CN109905489B - 基于数据融合算法的多传感器数据关联性处理方法及系统 - Google Patents

Abstract

本发明公开一种基于数据融合算法的多传感器数据关联性处理方法及系统。方法包括：通过多传感器节点采集多个环境参数；对环境参数进行数据统一解析，得到格式统一的环境参数数据；对上述环境参数数据进行预处理；根据时间和位置对预处理后的数据进行分类处理，得到分类数据；根据不同环境参数间的相关性对分类数据进行关联性处理，得到多个参数关联模型；将参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；根据分析结果修正参数关联模型；根据修正后的参数关联模型判断环境状态是否正常，若不正常，则上传所述修正后的参数关联模型并发出警报。本发明能够提高数据处理的效率，进而提高区域管理效率。

Description

基于数据融合算法的多传感器数据关联性处理方法及系统

技术领域

本发明涉及数据处理领域，特别是涉及一种基于数据融合算法的多传感器数据关联性处理方法及系统。

背景技术

随着科技的不断进步和发展，万物互联时代的到来，现代社会对于电子设备数字化、智能化、信息化的要求越来越高，智能控制单元作为电子设备的“中枢控制”，其应用领域已经从简单的电子设备逐渐扩展到智能家居、综合管廊、智慧城市等新兴领域。智能控制单元作为区域内所有数据汇聚处理的核心单元，需要时刻处理繁重的数据，并针对所监控区域给出一个实时、准确、可靠的区域监控状态结果。现有独立单一的数据处理结果很难满足万物互联时代对于数据处理结果的要求，区域管理效率低下。

发明内容

本发明的目的是提供一种基于数据融合算法的多传感器数据关联性处理方法及系统，能够提高数据处理的效率，进而提高区域管理效率。

为实现上述目的，本发明提供了如下方案：

一种基于数据融合算法的多传感器数据关联性处理方法，包括：

通过多传感器节点采集多个环境参数；

对所述环境参数进行数据统一解析，得到格式统一的环境参数数据；

对所述格式统一的环境参数数据进行预处理，得到预处理后的数据；

根据时间和位置对所述预处理后的数据进行分类处理，得到分类数据；

根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型；

将所述参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；

根据所述分析结果修正参数关联模型，得到修正后的参数关联模型；

根据所述修正后的参数关联模型判断环境状态是否正常；

若是，则上传所述修正后的参数关联模型；

若否，则上传所述修正后的参数关联模型并发出警报。

可选的，所述对所述环境参数进行数据统一解析，得到格式统一的环境参数数据，具体包括：

对所述环境参数利用Java语言外加Google的JSON解析包GSON将数据统一解析，得到格式统一的环境参数数据，所述格式统一的环境参数数据的数据格式为{“key”:“value”}。

可选的，所述对所述格式统一的环境参数数据进行预处理，得到预处理后的数据，具体包括：

对所述格式统一的环境参数数据通过对比判断法去除无效数据和冗余数据，得到预处理后的数据。

可选的，所述根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型，具体包括：

根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到各参数之间的相互关系关联模型和多维度的参数关联模型。

可选的，所述根据所述分析结果修正参数关联模型，得到修正后的参数关联模型，具体包括：

根据所述分析结果对所述参数关联模型进行训练和修正，得到修正后的参数关联模型。

一种基于数据融合算法的多传感器数据关联性处理系统，包括：

采集模块，用于通过多传感器节点采集多个环境参数；

解析模块，用于对所述环境参数进行数据统一解析，得到格式统一的环境参数数据；

预处理模块，用于对所述格式统一的环境参数数据进行预处理，得到预处理后的数据；

分类模块，用于根据时间和位置对所述预处理后的数据进行分类处理，得到分类数据；

关联性处理模块，用于根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型；

对比分析模块，用于将所述参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；

修正模块，用于根据所述分析结果修正参数关联模型，得到修正后的参数关联模型；

判断模块，用于根据所述修正后的参数关联模型判断环境状态是否正常；

第一判断结果模块，用于若正常，则上传所述修正后的参数关联模型；

第二判断结果模块，用于若不正常，则上传所述修正后的参数关联模型并发出警报。

可选的，所述解析模块，具体包括：

解析单元，用于对所述环境参数利用Java语言外加Google的JSON解析包GSON将数据统一解析，得到格式统一的环境参数数据，所述格式统一的环境参数数据的数据格式为{“key”:“value”}。

