CN113672608B - 基于自适应约简阈值的物联网感知数据约简***及方法 - Google Patents
基于自适应约简阈值的物联网感知数据约简***及方法 Download PDFInfo
- Publication number
- CN113672608B CN113672608B CN202110978851.3A CN202110978851A CN113672608B CN 113672608 B CN113672608 B CN 113672608B CN 202110978851 A CN202110978851 A CN 202110978851A CN 113672608 B CN113672608 B CN 113672608B
- Authority
- CN
- China
- Prior art keywords
- data
- threshold
- reduction
- internet
- adaptive
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008447 perception Effects 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000001953 sensory effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000013500 data storage Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种基于自适应约简阈值的物联网感知数据约简***及方法,***包括数据加载模块、自适应数据约简模块和数据重建模块;采用这个***进行数据约简的方法基于实时的物联网感知数据,在传感器端通过概念漂移检测对数据变化趋势建模,基于漂移检测动态自适应确定卡尔曼滤波器的约简阈值,基于卡尔曼滤波器的数据估计与实际值之差约简数据并将约简后的数据和建模的数据趋势上传至边缘端,在边缘端根据约简后数据与数据趋势重建数据,最终达到在保证数据准确率和数据质量的前提下减少数据采集和传输的目的,同时可以显著降低传感器节点的能源消耗以及边缘端数据存储。
Description
技术领域
本发明涉及网络数据通信技术领域,尤其涉及一种基于自适应约简阈值的物联网感知数据约简***及方法。
背景技术
随着物联网技术的发展,移动设备、传感器等物联网设备实时采集、传输大量感知数据。边缘计算强调网络边缘上的计算和存储,靠近边缘端的传感器设备频繁采集并上传数据会极大消耗传感器的能量。其中传感器通信消耗的能量最大,通常传输1比特数据消耗的能量比一个32位计算设备计算一次消耗的能量高1000倍。边缘计算下的传感器节点的能量仅依靠电池,一旦部署,通常无法充电。面对能耗、传输量和存储等约束,如何在保证边缘计算数据准确性的前提下,减少传感器端与边缘端之间的数据通信,是边缘计算下数据约简问题的关键。
基于卡尔曼滤波器的数据约简方法主要是通过建立基于时间序列的预测模型,使其能够在数据约简误差阈值内预测传感器数值。该模型同时位于传感器节点和边缘端,在传感器节点判断预测值满足所需的精度时无需传输数据,否则上传感知数据到边缘端并更新模型。误差阈值较小时,会有大量的数据被视作异常数据传输到边缘端,此时,数据约简率较低,数据重建准确率较高。在卡尔曼滤波器模型运行中,误差阈值越大,数据约简率越高,数据重建后准确率会随之越来越低,卡尔曼滤波阈值对数据约简效果起关键影响。然而,现有技术对于数据趋势和规律频繁变化的物联网环境适应性不足,固定的阈值设定无法满足适应不同的物联网感知数据变化,也无法满足高数据约简率和高数据重建准确率的平衡。同时,传统卡尔曼滤波器方法无法根据现实环境中具体的数据变化规律动态调整数据约简率,因此边缘端的重建数据与实际数据存在差距,影响了数据应用。
发明内容
针对上述现有技术的不足,本发明提供一种基于自适应约简阈值的物联网感知数据约简***及方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于自适应约简阈值的物联网感知数据约简***,***包括数据加载模块、自适应数据约简模块和数据重建模块;
所述数据加载模块加载多种不同类型的感知数据,并将感知数据加载至内存中供自适应数据约简模块进行处理;
所述多种不同类型的感知数据包括:
(1)txt、csv和xlsx格式的静态数据;
(2)存储于数据库中的静态数据;
(3)实时采集的流式动态数据。
所述自适应数据约简模块接收数据加载模块所收集到的感知数据信息,分析感知数据漂移情况,并动态生成卡尔曼滤波器阈值进行数据约简;
进一步的,所述自适应数据约简模块包括概念漂移检测单元、动态阈值调整单元和设备端数据约简单元;
