CN113092681B - 用于网格化监控网络的传感器配对方法及系统 - Google Patents
用于网格化监控网络的传感器配对方法及系统 Download PDFInfo
- Publication number
- CN113092681B CN113092681B CN202110359196.3A CN202110359196A CN113092681B CN 113092681 B CN113092681 B CN 113092681B CN 202110359196 A CN202110359196 A CN 202110359196A CN 113092681 B CN113092681 B CN 113092681B
- Authority
- CN
- China
- Prior art keywords
- calibration
- equipment
- sensor
- taking
- standard
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0006—Calibrating gas analysers
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及环境监测技术领域,提出了用于网格化监控网络的传感器配对方法及系统,用于网格化监控网络的传感器配对方法包括:步骤S1:选择与标准设备距离最远的传感器设备作为校准发起设备;步骤S2:以校准发起设备为原点、从校准发起设备到标准设备的方向为X轴,建立直角坐标系,并以校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;步骤S3:选择位于半圆C1内、且监测数据与校准发起设备最接近的传感器设备,作为中间校准设备。通过上述技术方案,解决了现有技术中网格化传感器自适应校准效果差的问题。
Description
技术领域
本发明涉及环境监测技术领域,具体的,涉及用于网格化监控网络的传感器配对方法。
背景技术
空气质量网格化传感器监测系统是一种通过点,线,面的布局方式,将城市空气监测作为一个整体化实现空气质量数据在线监测,收集的系统。它主要是面向环境管理部门,旨在帮助并解决区域内环境空气质量监测的难题,准确实时的提供大气污染的监测,评价,分析帮助用户掌握区域内的环境空气质量,发现污染特征状况,为大气污染的防治提供技术上的支持。网格化传感器在使用过程中必须定时进行校准才能保证数据质量,也就是传感器设备要与标准设备进行驯化学习。结合实际情况,传感器设备的校准可以选择自适应校准或现场校准,其中,自适应校准通过结合现场安装情况,利用先进的云平台在数据发生漂移时对仪器进行自动校准;现场校准采用移动监测车或者便携式国标法校准设备,可对一定范围内的传感器数据进行实时在线比对、验证、校准,消除各地传感器设备因本底污染浓度值差异以及传感器漂移造成的监测数据漂移的问题。自适应校准简单快捷,但是由于各传感器设备与标准设备所处位置不同、大气环境不同,导致自适应校准出现偏差。
发明内容
本发明提出用于网格化监控网络的传感器配对方法及系统,解决了现有技术中网格化传感器自适应校准效果差的问题。
本发明的技术方案如下:
一方面,用于网格化监控网络的传感器配对方法,应用于一种网格化传感器监控网络,所述网格化传感器监控网络包括均与标准设备通信连接的多个传感器设备,所述标准设备和所述传感器设备均设置有GPS定位模块,包括:
步骤S1:选择与所述标准设备距离最远的传感器设备作为校准发起设备;
步骤S2:以所述校准发起设备为原点、从所述校准发起设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;
步骤S3:选择位于半圆C1内、且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备;
步骤S4:以所述中间校准设备为原点,从所述中间校准设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述中间校准设备为圆心、以R1为半径,在X轴正半平面做半圆C2;
步骤S5:选择位于半圆C2内、且监测数据与中间校准设备最接近的传感器设备,作为新的中间校准设备;
步骤S6:重复步骤S4~S5,直到所述标准设备位于半圆C2内;
步骤S7:根据GPS定位信息,按照从标准设备到校准发起设备的方向,将各中间校准设备进行排序,以标准设备的监测数据为基准,对第一个中间校准设备进行校准,以当前中间校准设备的监测数据为基准,对后一个中间校准设备进行校准,以最后一个中间校准设备的监测数据为基准,对校准发起设备进行校准。
另一方面,用于网格化监控网络的传感器配对系统,应用于一种网格化传感器监控网络,所述网格化传感器监控网络包括均与标准设备通信连接的多个传感器设备,所述标准设备和所述传感器设备均设置有GPS定位模块,包括:
第一计算单元,用于选择与所述标准设备距离最远的传感器设备作为校准发起设备;
第一处理单元,用于以所述校准发起设备为原点、从所述校准发起设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;
第二处理单元,用于选择位于半圆C1内、且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备;
第三处理单元,用于执行步骤S4:以所述中间校准设备为原点,从所述中间校准设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述中间校准设备为圆心、以R1为半径,在X轴正半平面做半圆C2;
及步骤S5:选择位于半圆C2内、且监测数据与中间校准设备最接近的传感器设备,作为新的中间校准设备;
及步骤S6:重复步骤S4~S5,直到所述标准设备位于半圆C2内;
第四处理单元,用于根据GPS定位信息,按照从标准设备到校准发起设备的方向,将各中间校准设备进行排序,以标准设备的监测数据为基准,对第一个中间校准设备进行校准,以当前中间校准设备的监测数据为基准,对后一个中间校准设备进行校准,以最后一个中间校准设备的监测数据为基准,对校准发起设备进行校准。
本发明的工作原理及有益效果为:
本发明在进行传感器设备校准时,首先进行各传感器设备的配对,由距离标准设备最远的传感器设备(以下简称校准发起设备)发起,校准发起设备在其附近的传感器设备中选择监测数据最接近的一个传感器设备作为中间校准设备,然后按照从校准发起设备到标准设备的方向,中间校准设备再从其前方的传感器设备中选择一个监测数据最接近的传感器设备,作为新的中间校准设备,如此循环,直到标准设备位于最后一个中间校准设备的半径C2范围内。其中,直角坐标系中,X轴坐标值为正的一侧为X轴正半平面。
确定好所有的中间校准设备之后,根据GPS定位信息,按照从标准设备到校准发起设备的方向,标准设备的监测数据作为标准数据传递给第一个中间校准设备,完成第一个中间校准设备的校准;然后第二个中间校准设备的监测数据作为标准数据传递给第二个中间设备,完成第二个中间校准设备的校准;依次类推,最后一个中间校准设备的监测数据作为标准数据传递给校准发起设备,完成校准发起设备的校准。由于相邻两个中间校准设备的监测数据最接近,在一段时间内污染状况最接近,有效保证了传感器设备自适应校准的准确性。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明配对方法流程图;
图2为本发明中中间校准设备确定方法示意图(实施例一);
图3为本发明中的一个校准链路示意图;
图4为本发明中四个校准链路示意图;
图5为本发明中中间校准设备确定方法示意图(实施例二);
图6为本发明配对系统结构示意图;
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都涉及本发明保护的范围。
如图1所示,为本实施例传感器配对方法的流程图,包括:
步骤S1:选择与所述标准设备距离最远的传感器设备作为校准发起设备;
步骤S2:以所述校准发起设备为原点、从所述校准发起设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;
步骤S3:选择位于半圆C1内、且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备;
步骤S4:以所述中间校准设备为原点,从所述中间校准设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述中间校准设备为圆心、以R1为半径,在X轴正半平面做半圆C2;
步骤S5:选择位于半圆C2内、且监测数据与中间校准设备最接近的传感器设备,作为新的中间校准设备;
步骤S6:重复步骤S4~S5,直到所述标准设备位于半圆C2内;
步骤S7:根据GPS定位信息,按照从标准设备到校准发起设备的方向,将各中间校准设备进行排序,以标准设备的监测数据为基准,对第一个中间校准设备进行校准,以当前中间校准设备的监测数据为基准,对后一个中间校准设备进行校准,以最后一个中间校准设备的监测数据为基准,对校准发起设备进行校准。
如图2-图3所示,本实施例在进行传感器校准时,由距离标准设备最远的传感器设备T1发起,校准发起设备在其附近的传感器设备中选择监测数据最接近的一个传感器设备作为中间校准设备M1,中间校准设备M1的确定过程为:以传感器设备T1为圆心,R1为半径做半圆C1,位于半圆C1范围内的传感器设备有两个,选择监测数据与T1最接近的一个传感器设备作为中间校准设备M1。其中半径R1的选择根据实际情况确定,保证有3~5个传感器设备落入半圆C1范围内。
确定好中间校准设备M1后,按照从校准发起设备到标准设备的方向,中间校准设备M1再用同样的方法,从其前方的传感器设备中选择一个监测数据最接近的传感器设备,作为新的中间校准设备M2,如此循环,直到标准设备T0位于最后一个中间校准设备M4的半径C2范围内。其中,直角坐标系中,X轴坐标值为正的一侧为X轴正半平面。
最后,按照从标准设备T0到校准发起设备T1的方向,标准设备T0的监测数据作为标准数据传递给第一个中间校准设备M1,完成第一个中间校准设备M1的校准;然后第一个中间校准设备M1的监测数据作为标准数据传递给第二个中间设备M2,完成第二个中间校准设备M2的校准;依次类推,最后一个中间校准设备M4的监测数据作为标准数据传递给校准发起设备T1,完成校准发起设备T1的校准。由于相邻两个中间校准设备的监测数据最接近,在一段时间内污染状况最接近,有效保证了传感器设备自适应校准的准确性。
进一步,步骤S3具体包括:
步骤S31:选择位于半圆C1内的一个传感器设备,保存该传感器设备七天内的监测数据到数组D中,同时保存校准发起设备七天内的监测数据至数组E中,计算数组D和数组E的相关系数r2;
步骤S32:重复执行步骤S31,直到遍历半圆C1内的所有传感器设备,选出最大的一个相关系数r2对应的传感器设备,作为中间校准设备。
相关系数r2最大的两个数组,其相关性最大,表明两个监测点的污染状况最接近,有利于保证传感器设备校准的准确性。同理,可以采用同样的方法确定步骤S5中新的中间校准设备。
进一步,所述校准发起设备为多个,将以标准设备为圆心的圆形分割为多个等弧度的扇形区域,每个扇形区域距离圆心最远的传感器设备确定为校准发起设备。
如图4所示,在呈45度的八个方向上选择个校准发起设备T1~T8,然后按照步骤S1~S7的方法,确定每个校准发起设备对应的中间校准设备,形成八个校准链路。在进行任一传感器设备Tn校准时,首先以传感器设备Tn为原点、从传感器设备Tn到标准设备T0的方向为X轴,建立直角坐标系,并以传感器设备Tn为圆心、以R2为半径,在X轴正半平面做半圆C3,半径R2的大小根据实际情况确定,保证八个校准链路上的3~5个中间校准设备位于半圆C3内;然后分别计算上述3~5个中间校准设备与传感器设备Tn的相关系数,选择相关系数最大的一个中间校准设备M1,将其监测数据作为传感器设备Tn的标准数据,传感器设备Tn就近选择中间校准设备,既保证了校准的准确性,又减小了计算量。
进一步,所述监测数据包括风向信息,步骤S2包括:
S21:以所述校准发起设备为原点、与风向信息一致的方向为长轴、与风向信息垂直的方向为短轴做椭圆Y1,短轴的正方向指向标准设备;
S22:选择位于椭圆Y1内、短轴坐标值为正且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备。
在实际测试中发现,风向对监测数据有一定的影响,因此在确定中间校准设备时,应考虑风向的影响。如图5所示,将风向定成椭圆Y1的长轴方向,可以将更多的来风方向上的中间校准设备划入椭圆Y1范围之内,有利于找到与当前传感器设备监测数据更接近的中间校准设备。
其中,短轴的正方向指向标准设备具体为:从校准发起设备到标准设备之间的连线与短轴正方向的夹角小于90度。
进一步,步骤S7中各传感器设备得到标准数据后,根据标准数据进行传感器校准的步骤包括
步骤S71:获得传感器设备十二小时的监测数据,并输入到当前校准模型中进行校准,得到第二监测数据;
步骤S72:获得十二小时的标准数据;
步骤S73:将第二监测数据与标准数据比较,得到输出误差,如果输出误差小于第一设定值,则返回校准完成标志,否则执行优化校准模型的步骤S74,包括
步骤S741:获得传感器设备十天内的监测数据,任意选择七天的监测数据作为训练样本;
步骤S742:选择一个备用校准算法,输入训练样本,训练得到备用校准模型;
步骤S743:将剩余三天的监测数据输入到备用校准模型,将备用校准模型的输出数据与标准数据比较,得到第二输出误差;
步骤S744:执行步骤S742~S743,直到遍历所有的备用校准算法;
步骤S745:将多个第二输出误差进行比较,将其中最小的一个第二输出误差对应的备用校准模型作为当前校准模型,对传感器设备进行校准。
本发明在传感器设备中存储有多个校准算法,每个校准算法适应不同的污染场景,在进行传感器设备校准时,首先使用当前校准模型对传感器设备进行校准,如果传感器设备的输出误差小于第一设定值,则表明当前校准模型能够满足要求,否则,切换为其他的校准算法,重新进行校准模型的训练,确保传感器设备输出监测数据的准确性。
切换校准算法的方法为:记录传感器设备最近十天的监测数据,任意选择七天的监测数据作为训练样本,依次选用不同的备用校准算法训练备用校准模型、计算第二输出误差,选择第二输出误差最小的一个备用校准模型作为当前校准模型,对传感器设备进行校准,以适应极端天气或者污染状况发生变化的时间段,得到准确的检测结果。
本发明使用多种校准模型相结合,根据不同的污染场景,调取最合适的校准模型来进行传感器设备的校准,保证传感器设备输出精确的监测数据。
进一步,多个校准模型包括多元线性回归MLR、多元自适应回归样条MARS、基于可伸缩决策树的集成算法XGBoost、梯度提升树GBDT、贝叶斯方法BLR和人工智能神经网络ANNs。
除了这三种常用校准算法以外,其他本领域技术人员能够想到的校准算法也可以作为校准的候选方法。
如图6所示,为本实施例传感器配对系统结构示意图,包括:
第一计算单元,用于选择与所述标准设备距离最远的传感器设备作为校准发起设备;
第一处理单元,用于以所述校准发起设备为原点、从所述校准发起设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;
第二处理单元,用于选择位于半圆C1内、且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备;
第三处理单元,用于执行步骤S4:以所述中间校准设备为原点,从所述中间校准设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述中间校准设备为圆心、以R1为半径,在X轴正半平面做半圆C2;
及步骤S5:选择位于半圆C2内、且监测数据与中间校准设备最接近的传感器设备,作为新的中间校准设备;
及步骤S6:重复步骤S4~S5,直到所述标准设备位于半圆C2内;
第四处理单元,用于根据GPS定位信息,按照从标准设备到校准发起设备的方向,将各中间校准设备进行排序,以标准设备的监测数据为基准,对第一个中间校准设备进行校准,以当前中间校准设备的监测数据为基准,对后一个中间校准设备进行校准,以最后一个中间校准设备的监测数据为基准,对校准发起设备进行校准。
进一步,还包括:
第二计算单元,用于执行步骤S31:选择位于半圆C1内的一个传感器设备,保存该传感器设备七天内的监测数据到数组D中,同时保存校准发起设备七天内的监测数据至数组E中,计算数组D和数组E的相关系数r2;
及步骤S32:重复执行步骤S31,直到遍历半圆C1内的所有传感器设备,选出最大的一个相关系数r2对应的传感器设备,作为中间校准设备。
进一步,所述监测数据包括风向信息,还包括:
第五处理单元,用于以所述校准发起设备为原点、与风向信息一致的方向为长轴、与风向信息垂直的方向为短轴做椭圆Y1,短轴的正方向指向标准设备;
第三计算单元,用于选择位于椭圆Y1内、短轴坐标值为正且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.用于网格化监控网络的传感器配对方法,应用于一种网格化传感器监控网络,所述网格化传感器监控网络包括均与标准设备通信连接的多个传感器设备,所述标准设备和所述传感器设备均设置有GPS定位模块,其特征在于,包括:
步骤S1:选择与所述标准设备距离最远的传感器设备作为校准发起设备;
步骤S2:以所述校准发起设备为原点、从所述校准发起设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;
步骤S3:选择位于半圆C1内、且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备;
步骤S4:以所述中间校准设备为原点,从所述中间校准设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述中间校准设备为圆心、以R1为半径,在X轴正半平面做半圆C2;
步骤S5:选择位于半圆C2内、且监测数据与中间校准设备最接近的传感器设备,作为新的中间校准设备;
步骤S6:重复步骤S4~S5,直到所述标准设备位于半圆C2内;
步骤S7:根据GPS定位信息,按照从标准设备到校准发起设备的方向,将各中间校准设备进行排序,以标准设备的监测数据为基准,对第一个中间校准设备进行校准,以当前中间校准设备的监测数据为基准,对后一个中间校准设备进行校准,以最后一个中间校准设备的监测数据为基准,对校准发起设备进行校准。
2.根据权利要求1所述的用于网格化监控网络的传感器配对方法,其特征在于,步骤S3具体包括:
步骤S31:选择位于半圆C1内的一个传感器设备,保存该传感器设备七天内的监测数据到数组D中,同时保存校准发起设备七天内的监测数据至数组E中,计算数组D和数组E的相关系数r2;
步骤S32:重复执行步骤S31,直到遍历半圆C1内的所有传感器设备,选出最大的一个相关系数r2对应的传感器设备,作为中间校准设备。
3.根据权利要求1所述的用于网格化监控网络的传感器配对方法,其特征在于,所述校准发起设备为多个,将以标准设备为圆心的圆形分割为多个等弧度的扇形区域,每个扇形区域距离圆心最远的传感器设备确定为校准发起设备。
4.根据权利要求1所述的用于网格化监控网络的传感器配对方法,其特征在于,所述监测数据包括风向信息,步骤S2包括:
S21:以所述校准发起设备为原点、与风向信息一致的方向为长轴、与风向信息垂直的方向为短轴做椭圆Y1,短轴的正方向指向标准设备;
S22:选择位于椭圆Y1内、短轴坐标值为正且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备。
5.用于网格化监控网络的传感器配对系统,应用于一种网格化传感器监控网络,所述网格化传感器监控网络包括均与标准设备通信连接的多个传感器设备,所述标准设备和所述传感器设备均设置有GPS定位模块,其特征在于,包括:
第一计算单元,用于选择与所述标准设备距离最远的传感器设备作为校准发起设备;
第一处理单元,用于以所述校准发起设备为原点、从所述校准发起设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述校准发起设备为圆心、以R1为半径,在X轴正半平面做半圆C1;
第二处理单元,用于选择位于半圆C1内、且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备;
第三处理单元,用于执行步骤S4:以所述中间校准设备为原点,从所述中间校准设备到所述标准设备的方向为X轴,建立直角坐标系,并以所述中间校准设备为圆心、以R1为半径,在X轴正半平面做半圆C2;
及步骤S5:选择位于半圆C2内、且监测数据与中间校准设备最接近的传感器设备,作为新的中间校准设备;
及步骤S6:重复步骤S4~S5,直到所述标准设备位于半圆C2内;
第四处理单元,用于根据GPS定位信息,按照从标准设备到校准发起设备的方向,将各中间校准设备进行排序,以标准设备的监测数据为基准,对第一个中间校准设备进行校准,以当前中间校准设备的监测数据为基准,对后一个中间校准设备进行校准,以最后一个中间校准设备的监测数据为基准,对校准发起设备进行校准。
6.根据权利要求5所述的用于网格化监控网络的传感器配对系统,其特征在于,还包括:
第二计算单元,用于执行步骤S31:选择位于半圆C1内的一个传感器设备,保存该传感器设备七天内的监测数据到数组D中,同时保存校准发起设备七天内的监测数据至数组E中,计算数组D和数组E的相关系数r2;
及步骤S32:重复执行步骤S31,直到遍历半圆C1内的所有传感器设备,选出最大的一个相关系数r2对应的传感器设备,作为中间校准设备。
7.根据权利要求5所述的用于网格化监控网络的传感器配对系统,其特征在于,所述监测数据包括风向信息,还包括:
第五处理单元,用于以所述校准发起设备为原点、与风向信息一致的方向为长轴、与风向信息垂直的方向为短轴做椭圆Y1,短轴的正方向指向标准设备;
第三计算单元,用于选择位于椭圆Y1内、短轴坐标值为正且监测数据与所述校准发起设备最接近的传感器设备,作为中间校准设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359196.3A CN113092681B (zh) | 2021-04-02 | 2021-04-02 | 用于网格化监控网络的传感器配对方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359196.3A CN113092681B (zh) | 2021-04-02 | 2021-04-02 | 用于网格化监控网络的传感器配对方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092681A CN113092681A (zh) | 2021-07-09 |
CN113092681B true CN113092681B (zh) | 2023-01-17 |
Family
ID=76673011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359196.3A Active CN113092681B (zh) | 2021-04-02 | 2021-04-02 | 用于网格化监控网络的传感器配对方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113960252A (zh) * | 2021-09-29 | 2022-01-21 | 河北先河环保科技股份有限公司 | 用于引航道船舶尾气监测的方法、系统及数据处理设备 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001095152A1 (en) * | 2000-06-08 | 2001-12-13 | Cellpoint Systems Ab | Method and system relating to positioning |
CN101121039A (zh) * | 2006-08-11 | 2008-02-13 | 李巩令 | 一种空气消毒器 |
WO2014100428A1 (en) * | 2012-12-20 | 2014-06-26 | Becton, Dickinson And Company | System and method for using multiple sensor calibration methods |
WO2015098971A1 (ja) * | 2013-12-27 | 2015-07-02 | 株式会社国際電気通信基礎技術研究所 | キャリブレーション装置、キャリブレーション方法およびキャリブレーションプログラム |
WO2016023224A1 (en) * | 2014-08-15 | 2016-02-18 | SZ DJI Technology Co., Ltd. | System and method for automatic sensor calibration |
WO2016041239A1 (zh) * | 2014-09-16 | 2016-03-24 | 北京市信息技术研究所 | 一种基于多功能复合式传感器的无线传感网架构 |
EP3001137A1 (de) * | 2014-09-25 | 2016-03-30 | Audi Ag | Verfahren zur überwachung einer kalibrierung mehrerer umgebungssensoren eines kraftfahrzeugs und kraftfahrzeug |
CN107505005A (zh) * | 2017-09-20 | 2017-12-22 | 广东先河科迪隆科技有限公司 | 工业园区环境空气质量监管系统 |
CN107612999A (zh) * | 2017-09-20 | 2018-01-19 | 广东先河科迪隆科技有限公司 | 大气网格化精准监控系统 |
CN107966534A (zh) * | 2017-12-25 | 2018-04-27 | 河北先河环保科技股份有限公司 | 具有传感器检测元件的有毒有害气体网络监测仪及监测数据处理方法 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
CN109061067A (zh) * | 2018-08-24 | 2018-12-21 | 北京环丁环保大数据研究院 | 一种共享单车采集的空气质量数据校正方法和装置 |
CN111257180A (zh) * | 2020-01-22 | 2020-06-09 | 同济大学 | 一种空间分布式空气质量走航监测传感器的动态校准方法 |
EP3731498A1 (en) * | 2019-04-24 | 2020-10-28 | HERE Global B.V. | Lane aware clusters for vehicle to vehicle communication |
CN112438704A (zh) * | 2019-08-31 | 2021-03-05 | 深圳硅基传感科技有限公司 | 生理参数监测仪的校准系统 |
-
2021
- 2021-04-02 CN CN202110359196.3A patent/CN113092681B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001095152A1 (en) * | 2000-06-08 | 2001-12-13 | Cellpoint Systems Ab | Method and system relating to positioning |
CN101121039A (zh) * | 2006-08-11 | 2008-02-13 | 李巩令 | 一种空气消毒器 |
WO2014100428A1 (en) * | 2012-12-20 | 2014-06-26 | Becton, Dickinson And Company | System and method for using multiple sensor calibration methods |
WO2015098971A1 (ja) * | 2013-12-27 | 2015-07-02 | 株式会社国際電気通信基礎技術研究所 | キャリブレーション装置、キャリブレーション方法およびキャリブレーションプログラム |
CN105874350A (zh) * | 2013-12-27 | 2016-08-17 | 株式会社国际电气通信基础技术研究所 | 校准装置、校准方法及校准程序 |
WO2016023224A1 (en) * | 2014-08-15 | 2016-02-18 | SZ DJI Technology Co., Ltd. | System and method for automatic sensor calibration |
WO2016041239A1 (zh) * | 2014-09-16 | 2016-03-24 | 北京市信息技术研究所 | 一种基于多功能复合式传感器的无线传感网架构 |
EP3001137A1 (de) * | 2014-09-25 | 2016-03-30 | Audi Ag | Verfahren zur überwachung einer kalibrierung mehrerer umgebungssensoren eines kraftfahrzeugs und kraftfahrzeug |
CN107505005A (zh) * | 2017-09-20 | 2017-12-22 | 广东先河科迪隆科技有限公司 | 工业园区环境空气质量监管系统 |
CN107612999A (zh) * | 2017-09-20 | 2018-01-19 | 广东先河科迪隆科技有限公司 | 大气网格化精准监控系统 |
CN107966534A (zh) * | 2017-12-25 | 2018-04-27 | 河北先河环保科技股份有限公司 | 具有传感器检测元件的有毒有害气体网络监测仪及监测数据处理方法 |
CN108469273A (zh) * | 2018-02-27 | 2018-08-31 | 济宁中科云天环保科技有限公司 | 基于机器学习算法的云端数据联调校准方法 |
CN109061067A (zh) * | 2018-08-24 | 2018-12-21 | 北京环丁环保大数据研究院 | 一种共享单车采集的空气质量数据校正方法和装置 |
EP3731498A1 (en) * | 2019-04-24 | 2020-10-28 | HERE Global B.V. | Lane aware clusters for vehicle to vehicle communication |
CN112438704A (zh) * | 2019-08-31 | 2021-03-05 | 深圳硅基传感科技有限公司 | 生理参数监测仪的校准系统 |
CN111257180A (zh) * | 2020-01-22 | 2020-06-09 | 同济大学 | 一种空间分布式空气质量走航监测传感器的动态校准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113092681A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095389B (zh) | 网格化传感器监控网络校准方法及系统 | |
CN111458471B (zh) | 一种基于图神经网络的水域检测预警方法 | |
CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN104034514A (zh) | 大视场相机非线性畸变校正装置与方法 | |
CN112257963B (zh) | 基于航天软件缺陷数据分布离群点的缺陷预测方法及装置 | |
CN112986492B (zh) | 一种建立气体浓度预测模型的方法及装置 | |
CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
CN113092681B (zh) | 用于网格化监控网络的传感器配对方法及系统 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN113189014A (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN105204002A (zh) | 一种声源定位方法及系统 | |
CN111738878B (zh) | 一种桥梁应力检测系统 | |
CN114492984A (zh) | 粉尘浓度的时空分布预测方法、装置、设备和存储介质 | |
CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN116319378B (zh) | 基于深度学习的网络流量矩阵估计、模型训练方法和系统 | |
CN113901927A (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN111859241B (zh) | 一种基于声传递函数学习的非监督声源定向方法 | |
CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
CN115236006B (zh) | 一种电子河长光谱检测数据的处理方法及系统 | |
CN106767773A (zh) | 一种室内地磁基准图构建方法及其装置 | |
CN113963757A (zh) | 基于气体关系和图神经网络的充油电气设备故障诊断方法 | |
CN113627074A (zh) | 一种基于迁移学习的地波传播时延预测方法 | |
CN111400851B (zh) | 节点布设方法及系统 |
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 |