可选的，所述预处理模块，具体包括：

预处理单元，用于对所述格式统一的环境参数数据通过对比判断法去除无效数据和冗余数据，得到预处理后的数据。

可选的，所述关联性处理模块，具体包括：

关联性处理单元，用于根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到各参数之间的相互关系关联模型和多维度的参数关联模型。

可选的，所述修正模块，具体包括：

修正单元，用于根据所述分析结果对所述参数关联模型进行训练和修正，得到修正后的参数关联模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种基于物联网数据融合算法的多传感器数据关联性处理方法，打破传统的数据处理结构相互独立的壁垒，分析各数据参数之间的相关性，建立各传感器数据参数间的数据参数关联模型，实现多传感器数据监测结果的全面性和可靠性，方便人们对于所监控区域的实时监控、管理、检修、日常维护等，可以在极大程度上提高区域管理效率，减少人力、财力、物力等的浪费，促进区域智能监控系统的数字化、智能化、信息化发展。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于数据融合算法的多传感器数据关联性处理方法流程图；

图2为本发明基于数据融合算法的多传感器数据关联性处理系统结构图。

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做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。

本发明的目的是提供一种基于数据融合算法的多传感器数据关联性处理方法及系统，能够提高数据处理的效率，进而提高区域管理效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在物联网的多传感器系统中，由于多样的信息表现形式、巨大的数据量、复杂的数据关系以及对数据处理的实时性、准确性和可靠性的要求，多传感数据融合技术运用而生。

数据融合技术是利用计算机技术对时序获得的若干感知数据，在一定准则下甲乙分析综合，以完成所需决策和评估的任务而进行的数据处理过程。

根据多传感器参数间关系在环境中的关联性，本发明提出一种基于数据融合算法的多传感器数据关联性处理方法。

图1为本发明基于数据融合算法的多传感器数据关联性处理方法流程图。如图1所示，一种基于数据融合算法的多传感器数据关联性处理方法，包括：

步骤101：通过多传感器节点采集多个环境参数；在同一区域的不同位置布置多传感器节点，利用多传感器节点采集多个环境参数的数据，采集到的数据通过有线(RS485)或无线(ZigBee/WiFi等)的方式上传到数据处理单元。

步骤102：对所述环境参数进行数据统一解析，得到格式统一的环境参数数据；在数据处理单元中对采集到的环境参数数据利用Java语言外加Google的JSON解析包GSON将数据统一解析为JSON格式，解析后数据格式为{“key”:“value”}，方便进行后续的数据处理、分析等操作。

步骤103：对所述格式统一的环境参数数据进行预处理，得到预处理后的数据；为了避免传感器在长时间工作后可能会出现的不灵敏、数据不稳定、漂移等现象以及数据在无线传输中可能会遇到的传输故障等的影响，在数据进行分类前先对数据进行一次预处理，通过对比数据的长度、变量类型等进行对比判断，去除无效和冗余的数据。

步骤104：根据时间和位置对所述预处理后的数据进行分类处理，得到分类数据；

具体的，根据每个传感器节点实际工作的时间和具体位置，按照预先设定的区域划分标准和时间段，将预处理后的数据按时间和位置分类处理，即将同一区域的同一时间段内工作的多个传感器节点分为一组/类。

在实际操作中，首先将预处理后的数据按照区域和时间段划分为不同组的数据，将每组数据借助最小二乘法和模糊理论进行数据融合，提高数据的精度和可靠性。然后将处理后的每组数据依照其属性借助MySQL建立关系型数据库，数据库包含节点ID，外界环境状态，节点位置、日期时间、环境参数(温度、湿度、光照强度、人体红外、二氧化碳CO₂、总挥发性有机物TVOC(Total Volatile Organic Compounds))等属性。

步骤105：根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型；具体包括：

根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到各参数之间的相互关系关联模型和多维度的参数关联模型。

对多传感器数据进行关联性处理，得到多个不同环境参数间的相关关系、以及随环境参数的不同各个参数与环境参数之间相关性的关联模型。数据的关联性处理包含单个节点的多参数间的关联、同一区域内不同位置节点间的数据关联、节点实时采集数据与标准状态的相关性对比分析。将采集数据针对不同环境参数进行相关性分析，找出各参数之间的相互关系建立参数关联模型；针对不同的环境条件对各参数与环境参数进行相关性分析，建立多维度的参数关联模型。

步骤106：将所述参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；

步骤107：根据所述分析结果修正参数关联模型，得到修正后的参数关联模型；具体包括：

根据所述分析结果对所述参数关联模型进行训练和修正，得到修正后的参数关联模型。

标准数据库在测试初期通过查阅参考文献或一些已有的测试结果设定，后面通过对所采集到的数据进行不断的数学模型的训练，逐步调整修正参数模型，以得到更准确的数据模型。数据建模包含需求分析、概念设计、逻辑设计、基于MySQL物理设计四个步骤。

1)需求分析

为了能够通过数据处理单元对区域环境状态进行监控，需要将多传感器节点上传的数据进行有效的存储和关联性处理，以便后续的分析及回看。根据上述的系统结构设计，我们可以分析出需要存储的数据主要包括各个环境参数相关的信息，各个多传感器节点自身的信息，进行对比的标准数据的信息，以及数量最大的各个节点实时产生的监测信息。为此，需要建立环境状态信息表、多传感器节点信息表、各个节点的监测数据表。

2)概念设计

根据需求设计，共含有3个实体，分别为：

①多传感器节点实体。其主键为节点ID，其余属性有节点位置等；

②环境状态信息实体。其主键为环境状态，其余属性有时间、位置、及各环境参数(温度、湿度、光照强度、人体红外、二氧化碳CO₂、总挥发性有机物TVOC(Total VolatileOrganic Compounds)；

③各个节点监测数据实体。其主键为数据序号(即每产生一次数据构成一个元组)，其余属性有时间、位置、及各环境参数(温度、湿度、光照强度、人体红外、二氧化碳CO₂、总挥发性有机物TVOC(Total Volatile Organic Compounds)。

3)逻辑设计

根据实际需求，可以转化得知各实体间的关系，一个传感器节点与一个节点检测数据实体对应，一个节点监测数据实体与一个环境状态信息实体对应。每个实体都可以通过主键即可唯一确定其他属性的值，其余属性值不对另外的属性值造成影响，因此整个关系模式中也不存在传递依赖，因此，此关系模式满足第三范式(3NF)。

4)基于MySQL物理设计

使用MySQL实现数据库的物理设计，将在逻辑建模阶段创建的各种数据库对象生成相应的SQL代码，创建相应具体数据库对象，同时针对需求，将数据拆分进行数据的关联性分析。

步骤108：根据所述修正后的参数关联模型判断环境状态是否正常；

步骤109：若是，则上传所述修正后的参数关联模型；

步骤110：若否，则上传所述修正后的参数关联模型并发出警报。

通过步骤109和110能够将数据和结果上传给用户，帮助用户清楚的了解现场环境状况做出决策，同时，在状态异常时发出警报信息。

本发明公开的基于物联网数据融合算法的多传感器数据关联性处理方法，打破传统的数据处理结构相互独立的壁垒，分析各数据参数之间的相关性，建立各传感器数据参数间的数据参数关联模型，实现多传感器数据监测结果的全面性和可靠性，方便人们对于所监控区域的实时监控、管理、检修、日常维护等，可以在极大程度上提高区域管理效率，减少人力、财力、物力等的浪费，促进区域智能监控系统的数字化、智能化、信息化发展。

本发明具有下列优点：

1、可靠性和准确性高

环境参数并非一个个孤立的参数个体，不同的环境参数之间都存在着一定的相关性，如同一个房间内，空旷房间的温度湿度以及二氧化碳浓度等均低于在有人存在的房间，不同的人群密度下这些参数范围均有不同；在不同情况下下，各环境参数指标也有所差异，比如湿度在冬季普遍低于夏季，同样的湿度值可能在冬季让人舒适而夏季则会闷热等。针对环境参数的这些特点，将不同的传感器参数进行关联和综合分析，并针对不同的环境设置不同的阈值参数等，提高数据的质量，减少不完整或者误差过大的数据对结果的影响，增加数据的可靠性和准确性。

