CN104573821A - 一种通过多参数融合处理设备状态的方法和系统 - Google Patents

Abstract

本发明适用于物联网领域，提供了一种通过多参数融合处理设备状态的方法和系统，所述方法包括：数据采集器采集智能社区的社区数据，并将所述社区数据发送到数据处理器；所述数据处理器根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据；数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理。实施发明实施例，可以提高智能社区决策的正确性和反应的快速性，使智能社区更加智能和完善。

Description

一种通过多参数融合处理设备状态的方法和系统

技术领域

本发明属于物联网领域，尤其涉及一种通过多参数融合处理设备状态的方法和系统。

背景技术

智能社区，又称数字社区，是指在社区地域范围内，以住宅小区为平台，有意识地综合利用各类通信基础设施和信息处理技术，将网络通信、智能家居、车辆管理、安保巡逻监控、远程教育和医疗、智能物业管理等整合在一个高效的系统中，提供最适合的社区生活解决方案，为社区内各类群体提供便捷服务，并满足社区发展的各类需求，提高居民生活质量，推动社区的和谐构建。

目前，在智能社区的建设中，通常使用物联网技术加以构建，但是在物联网应用的具体过程中，需要数量众多且分布广泛的各类传感器来感知并获取社区空间的各种信息，比如分布在不同位置的多个同类或不同类的视频、温度、湿度、红外、烟雾、煤气、PM2.5等传感器，由于同一类传感器往往只提供局部信息，且有时存在信息的冗余，而不同类传感器所提供的信息又往往具有数据类型的高度相异性和内容的高度模糊性。因此，急需要采用一种应用于智能社区的多参数融合系统和融合方法将多种数据资源加以综合，消除信息之间可能存在的冗余，降低信息的不确定性，并获得被测对象的一致性解释与描述，从而提高智能社区决策的正确性和反应的快速性，使智能社区真正意义上实现智能。

发明内容

鉴于此，本发明提供一种通过多参数融合处理设备状态的方法和系统，以解决现有技术的不同类传感器获得相异和模糊数据问题。

本发明实施例是这样实现的，一种通过多参数融合处理设备状态的方法，所述方法包括以下步骤：

数据采集器采集智能社区的社区数据，并将所述社区数据发送到数据处理器；

所述数据处理器根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据，所述处理算法包括：卡尔曼滤波算法、聚类分析算法和模糊推理算法；

数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理。

本发明实施例还提供一种通过多参数融合处理设备状态的系统，所述系统包括：

数据采集器，用于采集智能社区的社区数据，并将所述社区数据发送到数据处理器；

数据处理器，用于接收所述数据采集器采集的社区数据，根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据，将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理，所述处理算法包括：卡尔曼滤波算法、聚类分析算法和模糊推理算法。

本发明实施例，数据采集器采集智能社区的社区数据，将数据发送到数据处理器，数据处理器根据预设的处理算法对社区数据进行对象识别和一致性描述，获取经过融合的社区数据，并根据该社区数据对设备进行处理，采用多参数融合方法消除多传感器所带来的信息模糊以及类型的相异，降低不确定性，获得被测对象的一致性解释与描述，从而提高智能社区决策的正确性和反应的快速性，使智能社区更加智能和完善。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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是本发明实施例提供的通过多参数融合处理设备状态方法的流程图；

图2是本发明实施例提供的通过多参数融合处理设备状态系统的结构图；

图3是本发明实施例提供的数据处理器的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

如图1所示为本发明实施例提供的通过多参数融合处理设备状态方法的流程图，所述方法包括以下步骤：

步骤S101，数据采集器采集智能社区的社区数据，并将所述社区数据发送到数据处理器。

在本发明实施例中，安装于智能社区的多个不同的数据采集器采集不同的社区数据，对该社区数据进行压缩和编码等预处理，并将采集的社区数据发送到数据处理器，其中，该社区数据包括但不限于：视频数据、温度数据、湿度数据、红外数据、烟雾数据、煤气数据、PM2.5数据等，该数据采集器包括但不限于：视频摄像头、红外传感器、温度传感器、湿度传感器、烟雾传感器、煤气传感器、PM2.5传感器等。

例如：视频摄像头采集视频数据、红外传感器采集生物散发的红外数据、温度传感器采集环境温度数据、湿度传感器采集湿度数据、烟雾传感器采集烟雾数据、煤气传感器采集煤气数据、PM2.5传感器采集PM2.5数据。

步骤S102，所述数据处理器根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据，所述处理算法包括：卡尔曼滤波算法、聚类分析算法和模糊推理算法。

在本发明实施例中，数据处理器接收数据采集器采集的智能社区的社区数据，通过预设的处理算法对该社区数据进行对象识别和一致性描述，获取经过融合的社区数据。所述数据处理器根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据的步骤，包括：

1、通过预设的卡尔曼滤波算法估计所述社区数据的最佳状态。

在本发明实施例中，智能社区中数据采集器建立的系统模型为：

x_k+1＝A_kx_k+w_k

y_k＝C_kx_k+v_k

其中，A和C为已知系数矩阵，k为传感器的数据采集时间，x为系统状态向量，y为传感器采集到的实时数据，w和v分别为传感器采集过程中夹杂的均值为零方差为Q和R噪声。

则基本的卡尔曼滤波公式为

${\hat{x}}_{k+1|k}^{^}=A_k{x}_{k|k}$

$P_{k+1|k}=A_k{P}_{k|k}{A}_k^T+Q_k$

${\hat{x}}_{k+1|k+1}^{^^}=x_{k+1|k}+K_{k+1}(y_k-C_{k+1}{x}_{k+1|k})$

P_k+1|k+1＝(I-K_k+1C_k+1)P_k+1|k

$K_{k+1}=P_{k+1|k}{C}_{k+1}^T{(C_{k+1}{P}_{k+1|k}{C}_{k+1}^T+R_k)}^{-1}$

其中，为系统状态x通过滤波后得到的最佳估计状态，P为滤波误差的协方差，K为卡尔曼滤波增益。

2、通过聚类分析算法提取所述最佳状态的社区数据的特征参数，并根据所述特征参数之间的相似度对所述特征参数进行分类。

在本发明实施例中，数据处理器对最佳状态的社区数据进行归一处理，提取该社区数据的特征参数向量，对每个特征向量参数，计算其对每个其他特征参数向量的相似性度量，根据预设的相似度准则(如：最近距离准则、最远距离准则等)建立相似实体组，确认获取的聚类解，即分类特征信息，根据该分类特征信息进行分类。

3、通过模糊推理算法对所述特征参数进行对象识别和一致性描述，获取经过融合的社区数据。

在本发明实施例中，数据处理器对聚类分析后的分类特征信息模糊化，即根据分类特征信息的物理含义，建立隶属函数，把分类特征信息变成隶属值，根据预设的模糊规则进行对象识别，获取推理信息，对该推理信息进行去模糊化，即推理信息对对象的一致性解释与描述。所述模糊规则包括但不限于：

If(特征) Then(类别)

或

If(条件) Then(结论)

举例如：

If(居室内温度和湿度高于小区环境温度和湿度，且室内PM2.5值远大于小区环境PM2.5值)

Then(自动打开居室窗户)

步骤S103，数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理。

在本发明实施例中，数据处理器中预设有设备处理条件，经过融合的社区数据与设备处理条件进行比对，如果社区数据与设备处理条件相匹配，则对智能社区中的设备进行处理。

举例说明：

假设设备处理条件为：如果居室内温度和湿度高于小区环境温度和湿度，且室内PM2.5值远大于小区环境PM2.5值，就自动打开居室窗户。则数据处理器融合温度、湿度和PM2.5值三种社区数据，然后将经过融合的社区数据与设备处理条件进行比对。

本发明实施例，数据采集器采集智能社区的社区数据，将数据发送到数据处理器，数据处理器根据预设的处理算法对社区数据进行对象识别和一致性描述，获取经过融合的社区数据，并根据该社区数据对设备进行处理，采用多参数融合方法消除多传感器所带来的信息模糊以及类型的相异，降低不确定性，获得被测对象的一致性解释与描述，从而提高智能社区决策的正确性和反应的快速性，使智能社区更加智能和完善。

作为本发明的一个可选实施例，在所述数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理的步骤之后，所述方法还包括以下步骤：

数据处理器将所述处理的结果发送到用户的终端。

在本发明实施例中，数据处理器在对设备进行处理之后，可以将处理结果发送到用户的终端，以使用户获取对设备的处理结果，该终端可以是手持的终端(如：手机，平板电脑)，也可以是固定的终端(如：个人电脑)，在此不做限定。

作为本发明的另一个可选实施例，在所述数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理的步骤之前，所述方法还包括以下步骤：

数据处理器预设所述设备处理条件。

实施例二

如图2所示为本发明实施例提供的通过多参数融合处理设备状态系统的结构图，为了便于说明，仅示出与本发明实施例相关的部分，包括：

数据采集器21，用于采集智能社区的社区数据，并将所述社区数据发送到数据处理器22。

在本发明实施例中，安装于智能社区的多个不同的数据采集器21采集不同的社区数据，对该社区数据进行压缩和编码等预处理，并将采集的社区数据发送到数据处理器22，其中，该社区数据包括但不限于：视频数据、温度数据、湿度数据、红外数据、烟雾数据、煤气数据、PM2.5数据等，该数据采集器21包括但不限于：视频摄像头、红外传感器、温度传感器、湿度传感器、烟雾传感器、煤气传感器、PM2.5传感器等。

例如：视频摄像头采集视频数据、红外传感器采集生物散发的红外数据、温度传感器采集环境温度数据、湿度传感器采集湿度数据、烟雾传感器采集烟雾数据、煤气传感器采集煤气数据、PM2.5传感器采集PM2.5数据。

数据处理器22，用于接收所述数据采集器21采集的社区数据，根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据，将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理，所述处理算法包括：卡尔曼滤波算法、聚类分析算法和模糊推理算法。

在本发明实施例中，数据处理器22接收数据采集器21采集的智能社区的社区数据，通过预设的处理算法对该社区数据进行对象识别和一致性描述，获取经过融合的社区数据。如图3所示为数据处理器22的结构图，所述数据处理器22包括：

最佳状态估计单元221，用于通过预设的卡尔曼滤波算法估计所述社区数据的最佳状态。

在本发明实施例中，智能社区中数据采集器建立的系统模型为：

x_k+1＝A_kx_k+w_k

y_k＝C_kx_k+v_k

其中，A和C为已知系数矩阵，k为传感器的数据采集时间，x为系统状态向量，y为传感器采集到的实时数据，w和v分别为传感器采集过程中夹杂的均值为零方差为Q和R噪声。

则基本的卡尔曼滤波公式为

${\hat{x}}_{k+1|k}^{^}=A_k{x}_{k|k}$

$P_{k+1|k}=A_k{P}_{k|k}{A}_k^T+Q_k$

${\hat{x}}_{k+1|k+1}^{^^}=x_{k+1|k}+K_{k+1}(y_k-C_{k+1}{x}_{k+1|k})$

P_k+1|k+1＝(I-K_k+1C_k+1)P_k+1|k

$K_{k+1}=P_{k+1|k}{C}_{k+1}^T{(C_{k+1}{P}_{k+1|k}{C}_{k+1}^T+R_k)}^{-1}$

其中，为系统状态x通过滤波后得到的最佳估计状态，P为滤波误差的协方差，K为卡尔曼滤波增益。

分类单元222，用于通过聚类分析算法提取所述最佳状态估计单元221估计的最佳状态的社区数据的特征参数，并根据所述特征参数之间的相似度对所述特征参数进行分类。

在本发明实施例中，数据处理器对最佳状态的社区数据进行归一处理，提取该社区数据的特征参数向量，对每个特征向量参数，计算其对每个其他特征参数向量的相似性度量，根据预设的相似度准则(如：最近距离准则、最远距离准则等)建立相似实体组，确认获取的聚类解，即分类特征信息，根据该分类特征信息进行分类。

融合数据获取单元223，用于通过模糊推理算法对所述分类单元222分类的特征参数进行对象识别和一致性描述，获取经过融合的社区数据。

在本发明实施例中，数据处理器对聚类分析后的分类特征信息模糊化，即根据分类特征信息的物理含义，建立隶属函数，把分类特征信息变成隶属值，根据预设的模糊规则进行对象识别，获取推理信息，对该推理信息进行去模糊化，即推理信息对对象的一致性解释与描述。所述模糊规则包括但不限于：

If(特征) Then(类别)

或

If(条件) Then(结论)

举例如：

If(居室内温度和湿度高于小区环境温度和湿度，且室内PM2.5值远大于小区环境PM2.5值)

Then(自动打开居室窗户)

数据处理器中预设有设备处理条件，经过融合的社区数据与设备处理条件进行比对，如果社区数据与设备处理条件相匹配，则对智能社区中的设备进行处理。

举例说明：

假设设备处理条件为：如果居室内温度和湿度高于小区环境温度和湿度，且室内PM2.5值远大于小区环境PM2.5值，就自动打开居室窗户。则数据处理器融合温度、湿度和PM2.5值三种社区数据，然后将经过融合的社区数据与设备处理条件进行比对。

本发明实施例，数据采集器采集智能社区的社区数据，将数据发送到数据处理器，数据处理器根据预设的处理算法对社区数据进行对象识别和一致性描述，获取经过融合的社区数据，并根据该社区数据对设备进行处理，采用多参数融合方法消除多传感器所带来的信息模糊以及类型的相异，降低不确定性，获得被测对象的一致性解释与描述，从而提高智能社区决策的正确性和反应的快速性，使智能社区更加智能和完善。

作为本发明的一个可选实施例，所述数据处理器22还用于将所述处理的结果发送到用户的终端。

在本发明实施例中，数据处理器在对设备进行处理之后，可以将处理结果发送到用户的终端，以使用户获取对设备的处理结果，该终端可以是手持的终端(如：手机，平板电脑)，也可以是固定的终端(如：个人电脑)，在此不做限定。

作为本发明的另一个可选实施例，所述数据处理器22还用于预设所述设备处理条件。

本领域普通技术人员可以理解为上述实施例二所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员还可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，包括ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种通过多参数融合处理设备状态的方法，其特征在于，所述方法包括以下步骤：

数据采集器采集智能社区的社区数据，并将所述社区数据发送到数据处理器；

所述数据处理器根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据，所述处理算法包括：卡尔曼滤波算法、聚类分析算法和模糊推理算法；

数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理。

2.如权利要求1所述的方法，其特征在于，在所述数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理的步骤之后，所述方法还包括以下步骤：

数据处理器将所述处理的结果发送到用户的终端。

3.如权利要求1所述的方法，其特征在于，在所述数据处理器将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理的步骤之前，所述方法还包括以下步骤：

数据处理器预设所述设备处理条件。

4.如权利要求1～3任一项所述的方法，其特征在于，所述数据处理器根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据的步骤，包括：

通过预设的卡尔曼滤波算法估计所述社区数据的最佳状态；

通过聚类分析算法提取所述最佳状态的社区数据的特征参数，并根据所述特征参数之间的相似度对所述特征参数进行分类；

通过模糊推理算法对所述特征参数进行对象识别和一致性描述，获取经过融合的社区数据。

5.一种通过多参数融合处理设备状态的系统，其特征在于，所述系统包括：

数据采集器，用于采集智能社区的社区数据，并将所述社区数据发送到数据处理器；

数据处理器，用于接收所述数据采集器采集的社区数据，根据预设的处理算法对所述社区数据进行对象识别和一致性描述，获取经过融合的社区数据，将所述经过融合的社区数据与预设的设备处理条件进行比对，如果所述经过融合的社区数据与所述设备处理条件相匹配，则对设备进行处理，所述处理算法包括：卡尔曼滤波算法、聚类分析算法和模糊推理算法。

6.如权利要求5所述的系统，其特征在于，所述数据处理器还用于将所述处理的结果发送到用户的终端。

7.如权利要求5所述的系统，其特征在于，所述数据处理器还用于预设所述设备处理条件。

8.如权利要求5～7任一项所述的系统，其特征在于，所述数据处理器包括：

最佳状态估计单元，用于通过预设的卡尔曼滤波算法估计所述社区数据的最佳状态；

分类单元，用于通过聚类分析算法提取所述最佳状态估计单元估计的最佳状态的社区数据的特征参数，并根据所述特征参数之间的相似度对所述特征参数进行分类；

融合数据获取单元，用于通过模糊推理算法对所述分类单元分类的特征参数进行对象识别和一致性描述，获取经过融合的社区数据。3 -->