CN106972948B - 一种感知数据获取方法 - Google Patents

一种感知数据获取方法 Download PDF

Info

Publication number
CN106972948B
CN106972948B CN201710080729.8A CN201710080729A CN106972948B CN 106972948 B CN106972948 B CN 106972948B CN 201710080729 A CN201710080729 A CN 201710080729A CN 106972948 B CN106972948 B CN 106972948B
Authority
CN
China
Prior art keywords
data
perception
degree
association
sensing
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.)
Active
Application number
CN201710080729.8A
Other languages
English (en)
Other versions
CN106972948A (zh
Inventor
刘军
卢旭
祁伟
肖应旺
袁飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN201710080729.8A priority Critical patent/CN106972948B/zh
Publication of CN106972948A publication Critical patent/CN106972948A/zh
Application granted granted Critical
Publication of CN106972948B publication Critical patent/CN106972948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种感知数据获取方法，包括步骤：步骤一、布置感知设备采集数据，对收集到的数据定义为
Figure DDA0001225805080000011
其中t为数据采集时刻，k为感知数据编号，data为感知数据原始值，τ为感知数据置信度，si为可缺省的感知节点；步骤二、将感知数据进行归类，分配识别关联感知节点，根据感知设备在空间中的时空关系，求取感知数据关联度
Figure DDA0001225805080000012
步骤三、根据关联度
Figure DDA0001225805080000013
对感知数据置信度τ进行优化，并由置信度需求
Figure DDA0001225805080000014
对感知数据进行筛选。本发明提供的一种感知数据获取方法，避免了传统使用原始感知数据质量低下，导致应用效果不佳的问题。

Description

一种感知数据获取方法
技术领域
本发明涉及感知数据获取方法，特别涉及一种感知数据获取方法。
背景技术
目前，由各种类型感知设备组成的感知网络部署在物理世界中以观察物理世界变化。多个相互独立的异构数据源对监测对象的多维属性进行度量，得到的是多模态感知数据来刻画物理世界。但由于硬件设备固有的限制以及环境噪声等因素的影响，感知设备不可避免地存在漏读、多读、错读等现象，使得原始感知数据大多为低密度信息的数据，感知数据质量低劣，极大地降低了数据的可用性，难以直接在上层应用中发挥作用，严重困扰着信息社会。因此如何由原始感知数据汇总获取高质量的感知数据对感知应用意义重大。
发明内容
本发明针对上述存在的问题，提供了一种感知数据获取方法，避免了传统使用原始感知数据质量低下，导致应用效果不佳的问题。
为了解决上述问题，本发明采用以下技术方案：
一种感知数据获取方法，其特征在于，方法步骤为：
步骤一、布置感知设备采集数据，对收集到的数据定义为
Figure GDA0002368341760000011
其中t为数据采集时刻，k为感知数据编号，data为感知数据原始值，τ为感知数据置信度，si为可缺省的感知节点；
步骤二、将感知数据进行归类，分配识别关联感知节点，根据感知设备在空间中的时空关系，求取感知数据关联度
Figure GDA0002368341760000012
步骤三、根据关联度
Figure GDA0002368341760000013
对感知数据置信度τ进行优化，并由置信度需求
Figure GDA0002368341760000014
对感知数据进行筛选。
进一步地，步骤二中所述的关联度
Figure GDA0002368341760000015
包括空间维度关联度
Figure GDA0002368341760000016
和时间维度关联度
Figure GDA0002368341760000017
空间维度关联度计算方法如下，
Figure GDA0002368341760000018
其中，
Figure GDA0002368341760000019
表示归一化，loci表示对应感知节点位置坐标，ri表示对应感知节点感知半径；时间维度关联度计算方法如下：
Figure GDA0002368341760000021
其中，ti表示感知数据
Figure GDA0002368341760000022
的采集时刻，t0表示节点采集频率间隔，
Figure GDA0002368341760000023
表示归一化；关联度与空间维度关联度和时间维度关联度的关系如下，
Figure GDA0002368341760000024
其中，wt为时间维度关联度的权值，ws为空间维度关联度的权值。
进一步地，步骤二中所述的关联度还能表示为基于概率图模型的关联度，通过贝叶斯网络结构节点随机变量的条件概率分布CPD，即已知父节点时变量Di的条件概率分布，Di与其非子节点条件独立，那么可以把联合概率分布分解为节点CPD的乘积：
Figure GDA0002368341760000025
其中，
Figure GDA0002368341760000026
表示变量Di的父节点，之间关系依赖于BN网络结构，BN网络的结构和参数(条件概率)是通过物理过程以及数据关系求解得到。
进一步地，步骤三中所述的感知数据置信度优化的方法为，由关联数据中置信度高的感知数据与关联度
Figure GDA0002368341760000027
优化其关联数据的置信度，计算如下，
Figure GDA0002368341760000028
其中，τ′i为所求感知数据的优化置信度，τi为关联数据中低置信度的感知数据原置信度，τj为关联数据中高置信度的感知数据的置信度。
进一步地，步骤三中所述的感知数据筛选方法是指，将优化后得到的n个感知节点联合感知测量时的置信度
Figure GDA0002368341760000029
与需求置信度
Figure GDA00023683417600000210
对比，选取合适的感知数据；其中，
Figure GDA00023683417600000211
进一步地，所述的感知数据包括温度、湿度、光强度等数据。
本发明的有益效果是：所提出的一种感知数据获取方法，依据感知设备本身之间的时空性以及基于物理过程之间的关联关系，提高感知数据质量，优化感知数据获取方法，避免了传统使用原始感知数据质量低下，导致应用效果不佳的问题。
附图说明
图1是本发明实施例感知节点部署示意图；
图2是本发明实施例感知节点关联图。
具体实施方式
以下结合附图对本发明的实施例作详细描述。以下实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此。
假定某生产车间内针对某工艺过程，比如瓦楞纸生产上浆过程，感知数据节点部署如图1所示。
步骤一、部署了各类传感器共计13个，共计4类,各有4,3,2,4个。某次获取的感知数据集合如下：
Figure GDA0002368341760000031
Figure GDA0002368341760000032
Figure GDA0002368341760000033
Figure GDA0002368341760000034
上述13个数据依次对应图1中S1—S13的13个感知节点
由于一个参数在不同位置需要同时监测或为了保证可靠性，重复部署了多个感知节点，使得感知节点本身具有重复冗余性。其次，感知节点依据自身位置以及感知能力、能量，预先给出了自己的原始感知数据的置信度(比如本身传感器精度本来就较低，感知数据的可信度为75％，还有距离目标的距离较远，影响感知精度，从而降低感知数据可信度，还有能量原因，随着传感器节点工作，能量降低，影响感知数据精度，使得置信度降低等等)。这些数据是低质量、冗余的感知数据，不利于上层决策应用。
步骤二，结合时空关系和关联关系，在这13个感知节点中进行归类，分配识别关联感知节点，这里分析数据集DA中的四个感知数据，感知节点关联如图2所示；已知D1,D2,D3,D4对应的节点位置坐标loc1,loc2,loc3,loc4，各节点感知半径同构，因此ri＝10m，
由空间维度关联度公式
Figure GDA0002368341760000041
得到
Figure GDA0002368341760000042
然后对感知数据的时间关联度计算，数据集DA中数据的采集时间分别为{t1,t1,t2,t3}，
由时间维度关联度公式
Figure GDA0002368341760000043
得到
Figure GDA0002368341760000044
最后由关联度公式
Figure GDA0002368341760000045
其中，wt＝0.4,ws＝0.6，得到，
Figure GDA0002368341760000046
上面主要是针对时空关联的感知数据进行计算。而在制造过程中，除了时空关联的感知数据具有关联关系，还有其他感知节点相互之间由于工艺过程等具有关联关系。也可依据历史数据得出感知节点间的概率图模型，构造贝叶斯网络。然后，由贝叶斯公式，得出相关感知节点条件概率值，从而优化贝叶斯网络中感知节点置信率。
步骤三、由关联数据中置信度高的感知数据与关联度优化其关联数据的可信度，优化公式为：
Figure GDA0002368341760000047
计算得到，τ′1＝0.25，τ′2＝0.73；
其它数据均按上述方法求取。
若用户需求是，即瓦楞纸上浆温度值大于78℃概率不小于
Figure GDA0002368341760000048
其中数据集DD为瓦楞纸上浆时多个感知节点测定的温度集合。
通过前面的过程对该组原始感知数据的置信度进行优化后，n(n≤4)个感知节点联合感知测量时的置信度
Figure GDA0002368341760000049
Figure GDA00023683417600000410
求得，
Figure GDA00023683417600000411
这三组同时监测时都满足要求，即可依据感知网络资源，通过启发式算法在这三组中进行优化选择，调度平衡网络资源。
本发明所提出的一种感知数据获取方法，依据感知设备本身之间的时空性以及基于物理过程之间的关联关系，提高感知数据质量，优化感知数据获取方法，避免了传统使用原始感知数据质量低下，导致应用效果不佳的问题。
惟以上所述者，仅为本发明之较佳实施例而已，当不能以此限定本发明实施之范围，即大凡依本发明权利要求及发明说明书所记载的内容所作出简单的等效变化与修饰，皆仍属本发明权利要求所涵盖范围之内。此外，摘要部分和标题仅是用来辅助专利文件搜寻之用，并非用来限制本发明之权利范围。

Claims (4)

1.一种感知数据获取方法，其特征在于，方法步骤为：
步骤一、布置感知设备采集数据，对收集到的数据定义为
Figure FDA0002368341750000011
其中t为数据采集时刻，k为感知数据编号，data为感知数据原始值，τ为感知数据置信度，si为可缺省的感知节点；
步骤二、将感知数据进行归类，分配识别关联感知节点，根据感知设备在空间中的时空关系，求取感知数据关联度
Figure FDA0002368341750000012
所述的关联度
Figure FDA0002368341750000013
包括空间维度关联度
Figure FDA0002368341750000014
和时间维度关联度
Figure FDA0002368341750000015
空间维度关联度计算方法如下，
Figure FDA0002368341750000016
其中，
Figure FDA0002368341750000017
表示归一化，loci表示对应感知节点位置坐标，ri表示对应感知节点感知半径；时间维度关联度计算方法如下：
Figure FDA0002368341750000018
其中，ti表示感知数据
Figure FDA00023683417500000115
的采集时刻，t0表示节点采集频率间隔，
Figure FDA0002368341750000019
表示归一化；关联度与空间维度关联度和时间维度关联度的关系如下，
Figure FDA00023683417500000110
其中，wt为时间维度关联度的权值，ws为空间维度关联度的权值；
步骤三、根据关联度
Figure FDA00023683417500000111
对感知数据置信度τ进行优化，并由置信度需求
Figure FDA00023683417500000112
对感知数据进行筛选。
2.根据权利要求1所述的一种感知数据获取方法，其特征在于，步骤三中所述的感知数据置信度优化的方法为，由关联数据中置信度高的感知数据与关联度
Figure FDA00023683417500000113
优化其关联数据的置信度，计算如下，
Figure FDA00023683417500000114
其中，τ′i为所求感知数据的优化置信度，τi为关联数据中低置信度的感知数据原置信度，τj为关联数据中高置信度的感知数据的置信度。
3.根据权利要求2所述的一种感知数据获取方法，其特征在于，步骤三中所述的感知数据筛选方法是指，将优化后得到的n个感知节点联合感知测量时的置信度
Figure FDA0002368341750000021
与需求置信度
Figure FDA0002368341750000022
对比，选取合适的感知数据；其中，
Figure FDA0002368341750000023
且n≤4。
4.根据权利要求1,2,3任一项所述的一种感知数据获取方法，其特征在于，所述的感知数据包括温度、湿度、光强度等数据。
CN201710080729.8A 2017-02-15 2017-02-15 一种感知数据获取方法 Active CN106972948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710080729.8A CN106972948B (zh) 2017-02-15 2017-02-15 一种感知数据获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710080729.8A CN106972948B (zh) 2017-02-15 2017-02-15 一种感知数据获取方法

Publications (2)

Publication Number Publication Date
CN106972948A CN106972948A (zh) 2017-07-21
CN106972948B true CN106972948B (zh) 2020-05-05

Family

ID=59334699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710080729.8A Active CN106972948B (zh) 2017-02-15 2017-02-15 一种感知数据获取方法

Country Status (1)

Country Link
CN (1) CN106972948B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162102A (zh) * 2019-05-17 2019-08-23 广东技术师范大学 基于云平台和机器视觉的无人机自动识别跟踪方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2139200A2 (en) * 2008-06-24 2009-12-30 Metarights, Ltd. WSN-based context awareness engine
CN105975871A (zh) * 2016-05-23 2016-09-28 陕西师范大学 一种敏感数据保护方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2139200A2 (en) * 2008-06-24 2009-12-30 Metarights, Ltd. WSN-based context awareness engine
CN105975871A (zh) * 2016-05-23 2016-09-28 陕西师范大学 一种敏感数据保护方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Data reconstruction with spatial and temporal correlation in wireless sensor networks;Yayun Zhang et al;《MSCC"16 Proceedings of the 3rd ACM Workshop on Mobile Sensing,Computing and Communication》;20161231;全文 *
传感器网络中一种基于时-空相关性的缺失值估计算法;潘立强;《计算机学报》;20100131;全文 *
时空关联规则挖掘研究;董林;《中国博士学位论文全文数据库》;20150430;全文 *

Also Published As

Publication number Publication date
CN106972948A (zh) 2017-07-21

Similar Documents

Publication Publication Date Title
Farber et al. Assessment of alternative approaches for bioclimatic modeling with special emphasis on the Mahalanobis distance
CN107423435B (zh) 多维时空数据的多层次异常检测方法
EP3754906A1 (en) Method and system for performing automated root cause analysis of anomaly events in high-dimensional sensor data
Rahman et al. Remote sensing, spatial multi criteria evaluation (SMCE) and analytical hierarchy process (AHP) in optimal cropping pattern planning for a flood prone area
CN111860692B (zh) 一种基于K-mediod的物联网环境下的异常数据检测方法
CN110830946B (zh) 混合型在线数据异常检测方法
Shao et al. A modified Hausdorff distance based algorithm for 2-dimensional spatial trajectory matching
CN107707417A (zh) 基于子图处理的无线传感器网络异常节点检测与定位方法
CN108256032B (zh) 一种对时空数据的共现模式进行可视化的方法及装置
Marin-Franch et al. Estimating information from image colors: An application to digital cameras and natural scenes
Yang et al. Cross-space building occupancy modeling by contextual information based learning
CN105678047A (zh) 融合经验模态分解降噪和复杂网络分析的风场表征方法
Song et al. Object-based feature selection for crop classification using multi-temporal high-resolution imagery
CN106972948B (zh) 一种感知数据获取方法
CN114355298B (zh) 一种雷达复合调制脉冲信号识别方法
Yin et al. Clustering distributed time series in sensor networks
CN110011847A (zh) 一种传感云环境下的数据源质量评估方法
CN111611921B (zh) 一种基于遥感大数据的太阳能板识别系统
Diván Processing architecture based on measurement metadata
CN116132311B (zh) 一种基于时间序列的网络安全态势感知方法
Reis et al. Data-aware clustering for geosensor networks data collection
CN107071858A (zh) 一种Hadoop下的剖分遥感影像并行处理方法
Fan et al. Evaluating and predicting the effectiveness of farmland consolidation on improving agricultural productivity in China
CN117034189A (zh) 多源物联网数据融合方法
Wang et al. Mining common spatial-temporal periodic patterns of animal movement

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 510000 No. 293, Zhongshan Avenue, Tianhe District, Guangdong, Guangzhou

Applicant after: GUANGDONG POLYTECHNIC NORMAL University

Address before: 510665 Zhongshan West Road, Guangdong, Guangzhou, No. 293, No.

Applicant before: GUANGDONG POLYTECHNIC NORMAL University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant