure 559284DEST_PATH_IMAGE025
Figure 210846DEST_PATH_IMAGE048
其中
Figure 521741DEST_PATH_IMAGE024
表示排序后第i组数据的加权系数，
Figure 369480DEST_PATH_IMAGE003
为相关系数为
Figure 183853DEST_PATH_IMAGE010
所对应的分组数 据，
Figure 475157DEST_PATH_IMAGE049
表示重采样数据融合后的第j个值。
本申请的基于信号重采样的数据融合方法，对传感器采集的原始数据以新的采样频率进行重采样，采样频率为原采样频率的1/K，其中K为正整数，即对原始数据的K倍抽取，再分别计算分组后的数据均值以及与K组数据取平均得到数据的相关系数，对分组数据的相关系数进行分析，以相关系数的大小与权值建立对应关系，相关系数越大表示数据与K组数据的共性相似度越高，在数据融合过程中应赋相对较大的权值，而相关系数越小的数据应赋相对较小的权值。这种数据融合方法不要求传感器测量数据的任何先验知识，依据融合后的局部决策值就能够得到决策结果。建立变权值的数据融合方法，提高了单传感器结构变形数据的采集精度。
本申请的目的在于克服传统有效数据采集现有技术的缺点，提供了一种基于信号重采样的数据融合算法，该算法及其工作方法能够实现充分挖掘数据的内部信息，且具有数据冗余度低、采样精度高及数据采集可靠的特点。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的传感器数据融合方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例的方法。
实施例2
根据本申请实施例，还提供了一种用于实施上述传感器数据融合方法的传感器数据融合装置，该装置以软件或硬件方式实现。
图4是根据本申请实施例的一种传感器数据融合装置400的结构示意图；如图4所示，该装置包括：获取单元4002，第一采样单元4004，第二采样单元4006，融合单元4008，其中：
获取单元4002，用于获取用于监测目标对象的传感器的监测数据；
第一采样单元4004，用于以第一采样频率对监测数据进行采样，得到一组第一采样数据；
第二采样单元4006，用于以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；
融合单元4008，用于对K组第二采样数据进行融合，得到传感器监测数据的融合结果。
此处，需要说明的是，上述获取单元4002，第一采样单元4004，第二采样单元4006，融合单元4008对应于实施例1中的步骤S202至步骤S208，上述四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
综上，在本申请实施例中，通过获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果，实现了在不具备传感器测量数据的任何先验知识的情况下，确定融合后的局部决策值并据此得到决策结果，本申请提出的方案能够实现充分挖掘数据的内部信息，且具有数据冗余度低、采样精度高及数据采集可靠的特点，进而解决了现有技术中传感器数据采集数据量大、精确度低的技术问题。
本申请所提出的基于信号重采样的传感器数据融合方法，对传感器采集的原始数据以新的采样频率进行重采样，采样频率为原采样频率的1/K，其中K为正整数，即对原始数据的K倍抽取，再分别计算分组后的数据均值以及与K组数据取平均得到数据的相关系数，对分组数据的相关系数进行分析，以相关系数的大小与权值建立对应关系，相关系数越大表示数据与K组数据的共性相似度越高，在数据融合过程中应赋相对较大的权值，而相关系数越小的数据应赋相对较小的权值。这种数据融合方法不要求传感器测量数据的任何先验知识，依据融合后的局部决策值就能够得到决策结果。建立变权值的数据融合方法，提高了单传感器结构变形数据的采集精度。
可选地，融合单元4008还包括：
均值计算单元，用于对K组第二采样数据进行平均，得到一组均值数据组；
权值分配单元，用于根据K组第二采样数据中的每一组与均值数据组的相关性，为每一组第二采样数据分配加权系数；
加权融合单元，用于根据加权系数对K组第二采样数据进行加权处理，得到一组传感器监测数据的融合结果。
此处，需要说明的是，上述均值计算单元，权值分配单元以及加权融合单元对应于实施例1中的步骤S2082至步骤S2086，上述三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
可选地，均值计算单元包括：
数据获取单元，用于获取K组第二采样数据
Figure 7769DEST_PATH_IMAGE001
，其中，
Figure 144352DEST_PATH_IMAGE002
，
Figure 813231DEST_PATH_IMAGE003
表示第i组第二采样数据；
数组处理单元，用于将K组第二采样数据处理为K个对应的一维数组，其中
Figure 337753DEST_PATH_IMAGE004
，其中
Figure 29766DEST_PATH_IMAGE005
，D表示每一组第二采 样数据的项数，
Figure 297936DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项；
均值数组计算单元，用于计算K个一维数组中对应项的平均值，得到一组均值数据 组
Figure 273851DEST_PATH_IMAGE007
，其中
Figure 438116DEST_PATH_IMAGE008
，
Figure 945321DEST_PATH_IMAGE009
表示计算K组第二采样数据中的第j项的平均值。
此处，需要说明的是，上述数据获取单元，数组处理单元，均值数组计算单元对应于实施例1中的步骤S20822至步骤S20826，上述三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
可选地，权值分配单元包括：
相关系数计算单元，用于计算每一组第二采样数据与均值数据组之间的相关系数；
加权系数设置单元，用于根据相关系数，为每一组第二采样数据设置加权系数，其中加权系数与相关系数正相关。
此处，需要说明的是，上述相关系数计算单元，加权系数设置单元对应于实施例1中的步骤S20842至步骤S20844，上述两个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
可选地，相关系数计算单元用于通过如下公式计算第i组第二采样数据
Figure 689286DEST_PATH_IMAGE003
与均值 数据组
Figure 332757DEST_PATH_IMAGE007
之间的相关系数
Figure 136765DEST_PATH_IMAGE010
：
Figure 600107DEST_PATH_IMAGE011
其中，
Figure 210080DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项，
Figure 911320DEST_PATH_IMAGE012
表示第i组第二采样数据的 均值，
Figure 682967DEST_PATH_IMAGE013
，
Figure 351715DEST_PATH_IMAGE014
表示均值数据组的第j项，
Figure 234220DEST_PATH_IMAGE015
表示均值数据组的均值，
Figure 852283DEST_PATH_IMAGE016
，
Figure 732515DEST_PATH_IMAGE017
表示第i组第二采样数据的方差，
Figure 436028DEST_PATH_IMAGE050
，
Figure 325487DEST_PATH_IMAGE019
表示均值数据组
Figure 798057DEST_PATH_IMAGE007
的方差，
Figure 911506DEST_PATH_IMAGE051
。
可选地，加权系数设置单元包括：
相关系数求和单元，用于计算每一组第二采样数据与均值数据组之间的相关系数 的和
Figure 39999DEST_PATH_IMAGE021
，
Figure 529886DEST_PATH_IMAGE022
，其中，
Figure 309492DEST_PATH_IMAGE010
表示第i组第二采样数据与均值数据组
Figure 859422DEST_PATH_IMAGE007
之间的相关 系数；
占比计算单元，用于计算每一组第二采样数据与均值数据组之间的相关系数在和
Figure 6370DEST_PATH_IMAGE021
中的占比
Figure 237631DEST_PATH_IMAGE023
，其中
Figure 684793DEST_PATH_IMAGE024
表示第i组第二采样数据与均值数据组之间的相关系数
Figure 343307DEST_PATH_IMAGE010
在和
Figure 508709DEST_PATH_IMAGE021
中的占比，
Figure 278082DEST_PATH_IMAGE025
；
加权系数配置单元，用于将每一组第二采样数据与均值数据组之间的相关系数在 和
Figure 579751DEST_PATH_IMAGE021
中的占比
Figure 658434DEST_PATH_IMAGE023
作为该组第二采样数据的加权系数。
此处，需要说明的是，上述相关系数求和单元，占比计算单元，加权系数配置单元对应于实施例1中的步骤S208442至步骤S208446，上述三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
可选地，加权融合单元包括：
采样数据获取单元，用于获取K组第二采样数据
Figure 779974DEST_PATH_IMAGE001
，其中，
Figure 415354DEST_PATH_IMAGE002
，
Figure 774792DEST_PATH_IMAGE003
表示第i组第二采样数据，
Figure 837426DEST_PATH_IMAGE004
，
Figure 649524DEST_PATH_IMAGE005
，D表示每一组第二采样数据的项数，
Figure 823016DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j 项；
加权系数获取单元，用于获取K组第二采样数据对应的K个加权系数
Figure 833697DEST_PATH_IMAGE026
;
加权计算单元，用于将K组第二采样数据中同一项的K个数值与对应的K个加权系 数进行加权求和，得到一组融合数据
Figure 4916DEST_PATH_IMAGE027
，其中
Figure 366627DEST_PATH_IMAGE028
Figure 542480DEST_PATH_IMAGE037
[
Figure 938826DEST_PATH_IMAGE038
]。
此处，需要说明的是，上述采样数据获取单元，加权系数获取单元，加权计算单元对应于实施例1中的步骤S20862至步骤S20866，上述三个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
实施例3
本申请的实施例可以提供一种计算设备，该计算设备可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算设备也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地，在本实施例中，上述计算设备包括一个或多个处理器、存储器、以及传输装置。其中，存储器可用于存储软件程序以及模块，如本申请实施例中的传感器数据融合方法和装置对应的程序指令/模块。处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据融合，即实现上述的传感器数据融合方法。
可选地，存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本实施例中，上述计算设备中的处理器运行存储的程序代码时可以执行以下方法步骤：获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果。
进一步地，在本实施例中，上述计算设备中的处理器运行存储的程序代码时可以执行实施例1中所列举的任一方法步骤，囿于篇幅不再赘述。
实施例4
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述传感器数据融合方法所执行的程序代码。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：获取用于监测目标对象的传感器的监测数据；以第一采样频率对监测数据进行采样，得到一组第一采样数据；以第二采样频率对第一采样数据进行K次重采样，得到K组第二采样数据，其中，第一采样频率为第二采样频率的K倍，K为整数；对K组第二采样数据进行融合，得到传感器监测数据的融合结果。
进一步地，在本实施例中，存储介质被设置为存储用于执行实施例1中所列举的任一方法步骤的程序代码，囿于篇幅不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种传感器数据融合方法，其特征在于，包括：
获取用于监测目标对象的传感器的监测数据；
以第一采样频率对所述监测数据进行采样，得到一组第一采样数据；
以第二采样频率对所述第一采样数据进行K次重采样，得到K组第二采样数据，其中，所述第一采样频率为所述第二采样频率的K倍，K为整数；
对所述K组第二采样数据进行融合，得到传感器监测数据的融合结果。
2.根据权利要求1所述的方法，其特征在于，对所述K组第二采样数据进行融合，得到传感器监测数据的融合结果包括：
对所述K组第二采样数据进行平均，得到一组均值数据组；
根据所述K组第二采样数据中的每一组与所述均值数据组的相关性，为每一组第二采样数据分配加权系数；
根据所述加权系数对所述K组第二采样数据进行加权处理，得到一组传感器监测数据的融合结果。
3.根据权利要求2所述的方法，其特征在于，对所述K组第二采样数据进行平均，得到一组均值数据组包括：
获取K组第二采样数据
Figure 242855DEST_PATH_IMAGE001
，其中，
Figure 238624DEST_PATH_IMAGE002
，
Figure 752782DEST_PATH_IMAGE003
表示第i组第二采 样数据；
将K组第二采样数据处理为K个对应的一维数组，其中
Figure 616833DEST_PATH_IMAGE004
，其中
Figure 555839DEST_PATH_IMAGE005
，D表示每一组第二采样数据的 项数，
Figure 798208DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项；
计算K个一维数组中对应项的平均值，得到一组均值数据组
Figure 534083DEST_PATH_IMAGE007
，其中
Figure 201825DEST_PATH_IMAGE008
，
Figure 339545DEST_PATH_IMAGE009
表示 计算K组第二采样数据中的第j项的平均值。
4.根据权利要求2所述的方法，其特征在于，根据所述K组第二采样数据中的每一组与所述均值数据组的相关性，为每一组第二采样数据分配加权系数包括：
计算每一组第二采样数据与所述均值数据组之间的相关系数；
根据所述相关系数，为每一组第二采样数据设置加权系数，其中所述加权系数与所述相关系数正相关。
5.根据权利要求4所述的方法，其特征在于，通过如下公式计算第i组第二采样数据
Figure 598488DEST_PATH_IMAGE003
与所述均值数据组
Figure 70926DEST_PATH_IMAGE007
之间的相关系数
Figure 11201DEST_PATH_IMAGE010
：
Figure 160685DEST_PATH_IMAGE011
其中，
Figure 793791DEST_PATH_IMAGE006
表示第i组第二采样数据中的第j项，
Figure 222367DEST_PATH_IMAGE012
表示第i组第二采样数据的均值，
Figure 966332DEST_PATH_IMAGE013
，
Figure 78645DEST_PATH_IMAGE014
表示均值数据组的第j项，
Figure 857155DEST_PATH_IMAGE015
表示均值数据组的均值，
Figure 54919DEST_PATH_IMAGE016
，
Figure 399312DEST_PATH_IMAGE017
表示第i组第二采样数据的方差，
Figure 100552DEST_PATH_IMAGE018
，
Figure 590308DEST_PATH_IMAGE019
表示均值数据组
Figure 806526DEST_PATH_IMAGE007
的方差，
Figure 157873DEST_PATH_IMAGE020
。
6.根据权利要求4所述的方法，其特征在于，根据所述相关系数，为每一组第二采样数据设置加权系数包括：
计算每一组第二采样数据与所述均值数据组之间的相关系数的和
Figure 713619DEST_PATH_IMAGE021
，
Figure 125009DEST_PATH_IMAGE022
， 其中，
Figure 828523DEST_PATH_IMAGE010
表示第i组第二采样数据与所述均值数据组
Figure 468714DEST_PATH_IMAGE007
之间的相关系数；
计算每一组第二采样数据与所述均值数据组之间的相关系数在所述和
Figure 144545DEST_PATH_IMAGE021
中的占比
Figure 726837DEST_PATH_IMAGE023
， 其中
Figure 917646DEST_PATH_IMAGE024
表示第i组第二采样数据与均值数据组之间的相关系数
Figure 610796DEST_PATH_IMAGE010
在所述和
Figure 124823DEST_PATH_IMAGE021
中的占比，
Figure 878015DEST_PATH_IMAGE025
；
将每一组第二采样数据与所述均值数据组之间的相关系数在所述和
Figure 556121DEST_PATH_IMAGE021
中的占比
Figure 787382DEST_PATH_IMAGE023
作 为该组第二采样数据的加权系数。
7.根据权利要求2所述的方法，其特征在于，根据所述加权系数对所述K组第二采样数据进行加权处理，得到一组传感器监测数据的融合结果包括：
获取K组第二采样数据
Figure 437807DEST_PATH_IMAGE001
，其中，
Figure 893059DEST_PATH_IMAGE002
，
Figure 9526DEST_PATH_IMAGE003
表示第i组第二采 样数据，
Figure 778899DEST_PATH_IMAGE004
，
Figure 549409DEST_PATH_IMAGE005
，D表示每一组第二采样数据 的项数，
Figure 175562DEST_PATH_IMAGE027
表示第i组第二采样数据中的第j项；
获取K组第二采样数据对应的k个加权系数
Figure 765943DEST_PATH_IMAGE028
;
将K组第二采样数据中同一项的K个数值与对应的K个加权系数进行加权求和，得到一 组融合数据
Figure 853854DEST_PATH_IMAGE029
，其中
Figure 10029DEST_PATH_IMAGE030
Figure 275925DEST_PATH_IMAGE031
[
Figure 88023DEST_PATH_IMAGE032
]。
8.一种传感器数据融合装置，其特征在于，包括：
获取单元，用于获取用于监测目标对象的传感器的监测数据；
第一采样单元，用于以第一采样频率对所述监测数据进行采样，得到一组第一采样数据；
第二采样单元，用于以第二采样频率对所述第一采样数据进行K次重采样，得到K组第二采样数据，其中，所述第一采样频率为所述第二采样频率的K倍，K为整数；
融合单元，用于对所述K组第二采样数据进行融合，得到传感器监测数据的融合结果。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1-7任一项所述的方法。
10.一种计算设备，包括处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如权利要求1-7任一项所述的方法。
CN202110597548.9A 2021-05-31 2021-05-31 传感器数据融合方法、装置、存储介质及计算设备 Active CN113033722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110597548.9A CN113033722B (zh) 2021-05-31 2021-05-31 传感器数据融合方法、装置、存储介质及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110597548.9A CN113033722B (zh) 2021-05-31 2021-05-31 传感器数据融合方法、装置、存储介质及计算设备

Publications (2)

Publication Number Publication Date
CN113033722A true CN113033722A (zh) 2021-06-25
CN113033722B CN113033722B (zh) 2021-08-17

Family

ID=76455910

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110597548.9A Active CN113033722B (zh) 2021-05-31 2021-05-31 传感器数据融合方法、装置、存储介质及计算设备

Country Status (1)

Country Link
CN (1) CN113033722B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114089055A (zh) * 2021-09-30 2022-02-25 安徽继远软件有限公司 一种电网有限空间作业人员安全状态监测方法及***
CN114839343A (zh) * 2022-07-04 2022-08-02 成都博瑞科传科技有限公司 一种便携式水质监测巡检仪装置及使用方法
CN115619071A (zh) * 2022-12-07 2023-01-17 成都秦川物联网科技股份有限公司 智慧燃气管网可靠性安全监测方法和物联网***及介质
WO2023010539A1 (en) * 2021-08-06 2023-02-09 Medtrum Technologies Inc. Micro analyte sensor

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030112908A1 (en) * 2001-12-19 2003-06-19 William Mar Multi-interpolated data recovery with a relative low sampling rate
CN102037721A (zh) * 2008-05-15 2011-04-27 斯耐尔有限公司 数字图像处理
CN104216887A (zh) * 2013-05-30 2014-12-17 国际商业机器公司 用于对采样数据进行总结的方法和装置
CN104270154A (zh) * 2014-09-19 2015-01-07 中国电子科技集团公司第二十九研究所 基于并行处理的采样装置和采样方法
CN105352535A (zh) * 2015-09-29 2016-02-24 河海大学 一种基于多传感器数据融合的测量方法
US9426007B1 (en) * 2013-07-22 2016-08-23 The United States Of America, As Represented By The Secretary Of The Army Alignment of signal copies from an asynchronous sensor network
CN106326335A (zh) * 2016-07-22 2017-01-11 浪潮集团有限公司 一种基于显著属性选择的大数据归类方法
CN108900622A (zh) * 2018-07-10 2018-11-27 广州智能装备研究院有限公司 基于物联网的数据融合方法、装置与计算机可读存储介质
CN109115229A (zh) * 2018-09-17 2019-01-01 中国人民解放军国防科技大学 利用低频测姿传感器对航天器高频姿态进行测量的方法
CN110059755A (zh) * 2019-04-22 2019-07-26 中国石油大学(华东) 一种多特征评价准则融合的地震属性优选方法
CN111985578A (zh) * 2020-09-02 2020-11-24 深圳壹账通智能科技有限公司 多源数据融合方法、装置、计算机设备及存储介质
CN112613972A (zh) * 2020-12-16 2021-04-06 江苏警官学院 基于信贷风险的中小微企业信贷决策方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030112908A1 (en) * 2001-12-19 2003-06-19 William Mar Multi-interpolated data recovery with a relative low sampling rate
CN102037721A (zh) * 2008-05-15 2011-04-27 斯耐尔有限公司 数字图像处理
CN104216887A (zh) * 2013-05-30 2014-12-17 国际商业机器公司 用于对采样数据进行总结的方法和装置
US9426007B1 (en) * 2013-07-22 2016-08-23 The United States Of America, As Represented By The Secretary Of The Army Alignment of signal copies from an asynchronous sensor network
CN104270154A (zh) * 2014-09-19 2015-01-07 中国电子科技集团公司第二十九研究所 基于并行处理的采样装置和采样方法
CN105352535A (zh) * 2015-09-29 2016-02-24 河海大学 一种基于多传感器数据融合的测量方法
CN106326335A (zh) * 2016-07-22 2017-01-11 浪潮集团有限公司 一种基于显著属性选择的大数据归类方法
CN108900622A (zh) * 2018-07-10 2018-11-27 广州智能装备研究院有限公司 基于物联网的数据融合方法、装置与计算机可读存储介质
CN109115229A (zh) * 2018-09-17 2019-01-01 中国人民解放军国防科技大学 利用低频测姿传感器对航天器高频姿态进行测量的方法
CN110059755A (zh) * 2019-04-22 2019-07-26 中国石油大学(华东) 一种多特征评价准则融合的地震属性优选方法
CN111985578A (zh) * 2020-09-02 2020-11-24 深圳壹账通智能科技有限公司 多源数据融合方法、装置、计算机设备及存储介质
CN112613972A (zh) * 2020-12-16 2021-04-06 江苏警官学院 基于信贷风险的中小微企业信贷决策方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DONGHUI LI 等: "Research on Data Fusion of Adaptive Weighted Multi-Source Sensor", 《COMPUTERS, MATERIALS & CONTINUA》 *
JIAN SHU 等: "Multi-sensor Data Fusion Based on Consistency Test and Sliding Window Variance Weighted Algorithm in Sensor Networks", 《COMSIS》 *
吉琳娜 等: "基于容许函数与接近系数的数据融合算法", 《电子测试》 *
康健: "基于多传感器信息融合关键技术的研究", 《中国博士学位论文全文数据库 信息科技辑》 *
张东 等: "基于分组平均加权算法实现遥测数据融合", 《战术导弹技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023010539A1 (en) * 2021-08-06 2023-02-09 Medtrum Technologies Inc. Micro analyte sensor
CN114089055A (zh) * 2021-09-30 2022-02-25 安徽继远软件有限公司 一种电网有限空间作业人员安全状态监测方法及***
CN114839343A (zh) * 2022-07-04 2022-08-02 成都博瑞科传科技有限公司 一种便携式水质监测巡检仪装置及使用方法
CN114839343B (zh) * 2022-07-04 2022-09-27 成都博瑞科传科技有限公司 一种便携式水质监测巡检仪装置及使用方法
CN115619071A (zh) * 2022-12-07 2023-01-17 成都秦川物联网科技股份有限公司 智慧燃气管网可靠性安全监测方法和物联网***及介质
CN115619071B (zh) * 2022-12-07 2023-04-07 成都秦川物联网科技股份有限公司 智慧燃气管网可靠性安全监测方法和物联网***及介质
US11982409B2 (en) 2022-12-07 2024-05-14 Chengdu Qinchuan Iot Technology Co., Ltd. Safety monitoring methods and Internet of Things systems of pipe network reliability degree based on intelligent gas

Also Published As

Publication number Publication date
CN113033722B (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN113033722B (zh) 传感器数据融合方法、装置、存储介质及计算设备
CN109857935B (zh) 一种信息推荐方法及装置
CN108900622B (zh) 基于物联网的数据融合方法、装置与计算机可读存储介质
CN110995524A (zh) 流量数据监控方法、装置、电子设备和计算机可读介质
CN112014737B (zh) 一种电芯的健康状态的检测方法、装置、设备及存储介质
CN113591393A (zh) 智能变电站的故障诊断方法、装置、设备和存储介质
CN110956338A (zh) 一种温度自适应输出方法及介质
CN114722091A (zh) 数据处理方法、装置、存储介质以及处理器
CN111044162A (zh) 一种温度自适应输出装置及设备
CN104569840A (zh) 电池单体的老化检测方法和装置
CN113255137B (zh) 目标对象应变数据的处理方法、装置及存储介质
CN106352974B (zh) 一种数字式的声级计脉冲计权方法及装置
CN113032225B (zh) 数据中心的监控数据处理方法、装置、设备及存储介质
CN115344495A (zh) 批量任务测试的数据分析方法、装置、计算机设备及介质
CN117097789A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN110233684B (zh) 信噪比评估方法、装置、设备及存储介质
CN116932361A (zh) 微服务变更评估方法、电子设备和存储介质
CN112700270A (zh) 评分数据处理方法、装置、设备及存储介质
CN110888100A (zh) 一种单相智能电能表在线带载检测***及方法
CN115879587B (zh) 样本不均衡条件下的投诉预测方法、装置及存储介质
CN111007750A (zh) 油水分离***数据处理方法、装置及可存储介质
CN104408119B (zh) 网页的数据处理方法和装置
CN111193642A (zh) 压测方法、压测平台、电子设备及可读存储介质
CN117290175A (zh) 基于时序数据库的异常数据处理方法及***
CN110618936A (zh) 应用程序的性能评估方法、装置以及存储介质

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
GR01 Patent grant
GR01 Patent grant