CN113657429B - 面向数字孪生城市物联网的数据融合方法及装置 - Google Patents
面向数字孪生城市物联网的数据融合方法及装置 Download PDFInfo
- Publication number
- CN113657429B CN113657429B CN202110736231.9A CN202110736231A CN113657429B CN 113657429 B CN113657429 B CN 113657429B CN 202110736231 A CN202110736231 A CN 202110736231A CN 113657429 B CN113657429 B CN 113657429B
- Authority
- CN
- China
- Prior art keywords
- proposition
- evidence
- things
- internet
- acquiring
- 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向数字孪生城市物联网的数据融合方法及装置,方法包括:获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;基于有序加权平均OWA算子融合证据。所述装置用于执行上述方法。本发明根据物联网应用终端构建完整命题识别框架及系统属性数据支持度,基于完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为证据后应用OWA算子完成数据的融合,有效解决证据之间存在较大冲突问题的同时,保证了冲突证据持有一定权重,能够显著提高对物联网终端异常预测的准确性和可靠性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种面向数字孪生城市物联网的数据融合方法及装置。
背景技术
智慧城市作为新一代信息技术支撑、知识社会下一代创新环境下的城市形态,能够为人们的城市生活带来更高效、便捷的体验。数字孪生技术是一种综合多物理、多尺度模拟的载体或系统,用于反映其对应实体的真实状态。数字孪生技术可以赋予城市新的基因,城市发展可以依靠信息技术的深度应用,实现对城市复杂适应系统特性的认识、提取和应用,发现和顺应城市自身具有的自适应、自组织智慧、使不可见的城市隐形秩序显性化,实现城市管理协同高效智能、城市发展动力持续强劲、城市安全韧性增强的效果。
物联网技术为数字孪生城市的打造提供了坚实的技术基础,主要表现在为数字孪生城市提供了城市的感知能力,并使得这种感知更加深入、智能。通过环境感知、水位感知、照明感知、移动支付感知、个人健康感知、智能交通的交互感知等,数字孪生城市才能实现市政、民生、产业等方面的智能化管理。
数据融合技术是指利用计算机对按时序获得的若干观测信息,在一定准则下加以自动分析、综合,以完成所需的决策和评估任务而进行的信息处理技术。
现有技术常常通过如下方案对数据进行融合:
方案一:基于D-S证据理论的多传感器信息融合方法,该方案采用传统DS(Dempster/Shafer)证据理论,将所有证据利用融合系数一次性进行融合。物联网中多个传感器所监测的数据往往存在很大差异,此融合规则无法适用于证据之间存在较大冲突的情况,从而降低了融合算法的准确性。
方案二:改进DS证据理论的多证据信息融合方法,该方案的传感器数据融合方式直接采用传统DS证据理论,将所有证据利用融合系数一次性进行融合同时为基本概率分配矩阵中值为0的项进行零因子修正。但对于冲突证据的处理采用直接去除冲突证据的方式而不是为其分配一定的权重,影响了融合算法的普适性及可靠性。
发明内容
本发明提供的面向数字孪生城市物联网的数据融合方法,用于克服现有技术中存在的上述问题,根据物联网应用终端构建完整命题识别框架及系统属性数据支持度,基于完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为证据后应用OWA算子完成数据的融合,有效解决证据之间存在较大冲突问题的同时,保证了冲突证据持有一定权重,能够显著提高对物联网终端异常预测的准确性和可靠性。
本发明提供一种面向数字孪生城市物联网的数据融合方法,包括:
获取物联网终端的异常类别的完整命题识别框架和所述物联网终端的系统属性数据支持度;
根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据;
基于有序加权平均OWA算子融合所述证据。
根据本发明提供的一种面向数字孪生城市物联网的数据融合方法,所述获取物联网终端的异常类别的完整命题识别框架和所述物联网终端的系统属性数据支持度,包括:
根据所述异常类别和Zadeh悖论,获取通常命题识别框架和不确定性命题识别框架;
根据所述通常命题识别框架和所述不确定性命题识别框架,获取所述完整命题识别框架;
根据所述物联网终端的系统属性数据,获取所述系统属性数据支持度。
根据本发明提供的一种面向数字孪生城市物联网的数据融合方法,所述根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据,包括:
根据所述支持区间,对所述系统属性数据支持度进行划分;
根据划分后的支持区间内包含的系统属性数据支持度的个数,获取所述完整命题识别框架中各个命题上证据的基本概率分配;
根据所述基本概率分配,获取所述证据。
根据本发明提供的一种面向数字孪生城市物联网的数据融合方法,所述根据所述基本概率分配,获取所述证据,包括:
根据所述基本概率分配,获取所述完整命题识别框架中各个命题的信任函数和似然函数;
根据所述信任函数和所述似然函数,获取各个命题上证据的基本概率分配的信任区间;
根据所述信任区间,确定信任区间矩阵,并根据所述信任区间矩阵,获取所述证据。
根据本发明提供的一种面向数字孪生城市物联网的数据融合方法,所述基于有序加权平均OWA算子融合所述证据,包括:
获取所述信任区间矩阵中所有元素与坐标原点之间的第一欧式距离,并对所述第一欧式距离进行降序排列,以获取降序排列后的信任区间;
根据所述降序排列后的信任区间,确定第一目标信任区间;
对所述第一目标信任区间进行聚合,以获取各个第一目标信任区间的乘积;
根据所述乘积和所述OWA算子融合所述证据。
根据本发明提供的一种面向数字孪生城市物联网的数据融合方法,所述根据所述乘积和所述OWA算子融合所述证据,包括:
根据所述OWA算子对所述乘积进行聚合,以确定聚合后的所述完整命题识别框架中各个命题的第二目标信任区间;
获取所述各个命题的第二目标信任区间与所述坐标原点之间的第二欧式距离;
将所述第二欧式距离降序排列,并对降序排列后的第二欧式距离进行归一化处理,以融合所述证据。
本发明还提供一种面向数字孪生城市物联网的数据融合装置,包括:数据获取模块、证据获取模块和证据融合模块;
所述数据获取模块,用于获取物联网终端的异常类别的完整命题识别框架和所述物联网终端的系统属性数据支持度;
所述证据获取模块,用于根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据;
所述证据融合模块,用于基于有序加权平均OWA算子融合所述证据。
根据本发明提供的一种面向数字孪生城市物联网的数据融合装置,所述数据获取模块,还用于:
根据所述异常类别和Zadeh悖论,获取通常命题识别框架和不确定性命题识别框架;
根据所述通常命题识别框架和所述不确定性命题识别框架,获取所述完整命题识别框架;
根据所述物联网终端的系统属性数据,获取所述系统属性数据支持度。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述面向数字孪生城市物联网的数据融合方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述面向数字孪生城市物联网的数据融合方法的步骤。
本发明提供的面向数字孪生城市物联网的数据融合方法及装置,根据物联网应用终端构建完整命题识别框架及系统属性数据支持度,基于完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为证据后应用OWA算子完成数据的融合,有效解决证据之间存在较大冲突问题的同时,保证了冲突证据持有一定权重,能够显著提高对物联网终端异常预测的准确性和可靠性。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的面向数字孪生城市物联网的数据融合方法的流程示意图;
图2是本发明提供的面向数字孪生城市物联网的数据融合装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,都属于本发明保护的范围。
对物联网终端例如物联网应用终端设备中的传感器采集到的数据执行数据融合可以显著提高物联网终端设备异常预测的准确性和可靠性。现有技术中数据融合的方式通常采用传统DS证据理论,将所有证据利用融合系数一次性进行融合,但此融合规则无法适用于证据之间存在较大冲突的情况,从而降低了融合算法的准确性。此外,由于证据量较小时,无法确定哪些证据是冲突证据,适当的权重可以减少否定冲突证据对融合结果的影响。并且由于数据中噪声的普遍性,融合规则需要能够适应存在冲突证据,因此冲突证据的处理方式应为分配较小的权重而不是直接去除。针对上述问题,本发明提供了一种面向数字孪生城市物联网的数据融合方法,首先,根据物联网应用终端设备异常类别构建完整命题识别框架,记录物联网应用终端设备所连传感器上的系统属性数据,构建系统属性数据支持度;其次,定义完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;最后,应用有序加权平均(Ordered Weighted Averaging,OWA)算子融合证据。具体实现如下:
图1是本发明提供的面向数字孪生城市物联网的数据融合方法的流程示意图,如图1所示,方法包括:
S1、获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;
S2、根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;
S3、基于有序加权平均OWA算子融合证据。
需要说明的是,上述方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本发明不作具体限定。
可选地,根据物联网终端例如物联网应用终端设备的常见的异常类别,构建物联网终端的异常类别的完整命题识别框架。
由于,数字孪生城市物联网的建设少不了物联网应用终端设备的部署与协调工作,为了有效保证物联网应用终端设备的可靠及有序运行,可以利用不同类型的传感器实时地监测系统属性数据,然后借助这些系统属性数据帮助完成应用终端设备的异常预测,与此同时,在物联网应用终端设备中使用多传感器技术执行多种特征量(如振动、温度、压力、流量等)的监测,并对这些传感器的数据进行融合,可以显著提高异常预测的准确性和可靠性。
基于上述考虑,构建物联网应用终端设备的系统属性数据支持度。
根据得到的物联网终端的异常类别的完整命题框架和物联网终端的系统属性数据支持度,可以得到完整命题识别框架中各命题的支持区间,并由此将系统属性数据支持度转化为DS证据理论中的证据,最后,应用OWA算子耦合证据。
其中,OWA算子的计算公式如下所示:
其中,x1,x2,…,xn代表DS证据理论中的证据。
本发明提供的面向数字孪生城市物联网的数据融合方法,根据物联网应用终端构建完整命题识别框架及系统属性数据支持度,基于完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为证据后应用OWA算子完成数据的融合,有效解决证据之间存在较大冲突问题的同时,保证了冲突证据持有一定权重,能够显著提高对物联网终端异常预测的准确性和可靠性。
进一步地,在一个实施例中,步骤S1可以具体包括
S11、根据异常类别和Zadeh悖论,获取通常命题识别框架和不确定性命题识别框架;
S12、根据通常命题识别框架和不确定性命题识别框架,获取完整命题识别框架;
S13、根据物联网终端的系统属性数据,获取系统属性数据支持度。
可选地,将物联网终端如物联网应用终端设备常见的异常类别以识别框架中的命题表示,其中,通常命题识别框架用P1={p1,p2,…,pm}表示,通常命题识别框架P1中包含m个元素;
考虑到Zadeh悖论中的证据冲突,将不确定性命题识别框架用P2={(p1,p2),(p2,p3),…,(pm,p1)}表示,不确定性命题识别框架P2中同样包含m个元素;
对通常命题识别框架P1与不确定性命题识别框架P2取并集后,得到最终的完整命题识别框架P=P1∪P2={q1,q2,…,q2m},其中,完整命题识别框架P包含2m个元素;
记录物联网终端传感器上采集到的物联网终端上的系统属性数据xk,根据如下公式计算系统属性数据xk的支持度supk:
本发明提供的面向数字孪生城市物联网的数据融合方法,通过构造不同种传感器采集的系统属性数据的支持度以及构造完整命题识别框架中每个命题的支持区间的方式,整合所有信息,将系统属性数据转化为DS证据理论中的证据,为后续基于OWA算子融合证据,提高物联网终端设备异常预测的准确性和可靠性奠定了基础。
进一步地,在一个实施例中,步骤S2可以具体包括:
S21、根据所述支持区间,对系统属性数据支持度进行划分;
S22、根据划分后的支持区间内包含的系统属性数据支持度的个数,获取完整命题识别框架中各个命题上证据的基本概率分配;
S23、根据基本概率分配,获取证据。
可选地,在完整命题识别框架P中,确定完整命题识别框架中命题例如命题qi的支持区间:
根据系统属性数据xk的支持度supk所属的命题的支持区间intervali,对系统属性数据支持度supk进行划分;
根据划分后的支持区间,将各物联网终端传感器采集的系统属性数据生成的证据表示为Ej,j=1,2,…,n,将证据Ej的基本概率分配(Basic Probability Assignment,BPA)表示为mj。计算命题qi的支持区间内所包含的系统属性数据支持度的个数,记作num(intervali),将完整识别框架P中命题qi上证据Ej的基本概率分配mj(qi)表示为:
根据得到的基本概率分配mj(qi),获得DS证据理论中的证据。
本发明提供的面向数字孪生城市物联网的数据融合方法,通过计算基本概率分配对证据来源进行评估,能够有效提高对物联网终端异常预测的可靠性。
进一步地,在一个实施例中,步骤S23可以具体包括:
S231、根据基本概率分配,获取完整命题识别框架中各个命题的信任函数和似然函数;
S232、根据信任函数和似然函数,获取各个命题上证据的基本概率分配的信任区间;
S233、根据信任区间,确定信任区间矩阵,并根据信任区间矩阵,获取证据。
根据基本概率分配的信任区间CIij构成信任区间矩阵,记为matCI:
将信任区间矩阵作为转化后的DS理论中的证据。
本发明提供的面向数字孪生城市物联网的数据融合方法,根据基本概率分配对证据来源进行评估,计算每个命题的信任函数和似然函数,通过信任函数和似然函数构造信任区间,得到命题的信任区间矩阵,并将信任区间矩阵作为证据对其进行证据融合,提高了对物联网终端设备异常检测的准确性和可靠性。
进一步地,在一个实施例中,步骤S3可以具体包括:
