CN116738370A - 一种基于神经网络的多传感器数据融合方法及系统 - Google Patents
一种基于神经网络的多传感器数据融合方法及系统 Download PDFInfo
- Publication number
- CN116738370A CN116738370A CN202310998429.3A CN202310998429A CN116738370A CN 116738370 A CN116738370 A CN 116738370A CN 202310998429 A CN202310998429 A CN 202310998429A CN 116738370 A CN116738370 A CN 116738370A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle operation
- vehicle
- interpolation
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007499 fusion processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 12
- 230000002596 correlated effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Transportation (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于神经网络的多传感器数据融合方法及系统，所述方法包括以下步骤：通过多传感器收集车辆运行数据；通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；根据车辆运行状态模型，对车辆运行状态进行预测。通过将神经网络模型和多传感器数据融合相结合，既具备了神经网络模型的数据关联性高，数据特征提取信息集中度高的优点，也具备了多传感器数据融合对庞大数据集的综合处理能力强的优点。
Description
技术领域
本发明涉及传感器数据领域，尤其涉及一种基于神经网络的多传感器数据融合方法及系统。
背景技术
随着传感器技术的发展以及物联网应用的普及，传感器数据呈指数级增加。有效的分析与利用传感器数据是物联网应用的核心之一。然而传感器数据应用过程中存在诸多挑战，如数据异常，数据缺失，深度学习模型复杂性高以及诸如交通传感数据存在复杂的时空相关性等。基于单一传感器进行进行数据应用已经满足不了当下数据处理的要求，因此常常采用多传感器的数据融合。而采用多传感器数据融合时，数据之间需要进行关联，而数据关联如果不稳固，会造成容错率降低的问题。
中国专利CN116476800A《基于多传感器数据融合的新能源汽车动力分配控制方法》公开了一种通过多个传感器收集车辆相关数据并进行融合处理，得到车辆综合状态信息的方法。然而该方法仅仅是将多个传感器收集到的数据进行简单融合处理，而没有对多传感器的数据进行更稳固的数据关联，这样会导致得到的综合信息有较大误差，容错率低。
发明内容
有鉴于此，本发明提出了一种基于神经网络的多传感器数据融合方法及系统，通过神经网络模型将多传感器间的数据进行稳固数据关联，结合多传感器数据融合数据量大以及神经网络数据关联能力强的优点，解决了多传感器数据融合容错率低的问题。
本发明的技术方案是这样实现的：一方面，本发明提供了一种基于神经网络的多传感器数据融合方法，应用于车辆运行，包括以下步骤：
S1，通过多传感器收集车辆运行数据；
S2，通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；
S3，对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；
S4，根据车辆运行状态模型，对车辆运行状态进行预测。
优选的，所述车辆运行数据的类别包括车辆运行速度、车辆运行加速度、车辆运行方向以及车辆电池信息。
优选的，步骤S2具体包括以下步骤：
S21，对车辆运行数据进行数据清洗处理，将处理后的车辆运行数据输入至神经网络模型；
S22，通过神经网络模型对车辆运行数据进行特征提取，得到每个传感器的数据对应的特征值；
S23，根据各传感器之间的距离对特征值进行多源数据关联。
优选的，步骤S21具体包括以下步骤：
采用数据填补、数据去噪、数据去冗余和数据清洗车辆运行数据进行检测，发现其中存在的不一致以及错误，剔除或修正错误数据，对数据缺失值进行填补。
