CN115457756A - 传感器校准的方法及装置 - Google Patents
传感器校准的方法及装置 Download PDFInfo
- Publication number
- CN115457756A CN115457756A CN202110644544.1A CN202110644544A CN115457756A CN 115457756 A CN115457756 A CN 115457756A CN 202110644544 A CN202110644544 A CN 202110644544A CN 115457756 A CN115457756 A CN 115457756A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- measurement data
- attribute
- target sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 190
- 238000012549 training Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明提供一种传感器校准的方法及装置。其方法包括：获取目标传感器以及参考传感器采集的多个属性的测量数据；对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；将所述测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据。本发明通过采集参考传感器多属性的测量数据，进行数据维度调整为N*P*K的测量数据，实现同时使用多时刻参考传感器多属性的测量数据对当前时刻目标传感器的各属性数据进行预测和校准。
Description
技术领域
本发明涉及无线传感网络技术领域，尤其涉及传感器校准的方法及装置。
背景技术
无线传感器网络(Wireless Sensor Network，简称“WSN”)是由具有无线通信，感知及计算能力的微型传感器节点组成的“智能”网络，它涉及多学科高度交叉、知识高度集成的前沿热点研究领域，现已广泛应用于军事、农业、环境检测、医疗卫生、工业、智能交通等各种领域。
目前对无线传感器数据漂移校准的方式主要有以下几种：一、人工手动校准，由人为的对产生漂移的传感器进行检测和手工校准；二、利用信号子空间的思想，对信号进行特征空间投影，然后再将无漂移信号从特征空间中恢复出来。三、基于预测模型的校准，利用不同传感器间的时空相关性对测量信号的测量数据建立预测模型，如支持向量机、BP神经网络等，从而获取测量信号中目标节点测量数据的预测读数，再利用卡尔曼滤波器追踪测量信号中的漂移数据。
现有人工手动对数据漂移校准的方法，只能在传感器分布相对固定、部署环境相对安全的特定环境中实现，而在传感器分布范围较广、部署较为密集的情况下，人工校准工作量和工作难度巨大，难以实现。
现有基于预测模型的数据漂移校准方法中，利用邻近传感器节点具有时空相关性的特点，收集网络中传感器节点的测量数据并建立预测模型，根据对测量数据的预测，结合卡尔曼滤波器对测量数据中的数据漂移进行追踪，从而实现对测量数据中漂移数据的校准。然而目前基于预测模型的数据漂移校准方法中存在一定的缺陷。仅利用邻居节点的测量数据进行预测，数据量相对较小，预测模型的性能有限，预测准确度较低。
同时，现有校准模型都是针对于单一属性数据进行校准，即传感器节点出现漂移时，只能同时对其测量的一种属性的数据进行校准，无法对同时测量的多种属性数据中的数据漂移进行校准。
发明内容
针对现有技术存在的问题，本发明提供一种传感器校准的方法及装置。
第一方面，本发明提供一种传感器校准的方法，包括：
获取目标传感器以及参考传感器采集的多个属性的测量数据；
对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
根据本发明提供的传感器校准的方法，所述将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据，包括：
将所述数据维度为N*P*K的测量数据按照各自对应的通道输入至所述预测模型的两层卷积层，对所述测量数据进行特征提取；
将所述特征提取后的测量数据输入至所述预测模型的一层Flatten层，对不同时刻和不同属性的数据进行压平变换，得到一维结构的数据；
将所述一维结构的数据输入至所述预测模型的一层全连接层，输出目标传感器各属性的预测数据；
其中，所述预测模型中卷积层的输入通道数是根据所述数据维度为N*P*K的测量数据中K值确定的；所述预测模型中全连接层点数是根据所述数据维度为N*P*K的测量数据中P值确定的。
根据本发明提供的传感器校准的方法，所述基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据，包括：
将目标传感器的相同属性的测量数据和预测数据输入同一个卡尔曼滤波器，不同属性的测量数据和预测数据通过多个相同的卡尔曼滤波器，得到追踪各属性数据的漂移值；
基于目标传感器的每个属性的所述测量数据和所述追踪各属性数据的漂移值，确定目标传感器的每个所述属性的校准数据。
根据本发明提供的传感器校准的方法，所述训练样本是在无线传感网络初建立并开始测试的前T个时刻内获取的目标传感器以及参考传感器的多个属性的测量数据。
第二方面，本发明还提供一种传感器校准的装置，该装置包括：
获取模块，用于获取目标传感器以及参考传感器采集的多个属性的测量数据；
测量数据模块，用于对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
预测模块，用于将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
校准模块，用于基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
根据本发明提供的传感器校准的装置，所述预测模块用于：
将所述数据维度为N*P*K的测量数据按照各自对应的通道输入至所述预测模型的两层卷积层，对所述测量数据进行特征提取；
将所述特征提取后的测量数据输入至所述预测模型的一层Flatten层，对不同时刻和不同属性的数据进行压平变换，得到一维结构的数据；
将所述一维结构的数据输入至所述预测模型的一层全连接层，输出目标传感器各属性的预测数据；
其中，所述预测模型中卷积层的输入通道数是根据所述数据维度为N*P*K的测量数据中K值确定的；所述预测模型中全连接层点数是根据所述数据维度为N*P*K的测量数据中P值确定的。
根据本发明提供的传感器校准的装置，所述校准模块用于：
将目标传感器的相同属性的测量数据和预测数据输入同一个卡尔曼滤波器，不同属性的测量数据和预测数据通过多个相同的卡尔曼滤波器，得到追踪各属性数据的漂移值；
基于目标传感器的每个属性的所述测量数据和所述追踪各属性数据的漂移值，确定目标传感器的每个所述属性的校准数据。
根据本发明提供的传感器校准的装置，所述训练样本是在无线传感网络初建立并开始测试的前T个时刻内获取的目标传感器以及参考传感器的多个属性的测量数据。
第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述传感器校准的方法的步骤。
第四方面，本发明还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述的传感器校准的方法的步骤。
本发明提供的传感器校准的方法及装置，通过基于采集到的参考传感器多属性的测量数据，进行数据维度调整，得到N*P*K的测量数据，实现同时使用多时刻参考传感器测量数据对当前时刻目标传感器的各属性数据进行预测，结合了参考传感器的测量数据时刻、属性、空间相关性等数据特征，能够同时对多种测量数据的属性进行校准。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的传感器校准的方法的流程示意图；
图2是本发明提供的传感器校准的方法的整体流程图；
图3是本发明提供的传感器校准的装置的结构示意图；
图4是本发明提供的传感器校准的设备的结构示意图。
具体实施方式
本发明中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本发明中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本发明中的附图，对本发明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，并不是全部的实施例。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。
下面对传感器的一些特性进行说明，传感器的特性主要有：
(1)传感器的动态性。动态性输入信号变化时，输出信号随时间变化而相应地变化，这个过程称为响应。传感器的动态性是传感器对随时间变化的输入量的响应特性。动态特性好的传感器，当输入信号是随时间变化的动态信号时，传感器能及时精确地跟踪输入信号，按照输入信号的变化规律输出信号。当传感器输入信号的变化缓慢时，是容易跟踪的，但随着输入信号的变化加快，传感器的及时跟踪性能会逐渐下降。通常要求传感器不仅能精确地显示被测量值的大小，而且还能复现被测量值随时间变化的规律，这也是传感器的重要特性之一。
(2)传感器的线性度。通常情况下，传感器的静态特性输出是条曲线而非直线。在实际工作中，为使仪表具有均匀刻度的读数，常用一条拟合直线近似地代表实际的特性曲线、线性度(非线性误差)就是这个近似程度的一个性能指标。拟合直线的选取有多种方法，如将零输入和满量程输出点相连的理论直线作为拟合直线；或将与特性曲线上各点偏差的平方和为最小的理论直线作为拟合直线，此拟合直线称为最小二乘法拟合直线。
(3)传感器的灵敏度。灵敏度是指传感器在稳态工作情况下输出量变化△y对输入量变化△x的比值。它是输出与输入特性曲线的斜率。如果传感器的输出和输入之间成线性关系，则灵敏度S是一个常数。否则，它将随输入量的变化而变化。灵敏度的量纲是输出、输入量的量纲之比。例如，某位移传感器，在位移变化1mm时，输出电压变化为200mV，则其灵敏度应表示为200mV/mm。当传感器的输出、输入量的量纲相同时，灵敏度可理解为放大倍数。
(4)传感器的稳定性。稳定性表示传感器在一个较长的时间内保持其性能参数的能力。理想的情况是不论什么时候，传感器的特性参数都不随时间变化。但实际上，随着时间的推移，大多数传感器的特性会发生改变。这是因为敏感器件或构成传感器的部件，其特性会随时间发生变化，从而影响传感器的稳定性。
(5)传感器的分辨力。分辨力是指传感器可能感受到的被测量的最小变化的能力。也就是说，如果输入量从某一非零值缓慢地变化。当输入变化值未超过某一数值时，传感器的输出不会发生变化，即传感器对此输入量的变化是分辨不出来的。只有当输入量的变化超过分辨力时，其输出才会发生变化。通常传感器在满量程范围内各点的分辨力并不相同，因此常用满量程中能使输出量产生阶跃变化的输入量中的最大变化值作为衡量分辨力的指标。上述指标若用满量程的百分比表示，则称为分辨率或者灵敏度。
(6)传感器的迟滞性。迟滞特性表征传感器在正向(输入量增大)和反向(输入量减小)行程间输出与输入特性曲线不一致的程度，通常用这两条曲线之间的最大差值△MAX与满量程输出F·S的百分比表示。迟滞可由传感器内部元件存在能量的吸收造成。
(7)传感器的重复性。重复性是指传感器在输入量按同一方向作全量程连续多次变动时所得特性曲线不一致的程度。各条特性曲线越靠近，说明重复性越好，随机误差就越小。同时，重复性的好坏也与许多随机因素有关，它属于随机误差，要用统计规律来确定。
图1是本发明提供的传感器校准的方法的流程示意图。如图1所示，该方法包括如下步骤：
步骤101、获取目标传感器以及参考传感器采集的多个属性的测量数据；
具体的，在实际应用中，通常利用传感器的动态性、灵敏度、稳定性和重复性等特性，对环境中的各种物理量进行自动测量，不需要人为的监测。常见的传感器种类有：电阻式传感器、变频功率传感器、阻压式传感器、电热阻传感器、激光传感器、霍尔传感器、温度传感器、光敏传感器、光栅传感器、压力传感器、超声波测距传感器和电容式物位传感器等。
而无线传感器在使用的过程中，容易受到自身硬件和环境恶劣原因等造成测量数据漂移，导致测量数据失准，失准的测量数据会导致数据的可靠性降低，因此，需要有对应的方法能够对传感器测量数据进行校准，从而提高测量数据可靠性。
在本发明中所有的传感器均可采集的多个属性类型相同的数据，属性的类型即传感器可以测量的物理量的个数，其中物理量可以有多种，例如温度，湿度，光照，距离等。
任意连续时刻内，目标传感器以及参考传感器都会采集多个属性的数据，收集上述目标传感器以及参考传感器采集的数据(测量数据)。其中，所述参考传感器位于目标传感器的周围，目标传感器和参考传感器构成整个无线传感器网络。
步骤102、对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
具体的，收集得到的目标传感器以及参考传感器采集的数据(测量数据)，可能是零散的，需要对这些测量数据进行预处理，调整测量数据的维度，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，即每个传感器可以测量多少个物理量，K表示测量数据的采集时刻的次数，即获取了多少个时刻，参考传感器采集的所有属性的测量数据。
步骤103、将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
具体的，将数据维度为N*P*K的测量数据按照K值来划分，即以时刻为单位将测量数据进行划分，确定同一时刻的测量数据通过同一个通道输入到预测模型中，不同时刻的测量数据通过不同的通道输入到预测模型中。
同理，数据维度为N*P*K的测量数据是三维的，也可以采用P值来划分，将属于同一个属性的测量数据通过同一个通道输入到预测模型，不同属性的测量数据通过不同的通道输入到预测模型中。
在本发明中主要以K值对测量数据进行划分来说明，将划分好的预测数据分别通过各自的通道输入到预测模型中。
预测模型对所述数据维度为N*P*K的测量数据处理完成后，输出目标传感器对应各属性的预测数据。
步骤104、基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
具体的，卡尔曼滤波器的作用是把多个高斯分布的随机变量合为一个，这些随机变量可以代表不同方式得到的同一个量的概率分布。
在本发明中参考传感器的测量数据相当于这些随机变量，相互都是独立。判断独立与否在于，当一个随机变量的值定下来后，另外一个随机变量的概率密度函数是否发生改变。
通过卡尔曼滤波器获得一个值，这个值能够使这多个随机变量同时发生的概率最大。即通过目标传感器多时刻各属性的测量数据可以确定追踪各属性的漂移值，进而确定目标传感器的校准数据。
预测模型的训练样本包括目标传感器的测量数据，以及参考传感器的测量数据，将参考传感器的测量数据输入预测模型，得到目标传感器各属性的预测数据，通过判断训练轮次是否满足预设的次数，或者比较目标传感器各属性的预测数据和实际的测量数据的差值，求MSE，是否满足训练停止的阈值。如果满足，则存储模型的参数，完成模型的训练。
本发明提供的传感器校准的方法，通过基于采集到的参考传感器多属性的测量数据，进行数据维度调整，得到N*P*K的测量数据，实现同时使用多时刻参考传感器测量数据对当前时刻目标传感器的各属性数据进行预测，结合了参考传感器的测量数据时刻、属性、空间相关性等数据特征，能够同时对多种测量数据的属性进行校准。
可选的，所述将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据，包括：
将所述数据维度为N*P*K的测量数据按照各自对应的通道输入至所述预测模型的两层卷积层，对所述测量数据进行特征提取；
将所述特征提取后的测量数据输入至所述预测模型的一层Flatten层，对不同时刻和不同属性的数据进行压平变换，得到一维结构的数据；
将所述一维结构的数据输入至所述预测模型的一层全连接层，输出目标传感器各属性的预测数据；
其中，所述预测模型中卷积层的输入通道数是根据所述数据维度为N*P*K的测量数据中K值确定的；所述预测模型中全连接层点数是根据所述数据维度为N*P*K的测量数据中P值确定的。
具体的，预测模型采用基于卷积神经网络的模型结构，基于数据维度为N*P*K的测量数据初始化预测模型的相关参数，根据所述数据维度为N*P*K的测量数据中K值确定预测模型中卷积层的输入通道数，根据所述数据维度为N*P*K的测量数据中P值确定预测模型中全连接层点数。
预测模型采用基于卷积神经网络的模型结构，包括两层卷积层，一层Flatten层和一层全连接层。
将数据维度为N*P*K的测量数据按照同一时刻的测量数据通过同一通道输入到预测模型中，不同时刻的测量数据通过不同的通道输入预测模型中，在卷积层中通过共享卷积核对测量数据进行特征提取；经过卷积层处理后，将所述特征提取后的测量数据通过Flatten层对不同时刻和属性的测量数据进行压平变换，主要是改变数据的维度，比如输入的数据是3*3*3维度的数据，经过Flatten层处理后，输出1*27维度的数据；最后经过全连接层，实现对目标传感器测量数据的预测，且全连接层节点数与测量数据的个数相同。
本发明提供的传感器校准的方法，通过基于采集到的参考传感器多属性的测量数据，进行数据维度调整，得到N*P*K的测量数据，实现同时使用多时刻参考传感器测量数据对当前时刻目标传感器的各属性数据进行预测，结合了参考传感器的测量数据时刻、属性、空间相关性等数据特征，能够同时对多种测量数据的属性进行校准。
可选的，所述基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据，包括：
将目标传感器的相同属性的测量数据和预测数据输入同一个卡尔曼滤波器，不同属性的测量数据和预测数据通过多个相同的卡尔曼滤波器，得到追踪各属性数据的漂移值；
基于目标传感器的每个属性的所述测量数据和所述追踪各属性数据的漂移值，确定目标传感器的每个所述属性的校准数据。
具体的，根据参考传感器测量数据的属性个数，即根据数据维度为N*P*K的测量数据的P值确定卡尔曼滤波器的个数。将参考传感器属于同一属性的测量数据和预测数据输入同一个卡尔曼滤波器，实现追踪单个属性测量数据的，获取其对应的漂移值；将参考传感器的不同属性的测量数据和预测数据分别通过P个卡尔曼滤波器。进而获得目标传感器各属性的漂移值。
将目标传感器每个属性的测量数据减去追踪各属性数据的漂移值，得到目标传感器的各属性的校准数据。
本发明提供的传感器校准的方法，通过基于采集到的参考传感器多属性的测量数据，进行数据维度调整，得到N*P*K的测量数据，实现同时使用多时刻参考传感器测量数据对当前时刻目标传感器的各属性数据进行预测，结合了参考传感器的测量数据时刻、属性、空间相关性等数据特征，能够同时对多种测量数据的属性进行校准。
可选的，所述训练样本是在无线传感网络初建立并开始测试的前T个时刻内获取的目标传感器以及参考传感器的多个属性的测量数据。
具体的，在无线传感网络初建立并开始测试的前T个时刻内，测量数据中不包含数据漂移值，因此在这段时间内，将参考传感器的测量数据输入预测模型，得到目标传感器的预测数据，通过比较目标传感器的测量数据和该目标传感器的预测数据，是否满足训练停止的条件，如果不满足则继续训练，如果满足，则确定并存储模型的相关参数，实现对模型的训练。
本发明提供的传感器校准的方法，通过基于采集到的参考传感器多属性的测量数据，进行数据维度调整，得到N*P*K的测量数据，实现同时使用多时刻参考传感器测量数据对当前时刻目标传感器的各属性数据进行预测，结合了参考传感器的测量数据时刻、属性、空间相关性等数据特征，能够同时对多种测量数据的属性进行校准。
图2是本发明提供的传感器校准的方法的整体流程图。如图2所示：
获取传感器测量数据。包括目标传感器和参考传感器采集的多属性的测量数据，并且目标传感器和参考传感器获取的测量数据的各属性相同。
变换数据维度以满足模型输入要求。将收集到的参考传感器的测量数据进行维度调整，得到数据维度为N*P*K的测量数据，其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；基于数据维度为N*P*K的测量数据初始化预测模型的相关参数，根据所述数据维度为N*P*K的测量数据中K值确定预测模型中卷积层的输入通道数，根据所述数据维度为N*P*K的测量数据中P值确定预测模型中全连接层点数。
判断模型是否训练完成，如果训练次数没有达到预设的训练轮次或者训练得到的损失值MSE(均方误差)不满足预设的阈值，则继续训练该预测模型；如果训练次数达到预设的训练轮次或者训练得到的目标传感器的损失值MSE(均方误差)满足预设的阈值，则进行下一步操作。其中预设的训练轮次可以根据经验设定，也可以通过统计数据分析确定。
预测目标传感器测量数据。将参考传感器的各属性的测量数据输入训练好的预测模型，得到目标传感器各属性的预测数据；
各属性数据分别利用KF(卡尔曼滤波器)追踪数据漂移。根据测量数据的属性个数，即根据数据维度为N*P*K的测量数据的P值确定卡尔曼滤波器的个数。将目标传感器属于同一属性的测量数据和预测数据输入同一个卡尔曼滤波器，实现追踪单个属性测量数据的，获取其对应的漂移值；不同属性的测量数据和预测数据分别通过P个卡尔曼滤波器。进而获得目标传感器各属性的漂移值。将目标传感器每个属性的测量数据减去追踪各属性数据的漂移值，得到目标传感器的各属性的校准数据。
图3是本发明提供的传感器校准的装置的结构示意图。如图3所示，该装置包括：
获取模块301，用于获取目标传感器以及参考传感器采集的多个属性的测量数据；
测量数据模块302，用于对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
预测模块303，用于将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
校准模块304，用于基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
可选的，所述预测模块303用于：
将所述数据维度为N*P*K的测量数据按照各自对应的通道输入至所述预测模型的两层卷积层，对所述测量数据进行特征提取；
将所述特征提取后的测量数据输入至所述预测模型的一层Flatten层，对不同时刻和不同属性的数据进行压平变换，得到一维结构的数据；
将所述一维结构的数据输入至所述预测模型的一层全连接层，输出目标传感器各属性的预测数据；
其中，所述预测模型中卷积层的输入通道数是根据所述数据维度为N*P*K的测量数据中K值确定的；所述预测模型中全连接层点数是根据所述数据维度为N*P*K的测量数据中P值确定的。
可选的，所述校准模块304用于：
将目标传感器的相同属性的测量数据和预测数据输入同一个卡尔曼滤波器，不同属性的测量数据和预测数据通过多个相同的卡尔曼滤波器，得到追踪各属性数据的漂移值；
基于目标传感器的每个属性的所述测量数据和所述追踪各属性数据的漂移值，确定目标传感器的每个所述属性的校准数据。
可选的，所述训练样本是在无线传感网络初建立并开始测试的前T个时刻内获取的目标传感器以及参考传感器的多个属性的测量数据。
需要说明的是，本发明中对单元的划分是示意性的，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。另外，在本发明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。
所述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，可以存储在一个处理器可读取存储介质中。基于这样的理解，本发明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(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明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、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是，本发明提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序，以执行传感器校准的方法的步骤，例如包括：
获取目标传感器以及参考传感器采集的多个属性的测量数据；
对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
此外，上述的处理器410可以是中央处埋器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex ProgrammableLogic Device，CPLD)，处理器也可以采用多核架构。
存储器430中的逻辑指令可以通过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，本发明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(可以是个人计算机，服务器，或者网络设备等)执行本发明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、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的传感器校准的方法的步骤，例如包括：
获取目标传感器以及参考传感器采集的多个属性的测量数据；
对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
另一方面，本发明还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的传感器校准的方法，包括：
获取目标传感器以及参考传感器采集的多个属性的测量数据；
对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种传感器校准的方法，其特征在于，包括：
获取目标传感器以及参考传感器采集的多个属性的测量数据；
对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
2.根据权利要求1所述的传感器校准的方法，其特征在于，所述将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据，包括：
将所述数据维度为N*P*K的测量数据按照各自对应的通道输入至所述预测模型的两层卷积层，对所述测量数据进行特征提取；
将所述特征提取后的测量数据输入至所述预测模型的一层Flatten层，对不同时刻和不同属性的数据进行压平变换，得到一维结构的数据；
将所述一维结构的数据输入至所述预测模型的一层全连接层，输出目标传感器各属性的预测数据；
其中，所述预测模型中卷积层的输入通道数是根据所述数据维度为N*P*K的测量数据中K值确定的；所述预测模型中全连接层点数是根据所述数据维度为N*P*K的测量数据中P值确定的。
3.根据权利要求1所述的传感器校准的方法，其特征在于，所述基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据，包括：
将目标传感器的相同属性的测量数据和预测数据输入同一个卡尔曼滤波器，不同属性的测量数据和预测数据通过多个相同的卡尔曼滤波器，得到追踪各属性数据的漂移值；
基于目标传感器的每个属性的所述测量数据和所述追踪各属性数据的漂移值，确定目标传感器的每个所述属性的校准数据。
4.根据权利要求1所述的传感器校准的方法，其特征在于，所述训练样本是在无线传感网络初建立并开始测试的前T个时刻内获取的目标传感器以及参考传感器的多个属性的测量数据。
5.一种传感器校准的装置，其特征在于，所述装置包括：
获取模块，用于获取目标传感器以及参考传感器采集的多个属性的测量数据；
测量数据模块，用于对所述参考传感器的所述测量数据进行数据维度的调整，得到数据维度为N*P*K的测量数据；其中，N表示所述参考传感器的个数，P表示所述参考传感器测量数据的属性个数，K表示测量数据的采集时刻的次数；
预测模块，用于将所述数据维度为N*P*K的测量数据通过各自对应的通道输入至预测模型，输出所述目标传感器对应的各属性的预测数据；
校准模块，用于基于卡尔曼滤波器，结合目标传感器各属性的测量数据和预测数据，确定所述目标传感器各属性的校准数据；
其中，所述预测模型是基于所述目标传感器的测量数据样本以及所述参考传感器的测量数据样本进行训练后得到的，且所述预测模型的全连接层的节点数与所述属性个数相同。
6.根据权利要求5所述的传感器校准的装置，其特征在于，所述预测模块用于：
将所述数据维度为N*P*K的测量数据按照各自对应的通道输入至所述预测模型的两层卷积层，对所述测量数据进行特征提取；
将所述特征提取后的测量数据输入至所述预测模型的一层Flatten层，对不同时刻和不同属性的数据进行压平变换，得到一维结构的数据；
将所述一维结构的数据输入至所述预测模型的一层全连接层，输出目标传感器各属性的预测数据；
其中，所述预测模型中卷积层的输入通道数是根据所述数据维度为N*P*K的测量数据中K值确定的；所述预测模型中全连接层点数是根据所述数据维度为N*P*K的测量数据中P值确定的。
7.根据权利要求5所述的传感器校准的装置，其特征在于，所述校准模块用于：
将目标传感器的相同属性的测量数据和预测数据输入同一个卡尔曼滤波器，不同属性的测量数据和预测数据通过多个相同的卡尔曼滤波器，得到追踪各属性数据的漂移值；
基于目标传感器的每个属性的所述测量数据和所述追踪各属性数据的漂移值，确定目标传感器的每个所述属性的校准数据。
8.根据权利要求5所述的传感器校准的装置，其特征在于，所述训练样本是在无线传感网络初建立并开始测试的前T个时刻内获取的目标传感器以及参考传感器的多个属性的测量数据。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的传感器校准的方法的步骤。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至4任一项所述传感器校准的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110644544.1A CN115457756A (zh) | 2021-06-09 | 2021-06-09 | 传感器校准的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110644544.1A CN115457756A (zh) | 2021-06-09 | 2021-06-09 | 传感器校准的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115457756A true CN115457756A (zh) | 2022-12-09 |
Family
ID=84295346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110644544.1A Pending CN115457756A (zh) | 2021-06-09 | 2021-06-09 | 传感器校准的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457756A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116718220A (zh) * | 2023-08-11 | 2023-09-08 | 南京中旭电子科技有限公司 | 基于多维数据的霍尔传感器校准方法及*** |
| CN117553840A (zh) * | 2024-01-11 | 2024-02-13 | 深圳汉光电子技术有限公司 | 一种基于智能化管理的仪表及其*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106792799A (zh) * | 2016-11-29 | 2017-05-31 | 德清云浩电子科技有限公司 | 一种基于贝叶斯网络的移动传感器网络降噪和校准方法 |
| 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 |
| CN110220554A (zh) * | 2019-06-05 | 2019-09-10 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN110730435A (zh) * | 2019-10-15 | 2020-01-24 | 西安邮电大学 | 分布式无线传感器网络数据漂移盲校准方法 |
| CN111858111A (zh) * | 2019-04-25 | 2020-10-30 | 伊姆西Ip控股有限责任公司 | 数据分析的方法、设备和计算机程序产品 |
-
2021
- 2021-06-09 CN CN202110644544.1A patent/CN115457756A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106792799A (zh) * | 2016-11-29 | 2017-05-31 | 德清云浩电子科技有限公司 | 一种基于贝叶斯网络的移动传感器网络降噪和校准方法 |
| 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 |
| WO2020191980A1 (zh) * | 2019-03-22 | 2020-10-01 | 江南大学 | 一种无线传感网络数据漂移盲校准方法 |
| CN111858111A (zh) * | 2019-04-25 | 2020-10-30 | 伊姆西Ip控股有限责任公司 | 数据分析的方法、设备和计算机程序产品 |
| CN110220554A (zh) * | 2019-06-05 | 2019-09-10 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
| CN110730435A (zh) * | 2019-10-15 | 2020-01-24 | 西安邮电大学 | 分布式无线传感器网络数据漂移盲校准方法 |
Non-Patent Citations (1)
| Title |
|---|
| 耿峰;祝小平;: "基于模糊多传感器数据融合的目标跟踪***", 火力与指挥控制, no. 03, 15 March 2008 (2008-03-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116718220A (zh) * | 2023-08-11 | 2023-09-08 | 南京中旭电子科技有限公司 | 基于多维数据的霍尔传感器校准方法及*** |
| CN116718220B (zh) * | 2023-08-11 | 2023-10-31 | 南京中旭电子科技有限公司 | 基于多维数据的霍尔传感器校准方法及*** |
| CN117553840A (zh) * | 2024-01-11 | 2024-02-13 | 深圳汉光电子技术有限公司 | 一种基于智能化管理的仪表及其*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115457756A (zh) | 传感器校准的方法及装置 | |
| CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
| CN107490397B (zh) | 高精度自适应滤波fbg光谱快速寻峰方法 | |
| CN113049500B (zh) | 水质检测模型训练和水质检测方法、电子设备及存储介质 | |
| CN104921736A (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
| CN112462001B (zh) | 一种基于条件生成对抗网络进行数据增广的气体传感器阵列模型校准方法 | |
| CN110161181B (zh) | 混合气体的组分浓度识别方法及*** | |
| CN115158076A (zh) | 计量误差评估方法、装置及计算机可读存储介质 | |
| CN114049525A (zh) | 气体种类和浓度识别的融合神经网络***、装置与方法 | |
| CN114707632A (zh) | 一种传感网络传感器故障定位方法、***、设备及介质 | |
| CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及*** | |
| CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
| CN109115807A (zh) | 一种土壤水分自动观测数据异常值检测方法及*** | |
| CN113858566B (zh) | 一种基于机器学习的注塑机能耗预测方法及*** | |
| CN113808132B (zh) | 三维网络模型质量检测方法、装置和计算机设备 | |
| CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
| CN117249922B (zh) | 一种用于温度测试仪的温度校准方法及*** | |
| Wang et al. | Identifiability of car-following dynamics | |
| CN114383646B (zh) | 一种连续变化型被测量传感器分辨力的检测方法和设备 | |
| CN116718301A (zh) | 一种温压一体传感器温度补偿方法及*** | |
| CN112381380B (zh) | 航天器的***健康检测方法和装置 | |
| CN114441469A (zh) | 水分仪的校准方法、装置和计算机设备 | |
| Qing-Dao-Er-Ji et al. | Research on data mining algorithm of meteorological observation based on data quality control algorithm | |
| US10416034B2 (en) | Method and system for analysis of pixelated capacitive sensor signals | |
| Klevtsov | Application of the Hurst index to evaluate the testing of information gathering system components |
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 |