CN117807469B - 一种水下传感器数据采集方法、介质及*** - Google Patents
一种水下传感器数据采集方法、介质及*** Download PDFInfo
- Publication number
- CN117807469B CN117807469B CN202410223731.6A CN202410223731A CN117807469B CN 117807469 B CN117807469 B CN 117807469B CN 202410223731 A CN202410223731 A CN 202410223731A CN 117807469 B CN117807469 B CN 117807469B
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- underwater
- sensors
- matrix
- 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 48
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 43
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种水下传感器数据采集方法、介质及***，属于水下传感器技术领域，包括：获取多个水下传感器的坐标和实时采集的数据并预处理得到预处理数据；采用随机矩阵对所述预处理数据进行处理，得到高阶矩阵；采用一个滑动窗口对所述高阶矩阵进行特征提取，得到特征矩阵；对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心，所述聚类中心的数量小于所述水下传感器的数量；计算待减少传感器以及新增水下传感器坐标组并发送给运维人员；重新采集数据。解决了当前针对水下传感器数据采集过程中，传感器部署依靠人工经验，存在传感器部署较密集导致采集范围小，或过少导致采集的精度不够的技术问题。
Description
技术领域
本发明属于水下传感器技术领域，具体而言，涉及一种水下传感器数据采集方法、介质及***。
背景技术
水下传感器是一种专门设计用于水下监测的设备，它们在许多领域都发挥着重要的作用。比如，它们可以用于海洋学研究、环境监测、水产养殖、水下考古、石油开采等领域。水下传感器的主要作用包括测量水温、水压、水流速度、水流方向、水的化学成分（如溶解氧、酸碱度、盐度等）、水下生物（如鱼类、浮游生物等）的数量和分布、水下地形、水下结构物的状况等。目前,水下传感器网络的布置主要依赖专家经验进行手工布放,这种人工经验方法存在如下问题:经验布放容易造成监测盲区,一些重要区域无法被很好地覆盖,导致监测数据不精确。存在资源浪费现象,重要度不高的区域布放了过多冗余传感器,增加了***成本。也就是说，现有技术在水下传感器数据采集过程中，对水下部署传感器一般依靠人工经验，导致存在传感器部署较密集导致采集范围小，或过少，导致采集的精度不够的技术问题。
发明内容
有鉴于此，本发明提供一种水下传感器数据采集方法、介质及***，能够解决当前针对水下传感器数据采集过程中，水下部署传感器一般依靠人工经验，导致存在传感器部署较密集导致采集范围小，或过少，导致采集的精度不够的技术问题。
本发明是这样实现的：
本发明的第一方面提供一种水下传感器数据采集方法，其中，包括以下步骤：
S10、获取多个水下传感器的坐标和实时采集的数据，包括坐标、水温、盐度；
S20、对采集的数据进行预处理，得到预处理数据；
S30、采用随机矩阵对所述预处理数据进行处理，得到高阶矩阵；
S40、采用一个滑动窗口对所述高阶矩阵进行特征提取，得到特征矩阵；
S50、对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心，所述聚类中心的数量小于所述水下传感器的数量；
S60、比较每个特征矩阵与对应的聚类中心的聚类度，若聚类度大于预定阈值上限，则将该特征矩阵对应的水下传感器标记为待减少传感器；若聚类度小于预定阈值下限，则根据该聚类中心对应的多个水下传感器的坐标，采用插值的方法寻找M个最优坐标，作为新增水下传感器的坐标组，其中M大于等于1；
S70、将待减少传感器以及新增水下传感器坐标组发送给运维人员；
S80、待运维人员根据待减少传感器以及新增水下传感器坐标组调整水下传感器部署后，重新获取多个水下传感器实时采集的数据发送给运维人员。
在上述技术方案的基础上，本发明的一种水下传感器数据采集方法还可以做如下改进:
其中，所述获取多个水下传感器的坐标和实时采集的数据，包括坐标、水温、盐度的步骤具体包括：根据水下传感器的部署位置，预先记录每个传感器的空间坐标；每个水下传感器以一定时间间隔采集当前位置的水质数据，包括水温和盐度；将各传感器的空间坐标和对应时间点的水质数据匹配起来，形成数据集。
