CN115980298B - 一种基于多参数适应性水质检测分析方法及装置 - Google Patents
一种基于多参数适应性水质检测分析方法及装置 Download PDFInfo
- Publication number
- CN115980298B CN115980298B CN202310264564.5A CN202310264564A CN115980298B CN 115980298 B CN115980298 B CN 115980298B CN 202310264564 A CN202310264564 A CN 202310264564A CN 115980298 B CN115980298 B CN 115980298B
- Authority
- CN
- China
- Prior art keywords
- terminal
- matrix
- water environment
- representing
- parameters
- 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
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Examining Or Testing Airtightness (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本申请提供一种基于多参数适应性水质检测分析方法及装置。第一终端和第二终端均部署在被测水环境中,在该方法中,由于水质的好坏也可能会对波束的信号衰减产生影响,因此在测量水环境的参数的情况下,也可以辅以波束的测量,以通过信号接收功率来辅助确定水质,以实现更准确的水质测量分析。另外,由于被测水环境的水质是第一终端直接确定出来的,因此相较于传统的分析方式,其实现了更高效地进行水质检测分析。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种基于多参数适应性水质检测分析方法及装置。
背景技术
水质检测分析主要是测量水的水质,如水色、浑浊度、透明度、嗅味等,分析水的各种指标如钙、镁、pH值、溶解氧、耗氧量等。目前,传统的方式是通过传感器采集各种水中的各种参数,并通过人工对其进行分析得到水质的好坏。
然而,这种方式的效率比较低,如何更高效地进行水质检测分析是目前研究的热点问题。
发明内容
本申请实施例提供一种基于多参数适应性水质检测分析方法及装置,用以实现更高效地进行水质检测分析。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供一种基于多参数适应性水质检测分析方法,第一终端和第二终端均部署在被测水环境中,该方法包括:第一终端通过使用第一终端的接收波束接收第二终端的发送波束,确定第一终端的信号接收功率。第一终端将信号接收功率与被测水环境的参数进行融合处理,得到被测水环境的水质。其中,被测水环境的参数是第一终端从被测水环境采集的参数。
结合第一方面所述的方法,由于水质的好坏也可能会影响波束的信号衰减产生影响,因此在测量水环境的参数的情况下,也可以辅以波束的测量,以通过信号接收功率来辅助确定水质,以实现更准确的水质测量分析。另外,由于被测水环境的水质是第一终端直接确定出来的,因此相较于传统的分析方式,其实现了更高效地进行水质检测分析。
一种可能的设计方案中,信号接收功率和被测水环境的参数均通过表项来表征,第一终端将信号接收功率与被测水环境的参数进行融合处理,得到被测水环境的水质,包括:第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为表项图案,也即,将上述的表项通过融合转换为卷积神经网络模型能够处理的形式,如此,第一终端通过卷积神经网络模型处理表项图案,得到被测水环境的水质。
可选地,第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为表项图案,包括:第一终端将信号接收功率所在的表项转换为用于表征信号的矩阵;第一终端将被测水环境的参数所在的表项转为用于表征参数的矩阵;第一终端将用于表征信号的矩阵与用于表征参数的矩阵在矩阵空间上叠加,得到融合矩阵;第一终端将融合矩阵中的每个元素确定为对应的一个像素点,得到融合图案。
进一步的,第一终端将信号接收功率所在的表项转换为用于表征信号的矩阵,包括:第一终端将信号接收功率所在的表项转换为第一尺寸的初始信号矩阵;第一终端对第一尺寸的初始信号矩阵进行填充,得到用于表征信号的矩阵,其中,用于表征信号的矩阵为第二尺寸的矩阵。相应的,第一终端将被测水环境的参数所在的表项转为用于表征参数的矩阵,包括:第一终端将被测水环境的参数所在的表项转换为第三尺寸的初始参数矩阵;第一终端对第三尺寸的初始参数矩阵进行填充,得到用于表征参数的矩阵,其中,用于表征参数的矩阵为第二尺寸的矩阵。如此,可以确保用于叠加的每个矩阵的尺寸都是一致的。
另一种可能的设计方案中,信号接收功率和被测水环境的参数均通过表项来表征,第一终端将信号接收功率与被测水环境的参数进行融合处理,得到被测水环境的水质,包括:第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为多维向量,也即,将上述的表项通过融合转换为深度神经网络模型能够处理的形式,如此,第一终端通过深度神经网络模型处理多维向量,得到被测水环境的水质。
可选地,第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为多维向量,包括:第一终端将信号接收功率所在的表项转换为用于表征信号的向量;第一终端将被测水环境的参数所在的表项转为用于表征参数的向量;第一终端将用于表征信号的向量与用于表征参数的向量在向量空间上叠加,得到多维向量。
