CN108090515A - 一种基于数据融合的环境等级评估方法 - Google Patents
一种基于数据融合的环境等级评估方法 Download PDFInfo
- Publication number
- CN108090515A CN108090515A CN201711445464.3A CN201711445464A CN108090515A CN 108090515 A CN108090515 A CN 108090515A CN 201711445464 A CN201711445464 A CN 201711445464A CN 108090515 A CN108090515 A CN 108090515A
- Authority
- CN
- China
- Prior art keywords
- environment
- characteristic parameters
- sensor
- data
- environment characteristic
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000013480 data collection Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 2
- 235000015170 shellfish Nutrition 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 16
- 238000010606 normalization Methods 0.000 abstract description 2
- WSFSSNUMVMOOMR-UHFFFAOYSA-N formaldehyde Natural products O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 8
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 7
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 229930040373 Paraformaldehyde Natural products 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- -1 formaldehyde Aldehyde Chemical class 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 229920002866 paraformaldehyde Polymers 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据融合的环境等级评估方法，包括：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；利用自适应加权平均算法融合同质传感器所获得的环境特征参数；获得环境特征参数的特征向量；建立由环境特征参数的特征向量构成的环境特征参数数据集；将训练集中的数据归一化后，进行基于SPY方法与朴素贝叶斯分类器的分类模型生成；根据分类模型对环境等级进行判定。该方法采用多传感器多级数据融合技术，能够减少数据的冗余，提高传感器数据的准确度，有效提高动态环境监测结果的可信度。
Description
技术领域
本发明涉及一种基于数据融合的环境等级评估方法，属于信息技术领域。
背景技术
随着我国城市建设的发展和生活水平的提高，人们对居住质量的要求也越来越高，环境的等级对人的健康质量和工作效率有重要的影响，因此对环境进行监测并准确评估就变得越发重要。对环境进行准确有效的监测和评估可以及时了解室内环境状况、获取相关的环境参数信息，还可以发现环境存在的问题，从而为实现对环境的进一步的调节和控制提供依据。对环境进行有效监测、评估和控制，可以提高人们对环境的关注，为人们的生活、学习和工作创造适宜的环境，为人的身心健康提供环境保障。因此对环境进行监测和评估就显得十分重要。
同时多传感器数据融合技术、大数据相关技术及人工智能正不断发展，并广泛应用于人们的生活之中，这也为环境等级评估方法提供的理论依据和有效的技术实现手段。数据融合又称为信息融合或者多传感器数据融合，它的确切定义可以概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定的准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。总而言之，融合就是把传感器或者多源的信息和数据进行综合处理，从而达到提高系统稳定性的目的。
目前的很多环境监测系统中只是采用单一传感器采集环境数据，通过人工设定的阈值做简单的环境分析，若传感器自身出现问题就会对系统最终监测的结果造成非常大的影响，这样对环境做出的分析不准确，不能真实的反映环境情况。环境的状态应由多种因素综合评定，仅由单一的指标描述缺乏合理性。当综合考虑多种环境指标时，必然会需要并采集大量的数据，对大量数据做处理并准确的做出评估就显得非常重要。
因此，利用多传感器数据融合技术，并将其应用于环境监测与评估，提高系统的准确性、智能性，具有非常重要的意义。
发明内容
为了克服现有技术的不足，本发明提供一种基于数据融合的环境等级评估方法，可以解决采用单一传感器对环境监测结果不准确的问题。通过采用多传感器监测，可以解决由于传感器自身误差影响最终监测结果问题，提升整体的抗干扰性。通过对环境数据集做有效的正例与负例分析制定，提升分类模型的准确度，从而提升环境等级评估的精准性。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于数据融合的环境等级评估方法，包括以下步骤：
步骤1：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；
步骤2：利用自适应加权平均算法，融合同质传感器所获得的环境特征参数，得到同质传感器的环境特征参数融合值；
步骤3：将步骤2中环境特征参数融合值进行组合，构成环境特征参数的特征向量；
步骤4：将各个传感器获取的历史环境特征参数按照步骤1至3的处理后，建立由环境特征参数的特征向量构成的环境特征参数数据集U；并选择带有环境评判等级标记的特征向量，按照不同的环境评判等级标记分别构成已标记数据集Pk，k＝1,2,…,K，K表示环境评判等级数；
步骤5：将步骤4中的数据集U和Pk分别进行归一化处理后，基于SPY方法与朴素贝叶斯分类器生成每个环境评判等级的分类模型，具体为：
5-1：从数据集Pk中随机抽取一定的数据，构成数据集Spy；
5-2：将数据集(Pk-Spy)作为正例训练集、数据集(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立第一分类模型MSk；
5-3：将数据集Spy中的特征向量分别输入第一分类模型MSk，得出其中每个特征向量属于第k个环境等级的概率，并设置其中的最小概率值为阈值ε；
5-4：将数据集Pk作为正例训练集、数据集U作为反例训练集，使用朴素贝叶斯分类器建立第二分类模型MRk；
5-5：将数据集U中的特征向量分别输入第二分类模型MRk，得出其中每个特征向量属于第k个环境等级的概率，提取出概率值小于阈值ε的特征向量组成数据集RN；
5-6：将数据集Pk作为正例训练集、数据集RN作为反例训练集，使用朴素贝叶斯分类器建立最终的环境评判等级的分类模型Mk；
步骤6：将实时获取环境特征参数信息按照步骤1至3的处理后，分别输入步骤5中各个环境评判等级的分类模型中，输出值最大的分类模型对应的环境评判等级即为该实时获取环境特征参数信息的环境等级评估结果。
作为本发明的进一步技术方案，步骤1中采用格拉布斯判定准则对环境特征参数进行预处理。
作为本发明的进一步技术方案，采用格拉布斯判定准则对环境特征参数进行预处理，具体包括：
1-1：分别计算获取的环境特征参数的平均值和标准差；
1-2：根据步骤1-1中得到的平均值和标准差，计算出格拉布斯统计量；
1-3：根据步骤1-2中获得的格拉布斯统计量对获取的环境特征参数进行筛选，剔除格拉布斯统计量大于等于格拉布斯判定准则临界值的环境特征参数。
作为本发明的进一步技术方案，格拉布斯判定准则临界值为V(n,a)，其中，n为环境特征参数值的采集次数，a为显著水平且a取0.01或0.05。
作为本发明的进一步技术方案，步骤2中同质传感器的环境特征参数融合值为其中，同质传感器中第j个传感器的最优加权因子σj为同质传感器中第j个传感器的标准差，为同质传感器中第j个传感器的平均值，m为同质传感器中传感器的个数，j＝1,2,3,···,m。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明提供了一种基于数据融合的环境等级评估方法，其完整的方法包括环境特征参数的预处理、融合同质传感器所获得的环境特征参数、获得环境特征参数特征向量、生成最终分类模型评估环境等级；
(2)本发明中数据采集点分别采集环境参数对数据做预处理，将较大偏差的错误值进行判定并排除，减少数据的冗余，提高数据的准确性和可信度；
(3)本发明中利用自适应加权平均算法融合同质传感器所获得的环境特征参数，减少了对每个传感器采集的数据分别处理时的不确定性和不稳定性，使融合结果更接近真实值，提高了传感器数据的准确度和可信度；
(4)本发明采用Spy提取生成最终分类模型所必需的可靠的负例集合RN，减少了传统方法中需要人工标注负例的过程，有效避免人工造成的数据错误，使数据处理更加智能化，提高数据的准确度；
(5)本发明可应用与室内或室外环境，无应用场景的局限性，具有有效提高动态环境监测的作用；
(6)本发明的评估结果可以作为依据应用于智能家居、农业温室和大气监测中。
附图说明
图1为本发明基于数据融合的室内环境等级评估方法的流程示意图。
图2为本发明中获得环境特征参数特征向量过程的示意图。
图3为本发明中生成最终分类模型过程的示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明提供一种基于数据融合的环境等级评估方法，可以解决采用单一传感器对环境监测结果不准确的问题。通过采用多传感器监测，能够减少数据的冗余，提高传感器数据的准确度，有效提高动态环境监测结果的可信度。解决由于传感器自身误差影响最终监测结果问题，提升整体的抗干扰性。通过对环境数据集做有效的正例与负例分析制定，提升分类模型的准确度，从而提升环境等级评估的精准性。本发明可应用与室内或室外环境，无应用场景的局限性，具有有效提高动态环境监测的作用。
如图1所示，本发明设计了一种基于数据融合的室内环境等级评估方法，该方法可根据输入的环境特征参数评估当前环境的质量等级。该方法具体包括如下步骤：
步骤1：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理，如图2所示，预处理的过程具体步骤为：
步骤1-1：采用格拉布斯判定准则对环境特征参数进行处理。
对采集到的环境特征参数用格拉布斯判定准则进行处理，对其中因传感器本身原因造成的较大偏差的错误值进行判定并排除。
对采集到的环境特征参数计算平均值和标准差，即获得：
其中，为环境特征参数平均值，xi为第i次采集的环境特征参数的测量值，σ为环境特征参数标准差，n为环境特征参数值的采集次数，i＝1,2,3,···,n。
步骤1-2：对步骤1-1中获得的平均值和标准差计算出格拉布斯统计量，即获得：
其中，Vi为第i次采集的环境特征参数的格拉布斯统计量。
步骤1-3：对步骤1-2中获得的格拉布斯统计量进行判断，若Vi满足Vi≥V(n,a)，则认为xi是异常值，应将其舍去。其中V(n,a)为格拉布斯判定准则临界值，a为显著水平，a取0.01或0.05。剔除后，再次计算式(1)，式(2)和式(3)，直至没有异常值存在，并保存平均值和标准差。
步骤2：利用自适应加权平均算法融合同质传感器所获得的环境特征参数。具体如下：
对于同质传感器，即采集的环境特征参数种类相同的传感器，将其预处理后获得的平均值和标准差进行融合计算。先获得同质传感器中每个传感器的最优加权因子：
再由式(5)计算出同质传感器的环境特征参数的融合值：
其中，ωj为同质传感器中第j个传感器的最优加权因子，σj为同质传感器中第j个传感器的标准差，为同质传感器中第j个传感器的平均值，m为同质传感器中传感器的个数，j＝1,2,3,···,m。
对比结果表明，经预处理及融合后的数值较直接从传感器获取的数值更接近真实值。
步骤3：获得环境特征参数的特征向量。
对所有的环境特征参数依据步骤1至步骤2，分别进行融合得到融合值，将所有的环境特征参数融合值进行组合，构成环境特征参数的特征向量。例如：假设需要监测温度、湿度、二氧化硫、二氧化氮、一氧化碳、甲醛、苯在内的7类环境特征，对每一类环境特征分别使用10个传感器进行数据采集。对于甲醛而言，将用于监测其数值的10个传感器编号为甲醛1号至甲醛10号；依据步骤1所述，对每个甲醛传感器监测的数据做预处理，得到传感器的平均值与标准差；依据步骤2所述，对甲醛1号至甲醛10号这10个同质传感器进行数据融合，得到甲醛这个环境特征的融合值，记为“V-甲醛”。同理可得到其余6类环境特征的融合值“V-温度”、“V-湿度”、“V-二氧化硫”、“V-二氧化氮”、“V-一氧化碳”和“V-苯”；将7类环境特征融合值进行组合，构成形式为{V-温度，V-湿度，V-二氧化硫，V-二氧化氮，V-一氧化碳，V-甲醛，V-苯}的特征向量。
步骤4：建立由环境特征参数的特征向量构成的环境特征参数数据集。由传感器采集的环境特征数据经过预处理和数据融合，形成环境特征参数数据集U。同时选择带有环境评判等级标记的数据集，按照不同的环境评判等级标记分别构成对应各个环境评判等级的已标记数据集。
步骤5：将步骤4中的数据集分别进行归一化后，进行基于SPY方法与朴素贝叶斯分类器的分类模型生成，根据分类模型对环境等级进行判定，如图3所示，具体方法如下：
将步骤4中的数据集U和已标记数据集分别进行归一化处理后，基于SPY方法与朴素贝叶斯分类器生成每个环境评判等级的分类模型，具体为：
5-1：从数据集Pk中随机抽取一定的数据，构成数据集Spy，Pk为第k个环境评判等级的已标记数据集；
5-2：将数据集(Pk-Spy)作为正例训练集、数据集(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立第一分类模型MSk；
5-3：将数据集Spy中的特征向量分别输入第一分类模型MSk，得出其中每个特征向量属于第k个环境等级的概率，并设置其中的最小概率值为阈值ε；
5-4：将数据集Pk作为正例训练集、数据集U作为反例训练集，使用朴素贝叶斯分类器建立第二分类模型MRk；
5-5：将数据集U中的特征向量分别输入第二分类模型MRk，得出其中每个特征向量属于第k个环境等级的概率，提取出概率值小于阈值ε的特征向量组成数据集RN；
5-6：将数据集Pk作为正例训练集、数据集RN作为反例训练集，使用朴素贝叶斯分类器建立最终的环境评判等级的分类模型Mk。
具体而言，对于环境等级I，将所有已标记为此等级的数据，提取出来形成已标记数据集PI。从数据集PI中随机抽取一定的数据形成数据集Spy。将集合(PI-Spy)作为正例训练集并将集合(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立分类模型MSI。将数据集Spy通过分类模型MSI得出其中每个特征向量属于环境等级I的概率，设置其中的最小概率值为阈值ε。将集合PI作为正例训练集并将集合U作为反例训练集，使用朴素贝叶斯分类器建立分类模型MRI。将数据集U通过分类模型MRI得出其中每个特征向量属于环境等级I的概率，提取出概率值小于阈值ε的特征向量组成集合RN。将集合PI作为正例训练集并将集合RN作为反例训练集，使用朴素贝叶斯分类器建立最终的模型MI。对与其它环境等级，通过步骤5-1至步骤5-5建立每个等级的最终模型Mk(k＝I,II,III,IV,…)。最终模型用于评定环境特征向量的等级归属。
步骤6：将经测得的环境特征向量归一化后分别通过每个环境等级的最终模型算出属于每个环境等级的概率值pk(k＝I,II,III,IV,…)，max(pk)对应的环境等级即为此环境特征向量的环境等级评估结果。
综上，本发明提供了一种基于数据融合的室内环境等级评估方法，该方法采用多传感器多级数据融合技术，能够减少数据的冗余，提高传感器数据的准确度，有效提高动态环境监测结果的可信度。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种基于数据融合的环境等级评估方法，其特征在于，包括以下步骤：
步骤1：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；
步骤2：利用自适应加权平均算法，融合同质传感器所获得的环境特征参数，得到同质传感器的环境特征参数融合值；
步骤3：将步骤2中环境特征参数融合值进行组合，构成环境特征参数的特征向量；
步骤4：将各个传感器获取的历史环境特征参数按照步骤1至3的处理后，建立由环境特征参数的特征向量构成的环境特征参数数据集U；并选择带有环境评判等级标记的特征向量，按照不同的环境评判等级标记分别构成已标记数据集Pk，k＝1,2,…,K，K表示环境评判等级数；
步骤5：将步骤4中的数据集U和Pk分别进行归一化处理后，基于SPY方法与朴素贝叶斯分类器生成每个环境评判等级的分类模型，具体为：
5-1：从数据集Pk中随机抽取一定的数据，构成数据集Spy；
5-2：将数据集(Pk-Spy)作为正例训练集、数据集(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立第一分类模型MSk；
5-3：将数据集Spy中的特征向量分别输入第一分类模型MSk，得出其中每个特征向量属于第k个环境等级的概率，并设置其中的最小概率值为阈值ε；
5-4：将数据集Pk作为正例训练集、数据集U作为反例训练集，使用朴素贝叶斯分类器建立第二分类模型MRk；
5-5：将数据集U中的特征向量分别输入第二分类模型MRk，得出其中每个特征向量属于第k个环境等级的概率，提取出概率值小于阈值ε的特征向量组成数据集RN；
5-6：将数据集Pk作为正例训练集、数据集RN作为反例训练集，使用朴素贝叶斯分类器建立最终的环境评判等级的分类模型Mk；
步骤6：将实时获取环境特征参数信息按照步骤1至3的处理后，分别输入步骤5中各个环境评判等级的分类模型中，输出值最大的分类模型对应的环境评判等级即为该实时获取环境特征参数信息的环境等级评估结果。
2.根据权利要求1所述的一种基于数据融合的环境等级评估方法，其特征在于，步骤1中采用格拉布斯判定准则对环境特征参数进行预处理。
3.根据权利要求2所述的一种基于数据融合的环境等级评估方法，其特征在于，采用格拉布斯判定准则对环境特征参数进行预处理，具体包括：
1-1：分别计算获取的环境特征参数的平均值和标准差；
1-2：根据步骤1-1中得到的平均值和标准差，计算出格拉布斯统计量；
1-3：根据步骤1-2中获得的格拉布斯统计量对获取的环境特征参数进行筛选，剔除格拉布斯统计量大于等于格拉布斯判定准则临界值的环境特征参数。
4.根据权利要求3所述的一种基于数据融合的环境等级评估方法，其特征在于，格拉布斯判定准则临界值为V(n,a)，其中，n为环境特征参数值的采集次数，a为显著水平且a取0.01或0.05。
5.根据权利要求1所述的一种基于数据融合的环境等级评估方法，其特征在于，步骤2中同质传感器的环境特征参数融合值为其中，同质传感器中第j个传感器的最优加权因子σj为同质传感器中第j个传感器的标准差，为同质传感器中第j个传感器的平均值，m为同质传感器中传感器的个数，j＝1,2,3,···,m。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711445464.3A CN108090515B (zh) | 2017-12-27 | 2017-12-27 | 一种基于数据融合的环境等级评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711445464.3A CN108090515B (zh) | 2017-12-27 | 2017-12-27 | 一种基于数据融合的环境等级评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108090515A true CN108090515A (zh) | 2018-05-29 |
| CN108090515B CN108090515B (zh) | 2020-04-21 |
Family
ID=62179696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711445464.3A Active CN108090515B (zh) | 2017-12-27 | 2017-12-27 | 一种基于数据融合的环境等级评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090515B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108848845A (zh) * | 2018-05-31 | 2018-11-23 | 深圳源广安智能科技有限公司 | 一种基于云计算的智能灌溉施肥系统 |
| CN110362779A (zh) * | 2019-06-11 | 2019-10-22 | 南京江岛环境科技研究院有限公司 | 一种多尺度环境数据融合方法 |
| CN111382768A (zh) * | 2018-12-29 | 2020-07-07 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
| CN113096398A (zh) * | 2021-04-01 | 2021-07-09 | 付鑫 | 一种多源数据融合的综合交通数据挖掘方法 |
| CN113376327A (zh) * | 2021-07-08 | 2021-09-10 | 海南绿能环境工程有限公司 | 基于大数据的环境监测信息管理方法及系统 |
| CN114252090A (zh) * | 2021-12-15 | 2022-03-29 | 哈尔滨工业大学 | 一种多源导航传感器可信性评估方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806229A (zh) * | 2010-03-15 | 2010-08-18 | 山东科技大学 | 基于多目标监测数据融合的煤矿顶板安全评价方法 |
| CN104637020A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 基于多贝叶斯估计法的地铁施工风险快速评估方法 |
| DE102015007180A1 (de) * | 2015-06-03 | 2015-12-10 | Daimler Ag | Umgebungserfassungseinrichtung für einen Kraftwagen und Verfahren zum Betreiben einer solchen |
| CN105403245A (zh) * | 2015-10-16 | 2016-03-16 | 沈阳农业大学 | 日光温室无线传感器多数据融合方法 |
| US20170046462A1 (en) * | 2012-10-09 | 2017-02-16 | The Boeing Company | Methods and systems for structural health monitoring |
| CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
| CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
-
2017
- 2017-12-27 CN CN201711445464.3A patent/CN108090515B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101806229A (zh) * | 2010-03-15 | 2010-08-18 | 山东科技大学 | 基于多目标监测数据融合的煤矿顶板安全评价方法 |
| US20170046462A1 (en) * | 2012-10-09 | 2017-02-16 | The Boeing Company | Methods and systems for structural health monitoring |
| CN104637020A (zh) * | 2013-11-07 | 2015-05-20 | 大连市勘察测绘研究院有限公司 | 基于多贝叶斯估计法的地铁施工风险快速评估方法 |
| DE102015007180A1 (de) * | 2015-06-03 | 2015-12-10 | Daimler Ag | Umgebungserfassungseinrichtung für einen Kraftwagen und Verfahren zum Betreiben einer solchen |
| CN105403245A (zh) * | 2015-10-16 | 2016-03-16 | 沈阳农业大学 | 日光温室无线传感器多数据融合方法 |
| CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
| CN107480895A (zh) * | 2017-08-19 | 2017-12-15 | 中国标准化研究院 | 一种基于Bayes增强学习的可靠消费品风险评估方法 |
Non-Patent Citations (7)
| Title |
|---|
| GANG H 等: "Multi-Sensor Data Fusion in Coal Mine Safety Supervision", 《INTERNATIONAL CONFERENCE ON INFORMATION ACQUISITION》 * |
| LIKUN W 等: "Using hybrid weight grey correlation analysis method to evaluate the environment safety grade of uranium waste rock heap", 《INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS & SIGNAL PROCESSING》 * |
| 张晓亮 等: "多传感器数据融合技术在室内环境品质监控系统中的应用", 《仪表技术与传感器》 * |
| 张鹏鹏 等: "多传感器数据融合在矿井安全监测中的应用", 《工矿自动化》 * |
| 王明芳 等: "贝叶斯理论在室内空气质量等级识别中的应用", 《中国环境监测》 * |
| 郭联金 等: "室内空气质量监测系统的设计与实现", 《微型机与应用》 * |
| 陈春玲 等: "日光温室无线传感器多数据融合技术研究", 《沈阳农业大学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108848845A (zh) * | 2018-05-31 | 2018-11-23 | 深圳源广安智能科技有限公司 | 一种基于云计算的智能灌溉施肥系统 |
| CN111382768A (zh) * | 2018-12-29 | 2020-07-07 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
| CN111382768B (zh) * | 2018-12-29 | 2023-11-14 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
| CN110362779A (zh) * | 2019-06-11 | 2019-10-22 | 南京江岛环境科技研究院有限公司 | 一种多尺度环境数据融合方法 |
| CN113096398A (zh) * | 2021-04-01 | 2021-07-09 | 付鑫 | 一种多源数据融合的综合交通数据挖掘方法 |
| CN113376327A (zh) * | 2021-07-08 | 2021-09-10 | 海南绿能环境工程有限公司 | 基于大数据的环境监测信息管理方法及系统 |
| CN113376327B (zh) * | 2021-07-08 | 2023-01-17 | 海南海笙信息科技有限公司 | 基于大数据的环境监测信息管理方法及系统 |
| CN114252090A (zh) * | 2021-12-15 | 2022-03-29 | 哈尔滨工业大学 | 一种多源导航传感器可信性评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108090515B (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090515A (zh) | 一种基于数据融合的环境等级评估方法 | |
| WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
| CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
| CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN103177301A (zh) | 一种台风灾害风险预估方法 | |
| CN104407589A (zh) | 面向车间制造过程的实时生成性能主动感知与异常分析方法 | |
| CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
| CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
| CN102495919A (zh) | 一种生态系统碳交换影响因素提取方法及系统 | |
| CN111898929A (zh) | 基于机器学习的乡村多产业数据指标评测系统 | |
| CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
| CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
| CN116957838A (zh) | 一种基于知识图表示学习的农作物生长环境监测方法 | |
| CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN114417981A (zh) | 一种智能河长巡测系统 | |
| CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
| CN111339155B (zh) | 一种关联分析系统 | |
| CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
| CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
| CN112216387B (zh) | 基于云数据平台的复工复产管理方法及系统 | |
| CN113222452A (zh) | 一种基于北斗导航的天然草地质量评价方法、系统及存储介质 | |
| Yang | Analysis of Death Toll from COVID-19 in China with Uncertain Time Series and Uncertain Regression Analysis | |
| CN108777635A (zh) | 一种企业设备管理系统 | |
| CN110969209A (zh) | 一种陌生人识别方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210514 Address after: Room 507, 6-3 Xingzhi Road, Nanjing Economic and Technological Development Zone, Jiangsu Province, 210000 Patentee after: NANJING NANYOU INSTITUTE OF INFORMATION TEACHNOVATION Co.,Ltd. Address before: 210003, 66 new model street, Gulou District, Jiangsu, Nanjing Patentee before: NANJING University OF POSTS AND TELECOMMUNICATIONS |