CN106227660A - 一种用于模拟真实物理环境的仿真数据生成方法 - Google Patents
一种用于模拟真实物理环境的仿真数据生成方法 Download PDFInfo
- Publication number
- CN106227660A CN106227660A CN201610579193.XA CN201610579193A CN106227660A CN 106227660 A CN106227660 A CN 106227660A CN 201610579193 A CN201610579193 A CN 201610579193A CN 106227660 A CN106227660 A CN 106227660A
- Authority
- CN
- China
- Prior art keywords
- data
- simulating
- environment parameter
- generation
- time
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
Abstract
本发明提供一种用于模拟真实物理环境的仿真数据生成方法,包括:1)接收一系列真实环境数据;2)将真实环境数据的采集时间段划分为多个时间区间,其中每个时间区间的不同位置的数据点视为同一时刻采集;3)对于每个时间区间,根据同一时刻的多个不同位置的数据值,基于高斯过程模型对物理环境参量的空间分布进行拟合,进而得到该时间区间对应的时刻下任意指定位置的所述物理环境参量的值;4)对于每一个位置,根据已获得的该位置的不同时刻的数据值进行时间趋势建模,获得该位置下的时间趋势函数;5)根据指定的时刻和位置,生成所述物理环境参量的仿真数据。本发明能够以很小的开销生成海量仿真环境数据;且本发明可配置性强;通用性强。
Description
技术领域
本发明涉及物理环境仿真技术领域,具体地说,本发明涉及一种用于模拟真实物理环境的仿真数据生成方法。
背景技术
物联网应用系统是人们感知控制物理世界的重要手段。大部分物联网应用使用真实物理环境作为输入,物理环境的实时状态将直接影响物联网应用的执行结果,所以,精确、批量生成物联网模拟数据对物联网应用研发、调试与测试有重要的意义。在这些系统的开发阶段中,是否能估计到物理世界数据的变化对物联网系统执行状态的影响,将直接决定系统的可靠性。
传统物联网仿真平台中对该物理环境建模方法进行过对应的尝试,但无通用地支持物理现象的仿真。例如NWU研究人员使用Java开发的SIDnet-SWANS仿真平台,该仿真平台中,用户通过该平台可定义例如温度湿度的变化等不同的外部事件,也可以使用外部扩展组件仿真批量物体的移动特性,但场景模拟只能指定固定的区域的数值,环境数据的仿真精度较低。
另一方面,现有技术中还存在一些用于特定物理量仿真的模型。例如基于AnsysCFX等工具的室内环境建模方法。该类方法的主要问题是,具有较高的计算开销,对于物联网实验所需的海量环境数据而言,其计算开销是难以接受的。
综上所述,现有技术中模拟真实物理环境变化的方案要么开销过大,要么基于行业知识,难以形成可用于物联网领域中的通用方法。这就使得现有技术往往难以使用较低的计算开销评估环境中数据特性的变化对物联网系统带来的影响,导致物联网仿真效果往往不能体现数值相关的处理流程。因此,当前迫切需要一种低开销且通用性强的用于模拟真实物理环境的解决方案。
发明内容
本发明的任务是提供一种低开销且通用性强的用于模拟真实物理环境的解决方案。
本发明提供了一种用于模拟真实物理环境的仿真数据生成方法,包括下列步骤:
1)接收一系列真实环境数据,所述真实环境数据包括:所采集的数据值以及采集该数据点的时刻和位置;
2)根据同一时刻的多个不同位置的真实环境数据的数据值,基于高斯过程模型对物理环境参量的空间分布进行拟合,进而得到该时间区间对应的时刻下任意指定位置的所述物理环境参量的值;
3)对于每一个位置,根据已获得的该位置的不同时刻的数据值进行时间趋势建模,获得所述物理环境参量在该位置下的时间趋势函数;
4)根据指定的时刻和位置,基于步骤2)所得的物理环境参量的空间分布和步骤3)所得的时间趋势函数生成所述物理环境参量的仿真数据。
其中,所述步骤1)之前还执行步骤:
1a)根据预先配置的采集时间段、采集时间间隔和采集位置,对真实环境数据进行采集。
其中,所述步骤4)中,所述指定时刻和位置根据配置文件中所指定的空间范围、时间长度以及数据生成的精度得到。
其中,所述物理环境参量包括:温度或湿度。
