CN108900622B - 基于物联网的数据融合方法、装置与计算机可读存储介质 - Google Patents

基于物联网的数据融合方法、装置与计算机可读存储介质 Download PDF

Info

Publication number
CN108900622B
CN108900622B CN201810752937.2A CN201810752937A CN108900622B CN 108900622 B CN108900622 B CN 108900622B CN 201810752937 A CN201810752937 A CN 201810752937A CN 108900622 B CN108900622 B CN 108900622B
Authority
CN
China
Prior art keywords
detection data
target detection
data set
calculating
sample
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
CN201810752937.2A
Other languages
English (en)
Other versions
CN108900622A (zh
Inventor
刘传家
赵常均
林贞琼
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.)
Guangzhou Intelligent Equipment Institute Co ltd
Original Assignee
Guangzhou Intelligent Equipment Institute Co ltd
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 Guangzhou Intelligent Equipment Institute Co ltd filed Critical Guangzhou Intelligent Equipment Institute Co ltd
Priority to CN201810752937.2A priority Critical patent/CN108900622B/zh
Publication of CN108900622A publication Critical patent/CN108900622A/zh
Application granted granted Critical
Publication of CN108900622B publication Critical patent/CN108900622B/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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于物联网的数据融合方法、装置与计算机可读存储介质，该方法包括:采集物联网中传感器检测的检测数据，得到原始检测数据集；对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；根据所述目标检测数据集和其对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；根据各个目标检测数据样本与其综合权值，计算所述目标检测数据集的融合结果。该方法结合历史检测数据对目标检测数据集进行数据融合，充分考虑了历史检测数据对数据融合结果的影响，提高目标检测数据的融合结果的精度。

Description

基于物联网的数据融合方法、装置与计算机可读存储介质
技术领域
本发明涉及数据分析领域，尤其涉及一种基于物联网的数据融合方法。
背景技术
物联网被广泛应用于生态监测、健康护理、智慧交通、智能物流等众多领域，是当前研究的一个热点。在基于物联网(特别是新兴的窄带物联网)的数据监测应用中，由于传感器所处的位置不同、传感器自身的差异以及实际环境中各种随机干扰因素的作用，使得单个传感器的测量数据不能完全反映事物的真实情况。同时，相临较近的多个传感器检测同一对象时，会产生大量的冗余信息数据。为了提高测量的准确性同时有效控制冗余信息传输量及减少通信开销，提高能效及带宽利用率，通常需要对原始采集数据进行数据融合处理。
现有的数据融合方法一般包含一致性检测和数据融合两个阶段，其中一致性检测阶段主要是过滤、剔除当前检测数据集中的偏差较大的异常数据；在数据融合阶段，首先估算各检测数据对应的融合权值，然后采用加权累加的方式计算各检测数据的最终融合结果，但是，现有数据融合技术在数据融合阶段，一般仅针对当前时刻的采样数据进行分析，没有考虑历史数据的影响问题，数据融合结果的准确性较低。
发明内容
本发明的目的是提供一种基于物联网的数据融合方法、装置与计算机可读存储介质，充分考虑了历史检测数据对数据融合结果的影响，提高检测数据的融合结果的精度。
本发明实施例提供了一种基于物联网的数据融合方法，包括:
采集物联网中传感器检测的检测数据，获得原始检测数据集；
对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；
根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；
根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果。
优选地，所述对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集，具体包括：
根据公式
Figure BDA0001726026150000021
计算所述原始检测数据集的离差平方和；
其中，n为所述原始检测数据集的样本数量；xi为所述原始检测数据集中的第i个原始检测数据样本，
Figure BDA0001726026150000022
为被测真值的估计值；
根据公式
Figure BDA0001726026150000023
