CN110087207B - 无线传感器网络缺失数据重建方法 - Google Patents
无线传感器网络缺失数据重建方法 Download PDFInfo
- Publication number
- CN110087207B CN110087207B CN201910368471.0A CN201910368471A CN110087207B CN 110087207 B CN110087207 B CN 110087207B CN 201910368471 A CN201910368471 A CN 201910368471A CN 110087207 B CN110087207 B CN 110087207B
- Authority
- CN
- China
- Prior art keywords
- data
- network
- node
- training
- nodes
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
本发明公开了一种无线传感器网络缺失数据重建方法。本发明一种无线传感器网络缺失数据重建方法,包括:S1对传感器节点的测量数据进行预处理;S2使用模糊神经网络对目标节点和其邻居节点间的时空相关性进行建模,根据S2建立的模型以及S1预处理后的测量数据得到缺失数据的预测值;S3在预测值中引入自适应机制,进行模糊神经网络模型的自动更新。本发明的有益效果:通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据的节点和邻居节点间的时空相关性进行数学建模,从而得到目标节点的重建值。最后在目标节点的重建值中引入自适应机制。
Description
技术领域
本发明涉及无线传感器网络领域,具体涉及一种无线传感器网络缺失数据重建方法。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)是由一定数量拥有感知、计算、和通信能力的传感器节点所组成的网络。通过将客观物理世界与信息世界紧密的相联,WSN被广泛应用于生产生活的众多领域,极大地提高了人们对现实世界的认识能力。
在环境监测领域,WSN通常被部署于无人监管、气候复杂的野外环境,一方面,受到低成本传感器节点的所携带能源的限制,例如电池功率、计算存储能力以及通信带宽,这使得节点产生错误数据的概率很大。另一方面,大规模节点通常随机部署在环境恶劣的外界环境,伴随着极端气候的影响,如狂风,暴雨,冰雹等,一些传感器节点发生故障也是不可避免的。因此,在长期使用这些节点的过程中,必然会产生缺失数据,若不对这些缺失数据进行数据重建,可能会影响整个网络数据的可靠性以及感知数据的完整性。例如,当所监测的环境中发生事件时,例如火灾,地震等,不可靠且不完整的数据可能无法检测出这些变化。因此,对节点数据进行缺失数据精确重建至关重要。
传统技术存在以下技术问题:
关于WSN数据重建方法,国内外学术界已有诸多成果。目前通用的方法是基于传感器节点的时间相关性与空间相关性进行数据重建。基于时间相关性算法考虑到数据的时间相关性,即连续时刻的节点数据是近似的。如果当前时刻数据缺失,那么利用前一时刻和后一时刻的数据估计当前时刻的数据值。基于空间相关性算法主要是利用节点部署的空间相关性,即相邻节点的感知数据具有相关的读数,因此,可以使用邻居节点的感知数据对目标节点的缺失数据进行数据重建。随着机器学习研究与广泛应用,各式各样的方法被用于更好的解决数据缺失问题,如判定树、贝叶斯法、期望值最大化、回归法等。这种方法是利用已有的正常数据作为训练样本,从而建立预测模型,以估计缺失数据。然而,一旦预测值不精确,会导致最终重建值的精度受累积误差的限制。
发明内容
本发明要解决的技术问题是提供一种无线传感器网络缺失数据重建方法,解决目前WSN中缺失数据重建方法中存在的精确度低的问题,所述方法采用模糊神经网络模型进行缺失数据的重建,并引入自适应机制用来及时更新训练模型。
为了解决上述技术问题,本发明提供了一种无线传感器网络缺失数据重建方法,包括:
S1对传感器节点的测量数据进行预处理;
S2使用模糊神经网络对目标节点和其邻居节点间的时空相关性进行建模,根据S2建立的模型以及S1预处理后的测量数据得到缺失数据的预测值;
S3在预测值中引入自适应机制,进行模糊神经网络模型的自动更新。
在其中一个实施例中,所述S1中的预处理包括:进行数据二次采样和归一化处理。
在其中一个实施例中,所述S1包括:
S11从传感器节点的测量数据中选取数据子集,所述数据子集包括目标节点以及其邻居节点的测量数据,其中,所有节点的测量数据具有时空相关性,即相同时间范围内,节点测量数据的改变趋势一致;
S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样,缩减数据量;
S13针对数据进行归一化处理,把数据映射到[-1,1]的区间范围内;
S14将归一化处理后的数据划分为训练集和测试集;其中训练集中的待重建的目标节点数据为训练数据输出,目标节点的邻居节点的测量数据为训练数据输入;测试集中的存在缺失数据的目标节点数据作为测试数据输出,目标节点的邻居节点的测量数据为测试数据输入。
在其中一个实施例中,所述S2包括:
S21根据数据集的划分情况确定网络结构,初始化网络参数,并初始化隶属函数和模糊规则。
S22使用训练集进行网络的训练得到网络模型,并对隶属函数和模糊规则进行进一步的更正。
S23在训练模型中输入测试集并输出预测结果,完成进行缺失数据的重建。
在其中一个实施例中,所述S22包括:
S221计算误差。
其中,yd与yc分别表示网络的期望输出与预测输出,e为期望输出与预测输出的误差。
S222计算变量xj的隶属度和连乘积。
S223修正系数。
S224修正参数。
S225计算输出值yi。
在其中一个实施例中,选用公式(9)所示的均方误差MSE与公式(10)所示的决定系数R2作为方法性能的判断依据:
在其中一个实施例中,所述S3包括:
S31引入滑动窗口;
S32使用K-均值算法作为更新准则。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据的节点和邻居节点间的时空相关性进行数学建模,从而得到目标节点的重建值。最后在目标节点的重建值中引入自适应机制,采用上述方法得到的重建值与真实值之间的平均均值误差极小,表明本方法具有极高的重建精度且提高了WSN数据的可靠性。
附图说明
图1是本发明中的分簇式无线传感器网络结构示意图。
图2是本发明中的模糊神经网络的建模流程图。
图3是本发明中的针对17号节点的四种算法的MSE对比结果
图4是本发明中的针对18号节点的重建结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
所述方法包括:
S1对传感器节点的测量数据进行预处理,并划分为训练集和测试集;
S2使用模糊神经网络对目标节点和其邻居节点间的时空相关性进行建模,根据S2建立的模型以及S1预处理后的测量数据得到目标节点的预测值;
S3在目标节点的预测值中引入自适应机制,以及时更新训练模型
可选的,所述S1中的预处理包括:进行数据二次采样和归一化处理。
可选的,所述S1包括:
S11从传感器节点的测量数据中选取数据子集,所述数据子集包括目标节点以及其邻居节点的测量数据,其中,所有节点的测量数据具有时空相关性,即相同时间范围内,节点测量数据的改变趋势一致;
S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样,缩减数据量;
S14对测量数据进行归一化处理,把数据映射到[-1,1]的区间范围内,以排除奇异数据对实验所造成的影响。
S13将归一化处理后的数据划分为训练集和测试集;其中训练集中的待重建的目标节点数据为训练数据输出,目标节点的邻居节点的测量数据为训练数据输入。测试集中的待重建的目标节点数据为测试数据输出,目标节点的邻居节点的测量数据为测试数据输入。
可选的,所述S2包括:
S21根据数据集的划分情况确定网络结构,初始化网络参数,并初始化隶属函数和模糊规则。
S22使用训练集进行网络的训练得到网络模型,并对隶属函数和模糊规则进行进一步的更正。
S23在训练模型中输入测试集并输出预测结果,完成进行缺失数据的重建。
可选的,所述S3包括:
S31引入滑动窗口
S32使用K-均值算法作为更新准则
可选的,所述S22包括:
S221计算误差。
其中,yd与yc分别表示网络的期望输出与预测输出,e为期望输出与预测输出的误差。
S222计算变量xj的隶属度和连乘积。
S223修正系数。
S224修正参数。
S225计算输出值yi。
可选的,选用公式(9)所示的均方误差MSE与公式(10)所示的决定系数R2作为重建方法性能的判断依据:
本申请还要求保护上述无线传感器网络数据重建方法在无线传感器网络中的应用。
本发明有益效果是:
通过首先对节点测量值进行预处理。然后使用模糊神经网络对存在缺失数据的节点和邻居节点间的时空相关性进行数学建模,从而得到目标节点的重建值。最后在目标节点的重建值中引入自适应机制,采用上述方法得到的重建值与真实值之间的平均均值误差极小,表明本方法具有极高的重建精度且提高了WSN数据的可靠性。
首先介绍基于分簇式WSN。一般情况下,一个典型的WSN中包含大量节点,这些节点中所携带的能量有限,而且有些节点不能直接跟基站进行通信。在分簇式无线传感器网络的模型结构中,将邻近区域内的传感器节点分为一个簇,每个簇包含簇头节点和一定数量的成员节点。通常,簇内成员节点只负责采集感知数据,并将数据传送至簇头节点,由具有一定的计算能力与存储能力的簇头节点负责分析与处理这些数据。随后,簇头节点将处理后的数据转发至下一跳或直接发送至基站。分簇式结构有利于WSN的大规模部署并且极大地减少了通信开销。WSN的分簇式结构如图1所示。
实施例一:
本实施例提供一种无线传感器网络缺失数据重建方法,用于重建传感器节点的缺失数据,所述方法包括:
Step1:获取传感器节点的测量数据;
Step2:数据预处理并将处理后的数据划分为训练集和测试集;
对Step1获取到的测量数据进行二次采样,针对不同节点数据分别以不同的时间间隔进行重新采样。各节点的数据个数基本相同;
对数据进行归一化处理,把数据映射到[-1,1]的区间范围内,以排除奇异数据对实验所造成的测量数据划分为训练集和测试集。其中目标节点为待重建节点。训练集中的目标节点数据为训练数据输出,目标节点的邻居节点的数据为训练数据输入。测试集中的目标节点数据为测试数据输出,目标节点的邻居节点的数据为测试数据输入。
Step3:数据建模,使用模糊神经网络方法进行建模:
首先,根据数据集的划分情况确定网络结构,初始化网络参数,并初始化隶属函数和模糊规则。其次,使用训练集进行网络的训练得到网络模型,并对隶属函数和模糊规则进行进一步的更正。最后,在训练模型中输入测试集并输出预测结果,完成进行缺失数据的重建。
Step4:实现自适应机制,使用K-均值算法作为更新准则,基于数据分布的自适应算法KM的伪代码见算法一。其中,x表示待加入滑动窗口的新数据,x之前的数据已经被划分为k类,每类中包含Mh个数据,其中心数据为AMh,其中h=1,2,..,k。当新数据加入滑动窗口时,首先判断该数据是否缺失。若不缺失,则快速判断其所属的类别,并更新所属类别的中心数据,然后计算完整数据的MSE,该值为Eb。当该数据缺失时,使用当前的FNN模型进行数据重建,将预测值作为新数据加入滑动窗口中并重复上述操作。
综上所述,所提出的WSN缺失数据重建方法实现步骤为:首先在簇头节点中汇集初始阶段的N个成员节点的感知数据,并将每个节点的数据均按照K-均值算法的思想,划分为k类,并分别计算每类中单个数据与中心数据的MSE值,然后求平均k个MSE的平均值,得到总体MSE值Ea。对于待测试的成员节点i,设其邻居节点的个数为mi,然后根据节点i和其邻居节点的感知数据建立FNN模型,表示为FNNi。即初始阶段,簇头节点中建立N个网络模型。在下一时间段内,簇头节点收到传感器节点i的测试数据x=x1,x2,...,xq。首先使用KM算法对x1进行判断,若x1数据存在,则将x1传入滑动窗口;若x1缺失,使用FNNi模型对x1进行数据重建,得到预测值并传入滑动窗口中,同时判断模型是否满足更新条件。设定阈值δ,当Eb-Ea>δ时更新模型并采用当前滑动窗口内的数据进行重新聚类使得模型与当前数据的分布情况保持一致。针对下一数据x2重复上述过程,直到xq传入滑动窗口,表示算法结束。
为了验证KM-FNN的算法性能,在matlab 2013b的实验环境下针对国际通用的IBRL数据集与LUCE数据集和某大学部署的无线自组网的数据集进行实验不同的真实数据集下分别实现了提出的KM-FNN算法、LIN算法、MR算法和小波神经网络算法,并进行了实验结果的比较。为验证提出的CELM-KF的性能,下述以:
(1)IBRL数据集
IBRL数据集来自于2004年2月28日到2004年4月5日期间部署在Intel Berkeley实验室内的无线传感器网络,共包含54个节点。每个节点以31秒的采样周期采集四种属性数据,包括温度、湿度、光照及电压值。选取了由IBRL部署中的两组节点的数据子集进行实验。第一组数据子集(IBRL_1)包含的节点ID分别是1,2,3,4,6,7,10,33。第二组数据子集(IBRL_2)包含的节点ID分别是17,18,19,20,21,22,23。两组数据集都对应于2004年2月28日至2004年3月7日九天内所收集的数据。
(2)LUCE数据集
LUCE数据集来自于2006年7月以来部署在洛桑联邦理工学院内的无线传感器网络。该网络共包含97个节点,根据节点之间的时空相关性分为10组传感器节点集。在2006年10月1日到2007年5月9日期间,每个节点以31秒的采样周期采集六种属性数据,包括环境温度、地表温度、相对湿度、太阳辐射、土壤水分及风向。选取了LUCE数据集中的两组节点的数据子集作为实验对象,第一组数据子集(LUCE_1)包含的节点ID分别是10、14、15,17、18、19。第二组数据子集(LUCE_2)包含的节点ID分别是81、82、85、86、87、89。两组数据子集都对应于2007年1月1日至2007年1月30日三十天内收集的数据。
(3)JNSN数据集
JNSN数据集来自于2018年4月以来由智能感知与无损检测团队部署在某大学内的无线自组网系统。该系统由30个普通传感器节点、汇聚节点、数据转发设备、显示软件构成。
在2018年4月25日到2019年3月10日期间,每个传感器节点以10分钟的采样周期采集三种属性数据,包括环境温度、相对湿度、太阳辐射。然后将感知数据通过汇聚节点汇总至无线自组网系统中,在终端服务器中进行算法的调试以及数据的分析。选取了JNSN数据集中的数据子集(JNSN_1)包含的节点ID分别是1、2、3、5、6、7,对应于2018年6月14日到2018年8月11日所收集的数据。
为了削减数据集,并保证训练集中不存在缺失数据,以模拟节点部署初期的感知数据。针对来自IBRL_1,IBRL_1,LUCE_1,LUCE_2和JNSN_1的数据分别以4.5分钟间隔、5分钟间隔、70秒间隔,35秒间隔和27分钟间隔进行重新采样。采用温度作为评估数据。表1列出了所使用的所有数据集。
表1实验所用数据集
在数据集中查找是否出现缺失值,经过统计发现,在测试集中出现了不同程度的数据缺失,其缺失位置用NAN代替。表2表示实验数据集中缺失数据的分布情况。
表2数据集中缺失数据的分布情况
在获取了相应的实验数据之后,开始进行后续的建模工作。首先,根据数据集的划分情况确定网络结构,初始化网络参数,并初始化隶属函数和模糊规则。其次,使用训练集进行网络的训练得到网络模型,并对隶属函数和模糊规则进行进一步的更正。最后,在训练模型中输入测试集并输出预测结果,完成缺失数据的重建。具体的建模方法如图2所示。
分别选择IBRL_1下1号节点,IBRL_2下17号节点,IUCE_1下10号节点,IUCE_2下81号节点,JNSN_1下1号节点,JNSN_2下8号节点进行了3次对比实验,并选取平均值作为最终数据,表3给出了实验结果。
表3四种算法的数据重建对比结果
可以看出,CELM算法的平均均方误差比WNN算法、LIN算法、MR算法分别减少了0.842,0.994,0.381。CELM算法的平均均方误差比WNN算法、LIN算法、MR算法分别提高了6.65%,5.94%,2.82%。可以判断得出,基于所使用的数据集下,KM-FNN算法相对其余算法具有更精准的数据重建性能。
为了验证不同数量的缺失数据对实验的影响,使用四种算法在数据集III下针对17号节点的数据进行实验。其中,在节点数据的测试集随机位置中删去数量为10,20,30,40,50,60的数据。结果见图3。其中,LIN算法在数据的缺失数目为10,20,30,40,50,60时的MSE均为最高,这是由于LIN算法是基于传感器节点的时间相关性,其适应于较短时间间隔内的数据呈平稳变化的场景下,而所用的数据集经过二次采样,更加大了时间间隔。因此,该方法针对17号节点和7号节点的数据重建精度最低。MR算法基于传感器节点的空间相关性,对数据缺失值的估计相对较为精准,具有良好的数据重建精度。相对于WNN算法,KM-FNN具有极强的自适应性能,因此其模型精度最高。
图4表示数据集II下18号节点的数据分别使用KM-FNN算法进行数据重建的结果图。其中,于18号节点删去数量为50的样本,以模拟数据的缺失。从图中可以看出,真实数据曲线与预测数据曲线基本保持一致。综上所诉,提出的方法具有良好的数据重建性能。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (4)
1.一种无线传感器网络缺失数据重建方法,其特征在于,包括:
S1对传感器节点的测量数据进行预处理;
S2使用模糊神经网络对目标节点和其邻居节点间的时空相关性进行建模,根据S2建立的模型以及S1预处理后的测量数据得到缺失数据的预测值;
S3在预测值中引入自适应机制,进行模糊神经网络模型的自动更新;
所述S1中的预处理包括:进行数据二次采样和归一化处理;
所述S1包括:
S11从传感器节点的测量数据中选取数据子集,所述数据子集包括目标节点以及其邻居节点的测量数据,其中,所有节点的测量数据具有时空相关性,即相同时间范围内,节点测量数据的改变趋势一致;
S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样,缩减数据量;
S13针对数据进行归一化处理,把数据映射到[-1,1]的区间范围内;
S14将归一化处理后的数据划分为训练集和测试集;其中训练集中的待重建的目标节点数据为训练数据输出,目标节点的邻居节点的测量数据为训练数据输入;测试集中的存在缺失数据的目标节点数据作为测试数据输出,目标节点的邻居节点的测量数据为测试数据输入;
所述S2包括:
S21根据数据集的划分情况确定网络结构,初始化网络参数,并初始化隶属函数和模糊规则;
S22使用训练集进行网络的训练得到网络模型,并对隶属函数和模糊规则进行进一步的更正;
S23在训练模型中输入测试集并输出预测结果,完成进行缺失数据的重建;
所述S22包括:
S221计算误差;
其中,yd与yc分别表示网络的期望输出与预测输出,e为期望输出与预测输出的误差;
S222计算变量xj的隶属度和连乘积;
S223修正系数;
S224修正参数;
S225计算输出值yi;
选用公式(9)所示的均方误差MSE与公式(10)所示的决定系数R2作为方法性能的判断依据:
所述S3包括:
S31引入滑动窗口;
S32使用K-均值算法作为更新准则。
2.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1所述方法的步骤。
3.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1所述方法的步骤。
4.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910368471.0A CN110087207B (zh) | 2019-05-05 | 2019-05-05 | 无线传感器网络缺失数据重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910368471.0A CN110087207B (zh) | 2019-05-05 | 2019-05-05 | 无线传感器网络缺失数据重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110087207A CN110087207A (zh) | 2019-08-02 |
CN110087207B true CN110087207B (zh) | 2020-04-10 |
Family
ID=67418508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910368471.0A Active CN110087207B (zh) | 2019-05-05 | 2019-05-05 | 无线传感器网络缺失数据重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110087207B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110781577A (zh) * | 2019-09-16 | 2020-02-11 | 北京工业大学 | 一种气象要素缺失时典型气象年的生成方法及装置 |
CN110766066B (zh) * | 2019-10-18 | 2023-06-23 | 天津理工大学 | 一种基于fnn的张量异质集成车联网缺失数据估计方法 |
CN110926524B (zh) * | 2019-10-29 | 2022-01-04 | 中国电子科技集团公司第七研究所 | 一种网络资源与环境耦合关系的预测方法 |
CN110674127A (zh) * | 2019-11-14 | 2020-01-10 | 湖南国天电子科技有限公司 | 一种基于深度学习的海洋沉积物测试系统及方法 |
CN112216399A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于bp神经网络的食源性疾病致病因子预测的方法和系统 |
CN113221435A (zh) * | 2021-02-08 | 2021-08-06 | 中国核电工程有限公司 | 传感器的筛选方法及装置、传感器数据重构方法及系统 |
CN112862127B (zh) * | 2021-04-23 | 2021-07-23 | 北京瑞莱智慧科技有限公司 | 一种传感器数据的异常处理方法、装置、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246508A (zh) * | 2008-02-26 | 2008-08-20 | 江苏大学 | 基于fpga的神经网络缺失数据估算器及其估算方法 |
WO2017072100A1 (en) * | 2015-10-29 | 2017-05-04 | Koninklijke Philips N.V. | Reliable communication algorithm for wireless medical devices and sensors within monitoring systems |
CN108346293A (zh) * | 2018-04-18 | 2018-07-31 | 湖南大学 | 一种实时交通流短时预测方法 |
CN109034231A (zh) * | 2018-07-17 | 2018-12-18 | 辽宁大学 | 信息反馈rbf网络估值的不完整数据模糊聚类方法 |
-
2019
- 2019-05-05 CN CN201910368471.0A patent/CN110087207B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246508A (zh) * | 2008-02-26 | 2008-08-20 | 江苏大学 | 基于fpga的神经网络缺失数据估算器及其估算方法 |
WO2017072100A1 (en) * | 2015-10-29 | 2017-05-04 | Koninklijke Philips N.V. | Reliable communication algorithm for wireless medical devices and sensors within monitoring systems |
CN108346293A (zh) * | 2018-04-18 | 2018-07-31 | 湖南大学 | 一种实时交通流短时预测方法 |
CN109034231A (zh) * | 2018-07-17 | 2018-12-18 | 辽宁大学 | 信息反馈rbf网络估值的不完整数据模糊聚类方法 |
Non-Patent Citations (1)
Title |
---|
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》;20100115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110087207A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
WO2020191980A1 (zh) | 一种无线传感网络数据漂移盲校准方法 | |
CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111798051A (zh) | 基于长短期记忆神经网络的空气质量时空预测方法 | |
CN110830946B (zh) | 混合型在线数据异常检测方法 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN105574669B (zh) | 时空联合数据聚类分析的输变电设备状态异常检测方法 | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN113411821B (zh) | 一种复杂网络的体系重构能力测评方法及系统 | |
CN111401553A (zh) | 一种基于神经网络的缺失数据填充方法及系统 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN116304604B (zh) | 多变量时间序列数据异常检测、模型训练方法和系统 | |
CN113378473A (zh) | 一种基于机器学习模型的地下水砷风险预测方法 | |
CN114265913A (zh) | 工业物联网边缘设备上基于联邦学习的空时预测算法 | |
CN116663960A (zh) | 基于气候变化下生境可达性和可用性的生态网络构建方法 | |
CN104699979B (zh) | 基于复杂网络的城市湖库藻类水华混沌时间序列预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN110598914A (zh) | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 | |
CN112954632B (zh) | 一种基于异构迁移学习的室内定位方法 | |
CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 |
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 |