CN111398523B - 基于分布的传感器数据校准方法及系统 - Google Patents

Abstract

本发明公开了基于分布的传感器数据校准方法及系统。涉及传感器技术领域，其中，本方法通过获取历史参考数据和目标传感器的待校准数据，分别估计历史参考数据和待校准数据的概率密度分布得到历史参考分布和待校准分布，最小化历史参考分布和待校准分布的KL散度得到校准参数，其中校准参数包括：传感器校准参数灵敏度和基线零漂值，最后根据计算得到的校准参数，对待校准数据进行校准得到校准数据。利用一段时间的历史参考数据作为参考来进行校准，不需要有相邻的标准参考站，也不需要实时在线进行校准，并且能够在较为恶劣的校准条件下进行校准，提高了校准的鲁棒性，能够适应更复杂的监测环境。

Description

基于分布的传感器数据校准方法及系统

技术领域

本发明涉及传感器技术领域，尤其是涉及一种基于分布的传感器数据校准方法及系统。

背景技术

目前传感器的应用领域很广，例如大气监测、水质监测等，在多个监测点布置传感器，收集统计传感器采集的数据进行监测过程分析。例如通过大气污染物监测传感器获取空气污染数据进行空气污染情况分析，一般在进行分析之前需要对传感器获取的数据进行校准以提高分析结果准确度。相关技术中，当传感器节点位于与官方标准参考站邻近的位置或与其他传感器节点邻近的位置时，可以对照彼此的测量数据，传递式地依次校准系统中的传感器节点，或者采用在线的标准参考校准数据进行校准，在没有实时可供对比的标准参考站或者离线情况时进行传感器的数据校准用传统的方法比较困难。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于分布的传感器数据校准方法，不需要待校准传感器节点与标准参考站相邻或者必须处于实时在线状态下即可实现对传感器数据进行校准。

第一方面，本发明的一个实施例提供了：一种基于分布的传感器数据校准方法，包括：

获取历史参考数据和目标传感器的待校准数据；

分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布；

最小化所述历史参考分布和所述待校准分布的KL散度得到校准参数，所述校准参数包括：传感器校准参数灵敏度和基线零漂值；

根据所述校准参数对所述待校准数据进行校准得到校准数据。

进一步地，所述分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布，包括：

利用混合高斯模型分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布。

进一步地，所述最小化所述历史参考分布和所述待校准分布的KL散度得到校准参数表示为：

其中，d_KL表示KL散度，X_r表示历史参考数据，

表示历史参考分布，X_t表示待校准数据，F(X_t)表示包含校准参数的待校准数据，

表示待校准分布。

进一步地，所述包含校准参数的待校准数据指利用线性函数根据所述校准参数表示所述待校准数据。

进一步地，所述根据所述校准参数对所述待校准数据进行校准得到校准数据表示为：

X_c＝w*X_t+b

其中，X_c表示校准数据，w表示传感器校准参数灵敏度，b表示基线零漂值，X_t表示待校准数据。

进一步地，还包括选取校准时间，根据所述校准时间获取所述历史参考数据和所述目标传感器的待校准数据。

第二方面，本发明的一个实施例提供了：一种基于分布的传感器数据校准系统，包括：

获取单元：用于获取历史参考数据和目标传感器的待校准数据；

概率密度估计单元：用于分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布；

校准参数计算单元：用于最小化所述历史参考分布和所述待校准分布的KL散度得到校准参数，所述校准参数包括：传感器校准参数灵敏度和基线零漂值；

校准单元：用于根据所述校准参数对所述待校准数据进行校准得到校准数据。

第三方面，本发明的一个实施例提供了：一种基于分布的传感器数据校准设备，包括：

至少一个处理器，以及与所述至少一个处理器通信连接的存储器；

其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如第一方面任一项所述的方法。

第四方面，本发明的一个实施例提供了：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。

本发明实施例的有益效果是：

本发明实施例通过获取历史参考数据和目标传感器的待校准数据，分别估计历史参考数据和待校准数据的概率密度分布得到历史参考分布和待校准分布，最小化历史参考分布和待校准分布的KL散度得到校准参数，其中校准参数包括：传感器校准参数灵敏度和基线零漂值，最后根据校准参数对待校准数据进行校准得到校准数据。利用一段时间的历史参考数据作为参考来进行校准，不需要有相邻的标准参考站，也不需要实时在线进行校准，并且能够在较为恶劣的校准条件下进行校准，提高了校准的鲁棒性，能够适应更复杂的监测环境。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明实施例中基于分布的传感器数据校准方法的一具体实施例流程示意图；

图2是本发明实施例中基于分布的传感器数据校准方法的另一具体实施例流程示意图；

图3是本发明实施例中基于分布的传感器数据校准方法的一具体实施例校准效果示意图；

图4是本发明实施例中基于分布的传感器数据校准系统的一具体实施例结构框图。

具体实施方式

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，下面将对照附图说明本发明的具体实施方式。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的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

实施例一：

本发明实施例一提供一种基于分布的传感器数据校准方法。能够用于例如空气质量监测等监控环境中，减少安装校准成本，例如需要配置标准大气污染传感器监测点，应用本实施例的方法，只需获得国控空气质量监测站一段时间的历史大气污染数据，对应分别有PM2.5、PM10、NO₂、SO₂、CO、O₃等，作为历史参考分布，在传感器布置进入工作状态后，即可利用历史参考分布对其进行校准，能够减少传感器布置进入工作状态后的校准成本。

下面以大气环境监测的传感系统为例进行本实施例的详细说明。

图1为本发明实施例提供的一种基于分布的传感器数据校准方法的流程示意图，如图1所示，该方法包括以下步骤：

S1：选取校准时间，根据校准时间获取历史参考数据和目标传感器的待校准数据。

例如，选取校准时间为[T₁,T₂]，提取国控空气质量监测站数据库中T₁时间点前一时间段的历史数据作为历史参考数据X_r，该时间段可以根据实际工程需求进行设置，例如可设置与校准时间时长相同的时间段，然后提取带校准目标传感器校准时间[T₁,T₂]内的数据X_t，获取校准参数进行校准。可以理解的是，本实施例并不需要具体严格要求历史参考数据的时长，只需与待校准数据测量单位统一即可。

在一种实施例中，即使传感器节点距离标准参考站较远，也可以选取标准参考站的历史参考数据来进行校准。

S2：分别估计历史参考数据和待校准数据的概率密度分布得到历史参考分布和待校准分布。

S3：最小化历史参考分布和待校准分布的KL散度得到校准参数，校准参数包括：传感器校准参数灵敏度和基线零漂值。

S4：根据校准参数对待校准数据进行校准得到校准数据。

在一种实施例中，步骤S2分别估计历史参考数据和待校准数据的概率密度分布得到历史参考分布和待校准分布，具体指利用混合高斯模型作为概率密度估计器分别估计历史参考数据和待校准数据的概率密度分布得到历史参考分布和待校准分布。

混合高斯模型(Gaussian Mixture Model)简称为GMM，是一种广泛使用的聚类算法，其使用高斯分布作为参数模型，并使用期望最大(Expectation Maximization，简称EM)算法进行训练。混合高斯模型可以看作是由k个单高斯模型组合而成的模型，这k个子模型是混合模型的隐变量，使用混合高斯模型是因为高斯分布具备很好的数学性质以及良好的计算性能，混合高斯模型表示为：

其中，p(x)表示混合高斯模型的概率密度分布，x表示观测数据，k表示高斯子模型个数，σ_i表示第i个高斯子模型的标准差，μ_i表示第i个高斯子模型的均值，A_i表示观测数据属于第i个高斯子模型的概率，满足：A_i≥0，

当观测数据为历史参考数据X_r时，历史参考分布表示为：

当观测数据为待校准数据X_t时，待校准分布表示为：

在待校准数据X_t中增加校准参数，表示为：

在一种实施例中利用线性函数根据校准参数表示待校准数据，即F(·)为线性函数，待校准数据表示为：

X_c＝w*X_t+b

其中，X_c表示校准数据，w表示传感器校准参数灵敏度，b表示基线零漂值，X_t表示待校准数据。

则下面需要计算得到传感器校准参数灵敏度w和基线零漂值b的值，根据校准参数对待校准数据进行校准得到校准数据。

步骤S3中，通过最小化历史参考分布和待校准分布的KL散度得到校准参数，KL散度又称相对熵，表示为Kullback-Leibler散度(Kullback-Leibler divergence)，用于表示两个概率分布之间差异的非对称性度量，本实施例中，利用相对熵表示参与计算的历史参考分布和理论上的待校准分布之间的信息损耗即差异，因此通过最小化相对熵即可得到与历史参考分布最相似的待校准分布。KL散度表示为：

最小化KL散度表示为：

其中，d_KL表示KL散度，X_r表示历史参考数据，

表示历史参考分布，X_t表示待校准数据，F(X_t)表示包含校准参数的待校准数据，

表示待校准分布。

通过最小化KL散度，得到使得待校准分布与历史参考分布最接近的传感器校准参数灵敏度w和基线零漂值b的值，利用该校准参数进行校准。

如图2所示，为本实施例一种具体实施方式的流程示意图，从图中可见，首先定义校准时间，然后根据实际情况获取历史参考数据和目标传感器的待校准数据，分别计算历史参考数据和待校准数据的历史参考分布和待校准分布，然后计算两个分布之间的KL散度，对其进行最小化，计算得到传感器校准参数灵敏度和基线零漂值，最后根据传感器校准参数灵敏度和基线零漂值进行待校准数据校准得到校准数据。

如图3所示，为本实施例校准效果示意图。目标传感器节点距离标准参考站6km，选取标准参考站的历史数据作为历史参考数据，选择的数据类型为NO₂，单位为ug/m³，校准时长为11月整个月(30天)，图中截取11月1日到11月5日的数据作为示意。其中raw sensordata表示校准前的数据，ground truth表示实时标准数据，least square表示相关技术中的在线最小二乘校准法，RCH(Robust Calibration based on historical data)表示本实施例的校准方法，可见本实施例的方法校准效果与最小二乘法校准效果接近，在能达到相似校准效果的同时，本实施例的方法大大放宽了校准条件，不需要实时对应的数据点，也不需要一定邻近的标准参考站点。

下表1为图3所示实施方式中数据分析结果，以均方根误差RMSE和平均绝对误差MAE为例说明，展示了11月整月的校准效果和最小二乘法校准效果的对比，进一步说明本实施例的方法在大大放宽校准所需条件的同时，校准效果与最小二乘法校准效果接近。

校准方式	RMSE(ug/m<sup>3</sup>)	MAE(ug/m<sup>3</sup>)
			校准前	36.238	32.791
RCH校准	17.307	14.367
			最小二乘法校准	16.640	13.668

表1为图3所示实施方式中数据分析结果

本实施例中校准过程不依赖于传感器之间的相邻关系，也不需要与标准参考站点相邻即可进行校准，实现复杂度低，可以灵活调整校准时间，根据实际需要提高校准精度。另外，也不需要在线的标准参考数据进行实时校准，仅根据历史参考数据即可进行校准工作，降低校准工作成本，放宽了校准条件，在一定程度上能够接近相关技术中利用标准参考站点数据进行最小二乘法校准的校准效果，提高了校准方法的鲁棒性，能够应用于较为恶劣的校准条件。

实施例二：

本实施例提供一种基于分布的传感器数据校准系统，用于执行如实施例一所述的方法，如图4所示，为本实施例的基于分布的传感器数据校准系统结构框图，包括：

获取单元100：用于获取历史参考数据和目标传感器的待校准数据；

概率密度估计单元200：用于分别估计历史参考数据和待校准数据的概率密度分布得到历史参考分布和待校准分布；

校准参数计算单元300：用于最小化历史参考分布和待校准分布的KL散度得到校准参数，校准参数包括：传感器校准参数灵敏度和基线零漂值；

校准单元400：用于根据校准参数对待校准数据进行校准得到校准数据。

上述中基于分布的传感器数据校准装置模块的具体细节已经在实施例一对应的基于分布的传感器数据校准方法中进行了详细的描述，因此此处不再赘述。

另外，本发明还提供基于分布的传感器数据校准设备，包括：

至少一个处理器，以及与所述至少一个处理器通信连接的存储器；

其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如实施例一所述的方法。计算机程序即程序代码，当程序代码在基于分布的传感器数据校准设备上运行时，程序代码用于使基于分布的传感器数据校准设备执行本说明书上述实施例一部分描述的基于分布的传感器数据校准方法中的步骤。

另外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，其中计算机可执行指令用于使计算机执行如实施例一所述的方法。

不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、存储介质和设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上各实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (9)

1.一种基于分布的传感器数据校准方法，其特征在于，包括：

获取历史参考数据和目标传感器的待校准数据；

分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布；

最小化所述历史参考分布和所述待校准分布的KL散度得到校准参数，所述校准参数包括：传感器校准参数灵敏度和基线零漂值；

根据所述校准参数对所述待校准数据进行校准得到校准数据。

2.根据权利要求1所述的一种基于分布的传感器数据校准方法，其特征在于，所述分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布，包括：

利用混合高斯模型分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布。

3.根据权利要求1所述的一种基于分布的传感器数据校准方法，其特征在于，所述最小化所述历史参考分布和所述待校准分布的KL散度得到校准参数表示为：

其中，d_KL表示KL散度，X_r表示历史参考数据，

表示历史参考分布，X_t表示待校准数据，F(X_t)表示包含校准参数的待校准数据，

表示待校准分布。

4.根据权利要求3所述的一种基于分布的传感器数据校准方法，其特征在于，所述包含校准参数的待校准数据利用线性函数，根据所述校准参数表示所述待校准数据。

5.根据权利要求1所述的一种基于分布的传感器数据校准方法，其特征在于，所述根据所述校准参数对所述待校准数据进行校准得到校准数据表示为：

X_c＝w*X_t+b

其中，X_c表示校准数据，w表示传感器校准参数灵敏度，b表示基线零漂值，X_t表示待校准数据。

6.根据权利要求1至5任一项所述的一种基于分布的传感器数据校准方法，其特征在于，包括选取校准时间，根据所述校准时间获取所述历史参考数据和所述目标传感器的待校准数据。

7.一种基于分布的传感器数据校准系统，其特征在于，包括：

获取单元：用于获取历史参考数据和目标传感器的待校准数据；

概率密度估计单元：用于分别估计所述历史参考数据和所述待校准数据的概率密度分布得到历史参考分布和待校准分布；

校准参数计算单元：用于最小化所述历史参考分布和所述待校准分布的KL散度得到校准参数，所述校准参数包括：传感器校准参数灵敏度和基线零漂值；

校准单元：用于根据所述校准参数对所述待校准数据进行校准得到校准数据。

8.一种基于分布的传感器数据校准设备，其特征在于，包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；

其中，所述处理器通过调用所述存储器中存储的计算机程序，用于执行如权利要求1至6任一项所述的方法。

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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至6任一项所述的方法。

Images