KR101585865B1 - Multiple event discriminating method and apparatus using multiple sensors - Google Patents
Multiple event discriminating method and apparatus using multiple sensors Download PDFInfo
- Publication number
- KR101585865B1 KR101585865B1 KR1020140114396A KR20140114396A KR101585865B1 KR 101585865 B1 KR101585865 B1 KR 101585865B1 KR 1020140114396 A KR1020140114396 A KR 1020140114396A KR 20140114396 A KR20140114396 A KR 20140114396A KR 101585865 B1 KR101585865 B1 KR 101585865B1
- Authority
- KR
- South Korea
- Prior art keywords
- sensors
- event
- sensor
- data
- events
- Prior art date
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
Description
본 발명은 다중센서를 이용하는 다중이벤트 식별방법 및 장치에 관한 것으로 더욱 자세하게는 다중센서에 인식되는 다중이벤트를 효과적으로 식별하여 각각의 이벤트를 구분하는 것이다.
The present invention relates to a method and apparatus for identifying multiple events using multiple sensors, more specifically, effectively identifying multiple events recognized by multiple sensors and distinguishing each event.
일반적으로 유비쿼터스 센서 네트워크나 사물 인터넷 환경에서 센서들은 의미 있는 이벤트를 감지하여 보고하게 되는데, 하나의 이벤트에 대하여 복수개의 센서가 적용될 경우, 게이트웨이에 도달하기 전에 중복신호를 제거하고 실효값만을 적용해야 한다.
Generally, in the ubiquitous sensor network or the object internet environment, the sensors detect and report meaningful events. If a plurality of sensors are applied to one event, the redundant signals must be removed and only the effective values must be applied before reaching the gateway .
이와 같은 경우는 복수개의 센서중 단일개의 센서에서 측정된 다수의 이벤트를 구분하고, 동일한 방법으로 복수개의 센서에서 감지된 신호를 구분하는 과정이 선행되어야 한다.In such a case, a process of distinguishing a plurality of events measured by a single sensor among a plurality of sensors and discriminating signals sensed by a plurality of sensors in the same manner must be performed.
이는 이벤트 즉, 사물을 보다 잘 감지하기 위해 복수개의 센서를 적용하여 이벤트의 정보를 분석하는 과정도 포함되도록 하는 것이나, 설치 장소 및 적용대상물에 장착할 수 있는 센서에 제약이 따르기 때문에 그 수가 한정될 수 밖에 없는 것이다.This means that the process of analyzing event information by applying a plurality of sensors to detect an event, i.e., an object, is also included. However, since the number of sensors is limited due to restrictions on the installation site and sensor I can not help it.
따라서, 이러한 문제점을 극복하기 위해 여러 종류의 센서를 적용하는 경우도 있으나, 이 또한 단일하지 않은 소수의 센서를 탑재하기 때문에 센서로부터 인식되는 다양한 신호에 대하여 각각의 센서로부터 인식된 이벤트를 구분해야 하는 문제점이 발생된다.
Accordingly, in order to overcome such a problem, there are cases where various kinds of sensors are applied. However, since a small number of non-unique sensors are mounted, it is necessary to distinguish events recognized from the respective sensors with respect to various signals recognized from the sensors Problems arise.
상기와 같은 문제점으로 인하여 복수개의 센서에 여러 가지 이벤트가 동시에 감시되었을 때, 센서 데이터에 포함되는 여러개의 이벤트를 구별하는 방법이 요구되었고, 대한민국 등록특허 제10-1365450호(차량용 램프의 광조사 시스템)가 제안되었다.
[0006] In order to solve the above problems, a method for distinguishing a plurality of events included in sensor data when a plurality of events are simultaneously monitored by a plurality of sensors has been required, and Korean Patent Registration No. 10-1365450 ) Was proposed.
그러나, 상기 기술은 다수 개의 서로 종류가 다른 센서를 부착하여 동일한 종류의 복수 개의 센서에 의한 다중 이벤트를 구분할 수 없을 뿐만 아니라 센서의 불량 유무와 측정의 정확도 등을 측정된 데이터 값에 의해 자동적으로 알 수 있는 방법이 없다는 문제가 있었다.
However, the above technique can not distinguish a plurality of events by a plurality of sensors of the same kind by attaching a plurality of different kinds of sensors, and can automatically detect the presence or absence of defective sensors and the accuracy of measurement based on measured data values. There was no way to be able to do that.
본 발명의 목적은 상기 문제를 해결하기 위해 안출된 것으로 동일한 종류의 복수 개의 센서를 이용하여 입수된 이벤트를 정확하게 구분하는 알고리즘을 제공하는 것이다.It is an object of the present invention to provide an algorithm for correctly classifying an event obtained using a plurality of sensors of the same kind,
본 발명의 다른 목적은 복수 개의 이벤트를 구분함에 있어서 센서의 불량 및 측정의 정확성을 알고리즘의 내부 분산과 외부 분산을 이용하여 판별할 수 있는 것이다.
It is another object of the present invention to discriminate the sensor failure and the accuracy of the measurement by using the internal dispersion and the external dispersion of the algorithm in dividing a plurality of events.
상기와 같은 본 발명의 목적을 달성하기 위한 다중센서를 이용한 다중이벤트를 식별하기 위한 방법에 있어서, 복수개의 센서를 이용하여 다중이벤트를 수집하고 처리하는 다중이벤트 수집단계(S10)와 상기 수집되어 처리된 데이터를 내부분산처리 하는 단계(S20)와 상기 수집 및 처리단계에서 처리된 데이터를 외부분산처리 하는 단계(S30)와 상기 내부분산 및 외부분산처리를 통하여 획득된 각각의 분산값을 이용하여 가중치를 설정하는 단계(S40)와 상기 가중치를 결합하고 정규화 하여 단일파라미터로 처리한 최종 가중치를 연산하는 단계(S50) 및 최종가중치에 따른 센서 데이터값을 평가하는 단계(S60)로 구성되는 것을 특징으로 하는 다중센서를 이용하는 다중이벤트 식별방법을 제공하게 된다.
In order to accomplish the object of the present invention, there is provided a method for identifying multiple events using multiple sensors, comprising: a multi-event collecting step (S10) for collecting and processing multiple events using a plurality of sensors; (S30) of distributing the data processed in the collecting and processing step (S30) and the weighting values obtained through the internal dispersion and the external dispersion processing, (Step S40) of combining the weights and a step S50 of calculating final weights which are obtained by combining and normalizing the weights and processing them as a single parameter, and evaluating a sensor data value according to the final weights (step S60) A method for identifying multiple events using multiple sensors is provided.
이때, 상기 다중이벤트 수집단계(S10)는 복수개의 센서로부터 인식되는 신호를 클러스터링하여 데이터화하며, 동시간대에 입력된 복수개의 이벤트를 
At this time, the multi-event collecting step (S10) clusters the signals recognized from the plurality of sensors and converts the collected data into a plurality of events
또한, 상기 외부분산처리 하는 단계(S30)는 단계는 복수개의 센서에 감지되는 동일이벤트를 구분위해, 복수개의 센서에 감지되어 처리된 클러스터간의 거리를 판단하여 동일이벤트를 판별하는 것으로, 
여기서 wj는 j번째 센서의 가중치, aj는 j번째 센서값, W는 Di내 전 측정 구간의 가중치의 집합인 것을 특징으로 하는 다중센서를 이용하는 다중이벤트 식별 방법을 제공하게 된다.
Wherein w j is a weight of the jth sensor, a j is a jth sensor value, and W is a set of weights of all the measurement periods in D i .
이와 같은 본 발명의 다중센서를 이용하는 다중이벤트 식별방법을 활용하는 다중 센서를 이용하는 다중 이벤트 식별 장치는 다중 이벤트 데이터 수집에 적합하도록 일정 거리 떨어져 위치하는 복수 개의 센서와 상기 복수 개의 센서로부터 출력된 전기적인 신호를 입력받고 각각의 센서에서 데이터 클러스터링 방법을 이용하여 상기 다중 이벤트를 분류하고 각각의 클러스터의 내부분산과 평균값을 연산하고 상기 각각의 센서에서 특정한 이벤트로 분류된 각각의 클러스터의 중심 사이의 거리로 표현되는 외부 분산을 연산하고 상기 각각의 센서에서 상기 내부 분산과 외부 분산을 이용한 가중치를 설정하고 상기 각각의 센서에서 연산된 가중치를 결합하고 정규화하여 단일 파라미터로 처리한 최종 가중치를 연산하고 상기 연산된 최종 가중치에 따른 센서 데이터값을 평가하는 제어를 포함하는 것을 특징으로 하는 다중 센서를 이용하는 다중 이벤트 식별 장치를 제공함으로써, 본 발명의 목적을 달성할 수 있는 것이다.
The multiple event identification apparatus using multiple sensors utilizing the multiple event identification method using the multiple sensors according to the present invention includes a plurality of sensors located at a certain distance apart from each other and suitable for collecting multiple event data, The sensor classifies the multiple events using a data clustering method in each sensor, calculates an internal variance and an average value of each cluster, and calculates a distance between the center of each cluster classified as a specific event in each sensor Calculating a final weight expressed as a single parameter by combining and normalizing the weights calculated in the respective sensors, calculating a final weight expressed by a single parameter, According to final weight The present invention can achieve the object of the present invention by providing a multi-event identification apparatus using multiple sensors, characterized by including control for evaluating sensor data values.
본 발명에 따른 다중센서를 이용하는 다중이벤트 식별 방법 및 장치는 다중 이벤트를 다중 센서를 이용하여 각각의 이벤트를 구분하여 이벤트 인식을 보다 효과적으로 시행할 수 있도록 하는 것이다.
The method and apparatus for identifying multiple events using multiple sensors according to the present invention enable multiple events to be recognized more effectively by distinguishing each event using multiple sensors.
본 발명에 따른 다중 센서를 이용하는 다중 이벤트 식별 방법 및 장치는 알고리즘의 내부 분산에 의한 각각의 센서의 정밀도와 외부 분산에 의한 측정의 정확도를 평가할 수 있다는 다른 효과를 가진다.
The multi-event identification method and apparatus using multiple sensors according to the present invention have other effects such that the accuracy of each sensor due to the internal dispersion of the algorithm and the accuracy of measurement by external dispersion can be evaluated.
본 발명에 따른 다중 센서를 이용하는 다중 이벤트 식별 방법 및 장치는 입수된 서로 다른 값들은 결과적으로 같은 상황과 이벤트를 감지하여 보내온 것으로 In the method and apparatus for identifying multiple events using multiple sensors according to the present invention, different values obtained as a result are transmitted by sensing the same situation and event
시간의 흐름에 따른 융합된 상황 추론이 가능하다는 또 다른 효과를 가진다.
It has another effect that it is possible to fused situation inferences according to time.
도 1은 본 발명에 따른 다중센서를 이용하는 다중이벤트 식별방법의 순서도이다.
도 2는 본 발명에 따른 다중센서를 이용하는 다중이벤트 식별장치의 구성도이다.
도 3은 도 1에 따른 2 개의 음향 센서가 감지한 3가지 이벤트가 포함된 데이터를 도시한 도면이다.
도 4 내지 도 8은 도 1에 따른 각 시간간격별로 입수된 데이터들의 분포를 도시한 도면이다.
도 9는 도 1에 따른 2 개의 센서에 혼재한 3개의 이벤트를 구분한 결과를 도시한 도면이다. 1 is a flowchart of a method for identifying multiple events using multiple sensors according to the present invention.
2 is a configuration diagram of a multi-event identification apparatus using multiple sensors according to the present invention.
3 is a view showing data including three events sensed by two acoustic sensors according to FIG.
FIGS. 4 to 8 illustrate distributions of data obtained at each time interval according to FIG.
FIG. 9 is a diagram showing the results of dividing three events mixed in two sensors according to FIG.
이하에서 본 발명의 다중센서를 이용하는 다중이벤트 식별방법 및 장치에 대하여 당업자가 용이하게 실시할 수 있도록 도면을 참조하여 상세하게 설명하도록 한다.
Hereinafter, a method and apparatus for identifying multiple events using multiple sensors according to the present invention will be described in detail with reference to the drawings so that those skilled in the art can easily carry out the present invention.
도 1은 본 발명에 따른 다중센서를 이용하는 다중이벤트 식별방법의 순서도이다.
1 is a flowchart of a method for identifying multiple events using multiple sensors according to the present invention.
도면 1을 참조하면 본 발명은 복수개의 센서를 이용하여 다중이벤트를 수집고 처리하는 다중이벤트 수집단계(S10)와 상기 수집되어 처리된 데이터를 내부분산처리 하는 단계(S20)와 상기 수집 및 처리단계에서 처리된 데이터를 외부분산처리 하는 단계(S30)와 상기 내부분산 및 외부분산처리를 통하여 획득된 각각의 분산값을 이용하여 가중치를 설정하는 단계(S40)와 상기 가중치를 결합하고 정규화 하여 단일파라미터로 처리한 최종 가중치를 연산하는 단계(S50) 및 최종가중치에 따른 센서 데이터값을 평가하는 단계(S60)로 구성된다.
Referring to FIG. 1, the present invention includes a multi-event collecting step (S10) for collecting and processing multiple events using a plurality of sensors, an internally distributed processing (S20) of collecting and processing the processed data, (S30) of performing data dispersion processing on the processed data in step (S30), setting a weight value using each dispersion value obtained through the internal dispersion and external dispersion processing (S40), combining the weight values and normalizing them, (S50) of calculating a final weight processed by the weighting unit and a step S60 of evaluating a sensor data value according to the final weighting.
상기 복수개의 센서를 이용하여 다중 이벤트를 수집하고 처리하는 다중이벤트 수집단계(S10)는 센서로부터 연속적으로 입수되는 데이터 즉, 스트림 형태로 입력되는 신호를 클러스터링하는 것이다.The multi-event collecting step (S10) for collecting and processing multiple events using the plurality of sensors is to cluster the data continuously received from the sensor, that is, signals inputted in stream form.
보다 상세하게 설명하면, 연속적으로 입수되는 스트림형태의 이벤트를 시간대별로 구분하여 클러스터링하게 되는 것이다.More specifically, the stream-type events that are continuously acquired are classified and clustered according to time zones.
예를 들어, 연속적으로 입수되는 스트림형태의 데이터를 DS=<D1,D2,D3,---,Dt>라고 하고 유입되는 시간을 TS=<T1,T2,T3,---,Tt>라고 가정하면, 데이터 D1,D2,D3,---,Dt는 복수개의 센서 즉, 센서 모트로부터 감지되어 보고된 센싱값들의 집합인 것이다.For a stream type of the data instance, obtained successively DS = the time at which said inlet and <D 1, D 2, D 3, ---, D t> TS = <
여기서, 상기 센서는 음성, 모션, 광 등을 이용하여 센싱할 수 있는 수단이면 무엇이든 가능하다.Here, the sensor may be any means capable of sensing using voice, motion, light, or the like.
상기와 같이 입수된 데이터를 유입되는 시간에 따라 구분하여 집합화 하여 클러스터링하게 된다.
The data obtained as described above are classified according to the time of arrival and are clustered.
이와 같은 데이터를 클러스터링하는 방법은 다차원 공간의 주어진 데이터 점들에 대하여 유사한 특징을 갖는 점들은 같은 클러스터에 서로 다른 특성을 갖는 점들은 다른 클러스터에 군집화하는 프로세스로 정의할 수 있는데, 클러스터링 방법에는 Partioning methods로 K-means, K-medoids, CLARANS 기법이 여기에 해당되며, 둘째는 Hierarchical methods, 세째는 Density-based methods, 네째는 Grid-based methods, 다섯째로는 Model-based methods가 있다.The method of clustering such data can be defined as a process of grouping points having different characteristics in the same cluster into different clusters, where points having similar characteristics with respect to given data points in a multidimensional space are classified as partioning methods K-means, K-medoids, and CLARANS. The second is hierarchical methods, the third is density-based methods, the fourth is grid-based methods, and the fifth is model-based methods.
본 발명의 클러스터링 방법은 상기 5가지 방법중 어느 하나를 이용하는 것이 가능하나 바람직하게는 K-means 방법을 이용할 수 있으며, 이와 같은 클러스터링 기법은 당업자라면 누구나 알 수 있는 기술이므로 이에 대한 상세한 설명은 생략하도록 한다.
The clustering method of the present invention can use any one of the above-mentioned five methods, but it is preferable to use a K-means method. Since such a clustering technique is a technique known to a person skilled in the art, a detailed description thereof will be omitted do.
또한, 상기와 같은 방법에 의해 입수된 센싱값은 동시간대에 입력된 복수개의 이벤트의 평균값을 산정하여 저장하게 된다.In addition, the sensing value obtained by the above method calculates and stores the average value of a plurality of events input in the same time zone.
예를 들어, 센싱값의 집합데이터 D1,D2,D3,---,Dt중 하나를 Di라 하고, Ti 즉, 시간 i에서 입수된 센서1~센서n 까지의 센싱값을 원소 a1,a2,…,an이라고 가정하면 Di=<a1,a2,…,an>로 표현할 수 있다.For example, the set of sensed data values D 1, D 2, D 3 , ---, La, and one of D t D i T i In other words, the sensor obtained from the
상기와 같은 Di의 원소 a1,a2,…,an 를 ak라고 통칭하며, 이에 대한 평균값 
상기와 같이 복수개의 센서를 이용하여 다중 이벤트를 수집하고 처리하는 단계(S10)에서는 스트림형태로 연속적으로 입수되는 센싱값을 시간대별로 클러스터링하고, 각각의 클러스터에서 평균값을 추출하여 처리하는 과정을 거치게 된다.
In the step S10 of collecting and processing multiple events using a plurality of sensors, the sensing values continuously received in a stream form are clustered by time zone, and the average value is extracted and processed in each cluster .
상기와 같은 단계(S10)에서 수집되고 처리된 데이터를 내부분산처리하는 단계(S20)는 센서로부터 입수되는 센싱값의 한 타임슬롯 내부에서 한 종류의 센서가 측정한 값을 구하기 위한 것으로 내부분산은 센서로부터 입수된 데이터 자체의 분산을 의미하는 것이다.The step S20 of internally distributing the data collected and processed in the step S10 is to obtain a value measured by one kind of sensor in a time slot of a sensing value obtained from the sensor, Means the dispersion of the data itself obtained from the sensor.
이는 센서 주변의 환경의 영향인 및 센서부품 자체의 불량요소, 센서가 보내온 값 자체의 오류의 요소 등의 노이즈신호로 인하여 분산을 상승시키는 요인이 되기 때문에, 이러한 불량요인을 제거하기 위해, 가중치와의 결합을 통하여 그 신뢰성을 판별하기 위한 것이다.
This is a factor that raises the dispersion due to noise signals such as the influence of the environment around the sensor and the defective elements of the sensor components themselves and the error of the value sent from the sensor itself. Therefore, in order to eliminate such defective factors, To determine its reliability.
이와 같은 내부분산을 처리방법은 전단계에서 추출한 평균값을 기반으로 하여 아래의 산술식을 활용하여 구할 수 있다.This method of internal dispersion can be obtained by using the following arithmetic expression based on the average value extracted from the previous stage.
상기 내부분산처리 하는 단계(S20)후 상기 수집 및 처리된 데이터를 외부분산처리 하는 단계(S30)는 복수개의 센서가 감지한 데이터들을 클러스터링한 클러스터들의 중심값들로부터 외부분산을 구하는 연산을 수행한다.The step of performing the external dispersion processing of the collected and processed data after the internal dispersion processing (S20) performs an operation of obtaining an external dispersion from the center values of the clusters of the data sensed by the plurality of sensors .
여기서 상기 외부분산은 서로 다른 복수개의 센서중 각각 센서로부터 입수된 데이터 값들이 형성한 클러스터간의 분산을 의미한다.Here, the external dispersion means a dispersion among clusters formed by the data values obtained from the respective sensors among the plurality of different sensors.
이와 같은 외부분산을 통하여 복수개의 센서에 감지되는 동일한 이벤트를 구분하기 위한 것이다.And to distinguish the same events detected by a plurality of sensors through such external dispersion.
보다 상세하게 설명하면, 각 센서들은 같은 상황에서 일정 오차를 갖는 서로 다른 값들을 입수할 것이고, 입수된 서로 다른 값들은 각각의 서로 다른 클러스터들을 형성하게 되는 문제가 발생하게 된다.More specifically, each sensor will acquire different values with a certain error in the same situation, and the different values obtained form different clusters.
그러나 이렇게 입수된 서로 다른 값들은 결과적으로 같은 상황과 이벤트를 감지한 신호로서, 다수개의 클러스터는 동일신호에 대한 중복신호가 될 수 있다.However, the different values obtained as a result are signals that detect the same situation and event, and a plurality of clusters can be a redundant signal for the same signal.
따라서, 이와 같은 중복신호 중 동일한 이벤트를 선별하기 위해, 각기 다른 클러스터간의 거리에 따라 동일한 이벤트이거나 상이한 이벤트로 구분하여 정확성 및 정밀성을 높일 수 있는 것이다.Accordingly, in order to select the same event among the duplicated signals, the same event or different event can be classified according to the distance between different clusters, thereby improving accuracy and precision.
예를 들어, 클러스터간의 거리가 가까울 경우 동일한 이벤트로 인식하게 되는 것이며, 클러스터간의 거리가 멀수록 상이한 이벤트로 구분하게 되는 것이다.For example, if the distances between the clusters are close to each other, they are recognized as the same event.
이와 같은 외부분산은 아래의 산술식에 의해 구해질 수 있다.Such external dispersion can be obtained by the following arithmetic expression.
상기 내부분산 및 외부분산처리를 통하여 획득된 각각의 분산값을 이용하여 가중치를 설정하는 단계(S40)는 내부분산과 외부분산과정을 거처 획득된 분산값에 대한 정확성 및 정밀성을 극대화 하기 위한 것으로, 내부분산값과 외부분산값 중 어느 하나의 분산값이 극단적으로 커질 경우 그 신뢰성이 의심될 수 있기 때문에, 이를 판별하기 위한 것이다.In step S40, a weight is set using each of the variance values obtained through the internal dispersion and the external dispersion processing. The step S40 maximizes the accuracy and precision of the variance values obtained through the internal dispersion and the external dispersion. This is because the reliability may be suspected when the dispersion value of either the internal dispersion value or the external dispersion value becomes extremely large.
예를 들어, 외부분산과 내부분산이 모두 0일경우 가중치는 최대값인 1이 되는 것이고, 이 값이 1에 가까울수록 데이터의 정확성이 높고 정밀도 또한 높아지기 때문이다.For example, when both the external dispersion and the internal dispersion are 0, the weight value becomes 1, which is the maximum value, and the closer the value is to 1, the higher the accuracy and the higher the accuracy of the data.
반대로, 외부분산과 내부분산 중 어느 하나가 극단적으로 높아지면 가중치는 최소값인 0에 가까워지므로 그 정확성 및 정밀도가 낮아지기 때문이다.On the contrary, if either the external dispersion or the internal dispersion becomes extremely high, the weight becomes close to the minimum value of 0, and the accuracy and precision thereof are lowered.
이와 같은 가중치는 아래의 산술식에 의해 구해진다.Such a weight is obtained by the following arithmetic expression.
상기 가중치를 결합하고 정규화 하여 단일파라미터로 처리한 최종 가중치를 연산하는 단계(S50)는 복수개의 센서로부터 입수되는 센싱값들을 단일파라미터로 처리하여 신뢰도가 높은 데이터를 추출하기 위한 것으로, 전단계(S40)에 획득된 가중치와 내부분산 및 외부분산을 적용하여 획득된 데이터를 이용하여 중요도에 따른 데이터를 추출하기 위한 것이다.The step S50 of combining the weights and normalizing them and calculating the final weights processed as a single parameter S50 is for extracting highly reliable data by processing the sensing values obtained from the plurality of sensors into a single parameter, And extracts data according to the importance by using the data obtained by applying the internal distribution and the external dispersion.
이와 같은 최종 가중치는 아래의 산술식에 의해 구해진다.This final weight is obtained by the following arithmetic expression.
여기서, wj는 j번째 센서의 가중치, aj는 j번째 센서값, W는 Di내 전 측정구간의 가중치의 집합이다.
Where w j is the weight of the jth sensor, a j is the jth sensor value, and W is a set of weights of the entire measurement interval in Di.
상기와 같은 최종 가중치를 이용하여 센서 데이터값을 평가하는 단계(S60)는 최종가충치값을 적용하여 센싱된 데이터값의 중요도를 파악하여 신뢰성 높은 데이터를 획득하기 위한 것이다.The step of evaluating the sensor data value using the final weight as described above is for acquiring reliable data by grasping the importance of the sensed data value by applying the final decay value.
상기 전단계(S50)에서 획득된 최종가중치는 가중치와 단일 데이터의 내적을 계산한 후 원 데이터의 합으로 나눈 값을 모든 데이터에 적용하여 합을 취하는 것으로, di의 모든 합은 1이 된다. 따라서, di의값은 0과 1사이에 존재하게 되는 것이다.The final weights obtained in the previous step (S50) is taken to be the sum by applying a value obtained by dividing the sum of the original and then calculates the dot product of the weight and the single data data to all the data, all the sum of d i is a 1. Therefore, the value of d i is between 0 and 1.
이와 같은 최종가중치와 데이터를 곱하여 획득한 값이 0과 1사이에서 결정되는 것이며, 그 값이 1에 가까울수록 중요도가 높고, 0에 가까울수록 중요도가 낮아지도록 정규화 되는 것이다.The value obtained by multiplying the final weight by the data is determined between 0 and 1. The closer the value is to 1, the higher the importance, and the closer to 0, the lower the importance.
상기와 같이 그 결과값이 1일 때, 원 데이터를 그대로 반영하여 처리값이 1이 되는 것이고, 이는 외부분산 및 내부분산이 존재하지 않는 매우 이상적인 경우에 1이 되는 것으로서, 그 결과값이 1에 가까울 수록 그 신뢰성이 높아지는 것이다.As described above, when the resultant value is 1, the original value is reflected as it is, and the processed value becomes 1. This is 1 in a very ideal case in which there is no external variance and internal variance, The closer the distance is, the higher the reliability.
이와는 반대로 그 결과값이 0에 가까울수록 그 신뢰성이 적은 것으로 이러한 상황에서 센싱된 값은 의미없는 이벤트로 판단할 수 있는 것이다.
On the contrary, the closer the result value is to 0, the less reliable it is. In such a situation, the sensed value can be judged as meaningless event.
도 2는 본 발명에 따른 다중 센서를 이용하는 다중 이벤트 식별 장치의 구성도이고, 도 3은 도 1에 따른 2 개의 음향 센서가 감지한 3가지 이벤트가 포함된 데이터를 도시한 도면이고, 도 4 내지 도 8은 도 1에 따른 각 시간간격별로 입수된 데이터들의 분포를 도시한 도면이고, 도 9는 도 1에 따른 2 개의 센서에 혼재한 3개의 이벤트를 구분한 결과를 도시한 도면이다.
FIG. 3 is a view showing data including three events sensed by the two acoustic sensors according to FIG. 1, and FIG. 4 is a view showing a state of the multi- FIG. 8 is a view showing a distribution of data obtained at each time interval according to FIG. 1, and FIG. 9 is a diagram showing a result of dividing three events mixed in two sensors according to FIG.
이하에서, 도 2 내지 도 9를 참조하여 본 발명에 따른 다중센서를 이용하는 다중이벤트 식별장치 및 그 동작예시를 설명하도록 한다.
Hereinafter, a multiple event identification apparatus using multiple sensors according to the present invention and an operation example thereof will be described with reference to FIG. 2 to FIG.
본 발명에 따른 다중 센서를 이용하는 다중 이벤트 식별 장치(100)는 복수 개의 센서(110a,110b)와 제어부(120)를 포함하여 구성된다.A multi-event identification apparatus (100) using multiple sensors according to the present invention includes a plurality of sensors (110a, 110b) and a controller (120).
상기 복수 개의 센서(110a,110b)는 2개 이상으로 음향 데이터 수집에 적합하도록 일정 거리 떨어져 위치하며 움직이는 동물, 사람 및 차량으로부터 생성되는 하나 이상의 소리로 이루어진 다중 이벤트(S1,S2,S3)를 수집하기 위한 음향 센서로 이루어지며, 상기 음향 센서는 음향 마이크, 픽업 센서 또는 진동 센서 중 어느 하나 일 수 있다.The plurality of
여기서 상기 다중 센서(110a,110b)는 동일한 종류의 복수 개의 센서로 이루어지고, 음향 센서, 무게 센서, 충격 센서 중 어느 하나이며 데이터 수집에 적합하도록 각각의 센서는 떨어져 위치한다.Here, the
또한 상기 다중 이벤트(S1,S2,S3)는 정적 또는 동적인 동물, 사람 및 차량으로부터 생성되는 하나 이상의 소리, 무게 또는 충격일 수 있다.Also, the multiple events S1, S2, S3 may be one or more sounds, weights, or shocks generated from static or dynamic animals, people, and vehicles.
본 발명은 차량의 에어백(Air bag), 자동 브레이크, 의자 장력 조절 시스템 또는 시각 장애인 보조 장치 등에 적용가능 할 수 있다.The present invention can be applied to an air bag of a vehicle, an automatic brake, a chair tension control system, or a blind assistant device.
상기 제어부(120)는 도 1에 도시된 본 발명의 제어 알고리즘(소프트웨어)을 내장하는 메모리와 데이터 연산 및 처리를 수행하는 CPU를 포함할 수 있다.
The
도면 3 내지 5를 참조하면, 도면 3은 2 개의 음향 센서를 통하여 3개의 이벤트를 포함한 음향 데이터를 감지하고 이를 호스트(제어부:120)로 보고한 도면이다.Referring to FIGS. 3 to 5, FIG. 3 is a view showing sound data including three events through two acoustic sensors and reporting the detected sound data to a host (controller) 120.
각 센서들은 동일한 3개의 이벤트를 감지하였고, 각 센서들이 보고한 데이터 스트림에는 각각 3개의 이벤트 정보가 포함되어 있다.Each sensor detects three identical events, and each sensor reports three event information in each data stream.
감지한 시간 간격은 0.1초 였고, 연속적으로 보고하는 데이터 스트림에 대한 시간 간격은 30초로 하였다.The sensed time interval was 0.1 seconds, and the time interval for the continuously reported data stream was 30 seconds.
각 시간 간격에는 300개 씩의 Raw 데이터들이 포함되어 있고 이 Raw 데이터에는 3개의 이벤트가 혼재되어 있는 것이다.At each time interval, 300 raw data are included, and 3 raw events are mixed in this raw data.
실험은 이러한 데이터들을 대상으로 클러스터링을 하고 본 발명에서 제안한 구분 방안을 적용하는 순서로 진행하였다.Experiments were carried out in the order of clustering on these data and applying the classification scheme proposed in the present invention.
도면 3은 음향 센서(110a,110b)가 감지하여 보고한 전체 Raw 데이터들을 그래프로 나타낸 것으로 2개의 센서(110a,110b)는 음향을 감지하는 센서로써 1초당 10회씩 감지 활동을 하여 보고 하였다.FIG. 3 is a graph showing all the raw data detected and reported by the
이 감지 데이터에는 3가지 이벤트(S1,S2,S3)가 포함되어 있었다.The sensed data contained three events (S1, S2, S3).
이와 같이 덩어리에 혼재되어 있는 이벤트들을 구분해 내는 것이 본 발명의 목표이다.
It is an object of the present invention to classify events that are mixed in the mass.
도면 4 내지 도 8은 각 시간 간격별로 입수된 데이터의 분포를 나타낸 것으로 각 시간 간격에서의 센서별 감지 데이터이다.4 to 8 show the distribution of data acquired at each time interval, and are sensor-specific sensing data at each time interval.
연속적으로 입수되는 데이터들을 일정한 시간 간격으로 나누었고 본 실험에서는 30초의 간격으로 입수되는 데이터 스트림으로 나누었다.In this experiment, we divided the data into consecutive data streams at intervals of 30 seconds.
그림의 타임 슬롯1(Time slot1)은 0.1초부터 30초까지, 타임 슬롯2(Time slot2)는 30.1초부터 60초까지, 이렇게 구분하여 타임 슬롯5(Time slot5)는 120.1초부터 150초까지 시간 간격을 나눈 것이다.The
이와 같이 입수된 데이터들에 대하여 본 발명에서 제안한 방안에 따라 구분한 결과 다음의 도 5와 같이 구분되었다.
The data obtained in this manner are classified according to the method proposed by the present invention as shown in the following FIG.
도면 9는 2개의 센서(110a,110b)에 혼재된 3개의 이벤트를 구분한 결과를 도시한 도면이다.FIG. 9 is a diagram showing the results of dividing three events mixed in two
이상의 동작실험을 통해서 입증한 바는 여러 개의 센서들이 여러 개의 이벤트를 데이터 스트림에 포함하고 있을 때 이를 이벤트별로 구분할 수 있음을 보였다.Experiments have shown that multiple sensors can distinguish between events when they contain multiple events in the data stream.
이와 같이 각 이벤트별로 구분하는 것은 이를 이용하여 데이터 융합 처리에 도움을 줄 수 있으며 센서에 포함된 이벤트 정보를 토대로 상황을 추론할 수 있으므로 그 활용 가치가 충분하다고 하겠다.In this way, it is helpful to distinguish each event by using it, and it can be helpful in data convergence processing, and the situation can be deduced based on the event information included in the sensor.
본 발명을 정리하면 연속적으로 입수되는 데이터 스트림을 이루고 있는 환경에서 여러 개의 센서가 감지하여 보고한 데이터에 여러 가지 이벤트가 동시에 감지되어 각 이벤트 데이터들이 혼재되어 있을 때 센서 데이터에 포함된 여러 개의 이벤트를 구별하는 방안을 제안하였다.According to an embodiment of the present invention, when a plurality of events are simultaneously detected in data detected by a plurality of sensors in a continuous data stream, and a plurality of event data are mixed, And suggests ways to distinguish them.
본 발명은 이러한 조건에서 각 센서가 감지한 데이터에 대한 빠른 분석을 통하여 각 이벤트들을 구별하도록 하였다.The present invention distinguishes each event through quick analysis of the data sensed by each sensor under these conditions.
이를 위하여 센서 데이터에 대한 클러스터링을 실시한 후 먼저 각 센서가 구분하는 이벤트 클러스터의 내부 분산을 계산하였고 이것이 시간의 흐름에 따라 어떻게 변화하는지 확인하였다.To do this, we first clustering the sensor data, and then calculating the internal variance of the event clusters that each sensor identifies and how it changes over time.
그 다음으로 동일한 이벤트를 감지하는 각 센서들의 클러스터들을 비교하였다.Next, the clusters of each sensor that detects the same event are compared.
이 과정을 거침으로써 감지한 이벤트를 보다 명확하게 구별할 수 있는 것이다.
Through this process, the detected events can be more clearly distinguished.
S1,S2,S3 : 이벤트
110a,110b : 센서
120 : 제어부S1, S2, S3: Events
110a, 110b:
120:
Claims (6)
복수개의 센서를 이용하여 다중이벤트를 수집하고 처리하는 다중이벤트 수집단계(S10);
상기 수집되어 처리된 데이터를 내부분산처리 하는 단계(S20);
상기 수집 및 처리단계에서 처리된 데이터를 외부분산처리 하는 단계(S30);
상기 내부분산 및 외부분산처리를 통하여 획득된 각각의 분산값을 이용하여 가중치를 설정하는 단계(S40);
상기 가중치를 결합하고 정규화 하여 단일파라미터로 처리한 최종 가중치를 연산하는 단계(S50); 및
최종가중치에 따른 센서 데이터값을 평가하는 단계(S60)로 구성되는 것을 특징으로 하는 다중센서를 이용하는 다중이벤트 식별방법.
A method for identifying multiple events using multiple sensors, the method comprising:
(S10) for collecting and processing multiple events using a plurality of sensors;
Internally distributing the collected and processed data (S20);
(S30) of distributing the processed data in the collecting and processing step;
Setting a weight using each of the variance values obtained through the internal dispersion and the external dispersion processing (S40);
Combining and normalizing the weights to calculate final weights processed as a single parameter (S50); And
And evaluating a sensor data value according to a final weight (S60).
상기 다중이벤트 수집단계(S10)는 복수개의 센서로부터 인식되는 신호를 클러스터링하여 데이터화하며, 동시간대에 입력된 복수개의 이벤트를
The method according to claim 1,
The multi-event collecting step (S10) clusters the signals recognized by the plurality of sensors and converts the collected data into a plurality of events,
상기 외부분산처리 하는 단계(S30)는 단계는 복수개의 센서에 감지되는 동일이벤트를 구분위해, 복수개의 센서에 감지되어 처리된 클러스터간의 거리를 판단하여 동일이벤트를 판별하는 것으로,
3. The method of claim 2,
The step of performing the external dispersion processing S30 may include determining a distance between the clusters detected by the plurality of sensors to identify the same event detected by the plurality of sensors,
상기 단계(S50)에서, 최종 가중치는 각각의 센서에서 연산된 가중치를 결합하고 정규화하여 단일 파라미터로 처리된 것으로 아래의 수학식으로 표현되며,
여기서 wj는 j번째 센서의 가중치, aj는 j번째 센서값, W는 Di내 전 측정 구간의 가중치의 집합인 것을 특징으로 하는 다중센서를 이용하는 다중이벤트 식별 방법.
The method according to claim 1,
In the step S50, the final weights are obtained by combining and normalizing the weights calculated by the respective sensors, and processing the result as a single parameter, expressed by the following equation,
Wherein w j is a weight of the j-th sensor, a j is a j-th sensor value, and W is a set of weights of all the measurement periods in D i .
다중 이벤트 데이터 수집에 적합하도록 일정 거리 떨어져 위치하는 복수 개의 센서;와
상기 복수 개의 센서로부터 출력된 전기적인 신호를 입력받고 각각의 센서에서 데이터 클러스터링 방법을 이용하여 상기 다중 이벤트를 분류하고 각각의 클러스터의 내부분산과 평균값을 연산하고 상기 각각의 센서에서 특정한 이벤트로 분류된 각각의 클러스터의 중심 사이의 거리로 표현되는 외부 분산을 연산하고 상기 각각의 센서에서 상기 내부 분산과 외부 분산을 이용한 가중치를 설정하고 상기 각각의 센서에서 연산된 가중치를 결합하고 정규화하여 단일 파라미터로 처리한 최종 가중치를 연산하고 상기 연산된 최종 가중치에 따른 센서 데이터값을 평가하는 제어를 포함하는 것을 특징으로 하는 다중 센서를 이용하는 다중 이벤트 식별 장치.1. A multiple event identification device using multiple sensors,
A plurality of sensors positioned a certain distance apart from each other to be suitable for collecting multiple event data;
An electric signal output from the plurality of sensors is received, each sensor classifies the multiple events using a data clustering method, calculates an internal variance and an average value of each cluster, Calculating an external dispersion represented by a distance between centers of the respective clusters, setting weight values using the internal dispersion and external dispersion in the respective sensors, combining the weight values calculated by the respective sensors, normalizing the weight values, And a control unit for calculating a final weight and evaluating a sensor data value according to the calculated final weight value.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140114396A KR101585865B1 (en) | 2014-08-29 | 2014-08-29 | Multiple event discriminating method and apparatus using multiple sensors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140114396A KR101585865B1 (en) | 2014-08-29 | 2014-08-29 | Multiple event discriminating method and apparatus using multiple sensors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101585865B1 true KR101585865B1 (en) | 2016-01-18 |
Family
ID=55305820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140114396A KR101585865B1 (en) | 2014-08-29 | 2014-08-29 | Multiple event discriminating method and apparatus using multiple sensors |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101585865B1 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003296877A (en) * | 2002-03-29 | 2003-10-17 | Natl Inst For Land & Infrastructure Management Mlit | Sensor selection method using data certainty, and road traffic monitoring system using the same |
| JP2006105981A (en) * | 2004-09-30 | 2006-04-20 | General Electric Co <Ge> | System and method for sensor validation and fusion |
| KR20110070049A (en) * | 2009-12-18 | 2011-06-24 | 한국전자통신연구원 | The apparatus and method for aggregating data in an wireless sense network |
| KR101096800B1 (en) * | 2008-12-05 | 2011-12-21 | 한국전자통신연구원 | Location based environment data query reply and data fusion method in sensor network |
| KR101352846B1 (en) * | 2013-07-19 | 2014-01-20 | (주)에스티씨 | Context inference system and its method using multi sensor data fusing method based on probability theory |
-
2014
- 2014-08-29 KR KR1020140114396A patent/KR101585865B1/en active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003296877A (en) * | 2002-03-29 | 2003-10-17 | Natl Inst For Land & Infrastructure Management Mlit | Sensor selection method using data certainty, and road traffic monitoring system using the same |
| JP2006105981A (en) * | 2004-09-30 | 2006-04-20 | General Electric Co <Ge> | System and method for sensor validation and fusion |
| KR101096800B1 (en) * | 2008-12-05 | 2011-12-21 | 한국전자통신연구원 | Location based environment data query reply and data fusion method in sensor network |
| KR20110070049A (en) * | 2009-12-18 | 2011-06-24 | 한국전자통신연구원 | The apparatus and method for aggregating data in an wireless sense network |
| KR101352846B1 (en) * | 2013-07-19 | 2014-01-20 | (주)에스티씨 | Context inference system and its method using multi sensor data fusing method based on probability theory |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8712740B2 (en) | Signal judgment method, signal judgment apparatus, program, and signal judgment system | |
| CN106323452B (en) | A kind of detection method and detection device of equipment abnormal sound | |
| TW201802626A (en) | Anomaly data priority assessment device and anomaly data priority assessment method | |
| JP2018526711A5 (en) | ||
| CN106580282A (en) | Human body health monitoring device, system and method | |
| WO2005101346A1 (en) | Recording/analyzing system for accidental event | |
| WO2009090584A2 (en) | Method and system for activity recognition and its application in fall detection | |
| Clemente et al. | Indoor person identification and fall detection through non-intrusive floor seismic sensing | |
| US20190034786A1 (en) | System and Method for Making Nuclear Radiation Detection Decisions and/or Radionuclide Identification Classifications | |
| CN106796157A (en) | Abnormal method in detection distribution network, particularly drinking water distribution network | |
| CN109255201B (en) | SOM-MQE-based ball screw pair health assessment method | |
| KR20210145923A (en) | A deep-learning system based small learning data-set and method of deep-learning used it | |
| KR102392951B1 (en) | Equipment failure prediction system having multi-channel sensors for receiving acoustic signals in the ultrasonic band | |
| Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
| CN106706109B (en) | Vibration source identification method and system based on time domain two-dimensional characteristics | |
| KR101585865B1 (en) | Multiple event discriminating method and apparatus using multiple sensors | |
| WO2022044175A1 (en) | Data processing device, data processing method, and data processing program | |
| KR101886210B1 (en) | Measuring instrument reliability evaluation apparatus and operating method thereof | |
| Colonna et al. | A distributed approach for classifying anuran species based on their calls | |
| TWI636276B (en) | Method of determining earthquake with artificial intelligence and earthquake detecting system | |
| KR101616886B1 (en) | Multiple event discriminating method and apparatus for single sensor | |
| JP5780724B2 (en) | Sound detection device, sound detection method and sound detection system | |
| CN112614298A (en) | Composite smoke sensation monitoring method based on intra-class interaction constraint layering single classification | |
| TWI627387B (en) | Vibration sensor status identification method and related computer program product | |
| KR20190088596A (en) | Statistical population control system based on multiple camera image analysis and its method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20200212 Year of fee payment: 5 |