CN117349664B - 一种芽苗菜生长环境在线监测方法及系统 - Google Patents
一种芽苗菜生长环境在线监测方法及系统 Download PDFInfo
- Publication number
- CN117349664B CN117349664B CN202311640704.0A CN202311640704A CN117349664B CN 117349664 B CN117349664 B CN 117349664B CN 202311640704 A CN202311640704 A CN 202311640704A CN 117349664 B CN117349664 B CN 117349664B
- Authority
- CN
- China
- Prior art keywords
- principal component
- data
- sample point
- component direction
- space
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 53
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及适用于特定功能的数据处理技术领域，具体涉及一种芽苗菜生长环境在线监测方法及系统，通过获取各个时刻的环境监测数据组，构造每个环境监测数据组对应的空间样本点，并确定主成分方向及其特征值；根据空间样本点的空间位置、主成分方向及其特征值，确定每个主成分方向上的累积权值系数；根据累积权值系数，对主成分方向进行组合调整，得到各个调整后主成分方向，并根据空间样本点的空间位置和调整后主成分方向，确定各个空间样本点对应的环境监测数据组的数据类型。本发明可以有效提高芽苗菜生长环境的监测精准性。
Description
技术领域
本发明涉及适用于特定功能的数据处理技术领域，具体涉及一种芽苗菜生长环境在线监测方法及系统。
背景技术
在芽苗菜培育场景中，通常要求有适宜的温度条件，温度过高或者过低不仅影响到芽苗菜种子的发芽，同时还会影响到芽苗菜生产的速度和质量。因此，在芽苗菜培育过程中，通常需要对芽苗菜生长温度进行可靠监测，对监测到的温度进行异常温度识别，并根据异常温度识别结果，对芽苗菜生长温度进行精准调控，是提高芽苗菜生产速度和质量的重要保证。
现有技术中，主成分分析方法(Principal Component Analysis, PCA)通常被用于分析多维数据上的维度显著性关系，当维度间存在相关关系时可用于数据异常检测，可以用于芽苗菜生长异常温度的识别。但是考虑到芽苗菜生长环境中的偶然因素，例如非控制的因素：温度传感器遮挡、温度传感器损坏等偶然因素，会造成单个或者多个温度传感器的温度数据异常，因此芽苗菜生长异常温度通常可以分为两种：芽苗菜生长实际温度异常；偶然因素影响温度异常。当直接采用主成分分析方法对芽苗菜生长监测温度进行异常温度识别时，只能识别出异常温度，却无法对异常温度类型进行准确区分，从而导致芽苗菜生长环境的监测精准性较差，不利于芽苗菜生长温度的精准调控。
发明内容
本发明的目的在于提供一种芽苗菜生长环境在线监测方法及系统，用于解决现有芽苗菜生长环境的监测精准性较差的问题。
为解决上述技术问题，本发明提供了一种芽苗菜生长环境在线监测方法，包括以下步骤：
获取各个时刻的环境监测数据组，所述环境监测数据组包括不同设置位置的传感器采集的环境监测数据；
构造每个所述环境监测数据组对应的空间样本点，对所有所述空间样本点进行主成分分析，获取至少两个主成分方向及其特征值；
根据所述空间样本点的空间位置、主成分方向及其特征值，确定每个所述空间样本点在每个主成分方向上的数据异常程度，并根据所述数据异常程度，确定每个主成分方向上的累积权值系数；
按照所述特征值大小顺序，对主成分方向进行排列，得到主成分方向序列，并根据所述主成分方向序列中每相邻两个主成分方向的累积权值系数的差异，对所述主成分方向进行组合调整，从而得到各个调整后主成分方向；
根据所述空间样本点的空间位置和所述调整后主成分方向，确定每个所述空间样本点在每个所述调整后主成分方向上的数据异常置信程度；
根据所述数据异常置信程度，确定各个空间样本点对应的环境监测数据组的数据类型。
进一步的，确定每个所述空间样本点在每个主成分方向上的数据异常程度，对应的计算公式为：
；其中，/>表示第j个所述空间样本点在第i个主成分方向上的数据异常程度；/>表示第i个主成分方向的特征值；/>表示第k个主成分方向的特征值；m表示主成分方向的总数目；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量；/>表示第i个主成分方向的方向向量；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在第i个主成分方向上的投影长度；/>表示最大最小值归一化函数。
进一步的，对所述主成分方向进行组合调整，从而得到各个调整后主成分方向，包括：
确定所述主成分方向序列中每相邻两个主成分方向的累积权值系数的差值绝对值；
判断所述差值绝对值是否小于波动程度阈值，若小于波动程度阈值，则将对应的两个主成分方向划分到同一个主成分方向组中，若不小于波动程度阈值，则将对应的两个主成分方向划分到不同的主成分方向组中，从而得到各个主成分方向组；
根据每个所述主成分方向组中各个主成分方向的累积权值系数，对每个所述主成分方向组中各个主成分方向进行加权求和，从而得到每个所述主成分方向组对应的调整后主成分方向。
进一步的，确定每个主成分方向上的累积权值系数，包括：
将所有所述空间样本点在每个主成分方向上的数据异常程度的累加值，确定为每个主成分方向对应的数据异常程度累积；
对所述数据异常程度累积进行正相关归一化，并将正相关归一化结果确定为每个主成分方向上的累积权值系数。
进一步的，确定每个所述空间样本点在每个所述调整后主成分方向上的数据异常置信程度，对应的计算公式为：
；其中，/>表示第j个所述空间样本点在第i个所述调整后主成分方向上的数据异常置信程度；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在第i个所述调整后主成分方向上的投影长度；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在除了第i个所述调整后主成分方向之外的其他第k个所述调整后主成分方向上的投影长度；/>表示所述调整后主成分方向的总数目；| |表示取绝对值符号；/>表示最大最小值归一化函数。
进一步的，确定各个空间样本点对应的环境监测数据组的数据类型，包括：
确定每个所述空间样本点在各个所述调整后主成分方向上的数据异常置信程度中的最大值，从而得到每个所述空间样本点的目标数据异常置信程度；
当所述目标数据异常置信程度小于第一数据异常置信程度阈值时，则判定对应空间样本点所对应的环境监测数据组的数据类型为数据正常；当所述目标数据异常置信程度不小于第一数据异常置信程度阈值且不大于第二数据异常置信程度阈值时，则判定对应空间样本点所对应的环境监测数据组的数据类型为实际数据异常；当所述目标数据异常置信程度大于第二数据异常置信程度阈值，则判定对应空间样本点所对应的环境监测数据组的数据类型为偶然因素导致数据异常。
进一步的，构造每个所述环境监测数据组对应的空间样本点，包括：
将每个所述环境监测数据组中的各个环境监测数据分别作为样本空间中各个设定坐标轴上的坐标值，将各个坐标值在样本空间中所确定的数据点确定为空间样本点。
进一步的，采用PCA主成分分析法对所有所述空间样本点进行主成分分析。
进一步的，所述环境监测数据为环境温度值。
为解决上述技术问题，本发明还提供了一种芽苗菜生长环境在线监测系统，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机程序代码，以实现如上述任一项所述的一种芽苗菜生长环境在线监测方法的步骤。
本发明具有如下有益效果：通过利用同一时刻的不同设置位置的传感器采集的环境监测数据构成空间样本点，并对空间样本点进行主成分分析，获取各个主成分方向及其特征值。根据空间样本点在每个主成分方向上的投影大小，以及每个主成分方向的特征值大小，对空间样本点在主成分方向上的数据差异情况进行衡量，从而确定每个空间样本点在每个主成分方向上的数据异常程度，进而确定每个主成分方向上的累积权值系数，累积权值系数表征了主成分方向对数据整体上异常的区分度。进而基于相邻主成分方向上的累积权值系数的差异，对主成分方向进行组合调整，使主成分方向通过调整后偏向因偶然性因素造成的异常数据较为显著的方向，从而得到各个调整后主成分方向。最终根据空间样本点在调整后主成分方向上的投影情况，确定每个空间样本点在每个调整后主成分方向上的数据异常置信程度，当空间样本点对应的环境监测数据组的数据类型不同时，其会体现为数据异常置信程度的大小不同，因此通过该数据异常置信程度，最终可以精准区分空间样本点对应的环境监测数据组的数据类型，最终实现芽苗菜生长环境的精准监测，提高了芽苗菜生长环境监控可靠性，有利于芽苗菜生长环境的精准调控。
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和优点，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的介绍，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它附图。
图1为本发明实施例的芽苗菜生长环境在线监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。
为了解决现有芽苗菜生长环境的监测精准性较差的问题，本实施例提供了一种芽苗菜生长环境在线监测方法，该方法对应的流程图如图1所示，包括以下步骤：
步骤S1：获取各个时刻的环境监测数据组，所述环境监测数据组包括不同设置位置的传感器采集的环境监测数据。
根据芽苗菜生长环境温度监测场景的需求，在芽苗菜生长环境的不同位置设置多个温度传感器，多个温度传感器按照设定的时间间隔同步进行温度数据采样，同时记录获取温度数据的时刻数据，并且记录温度传感器在芽苗菜生长环境中的位置数据。设定合适的采样时间区间，本实施例设置该采样时间区间/>为1天，并设置在该采样时间区间/>内每相邻两次进行温度数据采样的时间间隔为30秒，从而可以得到一天之内的每个采样时刻的多个温度传感器的温度值，该温度值即为芽苗菜生长的环境监测数据，每个采样时刻的多个温度传感器的温度值构成了该采样时刻的环境监测数据组。应当理解的是，芽苗菜生长的环境监测数据并不仅局限于芽苗菜生长的环境温度，作为其他的实施方式，还可以是芽苗菜生长的环境湿度等其他类型的影响苗芽菜生长的环境监测数据。
步骤S2：构造每个所述环境监测数据组对应的空间样本点，对所有所述空间样本点进行主成分分析，获取至少两个主成分方向及其特征值。
由于芽苗菜生长环境的多个传感器的温度值数据的相关性，单一传感器的温度值数据异常会表现出异常显著特性。因此，首先对时序上的温度监测数据以各传感器作为数据维度完成数据的坐标系转换，实现对于传感器间温度值数据相关性的提取，并在新的样本空间中利用PCA主成分分析方法获取空间样本点在各主成分方向上的贡献度，通过空间样本点的主成分方向上的贡献度显著程度表征出空间样本点的异常置信程度，从而完成异常数据点的提取，最终实现芽苗菜生长环境精准在线监测。
基于上述分析，根据上述步骤所获取的各个时刻的环境监测数据组，构造每个环境监测数据组对应的空间样本点，即：将每个所述环境监测数据组中的各个环境监测数据分别作为样本空间中各个设定坐标轴上的坐标值，将各个坐标值在样本空间中所确定的数据点确定为空间样本点。也就是，根据各个时刻的环境监测数据组，构建出多维样本空间，此时对于每个时刻，将该时刻对应的环境监测数据组中的每一个温度传感器的温度值作为一个单独的数据维度，则样本空间中的一个空间样本点的坐标可以表示为。其中，/>表示第a个时刻的环境监测数据组中第k个温度传感器的温度值,n表示温度传感器的总数目。
基于上述所构建出的多维样本空间中的多个空间样本点的位置分布，利用主成分分析方法进行主成分分析，获取多个主成分方向以及这些主成分方向对应的特征值。按照特征值从大到小的顺序，这些主成分方向构成的序列也就是主成分方向序列可以表示为/>，对应的特征值构成的序列也就是特征值序列，可以表示为。其中，/>表示所获取到的第i个主成分方向，/>表示所获取到的第i个主成分方向的特征值，m表示所获取到的主成分方向的总数目。特征值大小表征的是主成分方向的重要程度，特征值越大，表示对应主成分方向的重要程度。
步骤S3：根据所述空间样本点的空间位置、主成分方向及其特征值，确定每个所述空间样本点在每个主成分方向上的数据异常程度，并根据所述数据异常程度，确定每个主成分方向上的累积权值系数。
由于多个传感器的同时刻的温度值数据存在相关性，即多个传感器的温度值数据会同时增大或减小，其会导致样本空间中的空间样本点在多个维度上存在较大的数据波动，造成多个主成分非正交方向的方差较大，此时通过主成分分析方法所获得的多个主成分方向/>都具有较大的方差，这里的方差属于/>主成分分析方法中的原有概念，是根据所有空间样本点在主成分方向上的投影大小来确定。但是，当偶然性因素造成单一传感器的温度值异常时，其对应的空间样本点则在样本空间中表现为离群点。
因此，利用上述所获得的空间样本点在各主成分方向上的投影长度表现其对主成分的贡献度，主成分方向对应的特征值越大，且空间样本点对此主成分的贡献度越大，则当前空间样本点的异常程度越大。由此，当前空间样本点的在当前主成分方向上的数据异常程度的计算公式为：
；其中，/>表示第j个所述空间样本点在第i个主成分方向上的数据异常程度；/>表示第i个主成分方向的特征值；/>表示第k个主成分方向的特征值；m表示主成分方向的总数目；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量；/>表示第i个主成分方向的方向向量；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在第i个主成分方向上的投影长度；表示最大最小值归一化函数。
在上述的第j个空间样本点在第i个主成分方向上的数据异常程度的计算公式中，该数据异常程度表征的是第j个空间样本点在第i个主成分方向上的显著程度，其与第i个主成分方向的特征值的占比以及第j个空间样本点在该第i个主成分方向上的贡献度占比相关联，表示的是第j个空间样本点的位置坐标向量/>与第i个主成分方向的方向向量/>的点乘运算，其表征了第j个空间样本点在第i个主成分方向上的投影大小，/>的取值越大，表示第j个空间样本点在第i个主成分方向上的投影长度越大。利用最大最小值归一化函数对/>进行归一化，从而得到第j个空间样本点在第i个主成分方向上的投影大小占比，其表征的是第j个空间样本点在该第i个主成分方向上的贡献度占比，其取值越大，表明在该第i个主成分方向上的所有空间样本点的投影大小的总体数据的波动程度越大，则该第i个主成分方向上的方差影响的贡献程度越大，第j个空间样本点在第i个主成分方向上的显著程度越大。/>表示的是第i个主成分方向的特征值在所有主成分方向的特征值累加和中的占比，其取值越大，表示第j个空间样本点在第i个主成分方向上的显著程度越大。由于多维样本空间的构建方式，样本空间的不同维度代表不同的温度传感器，当空间样本点在主成分方向上的显著程度越大时，即在某个主成分方向上空间样本点的一个或多个温度传感器的温度值数据相较于其他温度传感器的温度值数据的差异比较显著时，则可以视为发生了数据异常状况，且数据异常程度较大。
在通过上述方式确定每个空间样本点的在每个主成分方向上的数据异常程度之后，根据所获得的所有空间样本点在单个主成分方向上的数据异常程度，获取单个主成分方向上的数据异常程度累积，即获取芽苗菜生长环境多传感器温度值数据在各主成分方向上表现的异常程度累积，其大小表征了主成分对数据总体上异常的区分度，当存在于几个主成分上的数据异常程度累积相近时，表明获得的主成分方向的区分度不高，应当进行主成分方向调整，从而便于后续在调整后的主成分方向上进行空间样本点的数据异常置信程度确定，进而划分出空间样本点的异常类型。
基于上述分析，根据上述所确定的每个空间样本点的在每个主成分方向上的数据异常程度，针对每个主成分方向进行数据异常程度的累积，从而获取每个主成分方向上的数据异常程度累积，进而确定每个主成分方向上的累积权值系数，实现步骤包括：
将所有所述空间样本点在每个主成分方向上的数据异常程度的累加值，确定为每个主成分方向对应的数据异常程度累积；
对所述数据异常程度累积进行正相关归一化，并将正相关归一化结果确定为每个主成分方向上的累积权值系数。
可选择的，确定每个主成分方向上的累积权值系数，对应的计算公式为：
；其中，/>表示第i个主成分方向上的累积权值系数，/>表示第j个空间样本点在第i个主成分方向上的数据异常程度，/>表示空间样本点的总数量，/>表示S型生长曲线，用于对/>进行正相关归一化。
步骤S4：按照所述特征值大小顺序，对主成分方向进行排列，得到主成分方向序列，并根据所述主成分方向序列中每相邻两个主成分方向的累积权值系数的差异，对所述主成分方向进行组合调整，从而得到各个调整后主成分方向。
在通过上述步骤得到各个主成分方向上的累积权值系数之后，当各主成分方向上的累积权值系数的波动程度越大时，表明其主成分的其区分度越高，而主成分方向上的累积权值系数的波动程度越小时，则表明其区分度不高，应当根据其累积权重系数进行主成分方向调整。因此，根据上述所确定的主成分方向序列中每相邻两个主成分方向的累积权值系数的差异，对主成分方向进行组合调整，从而得到各个调整后主成分方向，实现步骤包括：
确定所述主成分方向序列中每相邻两个主成分方向的累积权值系数的差值绝对值；
判断所述差值绝对值是否小于波动程度阈值，若小于波动程度阈值，则将对应的两个主成分方向划分到同一个主成分方向组中，若不小于波动程度阈值，则将对应的两个主成分方向划分到不同的主成分方向组中，从而得到各个主成分方向组；
根据每个所述主成分方向组中各个主成分方向的累积权值系数，对每个所述主成分方向组中各个主成分方向进行加权求和，从而得到每个所述主成分方向组对应的调整后主成分方向。
具体的，根据经验设置，设置波动程度阈值，本实施例设置该波动程度阈值的取值为0.25，并根据该波动程度阈值行主成分方向调整判断。当主成分方向序列中每相邻两个主成分方向的累积权值系数的差值绝对值小于该波动程度阈值时，则认为对应两个主成分方向上的累积权值系数的波动程度较小，二者的区分度不高，此时则将对应两个主成分方向划分到同一个主成分方向组中，而当对应两个主成分方向的累积权值系数的差值绝对值大于或者等于该波动程度阈值时，则认为对应两个主成分方向上的累积权值系数的波动程度较大，二者的区分度较高，此时则将对应两个主成分方向划分到不同的两个主成分方向组中。按照这种方式，最终可以得到各个主成分方向组，每个主成分方向组均有一个主成分方向或者多个连续的主成分方向构成，当由多个连续的主成分方向构成时，每相邻两个主成分方向的累积权值系数的差值绝对值均小于上述波动程度阈值。
在得到各个主成分方向组之后，根据每个主成分方向组中各个主成分方向的累积权值系数，对每个主成分方向组中各个主成分方向进行加权求和，从而得到每个主成分方向组对应的调整后主成分方向，对应的计算公式为：
；其中，/>表示第h个主成分方向组对应的调整后主成分方向；/>表示第h个主成分方向组中第i个主成分方向的累积权值系数；/>表示第h个主成分方向组中第i个主成分方向的方向向量；w表示第h个主成分方向组中主成分方向的总数目。
在上述每个主成分方向组对应的调整后主成分方向的对应的计算公式中，通过将每个主成分方向组中各个主成分方向的累积权值系数作为权重值，对该主成分方向组中各个主成分方向进行加权求和，从而得到该主成分方向组对应的调整后主成分方向，该调整后主成分方向偏向于空间样本点的数据异常程度累积较大的方向，即芽苗菜生长环境中的因偶然性因素造成的温度传感器异常数据最显著的方向。
通过上述方式，可以确定包含两个或者两个以上主成分方向的主成分方向组所对应的调整后主成分方向，对于该调整后主成分方向，芽苗菜生长环境中的偶然性因素造成的温度传感器异常数据对应的空间样本点在此主成分方向上有显著变化。而对于仅包括一个主成分方向的主成分方向组，则该主成分方向组所对应的调整后主成分方向即为组中该原主成分方向。
步骤S5：根据所述空间样本点的空间位置和所述调整后主成分方向，确定每个所述空间样本点在每个所述调整后主成分方向上的数据异常置信程度。
基于上述步骤所得到的各个调整后主成分方向，结合各个空间样本点的空间位置，获取每个空间样本点在每个调整后主成分方向上的数据异常置信程度，对应的计算公式为：
；其中，/>表示第j个所述空间样本点在第i个所述调整后主成分方向上的数据异常置信程度；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在第i个所述调整后主成分方向上的投影长度；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在除了第i个所述调整后主成分方向之外的其他第k个所述调整后主成分方向上的投影长度；/>表示所述调整后主成分方向的总数目；| |表示取绝对值符号；/>表示最大最小值归一化函数。
在上述的第j个空间样本点在第i个调整后主成分方向上的数据异常置信程度的计算公式中，该数据异常置信程度可以通过第j个空间样本点在第i个调整后主成分方向上的投影长度的显著程度表示，即第j个空间样本点在第i个调整后主成分方向上的投影越大，且第j个空间样本点在第i个调整后主成分方向上的投影与其他调整后主成分方向上的投影的差异程度越大时，则对应第j个空间样本点的数据异常置信程度越大，此时说明第j个空间样本点越可能为异常样本点。
步骤S6：根据所述数据异常置信程度，确定各个空间样本点对应的环境监测数据组的数据类型。
通过上述步骤，可以确定每个空间样本点在各个调整后主成分方向上的数据异常置信程度，基于这些数据异常置信程度，可以确定各个空间样本点对应的环境监测数据组的数据类型，实现步骤包括：
确定每个所述空间样本点在各个所述调整后主成分方向上的数据异常置信程度中的最大值，从而得到每个所述空间样本点的目标数据异常置信程度；
当所述目标数据异常置信程度小于第一数据异常置信程度阈值时，则判定对应空间样本点所对应的环境监测数据组的数据类型为数据正常；当所述目标数据异常置信程度不小于第一数据异常置信程度阈值且不大于第二数据异常置信程度阈值时，则判定对应空间样本点所对应的环境监测数据组的数据类型为实际数据异常；当所述目标数据异常置信程度大于第二数据异常置信程度阈值，则判定对应空间样本点所对应的环境监测数据组的数据类型为偶然因素导致数据异常。
具体的，根据上述所获取到的每个空间样本点在各个调整后主成分方向上的数据异常置信程度，获取每个空间样本点所对应的所有数据异常置信程度中的最大值，并将该最大值确定为对应空间样本点的目标数据异常置信程度。
同时，根据经验设置异常置信阈值区间[]，/>表示第一数据异常置信程度阈值，/>表示第二数据异常置信程度阈值，本实施例设置构成该异常置信阈值区间的第一数据异常置信程度阈值/>的取值为0.65，第二数据异常置信程度阈值/>的取值为0.86。
对于每个空间样本点，当其所对应的目标数据异常置信程度小于第一数据异常置信程度阈值时，则判定对应空间样本点属于正常空间样本点，此时该正常空间样本点所对应的环境监测数据组的数据类型为数据正常，即芽苗菜生长环境的温度值数据正常当其所对应的目标数据异常置信程度大于或者等于第一数据异常置信程度阈值/>，且小于或者等于第二数据异常置信程度阈值/>时，则判定对应空间样本点属于异常空间样本点，该异常空间样本点所对应的环境监测数据组的数据类型为实际数据异常，即芽苗菜生长环境的温度值数据实际发生异常。当其所对应的目标数据异常置信程度大于第二数据异常置信程度阈值/>时，则判定对应空间样本点属于异常空间样本点，且该异常空间样本点所对应的环境监测数据组的数据类型为偶然因素导致数据异常，即芽苗菜生长环境的温度值数据异常是因为偶然因素造成的。
在通过上述方式确定各个空间样本点对应的环境监测数据组的数据类型之后，当所有空间样本点对应的数据类型均为数据正常时，此时则无需对芽苗菜生长环境的温度值进行调整；当存在某个空间样本点对应的数据类型为实际数据异常时，此时则需要对芽苗菜生长环境的温度值进行调整；当存在某个空间样本点对应的数据类型为偶然因素导致数据异常时，则需要对造成芽苗菜生长环境的温度值数据异常的偶然因素进行排除和处理，最终实现芽苗菜生长环境精准在线监测。
本实施例还提供了一种芽苗菜生长环境在线监测系统，该系统包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机程序代码，以实现上述的芽苗菜生长环境在线监测方法的步骤。由于该系统实际上是一种软系统，其核心在于实现上述的芽苗菜生长环境在线监测方法，而该芽苗菜生长环境在线监测方法已经在上述内容中进行了详细介绍，此处对该系统不再进行赘述。
需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种芽苗菜生长环境在线监测方法，其特征在于，包括以下步骤：
获取各个时刻的环境监测数据组，所述环境监测数据组包括不同设置位置的传感器采集的环境监测数据；
构造每个所述环境监测数据组对应的空间样本点，对所有所述空间样本点进行主成分分析，获取至少两个主成分方向及其特征值；
根据所述空间样本点的空间位置、主成分方向及其特征值，确定每个所述空间样本点在每个主成分方向上的数据异常程度，并根据所述数据异常程度，确定每个主成分方向上的累积权值系数；
按照所述特征值大小顺序，对主成分方向进行排列，得到主成分方向序列，并根据所述主成分方向序列中每相邻两个主成分方向的累积权值系数的差异，对所述主成分方向进行组合调整，从而得到各个调整后主成分方向；
根据所述空间样本点的空间位置和所述调整后主成分方向，确定每个所述空间样本点在每个所述调整后主成分方向上的数据异常置信程度；
根据所述数据异常置信程度，确定各个空间样本点对应的环境监测数据组的数据类型；确定每个所述空间样本点在每个主成分方向上的数据异常程度，对应的计算公式为：
；其中，/>表示第j个所述空间样本点在第i个主成分方向上的数据异常程度；/>表示第i个主成分方向的特征值；/>表示第k个主成分方向的特征值；m表示主成分方向的总数目；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量；/>表示第i个主成分方向的方向向量；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在第i个主成分方向上的投影长度；/>表示最大最小值归一化函数；
确定每个所述空间样本点在每个所述调整后主成分方向上的数据异常置信程度，对应的计算公式为：
；其中，/>表示第j个所述空间样本点在第i个所述调整后主成分方向上的数据异常置信程度；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在第i个所述调整后主成分方向上的投影长度；/>表示第j个所述空间样本点的空间位置对应的位置坐标向量在除了第i个所述调整后主成分方向之外的其他第k个所述调整后主成分方向上的投影长度；/>表示所述调整后主成分方向的总数目；| |表示取绝对值符号；/>表示最大最小值归一化函数。
2.根据权利要求1所述的一种芽苗菜生长环境在线监测方法，其特征在于，对所述主成分方向进行组合调整，从而得到各个调整后主成分方向，包括：
确定所述主成分方向序列中每相邻两个主成分方向的累积权值系数的差值绝对值；
判断所述差值绝对值是否小于波动程度阈值，若小于波动程度阈值，则将对应的两个主成分方向划分到同一个主成分方向组中，若不小于波动程度阈值，则将对应的两个主成分方向划分到不同的主成分方向组中，从而得到各个主成分方向组；
根据每个所述主成分方向组中各个主成分方向的累积权值系数，对每个所述主成分方向组中各个主成分方向进行加权求和，从而得到每个所述主成分方向组对应的调整后主成分方向。
3.根据权利要求1所述的一种芽苗菜生长环境在线监测方法，其特征在于，确定每个主成分方向上的累积权值系数，包括：
将所有所述空间样本点在每个主成分方向上的数据异常程度的累加值，确定为每个主成分方向对应的数据异常程度累积；
对所述数据异常程度累积进行正相关归一化，并将正相关归一化结果确定为每个主成分方向上的累积权值系数。
4.根据权利要求1所述的一种芽苗菜生长环境在线监测方法，其特征在于，确定各个空间样本点对应的环境监测数据组的数据类型，包括：
确定每个所述空间样本点在各个所述调整后主成分方向上的数据异常置信程度中的最大值，从而得到每个所述空间样本点的目标数据异常置信程度；
当所述目标数据异常置信程度小于第一数据异常置信程度阈值时，则判定对应空间样本点所对应的环境监测数据组的数据类型为数据正常；当所述目标数据异常置信程度不小于第一数据异常置信程度阈值且不大于第二数据异常置信程度阈值时，则判定对应空间样本点所对应的环境监测数据组的数据类型为实际数据异常；当所述目标数据异常置信程度大于第二数据异常置信程度阈值，则判定对应空间样本点所对应的环境监测数据组的数据类型为偶然因素导致数据异常。
5.根据权利要求1所述的一种芽苗菜生长环境在线监测方法，其特征在于，构造每个所述环境监测数据组对应的空间样本点，包括：
将每个所述环境监测数据组中的各个环境监测数据分别作为样本空间中各个设定坐标轴上的坐标值，将各个坐标值在样本空间中所确定的数据点确定为空间样本点。
6.根据权利要求1所述的一种芽苗菜生长环境在线监测方法，其特征在于，采用PCA主成分分析法对所有所述空间样本点进行主成分分析。
7.根据权利要求1所述的一种芽苗菜生长环境在线监测方法，其特征在于，所述环境监测数据为环境温度值。
8.一种芽苗菜生长环境在线监测系统，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的计算机程序代码，以实现如权利要求1-7中任一项所述的一种芽苗菜生长环境在线监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311640704.0A CN117349664B (zh) | 2023-12-04 | 2023-12-04 | 一种芽苗菜生长环境在线监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311640704.0A CN117349664B (zh) | 2023-12-04 | 2023-12-04 | 一种芽苗菜生长环境在线监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117349664A CN117349664A (zh) | 2024-01-05 |
| CN117349664B true CN117349664B (zh) | 2024-02-02 |
Family
ID=89367000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311640704.0A Active CN117349664B (zh) | 2023-12-04 | 2023-12-04 | 一种芽苗菜生长环境在线监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117349664B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117807548B (zh) * | 2024-02-29 | 2024-05-10 | 江苏新希望生态科技有限公司 | 一种豆芽生长培育环境监测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105424645A (zh) * | 2015-10-29 | 2016-03-23 | 福州大学 | 基于主成分分析与Fish判别法快速鉴别临床致病菌的方法 |
| CN114757514A (zh) * | 2022-04-07 | 2022-07-15 | 福建利众诚食品有限公司 | 基于冻干食品的质量控制方法及控制系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060155186A1 (en) * | 2005-01-12 | 2006-07-13 | James Timothy W | Bone health assessment using spatial-frequency analysis |
-
2023
- 2023-12-04 CN CN202311640704.0A patent/CN117349664B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105424645A (zh) * | 2015-10-29 | 2016-03-23 | 福州大学 | 基于主成分分析与Fish判别法快速鉴别临床致病菌的方法 |
| CN114757514A (zh) * | 2022-04-07 | 2022-07-15 | 福建利众诚食品有限公司 | 基于冻干食品的质量控制方法及控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117349664A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117349664B (zh) | 一种芽苗菜生长环境在线监测方法及系统 | |
| CN116659589B (zh) | 基于数据分析的阿胶糕保存环境监测方法 | |
| CN115600932A (zh) | 一种基于大数据的文物储藏环境异常评估方法 | |
| CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
| US20220027230A1 (en) | Predicting Equipment Fail Mode from Process Trace | |
| CN116992322B (zh) | 一种智慧城市数据中心管理系统 | |
| CN117633697B (zh) | 基于物联网的生猪智能监测方法及系统 | |
| CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
| CN117313017B (zh) | 一种彩叶研发数据处理方法及系统 | |
| CN117278150B (zh) | 一种室内无线网络信号测量计算方法、设备和介质 | |
| CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
| CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
| CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
| CN116258087A (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
| CN117829381B (zh) | 基于物联网的农业大棚数据优化采集系统 | |
| CN117408734B (zh) | 基于物联网设备的客户信息智能管理系统 | |
| CN117289778B (zh) | 一种工控主机电源健康状态的实时监测方法 | |
| CN112120675B (zh) | 一种群体体温异常识别方法及装置、设备及介质 | |
| CN116738296B (zh) | 机房状况综合智能监控系统 | |
| CN116662466B (zh) | 通过大数据进行土地全生命周期维护系统 | |
| CN117609814B (zh) | 一种sd-wan智能流量调度优化方法及系统 | |
| CN117609929B (zh) | 基于大数据的工业生产线故障在线诊断方法及系统 | |
| CN117311417B (zh) | 基于物联网的智慧农业信息综合管理方法及系统 | |
| CN117040137B (zh) | 基于多源数据的环网柜温升预警方法、系统、终端及介质 |
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 |