CN112702408A - 基于多感知功能的物联网系统及方法 - Google Patents

Abstract

本发明物联网技术领域，具体涉及基于多感知功能的物联网系统及方法。该系统包括：传感器组和控制中心；传感器组包括多个彼此互联的传感器，每个传感器将感应到的传感数据实时发送至控制中心；控制中心包括多个子控制器，控制中心配置用于将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律。其利用互联的传感器获取传感数据，再通过分析传感数据之间的变化规律，将传感器进行分组，得到传感器组，通过监控每个传感器组来判断物联网中的设备是否出现了异常，大大提升了监控效率；同时，在进行异常分析时，对数据进行了预处理，使用的算法充分考虑了数据类型，以及进行了异常值校正，提升了准确率。

Description

基于多感知功能的物联网系统及方法

技术领域

本发明属于物联网技术领域，具体涉及基于多感知功能的物联网系统及方法。

背景技术

物联网(PheInpernepofPhings，简称IOP)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。

物联网的应用领域涉及到方方面面，在工业、农业、环境、交通、物流、安保等基础设施领域的应用，有效的推动了这些方面的智能化发展，使得有限的资源更加合理的使用分配，从而提高了行业效率、效益。在家居、医疗健康、教育、金融与服务业、旅游业等与生活息息相关的领域的应用，从服务范围、服务方式到服务的质量等方面都有了极大的改进，大大的提高了人们的生活质量；在涉及国防军事领域方面，虽然还处在研究探索阶段，但物联网应用带来的影响也不可小觑，大到卫星、导弹、飞机、潜艇等装备系统，小到单兵作战装备，物联网技术的嵌入有效提升了军事智能化、信息化、精准化，极大提升了军事战斗力，是未来军事变革的关键。

专利号为PCP/CN2018/087233的专利提供了一种基于城域级物联网感知数据的场景智能分析系统与方法：包括城域级物联网感知层、城域级物联网网络层、城域级物联网数据层和城域级物联网应用层。本发明涉及的一种基于城域级物联网感知数据的场景智能分析系统与方法，在城域级空间范围内，利用多种类型的物联网采集数据，对数据进行多尺度的抽象，例如比较宏观的整个城区的尺度，比较微观的城区某个局部的尺度；利用各种因素执行场景的模式识别分析，可以综合空气颗粒物状况、污染源排放状况、风向和风速、城区交通状况等因素，进行多参量模型的分析，可以运用人工智能的手段进行决策。

其利用构建多层物联网来实现对城市的数据监控和分析，但其针对采集到的数据具体操作过程却没有相对应的处理技术方案，而现实中，由于物联网中的数据往往非常庞大，导致获取到的数据难以得到高效率的处理，以及根据采集到的数据，处理结果准确率较低，不能及时发现物联网中存在的问题。

发明内容

有鉴于此，本发明的主要目的在于提供基于多感知功能的物联网系统及方法，其利用互联的传感器获取传感数据，再通过分析传感数据之间的变化规律，将传感器进行分组，得到传感器组，通过监控每个传感器组来判断物联网中的设备是否出现了异常，大大提升了监控效率；同时，在进行异常分析时，对数据进行了预处理，使用的算法充分考虑了数据类型，以及进行了异常值校正，提升了准确率。

为达到上述目的，本发明的技术方案是这样实现的：

基于多感知功能的物联网系统，所述系统包括：传感器组和控制中心；所述传感器组包括多个彼此互联的传感器，每个传感器将感应到的传感数据实时发送至控制中心；所述控制中心包括多个子控制器，所述控制中心配置用于将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，同时将元组内的传感数据对应的传感器作为一个元组传感器组，为该元组传感器组分配一个子控制器；在分配子控制器后，该元组传感器内的传感器感应到的传感数据将直接发送给对应的子控制器；在控制器实时监控接收到的传感数据，进行异常分析。

进一步的，所述子控制器对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，包括：通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，将多个子单元异常检测器组成根单元异常检测器；所述异常检测器通过如下公式进行表示：

；其中，p为数据类型数量，c为分类数，N为样本总数，U^p表示第p个数据类型下的隶属度矩阵，V^p表示第p个数据类型下的分类中心，X^p表示第p个数据类型小的分类样本，

表示第p个数据类型下的第i类的中心点，C为样本的数据类型数，x_j，p表示第p个数据类型下的第j个样本点，μ_ij，p表示第p个数据类型下的第j个样本属于第i类的隶属度，m为调整系数，满足m<1：根据建立的分类中心，

为分类中心通过根单元异常检测器判断进入滑动窗口数据的异常情况；对进入滑动窗口的流数据进行抽样，判断其是否存入缓冲区；当滑动窗口中数据充满时，实时判断此时滑动窗口数据异常率；触发检测器更新的判断；基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，同时构建多个子单元异常检测器进行补充，以组成新的根单元异常检测器，实现更新。

进一步的，所述控制中心及子控制中心在接收到传感数据后，都将首先对传感数据进行数据预处理；所述数据预处理包括：数据清洗过程：识别传感数据中缺失值，根据缺失值的属性查找传感数据中对应属性相邻时间区段的数值，利用相邻数值的平均值来填充缺失值；数据转换过程：遍历传感数据的属性，找出所有的数值属性，然后将该数值属性的原始值用区间标签进行替换，实现定量数据向定性数据转化，从而将连续型数据离散化；数据集成过程：对传感数据的所有属性进行冗余检测，然后对数值重复进行检测，得到目标传感数据，进行存储。

进一步的，所述传感器组中的传感器至少包括：压力传感器、电压传感器、电流传感器、温度传感器和湿度传感器。

进一步的，所述传感器组中的传感器彼此互联，构成区块链网络结构。

基于多感知功能的物联网方法，所述方法执行以下步骤：

步骤1：多个彼此互联的传感器组成传感器组，每个传感器将感应到的传感数据实时发送至控制中心；

步骤2：控制中心将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，同时将元组内的传感数据对应的传感器作为一个元组传感器组，为该元组传感器组分配一个子控制器；在分配子控制器后，该元组传感器内的传感器感应到的传感数据将直接发送给对应的子控制器；在控制器实时监控接收到的传感数据，进行异常分析。

进一步的，所述子控制器对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，包括：通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，将多个子单元异常检测器组成根单元异常检测器；所述异常检测器通过如下公式进行表示：

；其中，p为数据类型数量，c为分类数，N为样本总数，U^p表示第p个数据类型下的隶属度矩阵，V^p表示第p个数据类型下的分类中心，X^p表示第p个数据类型小的分类样本，

表示第p个数据类型下的第i类的中心点，C为样本的数据类型数，x_j，p表示第p个数据类型下的第j个样本点，μ_ij，p表示第p个数据类型下的第j个样本属于第i类的隶属度，m为调整系数，满足m<1：根据建立的分类中心，

为分类中心通过根单元异常检测器判断进入滑动窗口数据的异常情况；对进入滑动窗口的流数据进行抽样，判断其是否存入缓冲区；当滑动窗口中数据充满时，实时判断此时滑动窗口数据异常率；触发检测器更新的判断；基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，同时构建多个子单元异常检测器进行补充，以组成新的根单元异常检测器，实现更新。

进一步的，所述控制中心及子控制中心在接收到传感数据后，都将首先对传感数据进行数据预处理；所述数据预处理包括：数据清洗过程：识别传感数据中缺失值，根据缺失值的属性查找传感数据中对应属性相邻时间区段的数值，利用相邻数值的平均值来填充缺失值；数据转换过程：遍历传感数据的属性，找出所有的数值属性，然后将该数值属性的原始值用区间标签进行替换，实现定量数据向定性数据转化，从而将连续型数据离散化；数据集成过程：对传感数据的所有属性进行冗余检测，然后对数值重复进行检测，得到目标传感数据，进行存储。

进一步的，所述数据预处理还包括数据规约的过程；所述数据规约的过程在数据清洗过程过后，但在数据转换过程之前；所述数据规约的过程包括：将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但能尽可能保持原有的信息。

进一步的，所述数据预处理过程还包括数据标准化的过程；所述数据标准化的过程在数据规约过程过后，但在数据转换过程之前；所述数据标准化的过程包括：将规约处理后的数据按比例增大，使之落入设定的区间。

本发明的基于多感知功能的物联网系统及方法，具有如下有益效果：其利用互联的传感器获取传感数据，再通过分析传感数据之间的变化规律，将传感器进行分组，得到传感器组，通过监控每个传感器组来判断物联网中的设备是否出现了异常，大大提升了监控效率；同时，在进行异常分析时，对数据进行了预处理，使用的算法充分考虑了数据类型，以及进行了异常值校正，提升了准确率。主要通过以下过程实现：

1.传感器组的确定：本发明通过周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，再将对应的传感器作为一个组，通过分配的子控制器来监控每个组，因为这些组的传感器获取的数据之间彼此存在联系，通过这种方式，可以避免针对所有的传感数据进行数据分析，而只需要将彼此互相关联的数据进行分析即可得出结果，大大提升了效率；

2.异常分析算法：本发明通过对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，该方法不同于现有技术的统计分析，本发明通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，这种方式，可以提升异常检测的效率，同时在构建异常检测器时，本发明基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，这样可以显著降低异常分析的误差，提升分析的准确率。

附图说明

图1为本发明实施例提供的基于多感知功能的物联网系统的系统结构示意图；

图2为本发明实施例提供的基于多感知功能的物联网方法的方法流程示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

实施例1

如图1所示，基于多感知功能的物联网系统，所述系统包括：传感器组和控制中心；所述传感器组包括多个彼此互联的传感器，每个传感器将感应到的传感数据实时发送至控制中心；所述控制中心包括多个子控制器，所述控制中心配置用于将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，同时将元组内的传感数据对应的传感器作为一个元组传感器组，为该元组传感器组分配一个子控制器；在分配子控制器后，该元组传感器内的传感器感应到的传感数据将直接发送给对应的子控制器；在控制器实时监控接收到的传感数据，进行异常分析。

采用上述技术方案，本发明利用互联的传感器获取传感数据，再通过分析传感数据之间的变化规律，将传感器进行分组，得到传感器组，通过监控每个传感器组来判断物联网中的设备是否出现了异常，大大提升了监控效率；同时，在进行异常分析时，对数据进行了预处理，使用的算法充分考虑了数据类型，以及进行了异常值校正，提升了准确率。主要通过以下过程实现：

1.传感器组的确定：本发明通过周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，再将对应的传感器作为一个组，通过分配的子控制器来监控每个组，因为这些组的传感器获取的数据之间彼此存在联系，通过这种方式，可以避免针对所有的传感数据进行数据分析，而只需要将彼此互相关联的数据进行分析即可得出结果，大大提升了效率；

2.异常分析算法：本发明通过对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，该方法不同于现有技术的统计分析，本发明通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，这种方式，可以提升异常检测的效率，同时在构建异常检测器时，本发明基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，这样可以显著降低异常分析的误差，提升分析的准确率。

实施例2

在上一实施例的基础上，所述子控制器对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，包括：通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，将多个子单元异常检测器组成根单元异常检测器；所述异常检测器通过如下公式进行表示：

；其中，p为数据类型数量，c为分类数，N为样本总数，U^p表示第p个数据类型下的隶属度矩阵，V^p表示第p个数据类型下的分类中心，X^p表示第p个数据类型小的分类样本，

表示第p个数据类型下的第i类的中心点，C为样本的数据类型数，x_j，p表示第p个数据类型下的第j个样本点，μ_ij，p表示第p个数据类型下的第j个样本属于第i类的隶属度，m为调整系数，满足m<1：根据建立的分类中心，

为分类中心通过根单元异常检测器判断进入滑动窗口数据的异常情况；对进入滑动窗口的流数据进行抽样，判断其是否存入缓冲区；当滑动窗口中数据充满时，实时判断此时滑动窗口数据异常率；触发检测器更新的判断；基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，同时构建多个子单元异常检测器进行补充，以组成新的根单元异常检测器，实现更新。

实施例3

在上一实施例的基础上，所述控制中心及子控制中心在接收到传感数据后，都将首先对传感数据进行数据预处理；所述数据预处理包括：数据清洗过程：识别传感数据中缺失值，根据缺失值的属性查找传感数据中对应属性相邻时间区段的数值，利用相邻数值的平均值来填充缺失值；数据转换过程：遍历传感数据的属性，找出所有的数值属性，然后将该数值属性的原始值用区间标签进行替换，实现定量数据向定性数据转化，从而将连续型数据离散化；数据集成过程：对传感数据的所有属性进行冗余检测，然后对数值重复进行检测，得到目标传感数据，进行存储。

实施例4

在上一实施例的基础上，所述传感器组中的传感器至少包括：压力传感器、电压传感器、电流传感器、温度传感器和湿度传感器。

具体的，本发明的传感器为智能传感器，智能传感器的功能是通过模拟人的感官和大脑的协调动作，结合长期以来测试技术的研究和实际经验而提出来的。是一个相对独立的智能单元，它的出现对原来硬件性能苛刻要求有所减轻，而靠软件帮助可以使传感器的性能大幅度提高。具有以下特性：

1、信息存储和传输——随着全智能集散控制系统(SmartDistributedSystem)的飞速发展，对智能单元要求具备通信功能，用通信网络以数字形式进行双向通信，这也是智能传感器关键标志之一。智能传感器通过测试数据传输或接收指令来实现各项功能。如增益的设置、补偿参数的设置、内检参数设置、测试数据输出等。

2、自补偿和计算功能——多年来从事传感器研制的工程技术人员一直为传感器的温度漂移和输出非线性作大量的补偿工作，但都没有从根本上解决问题。而智能传感器的自补偿和计算功能为传感器的温度漂移和非线性补偿开辟了新的道路。这样，放宽传感器加工精密度要求，只要能保证传感器的重复性好，利用微处理器对测试的信号通过软件计算，采用多次拟合和差值计算方法对漂移和非线性进行补偿，从而能获得较精确的测量结果压力传感器。

3、自检、自校、自诊断功能——普通传感器需要定期检验和标定，以保证它在正常使用时足够的准确度，这些工作一般要求将传感器从使用现场拆卸送到实验室或检验部门进行。对于在线测量传感器出现异常则不能及时诊断。采用智能传感器情况则大有改观，首先自诊断功能在电源接通时进行自检，诊断测试以确定组件有无故障。其次根据使用时间可以在线进行校正，微处理器利用存在EPROM内的计量特性数据进行对比校对。

4、复合敏感功能——观察周围的自然现象，常见的信号有声、光、电、热、力、化学等。敏感元件测量一般通过两种方式：直接和间接的测量。而智能传感器具有复合功能，能够同时测量多种物理量和化学量，给出能够较全面反映物质运动规律的信息。

实施例5

在上一实施例的基础上，所述传感器组中的传感器彼此互联，构成区块链网络结构。

实施例6

如图2所示，基于多感知功能的物联网方法，所述方法执行以下步骤：

步骤1：多个彼此互联的传感器组成传感器组，每个传感器将感应到的传感数据实时发送至控制中心；

步骤2：控制中心将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，同时将元组内的传感数据对应的传感器作为一个元组传感器组，为该元组传感器组分配一个子控制器；在分配子控制器后，该元组传感器内的传感器感应到的传感数据将直接发送给对应的子控制器；在控制器实时监控接收到的传感数据，进行异常分析。

具体的，本发明利用互联的传感器获取传感数据，再通过分析传感数据之间的变化规律，将传感器进行分组，得到传感器组，通过监控每个传感器组来判断物联网中的设备是否出现了异常，大大提升了监控效率；同时，在进行异常分析时，对数据进行了预处理，使用的算法充分考虑了数据类型，以及进行了异常值校正，提升了准确率。

实施例7

在上一实施例的基础上，所述子控制器对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，包括：通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，将多个子单元异常检测器组成根单元异常检测器；所述异常检测器通过如下公式进行表示：

；其中，p为数据类型数量，c为分类数，N为样本总数，U^p表示第p个数据类型下的隶属度矩阵，V^p表示第p个数据类型下的分类中心，X^p表示第p个数据类型小的分类样本，

表示第p个数据类型下的第i类的中心点，C为样本的数据类型数，x_j，p表示第p个数据类型下的第j个样本点，μ_ij，p表示第p个数据类型下的第j个样本属于第i类的隶属度，m为调整系数，满足m<1：根据建立的分类中心，

为分类中心通过根单元异常检测器判断进入滑动窗口数据的异常情况；对进入滑动窗口的流数据进行抽样，判断其是否存入缓冲区；当滑动窗口中数据充满时，实时判断此时滑动窗口数据异常率；触发检测器更新的判断；基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，同时构建多个子单元异常检测器进行补充，以组成新的根单元异常检测器，实现更新。

具体的，本发明通过周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，再将对应的传感器作为一个组，通过分配的子控制器来监控每个组，因为这些组的传感器获取的数据之间彼此存在联系，通过这种方式，可以避免针对所有的传感数据进行数据分析，而只需要将彼此互相关联的数据进行分析即可得出结果，大大提升了效率。

实施例8

在上一实施例的基础上，所述控制中心及子控制中心在接收到传感数据后，都将首先对传感数据进行数据预处理；所述数据预处理包括：数据清洗过程：识别传感数据中缺失值，根据缺失值的属性查找传感数据中对应属性相邻时间区段的数值，利用相邻数值的平均值来填充缺失值；数据转换过程：遍历传感数据的属性，找出所有的数值属性，然后将该数值属性的原始值用区间标签进行替换，实现定量数据向定性数据转化，从而将连续型数据离散化；数据集成过程：对传感数据的所有属性进行冗余检测，然后对数值重复进行检测，得到目标传感数据，进行存储。

实施例9

在上一实施例的基础上，所述数据预处理还包括数据规约的过程；所述数据规约的过程在数据清洗过程过后，但在数据转换过程之前；所述数据规约的过程包括：将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但能尽可能保持原有的信息。

具体的，本发明通过对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，该方法不同于现有技术的统计分析，本发明通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，这种方式，可以提升异常检测的效率，同时在构建异常检测器时，本发明基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，这样可以显著降低异常分析的误差，提升分析的准确率

实施例10

在上一实施例的基础上，所述数据预处理过程还包括数据标准化的过程；所述数据标准化的过程在数据规约过程过后，但在数据转换过程之前；所述数据标准化的过程包括：将规约处理后的数据按比例增大，使之落入设定的区间。

具体的，在数据分析之前，我们通常需要先将数据标准化(normalization)，利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (10)

1.基于多感知功能的物联网系统，所述系统包括：传感器组和控制中心其特征在于，所述传感器组包括多个彼此互联的传感器，每个传感器将感应到的传感数据实时发送至控制中心；所述控制中心包括多个子控制器，所述控制中心配置用于将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，同时将元组内的传感数据对应的传感器作为一个元组传感器组，为该元组传感器组分配一个子控制器；在分配子控制器后，该元组传感器内的传感器感应到的传感数据将直接发送给对应的子控制器；在控制器实时监控接收到的传感数据，进行异常分析。

2.如权利要求1所述的系统，其特征在于，所述子控制器对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，包括：通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，将多个子单元异常检测器组成根单元异常检测器；所述异常检测器通过如下公式进行表示：

其中，p为数据类型数量，c为分类数，N为样本总数，U^p表示第p个数据类型下的隶属度矩阵，V^p表示第p个数据类型下的分类中心，X^p表示第p个数据类型小的分类样本，

表示第p个数据类型下的第i类的中心点，C为样本的数据类型数，x_j，p表示第p个数据类型下的第j个样本点，μ_ij，p表示第p个数据类型下的第j个样本属于第i类的隶属度，m为调整系数，满足m<1：根据建立的分类中心，

为分类中心通过根单元异常检测器判断进入滑动窗口数据的异常情况；对进入滑动窗口的流数据进行抽样，判断其是否存入缓冲区；当滑动窗口中数据充满时，实时判断此时滑动窗口数据异常率；触发检测器更新的判断；基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，同时构建多个子单元异常检测器进行补充，以组成新的根单元异常检测器，实现更新。

3.如权利要求2所述的系统，其特征在于，所述控制中心及子控制中心在接收到传感数据后，都将首先对传感数据进行数据预处理；所述数据预处理包括：数据清洗过程：识别传感数据中缺失值，根据缺失值的属性查找传感数据中对应属性相邻时间区段的数值，利用相邻数值的平均值来填充缺失值；数据转换过程：遍历传感数据的属性，找出所有的数值属性，然后将该数值属性的原始值用区间标签进行替换，实现定量数据向定性数据转化，从而将连续型数据离散化；数据集成过程：对传感数据的所有属性进行冗余检测，然后对数值重复进行检测，得到目标传感数据，进行存储。

4.如权利要求3所述的系统，其特征在于，所述传感器组中的传感器至少包括：压力传感器、电压传感器、电流传感器、温度传感器和湿度传感器。

5.如权利要求4所述的系统，其特征在于，所述传感器组中的传感器彼此互联，构成区块链网络结构。

6.基于权利要求1至5之一所述系统的基于多感知功能的物联网方法，其特征在于，所述方法执行以下步骤：

步骤1：多个彼此互联的传感器组成传感器组，每个传感器将感应到的传感数据实时发送至控制中心；

步骤2：控制中心将接收到的传感数据进行存储后，周期性地分析同一时刻接收到的所有传感数据的变化规律，找到同时变化的传感数据，进行标记，在经过设定的数量的周期后，将彼此之间同时变化次数超过设定阈值的传感数据作为一个元组，同时将元组内的传感数据对应的传感器作为一个元组传感器组，为该元组传感器组分配一个子控制器；在分配子控制器后，该元组传感器内的传感器感应到的传感数据将直接发送给对应的子控制器；在控制器实时监控接收到的传感数据，进行异常分析。

7.如权利要求6所述的方法，所述子控制器对接收到的传感进行异常分析后，根据数据异常检测的结果判断物联网中是否有装置出现了异常，包括：通过系统抽样方法对传感数据进行训练，运用训练得到的分离器构建多个子单元异常检测器，将多个子单元异常检测器组成根单元异常检测器；所述异常检测器通过如下公式进行表示：

其中，p为数据类型数量，c为分类数，N为样本总数，U^p表示第p个数据类型下的隶属度矩阵，V^p表示第p个数据类型下的分类中心，X^p表示第p个数据类型小的分类样本，

表示第p个数据类型下的第i类的中心点，C为样本的数据类型数，x_j，p表示第p个数据类型下的第j个样本点，μ_ij，p表示第p个数据类型下的第j个样本属于第i类的隶属度，m为调整系数，满足m<1：根据建立的分类中心，

为分类中心通过根单元异常检测器判断进入滑动窗口数据的异常情况；对进入滑动窗口的流数据进行抽样，判断其是否存入缓冲区；当滑动窗口中数据充满时，实时判断此时滑动窗口数据异常率；触发检测器更新的判断；基于更新传感数据计算每个子单元异常检测器和根单元异常检测器异常率差值，去除差值较大的子单元异常检测器，同时构建多个子单元异常检测器进行补充，以组成新的根单元异常检测器，实现更新。

8.如权利要求7所述的方法，其特征在于，所述控制中心及子控制中心在接收到传感数据后，都将首先对传感数据进行数据预处理；所述数据预处理包括：数据清洗过程：识别传感数据中缺失值，根据缺失值的属性查找传感数据中对应属性相邻时间区段的数值，利用相邻数值的平均值来填充缺失值；数据转换过程：遍历传感数据的属性，找出所有的数值属性，然后将该数值属性的原始值用区间标签进行替换，实现定量数据向定性数据转化，从而将连续型数据离散化；数据集成过程：对传感数据的所有属性进行冗余检测，然后对数值重复进行检测，得到目标传感数据，进行存储。

9.如权利要求8所述的方法，其特征在于，所述数据预处理还包括数据规约的过程；所述数据规约的过程在数据清洗过程过后，但在数据转换过程之前；所述数据规约的过程包括：将数据预处理后的数据进行规约处理，使得规约处理后的数据两两不相干，但能尽可能保持原有的信息。

10.如权利要求9所述的方法，其特征在于，所述数据预处理过程还包括数据标准化的过程；所述数据标准化的过程在数据规约过程过后，但在数据转换过程之前；所述数据标准化的过程包括：将规约处理后的数据按比例增大，使之落入设定的区间。

Images