CN112348054A - 多类型传感器的数据处理方法、装置、介质和系统 - Google Patents
多类型传感器的数据处理方法、装置、介质和系统 Download PDFInfo
- Publication number
- CN112348054A CN112348054A CN202011086263.0A CN202011086263A CN112348054A CN 112348054 A CN112348054 A CN 112348054A CN 202011086263 A CN202011086263 A CN 202011086263A CN 112348054 A CN112348054 A CN 112348054A
- Authority
- CN
- China
- Prior art keywords
- target
- fusion
- data
- target data
- decision
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000004927 fusion Effects 0.000 claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 18
- 238000010276 construction Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明示例性实施例提供一种多类型传感器的数据处理方法,所述方法包括:对多传感器的目标数据进行采集,并基于时间配准和空间配准对各所述传感器的目标数据进行实时配准;对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。本发明的方法多对类型传感器实时配准,更准确的接收传感器监测数据,实现了融合实时、高效的要求,且收到的目标数据误差小,能够实时配准精确融合。
Description
技术领域
本发明示例性实施例涉及物联网技术领域,尤其涉及一种多类型传感器的数据处理方法、装置、介质和系统。
背景技术
智慧工地是基建部门重要项目之一,将传感器网络技术应用到智慧电网工程中,解决智慧工地作业面临的各项现实或潜在的安全问题,是传感器网络技术服务国家重大工程、服务国民经济的一大例证。对智慧工地而言,无论是工程本身安全问题、交叉建筑物安全问题,还是供电电量不足甚至中断、亦或沿线人民群众人身安全受到威胁、工程管控人员人身安全受到威胁,必然给沿线经济社会发展和沿线人民群众生命财产安全带来巨大损失,都将会引起社会广泛关注。
配准就是为了获得目标的一致性描述,而将各传感器测量数据转换到公共参考坐标系的过程,其转换过程也就是对各传感器各类系统差异抑制或消除的过程。多传感器配准是多传感器信息融合的先决条件。
目标检测中的多传感器配准误差可总结为如下几类:
(1)各传感器本身的量测参数偏差,即传感器出厂误差;
(2)各传感器在布设过程中引入的地理位置偏差,如参考坐标系中测量的方位角、高低角及等效距离偏差;
(3)各传感器的本地时钟偏差及采样异步,从而对同一目标观测值存在时间误差;
(4)各传感器在对目标时所处物理环境差异所直接导致的观测值的误差。
如何对传感器进行配准以及进一步对目标数据进行融合,是目前业内亟需解决的一个重要难题。
发明内容
有鉴于此,本发明示例性实施例的目的在于提出一种多类型传感器的数据处理方法、装置、介质和设备,以解决目前的多类型传感器在物联网应用中的配准误差大及无法实时融合的问题。
基于上述目的,本发明示例性实施例提供了一种多类型传感器的数据处理方法,所述方法包括:
对多传感器的目标数据进行采集,并基于时间配准和空间配准对各所述传感器的目标数据进行实时配准;
对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;
对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。
结合上述说明,在本发明实施例另一种可能的实施方式中,所述方法还包括:
获取各所述传感器的历史数据,根据所述历史数据确定所述目标数据的目标类别,以确定所述预定义的类别。
结合上述说明,在本发明实施例另一种可能的实施方式中,所述对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合,包括:
在每一所述传感器采集的单一数据至少经过预处理、特征提取以及初步决策后,得到单一数据的初步观测结果;
将所述多传感器的多个初步观测结果输入到融合算法进行联合决策,以得到联合决策结果,其中,所述融合算法包括贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法中的至少一种。
结合上述说明,在本发明实施例另一种可能的实施方式中,所述对配准后的所述目标数据进行特征提取,得到目标特征,包括;
所述特征提取的方式包括时域提取、频域提取和时频域提取中的至少一种,结合预设的判定准则,对所述目标数据进行表征。
结合上述说明,在本发明实施例另一种可能的实施方式中,所述对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合,包括:
建立以模糊逻辑为基础的决策融合模型,包括:以2个传感器的目标特征融合为基础,对所述多传感器进行多次2个传感器的目标特征融合。
第二方面,本发明还提供了一种多类型传感器的数据处理装置,所述装置包括:
配准模块,用于对多传感器的目标数据进行采集,并基于时间配准和空间配准对各所述传感器的目标数据进行实时配准;
分类模块,用于对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;
决策模块,用于对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。
上述的装置,所述装置还包括:
获取模块,用于获取各所述传感器的历史数据,根据所述历史数据确定所述目标数据的目标类别,以确定所述预定义的类别。
上述的装置,所述决策模块包括:
单一观测子模块,用于在每一所述传感器采集的单一数据至少经过预处理、特征提取以及初步决策后,得到单一数据的初步观测结果;
融合子模块,用于将所述多传感器的多个初步观测结果输入到融合算法进行联合决策,以得到联合决策结果,其中,所述融合算法包括贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法中的至少一种。
第三方面,本发明还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行上述的多类型传感器的数据处理方法。
第四方面,本发明还提供了一种信息处理系统,包括:
任一所述的多类型传感器的数据处理装置;
多个传感器;
所述多类型传感器的数据处理装置用于根据所述多个传感器的目标数据进行决策融合。
从上面所述可以看出,本发明示例性实施例提供的多类型传感器的数据处理方法、装置、介质和系统,按照预设的方式对多类型传感器的观测数据进行配准和分类,并根据联合决策结果对目标数据进行融合,使得利用目标跟踪过程中由自适应滤波器预测的目标数据,结合同一目标已有的估计值,采用插值法进行时间配准,以达到实时配准目的,更准确的接收传感器监测数据,实现了融合实时、高效的要求,且收到的目标数据误差小,能够实时配准精确融合。
附图说明
为了更清楚地说明本发明示例性实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明示例性实施例,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。
图1为本发明示例性实施例多类型传感器的数据处理方法流程示意图;
图2为本发明示例性实施例多类型传感器的数据处理装置的结构示意图;
图3为本发明示例性实施例的电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本发明示例性实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本发明示例性实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
相关术语解释:
(1)传感器:是一种检测装置,能感受到被测量的信息,并能将感受到的信息,按一定规律变换成为电信号或其他所需形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求。
(2)配准:是指同一区域内以不同成像手段所获得的不同图像图形的地理坐标的匹配。包括几何纠正、投影变换与统一比例尺三方面的处理。
(3)物联网:是指通过各种信息传感器、射频识别技术、全球定位系统、红外感应器、激光扫描器等各种装置与技术,实时采集任何需要监控、连接、互动的物体或过程,采集其声、光、热、电、力学、化学、生物、位置等各种需要的信息,通过各类可能的网络接入,实现物与物、物与人的泛在连接,实现对物品和过程的智能化感知、识别和管理。物联网是一个基于互联网、传统电信网等的信息承载体,它让所有能够被独立寻址的普通物理对象形成互联互通的网络。
图1为本发明实施例一提供的流程图,本实施例可适用于智慧工地中多类型传感器的信息处理情况,该方法可以由智慧工地的数据处理模块来执行,具体包括如下步骤:
在步骤110中,对多传感器的目标数据进行采集,并基于时间配准和空间配准对各所述传感器的目标数据进行实时配准;
智慧工地工程中利用的传感器的类型、数目等均不断增加,在一个工程的智慧工地中各类传感器采集到的传感探测数据亦非传统意义上的数据级别,而且,各传感器的各类系统偏差及其所导致测量误差的普遍存在,若将各传感器的数据直接进行融合运算,则会对异常事件的检测、入侵目标的有效检测、入侵目标的识别及分类、入侵目标跟踪系统中的跟踪门计算、轨迹状态和轨迹协方差矩阵的估计、以及测量和轨迹的关联准则等产生不利影响。
本发明示例性实施例的实施方式中,在对多传感器的目标数据进行采集时,首先对目标数据进行配准,这一过程包括:
采用时间和空间配准算法解决多传感器的不一致性问题。时间配准法是将关于同一目标的各传感器不同步的测量信息同步到相同基准的时间坐标下,通常是将各传感器数据统一到扫描周期较长的一个传感器数据上。
另外,由于空间配准问题总是与被观测目标的位置相伴而生,因此,可以采用以下几种空间配准算法完成数据校准:
(1)离线估计法。这类方法适用于目标位置已知,并且此类偏差时不变;
(2)在线估计法。这类方法适用于目标位置未知,但传感器的偏差相对于时空仍是恒定的情况;同时对传感器探测的目标状态和传感器的系统偏差进行估计。
在步骤120中,对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;
在智慧工地工程作业过程中,嵌入有感知器件如传感器的物体形成局部网络,同时位于不同时空位置的感知器件得到的观测信息具有互补性,为了能够更加准确及时地对目标进行识别和智能控制,需要协同感知周围环境或自身状态,对其进行多参数、多维度、多模态、多设备、多地域的智能获取,并对获取的感知信息进行初步处理和判决,并根据相应规则积极进行响应,这要求基于智慧工地传感器网络的情景感知技术来提供支撑。
本发明示例性实施例的实施方式中,针对智慧工地作业应用的多类型传感器开展压缩感知、数据预处理技术等研究以减少系统数据冗余,通过目标检测、协同融合等关键技术研究对异常情况进行识别与分类,并基于已有数据基础建立入侵异常模式数据库,将有效地指导后续平台与系统的研发,保障工程的有序实施。
在步骤130中,对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。
进行协同融合的过程包括:
提取特征的过程包括:提取是指将维数较高的测量空间(原始测量数据组成的空间)中表示的模式变换为在维数较低的特征空间中的模式的过程。特征的提取和选择是模式识别中的重要环节,特征量提取的好坏直接影响系统对入侵目标检测、识别、分区及定位的准确性。特征提取的基本方法包括时域提取频域提取和时频域提取三个方面。
在时域上,信号的特征信比较直观,比较容易获得。常见特征量有均值、极值、方差、斜度、峰度等统计量,以及自相关,过零点数等。但时域特征容易受到外界干扰,在干扰影响下,信号的时域特征的鲁棒性将明显下降。
在频域上,对信号特征的分析主要建立在傅里叶变换的基础上,主要采用经典谱估计方法,虽然频域分析方法能发现信号的频谱分布,但由于它是全局性变换,无法表述信号的局部特征。
在时频域上,主要的分析手段有短时傅里叶变换、Gabor变换和小波变换等方法。短时傅里叶变换和Gabor变换都属于/加窗傅里叶变换0,它们在一定程度上改善了经典傅里叶变换的性能,但存在时间分辨率固定的问题。小波分析是一种多分辨率分析方法,具有良好的时间尺度定位特性,能够克服加窗傅里叶变换的局限。
此外,衡量特征对分类的有效性需要一个定量的准则,该准则简称为类别可分性判据。类别可分性判据有很多种,比如基于距离的可分性判据、基于熵函数的可分性判据和基于模糊隶属度的可分性判据等。因此,针对特征提取的研究,将结合时域、频域和时频域三层提取模式,引入相应有效判定准则,确保全面清晰准确地表征监测目标特征。
目标数据的分类是目标识别的核心问题,节点在检测到目标出现后,将目标按照提取的特征模式分入事先定义的类别中。这部分研究主要是应用在防入侵监测系统中,一般地,目标的类别需要事先进行定义,通常需要通过对一个已知类别的目标信号特征集进行学习和训练得到,这一过程一般可以通过分类算法的过程实现。
决策级融合是在每个传感器已经初步确定了一个目标属性之后,再将这些信息进行融合。在决策级融合中,每个传感器在本地处理自己接收到的数据,其中包括预处理、特征提取、决策,实现对目标的检测与分类,以建立对所观测目标的初步结论,然后再把各自的结果输入给一个融合算法进行决策,最终获得联合决策结果决策级融合算法有贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法等。
决策级融合算法输出的是一个联合决策结果,所述联合决策应比任何单一传感器决策更精确或更明确。决策级融合在信息处理方面具有很高的灵活性,能够有效地融合反映环境或目标各个侧面的不同类型信息。常用的决策融合算法有两类,一类是基于效用的方法,这类方法比较简单,不需要任何先验知识,只需要利用效用函数对节点的分类结果做出效用评估,然后融合各节点的效用,这类决策融合方法有简单平均法、投票方法,以及它们的其他形式,如最大值、最小值方法,加权投票方法等。另一类是基于证据的方法,这类方法需要各节点分类性能的先验知识,然后利用这些先验知识对各节点的分类结果进行融合,这类决策融合方法主要有贝叶斯方法和证据理论方法。
本发明的方法,按照预设的方式对多类型传感器的观测数据进行配准和分类,并根据联合决策结果对目标数据进行融合,使得利用目标跟踪过程中由自适应滤波器预测的目标数据,结合同一目标已有的估计值,采用插值法进行时间配准,以达到实时配准目的,更准确的接收传感器监测数据,实现了融合实时、高效的要求,且收到的目标数据误差小,能够实时配准精确融合。
本发明示例性实施例的一种实施方式中,所述方法还包括:
获取各所述传感器的历史数据,根据所述历史数据确定所述目标数据的目标类别,以确定所述预定义的类别。
在确定单一传感器的目标数据所属的类别集合时,可通过获取所述单一传感器的历史数据,根据所述历史数据确定对应的目标类别。其中,所述历史数据为传感器在本次决策融合之前多次观测获得的观测数据,通过这些历史数据确定传感器的目标类别,从而使得出的目标类别更准确。
本发明示例性实施例的一种实施方式中,所述对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合,包括:
在每一所述传感器采集的单一数据至少经过预处理、特征提取以及初步决策后,得到单一数据的初步观测结果;
根据传感器的类型以及输出数据的形式不同,所述预处理的方式也有所不同,其一般包括脉冲转换、电流/电压转换、电容转换、数字编码式转换等多种形式,以及消除噪声等的预处理方式。
特征提取后初步决策包括对单一传感器的特征提取和初步决策,以得到初步观测结果,所述初步观测结果为传统方式的信息处理结果。
将所述多传感器的多个初步观测结果输入到融合算法进行联合决策,以得到联合决策结果,其中,所述融合算法包括贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法中的至少一种。
通过融合算法对得到的多个初步观测结果进行计算得到联合决策结果,所述联合决策应比任何单一传感器决策更精确或更明确。
本发明示例性实施例的一种实施方式中,所述对配准后的所述目标数据进行特征提取,得到目标特征,包括;
所述特征提取的方式包括时域提取、频域提取和时频域提取中的至少一种,结合预设的判定准则,对所述目标数据进行表征。
本发明示例性实施例的一种实施方式中,所述对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合,包括:
建立以模糊逻辑为基础的决策融合模型,包括:以2个传感器的目标特征融合为基础,对所述多传感器进行多次2个传感器的目标特征融合。
本步骤中,以投票方法的决策方法为例,以以2个传感器的目标特征融合为基础,当存在多个传感器时则采用多次2个传感器的目标特征融合;所述的2个传感器的目标特征融合过程如下:
确定A数据的可信度,以及A数据的投票可信度,确定B数据的可信度,以及B数据的投票可信度,其决策结果由领域专家根据该传感器类型对最终输出结果的相关性人为设定,以得到联合决策结果。
本发明示例性实施例的任一实施方式中,所述目标数据带有时间戳信息,对多个传感器的同一目标的每一点数据进行实时时间配准,为实现实时掌握空设备状态,需要简单高效的时间配准算法,以便在收到目标的更新数据时,实时配准融合出目标航迹。利用目标跟踪过程中由自适应滤波器预测的目标数据,再结合同一目标已有的估计值,采用插值法进行时间配准,以达到实时配准目的,更准确的接收传感器监测数据。
可以理解,上述方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
图2为本发明实施例提供的一种多类型传感器的数据处理装置的结构示意图,该装置可由软件和硬件实现,一般地集成于智能终端中,可通过多类型传感器的数据处理方法来实现。如图所示,本实施例可以以上述实施例为基础,提供了一种多类型传感器的数据处理装置,其主要包括了配准模块210、分类模块220及决策模块230。
其中的配准模块210,用于对多传感器的目标数据进行采集,并基于时间配准对各所述传感器的目标数据进行实时时间配准;
其中的分类模块220,用于对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;
其中的决策模块230,用于对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。
本发明示例性实施例的一种实施方式中,所述装置还包括:
获取模块,用于获取各所述传感器的历史数据,根据所述历史数据确定所述目标数据的目标类别,以确定所述预定义的类别。
本发明示例性实施例的一种实施方式中,所述决策模块包括:
单一观测子模块,用于在每一所述传感器采集的单一数据至少经过预处理、特征提取以及初步决策后,得到单一数据的初步观测结果;
融合子模块,用于将所述多传感器的多个初步观测结果输入到融合算法进行联合决策,以得到联合决策结果,其中,所述融合算法包括贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法中的至少一种。
上述实施例中提供的多类型传感器的数据处理装置可执行本发明中任意实施例中所提供的多类型传感器的数据处理方法,具备执行该方法相应的功能模块和有益效果,未在上述实施例中详细描述的技术细节,可参见本发明任意实施例中所提供的多类型传感器的数据处理方法。
需要说明的是,本发明示例性实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本发明示例性实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
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。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本发明示例性实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(ReadOnlyMemory,只读存储器)、RAM(RandomAccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行本发明实施例的方法。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序及程序本身的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息,以用于执行本发明实施例的上述技术方案。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明示例性实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本发明示例性实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本发明示例性实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明示例性实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明示例性实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本发明示例性实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明示例性实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种多类型传感器的数据处理方法,其特征在于,所述方法包括:
对多传感器的目标数据进行采集,并基于时间配准和空间配准对各所述传感器的目标数据进行实时配准;
对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;
对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取各所述传感器的历史数据,根据所述历史数据确定所述目标数据的目标类别,以确定所述预定义的类别。
3.根据权利要求1所述的方法,其特征在于,所述对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合,包括:
在每一所述传感器采集的单一数据至少经过预处理、特征提取以及初步决策后,得到单一数据的初步观测结果;
将所述多传感器的多个初步观测结果输入到融合算法进行联合决策,以得到联合决策结果,其中,所述融合算法包括贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法中的至少一种。
4.根据权利要求1所述的方法,其特征在于,所述对配准后的所述目标数据进行特征提取,得到目标特征,包括;
所述特征提取的方式包括时域提取、频域提取和时频域提取中的至少一种,结合预设的判定准则,对所述目标数据进行表征。
5.根据权利要求1所述的方法,其特征在于,所述对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合,包括:
建立以模糊逻辑为基础的决策融合模型,包括:以2个传感器的目标特征融合为基础,对所述多传感器进行多次2个传感器的目标特征融合。
6.一种多类型传感器的数据处理装置,其特征在于,所述装置包括:
配准模块,用于对多传感器的目标数据进行采集,并基于时间配准和空间配准对各所述传感器的目标数据进行实时配准;
分类模块,用于对配准后的所述目标数据进行特征提取,得到目标特征,将所述目标特征并入预定义的类别,以得到分类后的类别特征;
决策模块,用于对所述分类后的类别特征进行决策级融合,得到联合决策结果,根据所述联合决策结果对所述目标数据进行信息融合。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取各所述传感器的历史数据,根据所述历史数据确定所述目标数据的目标类别,以确定所述预定义的类别。
8.根据权利要求6所述的装置,其特征在于,所述决策模块包括:
单一观测子模块,用于在每一所述传感器采集的单一数据至少经过预处理、特征提取以及初步决策后,得到单一数据的初步观测结果;
融合子模块,用于将所述多传感器的多个初步观测结果输入到融合算法进行联合决策,以得到联合决策结果,其中,所述融合算法包括贝叶斯推理、D2S证据理论、神经网络法、模糊逻辑以及专家系统法中的至少一种。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至5任一所述的多类型传感器的数据处理方法。
10.一种信息处理系统,其特征在于,包括:
权利要求6至8中任一所述的多类型传感器的数据处理装置;
多个传感器;
所述多类型传感器的数据处理装置用于根据所述多个传感器的目标数据进行决策融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086263.0A CN112348054A (zh) | 2020-10-12 | 2020-10-12 | 多类型传感器的数据处理方法、装置、介质和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011086263.0A CN112348054A (zh) | 2020-10-12 | 2020-10-12 | 多类型传感器的数据处理方法、装置、介质和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348054A true CN112348054A (zh) | 2021-02-09 |
Family
ID=74361817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011086263.0A Pending CN112348054A (zh) | 2020-10-12 | 2020-10-12 | 多类型传感器的数据处理方法、装置、介质和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348054A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052437A (zh) * | 2021-03-05 | 2021-06-29 | 北京中医药大学 | 一种智能制造多源信息融合方法在中药大蜜丸质量评价中的应用 |
CN113065277A (zh) * | 2021-03-11 | 2021-07-02 | 自然资源部国土卫星遥感应用中心 | 协同多载荷数据的高分辨率遥感卫星颤振探测与建模的方法 |
CN113239979A (zh) * | 2021-04-23 | 2021-08-10 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN113297972A (zh) * | 2021-05-25 | 2021-08-24 | 国网湖北省电力有限公司检修公司 | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 |
CN113985854A (zh) * | 2021-11-02 | 2022-01-28 | 苏州挚途科技有限公司 | 数据处理方法、装置及电子设备 |
CN115862183A (zh) * | 2023-02-28 | 2023-03-28 | 禾多科技(北京)有限公司 | 传感器特征工程信息构建方法、装置、设备和计算机介质 |
CN117216722A (zh) * | 2023-11-09 | 2023-12-12 | 山东农业大学 | 基于传感器时序数据多源异构数据融合系统 |
CN117574314A (zh) * | 2023-11-28 | 2024-02-20 | 东风柳州汽车有限公司 | 传感器的信息融合方法、装置、设备及存储介质 |
CN117909507A (zh) * | 2024-03-19 | 2024-04-19 | 金盾检测技术股份有限公司 | 基于ai的数据分类系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963653A (en) * | 1997-06-19 | 1999-10-05 | Raytheon Company | Hierarchical information fusion object recognition system and method |
CN107578066A (zh) * | 2017-09-07 | 2018-01-12 | 南京莱斯信息技术股份有限公司 | 基于多源信息融合的民防综合态势展现系统及方法 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
CN110598722A (zh) * | 2018-06-12 | 2019-12-20 | 清华大学 | 多模态神经影像数据自动信息融合系统 |
-
2020
- 2020-10-12 CN CN202011086263.0A patent/CN112348054A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5963653A (en) * | 1997-06-19 | 1999-10-05 | Raytheon Company | Hierarchical information fusion object recognition system and method |
CN107578066A (zh) * | 2017-09-07 | 2018-01-12 | 南京莱斯信息技术股份有限公司 | 基于多源信息融合的民防综合态势展现系统及方法 |
CN110598722A (zh) * | 2018-06-12 | 2019-12-20 | 清华大学 | 多模态神经影像数据自动信息融合系统 |
CN110428008A (zh) * | 2019-08-02 | 2019-11-08 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的目标探测与识别装置和方法 |
Non-Patent Citations (3)
Title |
---|
任芳: "基于多传感器数据融合技术的煤岩界面识别的理论与方法研究", 中国优秀博硕士学位论文全文数据库(博士), 15 December 2004 (2004-12-15), pages 50 - 100 * |
任芳: "基于多传感器数据融合技术的煤岩界面识别的理论与方法研究", 中国优秀博硕士学位论文全文数据库(博士), pages 50 - 100 * |
李学永: "一种多传感器时间配准方法", 空军雷达学院学报, vol. 21, no. 4, 31 December 2007 (2007-12-31), pages 252 - 254 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052437A (zh) * | 2021-03-05 | 2021-06-29 | 北京中医药大学 | 一种智能制造多源信息融合方法在中药大蜜丸质量评价中的应用 |
CN113065277A (zh) * | 2021-03-11 | 2021-07-02 | 自然资源部国土卫星遥感应用中心 | 协同多载荷数据的高分辨率遥感卫星颤振探测与建模的方法 |
CN113239979B (zh) * | 2021-04-23 | 2024-01-09 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN113239979A (zh) * | 2021-04-23 | 2021-08-10 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN113297972A (zh) * | 2021-05-25 | 2021-08-24 | 国网湖北省电力有限公司检修公司 | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 |
CN113297972B (zh) * | 2021-05-25 | 2022-03-22 | 国网湖北省电力有限公司检修公司 | 一种基于数据融合深度学习的变电站设备缺陷智能分析方法 |
CN113985854A (zh) * | 2021-11-02 | 2022-01-28 | 苏州挚途科技有限公司 | 数据处理方法、装置及电子设备 |
CN115862183A (zh) * | 2023-02-28 | 2023-03-28 | 禾多科技(北京)有限公司 | 传感器特征工程信息构建方法、装置、设备和计算机介质 |
CN117216722A (zh) * | 2023-11-09 | 2023-12-12 | 山东农业大学 | 基于传感器时序数据多源异构数据融合系统 |
CN117216722B (zh) * | 2023-11-09 | 2024-02-27 | 山东农业大学 | 基于传感器时序数据多源异构数据融合系统 |
CN117574314A (zh) * | 2023-11-28 | 2024-02-20 | 东风柳州汽车有限公司 | 传感器的信息融合方法、装置、设备及存储介质 |
CN117909507A (zh) * | 2024-03-19 | 2024-04-19 | 金盾检测技术股份有限公司 | 基于ai的数据分类系统 |
CN117909507B (zh) * | 2024-03-19 | 2024-05-17 | 金盾检测技术股份有限公司 | 基于ai的数据分类系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348054A (zh) | 多类型传感器的数据处理方法、装置、介质和系统 | |
US10235231B2 (en) | Anomaly fusion on temporal casualty graphs | |
US9245235B2 (en) | Integrated approach to model time series dynamics in complex physical systems | |
KR20200137219A (ko) | 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치 | |
Wang et al. | Cross-source sensing data fusion for building occupancy prediction with adaptive lasso feature filtering | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN114463932B (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
WO2017154655A1 (ja) | 群衆種類識別システム、群衆種類識別方法および群衆種類識別プログラムを記憶する記憶媒体 | |
KR20220065672A (ko) | 실내 측위 및 추적을 위한 심층 스마트폰 센서 융합 | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN117828309B (zh) | 一种多源数据融合测距的变电站安全预警方法 | |
CN117235653B (zh) | 一种电源连接器故障实时监测方法及系统 | |
Hu et al. | Building occupancy detection and localization using CCTV camera and deep learning | |
Magrin et al. | Multi-sensor fusion method based on artificial neural network for mobile robot self-localization | |
Das et al. | Heterosense: An occupancy sensing framework for multi-class classification for activity recognition and trajectory detection | |
Lian et al. | Improved Indoor positioning algorithm using KPCA and ELM | |
CN116996665B (zh) | 基于物联网的智能监控方法、装置、设备及存储介质 | |
KR20200115716A (ko) | 빅데이터 기반의 재난 예측 방법 및 장치 | |
Zhu et al. | Hybrid clustering‐based bad data detection of PMU measurements | |
Berkvens et al. | Asynchronous, electromagnetic sensor fusion in RatSLAM | |
Das et al. | Cam-stitch: Trajectory cavity stitching method for stereo vision cameras in a public building | |
Oh et al. | Grid-Based Bayesian Bootstrap Approach for Real-Time Detection of Abnormal Vessel Behaviors From AIS Data in Maritime Logistics | |
Jeong et al. | A protocol for processing interfered data in facility sensor networks | |
CN113065219A (zh) | 一种列车牵引变压器冷却系统异常检测方法及装置 |
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 |