CN106302680A - 一种基于物联网的数据显示后台系统 - Google Patents

Abstract

本发明公开了一种基于物联网的数据显示后台系统，包括Zigbee传感器网络模块、主线程模块、分线程模块、Android模块；所述主线程模块、分线程模块集成安装在所述Android模块内；所述分线程模块用于向Zigbee传感器网络模块发送联网请求，分线程模块得到Zigbee传感器网络模块返回的数据，发送给主线程模块；所述主线程模块用于显示和更新分线程模块得到的Zigbee传感器网络模块返回的数据。本发明利用Android模块内置的主线程模块、分线程模块，将无线传感器网路系统中获取的环境参数信息，实时的显示到用户移动设备上，使用者可以在移动的情况下随时随地获取远距离参数。

Description

一种基于物联网的数据显示后台系统

技术领域

本发明属于物联网领域，尤其涉及一种基于物联网的数据显示后台系统。

背景技术

随着计算机、电子通讯、控制、信息等技术的发展，运用计算机物联网技术可为生态农、牧业建设和科学管理提供全方位、完善的监测技术手段。建立生态物联网可对农业、草原牧区土壤和气象环境参数进行实时、高效、快速的检测，对生态产量和质量进行预报，以及对重大农、牧业生态环境污染事故做出预警，是有效扭转我国目前生态农牧发展现状的技术方法之一，这将产生良好的社会和经济效益，推动社会发展。

无线传感器网络的产品备受消费者青睐，然而由于采集数据较多，用户实时性要求较高，PC机笨重不便携的缺点日益凸显。

发明内容

本发明实施例的目的在于提供一种基于物联网的数据显示后台系统，旨在解决现有物联网无线传感器网络采用PC机，笨重便于携带和操作的问题。

本发明是这样实现的，一种基于物联网的数据显示后台系统，所述基于物联网的数据显示后台系统包括Zigbee传感器网络模块、主线程模块、分线程模块、Android模块；

所述主线程模块、分线程模块集成安装在所述Android模块内；

所述分线程模块用于向Zigbee传感器网络模块发送联网请求，分线程模块得到Zigbee传感器网络模块返回的数据，发送给主线程模块；

所述主线程模块用于显示和更新分线程模块得到的Zigbee传感器网络模块返回的数据；

所述主线程模块内置用于Json数据解析的Gson模块。

进一步，所述传感器的输出电压温度预测模型为：

V_Tλ＝a+bV_25λ+cT+dT²+eT³+fT⁴+gT·V_25λ (6)

T为摄氏温度，V_Tλ为温度T下λ波段上行光或下行光传感器的输出电压；利用建模数据和SPSS16.0的非线性回归功能得公式(4)的系数，其中e＝0，f＝0，因此模型剔除温度的三次项和四次项得公式(5)；

V_Tλ＝0.041+0.909V_25λ-0.002T+10^-5T²+0.004T·V_25λ (7)。

进一步，所述传感器的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为传感器对目标在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

$Y_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{k-1}\right)+n_{Y_A\left(t_{k-1}\right)}---\left(8\right)$

$Y_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}---\left(9\right)$

$Y_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}---\left(10\right)$

其中，Y′_A(t_k-1)、Y′_A(t_k)、Y′_A(t_k+1)分别为传感器在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)。

进一步，所述Android模块设置有子匹配滤波器，所述子匹配滤波器的传递函数为：

$H\left(z\right)=\underset{i=0}{\overset{N-1}{\Σ}}{h}_i{z}^{-i}=\underset{i=0}{\overset{N-1}{\Σ}}{x}_{N-1-i}{Z}^{-i}=X\left(z^{-1}\right)Z^{-(N-1)};$

C_i是由分层序列u，v调制而成的，u是分层Golay序列：

u＝{1，1，1，1，1，1，-1，-1，1，-1，1，-1，1，-1，-1，1}，v＝{1，1，1，-1，-1，1，-1，-1，1，1，1，-1，1，-1，1，1}，C_16m+n＝u_nv_m；

$H\left(z\right)=X\left(z\right)=C\left(z\right)=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_i{z}^{-i}=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_{16m+n}{z}^{-(16m+n)}=\underset{i=1}{\overset{L_u-1}{\Σ}}{u}_n{z}^{-n}\underset{i=1}{\overset{L_v-1}{\Σ}}{v}_m{z}^{-16m}=H\left(z_u\right)H\left(z_v\right);$

根据分层的Golay序列对传递函数进行改进，则有：

H(z_u)＝[1+z^-8+z^-1(1-z^-8)][1+z^-4+z^-2(1-z^-4)]；

H(z_v)＝(1+z^-1)[1-z^-6+z^-8+z^-14]+(1-z^-1)[z^-2-z^-4+z^-10+z^-12]。

进一步，所述基于物联网的数据显示后台系统包括多源异构数据语义集成模型，所述多源异构数据语义集成模型包括：局部本体构建模块、本体合并模块和语义查询动态扩展及规约模块；

局部本体构建模块，根据数据源特征，自适应地选择本体构建策略，从而构建出油气勘探局部本体；首先，应用文本过滤器将不同的文件格式转成为纯文本文件格式，获得语料数据，并进行一致性检查；然后，采用逆向最大分类中文分词方法对这些语料进行初步的切分处理，得到字串集合；然后，利用最大信息系数方法计算字串的内部结合强度，获取合成词集合，并判断合成词和非合成词的领域相关性，提取出概念集合；然后，应用图上随机游走算法推理合成词概念间的分类关系，采用基于隐Markov模型的聚类算法提取非合成词概念间的分类关系；接着，运用基于关联规则挖掘的方法获取概念间的非分类关系；最后，应用本体构建工具输出OWL格式的局部本体；首先，利用R2O技术建立数据库模式和本体模型之间的语义映射关系，从而把关系数据库中的关系映射为本体中的概念，把属性对应地映射为OWL属性，并把数据库的关系表转化为本体类，把数据库中的数据转化为实例；然后，对从数据库中抽取出来的初始局部本体做一系列的规范化工作，通过与标准本体进行语义相似度计算，将符合阈值的本体信息建立语义联系，不符合阈值的本体信息进行规范化处理，从而构建出符合要求的规范化局部本体；由于半结构化数据是介于结构化和非结构化数据之间的、具有隐含结构但缺乏固定或严格结构的一类数据；所以，基于上述两种数据类型的本体构建技术也可以应用到半结构化数据源；首先，抽取出半结构化数据模式，给定映射规则，利用XML2RD方法，将半结构化数据转化为结构化数据；然后，按照结构化数据构建局部本体的方法构造半结构化数据源对应的局部本体；

本体合并模块，与局部本体构建模块连接，采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，实现多个局部本体到领域本体的灵活合并；采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，然后，通过相似度评估函数对概念间的相似度进行评估，输出相似矩阵，并对相似矩阵运用领域公理约束知识进一步评估其相似性；接着，通过机器学习的方法训练学习分类器，利用学习分类器计算概念实例间的相似度；最后，通过结合ISO15926油气本体和模糊形式概念分析方法，综合考虑语义相似度的对称性和传递性关系，将模糊集理论引入语义相似度的设定中，实现多个局部本体到领域本体的灵活合并；

语义查询动态扩展及规约模块，与局部本体构建模块连接，用于查询请求动态扩展的有效性及结果的聚合优化；首先，借助社会标注语义分析和本体包含的概念关系及推理能力，对查询请求进行语法及语义上的规约与扩展，生成规范的语义查询语句，解决查询请求与领域本体数据源之间由于表达形式的不同所造成的失配问题，并根据用户的查询请求自动推荐一簇语义相关标签，为实现数据源准确聚集提供导引；然后，通过计算扩展查询请求和领域本体概念间的语义相似度来量化请求与资源概念间的关联度；最后，利用社会标注和本体包含的丰富概念语义关系，对查询结果模式进行语义注释，根据社会标注的语义全局效应，引入以统计分析结果获得的最相关可信性标注所指向的数据源作为查询结果可信性评价标准之一，对结果集进行去重和聚合优化，实现可信的Top-K查询。

进一步，所述Android模块设置有运行数据调整模块，所述运行数据调整模块的数据处理方法包括：

取1周也就是7天作为一个相关负荷周期，跳跃数据D_it所在工作日前一周作为第一周期，后一周作为第二周期；

在n＝14天的相关负荷，在t时刻：

取第一周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^1={\mathrm{\αD}}_{3it}+\mathrm{\α}(1-\mathrm{\α})D_{4it}+...+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{8it};$

其中，D_3it...D_8it分别为第一周期不同类型日t时刻的运行数据。

取第二周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^2={\mathrm{\αD}}_{9it}+\mathrm{\α}(1-\mathrm{\α})D_{10it}+\mathrm{...}+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{14it};$

其中，D_9it...D_14it分别为第二周期不同类型日t时刻的运行数据；

此处，α为逐点运行数据的平滑系数，在(0，1)区间上取值；

另取第一周期中同类型日t时刻的值D_1it，则有：

于是，得到t时刻修正后的运行数据D‘_it为：

进一步，所述Android模块设置有数据压缩模块，所述数据压缩模块的梳理处理方法包括：

步骤一，掩藏文本抓取：从网络中抓取当前在网络中传输的数据作为掩藏文本；模拟HTTP协议进行数据通信，模拟HTTP中PUT请求进行数据传送；将隐藏文本按两个字节一组当作无符号整型数据并加一作为将要传输的数据；将掩藏文本按隐藏文本的数值切割为一个一个的数据包进行传输，传输过程中建立多条连接，在不同连接上应用不同的编解码规则进行差别传输；服务器端将数据进行解压之后根据接收到的数据包长度进行逆向转换，解码出隐藏数据，即完成隐藏传输。

步骤二、在编码时，首先根据E1_n+1＝E1_n+d_n+1式计算出E1值，再根据和式计算出拟合残差，计算这两步时，均需要对结果进行越限判断，判断E1是否越限是为了避免超过传感器数据总线上限而造成溢出；判断残差是否越限是为实现分段拟合；

步骤三、当一段输入数据的拟合残差全部计算完后，就构造出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}所示的数据包，通过S-Huffman编码方法对进行熵编码，然后发送出去，接收端解码时，先将接收到的一组数据解码，还原出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}式所示的数据包，然后根据式计算并还原出所有原始数据。

本发明利用Android模块内置的主线程模块、分线程模块，将无线传感器网路系统中获取的环境参数信息，实时的显示到用户移动设备上，使用者可以在移动的情况下随时随地获取远距离参数。本发明分别建立领域本体与局部本体的映射、局部本体与数据源的映射，使得领域本体、局部本体和数据源既互相联系，又相对独立，能够降低语义集成系统的耦合性。为了实现语义查询及易用性，结合社会标注及本体在知识表达上的互补优势，对用户的语义查询请求进行查询规约及扩展，并对查询结果去重和聚合优化，最终将优化后的结果返回给用户。

附图说明

图1是本发明实施例提供的基于物联网的数据显示后台系统的结构示意图；

图中：1、Zigbee传感器网络模块；2、主线程模块；3、分线程模块；4、Android模块。

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，以下结合实施例，对本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本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的基于物联网的数据显示后台系统，包括Zigbee传感器网络模块1、主线程模块2、分线程模块3、Android模块4。

所述主线程模块1、分线程模块2集成安装在所述Android模块4内。

所述分线程模块3用于向Zigbee传感器网络模块1发送联网请求，分线程模块3得到Zigbee传感器网络模块1返回的数据，发送给主线程模块2。

所述主线程模块2用于显示和更新分线程模块3得到的Zigbee传感器网络模块1返回的数据。

进一步，所述主线程模块1内置用于Json数据解析的Gson模块。

本发明的基于物联网的数据显示后台系统消息机制如下：

对于Android中联网请求异步消息，可以分为三步：

1、主线程显示提示视图；

2、分线程进行联网请求，并得到响应数据；

3、在主线程中显示数据，在Android开发过程中与消息处理相关的API主要有Message和Handler；

当分线程联网获得了服务器端返回的数据，需在主线程里执行。分线程发一个消息给主线程，这个消息携带数据，然后在主线程中进行界面更新等相关操作。Handler的作用定义为在线程间分发消息。也就是说Handler是Message的处理器，处理消息的发送和移除工作。Message通过其自己的静态方法Message.obtain()创建一个对象。然后由obj或者arg1对象对不同类型的消息进行封装。最后由what对象对消息标识。Handler通过Handler.sendMessage(Message msg)或Handler.sendMessage(Message msg，Lang time)来发送消息，这两种方法所不同的是发送的消息是否需要延时。在主线程中，通过调用handleMessage(Message msg)来处理消息。

Json分为两种格式Json数组和Json对象。Json数组的结构为[value1，value2，value3……]，而Json对象的结构为[key1：value1，key2：value2，key3：value3……]。

其中key的值必须是字符串，而value的数据类型可以是数值、字符串、null甚至还可以是Json对象或Json数组。在服务器端，需要将Java对象转换为Json格式的字符串来返回给客户端；在客户端，通常反之进行操作。

对于Json数据的解析可以用Android原生的API但相对来说比较繁琐。而使用Gson框架就会使项目比较简洁，在本次开发中使用的是Gson框架。在导入Gson架包之后，然后创建Gson对象后通过调用String toJson(Object src)方法就可以将传入的对象转换为对应格式的Json字符串；同样在服务器端，通过调用T fromJson(String Json，Type typeofT)也可以解析Json字符串，得到对象。

进一步，所述传感器的输出电压温度预测模型为：

V_Tλ＝a+bV_25λ+cT+dT²+eT³+fT⁴+gT·V_25λ (11)

T为摄氏温度，V_Tλ为温度T下λ波段上行光或下行光传感器的输出电压；利用建模数据和SPSS16.0的非线性回归功能得公式(4)的系数，其中e＝0，f＝0，因此模型剔除温度的三次项和四次项得公式(5)；

V_Tλ＝0.041+0.909V_25λ-0.002T+10^-5T²+0.004T·V_25λ (12)。

进一步，所述传感器的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为传感器对目标在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

$Y_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{k-1}\right)+n_{Y_A\left(t_{k-1}\right)}---\left(13\right)$

$Y_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}---\left(14\right)$

$Y_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}---\left(15\right)$

其中，Y′_A(t_k-1)、Y′_A(t_k)、Y′_A(t_k+1)分别为传感器在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)。

进一步，所述Android模块设置有子匹配滤波器，所述子匹配滤波器的传递函数为：

$H\left(z\right)=\underset{i=0}{\overset{N-1}{\Σ}}{h}_i{z}^{-i}=\underset{i=0}{\overset{N-1}{\Σ}}{x}_{N-1-i}{Z}^{-i}=X\left(z^{-1}\right)Z^{-(N-1)};$

C_i是由分层序列u，v调制而成的，u是分层Golay序列：

u＝{1，1，1，1，1，1，-1，-1，1，-1，1，-1，1，-1，-1，1}，v＝{1，1，1，-1，-1，1，-1，-1，1，1，1，-1，1，-1，1，1}，C_16m+n＝u_nv_m；

$H\left(z\right)=X\left(z\right)=C\left(z\right)=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_i{z}^{-i}=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_{16m+n}{z}^{-(16m+n)}=\underset{i=1}{\overset{L_u-1}{\Σ}}{u}_n{z}^{-n}\underset{i=1}{\overset{L_v-1}{\Σ}}{v}_m{z}^{-16m}=H\left(z_u\right)H\left(z_v\right);$

根据分层的Golay序列对传递函数进行改进，则有：

H(z_u)＝[1+z^-8+z^-1(1-z^-8)][1+z^-4+z^-2(1-z⁴)]；

H(z_v)＝(1+z^-1)[1-z^-6+z^-8+z^-14]+(1-z^-1)[z^-2-z^-4+z^-10+z^-12]。

进一步，所述基于物联网的数据显示后台系统包括多源异构数据语义集成模型，所述多源异构数据语义集成模型包括：局部本体构建模块、本体合并模块和语义查询动态扩展及规约模块；

局部本体构建模块，根据数据源特征，自适应地选择本体构建策略，从而构建出油气勘探局部本体；首先，应用文本过滤器将不同的文件格式转成为纯文本文件格式，获得语料数据，并进行一致性检查；然后，采用逆向最大分类中文分词方法对这些语料进行初步的切分处理，得到字串集合；然后，利用最大信息系数方法计算字串的内部结合强度，获取合成词集合，并判断合成词和非合成词的领域相关性，提取出概念集合；然后，应用图上随机游走算法推理合成词概念间的分类关系，采用基于隐Markov模型的聚类算法提取非合成词概念间的分类关系；接着，运用基于关联规则挖掘的方法获取概念间的非分类关系；最后，应用本体构建工具输出OWL格式的局部本体；首先，利用R2O技术建立数据库模式和本体模型之间的语义映射关系，从而把关系数据库中的关系映射为本体中的概念，把属性对应地映射为OWL属性，并把数据库的关系表转化为本体类，把数据库中的数据转化为实例；然后，对从数据库中抽取出来的初始局部本体做一系列的规范化工作，通过与标准本体进行语义相似度计算，将符合阈值的本体信息建立语义联系，不符合阈值的本体信息进行规范化处理，从而构建出符合要求的规范化局部本体；由于半结构化数据是介于结构化和非结构化数据之间的、具有隐含结构但缺乏固定或严格结构的一类数据；所以，基于上述两种数据类型的本体构建技术也可以应用到半结构化数据源；首先，抽取出半结构化数据模式，给定映射规则，利用XML2RD方法，将半结构化数据转化为结构化数据；然后，按照结构化数据构建局部本体的方法构造半结构化数据源对应的局部本体；

本体合并模块，与局部本体构建模块连接，采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，实现多个局部本体到领域本体的灵活合并；采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，然后，通过相似度评估函数对概念间的相似度进行评估，输出相似矩阵，并对相似矩阵运用领域公理约束知识进一步评估其相似性；接着，通过机器学习的方法训练学习分类器，利用学习分类器计算概念实例间的相似度；最后，通过结合ISO15926油气本体和模糊形式概念分析方法，综合考虑语义相似度的对称性和传递性关系，将模糊集理论引入语义相似度的设定中，实现多个局部本体到领域本体的灵活合并；

语义查询动态扩展及规约模块，与局部本体构建模块连接，用于查询请求动态扩展的有效性及结果的聚合优化；首先，借助社会标注语义分析和本体包含的概念关系及推理能力，对查询请求进行语法及语义上的规约与扩展，生成规范的语义查询语句，解决查询请求与领域本体数据源之间由于表达形式的不同所造成的失配问题，并根据用户的查询请求自动推荐一簇语义相关标签，为实现数据源准确聚集提供导引；然后，通过计算扩展查询请求和领域本体概念间的语义相似度来量化请求与资源概念间的关联度；最后，利用社会标注和本体包含的丰富概念语义关系，对查询结果模式进行语义注释，根据社会标注的语义全局效应，引入以统计分析结果获得的最相关可信性标注所指向的数据源作为查询结果可信性评价标准之一，对结果集进行去重和聚合优化，实现可信的Top-K查询。

进一步，所述Android模块设置有运行数据调整模块，所述运行数据调整模块的数据处理方法包括：

取1周也就是7天作为一个相关负荷周期，跳跃数据D_it所在工作日前一周作为第一周期，后一周作为第二周期；

在n＝14天的相关负荷，在t时刻：

取第一周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^1={\mathrm{\αD}}_{3it}+\mathrm{\α}(1-\mathrm{\α})D_{4it}+...+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{8it};$

其中，D_3it...D_8it分别为第一周期不同类型日t时刻的运行数据。

取第二周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^2={\mathrm{\αD}}_{9it}+\mathrm{\α}(1-\mathrm{\α})D_{10it}+...+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{14it};$

其中，D_9it...D_14it分别为第二周期不同类型日t时刻的运行数据；

此处，α为逐点运行数据的平滑系数，在(0，1)区间上取值；

另取第一周期中同类型日t时刻的值D_1it，则有：

于是，得到t时刻修正后的运行数据D‘_it为：

进一步，所述Android模块设置有数据压缩模块，所述数据压缩模块的梳理处理方法包括：

步骤一，掩藏文本抓取：从网络中抓取当前在网络中传输的数据作为掩藏文本；模拟HTTP协议进行数据通信，模拟HTTP中PUT请求进行数据传送；将隐藏文本按两个字节一组当作无符号整型数据并加一作为将要传输的数据；将掩藏文本按隐藏文本的数值切割为一个一个的数据包进行传输，传输过程中建立多条连接，在不同连接上应用不同的编解码规则进行差别传输；服务器端将数据进行解压之后根据接收到的数据包长度进行逆向转换，解码出隐藏数据，即完成隐藏传输。

步骤二、在编码时，首先根据E1_n+1＝E1_n+d_n+1式计算出E1值，再根据和式计算出拟合残差，计算这两步时，均需要对结果进行越限判断，判断E1是否越限是为了避免超过传感器数据总线上限而造成溢出；判断残差是否越限是为实现分段拟合；

步骤三、当一段输入数据的拟合残差全部计算完后，就构造出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}所示的数据包，通过S-Huffman编码方法对进行熵编码，然后发送出去，接收端解码时，先将接收到的一组数据解码，还原出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}式所示的数据包，然后根据式计算并还原出所有原始数据。

本发明利用Android模块内置的主线程模块、分线程模块，将无线传感器网路系统中获取的环境参数信息，实时的显示到用户移动设备上，使用者可以在移动的情况下随时随地获取远距离参数。

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 (10)

1.一种基于物联网的数据显示后台系统，其特征在于，所述基于物联网的数据显示后台系统包括Zigbee传感器网络模块、主线程模块、分线程模块、Android模块；

所述主线程模块、分线程模块集成安装在所述Android模块内；

所述分线程模块用于向Zigbee传感器网络模块发送联网请求，分线程模块得到Zigbee传感器网络模块返回的数据，发送给主线程模块；

所述主线程模块用于显示和更新分线程模块得到的Zigbee传感器网络模块返回的数据；

所述主线程模块内置用于Json数据解析的Gson模块。

2.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述传感器的输出电压温度预测模型为：

V_Tλ＝a+bV_25λ+cT+dT²+eT³+fT⁴+gT·V_25λ (1)

T为摄氏温度，V_Tλ为温度T下λ波段上行光或下行光传感器的输出电压；利用建模数据和SPSS16.0的非线性回归功能得公式(4)的系数，其中e＝0，f＝0，因此模型剔除温度的三次项和四次项得公式(5)；

V_Tλ＝0.041+0.909V_25λ-0.002T+10^-5T²+0.004T·V_25λ (2)。

3.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述传感器的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为传感器对目标在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

$Y_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{k-1}\right)+n_{Y_A\left(t_{k-1}\right)}---\left(3\right)$

$Y_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}---\left(4\right)$

$Y_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}---\left(5\right)$

其中，Y′_A(t_k-1)、Y′_A(t_k)、Y′_A(t_k+1)分别为传感器在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)。

4.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述Android模块设置有子匹配滤波器，所述子匹配滤波器的传递函数为：

$H\left(z\right)=\underset{i=0}{\overset{N-1}{\Σ}}{h}_i{z}^{-i}=\underset{i=0}{\overset{N-1}{\Σ}}{x}_{N-1-i}{Z}^{-i}=X\left(z^{-1}\right)Z^{-(N-1)};$

C_i是由分层序列u，v调制而成的，u是分层Golay序列：

u＝{1，1，1，1，1，1，-1，-1，1，-1，1，-1，1，-1，-1，1}，v＝{1，1，1，-1，-1，1，-1，-1，1，1，1，-1，1，-1，1，1}，C_16m+n＝u_nv_m；

$H\left(z\right)=X\left(z\right)=C\left(z\right)=\underset{i=1}{\overset{L_u{L}_v-1}{\Σ}}{C}_i{z}^{-i}=\underset{i=1}{\overset{L_u{L}_v-1}{\Σ}}{C}_{16m+n}{z}^{-(16m+n)}=\underset{i=1}{\overset{L_u-1}{\Σ}}{u}_n{z}^{-n}\underset{i=1}{\overset{L_v-1}{\Σ}}{v}_m{z}^{-16m}=H\left(z_u\right)H\left(z_v\right);$

根据分层的Golay序列对传递函数进行改进，则有：

H(z_u)＝[1+z^-8+z^-1(1-z^-8)][1+z^-4+z^-2(1-z^-4)]；

H(z_v)＝(1+z^-1)[1-z^-6+z^-8+z^-14]+(1-z^-1)[z^-2-z^-4+z^-10+z^-12]。

5.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述基于物联网的数据显示后台系统包括多源异构数据语义集成模型，所述多源异构数据语义集成模型包括：局部本体构建模块、本体合并模块和语义查询动态扩展及规约模块；

局部本体构建模块，根据数据源特征，自适应地选择本体构建策略，从而构建出油气勘探局部本体；首先，应用文本过滤器将不同的文件格式转成为纯文本文件格式，获得语料数据，并进行一致性检查；然后，采用逆向最大分类中文分词方法对这些语料进行初步的切分处理，得到字串集合；然后，利用最大信息系数方法计算字串的内部结合强度，获取合成词集合，并判断合成词和非合成词的领域相关性，提取出概念集合；然后，应用图上随机游走算法推理合成词概念间的分类关系，采用基于隐Markov模型的聚类算法提取非合成词概念间的分类关系；接着，运用基于关联规则挖掘的方法获取概念间的非分类关系；最后，应用本体构建工具输出OWL格式的局部本体；首先，利用R2O技术建立数据库模式和本体模型之间的语义映射关系，从而把关系数据库中的关系映射为本体中的概念，把属性对应地映射为OWL属性，并把数据库的关系表转化为本体类，把数据库中的数据转化为实例；然后，对从数据库中抽取出来的初始局部本体做一系列的规范化工作，通过与标准本体进行语义相似度计算，将符合阈值的本体信息建立语义联系，不符合阈值的本体信息进行规范化处理，从而构建出符合要求的规范化局部本体；由于半结构化数据是介于结构化和非结构化数据之间的、具有隐含结构但缺乏固定或严格结构的一类数据；所以，基于上述两种数据类型的本体构建技术也可以应用到半结构化数据源；首先，抽取出半结构化数据模式，给定映射规则，利用XML2RD方法，将半结构化数据转化为结构化数据；然后，按照结构化数据构建局部本体的方法构造半结构化数据源对应的局部本体；

本体合并模块，与局部本体构建模块连接，采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，实现多个局部本体到领域本体的灵活合并；采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，然后，通过相似度评估函数对概念间的相似度进行评估，输出相似矩阵，并对相似矩阵运用领域公理约束知识进一步评估其相似性；接着，通过机器学习的方法训练学习分类器，利用学习分类器计算概念实例间的相似度；最后，通过结合ISO 15926油气本体和模糊形式概念分析方法，综合考虑语义相似度的对称性和传递性关系，将模糊集理论引入语义相似度的设定中，实现多个局部本体到领域本体的灵活合并；

语义查询动态扩展及规约模块，与局部本体构建模块连接，用于查询请求动态扩展的有效性及结果的聚合优化；首先，借助社会标注语义分析和本体包含的概念关系及推理能力，对查询请求进行语法及语义上的规约与扩展，生成规范的语义查询语句，解决查询请求与领域本体数据源之间由于表达形式的不同所造成的失配问题，并根据用户的查询请求自动推荐一簇语义相关标签，为实现数据源准确聚集提供导引；然后，通过计算扩展查询请求和领域本体概念间的语义相似度来量化请求与资源概念间的关联度；最后，利用社会标注和本体包含的丰富概念语义关系，对查询结果模式进行语义注释，根据社会标注的语义全局效应，引入以统计分析结果获得的最相关可信性标注所指向的数据源作为查询结果可信性评价标准之一，对结果集进行去重和聚合优化，实现可信的Top-K查询。

6.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述Android模块设置有运行数据调整模块，所述运行数据调整模块的数据处理方法包括：

取1周也就是7天作为一个相关负荷周期，跳跃数据D_it所在工作日前一周作为第一周期，后一周作为第二周期；

在n＝14天的相关负荷，在t时刻：

取第一周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^1={\mathrm{\αD}}_{3it}+\mathrm{\α}(1-\mathrm{\α})D_{4it}+...+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{8it};$

其中，D_3it...D_8it分别为第一周期不同类型日t时刻的运行数据；

取第二周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^2={\mathrm{\αD}}_{9it}+\mathrm{\α}(1-\mathrm{\α})D_{10it}+\mathrm{...}+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{14it};$

其中，D_9it...D_14it分别为第二周期不同类型日t时刻的运行数据；此处，α为逐点运行数据的平滑系数，在(0，1)区间上取值；

另取第一周期中同类型日t时刻的值D_1it，则有：

于是，得到t时刻修正后的运行数据D′_it为：

7.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述Android模块设置有数据压缩模块，所述数据压缩模块的梳理处理方法包括：

步骤一，掩藏文本抓取：从网络中抓取当前在网络中传输的数据作为掩藏文本；模拟HTTP协议进行数据通信，模拟HTTP中PUT请求进行数据传送；将隐藏文本按两个字节一组当作无符号整型数据并加一作为将要传输的数据；将掩藏文本按隐藏文本的数值切割为一个一个的数据包进行传输，传输过程中建立多条连接，在不同连接上应用不同的编解码规则进行差别传输；服务器端将数据进行解压之后根据接收到的数据包长度进行逆向转换，解码出隐藏数据，即完成隐藏传输；

步骤二、在编码时，首先根据E1_n+1＝E1_n+d_n+1式计算出E1值，再根据和式计算出拟合残差，计算这两步时，均需要对结果进行越限判断，判断E1是否越限是为了避免超过传感器数据总线上限而造成溢出；判断残差是否越限是为实现分段拟合；

步骤三、当一段输入数据的拟合残差全部计算完后，就构造出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}所示的数据包，通过S-Huffman编码方法对进行熵编码，然后发送出去，接收端解码时，先将接收到的一组数据解码，还原出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}式所示的数据包，然后根据式计算并还原出所有原始数据。

8.一种安装有权利要求1-7任意一项所述基于物联网的数据显示后台系统的计算机。

9.一种安装有权利要求1-7任意一项所述基于物联网的数据显示后台系统的电子通讯设备。

10.一种安装有权利要求1-7任意一项所述基于物联网的数据显示后台系统的生态农业管理系统。