CN113095389B - 网格化传感器监控网络校准方法及系统 - Google Patents
网格化传感器监控网络校准方法及系统 Download PDFInfo
- Publication number
- CN113095389B CN113095389B CN202110359259.5A CN202110359259A CN113095389B CN 113095389 B CN113095389 B CN 113095389B CN 202110359259 A CN202110359259 A CN 202110359259A CN 113095389 B CN113095389 B CN 113095389B
- Authority
- CN
- China
- Prior art keywords
- calibration
- equipment
- data
- sensor
- taking
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及环境监测技术领域,提出了网格化传感器监控网络校准方法及系统,网格化传感器监控网络校准方法应用于一种网格化传感器监控网络,包括步骤S1:获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集。步骤S2:数据输入当前校准模型中进行校准,获得十二小时的校准数据;步骤S3:获得十二个小时的质控点数据,将校准数据与质控点数据比较,得到输出误差,如果输出误差小于设定值,则返回校准完成标志,否则执行优化校准模型的步骤S4。通过上述技术方案,解决了现有技术中网格化传感器校准精度差的问题。
Description
技术领域
本发明涉及环境监测技术领域,具体的,涉及网格化传感器监控网络校准方法及系统。
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,为大气污染的防止提供技术上的支持。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。目前使用的校准方法,其校准精度有待提高。
发明内容
本发明提出网格化传感器监控网络校准方法及系统,解决了现有技术中网格化传感器校准精度差的问题。
本发明的技术方案如下:
一方面,网格化传感器监控网络校准方法,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与标准设备通信连接的传感器设备,所述传感器设备中存储有一个当前校准模型和多个校准算法,多个校准算法包括一个当前校准算法和多个备用校准算法,当前校准模型根据当前校准算法得到,包括
步骤S1:获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集;
步骤S2:可训练数据集的数据输入当前校准模型中进行校准,获得十二小时的校准数据;
步骤S3:获得十二小时的质控点数据,将校准数据与质控点数据比较,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S4,包括
步骤S41: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S42: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S43: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质控点数据比较,得到第二输出误差;
步骤S44:执行步骤S42~S43,直到遍历所有的备用校准算法;
步骤S45: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。
另一方面,网格化传感器监控网络校准系统,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与标准设备通信连接的传感器设备,所述传感器设备中存储有一个当前校准模型和多个校准算法,多个校准算法包括一个当前校准算法和多个备用校准算法,当前校准模型根据当前校准算法得到,包括
第一获得单元,用于获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集;
第二获得单元,用于可训练数据集的数据输入当前校准模型中进行校准,获得十二小时的校准数据;
第一处理单元,用于将校准数据与质控点数据比较,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S4,包括
步骤S41: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S42: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S43: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质控点数据比较,得到第二输出误差;
步骤S44:执行步骤S42~S43,直到遍历所有的备用校准算法;
步骤S45: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。
本发明的工作原理及有益效果为:
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。
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为本发明校准方法流程图;
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为本发明校准系统结构示意图;
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,为网格化传感器监控网络校准方法流程图,包括
步骤S1:获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集;
步骤S2:可训练数据集的数据输入当前校准模型中进行校准,获得十二小时的校准数据;
步骤S3:获得十二小时的质控点数据,将校准数据与质控点数据比较,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S4,包括
步骤S41: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S42: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S43: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质控点数据比较,得到第二输出误差;
步骤S44:执行步骤S42~S43,直到遍历所有的备用校准算法;
步骤S45: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模型以外,其他本领域技术人员能够想到的校准模型也可以作为校准的候选方法。
进一步,所述质控点数据从标准设备得到。
标准设备常位于监测区域的中心位置,多个传感器设备以标准设备为中心,分布在监测区域的各个位置,按照从中心到外围的方向,标准设备的监测数据作为质控点数据,逐级传递,进行各个传感器设备的校准。对于距离标准设备最远的一个传感器设备,其获取质控点数据的步骤包括:
步骤S11: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S12: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S13: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S14: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S15: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S16:重复步骤S14~S15,直到所述标准设备位于半圆C2内;
步骤S17: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,标准设备的监测数据作为质控点数据传递给第一个中间校准设备,第一个中间校准设备的监测数据作为质控点数据传递给第二个中间设备,依次类推,最后一个中间校准设备的监测数据作为质控点数据,传递给校准发起设备。
