CN117034189A - 多源物联网数据融合方法 - Google Patents
多源物联网数据融合方法 Download PDFInfo
- Publication number
- CN117034189A CN117034189A CN202310956032.8A CN202310956032A CN117034189A CN 117034189 A CN117034189 A CN 117034189A CN 202310956032 A CN202310956032 A CN 202310956032A CN 117034189 A CN117034189 A CN 117034189A
- Authority
- CN
- China
- Prior art keywords
- data
- things
- internet
- data fusion
- fusion
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008447 perception Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 41
- 238000011282 treatment Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 231100000279 safety data Toxicity 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013523 data management Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000009365 direct transmission Effects 0.000 claims description 3
- 238000011221 initial treatment Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了多源物联网数据融合方法，包括以下步骤：步骤一、部署感知节点：对物联网进行传感网感知节点部署；步骤二、层次划分，步骤三、信息采集：对物联网的传感器和其他物联网络设备进行信息采集；本发明结合感知数据间的关联特征，对多源数据融合方法进行了研究，并搭建测试平台，在物联网终端对进行数据融合，能够有效减小数据测量误差；物联网通过接入各种异构的网络，将世界上的所有物体连接到信息网络中，缩小了物理世界和信息系统之间的距离，结合物联网数据具有时间和空间特性，从时间、空间和属性上对物联网各种异构的数据进行融合，提高了物联网的实时性，减少了物联网数据的冗余，减小了物联网络的带宽。
Description
技术领域
本发明涉及多源数据融合技术领域，具体为多源物联网数据融合方法。
背景技术
多源数据融合是指将来自于多个不同来源的数据信息进行有机的组合和分析，提高信息处理的准确性、全面性和可靠性，多源数据融合可以使得获得的信息更加完整，发挥各种数据的潜力，改善数据处理结果，促进决策的科学化和自动化。
多源数据融合方法涉及到多个学科领域，如信息处理、模式识别、人工智能、数据库技术等等，常用的多源数据融合方法有以下几种:第一种，基于加权平均的方法：该方法主要是将多个来源的数据采用不同的权重进行综合处理，常用的综合方式包括算术平均、加权平均、几何平均等等。通过合理设定权重，可以使得来自不同来源的信息获得相应的权重来体现其重要性；第二种，基于特征提取的方法：该方法主要是将多个来源的数据通过特征提取转换成为同-特征空间的数据，然后再进行融合，通常情况下，特征提取的方法包括主成分分析、小波变换、独立成分分析等等，该方法可以减小数据来源的异质性，提取出关键的特征信息来，从而提高数据融合的效果；第三种，基于模型的方法：该方法主要是基于特定的模型对来自不同数据来源的数据进行建模，然后再进行融合，其中常用的模型包括神经网络模型、决策树模型、灰色系统模型等等，通过特定的模型来描述数据来源之间的关系，可以更好地融合各种数据，提高融合结果的准确性；第四种，基于决策规则的方法：该方法是基于决策规则来综合多个数据源的结果，常用的决策规则包括简单多数投票、加权多数投票、逻辑回归等等，通过合理的决策规则来对多个数据源的结果进行综合，可以有效提高数据融合的效果。
物联网是通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通讯，以实现智能化识别、定位、跟踪、监控和管理的一种网络“以无线传感器网络(WSN)、FID等核心技术为支撑，将物理世界与逻辑世界有机地融为一体，可以极大地提高人们的工作效率、降低协作成本、方便在军事和民用等领域众多不同应用模式的构建，数据融合技术是物联网数据处理等相关技术开发所要关心的重要问题之一。
但是，传统的数据融合方法存在以下缺点：
传统的数据融合方法受外界干扰以及传感器本身精度的影响，采集的数据可能存在测量不准确的问题，物联网应用中，通常部署大量传感器节点进行多种参数的数据采集，获取到的感知数据间存在较强的相关性，可以结合感知数据在时间、空间和其他物理属性的关联性进行数据融合来减小测量误差。
发明内容
本发明的目的在于提供多源物联网数据融合方法，以解决上述背景技术中提出的传统的多源数据融合方法受外界干扰以及传感器本身精度的影响，采集的数据可能存在测量不准确的问题，物联网应用中，通常部署大量传感器节点进行多种参数的数据采集，获取到的感知数据间存在较强的相关性，可以结合感知数据在时间、空间和其他物理属性的关联性进行数据融合来减小测量误差的问题。
为实现上述目的，本发明提供如下技术方案：多源物联网数据融合方法，包括以下步骤：
步骤一、部署感知节点：对物联网进行传感网感知节点部署；
步骤二、层次划分：将数据融合划分为检测层、位置层、属性层、态势评估和威胁评估；有的根据输入/输出数据的特征提出了基于输入/输出特征的融合层次化描述；
步骤三、信息采集：对物联网的传感器和其他物联网络设备进行信息采集；
步骤四、信息滤波：对采集到的信息进行滤波，去除多余的信息；
步骤五、一级处理：对采集到的信息进行第一次数据处理；
步骤六、二级处理：对一次处理后的数据进行第二次数据处理；
步骤七、数据存储：将第二次处理后的数据存入姿态数据库内；
步骤八、数据管理：对存入数据库的内容进行管理计算；
步骤九、数据分析：对物联网多源感知数据特点分析，研究同构以及异构数据在时间、空间以及属性上的关联性；
步骤十、创建第一融合方法：结合同构感知数据时空关联特征，提出基于时空关联性的同构数据融合方法；
步骤十一、创建第二融合方法：结合异构感知数据属性关联特征，提出基于物理属性关联性的异构数据融合方法。
步骤十二、三级处理：对管理后的数据和第一次处理后的数据进行第三次数据处理；
步骤十三、四级处理：对经过核对为安全数据后的内容进行第四次数据处理；
步骤十四、重复融合：重复步骤一开始下一轮数据融合。
作为本发明的一种优选技术方案，所述步骤一中部署方法具体为并行拓扑、串行拓扑和混合拓扑。
作为本发明的一种优选技术方案，所述步骤五中数据处理的具体内容为数据配准、数据关联、目标跟踪和身份识别。
作为本发明的一种优选技术方案，所述步骤六中数据处理的具体内容为姿态评估。
作为本发明的一种优选技术方案，所述步骤十中同构数据融合方法具体步骤为首先采用动态时间弯曲距离计算各终端数据在各个时间点上的空间距离来量化数据间的时空关联性，然后设置阈值用于排除低关联数据，最后根据时空关联性的大小分配权值，进行同构加权数据融合。
作为本发明的一种优选技术方案，所述步骤十一异构数据融合方法具体为终端感知数据值时空关联性较弱时，可以利用异构数据间的物理属性关联进行融合，该方法采用资源消耗较少的BP神经网络进行异构数据融合，首先使用灰色关联法分析异构数据，然后将具备属性相关的异构数据集作为输入，进行异构数据融合模型离线训练，最后将训练好的模型放入物联网终端运行实现异构数据融合。
作为本发明的一种优选技术方案，所述步骤十二中数据处理具体为优化控制。
作为本发明的一种优选技术方案，所述步骤十三中数据处理具体为威胁评估。
作为本发明的一种优选技术方案，所述步骤八中计算具体为一跳直接传输、多跳传输、LEACH、PEGASIS、DWT-RE、DWT-IRR。
与现有技术相比，本发明的有益效果是：
1、结合感知数据间的关联特征，对多源数据融合方法进行了研究，并搭建测试平台，在物联网终端对进行数据融合，能够有效减小数据测量误差；
2、物联网通过接入各种异构的网络，将世界上的所有物体连接到信息网络中，缩小了物理世界和信息系统之间的距离，结合物联网数据具有时间和空间特性，从时间、空间和属性上对物联网各种异构的数据进行融合，提高了物联网的实时性，减少了物联网数据的冗余，减小了物联网络的带宽。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
请参阅图1，本发明提供了多源物联网数据融合方法，包括以下步骤：
步骤一、部署感知节点：对物联网进行传感网感知节点部署；
步骤二、层次划分：将数据融合划分为检测层、位置层、属性层、态势评估和威胁评估；有的根据输入/输出数据的特征提出了基于输入/输出特征的融合层次化描述；
步骤三、信息采集：对物联网的传感器和其他物联网络设备进行信息采集；
步骤四、信息滤波：对采集到的信息进行滤波，去除多余的信息；
步骤五、一级处理：对采集到的信息进行第一次数据处理；
步骤六、二级处理：对一次处理后的数据进行第二次数据处理；
步骤七、数据存储：将第二次处理后的数据存入姿态数据库内；
步骤八、数据管理：对存入数据库的内容进行管理计算；
步骤九、数据分析：对物联网多源感知数据特点分析，研究同构以及异构数据在时间、空间以及属性上的关联性；
步骤十、创建第一融合方法：结合同构感知数据时空关联特征，提出基于时空关联性的同构数据融合方法；
步骤十一、创建第二融合方法：结合异构感知数据属性关联特征，提出基于物理属性关联性的异构数据融合方法。
步骤十二、三级处理：对管理后的数据和第一次处理后的数据进行第三次数据处理；
步骤十三、四级处理：对经过核对为安全数据后的内容进行第四次数据处理；
步骤十四、重复融合：重复步骤一开始下一轮数据融合。
步骤一中部署方法具体为并行拓扑、串行拓扑和混合拓扑。
步骤五中数据处理的具体内容为数据配准、数据关联、目标跟踪和身份识别。
步骤六中数据处理的具体内容为姿态评估。
步骤十中同构数据融合方法具体步骤为首先采用动态时间弯曲距离计算各终端数据在各个时间点上的空间距离来量化数据间的时空关联性，然后设置阈值用于排除低关联数据，最后根据时空关联性的大小分配权值，进行同构加权数据融合。
步骤十一异构数据融合方法具体为终端感知数据值时空关联性较弱时，可以利用异构数据间的物理属性关联进行融合，该方法采用资源消耗较少的BP神经网络进行异构数据融合，首先使用灰色关联法分析异构数据，然后将具备属性相关的异构数据集作为输入，进行异构数据融合模型离线训练，最后将训练好的模型放入物联网终端运行实现异构数据融合。
步骤十二中数据处理具体为优化控制。
步骤十三中数据处理具体为威胁评估。
步骤八中计算具体为一跳直接传输、多跳传输、LEACH、PEGASIS、DWT-RE、DWT-IRR。
本发明中，对物联网进行传感网感知节点部署，将数据融合划分为检测层、位置层、属性层、态势评估和威胁评估；有的根据输入/输出数据的特征提出了基于输入/输出特征的融合层次化描述，对物联网的传感器和其他物联网络设备进行信息采集，对采集到的信息进行滤波，去除多余的信息，对采集到的信息进行第一次数据处理，既数据配准、数据关联、目标跟踪和身份识别，对一次处理后的数据进行第二次数据处理，既姿态评估，将第二次处理后的数据存入姿态数据库内，对存入数据库的内容进行管理计算，对物联网多源感知数据特点分析，研究同构以及异构数据在时间、空间以及属性上的关联性，结合同构感知数据时空关联特征，提出基于时空关联性的同构数据融合方法，首先采用动态时间弯曲距离计算各终端数据在各个时间点上的空间距离来量化数据间的时空关联性，然后设置阈值用于排除低关联数据，最后根据时空关联性的大小分配权值，进行同构加权数据融合，结合异构感知数据属性关联特征，提出基于物理属性关联性的异构数据融合方法，终端感知数据值时空关联性较弱时，可以利用异构数据间的物理属性关联进行融合，该方法采用资源消耗较少的BP神经网络进行异构数据融合，首先使用灰色关联法分析异构数据，然后将具备属性相关的异构数据集作为输入，进行异构数据融合模型离线训练，最后将训练好的模型放入物联网终端运行实现异构数据融合，对管理后的数据和第一次处理后的数据进行第三次数据处理，对经过核对为安全数据后的内容进行第四次数据处理；重复步骤一开始下一轮数据融合。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.多源物联网数据融合方法，其特征在于，包括以下步骤：
步骤一、部署感知节点：对物联网进行传感网感知节点部署；
步骤二、层次划分：将数据融合划分为检测层、位置层、属性层、态势评估和威胁评估；有的根据输入/输出数据的特征提出了基于输入/输出特征的融合层次化描述；
步骤三、信息采集：对物联网的传感器和其他物联网络设备进行信息采集；
步骤四、信息滤波：对采集到的信息进行滤波，去除多余的信息；
步骤五、一级处理：对采集到的信息进行第一次数据处理；
步骤六、二级处理：对一次处理后的数据进行第二次数据处理；
步骤七、数据存储：将第二次处理后的数据存入姿态数据库内；
步骤八、数据管理：对存入数据库的内容进行管理计算；
步骤九、数据分析：对物联网多源感知数据特点分析，研究同构以及异构数据在时间、空间以及属性上的关联性；
步骤十、创建第一融合方法：结合同构感知数据时空关联特征，提出基于时空关联性的同构数据融合方法；
步骤十一、创建第二融合方法：结合异构感知数据属性关联特征，提出基于物理属性关联性的异构数据融合方法。
步骤十二、三级处理：对管理后的数据和第一次处理后的数据进行第三次数据处理；
步骤十三、四级处理：对经过核对为安全数据后的内容进行第四次数据处理；
步骤十四、重复融合：重复步骤一开始下一轮数据融合。
2.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤一中部署方法具体为并行拓扑、串行拓扑和混合拓扑。
3.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤五中数据处理的具体内容为数据配准、数据关联、目标跟踪和身份识别。
4.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤六中数据处理的具体内容为姿态评估。
5.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤十中同构数据融合方法具体步骤为首先采用动态时间弯曲距离计算各终端数据在各个时间点上的空间距离来量化数据间的时空关联性，然后设置阈值用于排除低关联数据，最后根据时空关联性的大小分配权值，进行同构加权数据融合。
6.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤十一异构数据融合方法具体为终端感知数据值时空关联性较弱时，可以利用异构数据间的物理属性关联进行融合，该方法采用资源消耗较少的BP神经网络进行异构数据融合，首先使用灰色关联法分析异构数据，然后将具备属性相关的异构数据集作为输入，进行异构数据融合模型离线训练，最后将训练好的模型放入物联网终端运行实现异构数据融合。
7.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤十二中数据处理具体为优化控制。
8.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤十三中数据处理具体为威胁评估。
9.根据权利要求1所述的多源物联网数据融合方法，其特征在于：所述步骤八中计算具体为一跳直接传输、多跳传输、LEACH、PEGASIS、DWT-RE、DWT-IRR。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310956032.8A CN117034189A (zh) | 2023-08-01 | 2023-08-01 | 多源物联网数据融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310956032.8A CN117034189A (zh) | 2023-08-01 | 2023-08-01 | 多源物联网数据融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117034189A true CN117034189A (zh) | 2023-11-10 |
Family
ID=88636452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310956032.8A Pending CN117034189A (zh) | 2023-08-01 | 2023-08-01 | 多源物联网数据融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034189A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251736A (zh) * | 2023-11-13 | 2023-12-19 | 杭州海康威视数字技术股份有限公司 | 基于神经网络和时空关联度的物联网数据汇聚方法及装置 |
| CN118114183A (zh) * | 2024-04-25 | 2024-05-31 | 青岛星邦光电科技有限责任公司 | 城市信息多源数据融合方法、装置、存储介质及电子系统 |
| CN118467619A (zh) * | 2024-07-09 | 2024-08-09 | 江苏超数信息科技有限公司 | 一种基于层次划分的多源物联网数据融合方法及系统 |
-
2023
- 2023-08-01 CN CN202310956032.8A patent/CN117034189A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117251736A (zh) * | 2023-11-13 | 2023-12-19 | 杭州海康威视数字技术股份有限公司 | 基于神经网络和时空关联度的物联网数据汇聚方法及装置 |
| CN118114183A (zh) * | 2024-04-25 | 2024-05-31 | 青岛星邦光电科技有限责任公司 | 城市信息多源数据融合方法、装置、存储介质及电子系统 |
| CN118467619A (zh) * | 2024-07-09 | 2024-08-09 | 江苏超数信息科技有限公司 | 一种基于层次划分的多源物联网数据融合方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117034189A (zh) | 多源物联网数据融合方法 | |
| CN112988723B (zh) | 一种基于空间自注意力图卷积循环神经网络的交通数据修复方法 | |
| CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
| CN101867486A (zh) | 一种无线传感器网络故障诊断方法 | |
| Liu et al. | Optimization of edge-PLC-based fault diagnosis with random forest in industrial Internet of Things | |
| CN114423034B (zh) | 一种室内人员动作识别方法、系统、介质、设备及终端 | |
| CN113298191B (zh) | 基于个性化半监督在线联邦学习的用户行为识别方法 | |
| US20120036242A1 (en) | Method and sensor network for attribute selection for an event recognition | |
| CN116484740A (zh) | 一种基于挖掘电网空间拓扑特征的线路参数辨识方法 | |
| CN111355616A (zh) | 一种基于物理层数据的战术通信网关键节点识别方法 | |
| CN117992741B (zh) | 基于广域相量测量数据的cvt误差状态评估方法及系统 | |
| CN114861740A (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 | |
| CN118283667A (zh) | 一种基于多尺度时空对比的基站群异常检测方法及系统 | |
| CN114743273A (zh) | 基于多尺度残差图卷积网络的人体骨骼行为识别方法及系统 | |
| CN113627326A (zh) | 一种基于可穿戴设备和人体骨架的行为识别方法 | |
| CN113824707A (zh) | 一种基于知识图谱的网站性能拨测度量方法和装置 | |
| CN113744072A (zh) | 一种基于深度神经网络融合拓扑和内容社团检测方法 | |
| CN116612843B (zh) | 一种心理测评掩饰性行为识别方法及系统 | |
| WO2023061303A1 (zh) | 大尺度衰落的建模及估计方法、系统、设备和存储介质 | |
| CN113988189B (zh) | 一种跨风电机组的迁移故障诊断方法 | |
| CN115801152A (zh) | 基于层次化transformer模型的WiFi动作识别方法 | |
| Sung et al. | Enhance the efficient of WSN data fusion by neural networks training process | |
| CN115620510A (zh) | 一种基于自适应窗口注意力提取时空依赖的交通流预测方法 | |
| CN113449259A (zh) | 一种基于深度学习的信道状态信息特征提取方法及系统 | |
| CN110493741A (zh) | 基于决策树的楼层人员定位方法及装置 |
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 |