CN116668473A - 一种农业异常数据的边缘识别方法、系统、设备及介质 - Google Patents
一种农业异常数据的边缘识别方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116668473A CN116668473A CN202310496045.1A CN202310496045A CN116668473A CN 116668473 A CN116668473 A CN 116668473A CN 202310496045 A CN202310496045 A CN 202310496045A CN 116668473 A CN116668473 A CN 116668473A
- Authority
- CN
- China
- Prior art keywords
- data
- sensing
- abnormal
- edge server
- node
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000005856 abnormality Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 61
- 238000005070 sampling Methods 0.000 claims description 44
- 230000008447 perception Effects 0.000 claims description 40
- 238000004891 communication Methods 0.000 claims description 10
- 238000002872 Statistical quality control Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种农业异常数据的边缘识别方法、系统、设备及介质,方法包括:通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。本发明针对农业场景中异常数据识别的问题,以边缘计算为出发点,从不同层面对异常数据进行识别,降低异常数据传输造成的网络资源浪费。
Description
技术领域
本发明属于异常数据检测、边缘计算的技术领域,具体涉及一种农业异常数据的边缘识别方法、系统、设备及介质。
背景技术
随着信息技术、物联网、大数据、人工智能等的快速发展,智能系统需要采集大量的数据,用于实现农业系统智能化与自动化。然而,在实际应用中存在大量感知异常数据,如果上述数据无法及时被识别出来,将会造成传输数据质量的下降、数据有效性的降低,而且大量异常数据会直接影响基于该数据的分析、人工智能算法等。如何在大规模环境下快速有效的实现异常数据快速识别成为了当前的亟需解决的问题。
在文献《物联网船舶异常数据自动识别系统》中,作者基于物联网的船舶异常数据自动识别系统在国内外的研究现状,提出了运用主成分分析法和支持向量机算法构建船舶异常数据自动识别模型,并论述了异常数据自动识别系统的设计与实现。在文献《基于数据流时空特征的WSN异常检测及异常类型识别》中,作者提出一种融合数据流时空特征和多分类模型的异常检测算法,该算法基于Markov链提取传感器数据流的时空特征,然后将时空特征作为多分类卷积神经网络模型的输入特征,对数据流进行异常检测及异常类型识别;专利文件《异常数据识别模型的训练方法及相关设备》中提出一种异常数据识别模型的训练方法及相关设备,通过生成器对正常样本数据和异常样本数据进行模仿处理,生成模拟数据;再基于训练样本数据对生成器和模拟数据识别模型进行第一对抗训练,以及基于训练样本数据对生成器和异常数据识别模型进行第二对抗训练。同时专利《一种物联网异常数据识别方法和系统》中公开一种物联网异常数据识别方法:获取当前时刻所在周期前设定数量的周期内与当前时刻相对应时刻检测设备所发出的数据量,根据其判断本周期检测设备在当前时刻所发出的数据量是否异常;获取当前时刻所在周期前一周期的数据变化模型,利用其预测当前时刻的数据,判断其与当前时刻检测设备所发出实际数据的差值是否大于设定数据差,如果大于,则判断为当前时刻检测设备所发出的数据异常。
上述现有技术主要存在几点不足:一是算法实时性低:大部分均在服务器完成,存在异常数据再次传输的问题;二是算法复杂:需要大量其他、或者历史数据支持,造成算法复杂、效率低;三是少考虑异常数据与其他数据的相关性、一致性,造成异常数据识别不全面;同时涉及农业感知异常数据的识别问题的文献也少有提及。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种农业异常数据的边缘识别方法、系统、设备及介质,以边缘计算为出发点,解决农业场景中异常数据识别的问题,从不同层面对异常数据进行识别,显著提高异常数据的识别效率,大幅降低识别时间,降低异常数据传输造成的网络资源浪费。
本发明第一目的提供一种农业异常数据的边缘识别方法,包括下述步骤:
通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
作为优选的技术方案,所述感知节点由传感器、处理器、通信模块和电源构成;其中传感器数量按照农情数据的实际需求进行设置;所述边缘服务器包括计算单元、数据存储单元、专家系统和通信系统;
所述汇聚节点与边缘服务器对应连接,将汇聚节点管辖范围内多个感知节点上传的感知数据暂存于边缘服务器中;
所述汇聚节点和边缘服务器分别与云中心进行连接。
作为优选的技术方案,所述使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据,具体为:
在采样周期T内,设t时刻感知节点Si采集的农作物感知参数数据 和/>分别为感知参数数据de在采样周期T内的最小值和最大值,则de满足阈值范围为:/>
参考传感器的测量限值和采样周期的临界阈值,感知参数数据de在采样周期T内的最大值确定为:
其中,E为农作物感知参数数据的类数量,为传感器测量的最大值,/>为传感器的基本限值,T为采样周期,f(T)为感知参数数据de的均方根误差与采样周期T的拟合函数,根据感知节点Si采集的农作物感知参数数据de的历史数据得到;
感知参数数据de在采样周期T内的最小值由传感器测量的最小值确定:
当de超出阈值范围时,说明在t时刻感知参数数据de存在异常,从中进行剔除,得到感知数据。
作为优选的技术方案,所述构造多元数据异常指标函数,具体为:
设汇聚节点Cn暂存于边缘服务器Fn中的感知数据为随机选取某类感知数据作为识别数据di,计算识别数据di与其他类感知数据的相关性系数;
选择与识别数据di相关性最大的两类感知数据(dP,dQ),根据多元统计质量控制方法构造多元数据异常指标函数,结合前m个采样周期T内的感知数据,计算多源数据异常指标函数值,表示为:
其中,TR为感知数据的类数,Ilocal为多元数据异常指标函数值,为前m个采样周期T内dP的均值,/>为前m个采样周期T内dQ的均值,/>为前m个采样周期T内di的均值,sdP为前m个采样周期T内dP的标准差,sdQ为前m个采样周期T内dQ的标准差,sdi为前m个采样周期T内di的标准差。
作为优选的技术方案,所述计算综合异常指标对感知数据进行本地多元数据异常检测,具体为:
边缘服务器En筛选出与识别数据di对应的感知节点邻近的感知节点;
若邻近的感知节点和识别数据di对应的感知节点隶属于同一汇聚节点,则边缘服务器Fn从邻近的感知节点中选取与识别数据di最相关的两类感知数据,再次计算汇聚节点对应所属范围内的邻近感知节点对应的多元数据异常指标函数值;
若邻近的感知节点和识别数据di对应的感知节点不隶属于同一汇聚节点,则边缘服务器Fn或汇聚节点,通过通信模块,发送请求到云中心;云中心通知邻近感知节点对应的边缘服务器从邻近感知节点中选取与识别数据di最相关的两类感知数据,计算邻近感知节点的多元数据异常指标函数值并上传至云中心;云中心将邻近感知节点对应的边缘服务器计算的多源数据异常指标函数值发送给边缘服务器Fn;
边缘服务器Fn收集到所有邻近感知节点的多元数据异常指标函数值后,计算综合异常指标,对识别数据di进行本地多元数据异常检测;
所述综合异常指标表示为:
其中,α、β分别为权重系数,α+β=1,I1、I2、…、IN分别为邻近感知节点对应的边缘服务器计算的多元数据异常指标函数值,N为邻近感知节点的数量;
当识别数据di的综合异常指标I>1时,则识别数据di为异常数据,否则识别数据di正常。
作为优选的技术方案,所述数据类型间的相关性还能通过边缘服务器En中的专家系统进行查找,得到与识别数据di相关性最大的两类感知数据(dP,dQ),根据多元统计质量控制方法构造多元数据异常指标函数,计算多源数据异常指标函数值。
作为优选的技术方案,所述相关性系数包括Pearson系数、Spearman系数及Kendall系数。
本发明第二目的提供一种农业异常数据的边缘识别系统,应用于上述的一种农业异常数据的边缘识别方法,所述系统包括初次识别模块、指标函数构建模块及再次识别模块;
所述初次识别模块用于通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
所述指标函数构建模块用于将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
所述再次识别模块用于边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
本发明第三目的提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的一种农业异常数据的边缘识别方法。
本发明第四目的提供一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现上述的一种农业异常数据的边缘识别方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明在感知节点采用阈值方法进行初次识别,在边缘服务器依据数据类型的相关性构建多元数据异常指标函数计算综合异常指标进行再次识别,通过双层异常数据识别机制,从不同层面对异常数据进行局部和全局识别,大幅降低识别时间,降低异常数据传输造成的网络资源浪费。
2、本发明采用数据类型间的相关性,构建多元数据异常指标函数,并考虑异常数据与其他数据的一致性及关联性,通过邻近感知节点的感知数据来对异常数据进行综合评估,在边缘计算层对异常数据进行识别,显著提高异常数据的识别效率,提高数据的有效性和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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为本发明实施例中一种农业异常数据的边缘识别方法的流程示意图。
图2为本发明实施例中一种农业异常数据的边缘识别方法的工作示意图。
图3为本发明实施例中一种农业异常数据的边缘识别系统的结构示意图。
图4为本发明实施例中一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
农作物生长监测数据是典型的时间序列数据集,在时间上具有一定的连贯性,即一定时间段内的数据值不会出现突变;如果某一采样间隔的感知数据出现突变,则可以认为该组作物生长监测数据出现异常情况。传输存在异常情况的感知数据,会降低传输数据质量和效率,对后期数据处理带来不便与危害。本发明结合大数据与边缘计算的特点,在边缘端进行数据传输前对异常数据进行识别与剔除,可有效地提升数据质量和传输效率。
请参阅图1,本实施例一种农业异常数据的边缘识别方法,包括下述步骤:
S1、通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
S2、将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
S3、边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
具体的,如图2所示,本发明使用感知节点对农作物生长监测数据进行采集,由传感器、处理器、通信模块和电源等构成,其中传感器数量按照农情数据获取的实际需求进行配置;边缘服务器包括计算单元、数据存储单元、专家系统和通信系统等;汇聚节点与边缘服务器对应连接,将汇聚节点管辖范围内多个感知节点上传的感知数据暂存于边缘服务器中;汇聚节点和边缘服务器分别与云中心进行连接。
具体的,本发明采用双层异常数据识别机制,从不同层面对异常数据进行局部和全局识别;首先是在感知节点层面使用阈值方法对采集的感知参数数据进行异常数据初次识别,得到感知数据,包括:
采样周期T内,设t时刻感知节点Si采集的农作物感知参数数据为(d0,d1,...,dE即感知节点Si在t时刻采集的多个农作物感知参数数据,例如感知环境中的温度、湿度、CO2、光照、风速等等),/>和/>分别为感知参数数据de在采样周期T内的最小值和最大值,因此de满足阈值范围为:/>
参考传感器的测量限值和采样周期的临界阈值,则感知参数数据de在采样周期T内的最大值确定为:
其中,E为农作物感知参数数据的类数量,为传感器测量的最大值,/>为传感器的基本限值,T为采样周期,f(T)为感知参数数据de的均方根误差与采样周期T的拟合函数,根据感知节点Si采集的农作物感知参数数据de的历史数据得到;
由于实际情况中,数据异常多出现在最大值,因此最小值一般由传感器可以感知测量的最小值进行明确,因此感知参数数据de在采样周期T内的最小值由传感器测量的最小值确定:
当de超出阈值范围时,说明在t时刻感知参数数据de存在异常,从中进行剔除,得到感知数据。
接着,感知节点将感知数据通过通信模块(包括有线和无线方式)上传至汇聚节点,汇聚节点将感知数据暂存与边缘服务器上,在边缘服务器上进行再次识别,包括:
设汇聚节点Cn暂存于边缘服务器Fn中的感知数据为随机选取某类感知数据作为识别数据di,计算识别数据di与其他类感知数据的相关性系数;
本发明中的相关性系数采用现有技术中三种的任意一种,包括:Pearson、Spearman和Kendall,三种分别适用不同的场合。Pearson系数:叫皮尔逊相关系数,也叫线性相关系数,用于进行线性相关分析,是最常用的相关系数,当数据满足正态分布时会使用该系数。Spearman系数:当数据不满足正态分布时,使用该系数。Kendall系数:通常用于评分数据一致性水平研究(非关系研究)。
选择与识别数据di相关性最大的两类感知数据(dP,dQ),根据多元统计质量控制方法构造多元数据异常指标函数,结合前m个采样周期T内的感知数据,计算多源数据异常指标函数值,表示为:
其中,TR为感知数据的类数,Ilocal为多元数据异常指标函数值,即是根据3δ原则建立的一个多元质量控制椭球体;为前m个采样周期T内dP的均值,/>为前m个采样周期T内dQ的均值,/>为前m个采样周期T内di的均值,sdP为前m个采样周期T内dP的标准差,sdQ为前m个采样周期T内dQ的标准差,sdi为前m个采样周期T内di的标准差。
考虑到异常数据与其他数据的相关性、一致性,本发明通过计算邻近感知节点对应的多元数据异常指标函数值来对识别数据进行综合评估,包括:
边缘服务器Fn筛选出与识别数据di对应的感知节点邻近的感知节点;
若邻近的感知节点和识别数据di对应的感知节点隶属于同一汇聚节点,则边缘服务器Fn从邻近的感知节点中选取与识别数据di最相关的两类感知数据,边缘服务器再次计算汇聚节点对应所属范围内的邻近感知节点对应的多元数据异常指标函数值;
若邻近的感知节点和识别数据di对应的感知节点不隶属于同一汇聚节点,则边缘服务器Fn或汇聚节点,通过通信模块,发送请求到云中心;云中心通知邻近感知节点对应的边缘服务器从邻近感知节点中选取与识别数据di最相关的两类感知数据,计算邻近感知节点的多元数据异常指标函数值并上传至云中心;云中心将邻近感知节点对应的边缘服务器计算的多源数据异常指标函数值发送给边缘服务器Fn;
边缘服务器Fn收集到所有邻近感知节点的多元数据异常指标函数值后,计算综合异常指标,对识别数据di进行本地多元数据异常检测;
综合异常指标计算公式为:
其中,α、β分别为权重系数,α+β=1,实际中α、β可取0.5(亦可根据实际环境进行动态调整);I1、I2、…、IN分别为邻近感知节点对应的多元数据异常指标函数值,N为邻近感知节点的数量,一般实际中取N=3;
当识别数据di的综合异常指标I>1时,则识别数据di为异常数据,否则识别数据di正常。
此外,本发明实施例中,数据类型间的相关性还可以通过边缘服务器Fn中的专家系统进行查找,得到与识别数据di相关性最大的两类感知数据(dP,dQ),再根据多元统计质量控制方法构造多元数据异常指标函数,计算多元数据异常指标函数值。
为便于对本发明方法的理解,本实施例设置一具体场景进行说明,具体如下:
设一个汇聚节点C0内有三个感知节点(S0、S1、S2),另一汇聚节点C1内有2个感知节点(S3、S4);所有感知节点可以同时四种参数(温度d0、湿度d1、光强d2、风速d3);汇聚节点C0对应边缘服务器F0,汇聚节点C1对应边缘服务器F1;非一般性,假设S0的邻近感知节点为S1和S4;设综合异常指标中权重系数α=β=0.5。
现在所有感知节点以10分钟为采样周期,周期性的感知上述四种参数。假设当前时刻t,S0当前感知到的温度d0=38,现在需要对d0进行异常判别时,可以通过公式(1)在S0本地设置阈值范围,进行初次识别:例如温度传感器的感知范围为-30~+40度之间,则假设/>f(10)=15,则/>(40,(0+3×15))=40,明显d0满足阈值要求;
接着,感知节点经初次识别后的感知数据发送汇聚节点C0,汇聚节点通知对应的边缘服务器F0进行下一步判别,F0通过历史数据序列,计算温度与其他三种参数的Pearson相关系数ρ,其中ρ(d0,d1)=0.8,ρ(d0,d2)=0.9,ρ(d0,d3)=0.45,说明温度d0与湿度和光强密切相关;于是确定(dP,dQ)为湿度和光强,获取当前时刻三种参数的感知数据,与前5个周期的感知数据,根据公式(2)计算多元数据异常指标函数值,得到Ilocal=0.5;
同时,采用同样的方法,由于S0与S1隶属于同一汇聚节点C0,所以F0计算邻近感知节点S1的多元数据异常指标函数值I1=0.6;而S0与S4不隶属于同一汇聚节点,因此F0向云中心发送获取S4的多元数据异常指标函数值的要求;云中心通知F1计算S4的多元数据异常指标函数值I4=0.6,并反馈给F0;F0接收到后通过公式(3)计算感知节点S0感知的感知数据d0的综合异常指标值说明此时感知节点S0感知的感知数据d0是正常数据。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的一种农业异常数据的边缘识别方法相同的思想,本发明还提供一种农业异常数据的边缘识别系统,该系统可用于执行上述一种农业异常数据的边缘识别方法。为了便于说明,一种农业异常数据的边缘识别系统实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,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。
如图3所示,本发明另一个实施例提供了一种农业异常数据的边缘识别系统,包括初次识别模块、指标函数构建模块及再次识别模块;
其中,初次识别模块用于通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
指标函数构建模块用于将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
再次识别模块用于边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
需要说明的是,在上述一种农业异常数据的边缘识别方法的实施例阐述的技术特征及其有益效果均适用于一种农业异常数据的边缘识别系统的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的一种农业异常数据的边缘识别系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
如图4所示,在一个实施例中,提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行一种农业异常数据的边缘识别方法,具体为:
通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种农业异常数据的边缘识别方法,其特征在于,所述方法包括下述步骤:
通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
2.根据权利要求1所述的一种农业异常数据的边缘识别方法,其特征在于,所述感知节点由传感器、处理器、通信模块和电源构成;其中传感器数量按照农情数据的实际需求进行设置;所述边缘服务器包括计算单元、数据存储单元、专家系统和通信系统;
所述汇聚节点与边缘服务器对应连接,将汇聚节点管辖范围内多个感知节点上传的感知数据暂存于边缘服务器中;
所述汇聚节点和边缘服务器分别与云中心进行连接。
3.根据权利要求2所述的一种农业异常数据的边缘识别方法,其特征在于,所述使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据,具体为:
在采样周期T内,设t时刻感知节点Si采集的农作物感知参数数据和/>分别为感知参数数据de在采样周期T内的最小值和最大值,则de满足阈值范围为:
参考传感器的测量限值和采样周期的临界阈值,感知参数数据de在采样周期T内的最大值确定为:
其中,E为农作物感知参数数据的类数量,为传感器测量的最大值,/>为传感器的基本限值,T为采样周期,f(T)为感知参数数据de的均方根误差与采样周期T的拟合函数,根据感知节点Si采集的农作物感知参数数据de的历史数据得到;
感知参数数据de在采样周期T内的最小值由传感器测量的最小值确定:
当de超出阈值范围时,说明在t时刻感知参数数据de存在异常,从中进行剔除,得到感知数据。
4.根据权利要求3所述的一种农业异常数据的边缘识别方法,其特征在于,所述构造多元数据异常指标函数,具体为:
设汇聚节点Cn暂存于边缘服务器Fn中的感知数据为随机选取某类感知数据作为识别数据di,计算识别数据di与其他类感知数据的相关性系数;
选择与识别数据di相关性最大的两类感知数据(dP,dQ),根据多元统计质量控制方法构造多元数据异常指标函数,结合前m个采样周期T内的感知数据,计算多源数据异常指标函数值,表示为:
其中,TR为感知数据的类数,Ilocal为多元数据异常指标函数值,为前m个采样周期T内dP的均值,/>为前m个采样周期T内dQ的均值,/>为前m个采样周期T内di的均值,sdP为前m个采样周期T内dP的标准差,sdQ为前m个采样周期T内dQ的标准差,sdi为前m个采样周期T内di的标准差。
5.根据权利要求4所述的一种农业异常数据的边缘识别方法,其特征在于,所述计算综合异常指标对感知数据进行本地多元数据异常检测,具体为:
边缘服务器En筛选出与识别数据di对应的感知节点邻近的感知节点;
若邻近的感知节点和识别数据di对应的感知节点隶属于同一汇聚节点,则边缘服务器Fn从邻近的感知节点中选取与识别数据di最相关的两类感知数据,再次计算汇聚节点对应所属范围内的邻近感知节点对应的多元数据异常指标函数值;
若邻近的感知节点和识别数据di对应的感知节点不隶属于同一汇聚节点,则边缘服务器Fn或汇聚节点,通过通信模块,发送请求到云中心;云中心通知邻近感知节点对应的边缘服务器从邻近感知节点中选取与识别数据di最相关的两类感知数据,计算邻近感知节点的多元数据异常指标函数值并上传至云中心;云中心将邻近感知节点对应的边缘服务器计算的多源数据异常指标函数值发送给边缘服务器Fn;
边缘服务器Fn收集到所有邻近感知节点的多元数据异常指标函数值后,计算综合异常指标,对识别数据di进行本地多元数据异常检测;
所述综合异常指标表示为:
其中,α、β分别为权重系数,α+β=1,I1、I2、…、IN分别为邻近感知节点对应的边缘服务器计算的多元数据异常指标函数值,N为邻近感知节点的数量;
当识别数据di的综合异常指标I>1时,则识别数据di为异常数据,否则识别数据di正常。
6.根据权利要求3所述的一种农业异常数据的边缘识别方法,其特征在于,所述数据类型间的相关性还能通过边缘服务器En中的专家系统进行查找,得到与识别数据di相关性最大的两类感知数据(dP,dQ),根据多元统计质量控制方法构造多元数据异常指标函数,计算多源数据异常指标函数值。
7.根据权利要求4所述的一种农业异常数据的边缘识别方法,其特征在于,所述相关性系数包括Pearson系数、Spearman系数及Kendall系数。
8.一种农业异常数据的边缘识别系统,其特征在于,应用于权利要求1-7中任一项所述的一种农业异常数据的边缘识别方法,所述系统包括初次识别模块、指标函数构建模块及再次识别模块;
所述初次识别模块用于通过感知节点采集农作物感知参数数据,并使用阈值方法对感知参数数据进行异常数据初次识别,得到感知数据;
所述指标函数构建模块用于将感知数据上传至汇聚节点并暂存于边缘服务器;边缘服务器随机选取某类感知数据,依据数据类型间的相关性,构造多元数据异常指标函数;
所述再次识别模块用于边缘服务器筛选出与该类感知数据对应的感知节点邻近的感知节点,从邻近的感知节点中选取与该类感知数据最相关的两类感知数据,计算综合异常指标对该类感知数据进行本地多元数据异常检测。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7中任意一项所述的一种农业异常数据的边缘识别方法。
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的一种农业异常数据的边缘识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310496045.1A CN116668473A (zh) | 2023-05-05 | 2023-05-05 | 一种农业异常数据的边缘识别方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310496045.1A CN116668473A (zh) | 2023-05-05 | 2023-05-05 | 一种农业异常数据的边缘识别方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116668473A true CN116668473A (zh) | 2023-08-29 |
Family
ID=87710818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310496045.1A Pending CN116668473A (zh) | 2023-05-05 | 2023-05-05 | 一种农业异常数据的边缘识别方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116668473A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
-
2023
- 2023-05-05 CN CN202310496045.1A patent/CN116668473A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114917A (zh) * | 2023-10-25 | 2023-11-24 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
CN117114917B (zh) * | 2023-10-25 | 2024-01-26 | 中国铁塔股份有限公司吉林省分公司 | 应用于数字农业的ai预测处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
CN108376298B (zh) | 一种风电机组发动机温度故障预警诊断方法 | |
CN106971152B (zh) | 一种基于航拍图像的检测输电线路中鸟巢的方法 | |
CN106059492B (zh) | 基于功率预测的光伏组件阴影故障类型判定方法 | |
KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
US20210256428A1 (en) | Controller for controlling a technical system, and method for configuring the controller | |
CN104951846A (zh) | 微电网短期功率和负荷预测系统及误差分类动态修正方法 | |
CN116668473A (zh) | 一种农业异常数据的边缘识别方法、系统、设备及介质 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN114462623B (zh) | 基于边缘计算的数据分析方法、系统及平台 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN117251700B (zh) | 基于人工智能的环境监测传感器数据分析方法及系统 | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
CN115996249A (zh) | 一种基于分级的数据传输方法及装置 | |
CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN111625030A (zh) | 一种温室环境控制方法、装置、设备、系统及存储介质 | |
CN116778275A (zh) | 基于卷积长短时记忆神经网络的车削刀具寿命预测方法 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN115115107A (zh) | 光伏功率的预测方法、预测装置和计算机设备 | |
CN115327942A (zh) | 一种环境智能监测系统 | |
CN117713688B (zh) | 光伏组件在多朝向及倾角下的低效识别与电量提升方法 | |
CN112365103B (zh) | 运行阶段建筑短期负荷预测方法、装置、设备和介质 | |
CN111292019B (zh) | 用于分析农业能源互联网安全的方法及装置 | |
WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、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 |