2、效率高

收集多传感器数据后，根据时间和位置对数据进行关联，而后对数据进行合并简化、去除无效和冗余的数据、压缩，避免无意义的工作，减少后续数据处理的工作量，提高数据处理单元的效率。

具体实施例：

以智能开关为例，室内环境若有人进入，温湿度及二氧化碳浓度都会上升，特别是二氧化碳浓度增加较快且变化明显，但在不同的室外环境下各参数的标准值和参考范围不同。在房间的四个角落分别布置多传感器节点，当其中一个或几个节点检测到的房间内温度、湿度和二氧化碳CO₂浓度的变化时，首先对各个节点分别进行数据关联性处理，结合人体红外模块的检测结果给出该节点对房间内情况判断结果，然后将四个节点的数据进行关联处理并调出该环境下的标准数据库进行对比分析，综合判断房间内人群存在的大致数量和状态，然后检查各节点检测到的房间内光照强度的光照强度，据此判断是否需要控制继电器打开或者关闭灯光开关，实现房间照明的智能控制。同时，因考虑到CO₂浓度过高，会刺激人的呼吸中枢，导致呼吸急促，并且会引起头痛、神志不清等症状，物联网数据处理单元在室内CO₂浓度过高时发出报警信号，提醒人们开窗通风，保证室内空气的流通。

图2为本发明基于数据融合算法的多传感器数据关联性处理系统结构图。如图2所示，一种基于数据融合算法的多传感器数据关联性处理系统，包括：

采集模块201，用于通过多传感器节点采集多个环境参数；

解析模块202，用于对所述环境参数进行数据统一解析，得到格式统一的环境参数数据；

预处理模块203，用于对所述格式统一的环境参数数据进行预处理，得到预处理后的数据；

分类模块204，用于根据时间和位置对所述预处理后的数据进行分类处理，得到分类数据；

关联性处理模块205，用于根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型；

对比分析模块206，用于将所述参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；

修正模块207，用于根据所述分析结果修正参数关联模型，得到修正后的参数关联模型；

判断模块208，用于根据所述修正后的参数关联模型判断环境状态是否正常；

第一判断结果模块209，用于若正常，则上传所述修正后的参数关联模型；

第二判断结果模块210，用于若不正常，则上传所述修正后的参数关联模型并发出警报。

所述解析模块202，具体包括：

解析单元，用于对所述环境参数利用Java语言外加Google的JSON解析包GSON将数据统一解析，得到格式统一的环境参数数据，所述格式统一的环境参数数据的数据格式为{“key”:“value”}。

所述预处理模块203，具体包括：

预处理单元，用于对所述格式统一的环境参数数据通过对比判断法去除无效数据和冗余数据，得到预处理后的数据。

所述关联性处理模块205，具体包括：

关联性处理单元，用于根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到各参数之间的相互关系关联模型和多维度的参数关联模型。

所述修正模块207，具体包括：

修正单元，用于根据所述分析结果对所述参数关联模型进行训练和修正，得到修正后的参数关联模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于数据融合算法的多传感器数据关联性处理方法，其特征在于，包括：

通过多传感器节点采集多个环境参数；

对所述环境参数进行数据统一解析，得到格式统一的环境参数数据，具体包括：对所述环境参数利用Java语言外加Google的JSON解析包GSON将数据统一解析，得到格式统一的环境参数数据，所述格式统一的环境参数数据的数据格式为{“key”:“value”}；

对所述格式统一的环境参数数据进行预处理，得到预处理后的数据，具体包括：对所述格式统一的环境参数数据通过对比判断法去除无效数据和冗余数据，得到预处理后的数据；

根据时间和位置对所述预处理后的数据进行分类处理，得到分类数据，具体包括：根据每个传感器节点实际工作的时间和具体位置，按照预先设定的区域划分标准和时间段，将预处理后的数据按时间和位置分类处理，即将同一区域的同一时间段内工作的多个传感器节点分为一组/类；

根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型；对多传感器数据进行关联性处理，得到多个不同环境参数间的相关关系、以及随环境参数的不同各个参数与环境参数之间相关性的关联模型，数据的关联性处理包含单个节点的多参数间的关联、同一区域内不同位置节点间的数据关联、节点实时采集数据与标准状态的相关性对比分析，将采集数据针对不同环境参数进行相关性分析，找出各参数之间的相互关系建立参数关联模型；针对不同的环境条件对各参数与环境参数进行相关性分析，建立多维度的参数关联模型；

将所述参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；

根据所述分析结果修正参数关联模型，得到修正后的参数关联模型；

根据所述修正后的参数关联模型判断环境状态是否正常；

若是，则上传所述修正后的参数关联模型；

若否，则上传所述修正后的参数关联模型并发出警报。

2.根据权利要求1所述的基于数据融合算法的多传感器数据关联性处理方法，其特征在于，所述根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型，具体包括：

根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到各参数之间的相互关系关联模型和多维度的参数关联模型。

3.根据权利要求1所述的基于数据融合算法的多传感器数据关联性处理方法，其特征在于，所述根据所述分析结果修正参数关联模型，得到修正后的参数关联模型，具体包括：

根据所述分析结果对所述参数关联模型进行训练和修正，得到修正后的参数关联模型。

4.一种基于数据融合算法的多传感器数据关联性处理系统，其特征在于，包括：

采集模块，用于通过多传感器节点采集多个环境参数；

解析模块，用于对所述环境参数进行数据统一解析，得到格式统一的环境参数数据；

预处理模块，用于对所述格式统一的环境参数数据进行预处理，得到预处理后的数据；

分类模块，用于根据时间和位置对所述预处理后的数据进行分类处理，得到分类数据，具体包括：根据每个传感器节点实际工作的时间和具体位置，按照预先设定的区域划分标准和时间段，将预处理后的数据按时间和位置分类处理，即将同一区域的同一时间段内工作的多个传感器节点分为一组/类；

关联性处理模块，用于根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到多个参数关联模型；对多传感器数据进行关联性处理，得到多个不同环境参数间的相关关系、以及随环境参数的不同各个参数与环境参数之间相关性的关联模型，数据的关联性处理包含单个节点的多参数间的关联、同一区域内不同位置节点间的数据关联、节点实时采集数据与标准状态的相关性对比分析，将采集数据针对不同环境参数进行相关性分析，找出各参数之间的相互关系建立参数关联模型；针对不同的环境条件对各参数与环境参数进行相关性分析，建立多维度的参数关联模型；

对比分析模块，用于将所述参数关联模型与标准数据库中的数据进行对比分析，得到分析结果；

修正模块，用于根据所述分析结果修正参数关联模型，得到修正后的参数关联模型；

判断模块，用于根据所述修正后的参数关联模型判断环境状态是否正常；

第一判断结果模块，用于若正常，则上传所述修正后的参数关联模型；

第二判断结果模块，用于若不正常，则上传所述修正后的参数关联模型并发出警报；

所述解析模块，具体包括：

解析单元，用于对所述环境参数利用Java语言外加Google的JSON解析包GSON将数据统一解析，得到格式统一的环境参数数据，所述格式统一的环境参数数据的数据格式为{“key”:“value”}；

所述预处理模块，具体包括：

预处理单元，用于对所述格式统一的环境参数数据通过对比判断法去除无效数据和冗余数据，得到预处理后的数据。

5.根据权利要求4所述的基于数据融合算法的多传感器数据关联性处理系统，其特征在于，所述关联性处理模块，具体包括：

关联性处理单元，用于根据不同环境参数间的相关性对所述分类数据进行关联性处理，得到各参数之间的相互关系关联模型和多维度的参数关联模型。

6.根据权利要求4所述的基于数据融合算法的多传感器数据关联性处理系统，其特征在于，所述修正模块，具体包括：

修正单元，用于根据所述分析结果对所述参数关联模型进行训练和修正，得到修正后的参数关联模型。

Images