优选的，步骤S22具体包括以下步骤：
取车辆运行数据为，/>为车辆运行数据的类别，n为车辆运行数据的类别个数，车辆运行数据的类别的数据特征分布为/>，m为车辆运行数据的类别的数据特征的数量；
对数据集中的缺失数据选择同一列的其他已知数据进行填补，得到数据集/>；
使用数据集训练关系模型，根据训练得到的关系模型对数据集进行插补过程为：
；
其中，为关系模型，i为车辆运行数据第i个类别，j为车辆运行数据第i个类别的第j个数据特征，/>为待插补数据，D为待插补数据的插补类别总数，d为第d个插补类别，/>为第/>个插补类别，/>是一个维度为m-1的向量，m为特征总数，/>为待插补数据/>对应的一行已知数据/>为后验概率，/>通过/>训练得到；
待插补数据的插补值计算公式为：
；
其中，f为在（0,1）区间中抽取的随机值，时，/>的值为1，否则/>的值为0；
；
为后验概率/>中选择的随机值；
当所有待插补数据位置都进行插补后，完成第一轮插补得到新的数据集，重复插补过程直到迭代次数达到结束条件，迭代次数设定为4-10轮，当前后两轮迭代的数据集不存在差异时提前结束，结束后输出插补结果；
采用基于K均值的聚类算法对数据进行去噪，通过文件相似性比较算法去除重复冗杂的文件数据，采用MySQL或Oracle数据库存储集成化管理后的数据。
优选的，步骤S23具体包括以下步骤：
各传感器数据特征值的多源数据关联关系为：
；
其中，为以各传感器为顶点组成的多边形的周长，/>为与车辆运行数据第i个类别对应的传感器直接连接的其他传感器的数据的集合，/>为车辆运行数据第i个类别对应的传感器的所有数据，/>为车辆运行数据第k个类别对应的传感器的所有数据。
优选的，步骤S3具体包括以下步骤：
车辆运行状态模型Y为：
；
其中，i为车辆运行数据第i个类别，为车辆运行数据第i个类别所占的权重，/>为车辆运行数据第i个类别对应的传感器的所有数据。
另一方面，本发明还提供一种基于神经网络的多传感器数据融合系统，所述系统包括：
数据采集模块，用于通过多传感器收集车辆运行数据；
数据关联模块，用于通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；
数据融合模块，用于对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；
状态预测模块，用于根据车辆运行状态模型，对车辆运行状态进行预测。
另一方面，本发明的实施例还提供了一种电子设备，所述电子设备包括：存储器、处理器以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，所述计算机程序被所述处理器执行时实现该基于神经网络的多传感器数据融合方法的步骤。
另一方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现该基于神经网络的多传感器数据融合方法的步骤。
本发明的一种基于神经网络的多传感器数据融合方法及系统相对于现有技术具有以下有益效果：
（1）通过将神经网络模型和多传感器数据融合相结合，既具备了神经网络模型的数据关联性高，数据特征提取信息集中度高的优点，也具备了多传感器数据融合对庞大数据集的综合处理能力强的优点；
（2）通过对各传感器中的缺失数据集进行插补，防止最终的数据分析结果出现错误，相比于忽略和删除缺失数据，对缺失数据进行插补具有更好的矫正能力。
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为本发明的一种基于神经网络的多传感器数据融合方法流程图；
图2为本发明的一种基于神经网络的多传感器数据融合系统结构图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通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方式，都属于本发明保护的范围。
提供一种基于神经网络的多传感器数据融合方法，应用于车辆运行，包括以下步骤：
S1，通过多传感器收集车辆运行数据；
S2，通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；
S3，对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；
S4，根据车辆运行状态模型，对车辆运行状态进行预测。
应说明的是：随着传感器技术的发展以及物联网应用的普及，传感器数据呈指数级增加。有效的分析与利用传感器数据是物联网应用的核心之一。然而传感器数据应用过程中存在诸多挑战，如数据异常，数据缺失，深度学习模型复杂性高以及诸如交通传感数据存在复杂的时空相关性等。基于单一传感器进行进行数据应用已经满足不了当下数据处理的要求，因此常常采用多传感器的数据融合。而采用多传感器数据融合时，数据之间需要进行关联，而数据关联如果不稳固，会造成容错率降低的问题。
因此针对多传感器数据融合数据关联要求较高的问题，我们通过神经网络模型数据关联性强的这一优点来弥补。
所述车辆运行数据的类别包括车辆运行速度、车辆运行加速度、车辆运行方向以及车辆电池信息。
步骤S2具体包括以下步骤：
S21，对车辆运行数据进行数据清洗处理，将处理后的车辆运行数据输入至神经网络模型；
S22，通过神经网络模型对车辆运行数据进行特征提取，得到每个传感器的数据对应的特征值；
S23，根据各传感器之间的距离对特征值进行多源数据关联。
步骤S21具体包括以下步骤：
采用数据填补、数据去噪、数据去冗余和数据清洗车辆运行数据进行检测，发现其中存在的不一致以及错误，剔除或修正错误数据，对数据缺失值进行填补。
步骤S22具体包括以下步骤：
取车辆运行数据为，/>为车辆运行数据的类别，n为车辆运行数据的类别个数，车辆运行数据的类别的数据特征分布为/>，m为车辆运行数据的类别的数据特征的数量；
对数据集中的缺失数据选择同一列的其他已知数据进行填补，得到数据集/>；
使用数据集训练关系模型，根据训练得到的关系模型对数据集进行插补过程为：
；
其中，为关系模型，i为车辆运行数据第i个类别，j为车辆运行数据第i个类别的第j个数据特征，/>为待插补数据，D为待插补数据的插补类别总数，d为第d个插补类别，/>为第/>个插补类别，/>是一个维度为m-1的向量，m为特征总数，/>为待插补数据/>对应的一行已知数据/>为后验概率，/>通过/>训练得到；
待插补数据的插补值计算公式为：
；
其中，f为在（0,1）区间中抽取的随机值，时，/>的值为1，否则/>的值为0；
；
为后验概率/>中选择的随机值；
当所有待插补数据位置都进行插补后，完成第一轮插补得到新的数据集，重复插补过程直到迭代次数达到结束条件，迭代次数设定为4-10轮，当前后两轮迭代的数据集不存在差异时提前结束，结束后输出插补结果；
采用基于K均值的聚类算法对数据进行去噪，通过文件相似性比较算法去除重复冗杂的文件数据，采用MySQL或Oracle数据库存储集成化管理后的数据。
应说明的是：多传感器采集车辆运行的数据量大且多为离散值，当其中数据缺失时，对于车辆运行状态的分析结果会造成较大的影响，因此对数据的处理是必不可失的，然而一般的缺失数据、缺失值处理方法精度较低，如加权均值填充法，而加权均值填充法更适用于正态分布的数据集；因此我们采用多重插补模型来对缺失数据进行插补处理，可以有效的矫正缺失值。
步骤S23具体包括以下步骤：
各传感器数据特征值的多源数据关联关系为：
；
其中，为以各传感器为顶点组成的多边形的周长，/>为与车辆运行数据第i个类别对应的传感器直接连接的其他传感器的数据的集合，/>为车辆运行数据第i个类别对应的传感器的所有数据，/>为车辆运行数据第k个类别对应的传感器的所有数据。
应说明的是：近年来，关于人工神经网络和深度计算的研究兴起，大规模并行处理、具有自适应组织学习能力的非线性神经网络，在处理组合优化和模式识别问题时，显示出独特的优点。Kohonen自组织(SOM) 网络以及弹性网络EN模型较好地解决了TSP问题，其稳定收敛，对经验参数选择敏感度低。MEM模型结合了两者特点，参照了SOM及EN解决TSP问题的思路，被用于实现多目标多传感器无源定位数据互联。因此我们采用MEM模型来完成数据关联。
步骤S3具体包括以下步骤：
车辆运行状态模型Y为：
；
其中，i为车辆运行数据第i个类别，为车辆运行数据第i个类别所占的权重，/>为车辆运行数据第i个类别对应的传感器的所有数据。
步骤S4具体包括：
根据车辆运行状态模型Y对车辆运行状态进行预测，所述车辆运行状态模型Y中包括车辆运行速度、车辆运行加速度、车辆运行方向以及车辆电池信息；
当车辆运行速度以及车辆运行加速度超出预设安全区间时，后台监控人员发出警报并通知车辆驾驶人员改正，当车辆驾驶人员接收不到警报时，后台监控人员报警；
当车辆运行方向偏出预设路线时，后台监控人员发出警报并通知车辆驾驶人员改正，当车辆驾驶人员接收不到警报时，后台监控人员通知道路管控人员前往车辆所在地找寻所述运行车辆；
当车辆电池电量不足，后台监控人员发出警报并通知车辆驾驶人员需要加油，当车辆驾驶人员接收不到警报时，后台监控人员通知道路管控人员前往车辆所在地找寻所述运行车辆。
为了实现上述基于神经网络的多传感器数据融合方法，图2为本发明实施例提供的一种基于神经网络的多传感器数据融合系统，所述系统包括：
数据采集模块，用于通过多传感器收集车辆运行数据；
数据关联模块，用于通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；
数据融合模块，用于对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；
状态预测模块，用于根据车辆运行状态模型，对车辆运行状态进行预测。
应说明的是：随着传感器技术的发展以及物联网应用的普及，传感器数据呈指数级增加。有效的分析与利用传感器数据是物联网应用的核心之一。然而传感器数据应用过程中存在诸多挑战，如数据异常，数据缺失，深度学习模型复杂性高以及诸如交通传感数据存在复杂的时空相关性等。基于单一传感器进行进行数据应用已经满足不了当下数据处理的要求，因此常常采用多传感器的数据融合。而采用多传感器数据融合时，数据之间需要进行关联，而数据关联如果不稳固，会造成容错率降低的问题。
因此针对多传感器数据融合数据关联要求较高的问题，我们通过神经网络模型数据关联性强的这一优点来弥补。
所述车辆运行数据的类别包括车辆运行速度、车辆运行加速度、车辆运行方向以及车辆电池信息。
数据关联模块具体包括：
数据清洗单元，用于对车辆运行数据进行数据清洗处理，将处理后的车辆运行数据输入至神经网络模型；
特征提取单元，用于通过神经网络模型对车辆运行数据进行特征提取，得到每个传感器的数据对应的特征值；
数据关联单元，用于根据各传感器之间的距离对特征值进行多源数据关联。
数据清洗单元用于：
采用数据填补、数据去噪、数据去冗余和数据清洗车辆运行数据进行检测，发现其中存在的不一致以及错误，剔除或修正错误数据，对数据缺失值进行填补。
特征提取单元用于：
取车辆运行数据为，/>为车辆运行数据的类别，n为车辆运行数据的类别个数，车辆运行数据的类别的数据特征分布为/>，m为车辆运行数据的类别的数据特征的数量；
对数据集中的缺失数据选择同一列的其他已知数据进行填补，得到数据集/>；
使用数据集训练关系模型，根据训练得到的关系模型对数据集进行插补过程为：
；
其中，为关系模型，i为车辆运行数据第i个类别，j为车辆运行数据第i个类别的第j个数据特征，/>为待插补数据，D为待插补数据的插补类别总数，d为第d个插补类别，/>为第/>个插补类别，/>是一个维度为m-1的向量，m为特征总数，/>为待插补数据/>对应的一行已知数据/>为后验概率，/>通过/>训练得到；
待插补数据的插补值计算公式为：
；
其中，f为在（0,1）区间中抽取的随机值，时，/>的值为1，否则/>的值为0；
；
为后验概率/>中选择的随机值；
当所有待插补数据位置都进行插补后，完成第一轮插补得到新的数据集，重复插补过程直到迭代次数达到结束条件，迭代次数设定为4-10轮，当前后两轮迭代的数据集不存在差异时提前结束，结束后输出插补结果；
采用基于K均值的聚类算法对数据进行去噪，通过文件相似性比较算法去除重复冗杂的文件数据，采用MySQL或Oracle数据库存储集成化管理后的数据。
应说明的是：多传感器采集车辆运行的数据量大且多为离散值，当其中数据缺失时，对于车辆运行状态的分析结果会造成较大的影响，因此对数据的处理是必不可失的，然而一般的缺失数据、缺失值处理方法精度较低，如加权均值填充法，而加权均值填充法更适用于正态分布的数据集；因此我们采用多重插补模型来对缺失数据进行插补处理，可以有效的矫正缺失值。
数据关联单元用于：
各传感器数据特征值的多源数据关联关系为：
；
其中，为以各传感器为顶点组成的多边形的周长，/>为与车辆运行数据第i个类别对应的传感器直接连接的其他传感器的数据的集合，/>为车辆运行数据第i个类别对应的传感器的所有数据，/>为车辆运行数据第k个类别对应的传感器的所有数据。
应说明的是：近年来，关于人工神经网络和深度计算的研究兴起，大规模并行处理、具有自适应组织学习能力的非线性神经网络，在处理组合优化和模式识别问题时，显示出独特的优点。Kohonen自组织(SOM) 网络以及弹性网络EN模型较好地解决了TSP问题，其稳定收敛，对经验参数选择敏感度低。MEM模型结合了两者特点，参照了SOM及EN解决TSP问题的思路，被用于实现多目标多传感器无源定位数据互联。因此我们采用MEM模型来完成数据关联。
数据融合模块用于：
车辆运行状态模型Y为：
；
其中，i为车辆运行数据第i个类别，为车辆运行数据第i个类别所占的权重，/>为车辆运行数据第i个类别对应的传感器的所有数据。
状态预测模块用于：
根据车辆运行状态模型Y对车辆运行状态进行预测，所述车辆运行状态模型Y中包括车辆运行速度、车辆运行加速度、车辆运行方向以及车辆电池信息；
当车辆运行速度以及车辆运行加速度超出预设安全区间时，后台监控人员发出警报并通知车辆驾驶人员改正，当车辆驾驶人员接收不到警报时，后台监控人员报警；
当车辆运行方向偏出预设路线时，后台监控人员发出警报并通知车辆驾驶人员改正，当车辆驾驶人员接收不到警报时，后台监控人员通知道路管控人员前往车辆所在地找寻所述运行车辆；
当车辆电池电量不足，后台监控人员发出警报并通知车辆驾驶人员需要加油，当车辆驾驶人员接收不到警报时，后台监控人员通知道路管控人员前往车辆所在地找寻所述运行车辆。
另一方面，本发明的实施例还提供了一种电子设备，所述电子设备包括：存储器、处理器以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，所述计算机程序被所述处理器执行时实现该基于神经网络的多传感器数据融合方法的步骤。
另一方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现该基于神经网络的多传感器数据融合方法的步骤。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的多传感器数据融合方法，其特征在于，应用于车辆运行，包括以下步骤：
S1，通过多传感器收集车辆运行数据；
S2，通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；
步骤S2具体包括以下步骤：
S21，对车辆运行数据进行数据清洗处理，将处理后的车辆运行数据输入至神经网络模型；
步骤S21具体包括以下步骤：
采用数据填补、数据去噪、数据去冗余和数据清洗车辆运行数据进行检测，发现其中存在的不一致以及错误，剔除或修正错误数据，对数据缺失值进行填补；
S22，通过神经网络模型对车辆运行数据进行特征提取，得到每个传感器的数据对应的特征值；
步骤S22具体包括以下步骤：
取车辆运行数据为，/>为车辆运行数据的类别，n为车辆运行数据的类别个数，车辆运行数据的类别的数据特征分布为/>，m为车辆运行数据的类别的数据特征的数量；
对数据集中的缺失数据选择同一列的其他已知数据进行填补，得到数据集/>；
使用数据集训练关系模型，根据训练得到的关系模型对数据集进行插补过程为：
；
其中，为关系模型，i为车辆运行数据第i个类别，j为车辆运行数据第i个类别的第j个数据特征，/>为待插补数据，D为待插补数据的插补类别总数，d为第d个插补类别，/>为第/>个插补类别，/>是一个维度为m-1的向量，m为特征总数，/>为待插补数据/>对应的一行已知数据/>为后验概率，/>通过/>训练得到；
待插补数据的插补值计算公式为：
；
其中，f为在（0,1）区间中抽取的随机值，时，/>的值为1，否则的值为0；
；
为后验概率/>中选择的随机值；
当所有待插补数据位置都进行插补后，完成第一轮插补得到新的数据集，重复插补过程直到迭代次数达到结束条件，迭代次数设定为4-10轮，当前后两轮迭代的数据集不存在差异时提前结束，结束后输出插补结果；
采用基于K均值的聚类算法对数据进行去噪，通过文件相似性比较算法去除重复冗杂的文件数据，采用MySQL或Oracle数据库存储集成化管理后的数据；
S23，根据各传感器之间的距离对特征值进行多源数据关联；
S3，对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；
S4，根据车辆运行状态模型，对车辆运行状态进行预测。
2.如权利要求1所述的基于神经网络的多传感器数据融合方法，其特征在于，所述车辆运行数据的类别包括车辆运行速度、车辆运行加速度、车辆运行方向以及车辆电池信息。
3.如权利要求1所述的基于神经网络的多传感器数据融合方法，其特征在于，步骤S23具体包括以下步骤：
各传感器数据特征值的多源数据关联关系为：
；
其中，为以各传感器为顶点组成的多边形的周长，/>为与车辆运行数据第i个类别对应的传感器直接连接的其他传感器的数据的集合，/>为车辆运行数据第i个类别对应的传感器的所有数据，/>为车辆运行数据第k个类别对应的传感器的所有数据。
4.如权利要求3所述的基于神经网络的多传感器数据融合方法，其特征在于，步骤S3具体包括以下步骤：
车辆运行状态模型Y为：
；
其中，i为车辆运行数据第i个类别，为车辆运行数据第i个类别所占的权重，/>为车辆运行数据第i个类别对应的传感器的所有数据。
5.一种基于神经网络的多传感器数据融合系统，其特征在于，所述系统包括：
数据采集模块，用于通过多传感器收集车辆运行数据；
数据关联模块，用于通过神经网络模型对车辆运行数据进行数据关联，得到车辆运行关联数据；
数据关联模块具体包括：
数据清洗单元，用于对车辆运行数据进行数据清洗处理，将处理后的车辆运行数据输入至神经网络模型；
数据清洗单元用于：
采用数据填补、数据去噪、数据去冗余和数据清洗车辆运行数据进行检测，发现其中存在的不一致以及错误，剔除或修正错误数据，对数据缺失值进行填补；
特征提取单元，用于通过神经网络模型对车辆运行数据进行特征提取，得到每个传感器的数据对应的特征值；
特征提取单元用于：
取车辆运行数据为，/>为车辆运行数据的类别，n为车辆运行数据的类别个数，车辆运行数据的类别的数据特征分布为/>，m为车辆运行数据的类别的数据特征的数量；
对数据集中的缺失数据选择同一列的其他已知数据进行填补，得到数据集/>；
使用数据集训练关系模型，根据训练得到的关系模型对数据集进行插补过程为：
；
其中，为关系模型，i为车辆运行数据第i个类别，j为车辆运行数据第i个类别的第j个数据特征，/>为待插补数据，D为待插补数据的插补类别总数，d为第d个插补类别，/>为第/>个插补类别，/>是一个维度为m-1的向量，m为特征总数，/>为待插补数据/>对应的一行已知数据/>为后验概率，/>通过/>训练得到；
待插补数据的插补值计算公式为：
；
其中，f为在（0,1）区间中抽取的随机值，时，/>的值为1，否则的值为0；
；
为后验概率/>中选择的随机值；
当所有待插补数据位置都进行插补后，完成第一轮插补得到新的数据集，重复插补过程直到迭代次数达到结束条件，迭代次数设定为4-10轮，当前后两轮迭代的数据集不存在差异时提前结束，结束后输出插补结果；
采用基于K均值的聚类算法对数据进行去噪，通过文件相似性比较算法去除重复冗杂的文件数据，采用MySQL或Oracle数据库存储集成化管理后的数据；
数据关联单元，用于根据各传感器之间的距离对特征值进行多源数据关联；
数据融合模块，用于对车辆运行关联数据进行多传感器数据融合处理，得到车辆运行状态模型；
状态预测模块，用于根据车辆运行状态模型，对车辆运行状态进行预测。
6.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器以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，所述计算机程序被所述处理器执行时实现如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310998429.3A CN116738370A (zh) | 2023-08-09 | 2023-08-09 | 一种基于神经网络的多传感器数据融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310998429.3A CN116738370A (zh) | 2023-08-09 | 2023-08-09 | 一种基于神经网络的多传感器数据融合方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116738370A true CN116738370A (zh) | 2023-09-12 |
Family
ID=87917124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310998429.3A Pending CN116738370A (zh) | 2023-08-09 | 2023-08-09 | 一种基于神经网络的多传感器数据融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738370A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837739A (zh) * | 2021-01-29 | 2021-05-25 | 西北大学 | 基于自编码器与蒙特卡洛树的层次化特征系统发育模型 |
| CN114067557A (zh) * | 2021-08-21 | 2022-02-18 | 山东科技大学 | 一种驾驶信用测定方法、系统、信息数据处理终端 |
| CN115966066A (zh) * | 2023-03-15 | 2023-04-14 | 中国安全生产科学研究院 | 一种矿山车辆安全运行监测预警方法、装置和系统 |
-
2023
- 2023-08-09 CN CN202310998429.3A patent/CN116738370A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837739A (zh) * | 2021-01-29 | 2021-05-25 | 西北大学 | 基于自编码器与蒙特卡洛树的层次化特征系统发育模型 |
| CN114067557A (zh) * | 2021-08-21 | 2022-02-18 | 山东科技大学 | 一种驾驶信用测定方法、系统、信息数据处理终端 |
| CN115966066A (zh) * | 2023-03-15 | 2023-04-14 | 中国安全生产科学研究院 | 一种矿山车辆安全运行监测预警方法、装置和系统 |
Non-Patent Citations (1)
| Title |
|---|
| SOHEIL SHAMS: "《Neural Network Optimization for Multi-Target Multi-Sensor Passive Tracking》", 《PROCEEDINGS OF THE IEEE》, vol. 84, no. 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
| CN112528035B (zh) | 基于关系注意力的知识图谱推理方法、装置和计算机设备 | |
| CN112700056B (zh) | 复杂网络链路预测方法、装置、电子设备及介质 | |
| CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
| CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
| CN112765896A (zh) | 一种基于lstm的水处理时序数据异常检测方法 | |
| CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
| CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN115484102A (zh) | 一种面向工业控制系统的异常检测系统和方法 | |
| CN115599779B (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN114021822A (zh) | 一种清洁能源发电功率预测方法和系统 | |
| CN112631898A (zh) | 基于cnn-svm的软件缺陷预测方法 | |
| CN115908112A (zh) | 一种面向低重叠率的点云配准方法 | |
| CN115051864A (zh) | 基于pca-mf-wnn的网络安全态势要素提取方法及系统 | |
| CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
| Zhang et al. | Ctfnet: Long-sequence time-series forecasting based on convolution and time–frequency analysis | |
| CN116644865B (zh) | 商用车油耗预测方法、电子设备和存储介质 | |
| CN117725050A (zh) | 一种基于蜂群优化和孤立森林的电力数据清洗方法 | |
| CN116738370A (zh) | 一种基于神经网络的多传感器数据融合方法及系统 | |
| CN116826734A (zh) | 一种基于多输入模型的光伏发电功率预测方法及装置 | |
| CN113822771B (zh) | 一种基于深度学习的低误检率窃电检测方法 | |
| CN115616408A (zh) | 电池热管理数据处理方法及系统 | |
| CN114638379A (zh) | 边缘侧多智能体opc ua信息解析和决策方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230912 |