S31、获取信任区间矩阵中所有元素与坐标原点之间的第一欧式距离,并对第一欧式距离进行降序排列,以获取降序排列后的信任区间;
S32、根据降序排列后的信任区间,确定第一目标信任区间;
S33、对第一目标信任区间进行聚合,以获取各个第一目标信任区间的乘积;
S34、根据乘积和OWA算子融合证据。
可选地,利用有序加权平均OWA算子对获得的信任区间CIij按降序进行排列,具体地:
为简单起见,信任区间矩阵matCI的第i行表示为CIi:=(CIi1 CIi2 … CIin)。由于CIij是证据Ej的基本概率分配在命题qi上的信任区间,则CIi:包含了关于命题qi的所有证据的信任区间;
同理,可以得到信任区间矩阵matCI的第i行CIi:中所有元素与坐标原点之间的第一欧式距离distancei1~distancein,将distancei1~distancein以降序排列表示为需要说明的是,θi(j)表示distancei1~distancein的降序排列中的第j个距离,j=1,2,…,n。由于distanceij越大,则证据Ej的BPA的信任区间数越大,由此可以得到CIi:中所有元素的降序排列。将CIi:的排序结果表示为/>其中,/>代表降序排列后的信任区间,同时有/>
应用OWA算子融合证据。
本发明提供的面向数字孪生城市物联网的数据融合方法,通过信任函数和似然函数构造信任区间,并得到命题的信任区间矩阵,最后通过聚合得到信任区间矩阵的降序,进而得到数据融合的结果,克服了现有技术中采用传统DS证据理论,将所有证据利用融合系数一次性进行融合,导致的无法适用于证据之间存在较大冲突的情况,从而降低了融合算法的准确性的缺陷。
进一步地,在一个实施例中,步骤S34可以具体包括:
S341、根据OWA算子对乘积进行聚合,以确定聚合后的完整命题识别框架中各个命题的第二目标信任区间;
S342、获取各个命题的第二目标信任区间与坐标原点之间的第二欧式距离;
S343、将第二欧式距离降序排列,并对降序排列后的第二欧式距离进行归一化处理,以融合证据。
可选地,使用OWA算子对各个信任区间数乘积IPi(j)进行聚合,综合所有证据源对识别框架上的各个命题进行评估,以得到聚合后的完整命题识别框架P中各个命题的第二目标信任区间CIi,W:
计算各个命题的第二目标信任区间CIi,W(i=1,2,…,m)与坐标原点之间的第二欧式距离,并将得到的第二欧式距离按降序排列,则可以得到降序排列后的第二欧式距离,即可信度的降序排列。为简单起见,CIi,W的上限和下限分别表示为和/>将第二目标信任区间CIi,W与坐标轴原点之间的欧式距离表示为distancei,即:
同理,计算所有命题的第二目标信任区间与坐标原点之间的第二欧式距离distance1~distancem,将distance1~distancem按照降序排列为distanceθ(1)>distanceθ(2)>…>distanceθ(m),其中θ(i)表示distance1~distancem从大到小排列的第i个距离,i=1,2,…,m。由于distancei越大,该命题的第二目标信任区间CIi,W越大,由此得到CIi,W的降序排列:CIθ(1),W>CIθ(2),W>…>CIθ(m),W。最后对distanceθ(1)~distanceθ(m)进行归一化计算,得到融合证据之后的融合结果resultθ(i)。
在实际的应用场景中,对物联网应用传感器数据集k进行数据融合,假设,构建完整命题识别框架P={p1,p2,p3,(p1,p2),(p2,p3),(p3,p1)}和系统属性数据支持度为supk,其中,系统属性数据支持度supk如表1所示:
表1
k | supk |
1 | 0.3235 |
2 | 0.3345 |
3 | 0.3135 |
… | … |
100 | 0.3033 |
根据完整命题识别框架中各命题的支持区间,对系统属性数据支持度进行划分,将系统属性数据支持度转化为DS证据理论中的证据,得到基本概率分配如表2所示:
表2
由此可以得到证据的信任区间矩阵matCI:
distance12>distance11>distance14>distance15>distance13
distance23>distance21>distance25>distance22>distance24
distance34>distance35>distance33>distance32>distance31
根据公式(9)计算IPi(j):
IP1(1)=[0.82,0.82]
IP1(2)=[0.82*0.73,0.82*0.88]]=[0.5986,0.7216]]
…
IP3(5)=[0,0]]
根据公式(10)计算CIi,W,得到CI1,W=[0.46426542,0.61052493],CI2,W=[0227864,0.11695156],CI3,W=[0.0231,0.06896632];
根据公式(11)使用CIi,W计算distancei,得到distance1=0.75999154,distance2=0.09880966,distance3=0.06510072,则CIi,W的降序排列为:CI1,W>CI2,W>CI3,W;
根据公式(12),对distance1、distance2和distance3进行归一化计算,得到result1=0.8225889,result2=0.10694821,result3=0.0704628,即,最终的融合结果。
本发明提供的面向数字孪生城市物联网的数据融合方法,应用OWA算子对证据进行融合,能够解决由于证据量较小时,无法确定哪些证据是冲突证据,适当的权重可以减少否定冲突证据对融合结果的影响,通过为冲突证据分配较小的权重而不是直接去除能够适应由于数据中噪声的普遍性,使得融合规则不能适应存在冲突证据的缺陷,进而能够显著提高物联网应用终端设备异常预测的准确性和可靠性。
下面对本发明提供的面向数字孪生城市物联网的数据融合装置进行描述,下文描述的面向数字孪生城市物联网的数据融合装置与上文描述的面向数字孪生城市物联网的数据融合方法可相互对应参照。
图2是本发明提供的面向数字孪生城市物联网的数据融合装置的结构示意图,如图2所示,包括:数据获取模块210、证据获取模块211和证据融合模块212;
数据获取模块210,用于获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;
证据获取模块211,用于根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;
证据融合模块212,用于基于有序加权平均OWA算子融合证据。
本发明提供的面向数字孪生城市物联网的数据融合装置,根据物联网应用终端构建完整命题识别框架及系统属性数据支持度,基于完整命题识别框架中各命题的支持区间,将系统属性数据支持度转化为证据后应用OWA算子完成数据的融合,有效解决证据之间存在较大冲突问题的同时,保证了冲突证据持有一定权重,能够显著提高对物联网终端异常预测的准确性和可靠性。
进一步地,在一个实施例中,数据获取模块210,还可以用于:
根据异常类别和Zadeh悖论,获取通常命题识别框架和不确定性命题识别框架;
根据通常命题识别框架和不确定性命题识别框架,获取完整命题识别框架;
根据物联网终端的系统属性数据,获取系统属性数据支持度。
本发明提供的面向数字孪生城市物联网的数据融合装置,通过构造不同种传感器采集的系统属性数据的支持度以及构造完整命题识别框架中每个命题的支持区间的方式,整合所有信息,将系统属性数据转化为DS证据理论中的证据,为后续基于OWA算子融合证据,提高物联网终端设备异常预测的准确性和可靠性奠定了基础。
图3是本发明提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(communication interface)311、存储器(memory)312和总线(bus)313,其中,处理器310,通信接口311,存储器312通过总线313完成相互间的通信。处理器310可以调用存储器312中的逻辑指令,以执行如下方法:
获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;
根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;
基于有序加权平均OWA算子融合证据。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的面向数字孪生城市物联网的数据融合方法,例如包括:
获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;
根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;
基于有序加权平均OWA算子融合证据。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的面向数字孪生城市物联网的数据融合方法,例如包括:
获取物联网终端的异常类别的完整命题识别框架和物联网终端的系统属性数据支持度;
根据完整命题识别框架中各个命题的支持区间,将系统属性数据支持度转化为DS证据理论中的证据;
基于有序加权平均OWA算子融合证据。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种面向数字孪生城市物联网的数据融合方法,其特征在于,包括:
获取物联网终端的异常类别的完整命题识别框架和所述物联网终端的系统属性数据支持度,所述完整命题识别框架包括通常命题识别框架和不确定性命题识别框架;
根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据;
基于有序加权平均OWA算子融合所述证据;
其中,所述根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据,包括:
根据所述支持区间,对所述系统属性数据支持度进行划分;
根据划分后的支持区间内包含的系统属性数据支持度的个数,获取所述完整命题识别框架中各个命题上证据的基本概率分配;
根据所述基本概率分配,获取所述证据;
所述基于有序加权平均OWA算子融合所述证据,包括:
获取信任区间矩阵中所有元素与坐标原点之间的第一欧式距离,并对所述第一欧式距离进行降序排列,以获取降序排列后的信任区间;
根据所述降序排列后的信任区间,确定第一目标信任区间;
对所述第一目标信任区间进行聚合,以获取各个第一目标信任区间的乘积;
根据所述乘积和所述OWA算子融合所述证据;
所述根据所述乘积和所述OWA算子融合所述证据,包括:
根据所述OWA算子对所述乘积进行聚合,以确定聚合后的所述完整命题识别框架中各个命题的第二目标信任区间;
获取所述各个命题的第二目标信任区间与所述坐标原点之间的第二欧式距离;
将所述第二欧式距离降序排列,并对降序排列后的第二欧式距离进行归一化处理,以融合所述证据。
2.根据权利要求1所述的面向数字孪生城市物联网的数据融合方法,其特征在于,所述获取物联网终端的异常类别的完整命题识别框架和所述物联网终端的系统属性数据支持度,包括:
根据所述异常类别和Zadeh悖论,获取通常命题识别框架和不确定性命题识别框架;
根据所述通常命题识别框架和所述不确定性命题识别框架,获取所述完整命题识别框架;
根据所述物联网终端的系统属性数据,获取所述系统属性数据支持度。
3.根据权利要求1所述的面向数字孪生城市物联网的数据融合方法,其特征在于,所述根据所述基本概率分配,获取所述证据,包括:
根据所述基本概率分配,获取所述完整命题识别框架中各个命题的信任函数和似然函数;
根据所述信任函数和所述似然函数,获取各个命题上证据的基本概率分配的信任区间;
根据所述信任区间,确定信任区间矩阵,并根据所述信任区间矩阵,获取所述证据。
4.一种面向数字孪生城市物联网的数据融合装置,其特征在于,包括:数据获取模块、证据获取模块和证据融合模块;
所述数据获取模块,用于获取物联网终端的异常类别的完整命题识别框架和所述物联网终端的系统属性数据支持度,所述完整命题识别框架包括通常命题识别框架和不确定性命题识别框架;
所述证据获取模块,用于根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据;
所述证据融合模块,用于基于有序加权平均OWA算子融合所述证据;
其中,所述根据所述完整命题识别框架中各个命题的支持区间,将所述系统属性数据支持度转化为DS证据理论中的证据,包括:
根据所述支持区间,对所述系统属性数据支持度进行划分;
根据划分后的支持区间内包含的系统属性数据支持度的个数,获取所述完整命题识别框架中各个命题上证据的基本概率分配;
根据所述基本概率分配,获取所述证据;
所述基于有序加权平均OWA算子融合所述证据,包括:
获取信任区间矩阵中所有元素与坐标原点之间的第一欧式距离,并对所述第一欧式距离进行降序排列,以获取降序排列后的信任区间;
根据所述降序排列后的信任区间,确定第一目标信任区间;
对所述第一目标信任区间进行聚合,以获取各个第一目标信任区间的乘积;
根据所述乘积和所述OWA算子融合所述证据;
所述根据所述乘积和所述OWA算子融合所述证据,包括:
根据所述OWA算子对所述乘积进行聚合,以确定聚合后的所述完整命题识别框架中各个命题的第二目标信任区间;
获取所述各个命题的第二目标信任区间与所述坐标原点之间的第二欧式距离;
将所述第二欧式距离降序排列,并对降序排列后的第二欧式距离进行归一化处理,以融合所述证据。
5.根据权利要求4所述的面向数字孪生城市物联网的数据融合装置,其特征在于,所述数据获取模块,还用于:
根据所述异常类别和Zadeh悖论,获取通常命题识别框架和不确定性命题识别框架;
根据所述通常命题识别框架和所述不确定性命题识别框架,获取所述完整命题识别框架;
根据所述物联网终端的系统属性数据,获取所述系统属性数据支持度。
6.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述面向数字孪生城市物联网的数据融合方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述面向数字孪生城市物联网的数据融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736231.9A CN113657429B (zh) | 2021-06-30 | 2021-06-30 | 面向数字孪生城市物联网的数据融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110736231.9A CN113657429B (zh) | 2021-06-30 | 2021-06-30 | 面向数字孪生城市物联网的数据融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657429A CN113657429A (zh) | 2021-11-16 |
CN113657429B true CN113657429B (zh) | 2023-07-07 |
Family
