CN117390559A - 基于物联网的城市园林监测方法、装置和电子设备 - Google Patents
基于物联网的城市园林监测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117390559A CN117390559A CN202311686677.0A CN202311686677A CN117390559A CN 117390559 A CN117390559 A CN 117390559A CN 202311686677 A CN202311686677 A CN 202311686677A CN 117390559 A CN117390559 A CN 117390559A
- Authority
- CN
- China
- Prior art keywords
- training
- sensing
- classification
- values
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 88
- 238000010586 diagram Methods 0.000 claims abstract description 40
- 230000006855 networking Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 207
- 239000013598 vector Substances 0.000 claims description 126
- 230000006870 function Effects 0.000 claims description 111
- 239000011159 matrix material Substances 0.000 claims description 67
- 238000012806 monitoring device Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000001953 sensory effect Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 238000005065 mining Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013215 result calculation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 102100033620 Calponin-1 Human genes 0.000 description 1
- 102100033591 Calponin-2 Human genes 0.000 description 1
- 101000945318 Homo sapiens Calponin-1 Proteins 0.000 description 1
- 101000945403 Homo sapiens Calponin-2 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种基于物联网的城市园林监测方法、装置和电子设备,其通过以城市中的各个位置的园林的传感器的数值之间的关联关系来整体性地进行园林的异常状态的判断,可以避免阈值设置的变化性问题,同时提高异常判断的准确性。并且,本申请还通过基于特征图中的各位置的特征值的类Softmax函数值进行聚类,并基于聚类结果来训练卷积神经网络中的块结构,可以使得卷积神经网络中的块结构与原始数据中的基于类别的预定模式相适配,提高了特征挖掘的准确性和有效性。
Description
技术领域
本申请涉及园林监测的领域,且更为具体地,涉及一种基于物联网的城市园林监测方法、基于物联网的城市园林监测装置和电子设备。
背景技术
通过基于物联网的各种传感器,例如温度传感器、湿度传感器等,可以获得城市中的各个位置的园林的监测数据,并且,通过对这些监测数据进行数据分析,可以监测城市园林的状态。例如,当某个传感器的数值出现异常时,可以判断出该传感器对应的园林存在异常,从而进一步排除风险。
但是,对于整个城市来说,基于单个传感器的数值进行的异常监控需要精确地设置判断阈值,而这种判断阈值是会随时间和地点等发生变化的。例如,对于温度阈值来说,显然夏季会高于冬季,而人口较为稠密的地段也会高于人口较为稀疏的地段,这都会影响到相应阈值的设置,从而导致无法保证异常判断的准确性。
因此,期望提供一种基于物联网的城市园林监测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于物联网的城市园林监测方法、基于物联网的城市园林监测装置和电子设备,其通过以城市中的各个位置的园林的传感器的数值之间的关联关系来整体性地进行园林的异常状态的判断,可以避免阈值设置的变化性问题,同时提高异常判断的准确性。并且,本申请还通过基于特征图中的各位置的特征值的类Softmax函数值进行聚类,并基于聚类结果来训练卷积神经网络中的块结构,可以使得卷积神经网络中的块结构与原始数据中的基于类别的预定模式相适配,提高了特征挖掘的准确性和有效性。
根据本申请的一个方面,提供了一种基于物联网的城市园林监测方法,其包括:
训练阶段,包括:
获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;
将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;
使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图;
计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;
基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;
将所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;
将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及
基于所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练;以及
预测阶段,包括:
获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;
将所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;
获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;
以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量;
将所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
根据本申请的另一方面,提供了一种基于物联网的城市园林监测装置,其包括:
训练模块,包括:
数据获取单元,用于获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;
训练传感矩阵生成单元,用于将各个所述数据获取单元获得的所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;
卷积处理单元,用于使用深度卷积神经网络从所述训练传感矩阵生成单元获得的所述训练传感矩阵获得训练传感特征图;
分类函数值计算单元,用于计算所述卷积处理单元获得的所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;
聚类单元,用于基于所述分类函数值计算单元获得的所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;
块结构确定单元,用于将所述聚类单元获得的所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;
分类器处理单元,用于将所述块结构确定单元获得的所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及
训练单元,用于基于所述分类器处理单元获得的所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练;以及
预测模块,包括:
传感矩阵构造单元,用于获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;
特征图生成单元,用于将所述传感矩阵构造单元获得的所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;
传感向量构造单元,用于获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;
分类特征向量生成单元,用于以所述传感向量构造单元获得的所述传感向量作为查询向量从所述特征图生成单元获得的所述传感特征图获得与所述传感向量匹配的分类特征向量;以及
监测结果生成单元,用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
根据本申请的又一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网的城市园林监测方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网的城市园林监测方法。
根据本申请提供的基于物联网的城市园林监测方法、基于物联网的城市园林监测装置和电子设备,其通过以城市中的各个位置的园林的传感器的数值之间的关联关系来整体性地进行园林的异常状态的判断,可以避免阈值设置的变化性问题,同时提高异常判断的准确性。并且,本申请还通过基于特征图中的各位置的特征值的类Softmax函数值进行聚类,并基于聚类结果来训练卷积神经网络中的块结构,可以使得卷积神经网络中的块结构与原始数据中的基于类别的预定模式相适配,提高了特征挖掘的准确性和有效性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网的城市园林监测方法的场景示意图。
图2A为根据本申请实施例的基于物联网的城市园林监测方法中训练阶段的流程图。
图2B为根据本申请实施例的基于物联网的城市园林监测方法中预测阶段的流程图。
图3A为根据本申请实施例的基于物联网的城市园林监测方法中训练阶段的架构示意图。
图3B为根据本申请实施例的基于物联网的城市园林监测方法中预测阶段的架构示意图。
图4为根据本申请实施例的基于物联网的城市园林监测装置的框图。
图5为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,通过基于物联网的各种传感器,例如温度传感器、湿度传感器等,可以获得城市中的各个位置的园林的监测数据,并且,通过对这些监测数据进行数据分析,可以监测城市园林的状态。例如,当某个传感器的数值出现异常时,可以判断出该传感器对应的园林存在异常,从而进一步排除风险。
但是,对于整个城市来说,基于单个传感器的数值进行的异常监控需要精确地设置判断阈值,而这种判断阈值是会随时间和地点等发生变化的。例如,对于温度阈值来说,显然夏季会高于冬季,而人口较为稠密的地段也会高于人口较为稀疏的地段,这都会影响到相应阈值的设置,从而导致无法保证异常判断的准确性。
本申请的申请人考虑到,分布在城市中的各个位置的园林的状态本身还存在一些共同的模式变化,这些模式变化会反映出来传感器的数值之间的关联关系,因此如果能够通过这种关联关系来代替与单个阈值的比较来进行园林的异常状态的判断,将可以避免单个阈值的设置问题,并提高异常判断的准确性。
也就是,在本申请的技术方案中,首先获得每处监测点的各个传感器的读数数值并构成为传感向量,然后将各处监测点的传感向量进行样本维度上的排列以得到传感矩阵。这样,就可以通过卷积神经网络来挖掘出传感矩阵的两个维度的数值之间的关联关系。
进一步地,为了能够充分发掘出数据中的隐藏模式,本申请中使用的卷积神经网络必须具有预定宽度和深度,而根据近来对于深度神经网络的研究,随着深度神经网络的宽度或者深度的增加,会出现深度神经网络中的块结构,即具有超过阈值的预定相似表示形式的多个连续层及其中的预定区块。这通过考察本申请中的数据属性也可以看出,也就是,每个监测点的传感数据之间会具有某些模式,例如在有水面的情况下温度升高则湿度也会增大,而无水面的情况下温度升高则湿度会降低;此外,各个监测点的传感数据之间也会具有相应的模式,例如同处于住宅区附近的园林会具有相似的温度变化模式。
因此,在本申请的卷积神经网络的训练过程中,从传感矩阵获得传感特征图之后,对传感特征图中的各个位置的特征值计算类Softmax函数值,并基于该类别函数值对特征值进行聚类,以便于挖掘出特征图中的类别模式,从而对特征图中的各个位置进行了基于类别的分块。然后,在迭代更新卷积神经网络的过程当中,每次都基于特征图中的对应于一个类别的分块来更新卷积神经网络中的各层的相应位置的参数,从而使得卷积神经网络中的块结构更加适配原始数据中的基于类别的预定模式,使得卷积神经网络能够更加准确和有效地提取出原始数据中的预定模式信息。
这样,在获得训练好的卷积神经网络之后,在推断时,就可以获得所有监测的城市园林监测点的传感数据并按照上述方式构成为传感矩阵并得到传感特征图,再以待监测的城市园林监测点的传感数据构成的传感向量作为查询向量乘以该传感特征图,以得到分类特征向量,并输入分类器以获得待监测的城市园林监测点的监测结果。
基于此,本申请提出了一种基于物联网的城市园林监测方法,其包括:训练阶段和预测阶段。其中,训练阶段包括步骤:获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图;计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;将所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及,基于所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练。其中,预测阶段包括步骤:获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;将所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量;以及,将所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
图1图示了根据本申请实施例的基于物联网的城市园林监测方法的场景示意图。如图1所示,在该应用场景的训练阶段中,首先,从待监测城市园林的各个监测点的各个传感器(例如,如图1中所示意的T)中获取读数数值作为训练数据;然后,将所述训练数据输入至部署有基于物联网的城市园林监测算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够基于物联网的城市园林监测算法以所述训练数据对基于物联网的城市园林监测的卷积神经网络进行训练。
在训练完成后,在预测阶段中,首先,从待监测城市园林的各个监测点的各个传感器(例如,如图1中所示意的T)中获取读数数值;然后,将所述读数数值输入至部署有基于物联网的城市园林监测算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够以基于物联网的城市园林监测算法对所述读数数值进行处理,以生成用于表示所述待监测城市园林的待监测点是否存在异常的监测结果。在该应用场景中,所述待监测城市园林的各个监测点的各个传感器包括但不局限于温度传感器、湿度传感器等。并且各个所述传感器经物联网相互连接。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2A图示了根据本申请实施例的基于物联网的城市园林监测方法中训练阶段的流程图。如图2A所示,根据本申请实施例的基于物联网的城市园林监测方法,包括:训练阶段,包括步骤:S110,获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;S120,将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;S130,使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图;S140,计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;S150,基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;S160,将所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;S170,将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及,S180,基于所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练。
图2B图示了根据本申请实施例的基于物联网的城市园林监测方法中预测阶段的流程图。如图2B所示,根据本申请实施例的基于物联网的城市园林监测方法,还包括:预测阶段,包括步骤:S210,获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;S220,将所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;S230,获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;S240,以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量;以及,S250,将所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
图3A图示了根据本申请实施例的基于物联网的城市园林监测方法中训练阶段的架构示意图。如图3A所示,在训练阶段中,在该网络架构中,首先,将从待监测城市园林的各个监测点的各个传感器中获取的读数数值(例如,如图3A中所示意的IN1)作为训练数据排列为训练传感向量(例如,如图3A中所示意的VT),并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵(例如,如图3A中所示意的MT);接着,使用深度卷积神经网络(例如,如图3A中所示意的CNN1)从所述训练传感矩阵获得训练传感特征图(例如,如图3A中所示意的FT);然后,计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值(例如,如图3A中所示意的S1-Sn);接着,基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图(例如,如图3A中所示意的FC);然后,将所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构(例如,如图3A中所示意的B1-Bn);接着,将所述具有多个类别区域的训练分类特征图通过分类器(例如,如图3A中所示意的分类器)以获得分类损失函数值;以及,最后,基于所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练。
图3B图示了根据本申请实施例的基于物联网的城市园林监测方法中预测阶段的架构示意图。如图3B所示,在预测阶段中,在该网络结构中,首先,将获取所述待监测城市园林的所有监测点的各个传感器的读数数值(例如,如图3B中所示意的IN2)构造为传感矩阵(例如,如图3B中所示意的M1);接着,将所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络(例如,如图3B中所示意的CNN2)以获得传感特征图(例如,如图3B中所示意的F1);然后,获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量(例如,如图3B中所示意的V1);接着,以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量(例如,如图3B中所示意的FC1);以及,最后,将所述分类特征向量通过分类器(例如,如图3B中所示意的分类器)以获得所述待监测城市园林的待监测点的监测结果。
更具体地,在训练阶段中,在步骤S110中,获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接。如前所述,对于整个城市来说,基于单个传感器的数值进行的异常监控需要精确地设置判断阈值,而这种判断阈值是会随时间和地点等发生变化的。例如,对于温度阈值来说,显然夏季会高于冬季,而人口较为稠密的地段也会高于人口较为稀疏的地段,这都会影响到相应阈值的设置,从而导致无法保证异常判断的准确性。并且本申请还考虑到分布在城市中的各个位置的园林的状态本身还存在一些共同的模式变化,这些模式变化会反映出来传感器的数值之间的关联关系,因此,在本申请的技术方案中,通过这种关联关系来代替与单个阈值的比较来进行园林的异常状态的判断,能够避免单个阈值的设置问题,以提高异常判断的准确性。
值得一提的是,所述待监测城市园林的各个监测点的各个传感器包括但不局限于温度传感器、湿度传感器等。并且各个所述传感器经物联网相互连接。
更具体地,在训练阶段中,在步骤S120中,将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵。应可以理解,为了后续通过卷积神经网络来挖掘出传感矩阵的两个维度的数值之间的关联关系,此时需要先将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,并按样本维度进行排列为训练传感矩阵。
具体地,在本申请实施例中,将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量的过程,包括:首先,对各个所述监测点的各个所述传感器的读数数值进行归一化处理。应可以理解,因为后续要对所述训练传感特征图中各个位置进行基于特征值的聚类,因此,为了避免不同量纲以及不同数值对模式识别带来不良影响,以及为了便于卷积神经网络的训练与收敛,需要对各个传感器的读数数值进行归一化处理。值得一提的是,在一个具体示例中,可用公式Xnorm=(Xi-Xmin)/(Xmax-Xmin)计算各个所述监测点的各个所述传感器的读数数值的最大值归一化数据,其中,Xi表示各个所述监测点的各个所述传感器的读数数值。在其他示例中还可以用其他方式对各个所述监测点的各个所述传感器的读数数值进行归一化处理,对此并不为本申请所局限。特别地,在本申请实施例中,对各个监测点的同一传感器的数值进行归一化处理,而不是基于向量中各个传感器的数值来进行归一化。
然后,再将归一化后的各个所述监测点的各个所述传感器的读数数值排列为所述训练传感向量。
更具体地,在训练阶段中,在步骤S130中,使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图。也就是,用深度卷积神经网络对所述训练传感矩阵进行处理,以通过卷积神经网络来挖掘出传感矩阵的两个维度的数值之间的关联关系。
具体地,在本申请实施例中,使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图的过程,包括:所述深度卷积神经网络以如下公式从所述训练传感矩阵获得所述训练传感特征图;所述公式为:
其中,为第i层深度卷积神经网络的输入,/>为第i层深度卷积神经网络的输出,/>为第i层深度卷积神经网络的卷积核,且/>为第i层深度卷积神经网络的偏置向量,表示非线性激活函数。应可以理解,Sigmoid非线性激活函数在很窄的自变量范围内,Sigmoid的梯度就趋近于0,这样,很容易导致梯度弥散问题。因此,在本申请实施例中,选择以/>函数作为激活函数。
更具体地,在训练阶段中,在步骤S140中,计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果。应可以理解,为了能够充分发掘出数据中的隐藏模式,本申请中使用的卷积神经网络必须具有预定宽度和深度,而根据近来对于深度神经网络的研究,随着深度神经网络的宽度或者深度的增加,会出现深度神经网络中的块结构,即具有超过阈值的预定相似表示形式的多个连续层及其中的预定区块。这通过考察本申请中的数据属性也可以看出,也就是,每个监测点的传感数据之间会具有某些模式,例如在有水面的情况下温度升高则湿度也会增大,而无水面的情况下温度升高则湿度会降低;此外,各个监测点的传感数据之间也会具有相应的模式,例如同处于住宅区附近的园林会具有相似的温度变化模式。因此,在本申请的技术方案中,从传感矩阵获得传感特征图之后,对传感特征图中的各个位置的特征值计算类Softmax函数值,以便于后续基于该类别函数值对特征值进行聚类,以便于挖掘出特征图中的类别模式,从而对特征图中的各个位置进行基于类别的分块。
具体地,在本申请实施例中,计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值的过程,包括:以如下公式计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值;所述公式为yi=exp(xi)/∑exp(xi),xi表示所述训练传感特征图中各个位置的特征值。
更具体地,在训练阶段中,在步骤S150中,基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图。也就是,基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以便于挖掘出所述传感特征图中的类别模式,从而便于后续对特征图中的各个位置进行基于类别的分块。
具体地,在本申请实施例中,基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图的过程,包括:基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值以K均值聚类算法对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的所述训练分类特征图。
更具体地,在训练阶段中,在步骤S160中,将所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构。应可以理解,通过基于所述特征图中的各位置的特征值的类Softmax函数值进行聚类,并基于所述聚类结果来训练所述卷积神经网络中的块结构,可以使得所述卷积神经网络中的块结构与原始数据中的基于类别的预定模式相适配,以提高特征挖掘的准确性和有效性。
更具体地,在训练阶段中,在步骤S170中,将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值。具体地,在本申请实施例中,将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值的过程,包括:首先,将所述训练分类特征图通过所述分类器的一个或多个全连接层进行编码以获得训练分类特征向量。
接着,将所述训练分类特征向量输入所述分类器的Softmax分类函数以获得分类结果。具体地,先将所述训练分类特征向量输入所述分类器的Softmax分类函数以获得所述待监测的城市园林监测点正常的第一概率以及所述待监测的城市园林监测点异常的第二概率;再基于所述第一概率与所述第二概率的大小比较来确定分类结果,也就是,当所述第一概率大于所述第二概率时,所述分类结果为待监测的城市园林监测点正常,当所述第一概率小于所述第二概率时,所述分类结果为待监测的城市园林监测点异常。
最后,计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。
更具体地,在训练阶段中,在步骤S180中,基于所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练。也就是,基于聚类结果来反向地迭代所述训练卷积神经网络中的块结构。值得一提的是,在迭代更新卷积神经网络的过程当中,每次都基于特征图中的对应于一个类别的分块来更新卷积神经网络中的各层的相应位置的参数,从而使得卷积神经网络中的块结构更加适配原始数据中的基于类别的预定模式,使得卷积神经网络能够更加准确和有效地提取出原始数据中的预定模式信息。
在训练完成后,进入预测阶段。也就是,在使用基于物联网的城市园林监测算法来训练卷积神经网络后,将训练完成的卷积神经网络用于实际的预测场景中。
更具体地,在预测阶段中,在步骤S210中,获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵。这里,所述待监测城市园林的各个监测点的各个传感器包括但不局限于温度传感器、湿度传感器等。并且各个所述传感器经物联网相互连接。在具体实施例中,首先,对各个所述监测点的各个所述传感器的读数数值进行归一化处理;然后,将归一化后的各个所述监测点的各个所述传感器的读数数值排列为所述训练传感向量。
更具体地,在预测阶段中,在步骤S220中,将所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图。也就是,以训练完成后的深度卷积神经网络对所述传感矩阵进行处理,以通过训练后的所述深度卷积神经网络来挖掘出所述传感矩阵的两个维度的数值之间的关联关系。
更具体地,在预测阶段中,在步骤S230和步骤S240中,获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量,并以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量。也就是,以所述传感向量作为查询向量与所述传感特征图进行矩阵相乘以获得所述分类特征向量。
更具体地,在预测阶段中,在步骤S250中,将所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。也就是,首先,将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码以获得分类特征向量。接着,将所述分类特征向量输入所述分类器的Softmax分类函数以获得所述分类特征向量属于所述待监测的城市园林监测点正常的第一概率以及所述待监测的城市园林监测点异常的第二概率。最后,再基于所述第一概率与所述第二概率的比较来确定分类结果,具体地,当所述第一概率大于所述第二概率时,所述分类结果为待监测的城市园林监测点正常,当所述第一概率小于所述第二概率时,所述分类结果为待监测的城市园林监测点异常。
综上,基于本申请实施例的基于物联网的城市园林监测方法被阐明,其通过以城市中的各个位置的园林的传感器的数值之间的关联关系来整体性地进行园林的异常状态的判断,可以避免阈值设置的变化性问题,同时提高异常判断的准确性。并且,本申请还通过基于特征图中的各位置的特征值的类Softmax函数值进行聚类,并基于聚类结果来训练卷积神经网络中的块结构,可以使得卷积神经网络中的块结构与原始数据中的基于类别的预定模式相适配,提高了特征挖掘的准确性和有效性。
示例性装置
图4图示了根据本申请实施例的基于物联网的城市园林监测装置的框图。如图4所示,根据本申请实施例的基于物联网的城市园林监测装置400,包括:训练模块 410和预测模块 420。
如图4所示,所述训练模块 410,包括:数据获取单元 411,用于获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;训练传感矩阵生成单元 412,用于将各个所述数据获取单元 411获得的所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;卷积处理单元 413,用于使用深度卷积神经网络从所述训练传感矩阵生成单元 412获得的所述训练传感矩阵获得训练传感特征图;分类函数值计算单元 414,用于计算所述卷积处理单元 413获得的所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;聚类单元 415,用于基于所述分类函数值计算单元 414获得的所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;块结构确定单元 416,用于将所述聚类单元 415获得的所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;分类器处理单元 417,用于将所述块结构确定单元 416获得的所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及,训练单元 418,用于基于所述分类器处理单元 417获得的所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练。
如图4所示,所述预测模块 420,包括:传感矩阵构造单元 421,用于获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;特征图生成单元422,用于将所述传感矩阵构造单元 421获得的所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;传感向量构造单元 423,用于获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;分类特征向量生成单元424,用于以所述传感向量构造单元 423获得的所述传感向量作为查询向量从所述特征图生成单元 422获得的所述传感特征图获得与所述传感向量匹配的分类特征向量;以及,监测结果生成单元 425,用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述训练传感矩阵生成单元 412,包括:归一化处理子单元,用于对各个所述监测点的各个所述传感器的读数数值进行归一化处理;以及,排列子单元,用于将归一化后的各个所述归一化处理子单元获得的所述监测点的各个所述传感器的读数数值排列为所述训练传感向量。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述卷积处理单元 413,进一步用于:所述深度卷积神经网络以如下公式从所述训练传感矩阵获得所述训练传感特征图;所述公式为:
其中,为第i层深度卷积神经网络的输入,/>为第i层深度卷积神经网络的输出,/>为第i层深度卷积神经网络的卷积核,且/>为第i层深度卷积神经网络的偏置向量,表示非线性激活函数。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述分类函数值计算单元 414,进一步用于:以如下公式计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值;所述公式为yi=exp(xi)/∑exp(xi),xi表示所述训练传感特征图中各个位置的特征值。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述聚类单元415,进一步用于:基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值以K均值聚类算法对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的所述训练分类特征图。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述分类器处理单元 417,包括:训练分类特征向量生成子单元,用于将所述训练分类特征图通过所述分类器的一个或多个全连接层进行编码以获得训练分类特征向量;分类结果计算子单元,用于将所述训练分类特征向量生成子单元获得的所述训练分类特征向量输入所述分类器的Softmax分类函数以获得分类结果;以及,比较子单元,用于计算所述分类结果计算子单元获得的所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述分类特征向量生成单元 424,进一步用于:以所述传感向量作为查询向量与所述传感特征图进行矩阵相乘以获得所述分类特征向量。
在一个示例中,在上述基于物联网的城市园林监测装置 400中,所述监测结果为待监测点是否存在异常。
这里,本领域技术人员可以理解,上述基于物联网的城市园林监测装置 400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3B的基于物联网的城市园林监测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于物联网的城市园林监测装置 400可以实现在各种终端设备中,例如基于物联网的城市园林监测算法的服务器等。在一个示例中,根据本申请实施例的基于物联网的城市园林监测装置 400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于物联网的城市园林监测装置 400可以是该终端设备的操作装置中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于物联网的城市园林监测装置 400同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于物联网的城市园林监测装置 400与该终端设备也可以是分立的设备,并且该基于物联网的城市园林监测装置 400可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图5来描述根据本申请实施例的电子设备。如图5所示,电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于物联网的城市园林监测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如训练分类特征图、分类损失函数值等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线装置和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图5中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网的城市园林监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于物联网的城市园林监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于物联网的城市园林监测方法,其特征在于,包括:
训练阶段,包括:
获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;
将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;
使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图;
计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;
基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;
将所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;
将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及
基于所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练;以及
预测阶段,包括:
获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;
将所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;
获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;
以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量;以及
将所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
2.根据权利要求1所述的基于物联网的城市园林监测方法,其中,将各个所述监测点的各个所述传感器的读数数值排列为训练传感向量,包括:
对各个所述监测点的各个所述传感器的读数数值进行归一化处理;以及
将归一化后的各个所述监测点的各个所述传感器的读数数值排列为所述训练传感向量。
3.根据权利要求1所述的基于物联网的城市园林监测方法,其中,使用深度卷积神经网络从所述训练传感矩阵获得训练传感特征图,包括:
所述深度卷积神经网络以如下公式从所述训练传感矩阵获得所述训练传感特征图;
所述公式为:
其中,/>为第i层深度卷积神经网络的输入,/>为第i层深度卷积神经网络的输出,/>为第i层深度卷积神经网络的卷积核,且/>为第i层深度卷积神经网络的偏置向量,/>表示非线性激活函数。
4.根据权利要求1所述的基于物联网的城市园林监测方法,其中,计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,包括:
以如下公式计算所述训练传感特征图中各个位置的特征值的类Softmax分类函数值;
所述公式为yi=exp(xi)/∑exp(xi),xi表示所述训练传感特征图中各个位置的特征值。
5.根据权利要求1所述的基于物联网的城市园林监测方法,其中,基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图,包括:
基于所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值以K均值聚类算法对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的所述训练分类特征图。
6.根据权利要求1所述的基于物联网的城市园林监测方法,其中,将所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值,包括:
将所述训练分类特征图通过所述分类器的一个或多个全连接层进行编码以获得训练分类特征向量;
将所述训练分类特征向量输入所述分类器的Softmax分类函数以获得分类结果;以及
计算所述分类结果与真实值之间的交叉熵损失函数值作为所述分类损失函数值。
7.根据权利要求1所述的基于物联网的城市园林监测方法,其中,以所述传感向量作为查询向量从所述传感特征图获得与所述传感向量匹配的分类特征向量,包括:
以所述传感向量作为查询向量与所述传感特征图进行矩阵相乘以获得所述分类特征向量。
8.根据权利要求6所述的基于物联网的城市园林监测方法,其中,所述监测结果为待监测点是否存在异常。
9.一种基于物联网的城市园林监测装置,其特征在于,包括:
训练模块,包括:
数据获取单元,用于获取待监测城市园林的各个监测点的各个传感器的读数数值作为训练数据,各个所述传感器经物联网相互连接;
训练传感矩阵生成单元,用于将各个所述数据获取单元获得的所述监测点的各个所述传感器的读数数值排列为训练传感向量,并将各个所述监测点的训练传感向量进行样本维度上的排列以获得训练传感矩阵;
卷积处理单元,用于使用深度卷积神经网络从所述训练传感矩阵生成单元获得的所述训练传感矩阵获得训练传感特征图;
分类函数值计算单元,用于计算所述卷积处理单元获得的所述训练传感特征图中各个位置的特征值的类Softmax分类函数值,所述类Softmax分类函数为取各个位置的特征值为幂的自然指数函数值除以取所述传感特征图中各个位置的特征值为幂的自然指数函数值的加权和的结果;
聚类单元,用于基于所述分类函数值计算单元获得的所述训练传感特征图中各个位置的特征值对应的类Softmax分类函数值对所述传感特征图中各个位置的特征值进行聚类,以获得具有多个类别区域的训练分类特征图;
块结构确定单元,用于将所述聚类单元获得的所述类别区域在所述分类特征图中的位置传导到所述深度卷积神经网络中各层的相应区域,以确定所述卷积神经网络中对应所述多个类别区域的多个块结构;
分类器处理单元,用于将所述块结构确定单元获得的所述具有多个类别区域的训练分类特征图通过分类器以获得分类损失函数值;以及
训练单元,用于基于所述分类器处理单元获得的所述分类损失函数值对所述深度卷积神经网络进行基于块结构的训练;以及
预测模块,包括:
传感矩阵构造单元,用于获取所述待监测城市园林的所有监测点的各个传感器的读数数值并构造为传感矩阵;
特征图生成单元,用于将所述传感矩阵构造单元获得的所述传感矩阵通过经训练阶段训练而成的所述深度卷积神经网络以获得传感特征图;
传感向量构造单元,用于获取所述待监测城市园林的待监测点的各个传感器的读数数值并构造为传感向量;
分类特征向量生成单元,用于以所述传感向量构造单元获得的所述传感向量作为查询向量从所述特征图生成单元获得的所述传感特征图获得与所述传感向量匹配的分类特征向量;以及
监测结果生成单元,用于将所述分类特征向量生成单元获得的所述分类特征向量通过分类器以获得所述待监测城市园林的待监测点的监测结果。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-8中任一项所述的基于物联网的城市园林监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311686677.0A CN117390559A (zh) | 2023-12-11 | 2023-12-11 | 基于物联网的城市园林监测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311686677.0A CN117390559A (zh) | 2023-12-11 | 2023-12-11 | 基于物联网的城市园林监测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390559A true CN117390559A (zh) | 2024-01-12 |
Family
ID=89466974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311686677.0A Pending CN117390559A (zh) | 2023-12-11 | 2023-12-11 | 基于物联网的城市园林监测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390559A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
-
2023
- 2023-12-11 CN CN202311686677.0A patent/CN117390559A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
CN117912211B (zh) * | 2024-03-18 | 2024-05-31 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | KNN classification with one-step computation | |
CN104869126B (zh) | 一种网络入侵异常检测方法 | |
CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
Wang et al. | Feature selection and multi-kernel learning for adaptive graph regularized nonnegative matrix factorization | |
CN117390559A (zh) | 基于物联网的城市园林监测方法、装置和电子设备 | |
Ji et al. | A novel deep learning approach for anomaly detection of time series data | |
Teng et al. | Adaptive feature selection using v-shaped binary particle swarm optimization | |
US20210065059A1 (en) | Monitoring computing system status by implementing a deep unsupervised binary coding network | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
Huang | Network Intrusion Detection Based on an Improved Long‐Short‐Term Memory Model in Combination with Multiple Spatiotemporal Structures | |
CN111564179A (zh) | 一种基于三元组神经网络的物种生物学分类方法及系统 | |
CN112445957A (zh) | 社交网络异常用户检测方法、系统、介质、设备、终端 | |
CN115759748A (zh) | 风险检测模型生成方法和装置、风险个体识别方法和装置 | |
YAN et al. | AttentionSplice: An Interpretable Multi‐Head Self‐Attention Based Hybrid Deep Learning Model in Splice Site Prediction | |
CN117407781A (zh) | 基于联邦学习的设备故障诊断方法及装置 | |
CN116975728B (zh) | 用于煤层气钻井工程的安全管理方法及其系统 | |
US9864834B2 (en) | High-resolution melt curve classification using neural networks | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
Chen et al. | Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method | |
CN117421655A (zh) | 工业互联网数据流异常检测方法及系统 | |
CN117251813A (zh) | 一种网络流量异常检测方法和系统 | |
Yu et al. | A hybrid learning-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes | |
Khodaei et al. | A Markov chain-based feature extraction method for classification and identification of cancerous DNA sequences | |
CN112765521A (zh) | 一种基于改进k近邻的网站用户分类方法 | |
CN111178630A (zh) | 一种负荷预测方法及装置 |
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 |