进一步的,第一终端将用于表征信号的向量与用于表征参数的向量在向量空间上叠加,得到多维向量,包括:第一终端将用于表征信号的向量中的每个向量与用于表征参数的向量中对应的一个向量在向量空间上叠加,得到多维向量。
一种可能的设计方案中,第一终端使用第一终端的每个接收波束接收第二终端的发送波束,第一终端的信号接收功率包括第一终端的每个接收波束对应的信号接收功率。
可选地,第一终端预先配置有第二终端的波束图案,第二终端的波束图案用于表征第二终端的每个发送波束覆盖的区域,如此,第一方面所述的方法还可以包括:第一终端根据第二终端的波束图案,确定在第二终端使用第二终端的每个发送波束时,第一终端使用的第一终端的接收波束是能覆盖到该发送波束的波束,从而能够减少接收的波束数量,提高效率。
第二方面,提供一种基于多参数适应性水质检测分析装置。第一终端和第二终端均部署在被测水环境中,该装置包括:处理模块,用于第一终端控制收发模块通过使用第一终端的接收波束接收第二终端的发送波束,确定第一终端的信号接收功率;处理模块,还用于第一终端将信号接收功率与被测水环境的参数进行融合处理,得到被测水环境的水质,其中,被测水环境的参数是第一终端从被测水环境采集的参数。
一种可能的设计方案中,信号接收功率和被测水环境的参数均通过表项来表征。处理模块,还用于第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为表项图案。处理模块,还用于第一终端通过卷积神经网络模型处理表项图案,得到被测水环境的水质。
可选地,处理模块,还用于第一终端将信号接收功率所在的表项转换为用于表征信号的矩阵;处理模块,还用于第一终端将被测水环境的参数所在的表项转为用于表征参数的矩阵;第一终端将用于表征信号的矩阵与用于表征参数的矩阵在矩阵空间上叠加,得到融合矩阵;处理模块,还用于第一终端将融合矩阵中的每个元素确定为对应的一个像素点,得到融合图案。
进一步的,处理模块,还用于第一终端将信号接收功率所在的表项转换为第一尺寸的初始信号矩阵,处理模块,还用于第一终端对第一尺寸的初始信号矩阵进行填充,得到用于表征信号的矩阵,其中,用于表征信号的矩阵为第二尺寸的矩阵。相应的,处理模块,还用于第一终端将被测水环境的参数所在的表项转换为第三尺寸的初始参数矩阵,处理模块,还用于第一终端对第三尺寸的初始参数矩阵进行填充,得到用于表征参数的矩阵,其中,用于表征参数的矩阵为第二尺寸的矩阵。
另一种可能的设计方案中,信号接收功率和被测水环境的参数均通过表项来表征。处理模块,还用于第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为多维向量。处理模块,还用于第一终端通过深度神经网络模型处理多维向量,得到被测水环境的水质。
可选地,处理模块,还用于第一终端将信号接收功率所在的表项转换为用于表征信号的向量;处理模块,还用于第一终端将被测水环境的参数所在的表项转为用于表征参数的向量;处理模块,还用于第一终端将用于表征信号的向量与用于表征参数的向量在向量空间上叠加,得到多维向量。
进一步的,处理模块,还用于第一终端将用于表征信号的向量中的每个向量与用于表征参数的向量中对应的一个向量在向量空间上叠加,得到多维向量。
一种可能的设计方案中,第一终端使用第一终端的每个接收波束接收第二终端的发送波束,第一终端的信号接收功率包括第一终端的每个接收波束对应的信号接收功率。
可选地,第一终端预先配置有第二终端的波束图案,第二终端的波束图案用于表征第二终端的每个发送波束覆盖的区域。处理模块,还用于第一终端根据第二终端的波束图案,确定在第二终端使用第二终端的每个发送波束时,第一终端使用的第一终端的接收波束是能覆盖到该发送波束的波束。
第三方面,提供了一种电子设备,包括:处理器和存储器;该存储器用于存储计算机程序,当该处理器执行该计算机程序时,以使该电子设备执行第一方面所述的方法。
在一种可能的设计方案中,第三方面所述的电子设备还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第三方面所述的电子设备与其他电子设备通信。
在本申请实施例中,第三方面所述的电子设备可以为第一方面所述的终端或网络设备,或者可设置于该终端或网络设备中的芯片(系统)或其他部件或组件,或者包含该终端或网络设备的设备。
此外,第三方面所述的电子设备的技术效果可以参考第一方面所述的方法的技术效果,此处不再赘述。
附图说明
图1为本申请实施例提供的一种基于多参数适应性水质检测分析系统的架构示意图;
图2为本申请实施例提供的一种基于多参数适应性水质检测分析方法的流程示意图;
图3为本申请实施例提供的一种基于多参数适应性水质检测分析装置的流程示意图一;
图4为本申请实施例提供的一种基于多参数适应性水质检测分析装置的流程示意图二。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是,各个系统可以包括另外的设备、组件、模块等,并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外,还可以使用这些方案的组合。
另外,在本申请实施例中,“示例的”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。
本申请实施例中,“信息(information)”,“信号(signal)”,“消息(message)”,“信道(channel)”、“信令(singaling)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是匹配的。“的(of)”,“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是匹配的。此外,本申请提到的“/”可以用于表示“或”的关系。
本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
为便于理解本申请实施例,首先例详细说明适用于本申请实施例的基于多参数适应性水质检测分析系统。
如图1所示,该系统可以包括多个终端,如第一终端和第二终端。
其中,上述终端可以为具有收发和处理功能的终端,或为可设置于该终端的芯片或芯片系统。该终端也可以称为用户装置(uesr equipment,UE)、接入终端、用户单元(subscriber unit)、用户站、移动站(mobile station,MS)、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端可以是手机(mobile phone)、蜂窝电话(cellular phone)、智能电话(smart phone)、平板电脑(Pad)、无线数据卡、个人数字助理电脑(personal digital assistant,PDA)、无线调制解调器(modem)、手持设备(handset)、膝上型电脑(laptop computer)、机器类型通信(machine type communication,MTC)终端、工业控制(industrial control)中的无线终端等。
下面将通过方法实施例具体介绍电子设备的工作流程。本申请实施例提供的基于多参数适应性水质检测分析方法可以适用于上述电子设备,下面具体介绍。
如图2所示,基于多参数适应性水质检测分析方法的具体流程如下:
S201,第一终端通过使用第一终端的接收波束接收第二终端的发送波束,确定第一终端的信号接收功率。
其中,第一终端可以有多个接收波束,且指向不同的方向。第一终端可以使用第一终端的每个接收波束接收第二终端的发送波束。如此,第一终端的信号接收功率可以包括第一终端的每个接收波束对应的信号接收功率。例如,第一终端预先配置有第二终端的波束图案,第二终端的波束图案可以用于表征第二终端的每个发送波束覆盖的区域,也即,在第二终端当前所在的位置下,第二终端的每个发送波束能够覆盖多远和多宽。第一终端本就知道自己的每个接收波束的波束图案,这样,第一终端可以根据第二终端的波束图案,确定在第二终端使用第二终端的每个发送波束时,第一终端使用的第一终端的接收波束是能覆盖到该发送波束的波束。也即,在同一时间,第二终端的发送波束与第一终端的接收波束能够有至少部分重合。此时,如果有多个接收波束重合与一个发送波束重合,则第一终端可以选择重复比较高的几个接收波束。如此,能够减少接收的波束数量,提高效率。
S202,第一终端将信号接收功率与被测水环境的参数进行融合处理,得到被测水环境的水质。
其中,信号接收功率可以通过表项来表征,一种示例中,该表项可以如下表1所示。
其中,被测水环境的参数是第一终端从被测水环境采集的参数。例如,第一终端通过自身的传感器,从被测水环境采集这些参数。被测水环境的参数可以包括如下至少一项:水色、浑浊度、透明度、嗅味、钙、镁、pH值、溶解氧、耗氧量等。被测水环境的参数可以通过表项来表征,一种示例中,该表项可以如下表2所示。
一种可能的设计方案中,第一终端可以将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为表项图案,也即,将上述的表项通过融合转换为卷积神经网络模型能够处理的形式。
具体的,第一终端可以首先将信号接收功率所在的表项转换为用于表征信号的矩阵。例如,第一终端将信号接收功率所在的表项转换为第一尺寸的初始信号矩阵,并对第一尺寸的初始信号矩阵进行填充,得到用于表征信号的矩阵。其中,用于表征信号的矩阵为第二尺寸的矩阵。同理,第一终端可以将被测水环境的参数所在的表项转为用于表征参数的矩阵。例如,第一终端将被测水环境的参数所在的表项转换为第三尺寸的初始参数矩阵,并对第三尺寸的初始参数矩阵进行填充,得到用于表征参数的矩阵。其中,用于表征参数的矩阵为第二尺寸的矩阵。如此,可以确保用于叠加的每个矩阵的尺寸都是一致的。之后,第一终端可以将用于表征信号的矩阵与用于表征参数的矩阵在矩阵空间上叠加,得到融合矩阵,并将融合矩阵中的每个元素确定为对应的一个像素点,得到融合图案。
示例性的,以上述表1和表2为例:
表1可以被转换为3*n的矩阵,3*n的矩阵中每个元素的取值与信号接收功率相对应。以表1中第2行为例,3*n的矩阵中第1行的元素可以为{0,10,7},以此类推。表2可以被转换为3*m的矩阵,3*m的矩阵中每个元素的取值与被测水环境中一项参数相对应。以表2中第2行为例,3*m的矩阵中第1行的元素可以为{0,10,0},以此类推。可以理解,表1与表2中同一位置处的元素需要通过填充“0”的方式,使其位于同一级别,以保证神经网络的鲁棒性。例如,表1中第2行第3列的信号接收功率实际为10,而表2中第2行第3列的水色为0.1,这种情况下,就需要对水色为0.1填充0,使其升位为个位数或十位数,如10。
可以看出,在上述矩阵中,最大的行为m或n,最大的列为3,因此可以以m/n*3来对其余矩阵进行填充,如以从左往右的方式填充列,以从上到下的方式填充行,其填充值为0。例如,m=20,n=10,对于表1而言,10*3的矩阵#1被填充为20*3的矩阵,其从第11行的元素都可以为{0,0,0},对于表2而言,无需填充。
第一终端可以将上述的2个矩阵与第3个矩阵在矩阵空间上叠加,其中,第3个矩阵中的元素全为0。仍以表1和表2的第2行为例,叠加之后为{(0,0,0),(0,10,10),(0,0,7)}。也就是说,空间叠加是指将每个矩阵的元素映射为空间中对应一个维度的坐标。由于坐标是三维的,因此也可以被看作是RGB值,例如x轴坐标如0对应R值,y轴坐标如10对应G值,z轴坐标如10对应B值。这样,融合矩阵就可以被转换为表项图案。
在此基础上,第一终端通过卷积神经网络模型处理表项图案,就可以得到被测水环境的水质。被测水环境的水质可以用于通过0到1之间的取值来表征水质的好坏程度。
另一种可能的设计方案中,第一终端也可以将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为多维向量,也即,将上述的表项通过融合转换为深度神经网络模型能够处理的形式。
具体的,第一终端可以将信号接收功率所在的表项转换为用于表征信号的向量;第一终端将被测水环境的参数所在的表项转为用于表征参数的向量,从而将用于表征信号的向量与用于表征参数的向量在向量空间上叠加,得到多维向量。例如,第一终端将用于表征信号的向量中的每个向量与用于表征参数的向量中对应的一个向量在向量空间上叠加(如向量相乘),得到多维向量。
示例性的,仍以上述表1和表2为例:
表1可以被转换为n维的空间向量,n维的空间向量中每个向量与信号接收功率相对应。以表1中第2行为例,m维的空间向量中第1维的空间向量为{1,n},以此类推,也就是说,空间向量是信号接收功率在表1中位置的映射。此外,表2对应的空间向量亦是同理,不再赘述。
在此基础上,第一终端通过深度神经网络模型处理多维向量,就可以得到被测水环境的水质。
综上,由于水质的好坏也可能会影响波束的信号衰减产生影响,因此在测量水环境的参数的情况下,也可以辅以波束的测量,以通过信号接收功率来辅助确定水质,以实现更准确的水质测量分析。另外,由于被测水环境的水质是第一终端直接确定出来的,因此相较于传统的分析方式,其实现了更高效地进行水质检测分析。
以上结合图2详细说明了本申请实施例提供的基于多参数适应性水质检测分析方法下的具体流程。
以上结合图2详细说明了本申请实施例提供的基于多参数适应性水质检测分析方法。以下结合图3详细说明用于执行本申请实施例提供的方法的基于多参数适应性水质检测分析装置。
图3是本申请实施例提供的基于多参数适应性水质检测分析装置的结构示意图。示例性的,如图3所示,基于多参数适应性水质检测分析装置300包括:收发模块301和处理模块302。为了便于说明,图3仅示出了该基于多参数适应性水质检测分析装置的主要部件。基于多参数适应性水质检测分析装置300可适用于上述第一终端中,执行上述图2所示的方法中的功能。
例如,处理模块302,用于第一终端控制收发模块301通过使用第一终端的接收波束接收第二终端的发送波束,确定第一终端的信号接收功率;处理模块302,还用于第一终端将信号接收功率与被测水环境的参数进行融合处理,得到被测水环境的水质,其中,被测水环境的参数是第一终端从被测水环境采集的参数。
一种可能的设计方案中,信号接收功率和被测水环境的参数均通过表项来表征。处理模块302,还用于第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为表项图案。处理模块302,还用于第一终端通过卷积神经网络模型处理表项图案,得到被测水环境的水质。
可选地,处理模块302,还用于第一终端将信号接收功率所在的表项转换为用于表征信号的矩阵;处理模块302,还用于第一终端将被测水环境的参数所在的表项转为用于表征参数的矩阵;第一终端将用于表征信号的矩阵与用于表征参数的矩阵在矩阵空间上叠加,得到融合矩阵;处理模块302,还用于第一终端将融合矩阵中的每个元素确定为对应的一个像素点,得到融合图案。
进一步的,处理模块302,还用于第一终端将信号接收功率所在的表项转换为第一尺寸的初始信号矩阵,处理模块302,还用于第一终端对第一尺寸的初始信号矩阵进行填充,得到用于表征信号的矩阵,其中,用于表征信号的矩阵为第二尺寸的矩阵。相应的,处理模块302,还用于第一终端将被测水环境的参数所在的表项转换为第三尺寸的初始参数矩阵,处理模块302,还用于第一终端对第三尺寸的初始参数矩阵进行填充,得到用于表征参数的矩阵,其中,用于表征参数的矩阵为第二尺寸的矩阵。
另一种可能的设计方案中,信号接收功率和被测水环境的参数均通过表项来表征。处理模块302,还用于第一终端将信号接收功率所在的表项,以及被测水环境的参数所在的表项融合为多维向量。处理模块302,还用于第一终端通过深度神经网络模型处理多维向量,得到被测水环境的水质。
可选地,处理模块302,还用于第一终端将信号接收功率所在的表项转换为用于表征信号的向量;处理模块302,还用于第一终端将被测水环境的参数所在的表项转为用于表征参数的向量;处理模块302,还用于第一终端将用于表征信号的向量与用于表征参数的向量在向量空间上叠加,得到多维向量。
进一步的,处理模块302,还用于第一终端将用于表征信号的向量中的每个向量与用于表征参数的向量中对应的一个向量在向量空间上叠加,得到多维向量。
一种可能的设计方案中,第一终端使用第一终端的每个接收波束接收第二终端的发送波束,第一终端的信号接收功率包括第一终端的每个接收波束对应的信号接收功率。
可选地,第一终端预先配置有第二终端的波束图案,第二终端的波束图案用于表征第二终端的每个发送波束覆盖的区域。处理模块302,还用于第一终端根据第二终端的波束图案,确定在第二终端使用第二终端的每个发送波束时,第一终端使用的第一终端的接收波束是能覆盖到该发送波束的波束。
可选地,收发模块301可以包括发送模块(图3中未示出)和接收模块(图3中未示出)。其中,发送模块用于实现基于多参数适应性水质检测分析装置300的发送功能,接收模块用于实现基于多参数适应性水质检测分析装置300的接收功能。
可选地,基于多参数适应性水质检测分析装置300还可以包括存储模块(图3中未示出),该存储模块存储有程序或指令。当该处理模块302执行该程序或指令时,使得该基于多参数适应性水质检测分析装置300可以执行上述方法中图1所示的方法中电子设备的功能。
可以理解,基于多参数适应性水质检测分析装置300可以是终端,也可以是可设置于终端中的芯片(系统)或其他部件或组件,还可以是包含终端的装置,本申请对此不做限定。
