CN114386672B - 环境大数据物联网智能检测系统 - Google Patents

环境大数据物联网智能检测系统 Download PDF

Info

Publication number
CN114386672B
CN114386672B CN202111565977.4A CN202111565977A CN114386672B CN 114386672 B CN114386672 B CN 114386672B CN 202111565977 A CN202111565977 A CN 202111565977A CN 114386672 B CN114386672 B CN 114386672B
Authority
CN
China
Prior art keywords
model
value
neural network
binary
coefficient
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
Application number
CN202111565977.4A
Other languages
English (en)
Other versions
CN114386672A (zh
Inventor
寇霄
吴卿
高洁
吉泽炎
李吉祥
马从国
苏衍
茅家敏
周恒瑞
柏小颖
丁晓红
刘伟
金德飞
王建国
秦小芹
叶文芊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhao Tao
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111565977.4A priority Critical patent/CN114386672B/zh
Publication of CN114386672A publication Critical patent/CN114386672A/zh
Application granted granted Critical
Publication of CN114386672B publication Critical patent/CN114386672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Pathology (AREA)
  • Food Science & Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种环境大数据物联网智能检测系统，所述系统包括环境参数采集平台和甲醛大数据智能预测子系统两部分，实现对甲醛浓度的精确检测和等级分类，提高检测甲醛浓度的可靠性和精确性；发明有效解决了现有环境参数检测系统没有根据环境面积大、环境参数变化的非线性、大滞后等变化复杂等对被测量环境参数准确性和可靠性的影响，没有对环境参数进行精确检测与预测，从而极大的影响环境参数监测和管理问题。

Description

环境大数据物联网智能检测系统
技术领域
本发明涉及环境参数检测与处理的自动化控制装备的技术领域，具体涉及环境大数据物联网智能检测系统。
背景技术
社会主义现代化和城镇化过程中，随着城镇化规模不断扩大，房屋建筑越来越多，环境污染问题难以避免，环境污染尤为重要。据中国消费者协会统计，投诉重点已经从质量投诉逐步转向环境污染投诉。国家卫生、建设和环保部门对室内装饰材料进行抽查，发现其中具有毒气或者强烈污染物质的材料占比达到68％，这些材料会发出包含甲醛、苯、三氯乙烯、二甲苯在内的多种有机化合物，容易引发各种疾病。建筑物自身也可能成为室内空气的污染源，而且城镇居民每天在室内活动的时间大约占全天的90％，老人和儿童在室内的时间更长，因此，开发一套功能完善的、智能化的物联网环境监测系统，不但能满足人们对工作和生活环境的更健康、更舒适的需求，还能带来可观的经济效益，促进人居环境的提升。本发明实现对被监测环境参数进行精确监测和分类。
发明内容
本发明提供了环境大数据物联网智能检测系统，有效解决了现有环境参数检测系统没有根据环境面积大、环境参数变化的非线性、大滞后等变化复杂等对被测量环境参数准确性和可靠性的影响，没有对环境参数进行精确检测与预测，从而极大的影响环境参数监测和管理问题。
本发明通过以下技术方案实现：
环境大数据物联网智能检测系统包括环境参数采集平台和甲醛大数据智能预测子系统两部分，实现对被测量环境甲醛浓度的精确检测和分类，提高被测量环境甲醛的可靠性和精确性。
本发明进一步技术改进方案是：
环境参数采集平台由检测节点、网关节点、现场监控端、云平台和手机APP组成，检测节点采集环境甲醛浓度经网关节点上传到云平台，在云平台端存储数据和发布信息，手机APP通过云平台提供的被检测环境甲醛浓度信息可实时监测被检测环境甲醛浓度值，通过自组织网络实现检测节点与网关节点的通信，通过网关节点实现检测节点、现场监控端、云平台和手机APP的双向通信，实现被检测环境甲醛浓度等级分类与监测；环境参数采集平台结构和功能见图1所示。
本发明进一步技术改进方案是：
甲醛大数据智能预测子系统由甲醛检测模型、检测参数融合模型、二元联系数的LSTM神经网络分类器组成；多个甲醛传感器感知被检测环境的甲醛值作为对应的甲醛检测模型的输入，多个甲醛检测模型输出作为检测参数融合模型的输入，检测参数融合模型输出为二元联系数的LSTM神经网络分类器模型输入，二元联系数的LSTM神经网络分类器输出甲醛浓度等级的的确定值c和波动值d构成甲醛浓度等级的二元联系数为c+di，甲醛浓度等级的确定值c和波动值d分别作为二元联系数的LSTM神经网络分类器的对应输入，二元联系数的LSTM神经网络分类器输出的二元联系数分别对应被检测环境甲醛浓度等级为很高、比较高、一般、较低和很低共5种类型；甲醛大数据智能预测子系统结构和功能见图2所示。
本发明进一步技术改进方案是：
甲醛检测模型由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的BAM神经网络模型组成；甲醛传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的甲醛浓度低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个甲醛浓度高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为对应的二元联系数的BAM神经网络模型的输入，二元联系数的BAM神经网络模型输出甲醛浓度的确定值a和波动值b构成甲醛浓度的二元联系数为a+bi，甲醛浓度的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出作为甲醛浓度的二元联系数值；甲醛检测模型结构和功能见图3所示。
本发明进一步技术改进方案是：
检测参数融合模型：
(1)、一段时间多个参数检测模型输出的参数测量传感器的二元联系数构成时间序列二元联系数值阵列，每个参数测量传感器的时间序列二元联系数值的正理想值贴近度除以该参数测量传感器的时间序列二元联系数值的负理想值贴近度与该参数测量传感器的时间序列二元联系数值的正理想值贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离相对贴近度；每个参数测量传感器的时间序列二元联系数值的距离相对贴近度除以所有参数测量传感器的时间序列二元联系数值的距离相对贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离贴近度融合权重；
(2)、每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度除以该参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度相加该参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值之间的灰色关联度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度；每个参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度除以所有参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联度融合权重；
(3)、每个参数测量传感器的时间序列二元联系数值的均方根组合权重和线性组合权重按照从小到大排序构成该参数测量传感器的时间序列二元联系数值的二元联系数融合权重，同一时刻每个参数测量传感器的时间序列二元联系数值与该参数测量传感器的时间序列二元联系数值的二元联系数融合权重的积相加得到的和为所有参数测量传感器的时间序列二元联系数融合值；检测参数融合模型结构和功能见图2所示。
本发明与现有技术相比，具有以下明显优点：
一、本发明通过EMD经验模态分解模型将原始带时滞单元的Adaline神经网络模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。甲醛测量过程的高频波动部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与甲醛测量过程的周期性变化相符合；低频成分代表甲醛测量过程原序列的变化趋势。可见EMD能够逐级分解出甲醛测量过程的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始参数测量变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的参数测量过程变形数据，分解得到的各分量有GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型的建立和更好地预测。最后将各分量预测结果叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。
二、本发明采用GM(1,1)灰色预测模型预测参数测量过程中甲醛低频趋势的时间跨度长。用GM(1,1)灰色预测模型模型可以根据甲醛低频趋势值预测未来时刻甲醛低频趋势值，用上述方法预测出的甲醛低频趋势后，把测量甲醛低频趋势值再加分别加入甲醛低频趋势的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测测量甲醛低频趋势的预测。依此类推，预测出甲醛低频趋势值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。可以更加准确地掌握测量甲醛低频趋势的变化趋势，为有效避免甲醛低频趋势波动做好准备。
三、本发明采用ARIMA预测模型基于甲醛浓度的确定值和波动值的原始数据服从时间序列分布，利用甲醛浓度的确定值和波动值变化均具有一定惯性趋势的原理，整合了趋势因素、周期因素和随机误差等因素的甲醛浓度的确定值和波动值的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行甲醛浓度的确定值和波动值数值拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种短期预测甲醛浓度的确定值和波动值的模型。
四、本发明二元联系数的LSTM神经网络分类器是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从甲醛浓度二元联系数输入量的序列数据中提取信息，还能够保留来自于先前较远步骤的甲醛浓度的二元联系数输入量长期相关性的信息。此外，由于甲醛浓度输入量的采样间隔相对较小，甲醛浓度输入量存在长期空间相关性，而二元联系数的LSTM神经网络分类器有足够的长期记忆来处理这种问题，提高二元联系数的LSTM神经网络分类器输入量的准确性，提高二元联系数的LSTM神经网络分类器输入量装置的精确性和鲁棒性以及分类的准确性。
五、本发明二元联系数的BAM神经网络是一种双层反馈神经网络，用它可实现异联想记忆功能；其当向其中一层加入输入信号时，另一层得到输出。由于初始模式可以作用于网络的任一层，信息也可以双向传播，所以没有明确的输入层或输出层。二元联系数的BAM神经网络模型学习速度快,而BP学习时收敛速度慢,最终收敛达到的还有可能是局部最小点而非全局最小点,而BAM达到的一定是能量最小点；BAM神经网络模型是有反馈网络，当输入出现错误时,二元联系数的BAM神经网络模型不但可以输出准确的故障原因,还可纠正原始输入的错误。故该二元联系数的BAM神经网络模型适于要求对错误输入征兆进行纠正系统。二元联系数的BAM神经网络模型利用BAM神经网络双向联想存储的特性，提高推理过程中甲醛传感器预测值的不确定信息处理能力。
六、本发明针对甲醛测量过程中，传感器精度误差、干扰和测量值异常等问题存在的不确定性和随机性，本发明专利将甲醛传感器测量的参数值通过甲醛检测模型转化为二元联系数形式表示，有效地处理了甲醛传感器测量参数的模糊性、动态性和不确定性，提高了甲醛传感器值检测甲醛的客观性和可信度。
附图说明
图1为本专利的环境参数采集平台；
图2为本专利的甲醛大数据智能预测子系统；
图3为本专利的甲醛检测模型；
图4为本专利的检测节点；
图5为本专利的网关节点；
图6为本专利的现场监控端软件功能图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
一、系统总体功能的设计
本发明一种环境大数据物联网智能检测系统实现对被监测参数进行检测和预测类，该系统由环境参数采集平台和甲醛大数据智能预测子系统两部分组成。环境参数采集平台包括环境参数的检测节点、网关节点、现场监控端组成，环境参数的检测节点、网关节点构成无线自组织网络来实现检测节点和网关节点之间的无线通信网络通信；检测节点将检测的环境参数通过网关节点发送给现场监控端和云平台，云平台通过5G网络实现与移动端APP的信息交换，现场监控端、网关节点和检测节点之间实现环境参数信息的双向传输；甲醛大数据智能预测子系统实现对环境甲醛浓度处理和等级分类。环境参数采集平台见图1所示。
二、检测节点的设计
采用大量基于CC2530的自组织通信网络的检测节点作为环境参数感知终端，该类检测节点通过自组织通信网络实现与网关节点之间的信息相互交互。检测节点包括采集环境甲醛、温度、湿度和二氧化碳参数的传感器和对应的信号调理电路、STM32单片机和CC2530模块；检测节点的软件主要实现自组织网络通信和环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性，环境参数的检测节点见图4。
三、网关节点设计
网关节点包括CC2530模块、NB-IoT模块、STM32单片机和RS232接口，网关节点通过CC2530模块实现与检测节点和控制节点之间通信，NB-IoT模块实现网关与云平台之间的数据双向交互，RS232接口连接现场监控端，实现网关与现场监控端之间的信息交互。网关节点结构见图5。
四、现场监控端的软件设计
现场监控端是一台工业控制计算机，现场监控端主要实现对环境参数进行采集、处理和调节，通过网关节点实现与检测节点、云平台和现场监控端之间的信息交互，现场监控端主要功能为通信参数设置、数据分析与数据管理和通过甲醛大数据智能预测子系统对环境甲醛进行智能预测与分类，该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图6。甲醛大数据智能预测子系统结构如图2所示。甲醛大数据智能预测子系统由甲醛检测模型、检测参数融合模型、二元联系数的LSTM神经网络分类器组成，甲醛大数据智能预测子系统设计过程如下：
1、甲醛检测模型设计
多个甲醛传感器感知被检测环境的甲醛值作为对应的甲醛检测模型的输入，多个甲醛检测模型输出作为检测参数融合模型的输入，甲醛检测模型由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的BAM神经网络模型组成；甲醛检测模型设计过程如下：
(1)、带时滞单元的Adaline神经网络模型设计
甲醛传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，带时滞单元的Adaline神经网络模型由2个按拍延迟线TDL和Adaline神经网络组成，甲醛传感器输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出作为Adaline神经网络的输入，Adaline神经网络的输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出为带时滞单元的Adaline神经网络模型的输出；Adaline神经网络模型的自适应线性单元(Adaptive LinearElement)是早期的神经网络模型之一，该模型的输入信号可写成向量的形式:X(K)＝[x0(K),x1(K),…xn(K)]T，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k0(K),k1(K),…k(K)]，x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：
Figure GDA0003963617110000081
在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。
(2)、EMD经验模态分解模型设计
带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的甲醛浓度低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个甲醛浓度高频趋势值分别作为对应的多个NARX神经网络预测模型的输入；EMD经验模态分解是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于甲醛浓度信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD经验模态分解出来的IMF分量包含了甲醛浓度信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD经验模态分解的目的就是为了更准确地提取故障信息。IMF分量必须同时满足两个条件：①在待分解参数测量信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。EMD经验模态分解方法针对带时滞单元的Adaline神经网络模型输出值信号的“筛分”过程步骤如下：
(a)带时滞单元的Adaline神经网络模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
(b)在用三次样条线将带时滞单元的Adaline神经网络模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
(c)上、下包络线的平均值记为m1(t)，求出：
x(t)-m1(t)＝h1(t)      (2)
x(t)为带时滞单元的Adaline神经网络模型输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
(d)将c1(t)从x(t)中分离出来，得到：
r1(t)＝x(t)-c1(t)       (3)
将r1(t)作为原始数据重复步骤(a)-步骤(c)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样通过EMD经验模态分解模型把带时滞单元的Adaline神经网络模型输出分解为低频趋势部分和多个高频波动部分，EMD经验分解模型如图3所示。
(3)、GM(1，1)灰色预测模型设计
EMD经验模态分解模型输出的甲醛浓度低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个甲醛浓度高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型和多个NARX神经网络预测模型的输出分别二元联系数的BAM神经网络模型的对应输入；GM(1，1)灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据甲醛浓度低频趋势值输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加甲醛浓度低频趋势原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1，1)灰色预测模型的实质是对低频趋势值原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对参数测量低频趋势值进行预测。
(4)、多个NARX神经网络预测模型设计
EMD经验模态分解模型输出的甲醛浓度低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的多个甲醛浓度高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM(1，1)灰色预测模型和多个NARX神经网络预测模型的输出分别二元联系数的BAM神经网络模型的对应输入；NARX神经网络预测模型是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络预测模型第i个隐层节点的输出hi为：
Figure GDA0003963617110000101
NARX神经网络第j个输出层节点输出oj为：
Figure GDA0003963617110000102
(5)、ARIMA预测模型设计
甲醛浓度的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入；ARIMA(Autoregressive Integrated Moving Average)预测模型是自回归积分滑动平均模型，它将自回归模型(Autoregressive，AR)和滑动平均模型(Moving Average，MA)有机地组合起来，使之成为一种综合的预测方法。作为有效的现代数据处理方法之一，它被誉为时间序列预测方法中最复杂最高级的模型，在实际应用中，由于输入原始数据序列往往表现出一定的趋势或循环特征，不满足ARMA模型对时间序列的平稳性要求，而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA模型，记为{Xt}-ARIMA(p，d，q)，其中p、q称为模型的阶，d表示差分的次数。显然，当d为0时，ARIMA模型为ARMA模型，其定义为:
xt＝b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q   (6)
{xt}为要预测的二元联系数的BAM神经网络输出的甲醛浓度确定值a和波动值b的数据序列，{εt}～WN(0,σ2)。ARIMA模型建立主要包括模型的识别、参数估计和模型诊断。模型识别主要包括时间序列的预处理和模型参数的初步定阶；模型定阶完成之后需要通过时间序列观察值并结合p，d，q值来对模型中的未知参数进行估计；模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程，模型优化常用的为AIC和BIC准则，即最小信息量准则其值越小，模型越合适，BIC准则是针对AIC准则对大样本序列的不足所做的改进。
(2)、二元联系数的BAM神经网络模型设计
GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为对应的二元联系数的BAM神经网络模型的输入，二元联系数的BAM神经网络模型输出甲醛浓度的确定值a和波动值b构成甲醛浓度的二元联系数为a+bi，甲醛浓度的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，2个按拍延迟线TDL输出作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出作为甲醛浓度的二元联系数值。二元联系数的BAM神经网络模型就是输出为二元联系数的BAM神经网络模型，BAM神经网络模型是一种反馈型的双向联想记忆神经网络，通过多次反馈训练的模式来进行对甲醛浓度的进一步预测，它具有联想记忆甲醛浓度的功能，自适应性能力强，并且预测甲醛浓度误差较小，自出现以来便得到广泛应用；BAM神经网络模型拓扑结构中，网络输入端的初始模式为x(t)，通过权值矩阵W1加权后到达输出端y端，经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x，再经过x端输出节点转移特性fx的非线性变换，变为输入端x的输出，反复这一运行过程，BAM神经网络模型状态转移方程见式(7)。
Figure GDA0003963617110000121
BAM神经网络模型的输出为代表一段时间甲醛浓度大小的动态二元联系数，动态二元联系数为a+bi,a+bi构成在一段时间甲醛浓度传感器输出的甲醛浓度动态二元联系数值。
2、检测参数融合模型设计
多个甲醛检测模型输出作为检测参数融合模型的输入，检测参数融合模型输出为二元联系数的LSTM神经网络分类器模型输入，二元联系数的LSTM神经网络分类器输出甲醛浓度等级的的确定值c和波动值d构成甲醛浓度等级的二元联系数为c+di，检测参数融合模型设计过程如下：
①、构建参数测量传感器的时间序列梯形模糊数值阵列
一段时间多个参数检测模型输出的梯形模糊数值构成参数测量传感器的时间序列梯形模糊数值阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的梯形模糊数值构成n行和m列的参数测量传感器的时间序列梯形模糊数阵列，设不同时刻同一参数测量传感器的梯形模糊数值为Aij(t),Aij(t+1),…,Aij(m)。
②、构建参数测量传感器的时间序列二元联系数阵列
一段时间多个参数检测模型输出的二元联系数构成参数测量传感器的时间序列二元联系数阵列，设有n个参数测量传感器和m个时刻的nm个参数测量传感器的二元联系数值构成n行和m列的参数测量传感器的时间序列二元联系数阵列，设同一参数测量传感器的不同时刻二元联系数值为Aij(t),Aij(t+1),…,Aij(m)，则所有参数测量传感器的时间序列二元联系数阵列为：
Figure GDA0003963617110000131
②、计算参数测量传感器的时间序列二元联系数值的距离融合权重
同一时刻所有参数测量传感器的二元联系数的平均值构成二元联系数阵列的正理想值，二元联系数阵列的正理想值为：
Figure GDA0003963617110000132
同一时刻所有参数测量传感器的二元联系数值与对应的二元联系数阵列的正理想值贴近度最小的二元联系数值构成二元联系数阵列的负理想值，二元联系数阵列的负理想值为：
Figure GDA0003963617110000133
每个参数测量传感器的时间序列二元联系数值的正理想值贴近度是每个参数测量传感器的时间序列二元联系数与二元联系数阵列的正理想值的贴近度为：
Figure GDA0003963617110000134
每个参数测量传感器的时间序列二元联系数值的负理想值贴近度是每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值的贴近度为：
Figure GDA0003963617110000141
每个参数测量传感器的时间序列二元联系数值的正理想值贴近度除以该参数测量传感器的时间序列二元联系数值的负理想值贴近度与该参数测量传感器的时间序列二元联系数值的正理想值贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离相对贴近度，公式为：
Figure GDA0003963617110000142
通过(13)公式计算可以知道，每个参数测量传感器的时间序列二元联系数值的距离相对贴近度越大，则该参数测量传感器的时间序列二元联系数值与对应的正理想值就越接近，否则该参数测量传感器的时间序列二元联系数值与对应的正理想值就越远，根据这个原理确定每个参数测量传感器的时间序列二元联系数值的距离相对贴近度除以所有参数测量传感器的时间序列二元联系数值的距离相对贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离贴近度融合权重为：
Figure GDA0003963617110000143
③、计算参数测量传感器的时间序列二元联系数值的灰色关联度融合权重
每个参数测量传感器的时间序列二元联系数值与二元联系数阵列正理想值的灰色关联度为：
Figure GDA0003963617110000144
通过计算每个参数测量传感器的时间序列二元联系数值与二元联系数阵列正理想值的灰色关联度，可以构建每个参数测量传感器的时间序列二元联系数值的灰色关联度矩阵：
Figure GDA0003963617110000151
根据公式(16)可以得到每个参数测量传感器的时间序列二元联系数值与时间序列参数测量传感器的二元联系数阵列正理想值之间的灰色关联度，如下公式所示：
Figure GDA0003963617110000152
同理，每个参数测量传感器的时间序列二元联系数值与时间序列参数测量传感器的二元联系数阵列负理想值的灰色关联度为，定义如下公式：
Figure GDA0003963617110000153
同理，通过计算每个参数测量传感器的时间序列二元联系数值与二元联系数阵列负理想值的灰色关联度，可以构建每个参数测量传感器的时间序列二元联系数值的灰色关联度矩阵：
Figure GDA0003963617110000154
根据公式(19)可以得到每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值之间的灰色关联度，如下公式所示：
Figure GDA0003963617110000155
每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度除以该参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度相加该参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值之间的灰色关联度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度为：
Figure GDA0003963617110000161
通过(21)公式计算可以知道，每个参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度越大，则该参数测量传感器的时间序列二元联系数值与对应的二元联系数阵列的正理想值的形状相似度越大，否则该参数测量传感器的时间序列二元联系数值与对应的二元联系数阵列的正理想值的形状相似度越小，根据这个原理确定每个参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度除以所有参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联度融合权重为：
Figure GDA0003963617110000162
④、计算多个参数测量传感器的时间序列二元联系数值的融合值
根据每个参数测量传感器的时间序列二元联系数值的距离融合权重αi和灰色关联度融合权重βi，求取均方根组合权重γi，显然γi与αi、βi和都应尽可能接近，根据最小相对信息熵原理有：
Figure GDA0003963617110000163
用拉格朗日乘子法解上述优化问题得：
Figure GDA0003963617110000164
根据公式(27)可以知每个参数测量传感器的时间序列二元联系数值的距离融合权重和灰色关联度融合权重乘积的均方根占所有参数测量传感器的时间序列二元联系数值的距离融合权重和灰色关联度融合权重乘积的均方根和的比为该参数测量传感器的时间序列二元联系数值融合的均方根组合权重。
根据参数测量传感器的时间序列二元联系数值的距离融合权重αi和灰色关联度融合权重βi进行线性组合得到该参数测量传感器的时间序列二元联系数值融合的线性组合权重θi，公式为：
θi＝ααi+ββi                       (25)
根据公式(24)和公式(25)得到该参数测量传感器的时间序列二元联系数值融合的二元联系数融合权重为wi：
wi＝[min(θi,γi),max(θi,γi)]     (26)
从公式(26)可以知每个参数测量传感器的时间序列二元联系数值的均方根组合权重、线性组合权重重按照从小到大排序构成该参数测量传感器的时间序列二元联系数值的组合融合权重。根据同一时刻每个参数测量传感器的时间序列二元联系数值与该参数测量传感器的时间序列二元联系数值的组合融合权重的积相加得到的和为所有参数测量传感器的时间序列二元联系数融合值为：
Figure GDA0003963617110000171
3、二元联系数的LSTM神经网络分类器设计
检测参数融合模型输出为二元联系数的LSTM神经网络分类器模型输入，二元联系数的LSTM神经网络分类器输出甲醛浓度等级的的确定值c和波动值d构成甲醛浓度等级的二元联系数为c+di，甲醛浓度等级的确定值c和波动值d分别作为二元联系数的LSTM神经网络分类器的对应输入，二元联系数的LSTM神经网络分类器是输入和输出都为二元联系数的LSTM神经网络，LSTM神经网络引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(Output Gate)。其中，输入门能控制甲醛浓度新信息的加入或滤出；遗忘门能忘记需要丢掉的称甲醛浓度检测信息以及保留过去有用的信息；输出门能使记忆单元只输出与当前时间步相关的称甲醛浓度检测信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算，使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell)，输入门(InputGate)，输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络是可以持续较长时间短期记忆的模型适合用预测时间序列控制称甲醛浓度检测输入量的变化，LSTM神经网络有效防止了RNN训练时的梯度消失，长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络可以学习长期的称甲醛浓度检测依赖信息，同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的称甲醛浓度检测的动态变化信息，并增加了三种门(Input、Forget、Output)结构来控制称甲醛浓度检测历史信息的使用。设输入称甲醛浓度检测输入量的时间序列值为(x1,x2,…,xT)，隐含层状态为(h1,h2,…,hT)，则t时刻有：
it＝sigmoid(Whiht-1+WxiXt)    (28)
ft＝sigmoid(Whfht-1+WhfXt)    (29)
ct＝ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt)    (30)
ot＝sigmoid(Whoht-1+WhxXt+Wcoct)    (31)
ht＝ot⊙tanh(ct)   (32)
其中it、ft、ot代表input门、forget门和output门，ct代表cell单元，Wh代表递归连接的权重，Wx代表输入层到隐含层的权重，sigmoid与tanh为两种激活函数。二元联系数的LSTM神经网络分类器输出的二元联系数分别对应被检测环境甲醛浓度等级为很高、比较高、一般、较低和很低共5种类型；甲醛浓度等级与二元联系数的LSTM神经网络分类器输出二元联系数的对应关系如下：
表1甲醛浓度等级与二元联系数的对应关系表
Figure GDA0003963617110000191
4、参数采集与控制平台设计
环境参数的检测节点、网关节点、现场监控端、云平台和手机App组成，通过ZiGBee技术实现检测节点之间以及检测节点、控制节点和网关节点之间的通信；检测节点将检测环境参数通过网关节点发送给现场监控端和云平台，网关节点、云平台、现场监控端和手机App之间实现环境参数参数的双向传输；根据环境参数的分布状况，环境参数检测节点、控制节点、网关节点和现场监控端安放在被检测环境中，其中检测节点实现对环境参数的检测，通过该系统实现对环境参数信息进行监测和甲醛浓度等级分类。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.环境大数据物联网智能检测系统，其特征在于：所述检测系统包括环境参数采集平台和甲醛大数据智能预测子系统两部分，实现对甲醛浓度的精确检测和等级分类；
所述甲醛大数据智能预测子系统包括甲醛检测模型、检测参数融合模型、二元联系数的LSTM神经网络分类器；甲醛传感器感知被检测环境的甲醛值作为对应的甲醛检测模型的输入，甲醛检测模型输出作为检测参数融合模型的输入，检测参数融合模型输出为二元联系数的LSTM神经网络分类器模型输入，二元联系数的LSTM神经网络分类器输出甲醛浓度等级的确定值c和波动值d构成甲醛浓度等级的二元联系数为c+di，甲醛浓度等级的确定值c和波动值d分别作为二元联系数的LSTM神经网络分类器的对应输入，二元联系数的LSTM神经网络分类器输出的二元联系数分别对应被检测环境甲醛浓度等级；
所述检测参数融合模型为：
一段时间多个参数检测模型输出的参数测量传感器的二元联系数构成时间序列二元联系数值阵列，每个参数测量传感器的时间序列二元联系数值的正理想值贴近度除以该参数测量传感器的时间序列二元联系数值的负理想值贴近度与该参数测量传感器的时间序列二元联系数值的正理想值贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离相对贴近度；每个参数测量传感器的时间序列二元联系数值的距离相对贴近度除以所有参数测量传感器的时间序列二元联系数值的距离相对贴近度的和得到的商为每个参数测量传感器的时间序列二元联系数值的距离贴近度融合权重；
每个参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度除以该参数测量传感器的时间序列二元联系数值与二元联系数阵列的正理想值之间的灰色关联度相加该参数测量传感器的时间序列二元联系数值与二元联系数阵列的负理想值之间的灰色关联度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度；每个参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度除以所有参数测量传感器的时间序列二元联系数值的灰色关联相对贴近度的和得到的商为该参数测量传感器的时间序列二元联系数值的灰色关联度融合权重；
每个参数测量传感器的时间序列二元联系数值的均方根组合权重和线性组合权重按照从小到大排序构成该参数测量传感器的时间序列二元联系数值的二元联系数融合权重，同一时刻每个参数测量传感器的时间序列二元联系数值与该参数测量传感器的时间序列二元联系数值的二元联系数融合权重的积相加得到的和为所有参数测量传感器的时间序列二元联系数融合值。
2.根据权利要求1所述的环境大数据物联网智能检测系统，其特征在于：所述甲醛检测模型由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM（1，1）灰色预测模型、NARX神经网络预测模型、按拍延迟线TDL、ARIMA预测模型和二元联系数的BAM神经网络模型组成。
3.根据权利要求2所述的环境大数据物联网智能检测系统，其特征在于：甲醛传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的甲醛浓度低频趋势值作为GM（1，1）灰色预测模型的输入，EMD经验模态分解模型输出的多个甲醛浓度高频趋势值分别作为对应的多个NARX神经网络预测模型的输入，GM（1，1）灰色预测模型输出和多个NARX神经网络预测模型输出分别作为对应的二元联系数的BAM神经网络模型的输入，二元联系数的BAM神经网络模型输出甲醛浓度的确定值a和波动值b构成甲醛浓度的二元联系数为a+bi，甲醛浓度的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的BAM神经网络模型的对应输入，按拍延迟线TDL输出作为对应的ARIMA预测模型输入， ARIMA预测模型输出作为二元联系数的BAM神经网络模型的对应输入，二元联系数的BAM神经网络模型输出作为甲醛浓度的二元联系数值。
4.根据权利要求1所述的环境大数据物联网智能检测系统，其特征在于：所述环境参数采集平台由检测节点、网关节点、现场监控端、云平台和手机APP组成。
5.根据权利要求4所述的环境大数据物联网智能检测系统，其特征在于：所述检测节点采集环境甲醛浓度经网关节点上传到云平台，在云平台端存储数据和发布信息，手机APP通过云平台提供的被检测环境甲醛浓度信息可实时监测被检测环境甲醛浓度值，通过自组织网络实现检测节点与网关节点的通信，通过网关节点实现检测节点、现场监控端、云平台和手机APP的双向通信，实现被检测环境甲醛浓度等级分类与监测。
6.根据权利要求4所述的环境大数据物联网智能检测系统，其特征在于：所述甲醛浓度等级分为很高、比较高、一般、较低和很低共5种类型。
CN202111565977.4A 2021-12-20 2021-12-20 环境大数据物联网智能检测系统 Active CN114386672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111565977.4A CN114386672B (zh) 2021-12-20 2021-12-20 环境大数据物联网智能检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111565977.4A CN114386672B (zh) 2021-12-20 2021-12-20 环境大数据物联网智能检测系统

Publications (2)

Publication Number Publication Date
CN114386672A CN114386672A (zh) 2022-04-22
CN114386672B true CN114386672B (zh) 2023-04-07

Family

ID=81197401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111565977.4A Active CN114386672B (zh) 2021-12-20 2021-12-20 环境大数据物联网智能检测系统

Country Status (1)

Country Link
CN (1) CN114386672B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115016276B (zh) * 2022-06-17 2023-06-30 淮阴工学院 智能水分调节与环境参数物联网大数据系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109084839A (zh) * 2018-08-16 2018-12-25 怀化学院 一种基于物联网的家庭环境监测装置及方法
CN108829074A (zh) * 2018-08-28 2018-11-16 上海上品上生智能科技有限公司 一种基于大数据的人工智能家居环境系统控制方法
CN112665656B (zh) * 2021-01-13 2022-07-29 淮阴工学院 一种农产品生长环境大数据检测系统

Also Published As

Publication number Publication date
CN114386672A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN110580021B (zh) 一种基于现场总线的粮仓环境安全智能监测系统
CN111461413B (zh) 一种公路路面使用性能检测系统
CN112665656B (zh) 一种农产品生长环境大数据检测系统
CN110766132B (zh) 一种基于物联网的果园产量智能预测系统
CN111461187B (zh) 一种建筑物沉降智能检测系统
CN114397043B (zh) 多点温度智能检测系统
CN111474094B (zh) 一种粉尘浓度智能化检测系统
CN111426344B (zh) 一种建筑物能耗智能检测系统
CN112881601B (zh) 一种基于云平台的水分检测系统
CN111444947A (zh) 一种桥梁沉降智能检测系统
CN114418183B (zh) 畜禽健康体征大数据物联网检测系统
CN112903929A (zh) 一种食品质量检测系统
CN113219871A (zh) 一种养护室环境参数检测系统
CN114911185A (zh) 基于云平台和移动端App的安防大数据物联网智能系统
CN115128978A (zh) 物联网环境大数据检测与智能监控系统
CN115687995A (zh) 大数据环境污染监测方法及系统
CN114386672B (zh) 环境大数据物联网智能检测系统
CN114358244B (zh) 基于物联网的压力大数据智能检测系统
CN114399024B (zh) 油气浓度大数据智能检测系统
CN114970745B (zh) 物联网智能安防与环境大数据系统
CN114417242B (zh) 畜禽活动信息的大数据检测系统
CN117221352A (zh) 物联网数据采集与智能化的大数据处理方法及云平台系统
CN114390376B (zh) 火灾大数据远程探测与预警系统
CN115062764B (zh) 光照度智能调节与环境参数物联网大数据系统
CN114995248A (zh) 智能养护与环境参数大数据物联网系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230320

Address after: 710000 Room 503, Building C, No. 8989, Shangji Road, Economic and Technological Development Zone, Xi'an City, Shaanxi Province

Applicant after: Zhao Tao

Address before: 223400 8th floor, Anton building, No. 10, Hai'an Road, Lianshui County, Huai'an City, Jiangsu Province

Applicant before: HUAIYIN INSTITUTE OF TECHNOLOGY

GR01 Patent grant
GR01 Patent grant