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的监测数据作为质控点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的监测数据作为质控点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的监测数据作为质控点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S13具体包括:
步骤S131: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S132:重复执行步骤S131,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的质控点数据,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S12包括:
S121: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;
S122: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。
如图6所示,为本实施例网格化传感器监控网络校准系统结构示意图,包括
第一获得单元,用于获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集;
第二获得单元,用于可训练数据集的数据输入当前校准模型中进行校准,获得十二小时的校准数据;
第一处理单元,用于将校准数据与质控点数据比较,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S4,包括
步骤S41: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S42: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S43: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质控点数据比较,得到第二输出误差;
步骤S44:执行步骤S42~S43,直到遍历所有的备用校准算法;
步骤S45: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。
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 (3)
1.网格化传感器监控网络校准方法,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与标准设备通信连接的传感器设备,其特征在于,所述传感器设备中存储有一个当前校准模型和多个校准算法,多个校准算法包括一个当前校准算法和多个备用校准算法,当前校准模型根据当前校准算法得到,包括
步骤S1:获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集;
步骤S2:可训练数据集的数据输入当前校准模型中进行校准,获得十二小时的校准数据;
步骤S3:获得十二小时的质控点数据,将校准数据与质控点数据比较,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S4,包括
步骤S41: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S42: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S43: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质控点数据比较,得到第二输出误差;
步骤S44:执行步骤S42~S43,直到遍历所有的备用校准算法;
步骤S45: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;
所述质控点数据从标准设备得到,多个传感器设备以标准设备为中心,分布在监测区域的各个位置,按照从中心到外围的方向,标准设备的监测数据作为质控点数据,逐级传递,进行各个传感器设备的校准,对于距离标准设备最远的一个传感器设备,其获取质控点数据的步骤包括:
步骤S11: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S12: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S13: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S14: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S15: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S16:重复步骤S14~S15,直到所述标准设备位于半圆C2内;
步骤S17: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,标准设备的监测数据作为质控点数据传递给第一个中间校准设备,第一个中间校准设备的监测数据作为质控点数据传递给第二个中间设备,依次类推,最后一个中间校准设备的监测数据作为质控点数据,传递给校准发起设备。
2.根据权利要求1所述的网格化传感器监控网络校准方法,其特征在于,多个校准算法包括多元线性回归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。
3.网格化传感器监控网络校准系统,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与标准设备通信连接的传感器设备,其特征在于,所述传感器设备中存储有一个当前校准模型和多个校准算法,多个校准算法包括一个当前校准算法和多个备用校准算法,当前校准模型根据当前校准算法得到,包括
第一获得单元,用于获得传感器设备十二小时的监测数据,进行数据分析,得到可训练数据集;
第二获得单元,用于可训练数据集的数据输入当前校准模型中进行校准,获得十二小时的校准数据;
第一处理单元,用于将校准数据与质控点数据比较,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S4,包括
步骤S41: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S42: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S43: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质控点数据比较,得到第二输出误差;
步骤S44:执行步骤S42~S43,直到遍历所有的备用校准算法;
步骤S45: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;
所述质控点数据从标准设备得到,多个传感器设备以标准设备为中心,分布在监测区域的各个位置,按照从中心到外围的方向,标准设备的监测数据作为质控点数据,逐级传递,进行各个传感器设备的校准,对于距离标准设备最远的一个传感器设备,其获取质控点数据的步骤包括:
步骤S11: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S12: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S13: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S14: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S15: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S16:重复步骤S14~S15,直到所述标准设备位于半圆C2内;
步骤S17: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,标准设备的监测数据作为质控点数据传递给第一个中间校准设备,第一个中间校准设备的监测数据作为质控点数据传递给第二个中间设备,依次类推,最后一个中间校准设备的监测数据作为质控点数据,传递给校准发起设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359259.5A CN113095389B (zh) | 2021-04-02 | 2021-04-02 | 网格化传感器监控网络校准方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110359259.5A CN113095389B (zh) | 2021-04-02 | 2021-04-02 | 网格化传感器监控网络校准方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113095389A CN113095389A (zh) | 2021-07-09 |
