CN116776128B - 基于物联网的智能家居数据采集*** - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了基于物联网的智能家居数据采集***。该***通过对家居环境场景中的传感器数据进行获取；根据获取得到的传感器数据计算异常波动系数并进一步得到异常波动特征熵；根据异常波动熵计算得到异常突变特征及相应的家居环境异常突变矩阵；根据异常突变矩阵求解特征值并计算得到异常分布距离；根据异常分布距离对最小特征值所在区间进行动态划分，根据动态划分区间对原始家居环境中噪声影响异常数据点进行剔除。本发明通过对物联网家居环境中传感器数据变化波动特征的分析，实现了物联网智能家居环境中数据的准确采集。

Description

基于物联网的智能家居数据采集***

技术领域

本发明涉及数据处理技术领域，具体涉及基于物联网的智能家居数据采集***。

背景技术

伴随传感器技术的不断发展，物联网智能家居也随之走进了我们的生活。广泛应用于在高档住宅、各类酒店会所、办公场所等各种生活场景中。物联网智能家居有效地提升地家居安全性、便利性、舒适性、艺术性和节能环保效果，在人与居住环境绿色协调发展进程中扮演了十分重要角色。总体而言，具有“智能化、信息化、人性化”发展前景和发展趋势的智能家居相关产业是新一代信息技术产业的重要板块。

环境感知是当前阶段智能家居正常运行的重要组成部分，通过设置各种传感器对家居环境中场景需求进行实时监测反馈，是家居数字智能化的重要基石。但在采集过程中受限于传感器技术和不同环境场景的随机噪声因素，导致采集获取得到的数据不能准确的对家居环境状态进行准确反映，从而对后续过程中家居智能化互动的准确性造成较大的影响。

现阶段对于传感器获取得到的家居环境多种传感器数据噪声处理过程中通过依赖相关技术人员设置门限阈值对噪声数据进行处理，这种处理方法过于依赖相关技术人员的主观经验判断，从而在复杂家居场景中处理繁琐且效果不佳。

发明内容

为了解决上述技术问题，本发明提供一种基于物联网的智能家居数据采集***，所采用的技术方案具体如下：

本发明一个实施例一种基于物联网的智能家居数据采集***，所述***包括：

家居传感器数据获取模块，获取家居环境数据序列；

家居传感器数据异常捕获模块，将家居环境数据序列划分成预设长度的数据切片，根据每个数据切片中相邻时刻之间数据的差值获取每个不同时刻的数据异常波动系数，根据异常波动系数获取每个不同时刻的异常波动特征熵；

家居传感器数据特征分析模块，根据每两个相邻数据切片中的异常波动特征熵差异和家居环境数据序列的变化情况获取每个不同时刻的数据异常突变特征；

家居传感器数据分布提取模块，根据每个不同时刻的数据异常突变特征获取异常突变矩阵及异常突变矩阵的特征值，根据异常突变矩阵特征值获取异常分布距离，根据异常分布距离对异常突变矩阵的特征值区间进行动态划分，获取最小特征值的最优分布区间；

家居传感器数据优化采集模块，根据最小特征值的最优分布区间对家居环境数据序列的异常数据进行对比标记，根据对比标记对家居环境数据序列异常数据剔除优化。

进一步地，所述异常波动特征熵获取方法为：

在所述预设长度的数据切片中，根据该数据切片中不同时刻处的异常波动系数使用正态分布统计规律得到预设数量的不同特征值区间，获取每个特征值区间中每个异常波动系数的出现频率，并根据异常波动系数的出现频率得到数据异常波动特征熵，所述数据异常波动特征熵是每个区间中异常波动系数出现频率对应的异常波动特征熵。

进一步地，所述异常波动系数的获取方法为：

对于每个时刻得到的数据切片，获取数据切片内每个数据与相邻前一个数据的差值，将所述差值与时间间隔的比值记为第一比值，将数据切片内所有第一比值的均值作为每个时刻的异常波动系数。

进一步地，所述异常突变特征的获取方法为：

以第个时刻为起点获取得到所述预设长度的家居环境数据序列记为第一数据序列，与第/>个时刻位置处向后间隔一个隔预设长度的家居环境数据序列记为第二数据序列，计算第一数据序列和第二数据序列异常波动熵的差值并与第一数据序列和第二数据序列的DTW距离相乘得到异常突变特征。