所述概念漂移检测单元用于检测感知数据是否发生概念漂移,将漂移判断结果提供给动态阈值调整单元;
所述动态阈值调整单元基于漂移结果动态生成卡尔曼滤波器的阈值;
所述设备端数据约简单元基于动态生成的卡尔曼滤波器阈值基于数据预测的方法进行数据约简。
所述数据重建模块包括边缘端数据重建单元,所述边缘端数据重建单元基于自适应数据约简模块的约简结果和感知数据漂移情况,根据卡尔曼滤波器重建还原数据。
进一步的,所述数据重建模块还包括离线数据约简效果分析单元,根据数据约简率和重建准确率分析数据约简和重建的效果。
进一步的,所述数据重建模块还包括传感器端模型更新单元,基于分析后的约简效果,提供对传感器端自适应数据约简模块的更新辅助,具体包括概念漂移检测单元、动态阈值调整单元的更新。
另一方面,本发明还提供一种采用上述基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法,包括如下步骤:
步骤1:将数据库和文件形式的静态数据或动态采集的物联网感知数据统一加载到内存中;
步骤2:对存储到内存中的物联网感知数据进行概念漂移检测,并基于概念漂移检测结果动态自适应生成卡尔曼滤波器的阈值,过程如下:
步骤2.1:存储当前误差阈值e_max、阈值最小值min_error、阈值最大值max_error;
步骤2.2:通过概念漂移检测算法检测到物联网感知数据在短时间内的变化,当发生概念漂移时,减小当前误差阈值,并将阈值最小值设置为当前误差阈值e_max和阈值最小值min_error中的最小值min{e_max,min_error},从而保证数据约简阈值大于约简阈值的最小值;
步骤2.3:没有发生概念漂移时,提高当前误差阈值,并将阈值最大值设置为当前误差阈值e_max和阈值最大值max_error中的最大值max{e_max,max_error},从而保证数据约简阈值小于约简阈值的最大值。
步骤3:根据动态生成的卡尔曼滤波器阈值,在设备端对步骤1中的物联网感知数据进行数据约简,过程如下:
步骤3.1:缓存当前收到的时序传感器感知数据集{z=z1,z2,…,zt-1};
步骤3.2:根据最新数据与步骤3.1缓存的物联网感知数据计算当前数据趋势:
其中,zt表示t时刻的传感器感知数据实际值,dt表示t时刻的数据趋势值,α是范围[0,1]的平滑权重,值接近1表示对最近趋势的偏好;
步骤3.3:基于步骤2中自适应生成的卡尔曼滤波器阈值e_max,通过卡尔曼滤波器计算估计值xt,若t时刻传感器感知数据实际值zt与卡尔曼滤波器估计值xt之差et小于当前误差阈值e_max,则证明当前时刻数据不需要上传至云端,通过卡尔曼滤波器进行约简;否则,将当前数据zt与数据趋势dt发送到边缘端。
步骤4:根据步骤3所得的约简后的感知数据,在边缘端重建原始的物联网感知数据,过程如下:
步骤4.1:若设备端上传了数据zt,则接收设备端上传的数据zt并更新当前数据趋势dt;
步骤4.2:若没有接收到设备端实时上传的数据zt,则基于当前数据趋势和卡尔曼滤波器分别计算估计值re_data和xt;当两者之差大于卡尔曼滤波器阈值e_max时,存储由数据趋势重建的感知数据re_data作为当前重建数据;否则将卡尔曼滤波器生成的估计值xt作为当前重建数据;
步骤4.3:当设备端停止采集数据或静态感知数据处理完毕时,跳转至步骤5。
步骤5:对比步骤4得到的重建后的感知数据与原始数据,计算数据约简率和重建准确率。
采用上述技术方案所产生的有益效果在于:
1、本发明通过对单一维度数据值进行数据规律分析,根据数据变化规律动态调整数据约简阈值,在面对平稳型数据集时,能最大限度提高数据约简率,并且保持高数据重建准确率;在面对非平稳型数据集时,为了保证高的数据准确性,自动降低数据约简率,保持高敏感状态。
2、本发明在保证数据准确率和数据质量的前提下减少了数据采集和传输,同时可以显著降低传感器节点的能源消耗以及边缘端数据存储。
附图说明
图1为本发明实施例中提供的基于自适应约简阈值的物联网感知数据约简***的结构示意图;
图2为本发明采用基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例中基于自适应约简阈值的物联网感知数据约简***如下所述:***包括数据加载模块、自适应数据约简模块和数据重建模块;
所述数据加载模块加载多种不同类型的感知数据,并将感知数据加载至内存中供自适应数据约简模块进行处理;
所述多种不同类型的感知数据包括:
(1)txt、csv和xlsx格式的静态数据;
(2)存储于数据库中的静态数据;
(3)实时采集的流式动态数据。
所述自适应数据约简模块接收数据加载模块所收集到的感知数据信息,分析感知数据漂移情况,并动态生成卡尔曼滤波器阈值进行数据约简;
进一步的,所述自适应数据约简模块包括概念漂移检测单元、动态阈值调整单元和设备端数据约简单元;
所述概念漂移检测单元用于检测感知数据是否发生概念漂移,将漂移判断结果提供给动态阈值调整单元;
所述动态阈值调整单元基于漂移结果动态生成卡尔曼滤波器的阈值;
所述设备端数据约简单元基于动态生成的卡尔曼滤波器阈值基于数据预测的方法进行数据约简。
所述数据重建模块包括边缘端数据重建单元,所述边缘端数据重建单元基于自适应数据约简模块的约简结果和感知数据漂移情况,根据卡尔曼滤波器重建还原数据。
进一步的,所述数据重建模块还包括离线数据约简效果分析单元,根据数据约简率和重建准确率分析数据约简和重建的效果。
进一步的,所述数据重建模块还包括传感器端模型更新单元,基于分析后的约简效果,提供对传感器端自适应数据约简模块的更新辅助,具体包括概念漂移检测单元、动态阈值调整单元的更新。
另一方面,本发明还提供一种采用上述基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法,其流程如图2所示,包括如下步骤:
步骤1:将数据库和文件形式的静态数据或动态采集的物联网感知数据统一加载到内存中;
步骤2:对存储到内存中的物联网感知数据进行概念漂移检测,并基于概念漂移检测结果动态自适应生成卡尔曼滤波器的阈值,过程如下:
步骤2.1:存储当前误差阈值e_max、阈值最小值min_error、阈值最大值max_error;
步骤2.2:通过概念漂移检测算法检测到物联网感知数据在短时间内的变化,当发生概念漂移时,减小当前误差阈值,并将阈值最小值设置为当前误差阈值e_max和阈值最小值min_error中的最小值min{e_max,min_error},从而保证数据约简阈值大于约简阈值的最小值;
步骤2.3:没有发生概念漂移时,提高当前误差阈值,并将阈值最大值设置为当前误差阈值e_max和阈值最大值max_error中的最大值max{e_max,max_error},从而保证数据约简阈值小于约简阈值的最大值。
步骤3:根据动态生成的卡尔曼滤波器阈值,在设备端对步骤1中的物联网感知数据进行数据约简,过程如下:
步骤3.1:缓存当前收到的时序传感器感知数据集{z=z1,z2,…,zt-1};
步骤3.2:根据最新数据与步骤3.1缓存的物联网感知数据计算当前数据趋势:
其中,zt表示t时刻的传感器感知数据实际值,dt表示t时刻的数据趋势值,α是范围[0,1]的平滑权重,值接近1表示对最近趋势的偏好;
步骤3.3:基于步骤2中自适应生成的卡尔曼滤波器阈值e_max,通过卡尔曼滤波器计算估计值xt,若t时刻传感器感知数据实际值zt与卡尔曼滤波器估计值xt之差et小于当前误差阈值e_max,则证明当前时刻数据不需要上传至云端,通过卡尔曼滤波器进行约简;否则,将当前数据zt与数据趋势dt发送到边缘端。
步骤4:根据步骤3所得的约简后的感知数据,在边缘端重建原始的物联网感知数据,过程如下:
步骤4.1:若设备端上传了数据zt,则接收设备端上传的数据zt并更新当前数据趋势dt;
步骤4.2:若没有接收到设备端实时上传的数据zt,则基于当前数据趋势和卡尔曼滤波器分别计算估计值re_data和xt;当两者之差大于卡尔曼滤波器阈值e_max时,存储由数据趋势重建的感知数据re_data作为当前重建数据;否则将卡尔曼滤波器生成的估计值xt作为当前重建数据;
步骤4.3:当设备端停止采集数据或静态感知数据处理完毕时,跳转至步骤5。
步骤5:对比步骤4得到的重建后的感知数据与原始数据,计算数据约简率和重建准确率。
Claims (9)
1.一种基于自适应约简阈值的物联网感知数据约简***,其特征在于,***包括数据加载模块、自适应数据约简模块和数据重建模块;
所述数据加载模块加载多种不同类型的感知数据,并将感知数据加载至内存中供自适应数据约简模块进行处理;
所述自适应数据约简模块接收数据加载模块所收集到的感知数据信息,通过对感知数据进行概念漂移检测,根据漂移情况减小或增大卡尔曼滤波器阈值进行数据约简;
所述数据重建模块包括边缘端数据重建单元,所述边缘端数据重建单元基于自适应数据约简模块的约简结果和感知数据漂移情况,根据卡尔曼滤波器和数据趋势重建还原数据。
2.根据权利要求1所述的基于自适应约简阈值的物联网感知数据约简***,其特征在于:所述多种不同类型的感知数据包括:
(1)txt、csv和xlsx格式的静态数据;
(2)存储于数据库中的静态数据;
(3)实时采集的流式动态数据。
3.根据权利要求1所述的基于自适应约简阈值的物联网感知数据约简***,其特征在于:所述自适应数据约简模块包括概念漂移检测单元、动态阈值调整单元和设备端数据约简单元;
所述概念漂移检测单元用于检测感知数据是否发生概念漂移,将漂移判断结果提供给动态阈值调整单元;
所述动态阈值调整单元基于漂移结果动态生成卡尔曼滤波器的阈值;
所述设备端数据约简单元基于动态生成的卡尔曼滤波器阈值基于数据预测的方法进行数据约简。
4.根据权利要求3所述的基于自适应约简阈值的物联网感知数据约简***,其特征在于:所述数据重建模块还包括离线数据约简效果分析单元,根据数据约简率和重建准确率分析数据约简和重建的效果。
5.根据权利要求4所述的基于自适应约简阈值的物联网感知数据约简***,其特征在于:所述数据重建模块还包括传感器端模型更新单元,基于分析后的约简效果,提供对传感器端自适应数据约简模块的更新辅助,具体包括概念漂移检测单元、动态阈值调整单元的更新。
6.采用权利要求1至5中任意一项所述的基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法,其特征在于,包括如下步骤:
步骤1:将数据库和文件形式的静态数据或动态采集的物联网感知数据统一加载到内存中;
步骤2:对存储到内存中的物联网感知数据进行概念漂移检测,并基于概念漂移检测结果动态自适应生成卡尔曼滤波器的阈值;
步骤3:根据动态生成的卡尔曼滤波器阈值,在设备端对步骤1中的物联网感知数据进行数据约简;
步骤4:根据步骤3所得的约简后的感知数据,在边缘端重建原始的物联网感知数据;
步骤5:对比步骤4得到的重建后的感知数据与原始数据,计算数据约简率和重建准确率。
7.根据权利要求6所述的采用基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法,其特征在于,所述步骤2的过程如下:
步骤2.1:存储当前误差阈值e_max、阈值最小值min_error、阈值最大值max_error;
步骤2.2:通过概念漂移检测算法检测到物联网感知数据在短时间内的变化,当发生概念漂移时,减小当前误差阈值,并将阈值最小值设置为当前误差阈值e_max和阈值最小值min_error中的最小值min{e_max,min_error},从而保证数据约简阈值大于约简阈值的最小值;
步骤2.3:没有发生概念漂移时,提高当前误差阈值,并将阈值最大值设置为当前误差阈值e_max和阈值最大值max_error中的最大值max{e_max,max_error},从而保证数据约简阈值小于约简阈值的最大值。
8.根据权利要求6所述的采用基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法,其特征在于,所述步骤3的过程如下:
步骤3.1:缓存当前收到的时序传感器感知数据集{z=z1,z2,…,zt-1};
步骤3.2:根据最新数据与步骤3.1缓存的物联网感知数据计算当前数据趋势:
其中,zt表示t时刻的传感器感知数据实际值,dt表示t时刻的数据趋势值,α是范围[0,1]的平滑权重,值接近1表示对最近趋势的偏好;
步骤3.3:基于步骤2中自适应生成的卡尔曼滤波器阈值e_max,通过卡尔曼滤波器计算估计值xt,若t时刻传感器感知数据实际值zt与卡尔曼滤波器估计值xt之差et小于当前误差阈值e_max,则证明当前时刻数据不需要上传至云端,通过卡尔曼滤波器进行约简;否则,将当前数据zt与数据趋势dt发送到边缘端。
9.根据权利要求6所述的采用基于自适应约简阈值的物联网感知数据约简***进行数据约简的方法,其特征在于,所述步骤4的过程如下:
步骤4.1:若设备端上传了数据zt,则接收设备端上传的数据zt并更新当前数据趋势dt;
步骤4.2:若没有接收到设备端实时上传的数据zt,则基于当前数据趋势和卡尔曼滤波器分别计算估计值re_data和xt;当两者之差大于卡尔曼滤波器阈值e_max时,存储由数据趋势重建的感知数据re_data作为当前重建数据;否则将卡尔曼滤波器生成的估计值xt作为当前重建数据;
步骤4.3:当设备端停止采集数据或静态感知数据处理完毕时,跳转至步骤5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978851.3A CN113672608B (zh) | 2021-08-25 | 2021-08-25 | 基于自适应约简阈值的物联网感知数据约简***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978851.3A CN113672608B (zh) | 2021-08-25 | 2021-08-25 | 基于自适应约简阈值的物联网感知数据约简***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113672608A CN113672608A (zh) | 2021-11-19 |
CN113672608B true CN113672608B (zh) | 2023-07-25 |
Family
ID=78545924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978851.3A Active CN113672608B (zh) | 2021-08-25 | 2021-08-25 | 基于自适应约简阈值的物联网感知数据约简***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113672608B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117411463B (zh) * | 2023-12-15 | 2024-02-20 | 南京群顶科技股份有限公司 | 一种面向边缘计算网关数据采集自适应滤波方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156564A (zh) * | 2014-07-16 | 2014-11-19 | 中国矿业大学 | 基于离散卡尔曼滤波的井下设备检测规则集约简方法 |
CN105931275A (zh) * | 2016-05-23 | 2016-09-07 | 北京暴风魔镜科技有限公司 | 基于移动端单目和imu融合的稳定运动跟踪方法和装置 |
KR20180058263A (ko) * | 2016-11-23 | 2018-06-01 | 한국철도기술연구원 | 철도 사물인터넷을 위한 게이트웨이의 데이터 처리 방법 및 그 장치 |
CN109213755A (zh) * | 2018-09-30 | 2019-01-15 | 长安大学 | 一种基于时空序列的交通流数据清洗与修复方法 |
CN109975839A (zh) * | 2019-04-10 | 2019-07-05 | 华砺智行(武汉)科技有限公司 | 一种车辆卫星定位数据的联合滤波优化方法 |
CN109993088A (zh) * | 2019-03-22 | 2019-07-09 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
CN110969238A (zh) * | 2019-12-31 | 2020-04-07 | 安徽建筑大学 | 一种校准用电数据的方法及装置 |
CN110991015A (zh) * | 2019-11-19 | 2020-04-10 | 三峡大学 | 融合卡尔曼和小波的mems陀螺仪自适应抗野值去噪方法 |
CN112801267A (zh) * | 2020-12-30 | 2021-05-14 | 西北工业大学 | 动态阈值的航空发动机多重故障诊断器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107270894B (zh) * | 2017-06-02 | 2020-11-06 | 南京理工大学 | 基于维数约简的gnss/sins深组合导航*** |
US10882446B2 (en) * | 2018-01-22 | 2021-01-05 | Henan Polytechnic University | Graded early warning system for rollover of heavy-duty truck based on time-varying interactive kalman filtering and early warning method thereof |
-
2021
- 2021-08-25 CN CN202110978851.3A patent/CN113672608B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156564A (zh) * | 2014-07-16 | 2014-11-19 | 中国矿业大学 | 基于离散卡尔曼滤波的井下设备检测规则集约简方法 |
CN105931275A (zh) * | 2016-05-23 | 2016-09-07 | 北京暴风魔镜科技有限公司 | 基于移动端单目和imu融合的稳定运动跟踪方法和装置 |
KR20180058263A (ko) * | 2016-11-23 | 2018-06-01 | 한국철도기술연구원 | 철도 사물인터넷을 위한 게이트웨이의 데이터 처리 방법 및 그 장치 |
CN109213755A (zh) * | 2018-09-30 | 2019-01-15 | 长安大学 | 一种基于时空序列的交通流数据清洗与修复方法 |
CN109993088A (zh) * | 2019-03-22 | 2019-07-09 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
CN109975839A (zh) * | 2019-04-10 | 2019-07-05 | 华砺智行(武汉)科技有限公司 | 一种车辆卫星定位数据的联合滤波优化方法 |
CN110991015A (zh) * | 2019-11-19 | 2020-04-10 | 三峡大学 | 融合卡尔曼和小波的mems陀螺仪自适应抗野值去噪方法 |
CN110969238A (zh) * | 2019-12-31 | 2020-04-07 | 安徽建筑大学 | 一种校准用电数据的方法及装置 |
CN112801267A (zh) * | 2020-12-30 | 2021-05-14 | 西北工业大学 | 动态阈值的航空发动机多重故障诊断器 |
Non-Patent Citations (4)
Title |
---|
Noise Reduction Based on Kalman Filter of Low Precision Gyrosecope;Ying-Gang Xie等;《Journal of Computers》;第30卷(第5期);313-327 * |
基于多传感器的盲区定位与运动轨迹追踪误差消除研究;段强;《中国优秀硕士学位论文全文数据库信息科技辑》(第05期);I136-132 * |
基于深度强化学习的智能灯个性化调节方法;邓心等;《计算机工程与应用》;第58卷(第06期);264-270 * |
无线传感器网络漂移校准与数据重建方法研究;武加文;《中国优秀硕士学位论文全文数据库信息科技辑》(第12期);I136-193 * |
Also Published As
Publication number | Publication date |
---|---|
CN113672608A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021026944A1 (zh) | 基于粒子群和神经网络的工业无线流媒体自适应传输方法 | |
EP3654186A1 (en) | Automated identification of device status and resulting dynamic modification of device operations | |
CN113568727B (zh) | 一种基于深度强化学习的移动边缘计算任务分配方法 | |
CN113672608B (zh) | 基于自适应约简阈值的物联网感知数据约简***及方法 | |
CN112214342B (zh) | 一种联邦学习场景中高效的错误数据检测方法 | |
CN113326132A (zh) | 一种信息调节方法、设备及存储介质 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN111191113A (zh) | 一种基于边缘计算环境的数据资源需求预测和调整方法 | |
CN114064394A (zh) | 基于边缘计算的安全监控方法、装置及终端设备 | |
CN117395699A (zh) | 一种基于物联网的监测因子节能通讯方法及*** | |
CN117240757A (zh) | 一种基于流量自适应数据采集方法和*** | |
CN116761207A (zh) | 一种基于通信行为的用户画像构建方法与*** | |
CN112600869A (zh) | 基于td3算法的计算卸载分配方法和装置 | |
CN116540274A (zh) | 一种自适应组合导航方法和装置、电子设备及存储介质 | |
CN111007721B (zh) | 一种线性定常***中采样周期动态选择方法 | |
CN115719093A (zh) | 一种分布式训练方法、装置、***、存储介质及电子设备 | |
Li et al. | An energy-efficient data transmission scheme for remote state estimation and applications to a water-tank system | |
CN113647909B (zh) | 睡眠指标监测方法、电子装置、装置及可读存储介质 | |
CN111108738A (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 | |
CN115333964A (zh) | 一种数据采集方法、装置、设备及可读存储介质 | |
CN114118676A (zh) | 一种基于多类型感知设备的数据分析方法、装置及可读介质 | |
CN110766566A (zh) | 一种基于双向lstm模型的运维行为智能分析*** | |
Rule et al. | Strategic remote estimation | |
CN117713142B (zh) | 一种用于电源的智能控制方法及*** | |
KR102664734B1 (ko) | 멀티-태스크(multi-task) 모델의 학습 방법 |
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 |