此外,基于多参数适应性水质检测分析装置300的技术效果可以参考图1所示的基于多参数适应性水质检测分析方法的技术效果,此处不再赘述。
图4为本申请实施例提供的电子设备的结构示意图。示例性地,该电子设备可以是终端,也可以是可设置于终端的芯片(系统)或其他部件或组件。如图4所示,电子设备400可以包括第一处理器401。可选地,电子设备400还可以包括存储器402和/或收发器403。其中,第一处理器401与存储器402和收发器403耦合,如可以通过通信总线连接。
下面结合图4对电子设备400的各个构成部件进行具体的介绍:
其中,第一处理器401是电子设备400的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,第一处理器401是一个或多个中央处理器(central processingunit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(fieldprogrammable gate array,FPGA)。
可选地,第一处理器401可以通过运行或执行存储在存储器402内的软件程序,以及调用存储在存储器402内的数据,执行电子设备400的各种功能,例如执行上述图2所示的基于多参数适应性水质检测分析方法。
在具体的实现中,作为一种实施例,第一处理器401可以包括一个或多个CPU,例如图4中所示出的CPU0和CPU1。
在具体实现中,作为一种实施例,电子设备400也可以包括多个处理器,例如图4中所示的第一处理器401和第二处理器404。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
其中,所述存储器402用于存储执行本申请方案的软件程序,并由第一处理器401来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器402可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器402可以和第一处理器401集成在一起,也可以独立存在,并通过电子设备400的接口电路(图4中未示出)与第一处理器401耦合,本申请实施例对此不作具体限定。
收发器403,用于与其他电子设备之间的通信。例如,电子设备400为终端,收发器403可以用于与网络设备通信,或者与另一个终端设备通信。又例如,电子设备400为网络设备,收发器403可以用于与终端通信,或者与另一个网络设备通信。
可选地,收发器403可以包括接收器和发送器(图4中未单独示出)。其中,接收器用于实现接收功能,发送器用于实现发送功能。
可选地,收发器403可以和第一处理器401集成在一起,也可以独立存在,并通过电子设备400的接口电路(图4中未示出)与第一处理器401耦合,本申请实施例对此不作具体限定。
可以理解的是,图4中示出的电子设备400的结构并不构成对该电子设备的限定,实际的电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,电子设备400的技术效果可以参考上述方法实施例所述的方法的技术效果,此处不再赘述。
应理解,在本申请实施例中的处理器可以是中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,本申请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)执行本申请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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (2)
1.一种基于多参数适应性水质检测分析方法,其特征在于,第一终端和第二终端均部署在被测水环境中,所述方法包括:
所述第一终端通过使用所述第一终端的接收波束接收所述第二终端的发送波束,确定所述第一终端的信号接收功率;
所述第一终端将所述信号接收功率与所述被测水环境的参数进行融合处理,得到所述被测水环境的水质,其中,所述被测水环境的参数是所述第一终端从所述被测水环境采集的参数;
其中,所述信号接收功率和所述被测水环境的参数均通过表项来表征,所述第一终端将所述信号接收功率与所述被测水环境的参数进行融合处理,得到所述被测水环境的水质,包括:
所述第一终端将所述信号接收功率所在的表项,以及所述被测水环境的参数所在的表项融合为表项图案;
所述第一终端通过卷积神经网络模型处理所述表项图案,得到所述被测水环境的水质;
或者,所述信号接收功率和所述被测水环境的参数均通过表项来表征,所述第一终端将所述信号接收功率与所述被测水环境的参数进行融合处理,得到所述被测水环境的水质,包括:
所述第一终端将所述信号接收功率所在的表项,以及所述被测水环境的参数所在的表项融合为多维向量;
所述第一终端通过深度神经网络模型处理所述多维向量,得到所述被测水环境的水质;
其中,所述第一终端使用所述第一终端的每个接收波束接收所述第二终端的发送波束,所述第一终端的信号接收功率包括所述第一终端的每个接收波束对应的信号接收功率;
其中,所述第一终端预先配置有所述第二终端的波束图案,所述第二终端的波束图案用于表征所述第二终端的每个发送波束覆盖的区域,所述方法还包括:
所述第一终端根据所述第二终端的波束图案,确定在所述第二终端使用所述第二终端的每个发送波束时,所述第一终端使用的所述第一终端的接收波束是能覆盖到该发送波束的波束;
其中,所述第一终端将所述信号接收功率所在的表项,以及所述被测水环境的参数所在的表项融合为表项图案,包括:
所述第一终端将所述信号接收功率所在的表项转换为用于表征信号的矩阵;
所述第一终端将所述被测水环境的参数所在的表项转为用于表征参数的矩阵;
所述第一终端将所述用于表征信号的矩阵与所述用于表征参数的矩阵在矩阵空间上叠加,得到融合矩阵;
所述第一终端将所述融合矩阵中的每个元素确定为对应的一个像素点,得到融合图案;
以及,所述第一终端将所述信号接收功率所在的表项转换为用于表征信号的矩阵,包括:
所述第一终端将所述信号接收功率所在的表项转换为第一尺寸的初始信号矩阵;
所述第一终端对所述第一尺寸的初始信号矩阵进行填充,得到所述用于表征信号的矩阵,其中,所述用于表征信号的矩阵为第二尺寸的矩阵;
相应的,所述第一终端将所述被测水环境的参数所在的表项转为用于表征参数的矩阵,包括:
所述第一终端将所述被测水环境的参数所在的表项转换为第三尺寸的初始参数矩阵;
所述第一终端对所述第三尺寸的初始参数矩阵进行填充,得到所述用于表征参数的矩阵,其中,所述用于表征参数的矩阵为所述第二尺寸的矩阵;
或者,所述第一终端将所述信号接收功率所在的表项,以及所述被测水环境的参数所在的表项融合为多维向量,包括:
所述第一终端将所述信号接收功率所在的表项转换为用于表征信号的向量;
所述第一终端将所述被测水环境的参数所在的表项转为用于表征参数的向量;
所述第一终端将所述用于表征信号的向量与所述用于表征参数的向量在向量空间上叠加,得到所述多维向量;
以及,所述第一终端将所述用于表征信号的向量与所述用于表征参数的向量在向量空间上叠加,得到所述多维向量,包括:
所述第一终端将所述用于表征信号的向量中的每个向量与所述用于表征参数的向量中对应的一个向量在向量空间上叠加,得到所述多维向量。
2.一种基于多参数适应性水质检测分析装置,其特征在于,第一终端和第二终端均部署在被测水环境中,所述装置包括:
处理模块,用于所述第一终端控制收发模块通过使用所述第一终端的接收波束接收所述第二终端的发送波束,确定所述第一终端的信号接收功率;
所述处理模块,还用于所述第一终端将所述信号接收功率与所述被测水环境的参数进行融合处理,得到所述被测水环境的水质,其中,所述被测水环境的参数是所述第一终端从所述被测水环境采集的参数;
其中,所述信号接收功率和所述被测水环境的参数均通过表项来表征,所述处理模块,还用于所述第一终端将所述信号接收功率所在的表项,以及所述被测水环境的参数所在的表项融合为表项图案;所述第一终端通过卷积神经网络模型处理所述表项图案,得到所述被测水环境的水质;
或者,所述信号接收功率和所述被测水环境的参数均通过表项来表征,所述处理模块,还用于所述第一终端将所述信号接收功率所在的表项,以及所述被测水环境的参数所在的表项融合为多维向量;所述第一终端通过深度神经网络模型处理所述多维向量,得到所述被测水环境的水质;
其中,所述处理模块,还用于所述第一终端使用所述第一终端的每个接收波束接收所述第二终端的发送波束,所述第一终端的信号接收功率包括所述第一终端的每个接收波束对应的信号接收功率;
其中,所述处理模块,还用于所述第一终端根据所述第二终端的波束图案,确定在所述第二终端使用所述第二终端的每个发送波束时,所述第一终端使用的所述第一终端的接收波束是能覆盖到该发送波束的波束;
其中,所述处理模块,还用于所述第一终端将所述信号接收功率所在的表项转换为用于表征信号的矩阵;所述第一终端将所述被测水环境的参数所在的表项转为用于表征参数的矩阵;所述第一终端将所述用于表征信号的矩阵与所述用于表征参数的矩阵在矩阵空间上叠加,得到融合矩阵;所述第一终端将所述融合矩阵中的每个元素确定为对应的一个像素点,得到融合图案;
以及,所述处理模块,还用于所述第一终端将所述信号接收功率所在的表项转换为第一尺寸的初始信号矩阵;所述第一终端对所述第一尺寸的初始信号矩阵进行填充,得到所述用于表征信号的矩阵,其中,所述用于表征信号的矩阵为第二尺寸的矩阵;相应的,所述第一终端将所述被测水环境的参数所在的表项转换为第三尺寸的初始参数矩阵;所述第一终端对所述第三尺寸的初始参数矩阵进行填充,得到所述用于表征参数的矩阵,其中,所述用于表征参数的矩阵为所述第二尺寸的矩阵;
或者,所述处理模块,还用于所述第一终端将所述信号接收功率所在的表项转换为用于表征信号的向量;所述第一终端将所述被测水环境的参数所在的表项转为用于表征参数的向量;所述第一终端将所述用于表征信号的向量与所述用于表征参数的向量在向量空间上叠加,得到所述多维向量;
以及,所述处理模块,还用于所述第一终端将所述用于表征信号的向量中的每个向量与所述用于表征参数的向量中对应的一个向量在向量空间上叠加,得到所述多维向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310264564.5A CN115980298B (zh) | 2023-03-20 | 2023-03-20 | 一种基于多参数适应性水质检测分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310264564.5A CN115980298B (zh) | 2023-03-20 | 2023-03-20 | 一种基于多参数适应性水质检测分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115980298A CN115980298A (zh) | 2023-04-18 |
CN115980298B true CN115980298B (zh) | 2023-07-21 |
Family
ID=85962675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310264564.5A Active CN115980298B (zh) | 2023-03-20 | 2023-03-20 | 一种基于多参数适应性水质检测分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980298B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1193577A (en) * | 1967-08-10 | 1970-06-03 | Polska Akademia Nauk Zaklad | Microwave Water Content Measurement. |
SU1718139A1 (ru) * | 1990-06-25 | 1992-03-07 | Казанский Авиационный Институт Им.А.Н.Туполева | Устройство дл анализа спектра случайных процессов |
CN101158673A (zh) * | 2007-11-16 | 2008-04-09 | 中国科学院力学研究所 | 一种原位测量探头 |
CN111707639A (zh) * | 2020-07-24 | 2020-09-25 | 安徽理工大学 | 一种基于光谱分析技术的多参数水下检测无人机控制系统 |
CN112328900A (zh) * | 2020-11-27 | 2021-02-05 | 北京工业大学 | 一种融合评分矩阵和评论文本的深度学习推荐方法 |
CN112603758A (zh) * | 2020-12-21 | 2021-04-06 | 上海交通大学宁波人工智能研究院 | 一种基于sEMG与IMU信息融合的手势识别方法 |
CN115267753A (zh) * | 2022-09-26 | 2022-11-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水下激光雷达标定方法和设备 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655443B (zh) * | 2009-09-09 | 2011-03-16 | 华南理工大学 | 利用水声衰减频谱测量水浑浊度的装置及方法 |
CN102004764A (zh) * | 2010-11-04 | 2011-04-06 | 中国科学院计算机网络信息中心 | 互联网不良信息检测方法以及系统 |
CN105653021B (zh) * | 2015-08-31 | 2018-09-07 | 宇龙计算机通信科技(深圳)有限公司 | 一种数据协同处理方法及装置 |
CN105354851B (zh) * | 2015-11-20 | 2018-07-17 | 中国安全生产科学研究院 | 对距离自适应的红外与可见光视频融合方法 |
CN205620353U (zh) * | 2016-04-13 | 2016-10-05 | 华南理工大学 | 基于超声功率谱估计的液体悬浮物浓度测量装置 |
CN105738469B (zh) * | 2016-04-13 | 2019-01-29 | 华南理工大学 | 基于超声功率谱估计的液体悬浮物浓度测量方法与装置 |
CN108470379B (zh) * | 2017-02-23 | 2021-12-07 | 株式会社理光 | 三维图像融合方法和装置 |
CN110034832B (zh) * | 2018-01-12 | 2020-08-07 | 华为技术有限公司 | 监控信道质量的方法和终端设备 |
CN109187739B (zh) * | 2018-09-12 | 2021-12-07 | 浙江理工大学 | 基于超声波衰减实现混合液体浊度测量的系统及方法 |
CN110232461A (zh) * | 2018-10-22 | 2019-09-13 | 鲁东大学 | 基于量子遗传算法优化的多关联向量机水质预测方法 |
CN111698008B (zh) * | 2019-03-15 | 2022-02-11 | 华为技术有限公司 | 生成波束的方法和装置 |
CN110428372B (zh) * | 2019-07-08 | 2021-12-10 | 佳木斯市奥义智能科技有限公司 | 深度数据与2d激光数据融合方法及装置、存储介质 |
WO2021114043A1 (zh) * | 2019-12-09 | 2021-06-17 | 华为技术有限公司 | 设备到设备的通信方法和通信装置 |
CN111382683B (zh) * | 2020-03-02 | 2023-05-23 | 东南大学 | 一种基于彩色相机与红外热成像仪特征融合的目标检测方法 |
CN111818126B (zh) * | 2020-06-08 | 2022-03-11 | 武汉大学 | 基于rfid多特征融合感知模型的物联网环境参数自适应反演方法 |
CN117813874A (zh) * | 2021-08-13 | 2024-04-02 | Oppo广东移动通信有限公司 | 无线通信的方法和设备 |
CN114578011A (zh) * | 2022-03-07 | 2022-06-03 | 上海蓝长科技集团有限公司 | 一种基于多传感器多源数据融合的水质监测方法 |
CN115294376A (zh) * | 2022-04-24 | 2022-11-04 | 西京学院 | 基于超声波形与超声图像特征融合的焊缝缺陷检测方法 |
CN114742183B (zh) * | 2022-06-15 | 2023-04-18 | 广东中浦科技有限公司 | 基于深度学习的水污染预警方法、系统、设备及存储介质 |
CN115175218A (zh) * | 2022-06-28 | 2022-10-11 | 北京神经元网络技术有限公司 | 一种无线网络设备覆盖优化方法及装置 |
CN115165757A (zh) * | 2022-07-05 | 2022-10-11 | 深圳一目科技有限公司 | 水体综合污渍浓度监测方法、装置、餐具洗涤方法及设备 |
CN115660455A (zh) * | 2022-09-21 | 2023-01-31 | 生态环境部淮河流域生态环境监督管理局生态环境监测与科学研究中心 | 一种三水统筹下水质评价体系模型构建系统、设备及终端 |
-
2023
- 2023-03-20 CN CN202310264564.5A patent/CN115980298B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1193577A (en) * | 1967-08-10 | 1970-06-03 | Polska Akademia Nauk Zaklad | Microwave Water Content Measurement. |
SU1718139A1 (ru) * | 1990-06-25 | 1992-03-07 | Казанский Авиационный Институт Им.А.Н.Туполева | Устройство дл анализа спектра случайных процессов |
CN101158673A (zh) * | 2007-11-16 | 2008-04-09 | 中国科学院力学研究所 | 一种原位测量探头 |
CN111707639A (zh) * | 2020-07-24 | 2020-09-25 | 安徽理工大学 | 一种基于光谱分析技术的多参数水下检测无人机控制系统 |
CN112328900A (zh) * | 2020-11-27 | 2021-02-05 | 北京工业大学 | 一种融合评分矩阵和评论文本的深度学习推荐方法 |
CN112603758A (zh) * | 2020-12-21 | 2021-04-06 | 上海交通大学宁波人工智能研究院 | 一种基于sEMG与IMU信息融合的手势识别方法 |
CN115267753A (zh) * | 2022-09-26 | 2022-11-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种水下激光雷达标定方法和设备 |
Non-Patent Citations (1)
Title |
---|
Experimental research and analysis of salinity measurement based on optical techniques;Yong Zhao等;《Sensors and Actuators B 》;第92卷;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115980298A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200322016A1 (en) | Electronic device for controlling beam based on data obtained by camera and method for the same | |
CN103150238A (zh) | 一种服务请求处理方法、模拟性能测试方法及装置 | |
CN103512562A (zh) | 基于Arduino的近岸海域环境自动监测及预警系统 | |
CN109451478B (zh) | 链路损耗计算方法、装置、网关和可读存储介质 | |
CN110677533A (zh) | 移动终端控制方法、装置、移动终端和存储介质 | |
CN109343092B (zh) | 性能测试方法、装置、电子设备和存储介质 | |
CN102165835A (zh) | 用于确定信道占用的认知无线电设备和方法 | |
CN108471627A (zh) | 网络质量确定方法及装置 | |
CN107947875B (zh) | 一种基站发出的电磁辐射的检测方法及装置 | |
CN115980298B (zh) | 一种基于多参数适应性水质检测分析方法及装置 | |
CN114389727B (zh) | 检测生命体接近终端设备的方法、终端设备及芯片 | |
CN112433242A (zh) | 高精度物业定位方法、装置及系统 | |
CN111899087A (zh) | 数据的提供方法、装置、电子设备及计算机可读存储介质 | |
CN112771937B (zh) | 一种功率回退方法、终端设备及存储介质 | |
US20230007598A1 (en) | Transmit power of wireless communication | |
CN116308066A (zh) | 基于物联网的仓储管理方法及装置 | |
CN114003124B (zh) | 确定可穿戴设备的穿戴状态的方法和电子设备 | |
CN102869006B (zh) | 无线传感器网络层次型入侵诊断处理系统及其方法 | |
CN114937029A (zh) | 森林碳储量抽样估测方法、装置、设备及存储介质 | |
CN112217585B (zh) | 信号路径的确定方法、装置、计算机设备和存储介质 | |
CN209928591U (zh) | 一种基于网络科技监控预警系统 | |
JP2011185891A (ja) | 移動端末および移動端末の測位方法 | |
CN116912951B (zh) | 人体姿态的评估方法及装置 | |
CN116840502A (zh) | 基于深度学习的光电传感器的测量方法及设备 | |
CN116051565B (zh) | 基于结构光3d点云的接触网缺陷目标检测方法及装置 |
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 |