其中,所述步骤1)中,对于每个时间区间,将该时间区间内所有数据点采集时刻的平均作为该时间区间的代表时刻。
其中,所述步骤3)中,基于多项式拟合方法进行所述的时间趋势建模。
其中,所述步骤2)中,对物理环境参量的空间分布进行拟合的过程包括下列子步骤:
21)选定用于描述环境参量的空间分布的高斯过程核函数,使用已知位置的已知环境参量值作为观测数据,基于极大似然估计法确定高斯过程核函数的超参数(包括高斯过程中的随机变量的方差与核函数中的其他参数);
22)套用高斯过程计算公式获得各个指定位置的环境参量值。
其中,所述步骤21)中,所述用于描述环境参量的空间分布的高斯过程核函数为平方指数核函数。
其中,所述步骤22)还包括,在所述高斯过程计算公式代入指定位置x*得到高斯过程模型中的均值m(x*),将均值m(x*)直接作为指定位置x*处的环境参量值;或者所述步骤22)还包括,在所述高斯过程计算公式代入指定位置x*得到高斯过程模型中的均值m(x*)以及方差v(x*),然后根据均值m(x*)和方差v(x*)构造随机函数,再使用该随机函数生成指定位置x*处的环境参量值。
其中,所述的用于模拟真实物理环境的仿真数据生成方法还包括步骤:
5)根据配置文件的定义,将所生成的所述物理环境参量的仿真数据直接存入到对应的数据库中用于存放输出数据的表结构中;所述数据库支持直接使用第三方消息中间件的消息投递机制发送数据到其他系统。
与现有技术相比,本发明具有下列技术效果:
1、本发明能够以很小的开销生成能够模拟真实物理环境变化的海量环境数据。
2、本发明可配置性强,可更好地适配用户的使用需求(例如精度要求,在精度和开销上取得平衡)。
3、本发明通用性强,可适用于各种不同类型的物联网的仿真测试。例如环境监控、室内定位等应用,由于环境数据、节点的信号强度等被监控对象的数值具有较强的时空相关性,均可使用本发明的方法进行环境仿真数据生成。
附图说明
以下,结合附图来详细说明本发明的实施例,其中:
图1示出了本发明的一个实施例提供的一种用于模拟真实物理环境的仿真数据生成方法的流程图;
图2示出了本发明的一个实施例的用于模拟真实物理环境的仿真数据生成系统。
具体实施方式
图1示出了本发明的一个实施例提供的一种用于模拟真实物理环境的仿真数据生成方法的流程图,参考图1,该方法包括下列步骤:
步骤1:解析环境配置文件。环境配置文件定义了原始输入的节点个数、位置信息、采集频率,输出对应的个数、位置、频率,以及模型计算时所依赖的参数等信息。本实施例的仿真数据生成方法旨在利用真实节点采集到的环境信息,对真实数据点的拟合生成环境信息模型,从而实现批量生成物理环境的仿真数据的目的。为了实现真实环境数据的采集,首先解析环境配置文件,通过配置文件中所需求的数据点的数量、时间与部署信息开始规划任务。例如,在一个实例中配置文件的定义内容为:配置10个前端设备节点产生数据作为原始输入(即下文中所生成仿真数据的原始输入数据),设备采集的时刻为从8:00到10:00,采集的间隔为10分钟;配置拟输出100个位置的仿真数据,时刻仍为8:00到10:00,这些仿真数据的输出间隔为1分钟。
步骤2:采集真实物理环境数据。采集真实数据的过程依托真实物理环境数据采集系统实现,该系统通常是一个能够采集多个位置点的一种或多种物理环境参量的传感器网络。所采集真实物理环境数据就是多个位置点在不同时刻下的真实物理环境参量值。所述的物理环境参量可以是温度、湿度等。物理环境参量的采集时间段、采集时刻的间隔、每个位置点所需采集的数据点的个数均可通过环境配置文件得出。
步骤3:对真实物理环境数据的采集时间段进行时间区间切分。根据每个数据点的采集时刻将真实物理环境数据点所组成的整体数据集划分到多个等长度的小时间片段(即切分时间区间)。由于后续步骤需要根据同一时刻不同位置的真实物理环境数据值建立空间模型,因此,在切分时间区间时,需保证每个时间区间有足够样本点,以防止数据过少难以保证模型精度。另外,在实际的传感器网络中,往往难以做到同一时刻采集多个不同位置的数据,因此,在本实施例中同一个时间区间内的不同位置的数据点被视为在同一时刻采集。
例如,假设在整个任务执行过程中共计生成M个时间区间。划分时间区间时,使用时间长度作为划分依据。假设第k个时间区间为[t1,tC],记其中数据点的采集时刻依次为t1,t2,…,tC。为了将时刻t1到tc的所有数据点合并到一个时间区间进行计算,取该区间内所有数据点时刻的平均作为该时间区间的代表时刻,即第k个时间区间的代表时刻可以记为Tk=(t1+t2+,…,+tC)/C。然后将该时间区间内所有数据点的时刻均以该时间区间的代表时刻替代。