其中，所述对采集的数据进行预处理，得到预处理数据的步骤具体包括：检测每个传感器的数据是否在正常范围内，去除错误和离群数据；对于个别传感器由于设备故障导致没有读取到的数据，通过邻近传感器的读数进行空间插值计算，填充缺失的数据；对每个传感器的数据进行时间序列平滑滤波，去除测量噪声；将水温和盐度数据归一化，映射到0-1之间。
其中，所述采用随机矩阵对所述预处理数据进行处理，得到高阶矩阵的步骤具体包括：构建一个m×n的随机矩阵，其中m是时间序列长度，n是传感器数；将预处理后的数据集与随机矩阵进行矩阵点积运算，结果得到一个m×n的高阶矩阵；重复上述过程多次，得到多组高阶矩阵，并将这些高阶矩阵拼接在第三维上，形成一个三维矩阵。
其中，所述采用一个滑动窗口对所述高阶矩阵进行特征提取，得到特征矩阵的步骤具体包括：设置滑动窗口大小；对每个窗口的数据，提取统计特征；重复上述过程，最终得到每个传感器在各个时间窗口上的统计特征。
其中，所述对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心的步骤具体包括：将所有传感器的特征矩阵拼接到一起，进行K-Means聚类算法；设置聚类中心个数k为传感器总数的一定比例；K-Means聚类迭代收敛后，得到k个聚类中心及各中心对应的类簇。
其中，所述比较每个特征矩阵与对应的聚类中心的聚类度，进行待减少和待增加传感器判定的步骤具体包括：计算每个传感器特征矩阵与对应聚类中心的欧式距离；设定聚类度阈值，距离若大于阈值上限，则标记该传感器为待减少；距离若小于阈值下限，则在该类簇内标记需要新增传感器；对于需要新增的传感器，采用反距离插值法计算出新的坐标点作为新增传感器点。
进一步的，所述预定阈值的上限为0.8，下限为0.4。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种水下传感器数据采集方法。
本发明的第三方面提供一种水下传感器数据采集***，其中，包含上述的计算机可读存储介质。
与现有技术相比较，本发明提供的一种水下传感器数据采集方法、介质及***的有益效果是：可以智能识别布放密集区域中的冗余传感器,提示减少传感器数量,有效节约资源。可以智能发现监测漏洞区域,提示新增传感器位置,提升监测覆盖面。可以根据水体环境变化,持续对网络布局进行优化,而不是单次静态布放。解决了当前针对水下传感器数据采集过程中，在水下部署传感器一般依靠人工经验，导致存在传感器部署较密集导致采集范围小，或过少，导致采集的精度不够的技术问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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为本发明提供的方法的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示，是本发明第一方面提供一种水下传感器数据采集方法的流程图，本方法包括以下步骤：
S10、获取多个水下传感器的坐标和实时采集的数据，包括坐标、水温、盐度，其中，所述水下传感器为盐深仪水下传感器；
S20、对采集的数据进行预处理，得到预处理数据；
S30、采用随机矩阵对预处理数据进行处理，得到高阶矩阵；
S40、采用一个滑动窗口对高阶矩阵进行特征提取，得到特征矩阵；
S50、对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心，聚类中心的数量小于水下传感器的数量；
S60、比较每个特征矩阵与对应的聚类中心的聚类度，若聚类度大于预定阈值上限，则将该特征矩阵对应的水下传感器标记为待减少传感器；若聚类度小于预定阈值下限，则根据该聚类中心对应的多个水下传感器的坐标，采用插值的方法寻找M个最优坐标，作为新增水下传感器的坐标组，其中M大于等于1,其中，预定阈值的上限为0.8，下限为0.4；
S70、将待减少传感器以及新增水下传感器坐标组发送给运维人员；
S80、待运维人员根据待减少传感器以及新增水下传感器坐标组调整水下传感器部署后，重新获取多个水下传感器实时采集的数据发送给运维人员。
下面对上述每个步骤的具体实施方式进行描述：
S10、获取多个水下传感器的坐标和实时采集的数据，包括坐标、水温、盐度等，还可以包括水压、水流速度、水流方向、水的化学成分等：
1)根据水下传感器的部署位置，预先记录每个传感器的空间坐标(x，y，z)。该坐标可以通过GPS定位获得，也可以人工测量记录；
2)每个水下传感器以一定时间间隔(例如1分钟)采集当前位置的水质数据，包括水温和盐度。水温可以通过温度传感器测量获得，盐度可以通过导电率传感器测量获得；
3)将各传感器的空间坐标和对应时间点的水质数据匹配起来，形成数据集(坐标，时间，水温，盐度)。该数据集即为S10获得的数据。
S20、对采集的数据进行预处理，得到预处理数据：
1)去除错误和离群数据：检测每个传感器的数据是否在正常范围内，如水温在0-35°C，盐度在0-40ppt，如果超出正常范围则删除该条错误数据；
2)插值填充缺失数据：对于个别传感器由于设备故障导致没有读取到的数据，可以通过邻近传感器的读数进行空间插值计算，填充缺失的水温和盐度数据；
3)平滑过滤噪声数据：对每个传感器的数据进行时间序列平滑滤波，去除测量噪声。可以采用移动平均法等算法；
4)规范化数据：将水温和盐度数据归一化，映射到0-1之间，便于后续处理；
预处理后得到规范化、滤波处理的完整的数据集，每个传感器都有坐标、时间、水温、盐度四个参数的完整序列数据。
S30、采用随机矩阵对所述预处理数据进行处理，得到高阶矩阵：
1)构建随机矩阵：生成一个m*n的随机矩阵，其中m是时间序列长度，n是传感器数。矩阵元素的值在0-1之间随机分布；
2)矩阵运算：将预处理后的数据集与随机矩阵进行矩阵点积运算，结果得到一个m*n的高阶矩阵。该高阶矩阵综合了时间和空间信息；
3)重复上述过程多次，得到多组高阶矩阵。最终将这些高阶矩阵拼接在第三维上，形成一个三维矩阵。该三维矩阵即为S30的输出结果；
矩阵运算可以增强数据的时空相关性，提升后续特征提取的效果。
S40、采用一个滑动窗口对所述高阶矩阵进行特征提取，得到特征矩阵：
1)设置滑动窗口大小，例如30(时间长度)x 20(传感器数)，窗口按时间方向滑动；
2)对每个窗口的数据，提取统计特征，如该窗口内的水温、盐度的均值、最大值、最小值、方差等；
3)重复上述过程，最终得到每个传感器在各个时间窗口上的统计特征。这组统计特征即为传感器的特征矩阵；
采用滑动窗口提取局部统计特征，可以捕捉数据的时序信息，并可为后续的聚类及分析提供更有区分性的特征。
S50、对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心，所述聚类中心的数量小于所述水下传感器的数量：
1)将所有传感器的特征矩阵拼接到一起，进行K-Means聚类算法；
2)设置聚类中心个数k为传感器总数的一定比例，例如传感器数的80%。经试验及交叉验证，选择合适的k值；
3)K-Means聚类迭代收敛后，得到k个聚类中心及各中心对应的类簇。每个聚类中心可以看作是对一个类簇内所有传感器的特征总体统计；
4)由于k<传感器总数，因此多传感器会聚到同一类簇。这样可以减少冗余传感器。
S60、比较每个特征矩阵与对应的聚类中心的聚类度，若聚类度大于预定阈值上限，则将该特征矩阵对应的水下传感器标记为待减少传感器；若聚类度小于预定阈值下限，则根据该聚类中心对应的多个水下传感器的坐标，采用插值的方法寻找M个最优坐标，作为新增水下传感器的坐标组，其中M大于等于1：
1)计算每个传感器特征矩阵与对应聚类中心的欧式距离，距离越小表示聚类度越高；
2)设定聚类度阈值，距离若大于上限阈值，则标记该传感器为待减少；距离若小于下限阈值，则在该类簇内标记需要新增传感器；
3)对于需要新增的类簇，采用反距离插值法，根据类簇内现有传感器的坐标及特征距离，计算出M个新的坐标点作为新增传感器点；
该步骤通过聚类度高低智能化地确定待减少和待增加的传感器。
S70、将待减少传感器以及新增水下传感器坐标组发送给运维人员：
1)生成一份待减少传感器编号列表，发送给运维人员；
2)生成新增传感器坐标列表，给出每个坐标的具***置信息，发送给运维人员；
3)运维人员接收到上述信息后，可以进行人工确认，必要时进行抽样试验验证，然后进行传感器部署的调整；
4)待调整完成后，通知***重新启动采集，完成一次传感器优化迭代。
S80、待运维人员根据待减少传感器以及新增水下传感器坐标组调整水下传感器部署后，重新获取多个水下传感器实时采集的数据发送给运维人员，具体获取方式与步骤S10相同。
下面是本发明的方法的一个具体实施例：
S10、获取多个水下传感器的坐标和实时采集的数据
设水下传感器总数为,第/>个传感器的坐标为/>,/>；
每个传感器以固定时间间隔(例如1分钟)进行数据采集,获取当前位置的水温和盐度/>,其中/>表示第/>个时间样本点；
则构建坐标-时间-数据匹配关系:
。
S20、对采集的数据进行预处理1)去除错误数据判断水温和盐度数据是否在正常范围内:如不在范围内,则将该样本点的数据标记为错误数据，上述范围由运维人员设定；2)插值填充对于传感器/>在时间/>数据为空的情况,通过邻近传感器的水温和盐度进行三维线性插值计算填充:其中,/>表示传感器/>在/>时间附近的邻近传感器集合,/>表示相应的权重系数；3)滤波平滑对每个传感器的数据进行一维高斯滤波:/>其中,/>表示高斯核,/>控制平滑窗口大小；4)归一化对水温和盐度数据进行线性归一化映射到[0, 1]:/>。
S30、矩阵运算生成高阶矩阵构建随机矩阵,元素服从均匀分布U(0,1),其中时间序列长度/>,传感器个数/>。对每个时间点/>,计算:其中,/>表示矩阵点积运算,/> 分别是第/>个时间点所有传感器的归一化水温和盐度；重复上述过程计算/>,最终拼接各时间点的结果,得到三维矩阵/>,其中/>表示拼接的矩阵个数。
S40、滑动窗口特征提取设置滑动窗口大小为,滑动步长为/>。对每个窗口,计算统计特征: />；
即在每个窗口内,计算水温和盐度的均值、标准差，其中为水温均值，/>为盐度均值，/>为水温标准差，/>为盐度标准差。重复该过程,最终得到每个传感器在所有窗口上的统计特征。
S50、聚类生成聚类中心将所有传感器的特征矩阵在行方向上拼接为一个大矩阵。采用K-Means聚类算法对/>进行聚类,设置聚类个数/>,其中/>是传感器个数/>的比例系数；迭代优化目标函数:
；
其中表示聚类中心集合,/>表示第/>类样本,/>表示第/>类的聚类中心；迭代收敛后,获得聚类中心/>。
S60、根据聚类度确定调整传感器计算每个样本与对应聚类中心/>的欧式距离:根据距离阈值判断是否需要调整传感器:其中/>为预设距离阈值，默认的；对于需要增加传感器的类簇/>,计算新传感器坐标:其中,/>为基于距离的权重系数。
具体的，本发明的原理是：
1) 利用随机矩阵算法将传感数据映射到高维空间,增强数据的时空关联性；
2) 通过滑动窗口方法,捕捉数据在时间序列上的统计特性；
3) 使用聚类算法,根据特征相似性对传感器进行分类。聚类中心表示典型区域特征；
4) 根据样本距离度量聚类密集程度。距离若大于阈值则表明冗余,距离若小于阈值表示监测SAMPLE不足；
5) 对于冗余区域,输出减少传感器提议;对于监测不足区域,按簇内特征分布输出新增传感器坐标。
本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行上述的一种水下传感器数据采集方法。
本发明的第三方面提供一种水下传感器数据采集***，其中，包含上述的计算机可读存储介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种水下传感器数据采集方法，其特征在于，包括以下步骤：
S10、获取多个水下传感器的坐标和实时采集的数据，包括坐标、水温、盐度，其中，所述水下传感器为盐深仪水下传感器；
S20、对采集的数据进行预处理，得到预处理数据；
S30、采用随机矩阵对所述预处理数据进行处理，得到高阶矩阵；
S40、采用一个滑动窗口对所述高阶矩阵进行特征提取，得到特征矩阵；
S50、对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心，所述聚类中心的数量小于所述水下传感器的数量；
S60、比较每个特征矩阵与对应的聚类中心的聚类度，若聚类度大于预定阈值上限，则将该特征矩阵对应的水下传感器标记为待减少传感器；若聚类度小于预定阈值下限，则根据该聚类中心对应的多个水下传感器的坐标，采用插值的方法寻找M个最优坐标，作为新增水下传感器的坐标组，其中M大于等于1；
S70、将待减少传感器以及新增水下传感器坐标组发送给运维人员；
S80、待运维人员根据待减少传感器以及新增水下传感器坐标组调整水下传感器部署后，重新获取多个水下传感器实时采集的数据发送给运维人员；
其中，所述采用随机矩阵对所述预处理数据进行处理，得到高阶矩阵的步骤具体包括：构建一个m×n的随机矩阵，其中m是时间序列长度，n是传感器数；将预处理后的数据集与随机矩阵进行矩阵点积运算，结果得到一个m×n的高阶矩阵；重复上述过程多次，得到多组高阶矩阵，并将这些高阶矩阵拼接在第三维上，形成一个三维矩阵。
2.根据权利要求1所述的一种水下传感器数据采集方法，其特征在于，所述获取多个水下传感器的坐标和实时采集的数据，包括坐标、水温、盐度的步骤具体包括：根据水下传感器的部署位置，预先记录每个传感器的空间坐标；每个水下传感器以一定时间间隔采集当前位置的水质数据，包括水温和盐度；将各传感器的空间坐标和对应时间点的水质数据匹配起来，形成数据集。
3.根据权利要求1所述的一种水下传感器数据采集方法，其特征在于，所述对采集的数据进行预处理，得到预处理数据的步骤具体包括：检测每个传感器的数据是否在正常范围内，去除错误和离群数据；对于个别传感器由于设备故障导致没有读取到的数据，通过邻近传感器的读数进行空间插值计算，填充缺失的数据；对每个传感器的数据进行时间序列平滑滤波，去除测量噪声；将水温和盐度数据归一化，映射到0-1之间。
4.根据权利要求1所述的一种水下传感器数据采集方法，其特征在于，所述采用一个滑动窗口对所述高阶矩阵进行特征提取，得到特征矩阵的步骤具体包括：设置滑动窗口大小；对每个窗口的数据，提取统计特征；重复上述过程，最终得到每个传感器在各个时间窗口上的统计特征。
5.根据权利要求1所述的一种水下传感器数据采集方法，其特征在于，所述对每个水下传感器的特征矩阵进行聚类，得到多个聚类中心的步骤具体包括：将所有传感器的特征矩阵拼接到一起，进行K-Means聚类算法；设置聚类中心个数k为传感器总数的一定比例；K-Means聚类迭代收敛后，得到k个聚类中心及各中心对应的类簇。
6.根据权利要求1所述的一种水下传感器数据采集方法，其特征在于，所述比较每个特征矩阵与对应的聚类中心的聚类度，进行待减少和待增加传感器判定的步骤具体包括：计算每个传感器特征矩阵与对应聚类中心的欧式距离；设定聚类度阈值，距离若大于阈值上限，则标记该传感器为待减少；距离若小于阈值下限，则在该类簇内标记需要新增传感器；对于需要新增的传感器，采用反距离插值法计算出新的坐标点作为新增传感器点。
7.根据权利要求1-6任一项所述的一种水下传感器数据采集方法，其特征在于，所述预定阈值的上限为0.8，下限为0.4。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时，用于执行权利要求1-7任一项所述的一种水下传感器数据采集方法。
9.一种水下传感器数据采集***，其特征在于，包含权利要求8所述的计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223731.6A CN117807469B (zh) | 2024-02-29 | 2024-02-29 | 一种水下传感器数据采集方法、介质及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410223731.6A CN117807469B (zh) | 2024-02-29 | 2024-02-29 | 一种水下传感器数据采集方法、介质及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807469A CN117807469A (zh) | 2024-04-02 |
| CN117807469B true CN117807469B (zh) | 2024-05-17 |
Family
ID=90434822
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410223731.6A Active CN117807469B (zh) | 2024-02-29 | 2024-02-29 | 一种水下传感器数据采集方法、介质及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807469B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10180339B1 (en) * | 2015-05-08 | 2019-01-15 | Digimarc Corporation | Sensing systems |
| CN111062739A (zh) * | 2019-11-18 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种基于随机矩阵分解的用电行为智能推荐方法和*** |
| CN112054557A (zh) * | 2020-09-07 | 2020-12-08 | 上海交通大学 | 一种基于随机矩阵理论的配电网络拓扑变化类型识别方法 |
| CN115761550A (zh) * | 2022-12-20 | 2023-03-07 | 江苏优思微智能科技有限公司 | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 |
| CN115776724A (zh) * | 2023-02-10 | 2023-03-10 | 南京航空航天大学 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
| CN116227363A (zh) * | 2023-04-25 | 2023-06-06 | 湖南省水务规划设计院有限公司 | 一种传感分布优化的洪灾预警方法 |
| CN117609831A (zh) * | 2023-11-21 | 2024-02-27 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及*** |
-
2024
- 2024-02-29 CN CN202410223731.6A patent/CN117807469B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10180339B1 (en) * | 2015-05-08 | 2019-01-15 | Digimarc Corporation | Sensing systems |
| CN111062739A (zh) * | 2019-11-18 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种基于随机矩阵分解的用电行为智能推荐方法和*** |
| CN112054557A (zh) * | 2020-09-07 | 2020-12-08 | 上海交通大学 | 一种基于随机矩阵理论的配电网络拓扑变化类型识别方法 |
| CN115761550A (zh) * | 2022-12-20 | 2023-03-07 | 江苏优思微智能科技有限公司 | 一种基于激光雷达点云和相机图像融合的水面目标检测方法 |
| CN115776724A (zh) * | 2023-02-10 | 2023-03-10 | 南京航空航天大学 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
| CN116227363A (zh) * | 2023-04-25 | 2023-06-06 | 湖南省水务规划设计院有限公司 | 一种传感分布优化的洪灾预警方法 |
| CN117609831A (zh) * | 2023-11-21 | 2024-02-27 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及*** |
Non-Patent Citations (2)
| Title |
|---|
| Sensor placement algorithm for structural health monitoring with redundancy elimination model based on sub-clustering strategy;Chen Yang et al.;Mechanical Systems and Signal Processing;20190210(第124期);369-387 * |
| 基于随机矩阵理论的 WSN 异常节点定位算法;林超等;计算机工程;20200131;第46卷(第1期);157-163 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807469A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN108470138A (zh) | 用于目标检测的方法和装置 | |
| KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
| CN105379186A (zh) | 确定响应类似性邻域 | |
| EP1958034B1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
| CN115240060B (zh) | 一种海星灾害预警方法及*** | |
| CN113610381B (zh) | 一种基于5g网络的水质远程实时监测*** | |
| CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
| CN116881749B (zh) | 一种污染场地施工监测方法及*** | |
| CN106935038B (zh) | 一种停车检测***及检测方法 | |
| CN117473351B (zh) | 基于物联网的电源信息远程传输*** | |
| CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及*** | |
| CN117807469B (zh) | 一种水下传感器数据采集方法、介质及*** | |
| CN116881640A (zh) | 岩心采出程度的预测方法、***及计算机可读存储介质 | |
| Tang et al. | A new method for extracting trees and buildings from sparse LiDAR data in urban areas | |
| CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
| CN108260155B (zh) | 一种基于时空相似度的无线传感网异常检测方法 | |
| CN116861204B (zh) | 基于数字孪生的智能制造设备数据管理*** | |
| CN113434295B (zh) | 基于边缘计算的农田监控方法、装置、设备及存储介质 | |
| CN118094266B (zh) | 一种智能终端核辐射检测分析方法及*** | |
| CN110956176B (zh) | 一种塔基间输电线路拟合方法和检测装置 | |
| CN118114870A (zh) | 一种水利工程进度监控*** | |
| CN117540272A (zh) | 基于光纤传感的目标事件检测方法、装置 |
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 |