ID=78477800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110736231.9A Active CN113657429B (zh) | 2021-06-30 | 2021-06-30 | 面向数字孪生城市物联网的数据融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657429B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556651A (zh) * | 2009-04-15 | 2009-10-14 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN108763793A (zh) * | 2018-06-01 | 2018-11-06 | 电子科技大学 | 一种加权模糊型d-s证据理论框架 |
CN108875823A (zh) * | 2018-06-12 | 2018-11-23 | 吉林大学 | 基于新的证据衡量标准下证据的组合方法 |
CN109540124A (zh) * | 2018-11-23 | 2019-03-29 | 东北大学 | 一种基于nb-iot的高精度定位方法 |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
CN110533091A (zh) * | 2019-08-22 | 2019-12-03 | 贵州大学 | 一种改进ds证据理论的多证据信息融合方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN111031042A (zh) * | 2019-12-13 | 2020-04-17 | 电子科技大学 | 一种基于改进d-s证据理论的网络异常检测方法 |
CN111047173A (zh) * | 2019-12-05 | 2020-04-21 | 国网河南省电力公司 | 基于改进d-s证据理论的社团可信度评估方法 |
CN111368315A (zh) * | 2020-03-02 | 2020-07-03 | 广东财经大学 | 基于分布式协同信任管理框架的大数据信任管理系统 |
CN111858953A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 用于智慧城市少样本数据建模的实体关系表示方法及系统 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
WO2021000061A1 (zh) * | 2019-07-02 | 2021-01-07 | 北京理工大学 | 一种基于改进证据融合算法的燃气管网泄露等级判断方法 |
CN113051249A (zh) * | 2021-03-22 | 2021-06-29 | 江苏杰瑞信息科技有限公司 | 一种基于多源异构大数据融合的云服务平台设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11526733B2 (en) * | 2019-05-22 | 2022-12-13 | Servicenow Canada Inc. | Neural network execution block and transfer learning |
-
2021
- 2021-06-30 CN CN202110736231.9A patent/CN113657429B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556651A (zh) * | 2009-04-15 | 2009-10-14 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN108763793A (zh) * | 2018-06-01 | 2018-11-06 | 电子科技大学 | 一种加权模糊型d-s证据理论框架 |
CN108875823A (zh) * | 2018-06-12 | 2018-11-23 | 吉林大学 | 基于新的证据衡量标准下证据的组合方法 |
CN109540124A (zh) * | 2018-11-23 | 2019-03-29 | 东北大学 | 一种基于nb-iot的高精度定位方法 |
CN110009251A (zh) * | 2019-04-15 | 2019-07-12 | 西安邮电大学 | 一种农田多源信息动态调节融合方法及系统 |
WO2021000061A1 (zh) * | 2019-07-02 | 2021-01-07 | 北京理工大学 | 一种基于改进证据融合算法的燃气管网泄露等级判断方法 |
CN110533091A (zh) * | 2019-08-22 | 2019-12-03 | 贵州大学 | 一种改进ds证据理论的多证据信息融合方法 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
CN111047173A (zh) * | 2019-12-05 | 2020-04-21 | 国网河南省电力公司 | 基于改进d-s证据理论的社团可信度评估方法 |
CN111031042A (zh) * | 2019-12-13 | 2020-04-17 | 电子科技大学 | 一种基于改进d-s证据理论的网络异常检测方法 |
CN111368315A (zh) * | 2020-03-02 | 2020-07-03 | 广东财经大学 | 基于分布式协同信任管理框架的大数据信任管理系统 |
CN111858953A (zh) * | 2020-06-08 | 2020-10-30 | 北京邮电大学 | 用于智慧城市少样本数据建模的实体关系表示方法及系统 |
CN112101161A (zh) * | 2020-09-04 | 2020-12-18 | 西安交通大学 | 基于相关系数距离与迭代改进的证据理论故障状态识别方法 |
CN113051249A (zh) * | 2021-03-22 | 2021-06-29 | 江苏杰瑞信息科技有限公司 | 一种基于多源异构大数据融合的云服务平台设计方法 |
Non-Patent Citations (5)
Title |
---|
a data fusion equipment monitoring method based on fuzzy set and improved D-S evidence theory;Han Ding et al.;FSKD;全文 * |
A resource consumption attack identification method based on data fusion;Libin Jiao et al.;ICST;全文 * |
基于区间数的DS证据合成方法研究;叶清;吴晓平;郭正东;;海军工程大学学报(02);全文 * |
基于相关性分析的多维数据融合方法;葛宁玲;全国优秀硕士论文 信息科技辑;全文 * |
基于诱导有序加权证据推理方法的不完全信息下继电保护系统健康状态评价;段嘉;应黎明;罗先成;徐云;;电力系统保护与控制(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657429A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837582B (zh) | 数据关联方法、装置、电子设备和计算机可读存储介质 | |
CN111931806A (zh) | 一种多传感器数据融合的设备故障诊断方法及装置 | |
CN110287316A (zh) | 一种告警分类方法、装置、电子设备及存储介质 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN114598539B (zh) | 根因定位方法、装置、存储介质及电子设备 | |
WO2020052168A1 (zh) | 反欺诈模型的生成及应用方法、装置、设备及存储介质 | |
CN113360580A (zh) | 基于知识图谱的异常事件检测方法、装置、设备及介质 | |
CN111415167B (zh) | 网络欺诈交易检测方法及装置、计算机存储介质和终端 | |
CN112597238A (zh) | 基于人员信息的知识图谱构建方法、系统、设备及介质 | |
CN111626311B (zh) | 一种异构图数据处理方法和装置 | |
CN113657429B (zh) | 面向数字孪生城市物联网的数据融合方法及装置 | |
CN113159408A (zh) | 轨道交通站点客流预测方法及装置 | |
CN113032440A (zh) | 训练风险模型的数据处理方法和装置 | |
CN115115369A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN117095541A (zh) | 时空特征融合交通流预测方法、装置、设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110781410A (zh) | 一种社群检测方法及装置 | |
CN110275880A (zh) | 数据分析方法、装置、服务器及可读存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN111652741B (zh) | 用户偏好分析方法、装置及可读存储介质 | |
CN110489568B (zh) | 生成事件图的方法、装置、存储介质和电子设备 | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113869904A (zh) | 可疑数据识别方法、装置、电子设备、介质和计算机程序 | |
CN113487087A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN113657428B (zh) | 网络流量数据的抽取方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |