CN110389971A - 一种基于云计算的多传感器数据融合方法 - Google Patents
一种基于云计算的多传感器数据融合方法 Download PDFInfo
- Publication number
- CN110389971A CN110389971A CN201910613874.7A CN201910613874A CN110389971A CN 110389971 A CN110389971 A CN 110389971A CN 201910613874 A CN201910613874 A CN 201910613874A CN 110389971 A CN110389971 A CN 110389971A
- Authority
- CN
- China
- Prior art keywords
- fusion
- degrees
- sensor
- data
- observation
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 144
- 238000013459 approach Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005267 amalgamation Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims 1
- 238000011105 stabilization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 238000012935 Averaging Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于云计算的多传感器数据融合方法，包括确定最优融合集、确定融合度与融合度矩阵定义、确定权重系数分配及融合度算式定义算法；在智慧农业中，使用先进的高新设备，自定义了算法模型，最后通过实验对比的方式证明此算法的有效性，和传统一个传感器设备相比，使用多传感器信息融合技术，能够提高智慧农业系统数据采集的准确度、提升信息获取的可靠性、增强用户对智慧农业系统的信任度，从而提高整个系统运行的鲁棒性，减少人力投入，降低运营管理成本，提高农业管理效率。
Description
技术领域
本发明涉及智慧农业管理系统技术领域，具体为一种基于云计算的多传感器数据融合方法。
背景技术
在智慧农业系统中，管理着大量的传感器设备。对于高水平的现代化农业，通过传感器获取关键信息是现代化农业信息获取中最重要的关键点之一。像光照度、土壤PH值、土壤湿度和温度、二氧化碳浓度以及采集土壤微量元素的传感器，对精度要求都非常高。在农业生产环境中，对于某待测值使用单一传感器，存在着单点故障、精度不准、因外界因素导致抗干扰能力差等问题。
对于数据融合技术，目前相关的文献还不能定义一个准确的概念。但是根据近些年国内外的理论研究以及现代化信息理论和技术的不断发展和完善。可以大致的将多传感器数据融合的概念简洁地定义为：利用数据处理技术对按照时间序列采集的数据信息，使用预定义的数据处理规则，经过数据分析和汇总，为重要的评估和决策提供关键性的数据指标。
在数据融合层次中，多传感器数据融合的类别有许多种划分的方法；第一种类别划分是根据数据被抽象的程度，可以划分为像素层数据融合、特征层数据融合以及决策层数据融合。第二种类别划分方法是根据数据在做融合计算之前被运算的等级，可以划分为综合级数据融合、设备式数据融合和中心式数据融合，第一种类别划分具体参见图1-3。
在数据融合技术和方法中，数据融合是利用现代计算机科学技术将多传感器采集到的原始数据按照自定义规则进行分析和计算，从而得到最终科学的汇总结果集。信息处理、信息检索以及统计学等传统的信息技术的不断深入研究为数据融合有关理论提供了强大的支撑。近些年，国内外前沿的信息科学技术不断地诞生和发展，如模糊推理、模式识别、神经网络、数据挖掘以及数据分析等新的科学技术，为多传感器数据融合的技术和理论的发展起到关键性的作用。
发明内容
本发明的目的在于提供一种基于云计算的多传感器数据融合方法，和一个传感器设备相比，使用多传感器信息融合技术，能够提高智慧农业系统数据采集的准确度、提升信息获取的可靠性、增强用户对智慧农业系统的信任度，从而提高整个系统运行的鲁棒性，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于云计算的多传感器数据融合方法，包括确定最优融合集、确定融合度与融合度矩阵定义、确定权重系数分配及融合度算式定义算法；
其中，确定最优融合集通过对传感器观测数据的有效性进行预先判断，提取有效观测数据，具体包括：
定义1：将t时刻所有观测数据Si(t)(i＝1，2，…，n)定位到数轴上，则观测数据Si(t)、Sj(t)的绝对距离为disij(t)：disij(t)＝|si(t)-sj(t)|
定义2：将t时刻观测数据Si(t)与所有观测值的距离平均值为di(t)，且所有观测数据之间的平均距离为d(t)，则有：
定义3：所有落在真值X附近邻域的有效观测数据组成的集合为Φ，若Φ满足以下条件：
则称集合Φ为最优融合集，集合Φ中元素的个数为最优融合数；
其中，确定融合度与融合度矩阵包括：
定义4：t时刻观测数据Si(t)、Sj(t)的融合度函数为Cij(t)：
由上述融合度定义，得到最优融合集合Φ＝{(S1(t)，S2(t)，…，Sm(t))}(m≤n)的融合度矩阵C：
定义5：融合度矩阵C
对于C中的任何一行I，第I行元素之和愈大，则表明设备Si的测量值Si(t)与多数设备的测量值越靠近，否则，设备Si与大部分同质设备的测量值偏离程度就越高，所以本数据模型又定义了Si的一致融合度；
其中，确定权重系数分配及融合度算式定义算法包括：
定义6：t时传感器Si的一致融合度为
然而只能反映出与多数传感器观测数据的融合程度，并不能说明该传感器的稳定性，为了刻画这种融合矩阵中所有传感器中融合度分布的均衡程度，定义了传感器的分布均衡度；
定义7：t时传感器Si分布均衡程度为
在实际的融合过程中，利用一致融合度高且融合度分布均衡的传感器，以传感器的一致融合度与分布均衡度之积作为传感器的权重系数；
定义8：t时传感器Si的权重系数是
将归一化处理获得：
进一步得到最终的融合估计算式是：
更进一步地，定义4中由融合度函数Cij(t)可得，cij(t)在区间[0，1]上连续地取数值，若cij(t)数值愈靠近1，则说明传感器Si与传感器Sj的融合性越好，称观测值Si(t)与Sj(t)的融合度越高；若cij(t)数值越靠近0，则认为传感器Si与传感器Sj的融合性越差，则称观测数值Si(t)、Sj(t)的融合度越低，从而获得最优融合集Φ＝{(S1(t)，S2(t)，…，Sm(t))}(m≤n)的融合度矩阵C。
更进一步地，定义1中假设t时有n个同质传感器组合的传感器集合S＝{S1，S2，…，Sn}，使用直接观察法，对于同一性质的参数X在不同位置进行独立观测，则有：Si＝X+vi(t)，i＝1，2，…，n；式中，Si(t)为传感器Si在t时获得的观测值，X为真值，Vi(t)为传感器Si在t时的测量噪声数值，先验数值E[Vi(t)]和D[Vi(t)]均未知。
与现有技术相比，本发明的有益效果是：
本发明提供的一种基于云计算的多传感器数据融合方法，在智慧农业中，使用先进的高新设备，自定义了算法模型，最后通过实验对比的方式证明此算法的有效性，和传统一个传感器设备相比，使用多传感器信息融合技术，能够提高智慧农业系统数据采集的准确度、提升信息获取的可靠性、增强用户对智慧农业系统的信任度，从而提高整个系统运行的鲁棒性，减少人力投入，降低运营管理成本，提高农业管理效率。
附图说明
图1为像素层数据融合图；
图2为特征层数据融合图；
图3为决策层数据融合图。
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。
本发明实施例中：提供一种基于云计算的多传感器数据融合方法，假设t时有n个同质传感器组合的传感器集合S＝{S1，S2，…，Sn}，使用直接观察法，对于同一性质的参数X在不同位置进行独立观测，则有：
Si＝X+vi(t)，i＝1，2，…，n (1)
在式(1)中，Si(t)为传感器Si在t时获得的观测值；X为真值，Vi(t)为传感器Si在t时的测量噪声数值，先验数值E[Vi(t)]和D[Vi(t)]均未知；
首先，确定最优融合集：受计量误差、环境测量噪声和传感器精度等众多方面的影响，传感器的真值和观测数值经常存在误差，基于统计数学概论，有效性的观测数值应该在目标真值某一范围内波动，而落到范围之外的观测数值，也就是大误差数据，是由外部环境因素变化或者传感器故障引起的，而输入误差较大的数据则会导致最终计算结果数值的不确定性，所以要对设备采集信息的可靠性进行预先判断，获得可靠性测量值；
定义1：将t时全部观测值Si(t)(i＝1，2…，n)定位在数轴上，则观测值Si(t)，Sj(t)的绝对距离是disij(t)：
disij(t)＝|si(t)-sj(t)| (2)
定义2：t时观测值Si(t)与全部观测数据的平均距离为di(t)，且全部观测值之间的平均距离是则有：
定义3：全部落到真值X范围内的有效观测值组合成的集合是Φ，若Φ满足下列条件：
则称集合Φ是最优融合集，集合Φ中元素的数量是最优融合数。
其次，融合度与融合度矩阵定义：据以上最优融合集的概念，获得t时n个同质设备的最优融合集是Φ，关于集合Φ，如果测量值Sj(t)的disij(t)愈小，则称在这一时刻传感器Si和传感器Sj的测量值越融合，否则Si和Sj的测量值融合程度就越低；所以本发明定义了传感器观测值之间的这种互相接近度为融合度；为了便于量化计算观测值之间的互相融合度，将模糊推理中隶属度函数引入进来，将观测数据Si(t)，Sj(t)对应在值域为[0，1]的融合度函数cij(t)上，cij(t)的数值表现了在t时设备Si和Sj测量值的融合程度；
定义4：t时观测值为Si(t)，Sj(t)的融合度函数为cij(t)：
由上述函数算式可以知道，cij(t)在区间[0，1]上连续地取数值，若cij(t)数值愈靠近1，则说明传感器Si与传感器Sj的融合性越好，称观测值Si(t)与Sj(t)的融合度越高；若cij(t)数值越靠近0，则认为传感器Si与传感器Sj的融合性越差，则称观测数值Si(t)、Sj(t)的融合度越低，由以上融合度定义，从而获得最优融合集Φ＝{(S1(t)，S2(t)，…，Sm(t))}(m≤n)的融合度矩阵C；
定义5：定义融合度矩阵C：
对于C中的任何一行I，第I行元素之和愈大，则表明设备Si的测量值Si(t)与多数设备的测量值越靠近。否则，设备Si与大部分同质设备的测量值偏离程度就越高，所以本数据模型又定义了Si的一致融合度。
最后，确定权重系数分配及融合度算式：
定义6：t时传感器Si的一致融合度为
然而的大小仅仅说明了设备Si与大部分设备测量值的融合度cij(t)，并不能表明该设备的稳定程度；对设备Si来说，它的测量值愈稳定，则和其它设备的融合程度愈好，则其融合度分布愈均衡，为了描述在融合矩阵中全部设备融合度数值分布的均衡度，定义了设备Si的分布均衡程度；
定义7：t时传感器Si分布均衡程度为
在现实应用的融合程序中，应当充分使用融合程度分布均衡且一致融合程度高的传感器，换而言之，传感器Si的融合度分布越均衡且一致融合程度越高，则其观测数值在融合算式中所占权重系数越大，因此考虑以传感器的分布均衡程度和一致融合程度之积当作传感器的权重系数；
定义8：t时传感器Si的权重系数是
将式(10)归一化处理获得：
由式(11)得到最终的融合估计算式是：
为了进一步更好的解释说明上述发明，提供如下实验进行比对说明，同时，为了使最终的实验效果具有对比性、可靠性和有效性，实验数据环境用3个抗高温温度计测量恒温箱的温度，其标准温度是900摄氏度，进行6次温度测定，取得观测数据集，见表1
表1温度传感器观测数据(真值900℃)
对表1中的数据，分别使用均值法和本文算法进行数据融合，获得的融合结果见表2：
表2均值法与本文算法的融合结果对比
| 观测次数 | 最优融合集 | 绝对误差 | 均值法融合 | 绝对误差 |
| 1 | 901.1500 | 1.1500 | 898.1667 | 1.8333 |
| 2 | 906.0500 | 6.0500 | 896.0000 | 4.0000 |
| 3 | 900.0500 | 0.0500 | 896.0667 | 3.9333 |
| 4 | 902.3000 | 2.3000 | 896.9333 | 3.0667 |
| 5 | 900.2000 | 0.2000 | 897.9333 | 2.0667 |
| 6 | 901.7000 | 1.7000 | 898.4667 | 1.5333 |
类似的，对表1中的数据，分别应用可靠性算法和本发明算法进行数据融合，获得的融合结果见表3：
表3可靠性算法与本算法的融合结果对比
| 观测次数 | 最优融合集 | 绝对误差 | 可靠性算法融合 | 绝对误差 |
| 1 | 901.1500 | 1.1500 | 898.2414 | 1.7586 |
| 2 | 906.0500 | 6.0500 | 896.1270 | 3.8730 |
| 3 | 900.0500 | 0.0500 | 896.0571 | 3.9429 |
| 4 | 902.3000 | 2.3000 | 896.8645 | 3.1355 |
| 5 | 900.2000 | 0.2000 | 897.9197 | 2.0803 |
| 6 | 901.7000 | 1.7000 | 898.4814 | 1.5186 |
根据表2和表3的数据可知，最优融合集算法对第1、3、4、5、6次的融合结果更加接近真值，对应的融合绝对误差都比上述两种算法小，从而通过数据实验说明了最优融合集算法的可靠性。
最后从总的绝对误差角度来分析以上3种算法的性能，把3种算法的绝对误差分别求和，计算出3种算法的总误差是：最优集融合算法11.4500、可靠性算法16.3089、均值法16.4333，很明显，最优融合集算法的总误差都比其他2种算法小，再一次在一定程度上证明了最优融合集算法优于均值法和可靠性算法。
综上所述：本发明提供的一种基于云计算的多传感器数据融合方法，在智慧农业中，使用先进的高新设备，自定义了算法模型，最后通过实验对比的方式证明此算法的有效性，和传统一个传感器设备相比，使用多传感器信息融合技术，能够提高智慧农业系统数据采集的准确度、提升信息获取的可靠性、增强用户对智慧农业系统的信任度，从而提高整个系统运行的鲁棒性，减少人力投入，降低运营管理成本，提高农业管理效率。
以上所述，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，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于云计算的多传感器数据融合方法，其特征在于，包括确定最优融合集、确定融合度与融合度矩阵定义、确定权重系数分配及融合度算式定义算法；
其中，确定最优融合集通过对传感器观测数据的有效性进行预先判断，提取有效观测数据，具体包括：
定义1：将t时刻所有观测数据Si(t)(i＝1，2，…，n)定位到数轴上，则观测数据Si(t)、Sj(t)的绝对距离为disij(t)：disij(t)＝|si(t)-sj(t)|
定义2：将t时刻观测数据Si(t)与所有观测值的距离平均值为di(t)，且所有观测数据之间的平均距离为d(t)，则有：
定义3：所有落在真值X附近邻域的有效观测数据组成的集合为Φ，若Φ满足以下条件：
则称集合Φ为最优融合集，集合Φ中元素的个数为最优融合数；
其中，确定融合度与融合度矩阵包括：
定义4：t时刻观测数据Si(t)、Sj(t)的融合度函数为Cij(t)：
由上述融合度定义，得到最优融合集合Φ＝{(S1(t)，S2(t)，…，Sm(t))}(m≤n)的融合度矩阵C：
定义5：融合度矩阵C
对于C中的任何一行I，第I行元素之和愈大，则表明设备Si的测量值Si(t)与多数设备的测量值越靠近，否则，设备Si与大部分同质设备的测量值偏离程度就越高，所以本数据模型又定义了Si的一致融合度；
其中，确定权重系数分配及融合度算式定义算法包括：
定义6：t时传感器Si的一致融合度为
然而只能反映出与多数传感器观测数据的融合程度，并不能说明该传感器的稳定性，为了刻画这种融合矩阵中所有传感器中融合度分布的均衡程度，定义了传感器的分布均衡度；
定义7：t时传感器Si分布均衡程度为
在实际的融合过程中，利用一致融合度高且融合度分布均衡的传感器，以传感器的一致融合度与分布均衡度之积作为传感器的权重系数；
定义8：t时传感器Si的权重系数是
将归一化处理获得：
进一步得到最终的融合估计算式是：
2.如权利要求1所述的一种基于云计算的多传感器数据融合方法，其特征在于，定义4中由融合度函数Cij(t)可得，cij(t)在区间[0，1]上连续地取数值，若cij(t)数值愈靠近1，则说明传感器Si与传感器Sj的融合性越好，称观测值Si(t)与Sj(t)的融合度越高；若cij(t)数值越靠近0，则认为传感器Si与传感器Sj的融合性越差，则称观测数值Si(t)、Sj(t)的融合度越低，从而获得最优融合集Φ＝{(S1(t)，S2(t)，…，Sm(t))}(m≤n)的融合度矩阵C。
3.如权利要求1所述的一种基于云计算的多传感器数据融合方法，其特征在于，定义1中假设t时有n个同质传感器组合的传感器集合S＝{S1，S2，…，Sn}，使用直接观察法，对于同一性质的参数X在不同位置进行独立观测，则有：Si＝X+vi(t)，i＝1，2，…，n；式中，Si(t)为传感器Si在t时获得的观测值，X为真值，Vi(t)为传感器Si在t时的测量噪声数值，先验数值E[Vi(t)]和D[Vi(t)]均未知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910613874.7A CN110389971A (zh) | 2019-06-28 | 2019-06-28 | 一种基于云计算的多传感器数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910613874.7A CN110389971A (zh) | 2019-06-28 | 2019-06-28 | 一种基于云计算的多传感器数据融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110389971A true CN110389971A (zh) | 2019-10-29 |
Family
ID=68286434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910613874.7A Pending CN110389971A (zh) | 2019-06-28 | 2019-06-28 | 一种基于云计算的多传感器数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110389971A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111887004A (zh) * | 2020-08-17 | 2020-11-06 | 重庆大学 | 一种杆状作物收割机器人控制方法 |
| CN112003891A (zh) * | 2020-07-16 | 2020-11-27 | 山东省网联智能车辆产业技术研究院有限公司 | 用于智能网联车辆控制器的多传感数据融合方法 |
| CN114692777A (zh) * | 2022-04-13 | 2022-07-01 | 山东浪潮科学研究院有限公司 | 一种基于多传感器和微型机器学习的智慧农业管理方法 |
| CN117191130A (zh) * | 2023-09-27 | 2023-12-08 | 深圳市英博伟业科技有限公司 | 一种多场景在线温湿度监控方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776654A (zh) * | 2014-02-21 | 2014-05-07 | 黑龙江省科学院自动化研究所 | 多传感器信息融合的故障诊断方法 |
| CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
| CN106875613A (zh) * | 2016-12-23 | 2017-06-20 | 北京富邦智慧物联科技有限公司 | 一种火警态势分析方法 |
| CN109013032A (zh) * | 2017-10-27 | 2018-12-18 | 江西理工大学 | 一种多源信号融合预测球磨机填充率、料球比的方法 |
| CN109696669A (zh) * | 2018-12-24 | 2019-04-30 | 北京理工大学 | 一种相关噪声环境下事件触发的多传感器融合估计方法 |
-
2019
- 2019-06-28 CN CN201910613874.7A patent/CN110389971A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776654A (zh) * | 2014-02-21 | 2014-05-07 | 黑龙江省科学院自动化研究所 | 多传感器信息融合的故障诊断方法 |
| CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
| CN106875613A (zh) * | 2016-12-23 | 2017-06-20 | 北京富邦智慧物联科技有限公司 | 一种火警态势分析方法 |
| CN109013032A (zh) * | 2017-10-27 | 2018-12-18 | 江西理工大学 | 一种多源信号融合预测球磨机填充率、料球比的方法 |
| CN109696669A (zh) * | 2018-12-24 | 2019-04-30 | 北京理工大学 | 一种相关噪声环境下事件触发的多传感器融合估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 卢小江: "基于多源信号融合技术的球磨机负荷预测方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
| 靳紫辉，夏钰红: "云计算下分布式大数据智能融合算法仿真", 《计算机仿真》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112003891A (zh) * | 2020-07-16 | 2020-11-27 | 山东省网联智能车辆产业技术研究院有限公司 | 用于智能网联车辆控制器的多传感数据融合方法 |
| CN111887004A (zh) * | 2020-08-17 | 2020-11-06 | 重庆大学 | 一种杆状作物收割机器人控制方法 |
| CN114692777A (zh) * | 2022-04-13 | 2022-07-01 | 山东浪潮科学研究院有限公司 | 一种基于多传感器和微型机器学习的智慧农业管理方法 |
| CN117191130A (zh) * | 2023-09-27 | 2023-12-08 | 深圳市英博伟业科技有限公司 | 一种多场景在线温湿度监控方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110389971A (zh) | 一种基于云计算的多传感器数据融合方法 | |
| Brzezinski et al. | Prequential AUC: properties of the area under the ROC curve for data streams with concept drift | |
| Fildes | The evaluation of extrapolative forecasting methods | |
| D'Andrade | U-statistic hierarchical clustering | |
| CN104484602B (zh) | 一种入侵检测方法、装置 | |
| CN103400152A (zh) | 基于分层聚类的滑动窗口多数据流异常检测方法 | |
| Ji et al. | Designing a rule-based hourly rainfall prediction model | |
| CN113341389B (zh) | 一种基于最大似然估计的微波散射计风场反演方法及系统 | |
| CN108647737A (zh) | 一种基于聚类的自适应时间序列异常检测方法及装置 | |
| CN108072356A (zh) | 高度测量方法、装置及无人机 | |
| CN110321493A (zh) | 一种社交网络的异常检测与优化方法、系统及计算机设备 | |
| Jui et al. | Flat price prediction using linear and random forest regression based on machine learning techniques | |
| da Silva et al. | Wheat planted area detection from the MODIS NDVI time series classification using the nearest neighbour method calculated by the Euclidean distance and cosine similarity measures | |
| Zhang et al. | Spatiotemporal dynamics of soil salinity in the Yellow River Delta under the impacts of hydrology and climate. | |
| CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
| Ohanuba et al. | Topological data analysis via unsupervised machine learning for recognizing atmospheric river patterns on flood detection | |
| Abujiya et al. | A new combined Shewhart–cumulative sum S chart for monitoring process standard deviation | |
| Hu et al. | A synthetic landscape metric to evaluate urban vegetation quality: A case of Fuzhou city in China | |
| Salski | Fuzzy clustering of fuzzy ecological data | |
| CN112151185A (zh) | 一种儿童呼吸疾病与环境数据关联分析方法及系统 | |
| Huang et al. | Advanced ART2 scheme for enhancing metrology-data-quality evaluation | |
| CN116562615A (zh) | 一种用于乳制品食品安全的风险预警方法 | |
| Schuh et al. | Machine learning and generalized linear model techniques to predict aboveground biomass in Amazon rainforest using LiDAR data | |
| CN113591711B (zh) | 一种基于人工智能的粮仓危险源安全监测方法及系统 | |
| Takeuchi et al. | Comparison of Traditional Image Segmentation Methods Applied to Thermograms of Power Substation Equipment |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |