CN117829381A - 基于物联网的农业大棚数据优化采集*** - Google Patents
基于物联网的农业大棚数据优化采集*** Download PDFInfo
- Publication number
- CN117829381A CN117829381A CN202410245459.1A CN202410245459A CN117829381A CN 117829381 A CN117829381 A CN 117829381A CN 202410245459 A CN202410245459 A CN 202410245459A CN 117829381 A CN117829381 A CN 117829381A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data
- time sequence
- sequence
- environmental
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 340
- 238000013450 outlier detection Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 135
- 238000000034 method Methods 0.000 claims description 34
- 230000011218 segmentation Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及离群检测技术领域，具体涉及一种基于物联网的农业大棚数据优化采集***。本发明首先通过数据预处理模块获取农业大棚内监测数据的时序序列并分段，然后在数据分析模块分析每个监测数据在其对应分段内的局部距离特征，进而在数据优化模块获取每个监测数据在对应分段内的K邻域参数，并根据K邻域参数对每个分段内的监测数据进行离群检测，获取监测数据的优化时序序列。本发明通过将时序序列分段处理，在局部分段内分析每个监测数据的局部距离特征，同时将分段内其他监测数据的局部距离特征作为参考，准确评估获取对应K邻域参数，提高了噪声离群检测的准确性，进而提高了农业大棚数据监测的优化效果。
Description
技术领域
本发明涉及离群检测技术领域，具体涉及一种基于物联网的农业大棚数据优化采集***。
背景技术
农业大棚内的环境监测可以帮助种植户了解大棚内部的状态变化以便及时优化作物生长环境，提高作物的产量及质量。目前常采用物联网技术对农业大棚的内部状态进度监测，借助物联网技术可以实现远程管理和自动化控制，极大提高了种植作业的便利性和灵活性；同时也可对监测数据进行分析和预测，为农民提供更科学、精准的农业决策支持。但在农业大棚内部的监测数据在采集传输过程中难免会受到各种因素的干扰，导致监测数据中存在噪声，进而影响对农业大棚的检测准确性，故对监测数据的降噪优化处理至关重要。
由于噪声相对其邻近监测数据较为离群，则目前常通过一种基于密度的离群点检测算法(Connectivity-Based Outlier Factor，COF)对监测数据中的噪声进行异常检测。但选择合适的K近邻参数对COF算法的检测性能至关重要，K近邻参数过大可能会降低算法对离群点的敏感性，导致噪声数据漏识别；K近邻参数设置过小又会使得算法对监测数据过度敏感，易将正常监测数据误识别噪声。不合适的K近邻参数将严重影响对噪声检测的准确性，进而影响对农业大棚的数据采集准确性。
发明内容
为了解决COF算法K近邻参数的设置不合理导致对监测数据的降噪效果差进而导致农业大棚的数据采集不准确的技术问题，本发明的目的在于提供一种基于物联网的农业大棚数据优化采集***，所采用的技术方案具体如下：
本发明提出一种基于物联网的农业大棚数据优化采集***，所述***包括：
数据预处理模块：用于获取农业大棚内至少一种环境指标的监测数据的时序序列及农业大棚外所述时序序列的参考时序序列；在每种环境指标的所述时序序列中，根据相邻监测数据的幅值增长率对对应所述时序序列进行分段；
数据分析模块：用于在每种环境指标的每个分段中，根据每个监测数据与分段中位监测数据的幅值差异，及所述参考时序序列中对应环境指标的幅值变化情况，获取每个监测数据在对应分段内的离群程度；在每种环境指标的每个分段中，根据每个监测数据与其余监测数据的幅值差异及对应所述离群程度，获取每个监测数据的局部距离；在每种环境指标的每个监测数据的对应分段内，根据对应监测参数与分段内其余监测数据的所述局部距离的差异，及分段内其余监测数据的所述离群程度，获取每个监测数据的所述局部距离的调整权重；
数据优化模块：用于根据所述调整权重和所述局部距离获取每个监测数据在对应分段内的K邻域参数；根据所述K邻域参数对每种环境指标的每个分段内的监测数据进行离群检测，获取每种环境指标的监测数据的优化时序序列。
进一步地，所述时序序列的分段方法包括：
以任一环境指标的所述时序序列为目标时序序列，以所述目标时序序列中的第一个监测数据作为第一分段序列的首个元素，第二个监测数据作为第一分段序列的第二元素，沿所述目标时序序列的时序方向依次向第一分段序列中添加监测数据，直至满足预设截止条件后，停止向对应所述分段序列内添加监测数据，并以本次添加过程中最后添加的监测数据的前一相邻监测数据为对应所述分段序列的终点，从而得到第一分段序列；将所述第一分段序列的终点的后一监测数据作为第二分段序列的首个元素，将首个元素的下一相邻时序对应监测数据作为第二分段序列的第二元素，迭代获取所述目标时序序列中的所有分段序列；
所述预设截止条件为：在向每个所述分段序列添加监测数据后，计算当前所述分段序列中最后一个监测数据相对倒数第二个监测数据的末端幅值增长率，计算倒数第二个监测数据相对倒数第三个监测数据的次末端幅值增长率，所述末端幅值增长率与所述次末端幅值增长率的差异大于预设阈值。
进一步地，所述离群程度的计算公式包括：
；其中，/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中监测数据的幅值中值；/>为第/>种环境指标的时序序列的第/>个分段中监测数据的幅值的上四分位数；/>为第/>种环境指标的第/>个分段中监测数据的幅值的下四分位数；/>为第/>种环境指标的参考时序序列中与对应时序序列的第/>个分段中第/>个监测数据为相同时刻所采集的农业大棚外的监测数据的幅值；/>为第/>种环境指标的参考时序序列中与对应时序序列的第/>个分段中第/>个监测数据为相同时刻所采集的农业大棚外的监测数据的幅值均值；/>为预设第一正参数。
进一步地，所述局部距离的计算公式包括：
；其中，/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第种环境指标的时序序列的第/>个分段中除第/>个监测数据外的所有监测数据的序号；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中除去第/>个监测数据后监测数据的总数量；/>为第/>种环境指标的时序序列的第个分段中第/>个监测数据的离群程度；/>为预设第二正参数。
进一步地，所述调整权重的计算公式包括：
；其中，/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离的调整权重；/>为第/>种环境指标的时序序列的第/>个分段中除第/>个监测数据外的所有监测数据的序号；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中除去第/>个监测数据后监测数据的总数量；/>为标准归一化函数；/>为预设第三正参数。
进一步地，所述K邻域参数的获取方法包括：
根据每种环境指标的每个监测数据的所述局部距离及对应所述调整权重获取每个监测数据在对应分段中的局部密度参数；将所述局部密度参数归一化后映射到对数函数中，将对数函数值向上取整得到每个监测数据在对应分段中的K邻域参数，对数函数的底数小于1且大于0。
进一步地，所述局部密度参数的获取方法包括：
将每个监测数据的所述局部距离乘以对应所述调整权重，得到每个监测数据在对应分段中的置信局部距离；将所述置信局部距离进行负相关映射得到每个监测数据在对应分段中的局部密度参数。
进一步地，对每种环境指标的每个分段内的监测数据进行离群检测的方法为COF算法。
进一步地，所述优化时序序列的获取方法包括：
获取每种环境指标的所述时序序列中每个监测数据的离群得分值；根据所述离群得分值在每种环境指标的所述时序序列中筛选出所有噪声监测数据并剔除，将与所述噪声监测数据对应时序最近的两个非噪声监测数据的幅值均值作为所述噪声监测数据的修正值，填补剔除数据，得到每种环境指标的监测数据的优化时序序列。
进一步地，所述噪声监测数据的获取方法包括：
在每种环境指标下，以每个监测数据的所述离群得分值为横坐标，所述离群得分值在所有所述离群得分值中的出现频次为纵坐标构建频次直方图，将所述频次直方图中出现频次最大的所述离群得分值作为参考离群得分值，将所有大于所述参考离群得分值的所述离群得分值对应监测数据作为对应环境指标的所述时序序列中的噪声监测数据。
本发明具有如下有益效果：
本发明首先通过数据预处理模块获取农业大棚内每种环境指标的监测数据的时序序列并对其进行分段处理，分段将有助于对每个监测数据的局部特征分析，便于后续准确获取K邻域参数；然后在数据分析模块中获取每个监测数据在对应分段内的离群程度，由于部分离群程度较高的监测数据会拉高监测参数的局部距离，影响局部距离的评估准确性，通过结合离群程度可以准确获取每个监测数据在对应分段内的局部距离；同时又考虑到每个分段内的监测数据越集中，对每个监测参数的局部距离评估准确性越高，故在每个监测数据的对应分段内，根据对应监测参数与分段内其余监测数据的局部距离的差异，及分段内其余监测数据的离群程度，获取每个监测数据的局部距离的调整权重，进而可在数据优化模块根据调整后的准确的局部距离获取每个监测数据在对应分段内的K邻域参数，并根据K邻域参数对每种环境指标的每个分段内的监测数据进行离群检测，获取每种环境指标的监测数据的优化时序序列。本发明通过将时序序列分段处理，在局部分段内分析每个监测数据的局部距离特征，同时将分段内其他监测数据的局部距离特征作为参考，准确评估获取对应K邻域参数，提高了噪声离群检测的准确性，进而提高农业大棚数据监测的优化效果。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于物联网的农业大棚数据优化采集***的***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农业大棚数据优化采集***，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农业大棚数据优化采集***的具体方案。
请参阅图1，其示出了本发明一个实施例提供一种基于物联网的农业大棚数据优化采集***的***框图，该***包括：数据预处理模块101、数据分析模块102、数据优化模块103。
本发明实施例中的***需要分析农业大棚内采集到的每种环境指标的所有监测数据的局部距离以确定每个监测数据的K近邻参数，进而对监测数据进行离群检测，获取农业大棚内优化后的监测数据。故本发明实施例通过设置数据预处理模块101获取农业大棚内每种环境指标的监测数据的时序序列，进一步在将增长规律接近的监测数据划分至同一局部分段内，通过数据分析模块102进行局部距离分析以获取每个监测数据的K近邻参数；最终通过数据优化模块103获取优化时序序列。
数据预处理模块101：用于获取农业大棚内每种环境指标的监测数据的时序序列及农业大棚外时序序列的参考时序序列；在每种环境指标的时序序列中，根据相邻监测数据的幅值增长率对对应时序序列进行分段。
在本发明的一个实施例中，具体通过在农业大棚内外分别安装采集对应环境指标监测数据的物联网传感器，以10分钟每次的采样频率进行采集，并根据采集的时间节点顺序构建每种环境指标的监测数据的时序序列；同时为了提高对时序序列中每个监测数据的离群程度分析的准确性，进一步在农业大棚外获取每种环境指标下时序序列的参考时序序列，参考时序序列与时序序列中的序列刻度相同，分别对应相同采样时刻的每种环境指标下农业大棚内外的监测数据；其中，环境指标可以包括温度、湿度及光照等对农作物生长存在一定影响的指标。
获取每种环境指标下监测数据的时序序列后，便可对时序序列将进行分段，分段将有助于对每个监测数据的局部特征分析，便于后续获取准确K邻域参数；由于噪声的随机波动性导致无法准确判断其幅值变化，部分噪声幅值相对较高，表现更为突出离群，但部分噪声幅值较低，其相对较高幅值噪声更易被忽略；因此分段对每个监测数据局部特征的分析具有一定影响，若将较高幅值噪声与较低幅值噪声划分至同一分段内，将影响对较低幅值噪声的局部特征分析的准确性，从而影响最终离群检测，故本发明实施例根据每种环境指标的时序序列中相邻监测数据的幅值增长率对对应环境指标下的时序序列分段，从而将幅值变化规律接近的监测数据划分至同一局部范围内进行分析。
优选地，在本发明的一个实施例中，考虑到相邻监测数据间的增长率能够在一定程度上反映监测数据间的变化规律，故分段序列的获取方法包括：以任一环境指标的时序序列为目标时序序列，以目标时序序列中的第一个监测数据为第一分段序列的首个元素，将第二个监测数据为第一分段序列的第二元素，沿目标时序序列的时序方向依次向第一分段序列中添加监测数据，直至满足预设截止条件后，停止向对应分段序列内添加监测数据，并以本次添加过程中最后添加的监测数据的前一相邻监测数据为对应分段序列的终点，从而得到第一分段序列；将第一分段序列的终点的后一监测数据作为第二分段序列的首个元素，将首个元素的下一相邻时序对应监测数据作为第二分段序列的第二元素，迭代获取目标时序序列中的所有分段序列；预设截止条件为：在向每个分段序列添加监测数据后，计算当前分段序列中最后一个监测数据相对倒数第二个监测数据的末端幅值增长率，计算倒数第二个监测数据相对倒数第三个监测数据的次末端幅值增长率，末端幅值增长率与次末端幅值增长率的差异大于预设阈值作为预设截止条件。其中幅值增长率是以当前时刻的幅值减去相邻前一时刻的幅值后除以相邻前一时刻的幅值所获取的，其已是本领域技术人员熟知的现有技术，在此不再赘述；预设阈值为0.3，实施者可根据具体实施情况进行设置。
具体的，为便于理解分段序列的获取方法，具体以温度指标为例：假设农业大棚内的温度监测数据的时序序列为，则对应相邻温度监测数据的幅值增长率分别为/>，将温度时序序列中的第一个监测数据25.1为第一分段序列的首个元素，第二个监测数据25.3为第一分段序列的第二元素，依次向其中添加监测数据，在第一次添加过程中，当第一分段序列内的数据为/>，则对应末端幅值增长率为0.03，次末端幅值增长率为0.01，其差异小于预设阈值0.3，故不进行分段；在第二次添加过程中，当第一分段序列内的数据为/>，则对应末端幅值增长率为0.58，次末端幅值增长率为0.03，其差异大于预设阈值0.3，故需停止向第一分段序列内添加温度监测参数，并以41.3前的26.0为第一分段序列的终点，将41.3作为第二分段序列的首个元素，41.3的下一相邻时序对应监测数据26.9为第二分段序列的第二元素，进一步迭代添加监测数据判断获取第二分段序列，依次类推；需要说明的是，本例提及的所有序列及具体数据并非本发明实施例中涉及的实施数据。
数据分析模块102：用于在每种环境指标的每个分段中，根据每个监测数据与分段中位监测数据的幅值差异，及参考时序序列中对应环境指标的幅值变化情况，获取每个监测数据在对应分段内的离群程度；在每种环境指标的每个分段中，根据每个监测数据与其余监测数据的幅值差异及对应离群程度，获取每个监测数据的局部距离；在每种环境指标的每个监测数据的对应分段内，根据对应监测参数与分段内其余监测数据的局部距离的差异，及分段内其余监测数据的离群程度，获取每个监测数据的局部距离的调整权重。
噪声往往表现的较为孤立离群，但农业大棚外部环境会逐渐变化，则农业大棚内部的环境指标的监测数据也会受外部环境的变化影响而变化，导致部分监测数据相对分段内的其他监测数据也会表现的较为孤立离群，例如当气温骤变时，棚内温度因热量扩散也将逐渐出现骤变临界点，而该类骤变临界点部分将被划分为分段起点，其在对应分段内相较其他监测数据可能表现的较为孤立离群。噪声与该类监测数据都具有相似的孤立离群特征，从而影响后续降噪，故本发明实施例在每种环境指标的每个分段中，根据每个监测数据与分段统计特征值的幅值差异，及参考时序序列中对应环境指标的幅值变化情况，获取每个监测数据在对应分段内的离群程度；通过结合农业大棚外的环境指标变化情况为棚内对应环境指标的每个监测数据的离群程度做参考，区分因外界环境影响造成的离群监测数据。
优选地，在本发明的一个实施例中，考虑到数据集内的上下四分位数据反映了数据的集中程度，而中位数也侧面反映了数据集的中心位置及分布特征；若数据相对集中，当某个数据与中位数的差异却越大，则说明该数据孤立离群的可能性越大；又考虑到外界环境影响可能造成部分监测数据在对应分段中表现的相对离群，且农业大棚内外相同环境指标在相同采集时刻下监测数据同时出现噪声的可能性极低，若分段中监测数据对应相同采集时刻下的棚外监测数据未发生较大变动时，则监测数据的离群程度可信度越高；离群程度的计算公式为：
其中，为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中监测数据的幅值中值；/>为第/>种环境指标的时序序列的第/>个分段中监测数据的幅值的上四分位数；/>为第/>种环境指标的第/>个分段中监测数据的幅值的下四分位数；/>为第/>种环境指标的参考时序序列中与对应时序序列的第/>个分段中第/>个监测数据为相同时刻所采集的农业大棚外的监测数据的幅值；/>为第/>种环境指标的参考时序序列中与对应时序序列的第/>个分段中第/>个监测数据为相同时刻所采集的农业大棚外的监测数据的幅值均值；/>为预设第一正参数，在本发明实施例中预设第一正参数取0.01，防止分母为0。
需要说明的是，上四分位数、下四分位数及中值均为本领域技术人员常用的特征统计值，在此不再赘述其获取过程。
离群程度的计算公式中，第个监测数据相对分段中的中位幅值差异越大，说明该监测数据在对应分段中越偏离中心位置，同时上下四分位数的差异越小，说明分段中的监测数据的幅值水平较为相似，则第/>个监测数据的孤立离群特征更为明显；第/>个监测数据的相同采集时刻下的棚外监测数据与对应时段内的棚外监测数据的幅值均值差异越大，说明该时刻下的棚外监测数据也相对孤立离群；在相同环境指标下，若时序序列的分段中第/>个监测数据与相同采集时刻下的棚外监测数据同时表现为孤立离群，则说明时刻下棚内外监测数据的幅值在同步变化，则对于棚内的第/>个监测数据的离群特征为噪声引起的可能性越低，故将棚外对应时刻下的监测数据的离群特征负相关映射到指数函数中归一化，差异越大，则对应归一化值越小，通过乘以对应归一化值降低棚内监测数据的离群程度。
由于监测数据具有一定的趋势性及时序性，数据在不同分段内的分布特征可能存在差异，导致每个监测数据在对应分段内的离群程度过于局部化，无法直接依据离群程度就判断其是否为噪声数据，还需根据每个监测数据的局部密度进一步分析是否为噪声。故本发明实施例首先；在每种环境指标的每个分段中，根据每个监测数据与其余监测数据的幅值差异及对应离群程度，获取每个监测数据的局部距离，进而可以获取每个监测参数的K邻域参数并根据K邻域参数进行离群检测从而确定噪声。
优选地，在本发明的一个实施例中，考虑到在分段中，每个监测数据相对其他所有监测数据间的幅值差异均值反映了对应监测数据在局部范围内的距离差异；同时又考虑到在计算某监测数据相对分段内其他所有监测数据的局部距离时，由于离群程度较高的监测数据因与该监测数据的幅值差异较大会拉高整体局部距离，导致局部距离的准确性降低，故通过将对应离群程度作为分母适当降低影响已获取准确的局部距离；基于此，局部距离的计算公式为：
其中，为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中除第/>个监测数据外的所有监测数据的序号；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中除去第/>个监测数据后监测数据的总数量；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为预设第二正参数，在本发明实施例中预设第二正参数取0.01，防止分母为0。
由于局部距离是根据分段内监测数据间的幅值差异获取的，存在因噪声幅值较高而拉高其他监测数据的局部距离的可能性，从而导致后续计算噪声的K邻域参数时可能相对其他监测数据的K邻域参数相差并不大，进而影响最终时序序列的优化效果；故本发明实施例在每种环境指标的每个监测数据的对应分段内，根据对应监测参数与分段内其余监测数据的局部距离的差异，及分段内其余监测数据的离群程度，获取每个监测数据的局部距离的调整权重；结合其余监测数据的离群程度及局部密度评估分段内的监测数据幅值的集中程度，从而评估每个监测数据的局部距离的可信度并进行调整。
优选地，在本发明的一个实施例中，调整权重的计算公式包括：
其中，为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离的调整权重；/>为第/>种环境指标的时序序列的第/>个分段中除第/>个监测数据外的所有监测数据的序号；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中除去第/>个监测数据后监测数据的总数量；/>为标准归一化函数；/>为预设第三正参数，在本发明实施例中预设第二正参数取0.01，防止分母为0。
调整权重计算公式中，每个监测数据相对分段内其余监测数据的平均局部距离差异越大且其余监测数据的平均离群程度越小，均说明分段内的监测数据的整体幅值较为集中，对每个监测数据的局部距离计算准确性越高，对应的调整权重越小。
数据优化模块103：用于根据调整权重和局部距离获取每个监测数据在对应分段内的K邻域参数；根据K邻域参数对每种环境指标的每个分段内的监测数据进行离群检测，获取每种环境指标的监测数据的优化时序序列。
获取每个监测数据的局部距离及对应调整权重后，便可根据调整权重和局部距离准确评估每个监测参数的局部密度特征，进而可获取每种环境指标的每个监测数据在对应分段中的K邻域参数。局部距离是反映局部密度的指标之一，局部距离越大，对应的局部密度特征越小，则需要设置较大的K邻域参数以获取更多局部信息，以在每个分段内更好的捕捉分段的整体幅值分布特征，从而准确检测出离群噪声；局部距离越小，对应的局部密度特征越大，则需要设置较小的K邻域参数以提高对每个监测数据的离群检测敏感性。
优选地，在本发明的一个实施例中，K邻域参数的获取方法包括：根据每种环境指标的每个监测数据的局部距离及对应调整权重获取每个监测数据在对应分段中的局部密度参数；将局部密度参数归一化后映射到对数函数中，将对数函数值向上取整得到每个监测数据在对应分段中的K邻域参数，对数函数的底数小于1且大于0。K邻域参数的计算公式为：
其中，为第/>种环境指标的第/>个分段中第/>个监测数据的K邻域参数；/>为第种环境指标的第/>个分段中第/>个监测数据的局部密度参数；/>为向上取整函数；/>为以/>为底数的指数函数，且/>小于1且大于0。
K邻域参数的计算公式中，由于局部密度参数归一化后的取值范围为0至1，考虑到局部密度参数越大，越应调小指数函数，故取/>，实施者可设置其他取值；由于将局部密度参数做对数运算后可能并非整数值，通过向上取整得到最终K邻域参数。
需要说明的是，在本发明的一个优选实施例中，首先将每个温度监测数据的局部距离乘以对应调整权重，得到每个温度监测数据在对应分段中的置信局部距离；又考虑到局部距离是反映局部密度的指标之一，局部距离越大，对应的局部密度特征越小，故将置信局部距离做倒数运算以进行负相关映射，调整对应逻辑关系，得到每个温度监测数据在对应分段中的局部密度参数；由于置信局部距离可能存在等于0的情况，故在做倒数运算时需将其加上预设调参因子，预设调参因子可取0.01，保证做倒数运算时有意义；在本发明的其他实施例中，实施者也可采用其他负相关映射方法，在此不做赘述限定。
获取K邻域参数后，便可根据K邻域参数对每种环境指标的每个分段内的监测数据进行异常检测。在本发明的一个实施例中，考虑到COF算法结合了数据点间的相对连接性，可以更好地识别一些密度较低的分段内的离群噪声点，故对每个分段内的监测数据采用COF算法进行离群检测。
通过离群检测算法获取每个分段中每个监测数据的离群得分值后，进一步可根据离群得分值识别时序序列中的噪声数据并剔除，获取降噪后的优化时序序列。
优选地，在本发明的一个实施例中，优化时序序列的获取方法包括：获取每种环境指标的时序序列中每个监测数据的离群得分值；根据离群得分值在每种环境指标的时序序列中筛选出所有噪声监测数据并剔除，将与噪声监测数据对应时序最近的两个非噪声监测数据的幅值均值作为噪声监测数据的修正值，填补剔除数据，得到每种环境指标的监测数据的优化时序序列；通过筛选出符合条件的噪声监测数据并剔除修正，得到高质量的优化时序序列。
考虑到离群得分值越高且高于大多数监测数据的异常得分水平，说明该部分监测数据越离群，为噪声的可能性越大；故在本发明的一个实施例中，在每种环境指标下，以每个监测数据的离群得分值为横坐标，离群得分值在所有离群得分值中的出现频次为纵坐标构建频次直方图，将频次直方图中出现频次最大的离群得分值作为参考离群得分值，将所有大于参考离群得分值的离群得分值对应监测数据作为对应环境指标的时序序列中的噪声监测数据。
获取最终的优化时序序列后，可将其传输至对应的农业大棚监测***并可视化为对应的监测数据变化曲线，实施者便可根据当前监测数据的变化调整农业大棚内的环境参数，例如光照过低时影响作物的光合作用，便可基于物联网远程调控光照装置补充作物的光照时间；也可进一步根据优化时序序列做预测分析，制定后续的农业大棚环境参数调整计划。
综上所述，本发明实施例首先通过数据预处理模块获取农业大棚内每种环境指标的监测数据的时序序列并对其进行分段处理；然后在数据分析模块分析每种环境指标下的每个监测数据在其对应分段内的局部距离特征；最后在数据优化模块获取每个监测数据在对应分段内的K邻域参数，并根据K邻域参数对每种环境指标的每个分段内的监测数据进行离群检测，进而获取每种环境指标的监测数据的优化时序序列。本发明通过将时序序列分段处理，在局部分段内分析每个监测数据的局部距离特征，同时将分段内其他监测数据的局部距离特征作为参考，准确评估获取对应K邻域参数，提高了噪声离群检测的准确性，进而提高了农业大棚数据监测的优化效果。
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。
Claims (10)
1.一种基于物联网的农业大棚数据优化采集***，其特征在于，所述***包括：
数据预处理模块：用于获取农业大棚内至少一种环境指标的监测数据的时序序列及农业大棚外所述时序序列的参考时序序列；在每种环境指标的所述时序序列中，根据相邻监测数据的幅值增长率对对应所述时序序列进行分段；
数据分析模块：用于在每种环境指标的每个分段中，根据每个监测数据与分段中位监测数据的幅值差异，及所述参考时序序列中对应环境指标的幅值变化情况，获取每个监测数据在对应分段内的离群程度；在每种环境指标的每个分段中，根据每个监测数据与其余监测数据的幅值差异及对应所述离群程度，获取每个监测数据的局部距离；在每种环境指标的每个监测数据的对应分段内，根据对应监测参数与分段内其余监测数据的所述局部距离的差异，及分段内其余监测数据的所述离群程度，获取每个监测数据的所述局部距离的调整权重；
数据优化模块：用于根据所述调整权重和所述局部距离获取每个监测数据在对应分段内的K邻域参数；根据所述K邻域参数对每种环境指标的每个分段内的监测数据进行离群检测，获取每种环境指标的监测数据的优化时序序列。
2.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述时序序列的分段方法包括：
以任一环境指标的所述时序序列为目标时序序列，以所述目标时序序列中的第一个监测数据作为第一分段序列的首个元素，第二个监测数据作为第一分段序列的第二元素，沿所述目标时序序列的时序方向依次向第一分段序列中添加监测数据，直至满足预设截止条件后，停止向对应所述分段序列内添加监测数据，并以本次添加过程中最后添加的监测数据的前一相邻监测数据为对应所述分段序列的终点，从而得到第一分段序列；将所述第一分段序列的终点的后一监测数据作为第二分段序列的首个元素，将首个元素的下一相邻时序对应监测数据作为第二分段序列的第二元素，迭代获取所述目标时序序列中的所有分段序列；
所述预设截止条件为：在向每个所述分段序列添加监测数据后，计算当前所述分段序列中最后一个监测数据相对倒数第二个监测数据的末端幅值增长率，计算倒数第二个监测数据相对倒数第三个监测数据的次末端幅值增长率，所述末端幅值增长率与所述次末端幅值增长率的差异大于预设阈值。
3.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述离群程度的计算公式包括：
；其中，/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中监测数据的幅值中值；/>为第/>种环境指标的时序序列的第/>个分段中监测数据的幅值的上四分位数；/>为第/>种环境指标的第/>个分段中监测数据的幅值的下四分位数；/>为第/>种环境指标的参考时序序列中与对应时序序列的第/>个分段中第/>个监测数据为相同时刻所采集的农业大棚外的监测数据的幅值；/>为第/>种环境指标的参考时序序列中与对应时序序列的第/>个分段中第/>个监测数据为相同时刻所采集的农业大棚外的监测数据的幅值均值；/>为预设第一正参数。
4.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述局部距离的计算公式包括：
；其中，/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第种环境指标的时序序列的第/>个分段中除第/>个监测数据外的所有监测数据的序号；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的幅值；/>为第/>种环境指标的时序序列的第/>个分段中除去第/>个监测数据后监测数据的总数量；/>为第/>种环境指标的时序序列的第个分段中第/>个监测数据的离群程度；/>为预设第二正参数。
5.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述调整权重的计算公式包括：
；其中，/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离的调整权重；/>为第/>种环境指标的时序序列的第/>个分段中除第/>个监测数据外的所有监测数据的序号；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的离群程度；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中第/>个监测数据的局部距离；/>为第/>种环境指标的时序序列的第/>个分段中除去第/>个监测数据后监测数据的总数量；/>为标准归一化函数；/>为预设第三正参数。
6.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述K邻域参数的获取方法包括：
根据每种环境指标的每个监测数据的所述局部距离及对应所述调整权重获取每个监测数据在对应分段中的局部密度参数；将所述局部密度参数归一化后映射到对数函数中，将对数函数值向上取整得到每个监测数据在对应分段中的K邻域参数，对数函数的底数小于1且大于0。
7.根据权利要求6所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述局部密度参数的获取方法包括：
将每个监测数据的所述局部距离乘以对应所述调整权重，得到每个监测数据在对应分段中的置信局部距离；将所述置信局部距离进行负相关映射得到每个监测数据在对应分段中的局部密度参数。
8.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，对每种环境指标的每个分段内的监测数据进行离群检测的方法为COF算法。
9.根据权利要求1所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述优化时序序列的获取方法包括：
获取每种环境指标的所述时序序列中每个监测数据的离群得分值；根据所述离群得分值在每种环境指标的所述时序序列中筛选出所有噪声监测数据并剔除，将与所述噪声监测数据对应时序最近的两个非噪声监测数据的幅值均值作为所述噪声监测数据的修正值，填补剔除数据，得到每种环境指标的监测数据的优化时序序列。
10.根据权利要求9所述的一种基于物联网的农业大棚数据优化采集***，其特征在于，所述噪声监测数据的获取方法包括：
在每种环境指标下，以每个监测数据的所述离群得分值为横坐标，所述离群得分值在所有所述离群得分值中的出现频次为纵坐标构建频次直方图，将所述频次直方图中出现频次最大的所述离群得分值作为参考离群得分值，将所有大于所述参考离群得分值的所述离群得分值对应监测数据作为对应环境指标的所述时序序列中的噪声监测数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245459.1A CN117829381B (zh) | 2024-03-05 | 2024-03-05 | 基于物联网的农业大棚数据优化采集*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245459.1A CN117829381B (zh) | 2024-03-05 | 2024-03-05 | 基于物联网的农业大棚数据优化采集*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117829381A true CN117829381A (zh) | 2024-04-05 |
| CN117829381B CN117829381B (zh) | 2024-05-14 |
Family
ID=90504350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410245459.1A Active CN117829381B (zh) | 2024-03-05 | 2024-03-05 | 基于物联网的农业大棚数据优化采集*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829381B (zh) |
Citations (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108628266A (zh) * | 2018-04-25 | 2018-10-09 | 深圳万智联合科技有限公司 | 基于大数据分析的智能养殖大棚监测*** |
| CN109493372A (zh) * | 2018-10-24 | 2019-03-19 | 华侨大学 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
| CN109886551A (zh) * | 2019-01-23 | 2019-06-14 | 北京绿里生态科技有限公司 | 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 |
| EP3528433A1 (en) * | 2018-02-16 | 2019-08-21 | Tata Consultancy Services Limited | Data analyses using compressive sensing for internet of things (iot) networks |
| CN110929743A (zh) * | 2018-09-19 | 2020-03-27 | 上海仪电（集团）有限公司中央研究院 | 基于时间序列关联与聚类分析的水质污染物变化监测*** |
| CN111597464A (zh) * | 2020-04-13 | 2020-08-28 | 山东贵合信息科技有限公司 | 一种基于物联网的数据展示优化方法及装置 |
| CN111625988A (zh) * | 2020-03-10 | 2020-09-04 | 河北工程大学 | 基于深度学习的桥梁健康管理分析与预测***及方法 |
| US20200401996A1 (en) * | 2019-06-20 | 2020-12-24 | Venkatesh B. VADLAMUDI | Integrated agriculture information and management system, and methods of using the same |
| CN112257807A (zh) * | 2020-11-02 | 2021-01-22 | 曲阜师范大学 | 一种基于自适应优化线性邻域集选择的降维方法及*** |
| CN112687002A (zh) * | 2021-03-15 | 2021-04-20 | 四川省公路规划勘察设计研究院有限公司 | 一种三维地质模型网格优化方法 |
| CN112699284A (zh) * | 2021-01-11 | 2021-04-23 | 四川大学 | 一种基于多源数据的公交站点优化可视化方法 |
| CN112768208A (zh) * | 2020-12-29 | 2021-05-07 | 江苏燎源变压器有限公司 | 一种湿热环境用分段层式干式变压器 |
| CN112860839A (zh) * | 2021-04-23 | 2021-05-28 | 成都四方伟业软件股份有限公司 | 一种基于Unity3D的水环境质量实时监测方法及装置 |
| CN112924619A (zh) * | 2021-01-15 | 2021-06-08 | 深圳市环思科技有限公司 | 一种提取环境空气污染特征方法、***、终端及存储介质 |
| CN112987830A (zh) * | 2021-02-07 | 2021-06-18 | 滨州职业学院 | 一种基于物联网的智慧农业*** |
| CN113447159A (zh) * | 2021-08-30 | 2021-09-28 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 基于全局正态分布及局部离群因子的风洞漏冷监测方法 |
| CN113607729A (zh) * | 2021-07-12 | 2021-11-05 | 河北地质大学 | 一种基于光传感的地下环境检测*** |
| CN113656386A (zh) * | 2021-07-13 | 2021-11-16 | 华中科技大学 | 工业装备数据清洗方法、装置、设备及存储介质 |
| CN113706591A (zh) * | 2021-07-30 | 2021-11-26 | 华东理工大学 | 一种基于点云的表面弱纹理卫星三维重建方法 |
| CN113933391A (zh) * | 2021-10-13 | 2022-01-14 | 山东大学 | 一种压电超声导波检测装置及检测方法 |
| CN113987013A (zh) * | 2021-10-20 | 2022-01-28 | 山东合创安华智能科技有限公司 | 一种基于时序数据平台发电车数据采集的管控***及方法 |
| CN113974589A (zh) * | 2021-11-12 | 2022-01-28 | 中国科学院自动化研究所 | 多模态行为范式评估优化***及认知能力评价方法 |
| CN114020730A (zh) * | 2021-10-27 | 2022-02-08 | 河北科技师范学院 | 一种水环境监测数据中异常值的检测和修复方法 |
| CN114241086A (zh) * | 2021-12-20 | 2022-03-25 | 杭州电子科技大学 | 一种基于最大三角形三段算法的海量数据绘图优化方法 |
| CN114443738A (zh) * | 2022-03-17 | 2022-05-06 | 国网浙江省电力有限公司 | 异常数据挖掘方法、装置、设备及介质 |
| CN114693752A (zh) * | 2020-12-30 | 2022-07-01 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、存储介质及计算机设备 |
| CN114760182A (zh) * | 2022-03-25 | 2022-07-15 | 广州番禺电缆集团有限公司 | 一种具备温度数据采集功能的智能电缆 |
| CN114777192A (zh) * | 2022-04-22 | 2022-07-22 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN114937133A (zh) * | 2022-05-18 | 2022-08-23 | 山东大学 | 一种基于点云数据的堤防可视化监测方法及*** |
| CN114976309A (zh) * | 2022-05-18 | 2022-08-30 | 东风时代(武汉)电池***有限公司 | 车辆动力电池监测方法及装置 |
| CN115204257A (zh) * | 2022-06-08 | 2022-10-18 | 苏州热工研究院有限公司 | 一种用于传感器数据的异常监测方法 |
| CN115618200A (zh) * | 2022-09-29 | 2023-01-17 | 中国电建集团华东勘测设计研究院有限公司 | 一种小波去噪方法 |
| US20230132654A1 (en) * | 2019-06-20 | 2023-05-04 | Venkatesh B. VADLAMUDI | Integrated agriculture information and management system, and methods of using the same |
| CN116108008A (zh) * | 2023-04-13 | 2023-05-12 | 山东明远生物科技有限公司 | 一种装饰材料甲醛检测数据处理方法 |
| CN116302840A (zh) * | 2023-04-03 | 2023-06-23 | 陈淑清 | 一种基于物联网的数据分析*** |
| CN116339422A (zh) * | 2023-03-27 | 2023-06-27 | 浙江清华长三角研究院 | 一种基于物联网的农田管理*** |
| CN117114213A (zh) * | 2023-10-25 | 2023-11-24 | 北京国旺盛源智能终端科技有限公司 | 一种村网共建便民网络服务方法及*** |
| CN117434219A (zh) * | 2023-10-27 | 2024-01-23 | 潍坊市青州生态环境监控中心 | 一种环境保护工程监测用动态空气监测*** |
| CN117474427A (zh) * | 2023-12-27 | 2024-01-30 | 大连金马衡器有限公司 | 基于物联网技术的智能托盘冷链溯源方法 |
| CN117522632A (zh) * | 2023-12-25 | 2024-02-06 | 阳光学院 | 一种基于深度学习的水质指标预测方法 |
| CN117541422A (zh) * | 2023-12-26 | 2024-02-09 | 杭州松延科技有限公司 | 一种基于农业环境数据的农业生产管理*** |
| CN117538491A (zh) * | 2024-01-09 | 2024-02-09 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及*** |
| CN117553628A (zh) * | 2023-12-29 | 2024-02-13 | 中国人民解放***箭军工程大学 | 一种无人机群反制技术效能评估***及方法 |
| CN117629314A (zh) * | 2024-01-26 | 2024-03-01 | 山东智云信息科技有限公司 | 一种基于物联网的环境智能监测*** |
-
2024
- 2024-03-05 CN CN202410245459.1A patent/CN117829381B/zh active Active
Patent Citations (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3528433B1 (en) * | 2018-02-16 | 2021-02-17 | Tata Consultancy Services Limited | Data analyses using compressive sensing for internet of things (iot) networks |
| EP3528433A1 (en) * | 2018-02-16 | 2019-08-21 | Tata Consultancy Services Limited | Data analyses using compressive sensing for internet of things (iot) networks |
| US20190260830A1 (en) * | 2018-02-16 | 2019-08-22 | Tata Consultancy Services Limited | Data analyses using compressive sensing for internet of things (iot) networks |
| CN108628266A (zh) * | 2018-04-25 | 2018-10-09 | 深圳万智联合科技有限公司 | 基于大数据分析的智能养殖大棚监测*** |
| CN110929743A (zh) * | 2018-09-19 | 2020-03-27 | 上海仪电（集团）有限公司中央研究院 | 基于时间序列关联与聚类分析的水质污染物变化监测*** |
| CN109493372A (zh) * | 2018-10-24 | 2019-03-19 | 华侨大学 | 大数据量、少特征的产品点云数据快速全局优化配准方法 |
| CN109886551A (zh) * | 2019-01-23 | 2019-06-14 | 北京绿里生态科技有限公司 | 通过大数据对农田环境监测模块装置产生的布置误差及量化误差进行纠正的方法 |
| US20200401996A1 (en) * | 2019-06-20 | 2020-12-24 | Venkatesh B. VADLAMUDI | Integrated agriculture information and management system, and methods of using the same |
| US20230132654A1 (en) * | 2019-06-20 | 2023-05-04 | Venkatesh B. VADLAMUDI | Integrated agriculture information and management system, and methods of using the same |
| CN111625988A (zh) * | 2020-03-10 | 2020-09-04 | 河北工程大学 | 基于深度学习的桥梁健康管理分析与预测***及方法 |
| CN111597464A (zh) * | 2020-04-13 | 2020-08-28 | 山东贵合信息科技有限公司 | 一种基于物联网的数据展示优化方法及装置 |
| CN112257807A (zh) * | 2020-11-02 | 2021-01-22 | 曲阜师范大学 | 一种基于自适应优化线性邻域集选择的降维方法及*** |
| CN112768208A (zh) * | 2020-12-29 | 2021-05-07 | 江苏燎源变压器有限公司 | 一种湿热环境用分段层式干式变压器 |
| CN114693752A (zh) * | 2020-12-30 | 2022-07-01 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、存储介质及计算机设备 |
| CN112699284A (zh) * | 2021-01-11 | 2021-04-23 | 四川大学 | 一种基于多源数据的公交站点优化可视化方法 |
| CN112924619A (zh) * | 2021-01-15 | 2021-06-08 | 深圳市环思科技有限公司 | 一种提取环境空气污染特征方法、***、终端及存储介质 |
| CN112987830A (zh) * | 2021-02-07 | 2021-06-18 | 滨州职业学院 | 一种基于物联网的智慧农业*** |
| CN112687002A (zh) * | 2021-03-15 | 2021-04-20 | 四川省公路规划勘察设计研究院有限公司 | 一种三维地质模型网格优化方法 |
| CN112860839A (zh) * | 2021-04-23 | 2021-05-28 | 成都四方伟业软件股份有限公司 | 一种基于Unity3D的水环境质量实时监测方法及装置 |
| CN113607729A (zh) * | 2021-07-12 | 2021-11-05 | 河北地质大学 | 一种基于光传感的地下环境检测*** |
| CN113656386A (zh) * | 2021-07-13 | 2021-11-16 | 华中科技大学 | 工业装备数据清洗方法、装置、设备及存储介质 |
| CN113706591A (zh) * | 2021-07-30 | 2021-11-26 | 华东理工大学 | 一种基于点云的表面弱纹理卫星三维重建方法 |
| CN113447159A (zh) * | 2021-08-30 | 2021-09-28 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 基于全局正态分布及局部离群因子的风洞漏冷监测方法 |
| CN113933391A (zh) * | 2021-10-13 | 2022-01-14 | 山东大学 | 一种压电超声导波检测装置及检测方法 |
| CN113987013A (zh) * | 2021-10-20 | 2022-01-28 | 山东合创安华智能科技有限公司 | 一种基于时序数据平台发电车数据采集的管控***及方法 |
| CN114020730A (zh) * | 2021-10-27 | 2022-02-08 | 河北科技师范学院 | 一种水环境监测数据中异常值的检测和修复方法 |
| CN113974589A (zh) * | 2021-11-12 | 2022-01-28 | 中国科学院自动化研究所 | 多模态行为范式评估优化***及认知能力评价方法 |
| CN114241086A (zh) * | 2021-12-20 | 2022-03-25 | 杭州电子科技大学 | 一种基于最大三角形三段算法的海量数据绘图优化方法 |
| CN114443738A (zh) * | 2022-03-17 | 2022-05-06 | 国网浙江省电力有限公司 | 异常数据挖掘方法、装置、设备及介质 |
| CN114760182A (zh) * | 2022-03-25 | 2022-07-15 | 广州番禺电缆集团有限公司 | 一种具备温度数据采集功能的智能电缆 |
| CN114777192A (zh) * | 2022-04-22 | 2022-07-22 | 浙江英集动力科技有限公司 | 基于数据关联和深度学习的二级网供热自主优化调控方法 |
| CN114937133A (zh) * | 2022-05-18 | 2022-08-23 | 山东大学 | 一种基于点云数据的堤防可视化监测方法及*** |
| CN114976309A (zh) * | 2022-05-18 | 2022-08-30 | 东风时代(武汉)电池***有限公司 | 车辆动力电池监测方法及装置 |
| CN115204257A (zh) * | 2022-06-08 | 2022-10-18 | 苏州热工研究院有限公司 | 一种用于传感器数据的异常监测方法 |
| CN115618200A (zh) * | 2022-09-29 | 2023-01-17 | 中国电建集团华东勘测设计研究院有限公司 | 一种小波去噪方法 |
| CN116339422A (zh) * | 2023-03-27 | 2023-06-27 | 浙江清华长三角研究院 | 一种基于物联网的农田管理*** |
| CN116302840A (zh) * | 2023-04-03 | 2023-06-23 | 陈淑清 | 一种基于物联网的数据分析*** |
| CN116108008A (zh) * | 2023-04-13 | 2023-05-12 | 山东明远生物科技有限公司 | 一种装饰材料甲醛检测数据处理方法 |
| CN117114213A (zh) * | 2023-10-25 | 2023-11-24 | 北京国旺盛源智能终端科技有限公司 | 一种村网共建便民网络服务方法及*** |
| CN117434219A (zh) * | 2023-10-27 | 2024-01-23 | 潍坊市青州生态环境监控中心 | 一种环境保护工程监测用动态空气监测*** |
| CN117522632A (zh) * | 2023-12-25 | 2024-02-06 | 阳光学院 | 一种基于深度学习的水质指标预测方法 |
| CN117541422A (zh) * | 2023-12-26 | 2024-02-09 | 杭州松延科技有限公司 | 一种基于农业环境数据的农业生产管理*** |
| CN117474427A (zh) * | 2023-12-27 | 2024-01-30 | 大连金马衡器有限公司 | 基于物联网技术的智能托盘冷链溯源方法 |
| CN117553628A (zh) * | 2023-12-29 | 2024-02-13 | 中国人民解放***箭军工程大学 | 一种无人机群反制技术效能评估***及方法 |
| CN117538491A (zh) * | 2024-01-09 | 2024-02-09 | 武汉怡特环保科技有限公司 | 一种站房空气质量智能监测方法及*** |
| CN117629314A (zh) * | 2024-01-26 | 2024-03-01 | 山东智云信息科技有限公司 | 一种基于物联网的环境智能监测*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117829381B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116186634B (zh) | 一种建筑工程施工数据智能管理*** | |
| CN117076934B (zh) | 一种基于物联网的监控数据采集及分析方法 | |
| CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
| CN117556714B (zh) | 一种用于铝金属冶炼的预热管路温度数据异常分析方法 | |
| CN117114213B (zh) | 一种村网共建便民网络服务方法及*** | |
| CN116400126B (zh) | 一种具有数据处理***的低压电力箱 | |
| CN117195137B (zh) | 基于数据分析的转子压铸误差检测*** | |
| CN117407700A (zh) | 一种带电作业过程中作业环境的监测方法 | |
| CN117665935B (zh) | 一种破碎岩体支护施工过程的监测数据处理方法 | |
| CN117473351B (zh) | 基于物联网的电源信息远程传输*** | |
| CN115860579A (zh) | 一种用于面粉加工的生产质量监测*** | |
| CN117633697B (zh) | 基于物联网的生猪智能监测方法及*** | |
| CN117235462B (zh) | 基于时序数据分析的袋式包装机故障智能预测方法 | |
| CN117349664B (zh) | 一种芽苗菜生长环境在线监测方法及*** | |
| CN117172958B (zh) | 一种豆芽生长实时数据管理方法 | |
| CN117829381B (zh) | 基于物联网的农业大棚数据优化采集*** | |
| CN117310118B (zh) | 一种地下水污染可视化监测方法 | |
| CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
| CN116304963A (zh) | 一种适用于地质灾害预警的数据处理*** | |
| CN114925731B (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
| CN116662800A (zh) | 一种基于自适应注意力机制的滚动轴承故障诊断方法 | |
| CN116070150B (zh) | 基于呼吸机运行参数的异常监测方法 | |
| CN117390379B (zh) | 在线信号测量装置、信号特征的置信度测量装置 | |
| CN114324974B (zh) | 一种单星辐射源无源监测目标运动属性判别方法 | |
| CN117648587B (zh) | 一种电机堵转高灵敏度检测方法 |
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 |