CN114793304A - 一种人工智能物联网数据信息测量、传输及分析方法 - Google Patents
一种人工智能物联网数据信息测量、传输及分析方法 Download PDFInfo
- Publication number
- CN114793304A CN114793304A CN202210710834.6A CN202210710834A CN114793304A CN 114793304 A CN114793304 A CN 114793304A CN 202210710834 A CN202210710834 A CN 202210710834A CN 114793304 A CN114793304 A CN 114793304A
- Authority
- CN
- China
- Prior art keywords
- internet
- things
- data information
- data
- output
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- 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
- G06N3/045—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
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种人工智能物联网数据信息测量、传输及分析方法,涉及测量技术领域,采用的方法包括以下步骤:步骤一、通过物联网设备获取工业生产数据信息;其中物联网网络架构中设置有BF5R监测电路和信息感知模块,通过WVD定位算法对输出的数据信息定位;步骤二、通过构建物联网架构实现数据信息传递;通过改进SDM算法提高物联网数据信息通信能力,通过改进SDM算法函数以及人工智能算法对接收到的数据信息进行分析和计算;通过改进型BP神经网络模型实现物联网数据信息分析,实现了人工智能物联网数据信息测量、传输及分析。
Description
技术领域
本发明涉及测量技术领域,且更确切地涉及一种人工智能物联网数据信息测量、传输及分析方法。
背景技术
人工智能(Artificial Intelligence)是一个以计算机科学为基础,由计算机、心理学、哲学等多学科交叉融合的交叉学科、新兴学科,研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学,企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。物联网(Internet of Things,简称IoT)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。
随着工业技术生产水平的提高,如何实现人工智能物联网数据信息测量、传输及分析一体化分析成为亟待解决的技术问题,现有技术中通过采集物联网数据信息,传输物联网数据信息和分析是分开进行,无法实现一体化分析。
发明内容
针对上述技术的不足,本发明公开一种人工智能物联网数据信息测量、传输及分析方法,应用人工智能技术,对物联网数据信息进行一体化测量、传输和分析,大大提高了物联网数据信息的应用、测量和数据分析能力。
为了实现上述技术效果,本发明采用以下技术方案:
一种人工智能物联网数据信息测量、传输及分析方法,其中包括以下步骤:
步骤一、通过物联网设备获取工业生产数据信息;
在本步骤中,物联网设备包括工业传感器、GPS定位装置、RFID设备、智能摄像头或者制造机器人,通过构建物联网网络架构获取工业生产中各种数据信息,其中物联网网络架构中设置有BF5R监测电路和信息感知模块,通过WVD定位算法对输出的数据信息定位,其中定位函数为:
步骤二、通过构建物联网架构实现数据信息传递;
在本步骤中,通过改进SDM算法提高物联网数据信息通信能力;
改进SDM算法函数表示式为:
在信息交互过程中,通过物联网信息调频算法编码计算数据信息传递的误码率,误码率公式为:
步骤三、通过人工智能算法对接收到的数据信息进行分析和计算;通过改进型BP神经网络模型实现物联网数据信息分析。
作为本发明进一步的技术方案,BF5R监测电路设置有光纤接口转物联网接口,通过将光纤通信协议转换为物联网通信协议,进而实现物联网数据信息传递。
作为本发明进一步的技术方案,信息感知模块采用的控制芯片为STM32F429ZET6单片机,采用的是ARM32位的Cortex TM-M4 的处理器内核,具有12通道的DMA和112个快速I/O端口,嵌入开发板使用Exynos4412,主频范围为1.4~1.6GHZ。
作为本发明进一步的技术方案,改进型BP神经网络模型包括遗传算法GA模型和批量匹配模型,遗传算法GA模型用于对接收到的物联网数据信息进行最优化检索,批量匹配模型实现物联网数据信息的识别,通过BP神经网络模型实现物联网数据信息的故障诊断。
作为本发明进一步的技术方案,改进型BP神经网络模型工作方法为:
输入物联网数据信息,输入样本数据,将BP网络训练的误差作为适应度函数,然后通过遗传算法GA模型对BP网络进行权值和阈值的编码操作,根据适应度函数计算个体的适应值,对数据进一步处理,进而产生新种群,当新种群终止时,则根据适应度函数再次计算个体的适应值,当可以终止时,则获得BP网络的最佳权值及阈值,在设置BP网络时,将BP网络的权值和阈值初始化,获得BP网络的最佳权值及阈值,然后计算输出层和隐含层之间的误差,通过连接权值和输出阈值,进一步判断物联网数据信息是否可以终止,当可以终止时,输出物联网数据预测结果,当不终止时,则继续获得BP网络的最佳权值及阈值,继续进行计算,通过批量匹配模型进行信息融合。
作为本发明进一步的技术方案,BP神经网络模型包括输入层、隐含层和输出层,其中所述输入层的输出端与隐含层的输入端连接,所述隐含层的输出端与输出层的输入端连接;其中BP神经网络模型工作过程中,在隐含层对物联网数据处理时,隐含层输出函数为:
公式(5)中,和分别代表经BP网络处理后的输出值与预设的数据值,
中的P表示神经网络模型的隐含层数据节点,中的k表示神经网络模型的神经网络节
点;如果误差的值大于用户事先预设的阈值,系统就会将最终输出的值按照输出层、隐含
层、输入层的顺序进行反向传播,在这个过程进行的同时,BP网络会依据误差由公式将权值
更新,所依据的公式为:
公式(6)中,Wij是输入层到隐含层的数据权值,Wki是隐含层到输出层的数据权值。
作为本发明进一步的技术方案,遗传算法GA模型工作的方法包括以下步骤:
定义物联网传递过程中的适应度函数,将可行解物联网数据信息群体约束条件下进行初始化,通过向量 X 来编码,物联网数据向量的分量表示基因,则计算群体中每条染色体Xi,其中i=1,2,…,n所对应的目标适应值Fi,按Fi的大小来评价该可行解的好坏;通过优胜劣汰的机制,将适应值差的染色体淘汰,对幸存的染色体根据其适应值随机选择,继而进行新数据信息繁殖,形成新的群体;通过杂交和变异的操作,产生子代。通过迭代计算,产生新一轮遗传进化过程,直到迭代收敛为止,进而找到最优解或准最优解。
作为本发明进一步的技术方案,批量匹配模型的工作方法为:
公式(7)中,表示物联网数据信息第一层输入,表示物联网数据信息进行拼
接的结果,、表示物联网数据信息输出序列,表示物联网数据信息序列中的向
量模型的输出,由嵌入层得到的原始故障特征、残差特征和网络层故障信息的编码特征组
成,完成模型的故障信息批量匹配任务;批量匹配模型中设置有编码器,通过编码器对物联
网数据信息进行卷积,保证数据的输入维度不发生变化,输出的数据表示为:
公式(8)中,表示物联网数据信息长度,表示物联网数据信息词向量的维度,表示物联网数据信息卷积后的输出,表示物联网数据信息填充操作,表示卷
积核数量,R表示RNN神经网络模型中的卷积次数,X表示卷积过程中的数据序列。
本发明有益的积极效果在于:
区别于常规技术,本发明提供一种人工智能物联网数据信息测量、传输及分析方法,步骤一、通过物联网设备获取工业生产数据信息;其中物联网网络架构中设置有BF5R监测电路和信息感知模块,通过WVD定位算法对输出的数据信息定位; 步骤二、通过构建物联网架构实现数据信息传递;通过改进SDM算法提高物联网数据信息通信能力,通过改进SDM算法函数以及人工智能算法对接收到的数据信息进行分析和计算;通过改进型BP神经网络模型实现物联网数据信息分析,实现了人工智能物联网数据信息测量、传输及分析。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明BP神经网络模型架构示意图;
图2为本发明中监测电路示意图;
图3为本发明中信息感知模块原理结构示意图;
图4为本发明中改进型BP神经网络算法模型示意图
图 5为本发明中批量匹配模型结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1-图5所示,一种人工智能物联网数据信息测量、传输及分析方法,包括以下步骤:
如图1所示,步骤一、通过物联网设备获取工业生产数据信息;
在本步骤中,物联网设备包括工业传感器、GPS定位装置、RFID设备、智能摄像头或者制造机器人,通过构建物联网网络架构获取工业生产中各种数据信息,其中物联网网络架构中设置有BF5R监测电路和信息感知模块,通过WVD定位算法对输出的数据信息定位,其中定位函数为:
步骤二、通过构建物联网架构实现数据信息传递;
在本步骤中,通过改进SDM算法提高物联网数据信息通信能力
在具体实施例中,全新图形化路由管理(Security Device Manager SDM)算法以编制码率的形式进行数据转换,在物联网的数据传输过程中,数据阻塞现象严重影响通信质量,根据信道状态判断阻塞概率,从而进行相应的调频操作,改进SDM算法函数表示式为:
在信息交互过程中,通过物联网信息调频算法编码计算数据信息传递的误码率,误码率公式为:
步骤三、通过人工智能算法对接收到的数据信息进行分析和计算;通过改进型BP神经网络模型实现物联网数据信息分析。
在本步骤中,如图3所示,BF5R监测电路设置有光纤接口转物联网接口,通过将光纤通信协议转换为物联网通信协议,进而实现物联网数据信息传递。
在具体实施例中,BF5R监测电路应用在运行状态监测中,电机电压需控制在AC220V,采用BF5R光纤传感器作为监测线路的核心装置,具有光监测的能力,实现非接触式监测,并且不易损坏,在使用过程中光纤本身具有的特性能将测量信号最大距离传输,满足监测线路的各项要求。线路监测过程主要利用输出光纤将运行状态监测数据传输到系统的两侧,传输光纤一般为10m,在传输光纤上设置探头应用在BF5R线路中。运行状态运行正常时BF5R探头穿过运行系统整体结构,将传感器监测数据正常输送;当运行状态存在故障时,探头滑触线出现偏移,当偏移程度过大时,运行系统中的提示装置被遮挡,监测光映射到挡板上,BF5R线路监测异常,发出故障信号,并记录故障时间,完成运行状态运行的故障数据传输,为定位故障提供有效数据。
在本步骤中,如图4所示,信息感知模块采用的控制芯片为STM32F429ZET6单片机,采用的是ARM32位的Cortex TM-M4 的处理器内核,具有12通道的DMA和112个快速I/O端口,嵌入开发板使用Exynos4412,主频范围为1.4~1.6GHZ。
在具体实施例中感知单元具有多个模拟参数信号输入接口,能够与网络中多个类型的网络设备进行适配,经过放大、滤波、数字化处理后,将感知到网络设备运行状态和网络参数等数据打包处理通过无线传输模式上传到监控服务器。
在上述步骤中,改进型BP神经网络模型包括遗传算法GA模型和批量匹配模型,遗传算法GA模型用于对接收到的物联网数据信息进行最优化检索,批量匹配模型实现物联网数据信息的识别,通过BP神经网络模型实现物联网数据信息的故障诊断。
在上述实施例中,物联网传感器可以通过监测设备和特定资源的消耗率来帮助提高操作可见性、维护计划和物流。物联网设备是非标准计算设备,可无线连接到网络并具有传输数据的能力。物联网涉及将互联网连接范围从台式机,笔记本电脑,智能手机和平板电脑之类的标准设备扩展到任何范围的传统“哑”或未启用互联网的物理设备和日常物品。这些设备嵌入了技术,可以通过Internet进行通信和交互。它们也可以被远程监视和控制。
在上述步骤中,改进型BP神经网络模型工作方法为:
输入物联网数据信息,输入样本数据,将BP网络训练的误差作为适应度函数,然后通过遗传算法GA模型对BP网络进行权值和阈值的编码操作,根据适应度函数计算个体的适应值,对数据进一步处理,进而产生新种群,当新种群终止时,则根据适应度函数再次计算个体的适应值,当可以终止时,则获得BP网络的最佳权值及阈值,在设置BP网络时,将BP网络的权值和阈值初始化,获得BP网络的最佳权值及阈值,然后计算输出层和隐含层之间的误差,通过连接权值和输出阈值,进一步判断物联网数据信息是否可以终止,当可以终止时,输出物联网数据预测结果,当不终止时,则继续获得BP网络的最佳权值及阈值,继续进行计算,通过批量匹配模型进行信息融合。
在上述实施例中,BP神经网络模型包括输入层、隐含层和输出层,其中所述输入层的输出端与隐含层的输入端连接,所述隐含层的输出端与输出层的输入端连接;其中BP神经网络模型工作过程中,在隐含层对物联网数据处理时,隐含层输出函数为:
公式(5)中,和分别代表经BP网络处理后的输出值与预设的数据值,
中的P表示神经网络模型的隐含层数据节点,中的k表示神经网络模型的神经网络节
点;如果误差的值大于用户事先预设的阈值,系统就会将最终输出的值按照输出层、隐含
层、输入层的顺序进行反向传播,在这个过程进行的同时,BP网络会依据误差由公式将权值
更新,所依据的公式为:
公式(6)中,Wij是输入层到隐含层的数据权值,Wki是隐含层到输出层的数据权值。
在上述步骤中,遗传算法GA模型工作的方法包括以下步骤:
定义物联网传递过程中的适应度函数,将可行解物联网数据信息群体约束条件下进行初始化,通过向量 X 来编码,物联网数据向量的分量表示基因,则计算群体中每条染色体Xi,其中i=1,2,…,n所对应的目标适应值Fi,按Fi的大小来评价该可行解的好坏;通过优胜劣汰的机制,将适应值差的染色体淘汰,对幸存的染色体根据其适应值随机选择,继而进行新数据信息繁殖,形成新的群体;通过杂交和变异的操作,产生子代。通过迭代计算,产生新一轮遗传进化过程,直到迭代收敛为止,进而找到最优解或准最优解。
在具体实施例中,遗传算法一般是直接在解空间搜索, 而不像图搜索那样一般是在问题空间搜索, 最后才找到解。遗传算法的搜索随机地始于搜索空间的一个点集, 而不像图搜索那样固定地始于搜索空间的初始节点或终止节点, 所以遗传算法是一种随机搜索算法。
在具体实施例中,遗传算法(遗传算法GA模型)是从代表问题可能潜在的解集的一个种群(populaTIon)开始,而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体,即多个基因的集合,其内部表现(即基因型)是某种基因组合,它决定了个体的形状的外部表现。因此,在一开始需要实现从表现型到基因型的映射即编码工作。遗传操作是模拟生物基因遗传的做法。在遗传算法中,通过编码组成初始群体后,遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作,从而实现优胜劣汰的进化过程。从优化搜索的角度而言,遗传操作可使问题的解,一代又一代地优化,并逼近最优解。
在本申请中,通过该算法能够有效地弥补BP神经网络算法的不足。
在上述步骤中,批量匹配模型的工作方法为:
公式(7)中,表示物联网数据信息第一层输入,表示物联网数据信息进行拼
接的结果,、表示物联网数据信息输出序列,表示物联网数据信息序列中的向
量模型的输出,由嵌入层得到的原始故障特征、残差特征和网络层故障信息的编码特征组
成,完成模型的故障信息批量匹配任务;批量匹配模型中设置有编码器,通过编码器对物联
网数据信息进行卷积,保证数据的输入维度不发生变化,输出的数据表示为:
公式(8)中,表示物联网数据信息长度,表示物联网数据信息词向量的维度,表示物联网数据信息卷积后的输出,表示物联网数据信息填充操作,表示卷
积核数量,R表示RNN神经网络模型中的卷积次数,X表示卷积过程中的数据序列。
在另一种实施例中,还可以采用模糊匹配的方法,基本思路就是,计算每个字符串与目标字符串的相似度,取相似度最高的字符串作为与目标字符串的模糊匹配结果。在物联网数据信息分析中,有效地计算不同数据信息之间的距离对物联网信息分析具有重要的作用。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:包括以下步骤:
步骤一、通过物联网设备获取工业生产数据信息;
在本步骤中,物联网设备包括工业传感器、GPS定位装置、RFID设备、智能摄像头或者制造机器人,通过构建物联网网络架构获取工业生产中各种数据信息,其中物联网网络架构中设置有BF5R监测电路和信息感知模块,通过WVD定位算法对输出的数据信息定位,其中定位函数为:
步骤二、通过构建物联网架构实现数据信息传递;
在本步骤中,通过改进SDM算法提高物联网数据信息通信能力;
改进SDM算法函数表示式为:
在信息交互过程中,通过物联网信息调频算法编码计算数据信息传递的误码率,误码率公式为:
步骤三、通过人工智能算法对接收到的数据信息进行分析和计算;通过改进型BP神经网络模型实现物联网数据信息分析。
2.根据权利要求1所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:BF5R监测电路设置有光纤接口转物联网接口,通过将光纤通信协议转换为物联网通信协议,进而实现物联网数据信息传递。
3.根据权利要求1所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:信息感知模块采用的控制芯片为STM32F429ZET6单片机,采用的是ARM32位的CortexTM-M4 的处理器内核,具有12通道的DMA和112个快速I/O端口,嵌入开发板使用Exynos4412,主频范围为1.4~1.6GHZ。
4.根据权利要求1所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:改进型BP神经网络模型包括遗传算法GA模型和批量匹配模型,遗传算法GA模型用于对接收到的物联网数据信息进行最优化检索,批量匹配模型实现物联网数据信息的识别,通过BP神经网络模型实现物联网数据信息的故障诊断。
5.根据权利要求4所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:改进型BP神经网络模型工作方法为:
输入物联网数据信息,输入样本数据,将BP网络训练的误差作为适应度函数,然后通过遗传算法GA模型对BP网络进行权值和阈值的编码操作,根据适应度函数计算个体的适应值,对数据进一步处理,进而产生新种群,当新种群终止时,则根据适应度函数再次计算个体的适应值,当可以终止时,则获得BP网络的最佳权值及阈值,在设置BP网络时,将BP网络的权值和阈值初始化,获得BP网络的最佳权值及阈值,然后计算输出层和隐含层之间的误差,通过连接权值和输出阈值,进一步判断物联网数据信息是否可以终止,当可以终止时,输出物联网数据预测结果,当不终止时,则继续获得BP网络的最佳权值及阈值,继续进行计算,通过批量匹配模型进行信息融合。
6.根据权利要求5所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:BP神经网络模型包括输入层、隐含层和输出层,其中所述输入层的输出端与隐含层的输入端连接,所述隐含层的输出端与输出层的输入端连接;其中BP神经网络模型工作过程中,在隐含层对物联网数据处理时,隐含层输出函数为:
公式(5)中,和分别代表经BP网络处理后的输出值与预设的数据值,中的P
表示神经网络模型的隐含层数据节点,中的k表示神经网络模型的神经网络节点;如果
误差的值大于用户事先预设的阈值,系统就会将最终输出的值按照输出层、隐含层、输入层
的顺序进行反向传播,在这个过程进行的同时,BP网络会依据误差由公式将权值更新,所依
据的公式为:
公式(6)中,Wij是输入层到隐含层的数据权值,Wki是隐含层到输出层的数据权值。
7.根据权利要求5所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:遗传算法GA模型工作的方法包括以下步骤:
定义物联网传递过程中的适应度函数,将可行解物联网数据信息群体约束条件下进行初始化,通过向量 X 来编码,物联网数据向量的分量表示基因,则计算群体中每条染色体Xi,其中i=1,2,…,n所对应的目标适应值Fi,按Fi的大小来评价该可行解的好坏;通过优胜劣汰的机制,将适应值差的染色体淘汰,对幸存的染色体根据其适应值随机选择,继而进行新数据信息繁殖,形成新的群体;通过杂交和变异的操作,产生子代,通过迭代计算,产生新一轮遗传进化过程,直到迭代收敛为止,进而找到最优解或准最优解。
8.根据权利要求5所述的一种人工智能物联网数据信息测量、传输及分析方法,其特征在于:批量匹配模型的工作方法为:
公式(7)中,表示物联网数据信息第一层输入,表示物联网数据信息进行拼接的
结果,、表示物联网数据信息输出序列,表示物联网数据信息序列中的向量模
型的输出,由嵌入层得到的原始故障特征、残差特征和网络层故障信息的编码特征组成,完
成模型的故障信息批量匹配任务;批量匹配模型中设置有编码器,通过编码器对物联网数
据信息进行卷积,保证数据的输入维度不发生变化,输出的数据表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710834.6A CN114793304B (zh) | 2022-06-22 | 2022-06-22 | 一种人工智能物联网数据信息测量、传输及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210710834.6A CN114793304B (zh) | 2022-06-22 | 2022-06-22 | 一种人工智能物联网数据信息测量、传输及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114793304A true CN114793304A (zh) | 2022-07-26 |
CN114793304B CN114793304B (zh) | 2022-09-20 |
Family
ID=82463297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210710834.6A Active CN114793304B (zh) | 2022-06-22 | 2022-06-22 | 一种人工智能物联网数据信息测量、传输及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114793304B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002825A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市子恒通讯设备有限公司 | 一种通信设备及通信方法 |
CN116295611A (zh) * | 2023-02-01 | 2023-06-23 | 广东省国瑞质量检验有限公司 | 实验数据采集方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490760A (zh) * | 2017-08-22 | 2017-12-19 | 西安工程大学 | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
US20210383207A1 (en) * | 2020-06-04 | 2021-12-09 | Ramot At Tel-Aviv University Ltd. | Active selection and training of deep neural networks for decoding error correction codes |
-
2022
- 2022-06-22 CN CN202210710834.6A patent/CN114793304B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490760A (zh) * | 2017-08-22 | 2017-12-19 | 西安工程大学 | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
US20210383207A1 (en) * | 2020-06-04 | 2021-12-09 | Ramot At Tel-Aviv University Ltd. | Active selection and training of deep neural networks for decoding error correction codes |
CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115002825A (zh) * | 2022-08-04 | 2022-09-02 | 深圳市子恒通讯设备有限公司 | 一种通信设备及通信方法 |
CN115002825B (zh) * | 2022-08-04 | 2022-10-21 | 深圳市子恒通讯设备有限公司 | 一种通信设备及通信方法 |
CN116295611A (zh) * | 2023-02-01 | 2023-06-23 | 广东省国瑞质量检验有限公司 | 实验数据采集方法、装置、设备及存储介质 |
CN116295611B (zh) * | 2023-02-01 | 2023-10-13 | 广东省国瑞质量检验有限公司 | 实验数据采集方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114793304B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114793304B (zh) | 一种人工智能物联网数据信息测量、传输及分析方法 | |
KR102589303B1 (ko) | 고정 소수점 타입의 뉴럴 네트워크를 생성하는 방법 및 장치 | |
EP4198820A1 (en) | Training method for semi-supervised learning model, image processing method, and device | |
KR102497238B1 (ko) | 순환 인공 신경 네트워크 내 활동 특성화 그리고 정보 인코딩 및 디코딩 | |
WO2022083624A1 (zh) | 一种模型的获取方法及设备 | |
JP4169063B2 (ja) | データ処理装置、データ処理方法、及びプログラム | |
JP2020071883A (ja) | モデル訓練方法、データ認識方法及びデータ認識装置 | |
JP2020522817A (ja) | 意味分析方法、装置、および記憶媒体 | |
US8700548B2 (en) | Optimization technique using evolutionary algorithms | |
EP3514734A1 (en) | Method and apparatus for generating a chemical structure using a neural network | |
KR20200086581A (ko) | 뉴럴 네트워크 양자화를 위한 방법 및 장치 | |
CN116415654A (zh) | 一种数据处理方法及相关设备 | |
KR20210107584A (ko) | 학습 데이터 관리 방법 | |
JP2024506529A (ja) | 心電図信号を基にした慢性疾患の予測方法 | |
KR20210107458A (ko) | 모델의 성능 테스트를 위한 컴퓨터 프로그램 | |
JP2022080285A (ja) | ディープニューラルネットワーク(dnn)を保護するための方法、装置、およびコンピュータプログラム製品(dnnに対する敵対的攻撃の検出) | |
Salmasnia et al. | A robust intelligent framework for multiple response statistical optimization problems based on artificial neural network and Taguchi method | |
KR102476499B1 (ko) | 유사 컨텐츠 제공 기법 | |
KR20220163241A (ko) | 생체신호 분석 방법 | |
US20200312432A1 (en) | Computer architecture for labeling documents | |
Derks et al. | Parallel processing of chemical information in a local area network—II. A parallel cross-validation procedure for artificial neural networks | |
US20240046065A1 (en) | System, devices and/or processes for defining a search space for neural network processing device architectures | |
US11797859B2 (en) | Environment factor control device and training method thereof | |
CN116092668A (zh) | 一种融合多元异构数据的心衰患者再入院预测方法 | |
CN115631008B (zh) | 商品推荐方法、装置、设备及介质 |
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 |