计算所述原始检测数据集的标准差；
其中，
Figure BDA0001726026150000024
为所述离差平方和S′的值最小时对应的
Figure BDA0001726026150000025
值；
根据所述标准差，检测所述原始检测数据集中的第i个原始检测数据样本是否为异常数据；
若是，剔除第i个原始检测数据样本，若否，保留第i个原始检测数据样本；
剔除所述原始检测数据集中的所有异常数据后，获得目标检测数据集。
优选地，所述根据所述标准差，检测所述原始检测数据集的第i个原始检测数据样本是否为异常数据，具体包括：
当
Figure BDA0001726026150000026
时，确定第i个原始检测数据样本不是异常数据；
当
Figure BDA0001726026150000027
时，确定第i个原始检测数据样本为异常数据；
其中，k为调整因子。
优选地，所述根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值，具体包括：
根据公式
Figure BDA0001726026150000035
计算所述目标检测数据样本之间的信任度，并得到所述目标检测数据集对应的信任度矩阵；其中，xi、xj分别为传感器i和传感器j检测被测对象得到的目标检测数据样本；bij为xj对xi的信任度；
根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量；
根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量；
根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值。
优选地，所述根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量，具体包括：
根据公式
Figure BDA0001726026150000031
计算第i个目标检测数据样本对应的第一权值分量；其中，m为所述目标检测数据集的样本数量。
优选地，所述根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量，具体包括：
根据公式
Figure BDA0001726026150000032
计算所述历史检测数据对应的历史融合方差；其中，t为所述历史检测数据的样本数量；zj为所述历史检测数据中的第j个历史检测样本；
Figure BDA0001726026150000033
为第j个历史数据融合结果；
根据公式
Figure BDA0001726026150000034
计算第i个目标检测数据样本对应的第二权值分量。
优选地，所述根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值，具体包括：
根据公式wi＝η1wi1+η2wi2，计算第i个目标检测数据样本对应的综合权值；
其中，η1和η2为分配系数，η1+η2＝1。
优选地，所述根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果，具体包括：
根据公式
Figure BDA0001726026150000041
计算所述目标检测数据集的融合结果。
本发明实施例还提供了一种基于物联网的数据融合装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于物联网的数据融合方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于物联网的数据融合方法。
相对于现有技术，本发明实施例提供的一种基于物联网的数据融合方法的有益效果在于：所述基于物联网的数据融合方法，包括：采集物联网中传感器检测的检测数据，得到原始检测数据集；对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；根据所述目标检测数据集和其对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果。该方法结合历史检测数据对目标检测数据集进行数据融合，充分考虑了历史检测数据对数据融合结果的影响，提高目标检测数据的融合结果的精度。
附图说明
图1是本发明实施例提供的一种基于物联网的数据融合方法的流程图；
图2是本发明实施例提供的一种基于物联网的数据融合装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其是本发明实施例提供的一种基于物联网的数据融合方法的流程图，所述基于物联网的数据融合方法，包括：
S100：采集物联网中传感器检测的检测数据，获得原始检测数据集；
S200：对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；
S300：根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；
S400：根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果。
由于传感器本身的性能问题及外界干扰等因素经常会导致异常数据的产生，为了提高后续融合结果的准确性，需要首先对各原始检测数据进行数据一致性测试，过滤、剔除偏差较大的异常数据，然后结合历史检测数据计算目标检测数据集的综合权值，根据综合权值对所述目标检测数据集进行数据融合，充分考虑了历史检测数据对数据融合结果的影响，提高目标检测数据集的融合结果的精度。
在一种可选的实施例中，S200：所述对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集，具体包括：
根据公式
Figure BDA0001726026150000061
计算所述原始检测数据集的离差平方和；
其中，n为所述原始检测数据集的样本数量；xi为所述原始检测数据集中的第i个原始检测数据样本，
Figure BDA0001726026150000062
为被测真值的估计值；
根据公式
Figure BDA0001726026150000063
计算所述原始检测数据集的标准差；
其中，
Figure BDA0001726026150000064
为所述离差平方和S′的值最小时对应的
Figure BDA0001726026150000065
值；
根据所述标准差，检测所述原始检测数据集中的第i个原始检测数据样本是否为异常数据；
若是，剔除第i个原始检测数据样本，若否，保留第i个原始检测数据样本；
剔除所述原始检测数据集中的所有异常数据后，获得目标检测数据集。
例如，物联网中传感器检测的原始检测数据集为{x1，x2，…，xn},通过公式
Figure BDA0001726026150000066
计算所述原始检测数据集的离差平方和，并以所述离差平方和S′的值最小时对应的
Figure BDA0001726026150000067
值作为贝塞尔公式中
Figure BDA0001726026150000068
计算所述原始检测数据集的标准差，根据计算所述的标准差，采用拉伊达准则进行一致性检查，能够准确识别所述原始检测数据集的异常数据。
在一种可选的实施例中，所述根据所述标准差，检测所述原始检测数据集的第i个原始检测数据样本是否为异常数据，具体包括：
当
Figure BDA0001726026150000069
时，确定第i个原始检测数据样本不是异常数据；
当
Figure BDA00017260261500000610
时，确定第i个原始检测数据样本为异常数据；
其中，k为调整因子。
在本实施例中，k取值范围为[1,3]。由于拉伊达准则要求检测数据满足正态分布，而实际检测数据一般难以完全满足上述条件，因此，在实施例引入调整因子k代替原准则中的标准差的常系数，减小由于上述条件不满足引起的误差。
在一种可选的实施例中，S300：根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值，具体包括：
根据公式
Figure BDA0001726026150000073
计算所述目标检测数据样本之间的信任度，并得到所述目标检测数据集对应的信任度矩阵；其中，xi、xj分别为传感器i和传感器j检测被测对象得到目标检测数据样本；bij为xj对xi的信任度；
根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量；
根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量；
根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值。
数据间信任度的定义如下：假设多个传感器测量同一对象，传感器i和j的检测数据分别为xi、xj，则xj对xi的信任度即为xj认为xi为真实数据的可能程度。
根据上述数据间信任度的定义，采用公式
Figure BDA0001726026150000074
计算所述目标检测数据样本之间的信任度；可以得知，|xi-xj|的值越小，则信任度bij的取值越大，即检测数据xj对xi的信任度越大，bij在|xi-xj|∈「0，∞)上取值为「1，0)单调递减。其中，所述信任度矩阵
Figure BDA0001726026150000071
在一种可选的实施例中，所述根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量，具体包括：
根据公式
Figure BDA0001726026150000072
计算第i个目标检测数据样本对应的第一权值分量；其中，m为所述目标检测数据集的样本数量。
在本实施例中，对于检测数据样本xi而言，
Figure BDA0001726026150000081
的值越大，表明xi被信任的程度越大即其值越接近被测对象的真值，误差越小。
在一种可选的实施例中，所述根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量，具体包括：
根据公式
Figure BDA0001726026150000082
计算所述历史检测数据对应的历史融合方差；其中，t为所述历史检测数据的样本数量；zj为所述历史检测数据中的第j个历史检测样本；
Figure BDA0001726026150000083
为第j个历史数据融合结果；
根据公式
Figure BDA0001726026150000084
计算第i个目标检测数据样本对应的第二权值分量。
例如，通过采集所述目标检测数据集的前t个时刻的历史检测数据和对应的t个历史融合结果；所述目标检测数据集的前t个时刻的历史检测数据为{z1，z2，…，zt}，前t个历史融合结果为
Figure BDA0001726026150000085
根据{z1，z2，…，zt}和
Figure BDA0001726026150000086
通过公式
Figure BDA0001726026150000087
计算所述历史检测数据对应的历史融合方差，之后通过公式
Figure BDA0001726026150000088
计算第i个目标检测数据样本对应的第二权值分量。
在一种可选的实施例中，所述根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值，具体包括：
根据公式wi＝η1wi1+η2wi2，计算第i个目标检测数据样本对应的综合权值；
其中，η1和η2为分配系数，η1+η2＝1。
在本实施例中，取η1＝η2＝0.5；也可根据实际需求设定。
在一种可选的实施例中，所述根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果，具体包括：
根据公式
Figure BDA0001726026150000091
计算所述目标检测数据集的融合结果。
下面以农田土壤含水率数据为例，对本发明提供的基于物联网的数据融合方法进行说明：
具体的历史检测数据及融合结果如下：
传感器1-5的第一组历史检测数据为：18.30、18.80、17.98、18.61、18.22；融合结果为18.38；
传感器1-5的第二组历史检测数据为：18.73、17.91、18.27、18.01、18.76；融合结果为18.33；
传感器1-5的第三组历史检测数据为：18.19、18.80、18.74、18.35、18.03；融合结果为18.42；
传感器1-5的第四组历史检测数据为：18.42、18.09、17.97、18.70、18.32；融合结果为18.29；
传感器1-5的当前检测到的待融合检测数据如下：18.40、18.71、18.75、18.39、17.89。
根据本发明的步骤S200，由于离差平方和最小时，标准差也最小，因此被测真值的估值的准确性无需额外验证。
经过本发明步骤S300处理后，得到如下三组权值分量：
第一权值分量＝{0.2147,0.2057,0.2018,0.2142,0.1636}；
第二权值分量＝{0.2428,0.1610,0.1944,0.2060,0.1958}；
综合权值＝{0.2288,0.1833,0.1981,0.2101,0.1797}；
经过步骤S300处理后，得到如下结果：
融合结果为18.4324，融合结果的标准差为0.3445。
而采用传统数据融合方法，即仅根据当前检测数据间的信任度计算得到的最终融合结果为18.4488，融合结果的标准差为0.3453。
通过实验数据对比可以看出，本发明所提方法计算得到的检测数据的偏差较小，融合结果更准确。
请参阅图2，其是本发明实施例提供的一种基于物联网的数据融合装置的流程图，所述基于物联网的数据融合装置，包括：
数据采集模块1，用于采集物联网中传感器检测的检测数据，获得原始检测数据集；
一致性检测模块2，用于对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；
综合权值计算模块3，用于根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；
数据融合模块4，用于根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果。
由于传感器本身的性能问题及外界干扰等因素经常会导致异常数据的产生，为了提高后续融合结果的准确性，需要首先对各原始检测数据进行数据一致性测试，过滤、剔除偏差较大的异常数据，然后结合历史检测数据计算目标检测数据集的综合权值，根据综合权值对所述目标检测数据集进行数据融合，充分考虑了历史检测数据对数据融合结果的影响，提高目标检测数据集的融合结果的精度。
在一种可选的实施例中，一致性检测模块2包括：
离差平方和计算单元，用于根据公式
Figure BDA0001726026150000101
计算所述原始检测数据集的离差平方和；
其中，n为所述原始检测数据集的样本数量；xi为所述原始检测数据集中的第i个原始检测数据样本，
Figure BDA0001726026150000103
为被测真值的估计值；
标准差计算单元，用于根据公式
Figure BDA0001726026150000102
计算所述原始检测数据集的标准差；
其中，
Figure BDA0001726026150000111
为所述离差平方和S′的值最小时对应的
Figure BDA0001726026150000112
值；
异常数据检查单元，用于根据所述标准差，检测所述原始检测数据集中的第i个原始检测数据样本是否为异常数据；若是，剔除第i个原始检测数据样本，若否，保留第i个原始检测数据样本；
目标检测数据集获取单元，用于剔除所述原始检测数据集中的所有异常数据后，获得目标检测数据集。
例如，物联网中传感器检测的原始检测数据集为{x1，x2，…，xn},通过公式
Figure BDA0001726026150000113
计算所述原始检测数据集的离差平方和，并以所述离差平方和S′的值最小时对应的
Figure BDA0001726026150000114
值作为贝塞尔公式中
Figure BDA0001726026150000115
计算所述原始检测数据集的标准差，根据计算所述的标准差，采用拉伊达准则进行一致性检查，能够准确识别所述原始检测数据集的异常数据。
在一种可选的实施例中，所述异常数据检查单元，用于当
Figure BDA0001726026150000116
时，确定第i个原始检测数据样本不是异常数据；当
Figure BDA0001726026150000117
时，确定第i个原始检测数据样本为异常数据；其中，k为调整因子。
在本实施例中，k取值范围为[1,3]。由于拉伊达准则要求检测数据满足正态分布，而实际检测数据一般难以完全满足上述条件，因此，在实施例引入调整因子k代替原准则中的标准差的常系数，减小由于上述条件不满足引起的误差。
在一种可选的实施例中，综合权值计算模块3包括：
信任度计算单元，用于根据公式
Figure BDA0001726026150000118
计算所述目标检测数据样本之间的信任度，并得到所述目标检测数据集对应的信任度矩阵；其中，xi、xj分别为传感器i和传感器j检测被测对象得到目标检测数据样本；bij为xj对xi的信任度；
第一权值分量计算单元，用于根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量；
第二权值分量计算单元，用于根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量；
第三权值计算单元，用于根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值
数据间信任度的定义如下：假设多个传感器测量同一对象，传感器i和j的检测数据分别为xi、xj，则xj对xi的信任度即为xj认为xi为真实数据的可能程度。
根据上述数据间信任度的定义，采用公式
Figure BDA0001726026150000127
计算所述目标检测数据样本之间的信任度；可以得知，|xi-xj|的值越小，则信任度bij的取值越大，即检测数据xj对xi的信任度越大，bij在|xi-xj|∈「0，∞)上取值为「1，0)单调递减。其中，所述信任度矩阵
Figure BDA0001726026150000121
在一种可选的实施例中，所述第一权值分量计算单元，用于根据公式
Figure BDA0001726026150000122
计算第i个目标检测数据样本对应的第一权值分量；其中，m为所述目标检测数据集的样本数量。
在本实施例中，对于检测数据样本xi而言，
Figure BDA0001726026150000123
的值越大，表明xi被信任的程度越大即其值越接近被测对象的真值，误差越小。
在一种可选的实施例中，所述第二权值分量计算单元，用于根据公式
Figure BDA0001726026150000124
计算所述历史检测数据对应的历史融合方差；其中，t为所述历史检测数据的样本数量；zj为所述历史检测数据中的第j个历史检测样本；
Figure BDA0001726026150000125
为第j个历史数据融合结果；
所述第二权值分量计算单元，还用于根据公式
Figure BDA0001726026150000126
计算第i个目标检测数据样本对应的第二权值分量。
例如，通过采集所述目标检测数据集的前t个时刻的历史检测数据和对应的t个历史融合结果；所述目标检测数据集的前t个时刻的历史检测数据为{z1，z2，…，zt}，前t个历史融合结果为
Figure BDA0001726026150000131
根据{z1，z2，…，zt}和
Figure BDA0001726026150000132
通过公式
Figure BDA0001726026150000133
计算所述历史检测数据对应的历史融合方差，之后通过公式
Figure BDA0001726026150000134
计算第i个目标检测数据样本对应的第二权值分量。
在一种可选的实施例中，所述第三权值计算单元，用于根据公式wi＝η1wi1+η2wi2，计算第i个目标检测数据样本对应的综合权值；
其中，η1和η2为分配系数，η1+η2＝1。
在本实施例中，取η1＝η2＝0.5；也可根据实际需求设定。
在一种可选的实施例中，所述数据融合模块4，用于根据公式
Figure BDA0001726026150000135
计算所述目标检测数据集的融合结果。
本发明实施例还提供了一种基于物联网的数据融合装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的基于物联网的数据融合方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述基于物联网的数据融合装置中的执行过程。例如，所述计算机程序可以被分割成如图2所示的基于物联网的数据融合装置的功能模块。
所述基于物联网的数据融合装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于物联网的数据融合装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于物联网的数据融合装置的示例，并不构成对基于物联网的数据融合装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于物联网的数据融合装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于物联网的数据融合装置的控制中心，利用各种接口和线路连接整个基于物联网的数据融合装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于物联网的数据融合装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于物联网的数据融合装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于物联网的数据融合方法。
相对于现有技术，本发明实施例提供的一种基于物联网的数据融合方法的有益效果在于：所述基于物联网的数据融合方法，包括:采集物联网中传感器检测的检测数据，得到原始检测数据集；对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；根据所述目标检测数据集和其对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果。该方法结合历史检测数据对目标检测数据集进行数据融合，充分考虑了历史检测数据对数据融合结果的影响，提高目标检测数据的融合结果的精度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种基于物联网的数据融合方法，其特征在于，包括:
采集物联网中传感器检测的检测数据，获得原始检测数据集；
对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集；
根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值；
根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果；
所述根据所述目标检测数据集和所述目标检测数据集对应的历史检测数据，计算所述目标检测数据集中各个目标检测数据样本的综合权值，具体包括：
根据公式
Figure FDA0002843295850000011
计算所述目标检测数据样本之间的信任度，并得到所述目标检测数据集对应的信任度矩阵；其中，xi、xj分别为传感器i和传感器j检测被测对象得到的目标检测数据样本；bij为xj对xi的信任度；
根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量；
根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量；
根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值。
2.如权利要求1所述的基于物联网的数据融合方法，其特征在于，所述对所述原始检测数据集进行一致性检测，剔除所述原始检测数据集中的异常数据，获得目标检测数据集，具体包括：
根据公式
Figure FDA0002843295850000021
计算所述原始检测数据集的离差平方和；
其中，n为所述原始检测数据集的样本数量；xi为所述原始检测数据集中的第i个原始检测数据样本，
Figure FDA0002843295850000022
为被测真值的估计值；
根据公式
Figure FDA0002843295850000023
计算所述原始检测数据集的标准差；
其中，
Figure FDA0002843295850000024
为所述离差平方和S′的值最小时对应的
Figure FDA0002843295850000025
值；
根据所述标准差，检测所述原始检测数据集中的第i个原始检测数据样本是否为异常数据；
若是，剔除第i个原始检测数据样本，若否，保留第i个原始检测数据样本；
剔除所述原始检测数据集中的所有异常数据后，获得目标检测数据集。
3.如权利要求2所述的基于物联网的数据融合方法，其特征在于，所述根据所述标准差，检测所述原始检测数据集的第i个原始检测数据样本是否为异常数据，具体包括：
当
Figure FDA0002843295850000026
时，确定第i个原始检测数据样本不是异常数据；
当
Figure FDA0002843295850000027
时，确定第i个原始检测数据样本为异常数据；
其中，k为调整因子。
4.如权利要求1所述的基于物联网的数据融合方法，其特征在于，所述根据所述信任度矩阵，计算所述目标检测数据集中各个目标检测数据样本的第一权值分量，具体包括：
根据公式
Figure FDA0002843295850000028
计算第i个目标检测数据样本对应的第一权值分量；其中，m为所述目标检测数据集的样本数量。
5.如权利要求4所述的基于物联网的数据融合方法，其特征在于，所述根据所述历史检测数据和历史融合结果，计算所述目标检测数据集中各个目标检测数据样本的第二权值分量，具体包括：
根据公式
Figure FDA0002843295850000031
计算所述历史检测数据对应的历史融合方差；其中，t为所述历史检测数据的样本数量；zj为所述历史检测数据中的第j个历史检测样本；
Figure FDA0002843295850000032
为第j个历史数据融合结果；
根据公式
Figure FDA0002843295850000033
计算第i个目标检测数据样本对应的第二权值分量。
6.如权利要求5所述的基于物联网的数据融合方法，其特征在于，所述根据所述第一权值分量和所述第二权值分量，计算所述目标检测数据集中各个目标检测数据样本的综合权值，具体包括：
根据公式wi＝η1wi1+η2wi2，计算第i个目标检测数据样本对应的综合权值；
其中，η1和η2为分配系数，η1+η2＝1。
7.如权利要求6所述的基于物联网的数据融合方法，其特征在于，所述根据所述目标检测数据样本和所述目标检测数据样本对应的综合权值，计算所述目标检测数据集的融合结果，具体包括：
根据公式
Figure FDA0002843295850000034
计算所述目标检测数据集的融合结果。
8.一种基于物联网的数据融合装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于物联网的数据融合方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于物联网的数据融合方法。
CN201810752937.2A 2018-07-10 2018-07-10 基于物联网的数据融合方法、装置与计算机可读存储介质 Active CN108900622B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810752937.2A CN108900622B (zh) 2018-07-10 2018-07-10 基于物联网的数据融合方法、装置与计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810752937.2A CN108900622B (zh) 2018-07-10 2018-07-10 基于物联网的数据融合方法、装置与计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN108900622A CN108900622A (zh) 2018-11-27
CN108900622B true CN108900622B (zh) 2021-04-09

Family

ID=64348902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810752937.2A Active CN108900622B (zh) 2018-07-10 2018-07-10 基于物联网的数据融合方法、装置与计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN108900622B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597122A (zh) * 2020-09-03 2021-04-02 禾多科技（北京）有限公司 自动驾驶车辆的车载数据处理方法、装置和电子设备
CN112380073B (zh) * 2020-10-12 2022-07-26 浙江天垂科技有限公司 一种故障位置的检测方法、装置及可读存储介质
CN112633688A (zh) * 2020-12-23 2021-04-09 广州智能装备研究院有限公司 一种设备可靠性信息融合方法及系统
CN112597263B (zh) * 2021-03-03 2021-05-11 浙江和达科技股份有限公司 管网检测数据异常判断方法及系统
CN113033722B (zh) * 2021-05-31 2021-08-17 中铁第一勘察设计院集团有限公司 传感器数据融合方法、装置、存储介质及计算设备
CN114674373A (zh) * 2022-04-15 2022-06-28 浙江工业大学 基于传感器集群的长管拖车监测系统及监测数据融合方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013177554A1 (en) * 2012-05-24 2013-11-28 SteadyServ Technologies, LLC Draft beer supply chain systems and methods
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
CN105792110A (zh) * 2016-03-30 2016-07-20 上海申腾信息技术有限公司 一种多数据来源的数据融合、智能搜索的处理方法
CN105975744A (zh) * 2016-04-22 2016-09-28 西安工程大学 一种基于d-s证据理论的纺织过程数据融合系统
CN106168980A (zh) * 2016-07-26 2016-11-30 合网络技术（北京）有限公司 多媒体资源推荐排序方法及装置
CN107194495A (zh) * 2017-04-21 2017-09-22 北京信息科技大学 一种基于历史数据挖掘的光伏功率纵向预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013177554A1 (en) * 2012-05-24 2013-11-28 SteadyServ Technologies, LLC Draft beer supply chain systems and methods
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
CN105792110A (zh) * 2016-03-30 2016-07-20 上海申腾信息技术有限公司 一种多数据来源的数据融合、智能搜索的处理方法
CN105975744A (zh) * 2016-04-22 2016-09-28 西安工程大学 一种基于d-s证据理论的纺织过程数据融合系统
CN106168980A (zh) * 2016-07-26 2016-11-30 合网络技术（北京）有限公司 多媒体资源推荐排序方法及装置
CN107194495A (zh) * 2017-04-21 2017-09-22 北京信息科技大学 一种基于历史数据挖掘的光伏功率纵向预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于卡尔曼滤波的动态权值融合";杨晓丹;《四川大学学报》;20171129;正文第3节 *
"拉依达准则（3σ准则）";188808881;《URL：http://188808881.lofter.com/post/1d307f71_7053bec》;20150520;正文第1页 *

Also Published As

Publication number Publication date
CN108900622A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108900622B (zh) 基于物联网的数据融合方法、装置与计算机可读存储介质
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
CN109272016B (zh) 目标检测方法、装置、终端设备和计算机可读存储介质
CN108182433A (zh) 一种表计读数识别方法及系统
US20230214989A1 (en) Defect detection method, electronic device and readable storage medium
CN113449703B (zh) 环境在线监测数据的质控方法、装置、存储介质及设备
JP2019057276A5 (zh)
CN113409167B (zh) 一种水质异常分析方法及装置
CN111860568B (zh) 数据样本的均衡分布方法、装置及存储介质
CN110991761B (zh) 一种供热负荷预测方法及装置
CN114414935A (zh) 基于大数据的配电网馈线故障区域自动化定位方法和系统
CN110955862B (zh) 一种用于设备模型趋势相似度的评估方法及装置
CN111784160A (zh) 一种河流水文情势变化的评估方法及系统
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN109116183B (zh) 谐波模型参数辨识方法、装置、存储介质及电子设备
CN109889977B (zh) 一种基于高斯回归的蓝牙定位方法、装置、设备和系统
CN110189178B (zh) 异常交易监测方法、装置及电子设备
CN114399669B (zh) 目标检测方法和装置
CN110751141A (zh) 一种表计读数识别方法、装置、终端设备及存储介质
CN113876354B (zh) 胎心率信号的处理方法、装置、电子设备及存储介质
CN112858725B (zh) 一种车速一致性检测方法、终端设备及存储介质
CN115166177A (zh) 基于多传感器数据融合算法的水质监测方法和系统
CN109831737B (zh) 一种基于置信度的蓝牙定位方法、装置、设备和系统
CN114461899A (zh) 对用户的协同过滤推荐方法、装置、电子设备及存储介质
CN108227750B (zh) 一种地面目标实时跟踪性能评估方法及系统

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