进一步地，所述异常分布距离的计算表达式为：

式中，为归一化函数，将数值归一化到区间/>上，/>表示对异常突变矩阵的特征值所在区间进行动态划分后最小特征值所在区间中特征值的个数，/>表示了异常突变矩阵的所有特征值总个数，/>表示了最小特征值所在的区间中第/>个特征值的数值大小，/>表示了除最小特征值外其余特征值所在区间中第/>个特征值的数值大小，/>表示了划分后不同特征值区间数量，/>为最小特征值所在区间的特征值频率，/>为划分后所述第/>个区间中特征值频率，/>表示异常分布距离。

进一步地，所述异常突变矩阵及异常突变矩阵的特征值的获取方法为：

将每个不同时刻的异常突变特征按时刻顺序构成异常突变特征序列，将异常突变特征序列进行行列变换处理，得到Hankel矩阵记为异常突变矩阵，将异常突变矩阵通过奇异值分解方法得到异常突变矩阵的特征值。

进一步地，所述异常突变矩阵的特征值区间进行动态划分的方法为：

计算异常突变矩阵中特征值的标准差，以标准差为步长将异常突变矩阵中最大特征值和最小特征值数值区间进行第一次划分，每次划分后获取一个异常分布距离，通过取整数倍标准差步长对最大特征值和最小特征值数值区间进行多次划分，当划分步长增长超过最大特征值和最小特征值数值区间长度时截止划分，取异常分布距离最大的一次划分为最优划分。

进一步地，所述特征值频率的获取方法为：

在划分后最小特征值所在区间中，将所述区间中特征值个数与异常突变矩阵特征值总个数的比值记为最小特征值所在区间的特征值频率，在划分后第个区间中，将所述区间中特征值个数与异常突变矩阵特征值总个数的比值记为第/>个区间中的特征值频率。

进一步地，所述根据最小特征值的最优分布区间对家居环境数据序列的异常数据进行对比标记的方法为：

将最优划分后最小特征值所在的区间中所有特征值置零，并基于奇异值分解原理将置零处理后的特征值和异常突变矩阵重构得到异常突变特征重构序列，将异常突变特征重构序列与原始异常突变特征序列的数值大小按时刻顺序一一对比得到异常时刻数据点，并将所述异常时刻数据点置零标记。

进一步地，所述根据对比标记对家居环境数据序列异常数据剔除优化的方法为：

对异常时刻数据点剔除后数值标记为零的时刻位置使用三次样条插值算法进行插值，若零点时刻长度超过一个数据切片预设长度，则此时舍弃当前数据，重新采集。

本发明的有益效果是：

本发明实施例结合收集获取得到的家居环境数据计算得到异常波动系数，并根据异常波动系数进一步计算得到相应的异常波动特征熵，对收集获取得到的家居环境数据中异常噪声数据变化信息进行计算表征，有效的避免了原始采集获取得到的家居环境数据中异常噪声特征表现不明显的影响。进一步的，本发明实施例结合异常波动特征熵计算得到家居环境异常突变特征，构建相应的家居环境异常突变特征序列和家居环境异常突变矩阵，通过对家居环境异常突变矩阵中特征值数值大小异常变化的计算分析，有效的获取了家居环境异常突变特征序列中异常噪声影响数值，并进行剔除，规避了传统算法中通过设定阈值造成家居数据采集过程中噪声数据点无法准确滤除的影响。

附图说明

为了更清楚地说明本发明实施例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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种基于物联网的智能家居数据采集***框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于物联网的智能家居数据采集***，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于物联网的智能家居数据采集***的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于物联网的智能家居数据采集***框图，该***包括：家居传感器数据获取模块、家居传感器数据异常捕获模块、家居传感器数据特征分析模块、家居传感器数据分布提取模块、家居传感器数据优化采集模块。

家居传感器数据获取模块，在实际家居环境中可以划分成相应多种不同具体场景，如能源使用监测、室内温湿度监测、烟雾气体监测等多种具体场景。因此对于一种具体场景，需要设置相应的传感器对家居环境中的数据进行收集，从而可以获取得到相应家居环境数据，记为家居环境数据序列。对于采集获取得到的家居环境数据序列，记采集获取得到的其中一种具体的场景下家居环境数据序列为，其中/>表示了在一种具体场景下家居环境传感器第一时刻下的数据大小，假设共采集了/>个不同的时刻，构成了长度为/>的家居环境数据序列。同时为了确保对家居环境状态变化的实时监测，假设两个时刻之间的时间间隔长度/>取经验值为/>秒，即每秒钟采集5次。

家居传感器数据异常捕获模块，在智能家居构建过程中所使用的传感器多为半导体晶体管元件，采集获取得到的家居环境数据在传感器半导体晶体管元件处理时，受到传感器半导体内部电路和元器件组成结构会出现相应的数据异常噪声变化。同时，智能家居传感器工作工程中外部环境因素，如静电、机械挤压外力、天气异常变化也会对智能家居传感器采集获取得到的数据造成较大的影响。此时，在非正常工作状态下的传感器由于内部半导体晶体管元件和外部工作环境多种因素的影响，导致采集获取得到的家居环境数据序列中数值呈现异常变化情况，因此，对采集获取得到的家居环境数据序列中不同时刻的数值变化特点进行计算分析。

式中，为了对家居环境数据序列中不同时刻的数据进行计算表征分析，以时刻点为起点，先后划分得到的预设长度为/>的家居环境数据切片，为了方便计算/>取经验值为16，在该片段中取时刻/>位置处连续相邻m个不同时刻家居环境数据计算得到时刻点/>处的异常波动系数/>的大小，其中/>取经验值为/>。

在采集过程中，若智能家居的传感器处于正常工作状态，则此时采集获取得到的家居环境数据序列中不同时刻的数据相差变化应较小，此时计算得到的家居环境数据序列中时刻位置处的异常波动系数/>数值应较小；反之，当采集过程中，由于传感器异常工作，造成某个时刻位置处采集得到的数据出现数值异常，此时计算得到的家居环境数据序列中时刻/>位置处的异常波动系数/>数值应较大。

同时，在以时刻点位置处为起点划分得到的长度为/>的家居环境数据切片中，对不同时刻处的异常波动系数变化情况进行进一步计算。在该数据切片中，对于不同时刻均可以计算得到相应的异常波动系数。对于计算后得到不同时刻的异常波动系数按照数值大小使用正态分布可以划分得到对应数据切片的/>区间，其中正态分布的/>区间划分方法为公知技术，在此不再赘述，假设区间以时刻点/>为起点的数据切片中划分得到的区间个数为/>，对于第/>个区间中通过区间时刻点个数与总长度/>的比值得到第/>个区间的频率/>的大小，从而计算得到以时刻点/>为起点的异常波动特征熵/>的数值大小。

在以时刻点为起点的数据切片中，若此时传感器噪声影响越明显，则在时刻为起点的数据切片中计算得到的异常波动系数数值差异分布情况越复杂，计算得到的时刻点/>位置处的异常波动特征熵数值也会相对较大。

家居传感器数据特征分析模块，对于采集获取得到的家居环境数据切片中不同时刻的数据均可以计算得到相应的异常波动特征熵的数值大小。对不同时刻处为起点的划分得到的数据切片中总体变化情况进一步计算表征，对家居环境数据的异常变化特点进行提取计算。

式中，表示了时刻点/>为起点的第/>个数据切片中异常波动特征熵的数值大小，表示了与时刻点/>相距长度为/>的第/>个数据切片中异常波动特征熵的数值大小。表示了以时刻点/>为起点长度为/>的第/>个原始数据切片序列，/>表示了长度为/>的第个原始数据切片序列。/>表示了两个序列之间的DTW距离。

假设在采集过程中受到多种环境噪声因素影响导致的数据异常变化，在时刻点构成的长度为/>的数据切片序列与下一个相邻的长度的数据切片序列的整体变化情况会出现较大的差异，此时两个数据切片序列之间的DTW距离会相应变大；同时由于异常噪声影响会导致不同时刻中数值分布变化情况较为混乱复杂，此时两个数据切片中的异常波动特征熵的数值也存在较大差异。此时，对于时刻点/>计算得到的家居环境异常突变特征/>的数值也会相应变大。反之，当异常噪声干扰影响较小时，在短时间片段内采集获取得到的不同时刻的家居环境数据大小应趋于稳定变化，此时在时刻点/>计算得到的家居环境异常突变特征/>的数值会较小。

家居传感器数据分布提取模块，对于原始采集获取得到的家居环境数据中每个不同的时刻点均可以计算得到家居环境异常突变特征数值，每个不同时刻计算得到家居环境异常突变特征数值可以构建得到相应的家居环境异常突变特征序列，记为，与原始数据序列的长度保持一致。将家居环境异常突变特征序列/>作为输入，可以构建得到相应的Hankel矩阵，记为家居环境异常突变矩阵/>。其中/>矩阵是一种每条对角线元素都相同的特殊矩阵，其具体构建过程为公知技术，在此不再赘述。

对家居环境异常突变矩阵进行奇异值分解，可以得到该矩阵的/>个不同奇异值，分别记为/>。经过分解后得到的家居环境变换矩阵奇异值大小反映了原始矩阵中相应向量之间关联性特点。当家居环境异常突变特征序列中数据受到噪声影响较大时，则在家居环境异常突变矩阵/>中不同向量之间的关联性较小，此时奇异值的数值也会相应变小。

获取所有特征值，将最小特征值记为，最大特征值记为/>，计算家居环境异常突变矩阵/>中所有不同特征值标准差，记为/>。假设在最小特征值/>和最大特征值之间的数值区间中，以步长/>进行划分可以得到/>个不同的区间。

假设最小特征值所在的区间中，所有不同的特征值总个数为个，则有：

上述公式中：

为归一化函数，将数值归一化到区间/>上，/>表示对异常突变矩阵的特征值所在区间进行动态划分后最小特征值所在区间中特征值的个数，/>表示了异常突变矩阵的所有特征值总个数，/>表示了最小特征值所在的区间中第/>个特征值的数值大小，表示了除最小特征值外其余特征值所在区间中第/>个特征值的数值大小，/>表示了划分后不同特征值区间，/>为最小特征值所在区间的特征值频率，/>为划分后所述第/>个区间中特征值频率。通过上述公式可以计算得到异常分布距离/>的数值大小，当最小特征值到最大特征值数值区间划分步长合适时，应将最小特征值相近的所有特征值划分在同一区间中。此时，最小特征值区间中所有特征值与其余区间的特征值数值差值最大，同时不同区间特征数值的频率分布巴氏距离/>的数值也会相对较大，计算得到的异常分布距离的数值最大。为了最小特征值合适区间的准确划分，通过取步长/>的整数倍对区间进行动态变化，使得异常分布距离/>的数值最大。

家居传感器数据优化采集模块，根据上述步骤可以获取得到动态划分后的特征值区间，由于最小特征值反映了家居环境异常突变特征序列中噪声数据，因此将最小特征值所在的区间中所有特征值置零，消除异常噪声对采集得到的家居环境数据序列的影响。并根据消除异常后的特征值对家居环境异常突变特征序列进行重构。

同时由于家居环境异常突变特征序列与原始家居环境数据序列长度一致，对于重构后前后差距较大的家居环境异常突变特征序列中异常时刻数据点即为原始家居环境数据序列中的噪声点，将该时刻位置处噪声点置零剔除，并通过三次样条插值算法对剔除后的异常点进行插值预测，若超过一个数据切片长度的连续时刻存在异常，则认为此时的传感器存在故障，需要重新调整后再进行采集。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于物联网的智能家居数据采集***，其特征在于，该***包括以下模块：

家居传感器数据获取模块，获取家居环境数据序列；

家居传感器数据异常捕获模块，将家居环境数据序列划分成预设长度的数据切片，根据每个数据切片中相邻时刻之间数据的差值获取每个不同时刻的数据异常波动系数，根据异常波动系数获取每个不同时刻的异常波动特征熵；

家居传感器数据特征分析模块，根据每两个相邻数据切片中的异常波动特征熵差异和家居环境数据序列的变化情况获取每个不同时刻的数据异常突变特征；

家居传感器数据分布提取模块，根据每个不同时刻的数据异常突变特征获取异常突变矩阵及异常突变矩阵的特征值，根据异常突变矩阵特征值获取异常分布距离，根据异常分布距离对异常突变矩阵的特征值区间进行动态划分，获取最小特征值的最优分布区间；

家居传感器数据优化采集模块，根据最小特征值的最优分布区间对家居环境数据序列的异常数据进行对比标记，根据对比标记对家居环境数据序列异常数据剔除优化。

2.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述异常波动特征熵获取方法为：

在所述预设长度的数据切片中，根据该数据切片中不同时刻处的异常波动系数使用正态分布统计规律得到预设数量的不同特征值区间，获取每个特征值区间中每个异常波动系数的出现频率，并根据异常波动系数的出现频率得到数据异常波动特征熵，所述数据异常波动特征熵是每个区间中异常波动系数出现频率对应的异常波动特征熵。

3.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述异常波动系数的获取方法为：

对于每个时刻得到的数据切片，获取数据切片内每个数据与相邻前一个数据的差值，将所述差值与时间间隔的比值记为第一比值，将数据切片内所有第一比值的均值作为每个时刻的异常波动系数。

4.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述异常突变特征的获取方法为：

以第个时刻为起点获取得到所述预设长度的家居环境数据序列记为第一数据序列，与第/>个时刻位置处向后间隔一个隔预设长度的家居环境数据序列记为第二数据序列，计算第一数据序列和第二数据序列异常波动熵的差值并与第一数据序列和第二数据序列的DTW距离相乘得到异常突变特征。

5.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述异常分布距离的计算表达式为：

式中，为归一化函数，将数值归一化到区间/>上，/>表示对异常突变矩阵的特征值所在区间进行动态划分后最小特征值所在区间中特征值的个数，/>表示了异常突变矩阵的所有特征值总个数，/>表示了最小特征值所在的区间中第/>个特征值的数值大小，表示了除最小特征值外其余特征值所在区间中第/>个特征值的数值大小，/>表示了划分后不同特征值区间数量，/>为最小特征值所在区间的特征值频率，/>为划分后第/>个区间中特征值频率，/>表示异常分布距离。

6.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述异常突变矩阵及异常突变矩阵的特征值的获取方法为：

将每个不同时刻的异常突变特征按时刻顺序构成异常突变特征序列，将异常突变特征序列进行行列变换处理，得到Hankel矩阵记为异常突变矩阵，将异常突变矩阵通过奇异值分解方法得到异常突变矩阵的特征值。

7.根据权利要求5所述的一种基于物联网的智能家居数据采集***，其特征在于，所述异常突变矩阵的特征值区间进行动态划分的方法为：

计算异常突变矩阵中特征值的标准差，以标准差为步长将异常突变矩阵中最大特征值和最小特征值数值区间进行第一次划分，每次划分后获取一个异常分布距离，通过取整数倍标准差步长对最大特征值和最小特征值数值区间进行多次划分，当划分步长增长超过最大特征值和最小特征值数值区间长度时截止划分，取异常分布距离最大的一次划分为最优划分。

8.根据权利要求5所述的一种基于物联网的智能家居数据采集***，其特征在于，所述特征值频率的获取方法为：

在划分后最小特征值所在区间中，将所述区间中特征值个数与异常突变矩阵特征值总个数的比值记为最小特征值所在区间的特征值频率，在划分后第个区间中，将所述区间中特征值个数与异常突变矩阵特征值总个数的比值记为第/>个区间中的特征值频率。

9.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述根据最小特征值的最优分布区间对家居环境数据序列的异常数据进行对比标记的方法为：

将最优划分后最小特征值所在的区间中所有特征值置零，并基于奇异值分解原理将置零处理后的特征值和异常突变矩阵重构得到异常突变特征重构序列，将异常突变特征重构序列与原始异常突变特征序列的数值大小按时刻顺序一一对比得到异常时刻数据点，并将所述异常时刻数据点置零标记。

10.根据权利要求1所述的一种基于物联网的智能家居数据采集***，其特征在于，所述根据对比标记对家居环境数据序列异常数据剔除优化的方法为：

对异常时刻数据点剔除后数值标记为零的时刻位置使用三次样条插值算法进行插值，若零点时刻长度超过一个数据切片预设长度，则此时舍弃当前数据，重新采集。