步骤4:空间数据回归建模。使用高斯过程模型对每个时间区间内空间位置对应的环境数据进行建模(获得每个时间区间对应的环境数据空间分布),生成指定位置的环境数据。高斯过程是指所有随机变量均满足高斯分布的随机过程。自然界中数据在观测时会受白噪声干扰,高斯过程可对这类特性进行准确的表达,所以常用于环境数据的建模。使用建模结果对环境数据进行分析和预测,即可完成特定输入下(即不同空间位置下)环境数据的估计。
本步骤以该时间区间的代表时刻Tk的观测数据(即已观测到的不同位置x及其对应的环境数据y),以及一个指定位置x*作为输入。输出为x*对应的预测环境数据y*。需要指出的是x*由用户在环境配置文件中的输出部分进行了规定。
一个实施例中,高斯过程模型的计算过程可通过选择超参数、对超参数的估计和带入求解公式三步完成。
首先,选择高斯过程核函数,最为常用的核函数为平方指数核函数,其表达形式为:K(x,x')=σ2exp(-(x-x')2/2l2)。其中,σ表示高斯过程中随机变量的方差,x是核函数的自变量,x'是已知的参考位置,l是缩放系数。σ和l可视为高斯过程核函数的超参数
其次,使用极大似然估计法确定高斯过程核函数的超参数σ和l。极大似然估计的输入为观测数据,即已知的位置x及其环境参量值y,极大似然估计的似然函数为:
其中,K为高斯过程核函数矩阵,该矩阵由多个核函数构成,其中,每个核函数在矩阵中所处的位置与该核函数中的参考位置x'对应。式(1)中,Ky=K+σ2I。通过对(1)求对超参数σ和l的偏导数,并令偏导数为0,可以计算超参数σ和l的极大似然估计值。
最后,套用高斯过程计算公式,公式包括高斯过程均值函数m(x*)和方差函数v(x*)的计算公式。均值函数m(x*)的实际意义为在输入为x*时,最可能出现的环境数据为m(x*),方差函数v(x*)的实际意义为,在输入为x*时,环境数据的方差为v(x*),两者的形式如下:
式中,K**=K(x*,x*),K*=[K(x*,x1),...,K(x*,xN)]T,I为单位阵。公式(2)(3)中的未知量均已确定。高斯过程模型的具体细节可参考文献:Rasmussen,Carl Edward."Gaussian processes for machine learning."(2006)pp.15-17.,本文中不再赘述。
通过公式可以获得任意待预测位置x*对应的环境数据的均值m(x*),在一个例子中,认为y*可由均值m(x*)就是位置x*对应的环境参量的估计值,这样既可达到数据生成的目的。
进一步地,在一个优选实施例中,使用不同位置信息x与该位置对应的温度数据y形成的多个二元组(x,y)作为观测数据作为输入,将用户在环境配置文件中的输出需求,即待估计位置x*作为输入。将默认使用平方指数核函数,并使用式(1),将多组x与y作为输入,估计超参数σ。之后将超参数σ、观测数据序列x与y、待估计位置x*作为输入,带入公式(2)(3),从而得到该物理环境参量的空间分布,进而计算指定位置的环境参量的均值m(x*)和方差v(x*),然后根据均值m(x*)和方差v(x*)构造随机函数,再引入随机数生成位置x*的环境参量值。此时,所生成的环境参量值是夹带噪声干扰的。
步骤5:时间趋势回归建模。对于每一个位置,根据已获得的该位置的不同时刻的数据值,基于多项式拟合方法进行时间趋势建模,获得指定物理环境参量在该位置下的时间趋势函数,进而估计出该位置下任意时刻的数据值。
假设以T1,T2,…,TM代表M个时间区间的代表时刻,那么对于任意一个目标位置,可分别根据步骤4所得的T1,T2,…,TM时刻的环境参数空间分布函数获得该目标位置在T1,T2,…,TM时刻的指定物理环境参量的数据值。然后多项式拟合方法即可获得该目标位置的时间趋势函数,基于这个时间趋势函数就可以获得任一时刻下目标位置的指定物理环境参量的数据值。
在一个实施例中,出于计算开销和精度的考虑,使用了五阶多项式回归模型对时间趋势函数进行拟合。根据不同时间区间相同位置对应的数值,可以使用最小二乘法快速计算出多项式回归模型的多项式系数,从而获得时间趋势函数。基于这个时间趋势函数,可以快速计算出某个指定时刻下目标位置的针对指定物理环境参量的仿真数据数值。对于不同的目标位置,重复上述操作,即可获得任意位置任意时刻的仿真数据数值。如前文所述,所指定的物理环境参量的可以是温度、湿度等常见表征环境状态的物理量。
步骤6:生成仿真数据并进行数据推送。在一个实施例中,生成仿真数据点,该仿真数据点包括:位置标识、时间标签和数据值。当物理环境参量有多种时,所述仿真数据点还可以包括:物理环境参量类型,例如温度、湿度等。根据配置文件的定义,将所生成的仿真数据点直接存入到对应的数据库中用于存放输出数据的表结构中。该实施例同时支持直接使用第三方消息中间件的消息投递机制发送数据到其他系统,在具体实现上采用开源键值对存储技术(例如Redis技术,可参考http://redis.io)实现消息中间件。
