CN110751194B - 一种大型发射装备传感数据融合评估方法 - Google Patents
一种大型发射装备传感数据融合评估方法 Download PDFInfo
- Publication number
- CN110751194B CN110751194B CN201910957668.8A CN201910957668A CN110751194B CN 110751194 B CN110751194 B CN 110751194B CN 201910957668 A CN201910957668 A CN 201910957668A CN 110751194 B CN110751194 B CN 110751194B
- Authority
- CN
- China
- Prior art keywords
- value
- sensor
- data
- tran
- weight
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种大型发射装备传感数据融合评估方法,对所要求的融合数据内容均数字化表示,直观地展现了大型发射装备的状况。评估过程中,利用传感权重理论对各个传感器权重指标进行合理计算,并且对一些失效的,功能低下的传感器的传感权重进行修正。除此之外,评估过程不仅对各个要求的采集值进行权重评估,更加注重采集值的环形密度汇聚度的变化的内在聚合计算评估,对的大型发射装备的运行质量做出融合评估。大型发射装备运行融合评估中如温度指标情况、湿度指标情况、业务量、承载能力均为定性化指标,利用环形密度汇聚在评估过程中都将其定量化,环形密度汇聚数值越密集使得评估更为逐步接近真实情况。
Description
技术领域
本发明涉及大型广电及通信系统领域,具体地用于大型广电、通信装备运维系统中对大型发射装备传感器数据进行融合评估的方法。
背景技术
大型发射装备是大型广电及通信系统的核心部分。近年来,通信、广电业务往来频繁、规模庞大,但是滞后的数据采集、融合、分析及评估方式,已经给该领域造成一定的挑战。目前存在(1)大型发射装备运维日常运行传感数据采集的准确性较差;装备的数据检测、采集过程相互独立,因此数据融合的难度非常大;在一般分布式的系统内,单个主体传感器的数量越多,控制程序就会越复杂。现有数据信息系统缺乏统一规划,难以实现数据源的有效查找。(2)部分应用于大型发射装备传感数据融合方法简单,效果差,数据融合核心价值是保障业务系统的正常运行,而支撑数据融合的环境又非常复杂,涉及装备、设备、人力、网络、服务器、各类应用等资源。现有的融合手段缺乏影响大型广电通信系统稳定运行,进行数据的融合结果展示缺乏,导致数据分析和应急事件处理的效率低下。(3)各数据性能融合集中度不够,在重大关键装备中,各个运行维护传感过于分散,难以在第一时间内综合性能。相关工作人员也无法全面了解网络的运行状况,难以进行科学评估,导致应用系统接口、报警信息关联性分析、报警检测规则定义、隐故障分析和预测等方面缺乏统一口径数据。
国内学者提出了“组合赋权下的装备质量状态信息融合评估方法”,首先运用改进的群层次分析法选取通用特性指标、测试数据指标作为状态评估的二级指标;在对质量状态进行定性划分的基础上,分别采用IGAHP、CRITIC(criteria improved through inter-criteria correlation)等方法对状态评估三级指标进行遴选和权重分析,是一种基于信息和通信的集成治理方法,然而都属于粗放数据融合方式。许军等提出并实现了运用D-S证据理论进行机电设备状态评估的决策层融合并进行仿真测试,初步打破过去各设备系统独立管理的模式。这些研究工作促进了装备质量状态的融合及评估,对关键装备运维系统在通信、广电领域的仍然应用仍然是空白。
发明内容
针对上述存在的问题,本发明提出一种大型发射装备传感数据融合评估方法,其目的是利用传感器对大型通信装备中的元器件功能单元权重、传感器的自身性能情况修正及特征数据采集值环形密度汇聚的过滤处理,形成环形密度汇聚对整体大型发射装备传感数据进行整体融合评估,形成统一评估指数,为大型发射装备的运行状况,科学评估,报警信息关联性分析、报警检测规则定义、隐故障分析和预测等方面提供决策支持。
为此,本发明的上述目的通过以下技术方案来实现:
一种大型发射装备传感数据融合评估方法,其特征在于,所述大型发射装备传感数据融合评估方法包括如下步骤:
(1)在目标大型发射装备中设置多个传感器Tran和一个数据聚合点Rece,标注每个传感器Tran空间坐标位置;
(2)设置大型发射装备中的各个功能元器件单元Cell权重,标注每个功能元器件单元 Cell空间坐标位置;
(3)计算出每个传感器Tran到大型发射装备中的每个功能元器件单元Cell的传感半径;
(4)计算出每个传感器Tran的传感权重,并得到归一化权重集;
(5)得到数据聚合点Rece的接收功率、传感器Tran的发射功率和数据特征采集值;
(6)根据数据聚合点Rece的接收功率、传感器Tran的发射功率和数据特征采集值计算传感器的传感修正权重值和传感器数据特征采集修正值;
(7)更新传感器的传感修正权重集和传感器数据特征采集修正值集;
(8)计算出每个传感器Tran的有效数据采集值P;
(9)对所有有效数据采集值P进行环形密度汇聚数据融合,得到环形密度汇聚有效数据集;
(10)计算出最终的汇聚融合最后数值。
具体地,所述大型发射装备传感数据融合评估方法包括如下步骤:
(1)在目标大型发射装备中设置i个传感器Tran和1个数据聚合点Rece,i个传感器Tran 的空间坐标位置表示为[(X1,Y1,Z1),(X2,Y2,Z2),...(Xi,Yi,Zi)];
(2)将大型发射装备中的j个功能元器件单元Cell按照重要性进行权重定义,形成权重集j个功能元器件单元Cell空间坐标位置表示为 [(G1,H1,K1),(G2,H2,K2),...(Gj,Hj,Kj)];
(3)计算出i个传感器Tran到大型发射装备中的j个功能元器件单元Cell的传感半径 Rij,Rij表示i个传感器Tran到第j个功能元器件单元Cell的传感半径;其计算公式为:
(4)计算传感器的权重集Wij:
Wij表示第i个传感器Tran到大型发射装备中的j个功能元器件单元Cell的传感权重;
累加每个传感器到所有功能元器件单元Cell的传感权重,得到每个传感权重值Wi;计算公式为:
并对每个传感权重值Wi进行归一化,λi为归一化后的权重值,得到传感权重系数集λ:λ=(λ1,λ2,...,λi),其中:
(5)每个传感器Tran发送的信号功率数值表示为TQi,每个传感器Tran发送的数据特征采集值为TPi;在数据聚合点Rece接到每个传感器Tran的信号功率数值为RQi;
每个传感器Tran存在长时间失效等问题,设置功率阈值ΔTP、采集区间T和惩罚时长Δt,在一定时间内如果接收功率较低的话,就降低该传感器的权重,θi为传感修正值,设置公式为:
其中λi为传感器的传感权重系数;
βB为权重惩罚步长;
ΔTP为功率阈值;
T为采集区间;
Δt为惩罚时长;
(6)同理,每个传感器数据特征采集值也会有信号损失或无效,因此需要对传感器数据特征采集值进行数值修正,先计算出补偿偏置CPi,公式为:
CPi=(TQi-RQi)/TQi*[q+20lg di+20lgf]
其中TQi为每个传感器Tran的发送功率数值;
RQi为每个传感器Tran在数据聚合点Rece接到功率数值;
q频率补差值;
f为传感器传播的频率;
di为传感器Tran到汇聚点Rece的距离值;
然后计算出数据特征采集值修正,数据特征采集值修正RPi公式为:
其中TPi为每个传感器Tran发送的数据特征采集值;
CPi为补偿偏置;
PB为惩罚采集值步长;
ΔTP为功率阈值;
T为采集区间;
Δt为惩罚时长;
(7)更新传感器权重集:θ=(θ1,θ2,...,θi),
归一化得到更新传感器权重集:α=(α1,α2,...,αi),
更新传感器数据特征采集值集:RP=(RP1,RP2,...,RPi)
(8)计算每个传感器有效数据采集值:
Pi=αi×RPi;
所有传感器形成有效数据集P=(P1,P2,...,Pi);
(9)对所有P值进行环形密度汇聚数据融合,以Pi值为圆心,以最近相邻Pj值为半径形成最小半径圆,同时设置L为环度,以PL取环数为最大半径,形成环形,环形内部的点数为密度汇聚度Bi,在这个环形内的数值点越多,密度汇聚度Bi越大,说明该点P值形成越紧密;同时在整体密度汇聚度设置阈值Bj;当Bi≥Bj时,Pi为有效值;得到最终的S个环形区域,得到有效数据集U=(U1,U2,...,US),计算出平均值
(10)计算出最终的汇聚融合最后数值F:
g为最低的环形密度汇聚度值;
s为环形区域的个数;
本发明提供一种大型发射装备传感数据融合评估方法,具有如下有益效果:
(1)该方法保持基于环形密度的聚类方法的优点和高效性,通过数据参考和自适应数据聚类,但在数据融合过程中,无须人为输入分类标准;在大型发射装备运维系统数据进行融合预处理,设定环形密度阈值,形成数据同类个体之间的距离尽可能小,而不同类别上的个体间的距离尽可能地大。
(2)该方法通过大型发射传感数据对象间相似性进行权重融合,保证数据融合权重的同时,具有较高的数据融合质量;保证从大型通信运维系统海量数据中及时挖掘出隐藏信息和有效数据的问题。
(3)统一了传感数据的口径,解决了目前监控系统故障检测有人工巡检和第三方硬件介入检测两种方法,解决人工巡检费时费力效率低下发现故障的时效性较差,且节省人力成本,介入检测需要部署新传感器设备,精确定位监控设备的整体故障预警,减少了系统维护的压力。
(4)本发明提供一种大型发射装备传感数据融合评估方法,将传感权重理论和环形密度汇聚技术加入到传统的大型发射装备传感数据融合方法中,对所要求的融合数据内容均数字化表示,直观地展现了大型发射装备的状况。评估过程中,利用传感权重理论对各个传感器权重指标进行合理计算,并且对一些失效的,功能低下的传感器的传感权重进行修正。除此之外,评估过程不仅对各个要求的采集值进行权重评估,更加注重采集值的环形密度汇聚度的变化的内在聚合计算评估,对的大型发射装备的运行质量做出融合评估。大型发射装备运行融合评估中如温度指标情况、湿度指标情况、业务量、承载能力均为定性化指标,利用环形密度汇聚在评估过程中都将其定量化,环形密度汇聚数值越密集使得评估更为逐步接近真实情况。因此,本方法适用于大型发射装备的传感数据融合评估,特别是要求对整体系统数据性能进行传感融合评估系统。
附图说明
图1为本发明提供的大型发射装备传感数据融合评估方法的流程图。
图2为基于环形密度汇聚度的图示。
图3为8个有效数据的环形密度汇聚图示。
具体实施方式
参照附图和具体实施例对本发明作进一步详细地描述。
(1)在目标大型发射装备中设置多个传感器Tran和一个数据聚合点Rece,标注每个传感器Tran空间坐标位置;
(2)设置大型发射装备中的各个功能元器件单元Cell权重,标注每个功能元器件单元Cell空间坐标位置;
(3)计算出每个传感器Tran到大型发射装备中的每个功能元器件单元Cell的传感半径;
(4)计算出每个传感器Tran的传感权重,并得到归一化权重集;
(5)得到数据聚合点Rece的接收功率、传感器Tran的发射功率和数据特征采集值;
(6)根据数据聚合点Rece的接收功率、传感器Tran的发射功率和数据特征采集值计算传感器的传感修正权重值和传感器数据特征采集修正值;
(7)更新传感器的传感修正权重集和传感器数据特征采集修正值集;
(8)计算出每个传感器Tran的有效数据采集值P;
(9)对所有有效数据采集值P进行环形密度汇聚数据融合,得到环形密度汇聚有效数据集;
(10)计算出最终的汇聚融合最后数值。
具体地,以某地广电大型主发射装备的温度传感数据为例,参照图1-3。
将广电大型发射通信装备中设置10个Tran和1个数据聚合点Rece,10个传感器Tran 空间坐标位置表示为[(11,12,13),(15,18,28),(5,17,8),(7,28,38),(25,16,21),(33,8,12),(26,19,21), (6,11,25),(11,24,16),(19,14,15)];
对该广电大型主发射通信装备5个重要功能元器件单元Cell按照重要性进行权重定义,形成权重集5个功能元器件单元Cell空间坐标位置表示为[(5,14,26),(17,29,18),(19,13,29),(37,28,6),(28,10,38)];
计算出10个传感器Tran到大型发射装备中的5个功能元器件单元Cell的传感半径,根据计算出10个传感半径分别为:(7,18.7,17.9,31.3,30.3), (16.1,15.0,6.5,32.7,18.2),(8.5,19.7,25.6,33.9,38.4),(26.2,22.4,21.2,43.9,27.7), (20.7,15.6,10.4,22.6,18.3),(28.9,27.1,22.6,21.3,26.6),(22.2,13.8,12.2,20.7,19.3), (9.5,22.2,13.7,40.1,25.6),(11.7,8.1,18.8,28.1,31.1),(14.0,15.4,14.0,24.5,25.0);
根据公式计算出表示传感权重(2.1,11.2,4.1,3.8,8.8),(4.8,9.0,1.5,3.9,5.3),(2.6,11.8,5.9,4.1,11.1),(7.8,13.4,4.9,5.3,8.0),(6.2,9.3,2.4,2.7,5.3),(8.7,16.2,5.2,2.6,7.7),(6.7,8.3,2.8,2.5,5.6),(2.9,13.3,3.2,4.8,7.4),(3.5,4.8,4.3,3.4,9.0),(4.2,9.3,3.2,2.9,7.3),
累加10个传感器到5个功能元器件单元Cell的传感权重,得到10个传感权重值;根据计算公式得到传感权重值集(30.0,24.5,35.5,39.4,26.0,40.4,25.8,31.6,25.1,26.9),并对10个传感权重值进行归一化,λi为归一化后的权重值,得到传感权重集合;
得到传感权重系数集(0.10,0.08,0.12,0.13,0.09,0.13,0.08,0.10,0.08,0.09);
10个传感器Tran发送的信号功率数值表示为(0.7,2.1,1.1,0.9,1.7,1.8,0.4,0.2,0.3,0.3),10个传感器Tran发送的数据特征采集值为(58.2,76.9,97.8,26.2,62.1,85.0,15.4,55.7,62.8,58.5);在数据聚合点Rece接到10个传感器Tran的信号功率数值为(0.6,2.0,1.0,0.8,1.6,1.7,0.3,0.0,0.2,0.3);
设置功率阈值0.3w、采集区间0.25ms和惩罚时长0.2ms,取在一定时间内如果接收功率较低的话,就降低该传感器的权重,根据公式:
其中λi为传感器的传感权重系数;βB为权重惩罚步长,取0.1;
ΔTP为功率阈值,取0.3w;
T为采集区间,取0.25ms;
Δt为惩罚时长,取0.2ms;
得到θ集为(0.6,2.0,1.0,0.8,1.6,1.7,0.3,0.0,0.2,0.3),归一化得到更新传感器权重集:α为 (0.07,0.24,0.12,0.09,0.19,0.20,0.04,0.00,0.02,0.03)
根据传感频率f及传感距离di,按照常见的系数q取22.84,每个传感器数据特征采集值也会有信号损失或无效,通过CPi=(TQi-RQi)/TQi*[q+20lg di+20lgf],计算出补偿偏置CP 集合为(1.8,0.8,3.6,3.7,2.4,1.8,6.2,133.2,15.2,10.7);
然后计算出数据特征采集值修正,取ΔTP为0.3w为功率阈值;CP补偿集为 (1.8,0.8,3.6,3.7,2.4,1.8,6.2,133.2,15.2,10.7);PB的补偿为0.1w,T为采集区间,取0.25ms;
Δt为惩罚时长,取0.2ms;
得到RP为(52.95,65.83,54.53,11.03,89.87,79.46,28.10,0,0,58.47)
计算每个传感器有效数据采集值:
所有传感器形成有效数据集P(52.95,65.83,54.53,11.03,89.87,79.46,38.10,58.47),其中两个传感器失效,
对所有P值进行环形密度汇聚数据融合。
以Pi值为圆心,以最近相邻P为半径形成最小半径圆,同时设置2为环度,以P3取环数为最大半径,形成环形,环形内部的点数为密度汇聚度2,在这个环形内的数值点越多,密度汇聚度Bi越大,说明该点P值形成越紧密;同时在整体密度汇聚度设置阈值2;当Bi≥2 时,Pi为有效值;得到最终的1个环形区域,得到有效数据集(52.95,65.83,54.53,38.10,58.47), 计算;
计算出最终的汇聚融合最后数值F
该组数据最终评价数值为:F=54.63。
上述具体实施方式用来解释说明本发明,仅为本发明的优选实施例,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改、等同替换、改进等,都落入本发明的保护范围。
Claims (1)
1.一种大型发射装备传感数据融合评估方法,其特征在于,所述大型发射装备传感数据融合评估方法包括如下步骤:
(1)在目标大型发射装备中设置i个传感器Tran和1个数据聚合点Rece,i个传感器Tran的空间坐标位置表示为[(X1,Y1,Z1),(X2,Y2,Z2),...(Xi,Yi,Zi)];
(2)将大型发射装备中的j个功能元器件单元Cell按照重要性进行权重定义,形成权重集j个功能元器件单元Cell空间坐标位置表示为[(G1,H1,K1),(G2,H2,K2),...(Gj,Hj,Kj)];
(3)计算出i个传感器Tran到大型发射装备中的j个功能元器件单元Cell的传感半径Rij,Rij表示i个传感器Tran到第j个功能元器件单元Cell的传感半径;其计算公式为:
(4)计算传感器的权重集Wij:
Wij表示第i个传感器Tran到大型发射装备中的j个功能元器件单元Cell的传感权重;
累加每个传感器到所有功能元器件单元Cell的传感权重,得到每个传感权重值Wi;计算公式为:
并对每个传感权重值Wi进行归一化,λi为归一化后的权重值,得到传感权重系数集λ:λ=(λ1,λ2,...,λi),其中:
(5)每个传感器Tran发送的信号功率数值表示为TQi,每个传感器Tran发送的数据特征采集值为TPi;在数据聚合点Rece接到每个传感器Tran的信号功率数值为RQi;
每个传感器Tran存在长时间失效问题,设置功率阈值ΔTP、采集区间T和惩罚时长Δt,在一定时间内如果接收功率较低的话,就降低该传感器的权重,θi为传感修正值,设置公式为:
其中λi为传感器的传感权重系数;
βB为权重惩罚步长;
ΔTP为功率阈值;
T为采集区间;
Δt为惩罚时长;
(6)同理,每个传感器数据特征采集值也会有信号损失或无效,因此需要对传感器数据特征采集值进行数值修正,先计算出补偿偏置CPi,公式为:
CPi=(TQi-RQi)/TQi*[q+20lgdi+20lgf]
其中TQi为每个传感器Tran的发送功率数值;
RQi为每个传感器Tran在数据聚合点Rece接到功率数值;
q频率补差值;
f为传感器传播的频率;
di为传感器Tran到汇聚点Rece的距离值;
然后计算出数据特征采集值修正,数据特征采集值修正RPi公式为:
其中TPi为每个传感器Tran发送的数据特征采集值;
CPi为补偿偏置;
PB为惩罚采集值步长;
ΔTP为功率阈值;
T为采集区间;
Δt为惩罚时长;
(7)更新传感器权重集:θ=(θ1,θ2,...,θi),
归一化得到更新传感器权重集:α=(α1,α2,...,αi),
更新传感器数据特征采集值集:RP=(RP1,RP2,...,RPi)
(8)计算每个传感器有效数据采集值:
Pi=αi×RPi;
所有传感器形成有效数据集P=(P1,P2,...,Pi);
(9)对所有P值进行环形密度汇聚数据融合,以Pi值为圆心,以最近相邻Pj值为半径形成最小半径圆,同时设置L为环度,以PL取环数为最大半径,形成环形,环形内部的点数为密度汇聚度Bi,在这个环形内的数值点越多,密度汇聚度Bi越大,说明该点P值形成越紧密;同时在整体密度汇聚度设置阈值Bj;当Bi≥Bj时,Pi为有效值;得到最终的S个环形区域,得到有效数据集U=(U1,U2,...,US),计算出平均值
(10)计算出最终的汇聚融合最后数值F:
g为最低的环形密度汇聚度值;
s为环形区域的个数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957668.8A CN110751194B (zh) | 2019-10-10 | 2019-10-10 | 一种大型发射装备传感数据融合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910957668.8A CN110751194B (zh) | 2019-10-10 | 2019-10-10 | 一种大型发射装备传感数据融合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751194A CN110751194A (zh) | 2020-02-04 |
CN110751194B true CN110751194B (zh) | 2022-07-08 |
Family
ID=69277848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910957668.8A Active CN110751194B (zh) | 2019-10-10 | 2019-10-10 | 一种大型发射装备传感数据融合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751194B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352535A (zh) * | 2015-09-29 | 2016-02-24 | 河海大学 | 一种基于多传感器数据融合的测量方法 |
CN106384121A (zh) * | 2016-08-30 | 2017-02-08 | 电子科技大学 | 基于标号空间匹配的标号随机集滤波器分布式融合方法 |
CN109669849A (zh) * | 2018-12-04 | 2019-04-23 | 哈尔滨工业大学 | 一种基于未确知深度理论的复杂系统健康状态评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2370813A4 (en) * | 2008-12-04 | 2012-05-23 | Univ California | MATERIALS AND METHODS FOR DIAGNOSIS AND PROGNOSIS OF PROSTATE CANCER |
US10303979B2 (en) * | 2016-11-16 | 2019-05-28 | Phenomic Ai Inc. | System and method for classifying and segmenting microscopy images with deep multiple instance learning |
-
2019
- 2019-10-10 CN CN201910957668.8A patent/CN110751194B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105352535A (zh) * | 2015-09-29 | 2016-02-24 | 河海大学 | 一种基于多传感器数据融合的测量方法 |
CN106384121A (zh) * | 2016-08-30 | 2017-02-08 | 电子科技大学 | 基于标号空间匹配的标号随机集滤波器分布式融合方法 |
CN109669849A (zh) * | 2018-12-04 | 2019-04-23 | 哈尔滨工业大学 | 一种基于未确知深度理论的复杂系统健康状态评估方法 |
Non-Patent Citations (1)
Title |
---|
Exploiting Data Fusion to Improve the Coverage of Wireless Sensor Networks;Rui Tan 等;《IEEE/ACM Transactions on Networking》;20110901;第20卷(第2期);450-462 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751194A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Localized outlying and boundary data detection in sensor networks | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN113506001B (zh) | 一种作业现场安全风险精益化智慧管控辅助决策方法 | |
CN113344408B (zh) | 民航交通管制运行多尺度态势感知流程的处理方法 | |
US11977827B2 (en) | Methods, internet of things systems, and storage mediums for management of pipeline network inspection based on smart gas geographic information systems | |
CN116342063A (zh) | 应用于智慧农业的数据处理方法 | |
CN117763555A (zh) | 一种基于区块链的配电网数据安全防护和评估方法 | |
CN110751194B (zh) | 一种大型发射装备传感数据融合评估方法 | |
CN110766248A (zh) | 基于shel和区间直觉模糊评价的车间人因可靠性评估方法 | |
CN116384807A (zh) | 基于模糊综合评价模型的航路网络拥挤态势评估方法 | |
Lyu et al. | Examination on avionics system fault prediction technology based on ashy neural network and fuzzy recognition | |
CN115856961A (zh) | 一种卫星林火伪热源确定方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Tan et al. | Research on Fault Prediction Model Based on 5G Data Center | |
CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及系统 | |
Zhao et al. | Application of data fusion based on clustering-neural network for ETC gantry flow capacity correction | |
CN116520307B (zh) | 一种基于目标追踪的雷达协同检测系统及方法 | |
CN113822473B (zh) | 一种基于多维数据的牵引力能耗合理区间预测方法 | |
CN115190418B (zh) | 一种警用无线局域网高精度的定位方法 | |
CN117424791B (zh) | 一种大型电力通信网络故障诊断系统 | |
CN113470739B (zh) | 一种基于混合隶属度随机块模型的蛋白质相互作用预测方法和系统 | |
CN117217545B (zh) | 一种枪支管控预警系统及方法 | |
Hairuman et al. | Evaluation of machine learning techniques for anomaly detection on hourly basis kpi |
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 |