CN111542010A - 基于分类自适应估计加权融合算法的wsn数据融合方法 - Google Patents
基于分类自适应估计加权融合算法的wsn数据融合方法 Download PDFInfo
- Publication number
- CN111542010A CN111542010A CN202010323075.9A CN202010323075A CN111542010A CN 111542010 A CN111542010 A CN 111542010A CN 202010323075 A CN202010323075 A CN 202010323075A CN 111542010 A CN111542010 A CN 111542010A
- Authority
- CN
- China
- Prior art keywords
- data
- fusion
- abnormal data
- nodes
- abnormal
- 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
Images
Classifications
-
- 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
-
- 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)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于分类自适应估计加权融合算法的WSN数据融合方法,涉及医用冷链仓库中的温度监测领域。该方法首先对异常数据进行分类处理,筛选出有效性异常数据,然后引入融合权值与修正因子改进分批估计算法计算数据融合结果,最后利用MATLAB仿真软件将该算法与其他两种数据融合方法进行仿真对比,仿真结果表明:在温度检测系统模型下,相较于BEF和MF算法,该方法的融合结果更接近真值,具有较低的均方误差,满足医用冷链中冷库温度传感器数据融合的要求。
Description
技术领域
本发明涉及医用冷链仓库中的温度监测领域,具体涉及一种基于分类自适应估计加权融合算法的WSN数据融合方法。
背景技术
近年来,无线传感器网络依靠其成本低和感知区域大等特点,广泛应用于工业自动化、医疗卫生、环境监测等领域。在医用冷链的实际工作场景中因保存药品的特殊性,对温度监测提出了更高的要求,在冷库中选用多个传感器节点组成传感器网络对温度进行周期性采集和传输。然而在节点采集温度信息的过程中,环境中的干扰因素或传感器测量精度会导致检测结果存在误差,因此在簇头处对节点数据进行融合以提高信息采集精度和增强系统鲁棒性。
多传感器数据融合技术可以有效去除冗余信息、节约数据传输能耗和提高数据准确度。数据融合方法主要归为两大类,一类是基于随机理论的加权平均法、最小二乘法、D-S证据理论等;另一类是基于人工智能理论的人工神经网络法、模糊推理法等。传统方法通常周期性得将传感器节点信息发送给汇聚节点,利用相应的数学模型将收集的节点信息融合处理成一条简单的信息后再向上级转发。然而在实际应用中,温度、湿度等监测信息变化缓慢,绝大部分属于重复性监测,没有特殊事件发生时,实时性要求不高。
异常数据在传感器网络实时监测中也具有重要的应用意义,文献KrishnamachariB,Iyengar S.Distributed Bayesian Algorithms for Fault Tolerant Event RegionDetection in Wireless Sensor Networks[J].IEEE Transactions on Computers,2004,53(3):241-250中利用Bayes理论计算相邻节点的异常概率,以此来确定某节点是否异常。文献Atassi A,Sayegh N,Elhajj I,et al.Malicious node detection in wirelesssensor networks[C]//Spring Simulation Multiconference.Society for ComputerSimulation International,2008中利用加权可信度来检测异常节点。相关文献大多数是研究检测异常数据的方法,然而异常数据在数据融合中有非常重要的作用。一方面,融合过程中必须剔除由节点故障引起的异常数据,而另一方面,因外部检测事件发生所引起的异常数据又要保证能参与融合过程中,可以如实反映监测情况。
发明内容
本发明的目的是提出了引入异常数据分类的思想,对异常数据进行分类处理,使有效性异常数据可参与到后续数据融合过程,最后采用自适应估计加权融合算法对数据进行融合处理的WSN数据融合方法。
本发明具体采用如下技术方案:
基于分类自适应估计加权融合算法的WSN数据融合方法,首先对节点采集的数据进行检测及分类处理,利用数据之间的相互支持度矩阵筛选出有效性异常数据传送至簇头,然后利用分类自适应估计加权融合算法对数据进行估计加权融合,具体包以下步骤:
步骤1,选用基于距离的定义,即两数据之差的绝对值,对异常数据进行定义及分类;
步骤2,利用分类自适应估计加权融合算法对采样数据进行估计加权融合;
步骤3,对估计加权融合后的采用数据进行仿真。
优选地,步骤1中,设x(t)为传感器节点采集到的当前数据,d为数据的真值,则异常数据定义为:
定义1:对于节点数据x(t),若|x(t)-d|≥ε,则称数据x(t)为异常数据,其中ε为异常数据判定阈值;
对于各簇中传感器节点采集到的数据信息,根据定义1在节点内部通过差值运算判断当前周期采样的数据是否为异常数据;
定义2:传感器节点对x(t)作二值化判断:若x(t)为异常数据,记x(t)转换结果为1,否则为0;如果转换结果为1,则进一步统计前W-1个数据的转换结果之和是否达到0.5W,达到0.5W则窗口内半数以上测量值为异常数据,取最终转换结果y(t)=1,否则y(t)=0,转换公式如式(1)所示:
其中,W为滑窗大小,t为当前时刻,j为代数;
W为滑窗大小,若y(t)=0,窗口内异常数据不足半数,将x(t)视为突发的外部干扰引起的瞬时性异常数据,反之将x(t)视为持续性异常数据,将x(t)传送至簇首。
根据定义3,数据有效性判定阈值δ,若节点数据xi综合支持度Si≥δ,则xi为有效性异常数据,否则xi为故障性异常数据,i为对应节点;
对所有持续性异常数据进行判断,若为有效性异常数据则参与后续数据融合过程,若为故障性异常数据则将其记录并上传至网关。
优选地,步骤2中具体包括以下步骤:
设传感器网络中有n个节点进行数据采集,根据相邻节点不同组的原则将节点分为k组,每组所含节点数可相同也可不同;则第p组的节点采集的数据分别记为xp1,…,xpm(p=1,…,k),m为该组节点数量,则该组节点数据平均值及标准差为式(5)和式(6)所示:
由分批估计理论可得融合结果及方差如式(7)、(8)所示:
H=[1 1 … 1]T (10)
引入融合权值与修正因子来克服由此造成的误差,即利用自适应理论计算节点数据与融合结果的相对方差,来调整节点数据的权值并进行加权融合,具体包括:
首先对节点分组,计算各组数据的均值标准差和融合权值wp,进一步求解分批估计融合结果x+,然后计算节点数据xpi与x+的相对方差根据和计算每组数据的修正因子ap;最后用修正后的权值apwp对数据进行二次加权融合,得到最终和结果x′+;
由多传感器加权数据融合算法可知,为消除测量误差,融合权值与估计方差应成反比,并且各权值相加和始终为1,因此ap与wp满足式(16)~(18)三个约束条件:
则修正因子ap如式(19)所示
利用修正后的权值apwp求出自适应加权融合结果如式(20)所示
优选地,异常数据分为三类:
(1)因突发的外部干扰引起的瞬时性异常数据;
(2)因硬件故障或软件缺陷引起的故障性异常数据;
(3)监测事件发生变化而导致的有效性异常数据;
通过滑动窗口监测算法将传感器网络中出现的大部分瞬时性异常数据筛选出并排除。
优选地,采用Matlab对估计加权融合后的采用数据进行仿真。
本发明具有如下有益效果:
该方法首先对节点采集的数据进行检测及分类处理,利用数据之间的相互支持度矩阵筛选出有效性异常数据传送至簇头,之后利用分类自适应估计加权融合算法对数据进行估计加权融合。仿真实验结果表明,CAEWF算法精度优于算术平均值及分批估计融合算法,算法融合结果更接近真值,具有较低的均方误差,满足医用冷链中冷库温度传感器数据融合的要求。
附图说明
图1为本发明基于分类自适应估计加权融合算法的WSN数据融合方法的流程图;
图2a为新型与高斯型支持度函数对比曲线图;
图2b不同β值的特征曲线图;
图3为温度传感器节点布置的拓扑图;
图4为融合结果对比图;
图5为部分融合结果对比图;
图6为均方误差对比图;
图7为故障节点示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
结合图1,基于分类自适应估计加权融合算法的WSN数据融合方法,首先对节点采集的数据进行检测及分类处理,利用数据之间的相互支持度矩阵筛选出有效性异常数据传送至簇头,然后利用分类自适应估计加权融合算法对数据进行估计加权融合,具体包以下步骤:
步骤1,选用基于距离的定义,即两数据之差的绝对值,对异常数据进行定义及分类。
设x(t)为传感器节点采集到的当前数据,d为数据的真值,则异常数据定义为:
定义1:对于节点数据x(t),若|x(t)-d|≥ε,则称数据x(t)为异常数据,其中ε为异常数据判定阈值,根据实际应用需求确定其值,其大小会影响节点向簇头发送异常数据的频率。
对于各簇中传感器节点采集到的数据信息,根据定义1在节点内部通过差值运算判断当前周期采样的数据是否为异常数据。
对于各簇中传感器节点采集到的数据信息,可根据定义1在节点内部通过简单的差值运算判断当前周期采样的数据是否为异常数据。异常数据一般可将其分为三类:(1)因突发的外部干扰引起的瞬时性异常数据;(2)因硬件故障或软件缺陷引起的故障性异常数据;(3)监测事件发生变化而导致的有效性异常数据。
传感器网络中出现的大部分是瞬时性异常数据,但其主要是由突发的外部干扰引起的,所以无法反映真实的环境信息,若参与到簇头的数据融合过程中会严重影响融合结果的准确性,因此系统可以先通过滑动窗口监测算法将其筛选出并排除。
定义2:传感器节点对x(t)作二值化判断:若x(t)为异常数据,记x(t)转换结果为1,否则为0;如果转换结果为1,则进一步统计前W-1个数据的转换结果之和是否达到0.5W,达到0.5W则窗口内半数以上测量值为异常数据,取最终转换结果y(t)=1,否则y(t)=0,转换公式如式(1)所示:
其中,W为滑窗大小,t为当前时刻,j为代数;
W为滑窗大小,若y(t)=0,窗口内异常数据不足半数,将x(t)视为突发的外部干扰引起的瞬时性异常数据,反之将x(t)视为持续性异常数据,将x(t)传送至簇首。
持续性异常数据产生的原因可分为软、硬件故障或监测事件变化两类。前者是因为WSN内随机出现的故障节点在每个采集周期内产生故障性异常数据,虽然故障性异常数据能通过滑动窗口监测算法的检测,但其不能反映真实的环境信息,参与融合会影响最终输出结果,因此簇头应对故障性异常数据进行判断识别,将故障节点ID发送至网管方便后续排查。故障节点往往是随机出现的,相邻位置同时出现故障节点的可能性很低,而由监测事件异常引起的有效性异常数据,邻近的多个节点测量值均会出现变化。故可以引入群体支持度方法对数据的有效性进行评价。
冷库的无线传感器网络中设置多个传感器节点对温度进行监测,第i个节点和第j个节点测得的数据分别为xi和xj,所谓xi被节点j支持,即从节点j来看xi为有效数据的可能程度,亦即数据xi和xj之间的一致性程度。Yager提出支持度函数的三个必要条件:
(1)sup(xi,xj)∈[0,1]
(2)sup(xi,xj)=sup(xj,xi)
(3)若|xi-xj|<|x-y|,则sup(xi,xj)>sup(x,y)
本文采用基于灰色接近关联度的新型支持度函数来描述数据间的支持度。
式(2)中无需指数运算,不会消耗过多的节点能量,且符合Yager给出的支持度函数3个必要条件。式中|xi-xj|表示各传感器采集的温度之差的绝对值,参数K控制支持度函数的幅值,β则控制衰减速度。假定温室环境中,同一平面个点的温度数值相差不过5℃,即|xi-xj|∈[-5,5],则新型支持度函数D(xi,xj,K,β)的特征曲线如图2a、2b所示。图2a中,D(xi,xj,1,1)和G(xi,xj,1,1)分别表示K=1、β=1时的新型支持度函数和高斯型支持度函数曲线,新型支持度函数D(xi,xj,1,1)曲线可以很好地逼近高斯型支持度函数G(xi,xj,1,1)曲线,并且在相同参数的情况下,支持度大时衰减速度相对平缓,支持度较小时衰减速度相对较快;图2b中D(xi,xj,1,0.5)、D(xi,xj,1,1)和D(xi,xj,1,2)分别表示K=1、β=0.5,1,2时的新型支持度函数曲线,在K值一定的情况下,支持度的衰减速度随β值减小而降低。在本次试验中,有效数据差值在0~2℃之间,所以β取1较为合适。
设n个节点测量统一参数,由式(3)计算支持度矩阵S。
Si越大,则xi与其他节点测量值越接近,xi的有效性越高;反之则其有效性越低。节点数据xi有效性定义如下:
定义3:数据有效性判定阈值δ,若节点数据xi综合支持度Si≥δ,则xi为有效性异常数据,否则xi为故障性异常数据,i为对应节点。
根据定义3,对所有持续性异常数据进行判断,若为有效性异常数据则参与后续数据融合过程,若为故障性异常数据则将其记录并上传至网关。
步骤2,利用分类自适应估计加权融合算法对采样数据进行估计加权融合。
步骤2中具体包括以下步骤:
设传感器网络中有n个节点进行数据采集,根据相邻节点不同组的原则将节点分为k组,每组所含节点数可相同也可不同;则第p组的节点采集的数据分别记为xp1,…,xpm(p=1,…,k),m为该组节点数量,则该组节点数据平均值及标准差为式(5)和式(6)所示:
由分批估计理论可得融合结果及方差如式(7)、(8)所示:
H=[1 1 … 1]T (10)
引入融合权值与修正因子来克服由此造成的误差,即利用自适应理论计算节点数据与融合结果的相对方差,来调整节点数据的权值并进行加权融合,具体包括:
首先对节点分组,计算各组数据的均值标准差和融合权值wp,进一步求解分批估计融合结果x+,然后计算节点数据xpi与x+的相对方差根据和计算每组数据的修正因子ap;最后用修正后的权值apwp对数据进行二次加权融合,得到最终和结果x′+;
由多传感器加权数据融合算法可知,为消除测量误差,融合权值与估计方差应成反比,并且各权值相加和始终为1,因此ap与wp满足式(16)~(18)三个约束条件:
则修正因子ap如式(19)所示
利用修正后的权值apwp求出自适应加权融合结果如式(20)所示
步骤3,采用Matlab对估计加权融合后的采用数据进行仿真。
为了验证本文方法的准确性,基于Matlab进行仿真实验。实验背景设定为:在8m×4m×5m的冷库中,均匀部署8个温度传感器节点对冷库温度变化进行检测,温度传感器节点部署如图3所示。传感器每隔1min采集一次数据,持续500分钟,8组数据均以20℃为真值,分别叠加不同方差的白噪声,模拟不同因素影响冷库造成温度变化。节点传感器测量值分别采用分批估计融合算法(BEF)、改进的自适应估计加权融合算法(CAEWF)以及平均值融合算法(MF)对8组数据融合。
实验结果如图4所示,为方便仿真结果观察,图5截取部分融合结果,从图中可以看出,BEF算法及MF算法的融合结果波动较大,CAEWF算法融合结果较平稳,其原因在于MF算法无法去除传感器误差,而CAEWF算法将异常数据分类,防止温度检测系统中传感器节点产生的瞬时性、故障性异常数据参与融合,有效提高了融合结果的可靠性,另一方面,通过节点数据与初次分批估计融合结果的相对方差对融合权值调整,并进行自适应加权数据融合,进一步降低了传感器测量误差对融合结果的影响,提高了融合精度和可靠性。
为了保证实验的准确性及可靠性,对仿真进行Monte Carlo实验,随机变量选择叠加的噪声进行三十次仿真实验,以模拟不同环境对传感器信号的不同程度的影响,三种算法融合结果的均方误差曲线如图6所示。由图6可知,CAEWF算法融合结果的误差较小,具有较高的可靠性。同时在实验过程中,网关可获得通过CAEWF筛选出的故障数据如图7所示,可查询出故障数据的节点号以及时间点,有助于后期对故障排除。
为了保证实验的准确性及可靠性,对仿真进行Monte Carlo实验,随机变量选择叠加的噪声进行三十次仿真实验,以模拟不同环境对传感器信号的不同程度的影响,三种算法融合结果的均方误差曲线如图6所示。由图6可知,CAEWF算法融合结果的误差较小,具有较高的可靠性。同时在实验过程中,网关可获得通过CAEWF筛选出的故障数据如图7所示,可查询出故障数据的节点号以及时间点,有助于后期对故障排除。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.基于分类自适应估计加权融合算法的WSN数据融合方法,其特征在于,首先对节点采集的数据进行检测及分类处理,利用数据之间的相互支持度矩阵筛选出有效性异常数据传送至簇头,然后利用分类自适应估计加权融合算法对数据进行估计加权融合,具体包以下步骤:
步骤1,选用基于距离的定义,即两数据之差的绝对值,对异常数据进行定义及分类;
步骤2,利用分类自适应估计加权融合算法对采样数据进行估计加权融合;
步骤3,对估计加权融合后的采用数据进行仿真。
2.如权利要求1所述的基于分类自适应估计加权融合算法的WSN数据融合方法,其特征在于,步骤1中,设x(t)为传感器节点采集到的当前数据,d为数据的真值,则异常数据定义为:
定义1:对于节点数据x(t),若|x(t)-d|≥ε,则称数据x(t)为异常数据,其中ε为异常数据判定阈值;
对于各簇中传感器节点采集到的数据信息,根据定义1在节点内部通过差值运算判断当前周期采样的数据是否为异常数据;
定义2:传感器节点对x(t)作二值化判断:若x(t)为异常数据,记x(t)转换结果为1,否则为0;如果转换结果为1,则进一步统计前W-1个数据的转换结果之和是否达到0.5W,达到0.5W则窗口内半数以上测量值为异常数据,取最终转换结果y(t)=1,否则y(t)=0,转换公式如式(1)所示:
其中,W为滑窗大小,t为当前时刻,j为代数;
若y(t)=0,窗口内异常数据不足半数,将x(t)视为突发的外部干扰引起的瞬时性异常数据,反之将x(t)视为持续性异常数据,将x(t)传送至簇首;
根据定义3,数据有效性判定阈值δ,若节点数据xi综合支持度Si≥δ,则xi为有效性异常数据,否则xi为故障性异常数据,i为对应节点;
对所有持续性异常数据进行判断,若为有效性异常数据则参与后续数据融合过程,若为故障性异常数据则将其记录并上传至网关。
3.如权利要求1所述的基于分类自适应估计加权融合算法的WSN数据融合方法,其特征在于,步骤2中具体包括以下步骤:
设传感器网络中有n个节点进行数据采集,根据相邻节点不同组的原则将节点分为k组,每组所含节点数可相同也可不同;则第p组的节点采集的数据分别记为xp1,…,xpm(p=1,…,k),m为该组节点数量,则该组节点数据平均值及标准差为式(5)和式(6)所示:
由分批估计理论可得融合结果及方差如式(7)、(8)所示:
H=[1 1…1]T (10)
引入融合权值与修正因子来克服由此造成的误差,即利用自适应理论计算节点数据与融合结果的相对方差,来调整节点数据的权值并进行加权融合,具体包括:
首先对节点分组,计算各组数据的均值标准差和融合权值wp,进一步求解分批估计融合结果x+,然后计算节点数据xpi与x+的相对方差根据和计算每组数据的修正因子ap;最后用修正后的权值apwp对数据进行二次加权融合,得到最终和结果x′+;
由多传感器加权数据融合算法可知,为消除测量误差,融合权值与估计方差应成反比,并且各权值相加和始终为1,因此ap与wp满足式(16)~(18)三个约束条件:
则修正因子ap如式(19)所示
利用修正后的权值apwp求出自适应加权融合结果如式(20)所示
4.如权利要求2所述的基于分类自适应估计加权融合算法的WSN数据融合方法,其特征在于,异常数据分为三类:
(1)因突发的外部干扰引起的瞬时性异常数据;
(2)因硬件故障或软件缺陷引起的故障性异常数据;
(3)监测事件发生变化而导致的有效性异常数据;
通过滑动窗口监测算法将传感器网络中出现的大部分瞬时性异常数据筛选出并排除。
5.如权利要求1所述的基于分类自适应估计加权融合算法的WSN数据融合方法,其特征在于,采用Matlab对估计加权融合后的采用数据进行仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323075.9A CN111542010A (zh) | 2020-04-22 | 2020-04-22 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010323075.9A CN111542010A (zh) | 2020-04-22 | 2020-04-22 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111542010A true CN111542010A (zh) | 2020-08-14 |
Family
ID=71977025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010323075.9A Pending CN111542010A (zh) | 2020-04-22 | 2020-04-22 | 基于分类自适应估计加权融合算法的wsn数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111542010A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229406A (zh) * | 2020-09-29 | 2021-01-15 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多余度引导全自动着陆信息融合方法及系统 |
CN112861947A (zh) * | 2021-01-29 | 2021-05-28 | 中铁第一勘察设计院集团有限公司 | 传感器数据处理方法、装置及计算设备 |
CN116204846A (zh) * | 2023-05-06 | 2023-06-02 | 云南星晟电力技术有限公司 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
-
2020
- 2020-04-22 CN CN202010323075.9A patent/CN111542010A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106714220A (zh) * | 2017-01-06 | 2017-05-24 | 江南大学 | 一种基于mea‑bp神经网络wsn异常检测方法 |
Non-Patent Citations (3)
Title |
---|
王华东等: "一种改进的多无线传感器数据分批估计自适应加权融合算法", 《传感技术学报》 * |
谭德坤等: "基于异常数据驱动的WSN簇内数据融合方法", 《传感技术学报》 * |
郑宝周等: "基于异常数据预处理和自适应估计的 WSN 数据融合算法", 《计算机应用研究》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112229406A (zh) * | 2020-09-29 | 2021-01-15 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种多余度引导全自动着陆信息融合方法及系统 |
CN112861947A (zh) * | 2021-01-29 | 2021-05-28 | 中铁第一勘察设计院集团有限公司 | 传感器数据处理方法、装置及计算设备 |
CN112861947B (zh) * | 2021-01-29 | 2024-04-19 | 中铁第一勘察设计院集团有限公司 | 传感器数据处理方法、装置及计算设备 |
CN116204846A (zh) * | 2023-05-06 | 2023-06-02 | 云南星晟电力技术有限公司 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
CN116204846B (zh) * | 2023-05-06 | 2023-08-01 | 云南星晟电力技术有限公司 | 一种基于可见图的配电网传感器数据异常快速定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
CN111542010A (zh) | 基于分类自适应估计加权融合算法的wsn数据融合方法 | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
Varela et al. | Wireless sensor network for forest fire detection | |
He et al. | A new belief-rule-based method for fault diagnosis of wireless sensor network | |
Tang et al. | A new evidential reasoning rule-based safety assessment method with sensor reliability for complex systems | |
CN107707431A (zh) | 一种面向云平台的数据安全监测方法及系统 | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN102013148B (zh) | 多信息融合火灾探测方法 | |
Kosek et al. | Ensemble regression model-based anomaly detection for cyber-physical intrusion detection in smart grids | |
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 | |
Losi et al. | Anomaly detection in gas turbine time series by means of bayesian hierarchical models | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN116684878A (zh) | 一种5g信息传输数据安全监测系统 | |
Gouda et al. | Distributed intermittent fault diagnosis in wireless sensor network using likelihood ratio test | |
CN112437440A (zh) | 无线传感器网络中基于相关性理论的恶意共谋攻击抵抗方法 | |
CN117763555A (zh) | 一种基于区块链的配电网数据安全防护和评估方法 | |
Al-Dahidi et al. | A novel fault detection system taking into account uncertainties in the reconstructed signals | |
CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
Li et al. | Information granularity with the self-emergence mechanism for event detection in WSN-based tunnel health monitoring | |
Sun et al. | A WSN node fault diagnosis model based on BRB with self-adaptive quality factor | |
CN113254485A (zh) | 实时数据流异常检测方法及系统 | |
Yang et al. | Root Cause Location Based on Prophet and Kernel Density Estimation | |
Ismael et al. | LFDDRA-IoT: Lightweight Faulty Data Detection and Recovery Approach for Internet of Things | |
Jesus et al. | Systematic failure detection and correction in environmental monitoring systems |
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 |
Application publication date: 20200814 |
|
RJ01 | Rejection of invention patent application after publication |