进一步地,根据本发明的一个实施例,还提供了一种相应的仿真数据生成系统,该仿真数据生成系统由外设部分和后台部分构成。外设部分由若干的采集真实环境数据的嵌入式节点和网关构成,用于提供原始输入,作为对物理环境变化规律进行建模的依据。
其中,采集真实环境数据的嵌入式节点是物联网前端感知设备,硬件上由MCU、内部存储、各类不同传感器等模块以及支持射频传输的通讯模块构成。网关设备是感知数据接入公网的入口,由处理能力较强的嵌入式硬件设备实现。物联网前端感知设备(即节点设备)在采集到环境数据后,通过无线射频的方式发送到网关设备,统一转发到后台系统的数据库中。在使用时,用户通过环境配置接口修改环境配置文件,从而一次性配置外界真实节点的工作形式,如设定诸如设备采样间隔、设备通讯包格式内容等。
在一个实施例中,节点设备使用包含温度与湿度传感器的射频节点,运行TinyOS系统,使用802.15.4协议进行数据传输。网关设备运行ucLinux系统,支持802.15.4协议和WiFi。图2示出了本实施例的用于模拟真实物理环境的仿真数据生成系统。如图2所示,该系统由多个感知节点和1个网关组成的外设部分与后台部分(也可称为后台系统)构成。感知节点与网关节点使用802.15.4通讯,网关使用WiFi连接到公网AP,将数据发送到后台系统。
特别地,为了说明步骤4与步骤5中方法的有效性,发明人使用真实环境数据集(参考http://db.csail.mit.edu/labdata/labdata.html)进行了三折交叉验证,即将原始数据(包括统一时刻的多组空间位置x和环境数据y)分为三份,每次使用其中两份作为训练数据集,计算高斯过程模型,并计算第三份的空间位置x对应的数据值y',之后使用第三份的数据值y与数据值y'进行对比作为验证,结果的百分误差在5%以内。
在一个实施实例中,后台系统从网关接收真实环境数据,运行数值拟合方法,根据用户需求,将数据库中少量的原始数据扩展成为海量仿真数据,最后将数据通过第三方消息中间件实时发送给用户。用户通过配置文件使用XML形式指定数据生成任务相关的参数,如生成数据的时间间隔、生成数据在对应场景中的位置等。后台使用MySQL数据库作为数据接收的中介存储,以Java程序解析用户配置信息,实现环境场景的建模和仿真数据的生成,最终使用Redis作为第三方消息中间件,对外发送仿真数据。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其它的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
Claims (10)
1.一种用于模拟真实物理环境的仿真数据生成方法,包括下列步骤:
1)接收一系列真实环境数据,所述真实环境数据包括:所采集的数据值以及采集该数据点的时刻和位置;
2)根据同一时刻的多个不同位置的真实环境数据的数据值,基于高斯过程模型对物理环境参量的空间分布进行拟合,进而得到该时间区间对应的时刻下任意指定位置的所述物理环境参量的值;
3)对于每一个位置,根据已获得的该位置的不同时刻的数据值进行时间趋势建模,获得所述物理环境参量在该位置下的时间趋势函数;
4)根据指定的时刻和位置,基于步骤2)所得的物理环境参量的空间分布和步骤3)所得的时间趋势函数生成所述物理环境参量的仿真数据。
2.根据权利要求1所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤1)之前还执行步骤:
1a)根据预先配置的采集时间段、采集时间间隔和采集位置,对真实环境数据进行采集。
3.根据权利要求1所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤1)还包括:将所述一系列真实环境数据的采集时间段划分为多个时间区间,每个时间区间的不同位置的数据点视为同一时刻采集。
4.根据权利要求2所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤5)中,所述指定时刻和位置根据配置文件中所指定的空间范围、时间长度以及数据生成的精度得到;所述物理环境参量包括:温度或湿度。
5.根据权利要求3所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤1)中,对于每个所述时间区间,将该时间区间内所有数据点采集时刻的平均作为该时间区间的代表时刻。
6.根据权利要求1所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤3)中,基于多项式拟合方法进行所述的时间趋势建模。
7.根据权利要求1所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤2)中,对物理环境参量的空间分布进行拟合的过程包括下列子步骤:
21)选定用于描述环境参量的空间分布的高斯过程核函数,使用已知位置的已知环境参量值作为观测数据,基于极大似然估计法确定高斯过程中的随机变量的方差;
22)套用高斯过程计算公式获得各个指定位置的环境参量值。
8.根据权利要求7所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤21)中,所述用于描述环境参量的空间分布的高斯过程核函数为平方指数核函数。
9.根据权利要求8所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,所述步骤22)还包括,在所述高斯过程计算公式代入指定位置x*得到高斯过程模型中的均值m(x*),将均值m(x*)直接作为指定位置x*处的环境参量值;或者所述步骤22)还包括,在所述高斯过程计算公式代入指定位置x*得到高斯过程模型中的均值m(x*)以及方差v(x*),然后根据均值m(x*)和方差v(x*)构造随机函数,再引入随机数生成指定位置x*处的环境参量值。
10.根据权利要求1所述的用于模拟真实物理环境的仿真数据生成方法,其特征在于,还包括步骤:
5)根据配置文件的定义,将所生成的所述物理环境参量的仿真数据直接存入到对应的数据库中用于存放输出数据的表结构中;所述数据库支持直接使用第三方消息中间件的消息投递机制发送数据到其他系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610579193.XA CN106227660B (zh) | 2016-07-21 | 2016-07-21 | 一种用于模拟真实物理环境的仿真数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610579193.XA CN106227660B (zh) | 2016-07-21 | 2016-07-21 | 一种用于模拟真实物理环境的仿真数据生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106227660A true CN106227660A (zh) | 2016-12-14 |
CN106227660B CN106227660B (zh) | 2018-11-06 |
Family
ID=57531246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610579193.XA Active CN106227660B (zh) | 2016-07-21 | 2016-07-21 | 一种用于模拟真实物理环境的仿真数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106227660B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688021A (zh) * | 2017-10-18 | 2019-04-26 | 富士通株式会社 | 扩展数据的方法和设备以及测试物联网应用的方法 |
CN109815154A (zh) * | 2019-02-22 | 2019-05-28 | 深圳市网心科技有限公司 | 一种测试方法、装置、系统及介质 |
CN110221024A (zh) * | 2019-04-18 | 2019-09-10 | 天津科技大学 | 一种模拟环境检测系统 |
CN110266785A (zh) * | 2019-06-14 | 2019-09-20 | 烟台宏远氧业股份有限公司 | 一种高压氧舱数据通信传输方法及系统 |
CN112699287A (zh) * | 2020-12-28 | 2021-04-23 | 中国科学院南京地理与湖泊研究所 | 可配置的模型数据自动预处理与分发方法和系统 |
CN114006848A (zh) * | 2021-09-29 | 2022-02-01 | 济南浪潮数据技术有限公司 | 一种监控设备克隆模拟的方法、系统、设备和存储介质 |
WO2024078003A1 (zh) * | 2022-10-10 | 2024-04-18 | 华为云计算技术有限公司 | 模拟训练方法、装置及计算设备集群 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011032207A1 (en) * | 2009-09-15 | 2011-03-24 | The University Of Sydney | A method and system for multiple dataset gaussian process modeling |
CN103984981A (zh) * | 2014-05-23 | 2014-08-13 | 东南大学 | 基于高斯过程模型的建筑物环境传感器测点优化方法 |
CN104200113A (zh) * | 2014-09-10 | 2014-12-10 | 山东农业大学 | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 |
-
2016
- 2016-07-21 CN CN201610579193.XA patent/CN106227660B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011032207A1 (en) * | 2009-09-15 | 2011-03-24 | The University Of Sydney | A method and system for multiple dataset gaussian process modeling |
CN103984981A (zh) * | 2014-05-23 | 2014-08-13 | 东南大学 | 基于高斯过程模型的建筑物环境传感器测点优化方法 |
CN104200113A (zh) * | 2014-09-10 | 2014-12-10 | 山东农业大学 | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 |
Non-Patent Citations (4)
Title |
---|
YAN CHEN等: ""Data-Driven Soft Sensor Modeling for Algal Blooms Monitoring"", 《 IEEE SENSORS JOURNAL》 * |
李勐等: ""一种物联网设备自动描述方法"", 《电子学报》 * |
李彬: ""基于环境建模的传感数据收集与插值算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
陈艳等: ""传感器网络环境监测时间序列数据的高斯过程建模与多步预测"", 《通信学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688021A (zh) * | 2017-10-18 | 2019-04-26 | 富士通株式会社 | 扩展数据的方法和设备以及测试物联网应用的方法 |
CN109688021B (zh) * | 2017-10-18 | 2022-02-01 | 富士通株式会社 | 扩展数据的方法和设备以及测试物联网应用的方法 |
CN109815154A (zh) * | 2019-02-22 | 2019-05-28 | 深圳市网心科技有限公司 | 一种测试方法、装置、系统及介质 |
CN110221024A (zh) * | 2019-04-18 | 2019-09-10 | 天津科技大学 | 一种模拟环境检测系统 |
CN110266785A (zh) * | 2019-06-14 | 2019-09-20 | 烟台宏远氧业股份有限公司 | 一种高压氧舱数据通信传输方法及系统 |
CN110266785B (zh) * | 2019-06-14 | 2020-11-27 | 烟台宏远氧业股份有限公司 | 一种高压氧舱数据通信传输方法及系统 |
CN112699287A (zh) * | 2020-12-28 | 2021-04-23 | 中国科学院南京地理与湖泊研究所 | 可配置的模型数据自动预处理与分发方法和系统 |
CN112699287B (zh) * | 2020-12-28 | 2024-02-20 | 中国科学院南京地理与湖泊研究所 | 可配置的模型数据自动预处理与分发方法和系统 |
CN114006848A (zh) * | 2021-09-29 | 2022-02-01 | 济南浪潮数据技术有限公司 | 一种监控设备克隆模拟的方法、系统、设备和存储介质 |
CN114006848B (zh) * | 2021-09-29 | 2023-08-15 | 济南浪潮数据技术有限公司 | 一种监控设备克隆模拟的方法、系统、设备和存储介质 |
WO2024078003A1 (zh) * | 2022-10-10 | 2024-04-18 | 华为云计算技术有限公司 | 模拟训练方法、装置及计算设备集群 |
Also Published As
Publication number | Publication date |
---|---|
CN106227660B (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106227660A (zh) | 一种用于模拟真实物理环境的仿真数据生成方法 | |
CN106027319B (zh) | 一种仿真物联网资源服务系统及方法 | |
Bower et al. | Galaxy formation: a Bayesian uncertainty analysis | |
Papadopoulos et al. | Performance evaluation methods in ad hoc and wireless sensor networks: a literature study | |
CN110147367B (zh) | 一种温度缺失数据填补方法、系统及电子设备 | |
CN112052172B (zh) | 第三方通道的快速测试方法、装置和电子设备 | |
CN110991036A (zh) | 航天器姿轨控系统故障案例库构建系统及构建方法 | |
CN103258449A (zh) | 测试系统网络化教学平台 | |
CN107967204A (zh) | 线下压测的方法、系统及终端设备 | |
CN113936192A (zh) | 配电网同步量测缺失数据修复方法、终端及存储介质 | |
Zhi et al. | Weighted least-squares approach for identification of a reduced-order adaptive neuronal model | |
Legatiuk et al. | An abstract approach towards modeling intelligent structural systems | |
Wang | Network distance education platform control system based on big data | |
Surya et al. | Dashboard for Industrial Load Control and Remote Power Factor Correction Based on Adafruit's MQTT | |
CN115130926B (zh) | 应用人工智能的环境监测大数据分析方法及电子设备 | |
CN105630960A (zh) | 测试领域任务型对话系统的方法和装置 | |
CN107395405B (zh) | 基于空间网络拓扑的测试环境模拟方法和装置 | |
CN116366122A (zh) | 一种北斗短报文收发测试方法、装置、设备及存储介质 | |
CN108090846B (zh) | 一种电网低频振荡案例库的构建方法及装置 | |
Godoy et al. | WebShawn, simulating wireless sensors networks from the web | |
Ngom et al. | Medart-mas: Meta-model of data assimilation on real-time multi-agent simulation | |
Muraviev et al. | Method of Wireless Sensor Networks Simulation | |
CN112131755A (zh) | 一种体系结构能力评估试验方案设计的方法和装置 | |
CN107316105B (zh) | 一种大区域农业预测系统 | |
Habbal et al. | JDNA: JAVABASED NS-2 ANALYZER |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |