CN113609440A - 传感器数据融合方法、装置及设备 - Google Patents
传感器数据融合方法、装置及设备 Download PDFInfo
- Publication number
- CN113609440A CN113609440A CN202110846122.2A CN202110846122A CN113609440A CN 113609440 A CN113609440 A CN 113609440A CN 202110846122 A CN202110846122 A CN 202110846122A CN 113609440 A CN113609440 A CN 113609440A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- sensor
- data
- fusion
- calculating
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Food Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明公开了一种传感器数据融合方法、装置及设备,本发明通过概率密度函数来求取每两个传感器数据之间的关联程度,无需对有误差的数据进行剔除,避免过滤有用信息,能够利用各种误差的所有数据,进行统计意义上的充分利用;而且根据概率密度函数的数学特征,如果两个传感器数据的越相近,则两个传感器数据的关联程度越小,也表征这两个传感器数据与真实数据之间的误差越小,值得充分利用,相较于现有技术,利用本发明得到的关联程度进行多传感器数据融合结果的精确度更高。
Description
技术领域
本发明涉及传感器数据融合技术领域,特别涉及一种传感器数据融合方法、装置及设备。
背景技术
温室大棚的核心作用是让农作物始终保持在适宜生长的环境下,因此需要采集各类环境要素并对应进行闭环控制与管理。其中的湿度要素也是重要要素之一,对温室作物的蒸腾、光合、病害发生及生理失调具有显著影响。温室大棚的湿度变化范围大,变化速率快,除了与土壤蒸发、植物蒸腾有关之外,不同时间段的通风情况不同,昼夜变化、季节差异导致的温度差异也会影响湿度。因此,对温室大棚环境湿度进行实时的高精度检测是农作物生长管理的关键环节之一,可作为实时动态湿度调整与控制的核心输入。
目前的温室大棚技术主要通过传感器分布式均衡布局进行采集数据,然后对数据进行融合处理,目前的数据融合处理是需要先计算每两个传感器数据之间的关联程度,然后基于关联程度进行数据融合,但目前方案是通过计算每两个传感器数据的差值来判定两者的关联程度,这将导致因传感器数据的偏差和异常影响到后续融合处理结果的精度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题。为此,本发明提出一种传感器数据融合方法、装置及设备。能够提高传感器数据融合的精度。
本发明的第一方面,提供了一种传感器数据融合方法,所述方法包括:
获取分布式设置的多个传感器采集的传感器数据;
通过如下公式计算每两个所述传感器数据之间的相互支持程度:
其中所述dij表示第i个传感器的传感器数据与第j个传感器的传感器数据之间的相互支持程度,所述xi表示第i个传感器的传感器数据,所述xj表示第j个传感器的传感器数据,所述σi表示第i个传感器的传感器数据的均方差,Pi(x)表示概率密度函数,所述x表示概率密度函数的自变量,所述i,j=1,2,...,n,所述n表示传感器的数量,exp[]表示以自然常数e为底的指数函数;
基于所述相互支持程度,计算所有所述传感器数据的融合结果。
本发明的第二方面,提供了一种传感器数据融合装置,所述装置包括:
数据获取单元,用于获取分布式设置的多个传感器采集的传感器数据;
支持程度计算单元,用于通过如下公式计算每两个所述传感器数据之间的相互支持程度:
其中所述dij表示第i个传感器的传感器数据与第j个传感器的传感器数据之间的相互支持程度,所述xi表示第i个传感器的传感器数据,所述xj表示第j个传感器的传感器数据,所述σi表示第i个传感器的传感器数据的均方差,Pi(x)表示概率密度函数,所述x表示概率密度函数的自变量,所述i,j=1,2,...,n,所述n表示传感器的数量,exp[]表示以自然常数e为底的指数函数;
数据融合单元,用于基于所述相互支持程度,计算所有所述传感器数据的融合结果。
本发明的第三方面,提供了一种传感器数据融合设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明第一方面所述的传感器数据融合方法。
本发明的第四方面,提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如本发明第一方面所述的传感器数据融合方法。
本申请实施例第一方面提供的传感器数据融合方法,一方面通过概率密度函数来求取每两个传感器数据之间的关联程度,无需对有误差的数据进行剔除,避免过滤有用信息,能够利用各种误差的所有数据,进行统计意义上的充分利用;另外一方面根据概率密度函数的数学特征,如果两个传感器数据的越相近,则关联程度dij越小,也表征这两个传感器数据与真实数据之间的误差越小,值得充分利用,相较于现有技术,利用本方法得到的dij进行多传感器数据融合结果的精确度更高。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一个实施例提供的一种传感器数据融合方法的流程示意图;
图2为本发明一个实施例提供的一种传感器数据融合装置的结构示意图;
图3为本发明一个实施例提供的一种传感器数据融合***的执行逻辑结构示意图;
图4为本发明一个实施例提供的平均值偏离法滤波的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照图1,本发明的一个实施例,提供了一种传感器数据融合方法,方法包括以下步骤:
步骤S101、获取分布式设置的多个传感器采集的传感器数据。
在步骤S101中,传感器是为了采集传感器数据,例如分布式设置于温室大棚中的多个湿度传感器,湿度传感器采集的传感器数据为湿度数据。需要注意的是,本方法实施例对传感器分布式设置不进行任何限制。
步骤S102、通过如下公式计算每两个传感器数据之间的相互支持程度:
其中dij表示第i个传感器的传感器数据与第j个传感器的传感器数据之间的相互支持程度,xi表示第i个传感器的传感器数据,xj表示第j个传感器的传感器数据,σi表示第i个传感器的传感器数据的均方差,Pi(x)表示概率密度函数,x表示概率密度函数的自变量,i,j=1,2,...,n,n表示传感器的数量,exp[]表示以自然常数e为底的指数函数。
步骤S103、基于相互支持程度,计算所有传感器数据的融合结果。
本方法实施例一方面通过概率密度函数来求取每两个传感器数据之间的关联程度,无需对有误差的数据进行剔除,避免过滤有用信息,能够利用各种误差的所有数据,进行统计意义上的充分利用;另外一方面根据概率密度函数的数学特征,如果两个传感器数据的越相近,则关联程度dij越小,也表征这两个传感器数据与真实数据之间的误差越小,值得充分利用,相较于现有技术,利用本方法得到的dij进行多传感器数据融合结果的精确度更高。
基于上述实施例,步骤S103具体包括步骤:
步骤S1031、基于相互支持程度,计算度量值并构建基于度量值的度量值矩阵。
由上述步骤S102中的dij的运算可知0≤dij≤1,且由其运算公式的统计意义可见,dij越小说明第i个传感器和第j个传感器所测数据越加综合,即支持程度越高。从而可以用dij的大小给出支持程度的度量:
rij=1-dij
从而可以构造出n个传感器的度量值矩阵:
步骤S1032、计算度量值矩阵的最大特征值和特征向量,并基于最大特征值和特征向量,通过如下公式计算每一个传感器的综合支持程度:
其中,Ti表示第i个传感器的综合支持程度,λ表示最大特征值,yi表示第i个传感器对应的特征向量。
在步骤s1031给出度量值矩阵之后,通过Rn可以求出某个传感器受其他传感器支持的综合支持程度,综合支持程度越高,则该传感器数据越有价值。Rn是一个正矩阵,可知存在最大模特征值λ>0,且λ对应着正特征向量Y,Y=(y1,y2,...,yn)T,而且展开为:
λyi=y1r1i+y2r2i+…+ynrni,其中i=1,2,…n。
可见λyi综合了r1i,r2i,…rni,从而λyi可以作为综合支持程度的度量。
步骤S1033、通过如下公式计算所有传感器数据的融合结果w:
基于上述实施例,在步骤S102之后,本方法还包括步骤:S1021、对传感器数据进行平均值偏离法滤波。本实施例的目的是过滤掉传感器故障等明显异常情况产生的数据,例如转换数据丢失、数据结果为0,或者为最大数字等。
基于上述实施例,步骤S1021的具体实施方式如下所示:对所有传感器数据进行至少一轮滤波过程,其中滤波过程包括:计算当前轮中的每一个传感器数据与剩余所有传感器数据的平均值之间的差值,过滤差值小于预设值的对应的传感器数据。
以温室大棚场景、传感器是湿度传感器、传感器数据为湿度数据、两轮滤波为例:在第一轮中,选择某一个传感器数据,与剩余的所有数值的平均值进行比较,差值大于6%RH(Relative Humidity,相对湿度)判定为初步偏离,覆盖所有的传感器数据进行计算和比较。如果第一轮只有一个初步偏离值,则不需要进行第二轮判定,直接将该异常值作为最终的偏离结果进行滤波;如果存在k个(k>1)初步偏离值,则进行第二轮判定(当然的,对于不进行第二轮判定的预设条件可以根据实际情况进行设置,例如本实施例以第一轮只有一个初步偏离值作为不需要进行第二轮判定的预设条件)。在第二轮判定中,选择某一个数值,与剩余的(n-k)个数值的平均值进行比较,差值大于6%RH判定为偏离,覆盖所有的n个数值进行计算和比较。完成后将第二轮确定的偏离结果进行滤波。需要说明的是,RH(相对湿度)是本领域技术人员的公知特征,此处不再细述原理和其计算方式。
传统方法通过人为设定一个阈值ε,假定当dij大于阈值ε时,传感器之间不支持,从而进一步丢掉该部分数据,被丢掉的数据只是误差较大,但同样包含了传感器转换的很多有效信息。因数据量少,传统的方法无法获得更高精度的采集结果。与传统方案不同的是,本实施例本质上不进行数据剔除,仅仅针对故障数据进行排除,不对误差较大的数据进行剔除,本方法实施例基于概率统计的原理,能自主识别各路输入与真值的偏差,结合统计特性进行矩阵式特征值计算,从而获得统计意义上综合误差最小的结果,使得外部的偏差和异常没有影响到实际结果,采用该***与方法的设备,其湿度检测精度可高于±2%RH,可获取高精度结果。
基于上述实施例,在步骤S101之后,还包括步骤:S1011、对传感器数据进行模数转换、基准校正和数据同步。
参照图2,本发明的一个实施例,还提供一种传感器数据融合装置,装置包括:数据获取单元100、支持程度计算单元200和数据融合单元300,其中:数据获取单元100用于获取分布式设置的多个传感器采集的传感器数据;支持程度计算单元200用于通过如下公式计算每两个传感器数据之间的相互支持程度:
其中dij表示第i个传感器的传感器数据与第j个传感器的传感器数据之间的相互支持程度,xi表示第i个传感器的传感器数据,xj表示第j个传感器的传感器数据,σi表示第i个传感器的传感器数据的均方差,Pi(x)表示概率密度函数,x表示概率密度函数的自变量,i,j=1,2,...,n,n表示传感器的数量,exp[]表示以自然常数e为底的指数函数;数据融合单元300用于基于相互支持程度,计算所有传感器数据的融合结果。
在一些实施例中,装置还包括用于对传感器数据进行平均值偏离法滤波的数据滤波单元。在一些实施例中,装置还包括用于对传感器数据进行模数转换、基准校正和数据同步的预处理单元。
需要注意的是,本装置实施例与上述的方法实施例是基于同一个发明构思,因此上述方法实施例的内容同样适用于本装置实施例,此处不再赘述。
参照图3和图4,本发明的一个实施例,提供了一种温室大棚湿度高精度检测***,本***包括:若干个分布式设置的湿度传感器和处理器,需要注意的是,本实施例不对湿度传感器和处理器的型号进行任何限制。
在本***中,湿度传感器主要目的是采集环境的湿度数据(除特别声明之外,本实施例将湿度数据称为传感器数据),传感器的设置可以根据现场实际的温室大棚环境,基于分布式原理确定传感器数量以及对应的安装布局,数量和布局需要结合环境的内外空气交换情况、干燥保持设备的安装情况以及气流流动方向,以便覆盖各种动态场景,此处不进行限制。处理器主要执行对传感器数据的本地处理和综合支持程度计算。
本地处理的过程包括传感器转换与模数转换、基准校正,以及多传感器之间的数据同步,数据同步是确保用于处理的输入信息是同一时刻的信息,以保证输入的时间有效性。具体的,在本地处理过程中,为了确保精度,需要进行多个要点的处理,主要如下:
1)首先需要将每个传感器的固定偏差进行出厂前测量,并在***设备的非易失性存储器中保存这些数值。在采集到初步传感器数据并进行模数转换后需要调用已保存的固有偏差数据进行基准校正,以消除零漂。2)为了确保综合度量数据的一致性,需要对多个传感器数据进行同步。通过同步采样机制或者异步采样加时间补偿的方式获得同一时刻的采集结果。
综合支持程度计算是在平均值偏离法滤波的基础上通过支持矩阵求取最大特征值和对应的特征向量,并根据各传感器数据的重要程度对其数据进行综合处理,获得整体的检测结果。具体的,综合支持程度计算过程中,包括平均值偏离法滤波、数据相关计算和综合计算。
1)数据相关计算。设定n个湿度传感器从不同的位置测量湿度指标参数,第i个传感器所测得传感器数据为xi,其中i=1,2,...,n。由于各种随机因素的作用,xi具有随机性,对应的随机变量设为Xi,则在实际应用中Xi通常服从正态分布。传感器的性能可用密度函数来描述,记为Pi(x),i=1,2,...,n。不同传感器的测定数据xi和xj的相互支持程度可用下式来衡量:
其中x表示概率密度函数的自变量,σi表示第i个传感器数据的均方差,该均方差数值可以根据传感器的数据分布特性进行统计测量获取,例如:将一些传感器在实验室环境中提前做一些测试,把它们的平均值算出来,然后算每个数值与平均值的差值,差值平方后除以个数n再求平方根,就得到了均方差数值。
dij为第i个传感器与第j个传感器的综合程度,根据上式的数学特性可知,如果这两个传感器的观测数据越相近,则dij数值越小,也说明这两个数据与真实湿度值得误差越小,值得充分应用。
2)平均值偏离法滤波。如图4所示,对完成同步的n个传感器数据进行的平均值偏离法滤波,平均值偏离法滤波的目的主要是是滤除明显异常的非正常采集的数据,如传感器故障导致的转换数据丢失,数据结果为0,或者为最大数字等。本***中采用两轮判定滤波,在第一轮中,选择某一个传感器数据,与剩余的所有数值的平均值进行比较,差值大于6%RH判定为初步偏离,覆盖所有的n个数值进行计算和比较。如果第一轮只有一个初步偏离值,则不需要进行第二轮判定,直接将该异常值作为最终的偏离结果进行滤波;如果存在k个(k>1)初步偏离值,则进行第二轮判定。在第二轮判定中,选择某一个数值,与剩余的(n-k)个数值的平均值进行比较,差值大于6%RH判定为偏离,覆盖所有的n个数值进行计算和比较。完成后将第二轮确定的偏离结果进行滤波。
如果出现传感器故障等明显异常情况,如转换数据丢失、数据结果为0等,则需要经本地处理进行平均值偏离法滤波,其余数据无论误差大小,都进行保留,进而得到m个传感器数据的综合矩阵。
综合矩阵体现了所有可用传感器采集数据之间的关联关系。
本数据相关计算的过程不进行数据剔除,仅仅针对故障数据进行排除,不对误差较大的数据进行剔除。在已有的方法中,往往将dij定义为置信距离,并人为设定一个阈值ε,假定当置信距离测度大于阈值ε时,传感器之间不支持,从而进一步丢掉该部分数据。被丢掉的数据只是误差较大,但同样包含了传感器转换的很多有效信息。因数据量少,传统的方法无法获得更高精度的采集结果。与传统方案不同的是,本实施例本质上不进行数据剔除,仅仅针对故障数据进行排除,不对误差较大的数据进行剔除,本实施例能够利用各种误差的所有数据,进行统计意义上的充分利用,获取高精度结果。
3)数据综合计算的过程如下。因传感器异常或明显波动产生的数据已进行平均值偏离法滤波,滤波后的m个数据都被认为是有效数据,应充分利用以避免数据损失。由dij的运算可知0≤dij≤1,且由其运算公式的统计意义可见,dij越小说明第i个传感器和第j个传感器所测数据越加综合,即支持程度越高。从而可以用dij的大小给出支持程度的度量。本实施例所用的方法是:
rij=1-dij,i,j=1,2,...,m
从而可以构造出m个传感器的支持矩阵:
通过Rm可以求出某个传感器受其他传感器支持的综合支持程度,综合支持程度越高,则该传感器的数据越有价值。Rm是一个正矩阵,可知存在最大模特征值λ>0,且λ对应着正特征向量Y,Y=(y1,y2,...,ym)T,而且展开为:
λyk=y1r1k+y2r2k+…+ymrmk
其中k=1,2,…m。
可见λyk综合了r1k,r2k,…rmk,从而λyk可以作为综合支持程度的度量。
则Tk即为第k个湿度传感器的综合支持程度,利用T1,T2,…Tm可得出m个传感器的综合数据:
结果输出时,将最终处理后的检测数值、状态数据,以及分析得到的传感器故障数据打包发送给外部***,用于进一步的分析和管理。
本***还能同步实现对湿度传感器的质量管理。不同数值可以体现湿度传感器和采集通道的状态,从而实现了对设备质量和状态的管理,提高了***的可用性。
本发明的一个实施例,提供了一种电子设备,该终端包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选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该处理器。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。
实现上述实施例的传感器数据融合方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的传感器数据融合方法,例如,执行以上描述的图1中的方法步骤S101至S103。
以上所描述的终端实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。基于上述实施例中,设备中还包括计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述终端实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的传感器数据融合方法,例如,执行以上描述的图1中的方法步骤S101至S103。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
3.根据权利要求1所述的传感器数据融合方法,其特征在于,在所述基于所述相互支持程度,计算所有所述传感器数据的融合结果之前,所述方法还包括:
对所述传感器数据进行平均值偏离法滤波。
4.根据权利要求3所述的传感器数据融合方法,其特征在于,所述对所述传感器数据进行平均值偏离法滤波,包括:
对所有所述传感器数据进行至少一轮滤波过程,其中所述滤波过程包括:计算当前轮中的每一个所述传感器数据与剩余所有所述传感器数据的平均值之间的差值,过滤所述差值小于预设值的所述传感器数据。
5.根据权利要求1所述的传感器数据融合方法,其特征在于,在所述获取多个传感器分布式采集的传感器数据之后,所述方法还包括:
对所述传感器数据进行模数转换、基准校正和数据同步。
6.一种传感器数据融合装置,其特征在于,所述装置包括:
数据获取单元,用于获取分布式设置的多个传感器采集的传感器数据;
支持程度计算单元,用于通过如下公式计算每两个所述传感器数据之间的相互支持程度:
其中所述dij表示第i个传感器的传感器数据与第j个传感器的传感器数据之间的相互支持程度,所述xi表示第i个传感器的传感器数据,所述xj表示第j个传感器的传感器数据,所述σi表示第i个传感器的传感器数据的均方差,Pi(x)表示概率密度函数,所述x表示概率密度函数的自变量,所述i,j=1,2,...,n,所述n表示传感器的数量,exp[]表示以自然常数e为底的指数函数;
数据融合单元,用于基于所述相互支持程度,计算所有所述传感器数据的融合结果。
7.根据权利要求6所述的传感器数据融合装置,其特征在于,所述装置还包括:
数据滤波单元,用于对所述传感器数据进行平均值偏离法滤波。
8.根据权利要求6所述的传感器数据融合装置,其特征在于,所述装置还包括:
预处理单元,用于对所述传感器数据进行模数转换、基准校正和数据同步。
9.一种传感器数据融合设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的传感器数据融合方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至5中任意一项所述的传感器数据融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846122.2A CN113609440A (zh) | 2021-07-26 | 2021-07-26 | 传感器数据融合方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110846122.2A CN113609440A (zh) | 2021-07-26 | 2021-07-26 | 传感器数据融合方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609440A true CN113609440A (zh) | 2021-11-05 |
Family
ID=78338380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110846122.2A Pending CN113609440A (zh) | 2021-07-26 | 2021-07-26 | 传感器数据融合方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306206A (zh) * | 2011-07-18 | 2012-01-04 | 福州大学 | 自适应一致性数据融合方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN109724602A (zh) * | 2018-12-17 | 2019-05-07 | 南京理工大学 | 一种基于硬件fpu的姿态解算***及其解算方法 |
CN109827568A (zh) * | 2019-01-29 | 2019-05-31 | 东北大学秦皇岛分校 | 基于mems传感器的多层建筑中行人高度位置估计方法 |
CN111982248A (zh) * | 2020-08-14 | 2020-11-24 | 中国计量大学 | 一种改进的传感器动态数据融合方法 |
CN112364921A (zh) * | 2020-11-12 | 2021-02-12 | 广州南方电力集团科技发展有限公司 | 一种智能电房传感器数据的双重融合方法 |
CN112968931A (zh) * | 2021-01-29 | 2021-06-15 | 长沙青络科技有限公司 | 一种基于多传感器的农作物环境温度数据融合***及方法 |
US20210224616A1 (en) * | 2020-01-17 | 2021-07-22 | Electronics And Telecommunications Research Institute | System and method for fusion recognition using active stick filter |
-
2021
- 2021-07-26 CN CN202110846122.2A patent/CN113609440A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306206A (zh) * | 2011-07-18 | 2012-01-04 | 福州大学 | 自适应一致性数据融合方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN109724602A (zh) * | 2018-12-17 | 2019-05-07 | 南京理工大学 | 一种基于硬件fpu的姿态解算***及其解算方法 |
CN109827568A (zh) * | 2019-01-29 | 2019-05-31 | 东北大学秦皇岛分校 | 基于mems传感器的多层建筑中行人高度位置估计方法 |
US20210224616A1 (en) * | 2020-01-17 | 2021-07-22 | Electronics And Telecommunications Research Institute | System and method for fusion recognition using active stick filter |
CN111982248A (zh) * | 2020-08-14 | 2020-11-24 | 中国计量大学 | 一种改进的传感器动态数据融合方法 |
CN112364921A (zh) * | 2020-11-12 | 2021-02-12 | 广州南方电力集团科技发展有限公司 | 一种智能电房传感器数据的双重融合方法 |
CN112968931A (zh) * | 2021-01-29 | 2021-06-15 | 长沙青络科技有限公司 | 一种基于多传感器的农作物环境温度数据融合***及方法 |
Non-Patent Citations (2)
Title |
---|
危遂薏, 刘桂雄: "一种同质的多传感数据融合新算法", 传感器技术, no. 08, pages 61 - 65 * |
轧制技术及连轧自动化国家重点实验室(东北大学): "《轴承钢超快速冷却技术研究与开发》", 31 October 2015, 冶金工业出版社 , pages: 125 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114184367A (zh) * | 2021-11-29 | 2022-03-15 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
CN114184367B (zh) * | 2021-11-29 | 2024-06-28 | 北京唐智科技发展有限公司 | 旋转机械设备故障诊断方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105739575B (zh) | 一种设施蔬菜环境参数的数据融合方法 | |
Falcao et al. | Power system tracking state estimation and bad data processing | |
CN109738014B (zh) | 城市综合管廊设备故障的智能诊断方法及*** | |
CN116105885B (zh) | 一种核电用电气设备状态监测方法及*** | |
CN113609440A (zh) | 传感器数据融合方法、装置及设备 | |
CN114118634B (zh) | 一种土壤水分预测方法和装置 | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN109856973A (zh) | 一种基于模糊神经网络的温室环境控制方法及*** | |
CN114564629A (zh) | 异常数据处理方法、装置、计算机设备和存储介质 | |
CN114645844A (zh) | 确定空压站的流量状态的方法、计算设备和计算机介质 | |
JP5939439B2 (ja) | 異常診断装置 | |
CN117606119B (zh) | 基于环境分析的空气柜智能调参控制方法及*** | |
CN117891644B (zh) | 一种基于数字孪生技术的数据采集***及其采集方法 | |
CN116415500A (zh) | 一种基于大数据的呼吸机故障预测方法及*** | |
US11157261B2 (en) | Method of evaluating a software upgrade of a wind turbine | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及*** | |
CN108932554B (zh) | 一种风电场流场量测点的配置优化方法及装置 | |
CN112001543A (zh) | 基于地温的农作物生长期预测方法及相关设备 | |
CN115955270B (zh) | 一种数据采集监控及数据分析*** | |
CN116561502A (zh) | 一种风电场风速数据的插补方法、装置、设备及存储介质 | |
CN112685449A (zh) | 一种热力***性能计算方法、装置及设备 | |
CN113036716A (zh) | 发电机绕组故障保护方法及装置 | |
US20230288394A1 (en) | Crop condition monitoring system and crop condition monitoring method using the same | |
CN115046570B (zh) | 天线姿态仪倾角自动温度补偿方法 | |
CN116067433B (zh) | 一种振弦数据采集方法及其采集仪 |
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 |