CN113095389B true CN113095389B (zh) | 2023-04-07 |
Family
ID=76672967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110359259.5A Active CN113095389B (zh) | 2021-04-02 | 2021-04-02 | 网格化传感器监控网络校准方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095389B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018022B (zh) * | 2022-08-10 | 2022-11-08 | 北京市生态环境监测中心 | 网格化环境监测数据的质量控制方法、装置、设备及介质 |
CN115508511B (zh) * | 2022-09-19 | 2023-05-26 | 中节能天融科技有限公司 | 基于网格化设备全参数特征分析的传感器自适应校准方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104482944A (zh) * | 2014-12-30 | 2015-04-01 | 大连楼兰科技股份有限公司 | 一种基于椭圆拟合的地磁传感器动态校准方法 |
JP2019051707A (ja) * | 2017-09-12 | 2019-04-04 | ハイデルベルガー ドルツクマシーネン アクチエンゲゼルシヤフトHeidelberger Druckmaschinen AG | 画像センサの自動的な較正 |
CN110321955A (zh) * | 2019-07-03 | 2019-10-11 | 北京市城市管理研究院(北京市环境卫生监测中心) | 一种恶臭气体监测方法 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241580A (zh) * | 2015-09-16 | 2016-01-13 | 深圳市金立通信设备有限公司 | 一种温度校准方法及终端 |
CN109060023B (zh) * | 2018-08-08 | 2021-02-05 | 广东盈峰科技有限公司 | 一种微型环境监测的数据质控方法及系统 |
CN109631973B (zh) * | 2018-11-30 | 2021-04-16 | 苏州数言信息技术有限公司 | 一种传感器的自动校准方法和系统 |
CN109507382A (zh) * | 2018-12-27 | 2019-03-22 | 浙江嘉科信息科技有限公司 | 生态环境监测预警系统及监测预警方法 |
AU2019100348A4 (en) * | 2019-04-04 | 2019-05-09 | Chang, Tong Mr | A specified gas sensor correction method based on locally weighted regression algorithm |
CN112438704B (zh) * | 2019-08-31 | 2024-02-23 | 深圳硅基传感科技有限公司 | 生理参数监测仪的校准系统 |
CN111157413B (zh) * | 2020-01-15 | 2021-09-17 | 北京师范大学 | 一种pm2.5网格化监控网络系统及其一致性校准方法 |
CN111812181A (zh) * | 2020-07-21 | 2020-10-23 | 艾感科技(广东)有限公司 | 一种气体传感器的远程校准方法及系统 |
-
2021
- 2021-04-02 CN CN202110359259.5A patent/CN113095389B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104482944A (zh) * | 2014-12-30 | 2015-04-01 | 大连楼兰科技股份有限公司 | 一种基于椭圆拟合的地磁传感器动态校准方法 |
JP2019051707A (ja) * | 2017-09-12 | 2019-04-04 | ハイデルベルガー ドルツクマシーネン アクチエンゲゼルシヤフトHeidelberger Druckmaschinen AG | 画像センサの自動的な較正 |
CN110321955A (zh) * | 2019-07-03 | 2019-10-11 | 北京市城市管理研究院(北京市环境卫生监测中心) | 一种恶臭气体监测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
"VGDRA:A virtual grid-based dynamic routes adjustment scheme for mobile sink-based wireless sensor networks";Abdul Waheed Khan.etal;《IEEE》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113095389A (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 | |
CN108053054B (zh) | 一种河流水质预测方法 | |
CN109933852B (zh) | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
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 | |
CN108960421B (zh) | 改进基于bp神经网络的水面无人艇航速在线预报方法 | |
CN110533239B (zh) | 一种智慧城市空气品质高精度测量方法 | |
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 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
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 | |
CN113092681B (zh) | 用于网格化监控网络的传感器配对方法及系统 | |
CN115906638A (zh) | 建立火控系统故障预测模型、故障预测方法及相关装置 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN115458071A (zh) | 土壤重金属含量预测方法、装置与设备 | |
CN111738878B (zh) | 一种桥梁应力检测系统 | |
CN112907971B (zh) | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 | |
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 | |
CN117745096A (zh) | 一种控制网布测方案评价方法及系统 | |
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 | |
CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
CN114705177B (zh) | 一种基于误差分析的光纤陀螺测姿数据处理方法 | |
CN114821322A (zh) | 基于注意力机制的小样本遥感影像分类方法及系统 | |
CN113988311A (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
CN113627074A (zh) | 一种基于迁移学习的地波传播时延预测方法 |
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 |