WO2020191980A1 - 一种无线传感网络数据漂移盲校准方法 - Google Patents

一种无线传感网络数据漂移盲校准方法 Download PDF

Info

Publication number
WO2020191980A1
WO2020191980A1 PCT/CN2019/099024 CN2019099024W WO2020191980A1 WO 2020191980 A1 WO2020191980 A1 WO 2020191980A1 CN 2019099024 W CN2019099024 W CN 2019099024W WO 2020191980 A1 WO2020191980 A1 WO 2020191980A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
node
drift
value
formula
Prior art date
Application number
PCT/CN2019/099024
Other languages
English (en)
French (fr)
Inventor
李光辉
武加文
Original Assignee
江南大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 江南大学 filed Critical 江南大学
Publication of WO2020191980A1 publication Critical patent/WO2020191980A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Definitions

  • the invention relates to a blind calibration method for data drift of a wireless sensor network, and belongs to the technical field of wireless sensor networks.
  • Wireless Sensor Network (Wireless Sensor Network, WSN) is a network composed of a certain number of sensor nodes with sensing, computing, and communication capabilities. By closely linking the objective physical world with the information world, WSN is widely used in many fields of production and life, greatly improving people's ability to understand the real world.
  • WSN In the field of environmental monitoring, WSN is usually deployed in unsupervised and complex climate wild environments. Limited by the cost, energy, and unpredictable monitoring environment of sensor nodes, in the long-term use of these sensor nodes, the measured values of sensor nodes are prone to data drift.
  • the so-called data drift refers to a slow, one-way, long-term change of sensor node measurement values over time, usually a slow linear or exponential change process. This leads to serious data distortion problems and greatly reduces the data reliability of WSN. Therefore, it is very important to calibrate the data drift of sensor node data.
  • the existing WSN data drift calibration methods can be divided into two categories: blind calibration and non-blind calibration.
  • the non-blind calibration method is based on sensor node measurement values and known reference information as input to adjust parameters accordingly. For example, apply a known stimulus to the sensor network and measure its network response, compare the network response with reference information (network expected value), and then manually adjust the parameters accordingly.
  • the reference information is generally the factory standard value or the result of manual calibration by the user.
  • the non-blind calibration method is suitable for a small-scale network in a specific space (for example, indoor).
  • the use of the above method requires a lot of work in each stage, and the cost is high.
  • one method is to use Kriging interpolation as a prediction method to obtain a more accurate sensor prediction model.
  • the above blind calibration methods are based on the spatio-temporal correlation between nodes, and use a Kalman filter to track drift. The problem is that when the predicted value itself is not accurate, it is still used to calibrate the drift value. The accuracy of the calibration value is limited by the accumulated error, which greatly reduces the reliability of the WSN data. At the same time, the time complexity of the above blind calibration method is relatively large and cannot be applied to a real system.
  • the present invention provides a method for blind calibration of data drift in a wireless sensor network.
  • the method includes:
  • the data drift of sensor nodes is calibrated according to the data after sub-sampling.
  • the calibration process adopts the method of combining the constraint-based extreme learning machine and the Kalman filter.
  • the constrained extreme learning machine is the limit learning by constraining the weight vector parameters
  • the machine ELM model is extended to the constrained extreme learning machine CELM.
  • the method includes:
  • S1 preprocesses the measurement data of the sensor node and divides it into a training set and a test set;
  • S2 uses the constrained extreme learning machine CELM to model the spatiotemporal correlation between the target node and its neighbor nodes, and obtains the predicted value of the target node according to the established model and the measured data preprocessed by S1;
  • S3 feeds back the predicted value and actual measured value of the target node into the Kalman filter for tracking and calibrating the data drift of the target node.
  • the preprocessing in S1 includes: performing data sub-sampling, denoising and normalization processing.
  • the denoising processing is denoising using a wavelet threshold denoising method.
  • the S1 includes:
  • S11 selects a data subset from the measurement data of the sensor node, the data subset includes the measurement data of the target node and its neighbor nodes, wherein the measurement data of all nodes has spatio-temporal correlation, that is, within the same time range, the node measurement data The change trend is consistent;
  • S12 performs sub-sampling of the measurement data in the data subset at different time intervals to reduce the amount of data
  • S13 performs wavelet decomposition on the measurement data after the data amount is reduced, and then performs threshold processing on the wavelet coefficients to obtain the denoised measurement data;
  • S14 normalizes the data after denoising, and maps the data to the interval range of [-1,1] to eliminate the influence of singular data on the experiment.
  • S14 divides the normalized data into a training set and a test set; the target node data to be calibrated in the training set is the training data output, and the measurement data of the neighboring nodes of the target node is the training data input.
  • the target node data to be calibrated in the test set is the test data output, and the measurement data of the neighbor nodes of the target node is the test data input.
  • the S2 includes:
  • S21 Determine the network structure of the extreme learning machine according to the division of the data set, including determining the number of hidden layer nodes;
  • S22 calculate the weight and threshold between the input layer and the hidden layer according to the distribution information between a certain number of samples
  • S23 uses the acquired weight threshold to establish a constrained extreme learning machine model, and the training data uses the established constrained extreme learning machine model to predict the measured value of the target node.
  • the S3 includes:
  • Formula (1) represents the state model of node data
  • formula (2) represents the observation model of node data
  • w i,t represents the input Gaussian white noise
  • vi ,t represents the observation noise
  • di ,t represents the state equation of the node at time t
  • z i,t represents the observation equation of the corresponding state
  • S32 uses Kalman filter to track drift in a dispersed iterative manner:
  • the S22 includes:
  • a is the normalization factor
  • X j,l2 represents the data with the sequence number l2 in the training sample input
  • X j,l1 represents the data with the sequence number l1 in the training sample input
  • b is the threshold corresponding to w
  • S223 maps X i,l2 and X i,l1 to -1 and 1 respectively;
  • the iteration termination condition in S32 is that a unique weight threshold is obtained.
  • the mean square error MSE represents the prediction accuracy of the wireless sensor network
  • the determination coefficient R 2 is used to represent the fitting degree of the wireless sensor network model
  • n is the number of training samples
  • x i and Respectively represent the true value and predicted value of the i-th sample.
  • This application also claims to protect a wireless sensor network that uses the above-mentioned wireless sensor network data drift blind calibration method to calibrate the data drift of sensor nodes.
  • a constraint-based extreme learning machine and Karl In the method of combining Mann filters the constrained extreme learning machine is to extend the ELM model of the extreme learning machine to the constrained extreme learning machine CELM by constraining the weight vector parameters.
  • the wireless sensor network is used in the field of environmental monitoring, and a wireless sensor network system is formed by ordinary sensor nodes, aggregation nodes, data forwarding equipment, and display software.
  • CELM constrained extreme learning machine
  • Fig. 1 is a graph of the result of denoising measurement data in the present invention.
  • Figure 2 is a modeling flow chart of the constrained extreme learning machine in the present invention.
  • Definition 1 The data drift of a node is a slow, one-way, and long-term change of the measured value of the node due to its internal inherent deviation or the influence of the external environment, expressed as follows:
  • X represents the measured value of the node
  • T represents the true value of the measured environment
  • d represents the drift value
  • W represents the measured Gaussian white noise.
  • the drift d is smooth, because drift is usually a slow linear or exponential change process, without sudden changes, surges or spikes.
  • data loss and abnormal data will occur in the measured values of the nodes.
  • the neighbor nodes of a sensor node refer to other nodes within the communication radius of the target node.
  • the spatio-temporal correlation between nodes means that the changing trends of the measured values of different nodes are consistent in the same time period.
  • WSN nodes Due to the particularity of environmental monitoring, WSN nodes are randomly deployed on a large scale. It can be approximated that within a certain range, the neighboring nodes of the node have temporal and spatial correlation.
  • the drift is a one-way long-term change of the measured value of a specific node. The occurrence of drift is random and is closely related to its internal structure and environmental factors. Therefore, whether different nodes have drift and the magnitude of the drift value have no correlation. Because the nodes are pre-calibrated before deployment to ensure that they are in working condition. Therefore, the drift value should be zero within a short time after node deployment.
  • This embodiment provides a method for blind calibration of data drift in a wireless sensor network, which is used to track and calibrate data drift of sensor nodes.
  • the method includes:
  • Step1 Obtain measurement data of sensor nodes
  • the measurement data of sensor nodes obtained by it are six kinds of attribute data collected with a sampling period of 31 seconds, including environmental temperature, ground surface Temperature, relative humidity, solar radiation, soil moisture and wind direction;
  • the measurement data of the wireless ad hoc network system deployed by the intelligent sensing and detection team in a university mentioned below includes ambient temperature, relative humidity, and solar radiation. Each node collects three samples with a 10-minute sampling period.
  • the measurement data of the sensor node is selected according to the actual application scenario of the wireless sensor network, and the time range and sampling period of the measurement data are determined by those skilled in the art according to the actual situation.
  • Step2 Data preprocessing and dividing the preprocessed data into training set and test set;
  • Step 2 Perform sub-sampling on the measurement data obtained in Step 1, and re-sample the data at different time intervals for different nodes.
  • the number of data of each node is basically the same;
  • wavelet threshold denoising method to denoise the measured data from the sub-sampling data: first perform wavelet decomposition on the noisy measurement data, then threshold the wavelet coefficients, and finally use the processed data to reconstruct the original signal; This can obtain the sensor node data after eliminating noise interference;
  • the sensor node data after removing the noise is divided into training set and test set.
  • the target node is the node to be calibrated.
  • the target node data in the training set is the training data output, and the data of the neighbor nodes of the target node is the training data input.
  • the target node data in the test set is the test data output, and the data of the neighbor nodes of the target node is the test data input.
  • Step3 Data modeling, modeling using the constrained extreme learning machine method:
  • the network structure of the extreme learning machine is determined according to the division of the data set, including the number of hidden layer nodes, and the weights and thresholds between the input layer and the hidden layer are calculated according to the distribution information between the samples.
  • the obtained weight threshold establishes a constrained extreme learning machine model, and the training data uses the established constrained extreme learning machine model to predict the measured value of the target node.
  • Formula (1) represents the state model of node data
  • formula (2) represents the observation model of node data
  • w i,t represents the input Gaussian white noise
  • vi ,t represents the observation noise
  • di ,t represents the state equation of the node at time t
  • z i,t represents the observation equation of the corresponding state
  • Step4 Data calibration, follow the Kalman filter (KF) to track and calibrate the data drift: predict the drift estimate and the mean square error at time t based on the drift estimate and mean square error at t-1, and then calculate Kalman filter gain K at time t, and finally update the drift value and mean square error at time t.
  • KF Kalman filter
  • a is the normalization factor
  • X j,l2 represents the data with the sequence number l2 in the training sample input
  • X j,l1 represents the data with the sequence number l1 in the training sample input
  • b is the threshold corresponding to w
  • the iteration termination condition in S32 is that a unique weight threshold is obtained.
  • the mean square error MSE shown in formula (10) and the determination coefficient R 2 shown in formula (11) are selected as the judgment basis for testing the performance of the blind calibration method:
  • the mean square error MSE represents the prediction accuracy of the wireless sensor network
  • the determination coefficient R 2 is used to represent the fitting degree of the wireless sensor network model
  • n is the number of training samples
  • x i and Respectively represent the true value and predicted value of the i-th sample.
  • the data calibration algorithm is as follows:
  • the algorithm iterated a total of n times. In the t-th iteration, first predict the drift estimate d_pre and the mean square error p_pre at time t based on the estimated drift d t-1 and mean square error p t-1 at time t-1 , and then calculate the Carl at time t Mann filter gain K, and finally update the drift value d t and the mean square error p t at time t . After the algorithm iteration is completed, the node data is calibrated based on the filtered drift estimate, see formula (13).
  • CELM-KF algorithm in large-scale distributed WSN is as follows:
  • the LUCE dataset (Lausanne Urban Canopy Experiment) comes from the wireless sensor network deployed in the Federal Institute of Technology in Lausanne since July 2006.
  • the network contains a total of 97 nodes, which are divided into 10 groups of sensor node sets according to the temporal and spatial correlation between the nodes. From October 1, 2006 to May 9, 2007, each node collected six attribute data with a 31-second sampling period, including ambient temperature, surface temperature, relative humidity, solar radiation, soil moisture, and wind direction.
  • the data subsets of three groups of sensor nodes in the LUCE data set are selected as experimental objects.
  • the node IDs contained in the first data subset (LUCE_1) are 10, 14, 15, 17, 18, and 19 respectively.
  • the node IDs contained in the second data subset (LUCE_2) are 21, 23, 24, 25, 26, 27, and 28 respectively.
  • the two data subsets correspond to the data collected in the four days from October 10, 2006 to October 13, 2006.
  • This data set comes from the wireless ad hoc network system deployed by the intelligent sensing and detection team in a university since April 2018.
  • the system consists of ordinary sensor nodes, aggregation nodes, data forwarding equipment, and display software.
  • each node collects three kinds of attribute data in a 10-minute sampling period, including ambient temperature, relative humidity, and solar radiation.
  • the data subsets of the two sets of sensor nodes in the data set are selected as the experimental objects.
  • the node IDs contained in the first set of data subsets (JNSN_1) are 1, 2, 3, 5, 6, and 7, respectively.
  • the node IDs contained in the second data subset (JNSN_2) are 8, 9, 12, 13, 14, 16, 23. Both sets of data subsets correspond to data collected from June 14, 2018 to July 11, 2018.
  • the data set used is shown in Table 1. Considering that the measurement data of sensor nodes contains a large amount of data loss, the data from LUCE_1, LUCE_2, LUCE_3, JNSN_1 and JNSN_2 are resampled at 70 second interval, 48 second interval, 35 second interval, 27 minute interval, and 16 minute interval respectively. .
  • LUCE_1, LUCE_2 and LUCE_3 use the data of the previous 4 days as the training data set in the training phase, and use the data of the next 4 days in the calibration phase to test the method.
  • JNSN_1 and JNSN_2 use the data of the first 29 days as the training data set in the training phase, and use the data of the next 28 days in the calibration phase for testing.
  • the wavelet denoising method is used to reduce the influence of noise.
  • the threshold denoising method is used to decompose the noisy data, and then the wavelet coefficients are thresholded, and finally the original data is reconstructed using the processed results. Since the noise interference in the node measurement data is relatively small, the No. 1 node in the data set IV is selected to manually add Gaussian white noise to the data. The denoising result is shown in Figure 1. Among them, the original data and the denoised data almost overlap, which shows that this method has a good effect on noise suppression.
  • the constrained extreme learning machine method determines the network structure and divides the data set according to the division of the data set.
  • the constrained extreme learning machine method obtains the weight threshold according to the mapping of two different samples to different dimensions.
  • the constrained extreme learning machine method uses the acquired unique parameters to predict the measured value of the target node.
  • the basic calculation process is as follows:
  • S1 marks the category of training samples: mark the training samples.
  • S3 selection randomly select two different types of samples.
  • S5 termination condition the calculation is terminated until a unique weight threshold is obtained.
  • the extreme learning machine uses unique parameters to train the network and performs simulation predictions to predict the measured value of the target node.
  • the specific modeling method is shown in Figure 2.
  • the mean square error of the CELM method is reduced by 0.7498, 1.349, and 0.1919 on average compared with the SVR method, SSP method, and ELM method; the coefficient of determination of the CELM method is increased by 8.21% on average than the SVR method, SSP method, and ELM method. , 11.93%, 2.34%. This indicates that the CELM method has a better degree of model fitting, and the error between the output predicted value and the true value is smaller.
  • the Kalman filter is used to track drift in a decentralized iterative manner.
  • the target node measured n data, and the method was iterated n times.
  • first predict the drift estimate and mean square error at time t based on the drift estimate and mean square error at time t-1, then calculate the Kalman filter gain K at time t, and finally update the time at t Drift value and mean square error.
  • the node data is calibrated based on the filtered drift estimated value, that is, the measured value of the target node is used to subtract the estimated drift value to complete the calibration of the method.
  • Figure 3 shows the drift calibration values based on the data of the 23rd node under the data set II and the 16th node under the data set IV respectively using the CELM-KF algorithm for drift calibration. It can be seen from the figure that the node predicted value curve is basically consistent with the filtered numerical curve.
  • Table 3 and Table 4 show the experimental results of calibration experiments for all node data under data sets IV and V for the CELM-KF algorithm. It can be seen from Table 4 that all node data under data sets IV and V apply this method The average values afterwards are all less than 0.4, and the R2 values are all greater than 96%. This shows that the algorithm successfully eliminated the introduced drift error and measurement noise.
  • Part of the steps in the embodiments of the present invention can be implemented by software, and the corresponding software program can be stored in a readable storage medium, such as an optical disc or a hard disk.

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种无线传感网络数据漂移盲校准方法，属于无线传感网络技术领域。所述方法采用了基于约束的极限学习机与卡尔曼滤波器相结合的方法来校准传感器节点的数据漂移。本发明通过首先对节点测量值进行预处理。然后使用约束极限学习机(CELM)对待校准的节点和邻居节点间的时空相关性进行数学建模，从而得到目标节点的预测值。最后将目标节点的预测值和测量值反馈入卡尔曼滤波器中以跟踪并校准其数据漂移，采用上述方法得到的校准值与真实值之间的平均均值误差极小，表明本方法具有极高的模型拟合精度且所用的训练时间更少；算法复杂度降低且提高了WSN数据的可靠性。

Description

一种无线传感网络数据漂移盲校准方法 技术领域
本发明涉及一种无线传感网络数据漂移盲校准方法，属于无线传感网络技术领域。
背景技术
无线传感器网络(Wireless Sensor Network,WSN)是由一定数量拥有感知、计算、和通信能力的传感器节点所组成的网络。通过将客观物理世界与信息世界紧密的相联，WSN被广泛应用于生产生活的众多领域，极大地提高了人们对现实世界的认识能力。
在环境监测领域，WSN通常被部署于无人监管、气候复杂的野外环境。受传感器节点的成本、能源以及变幻莫测的监测环境限制，在长期使用这些传感器节点的过程中，传感器节点的测量值容易产生数据漂移的问题。所谓数据漂移是指传感器节点测量值随着时间的推移产生的一种缓慢、单向、长期的变化，通常是一个缓慢的线性或指数的变化过程。这导致了严重的数据失真问题，大大降低了WSN的数据可靠性。因此，对传感器节点数据进行数据漂移校准至关重要。现有的WSN的数据漂移校准方法可以分为两类：盲校准和非盲校准。
(1)非盲校准方法
非盲校准方法是基于传感器节点测量值和已知的参考信息作为输入来相应调整参数。比如将已知的激励作用于传感器网络中并测量其网络响应，将网络响应与参考信息(网络预期值)进行比较，然后相应地手动调整参数。其中，参考信息一般为出厂标准值或用户手动校准的结果。非盲校准方法适用于特定空间(例如室内)小规模网络的场景下，然而在大规模WSN的应用中，使用上述方法需要在每个阶段进行大量的工作，成本较高。
(2)盲校准方法
一般情况下传感器节点处于人迹罕至的区域，无法手动调整；鉴于非盲校准方法在大规模WSN的应用中存在的局限性，盲校准方法得到了广泛的关注。当网络中未产生数据漂移时，传感器节点间具有相关的测量值，因此基于相邻节点间具有相关测量值的假设，Takruri等人首先提出了基于预测方法的校准框架，使用邻居节点测量值的平均值作为漂移节点的预测值；为了更好地拟合传感器节点间的时空相关性，Takruri等人又提出了一种基于支持向量回归(Support Vector Regression，SVR)来预测真实值的方法SVR-KF。针对SVR可能存在的训练精度较低的情况，一种方法是采用克里金插值作为预测方法，以得到更精确的传感器预测模型。然而上述盲校准方法都是基于节点间的时空相关性，并使用了卡尔曼滤波器以跟踪漂移，其存在的问题在于当预测值本身不精确的情况下仍然继续用来校准漂移值，因而 最终校准值的精度受累积误差的限制，使得WSN的数据的可靠性大大降低。同时，上述盲校准方法的时间复杂度较大，无法应用于真实系统中。
发明内容
为了解决目前盲校准方法中存在的数据的可靠性低且时间复杂度大的问题，本发明提供了一种无线传感网络数据漂移盲校准方法，所述方法包括：
获取传感器节点的测量数据；
对获取到的测量数据进行二次采样，二次采样过程中针对不同节点数据分别以不同的时间间隔进行重新采样；
根据二次采样后的数据进行校准传感器节点的数据漂移，校准过程采用基于约束的极限学习机与卡尔曼滤波器相结合的方法，其中，约束的极限学习机为通过约束权重向量参数将极限学习机ELM模型扩展到约束极限学习机CELM。
可选的，所述方法包括：
S1对传感器节点的测量数据进行预处理，并划分为训练集和测试集；
S2使用基于约束极限学习机CELM对目标节点和其邻居节点间的时空相关性进行建模，根据建立的模型以及S1预处理后的测量数据得到目标节点的预测值；
S3将目标节点的预测值和实际测量值反馈入卡尔曼滤波器中，用于跟踪和校准目标节点的数据漂移。
可选的，所述S1中的预处理包括：进行数据二次采样、去噪和归一化处理。
可选的，所述去噪处理为利用小波阈值去噪法进行去噪。
可选的，所述S1包括：
S11从传感器节点的测量数据中选取数据子集，所述数据子集包括目标节点以及其邻居节点的测量数据，其中，所有节点的测量数据具有时空相关性，即相同时间范围内，节点测量数据的改变趋势一致；
S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样，缩减数据量；
S13对缩减数据量后的测量数据进行小波分解，然后对小波系数进行阈值处理，得到去噪后的测量数据；
S14针对去噪后数据进行归一化处理，把数据映射到[-1,1]的区间范围内，以排除奇异数据对实验所造成的影响。
S14将归一化处理后的数据划分为训练集和测试集；其中训练集中的待校准的目标节点 数据为训练数据输出，目标节点的邻居节点的测量数据为训练数据输入。测试集中的待校准的目标节点数据为测试数据输出，目标节点的邻居节点的测量数据为测试数据输入。
可选的，所述S2包括：
S21根据数据集的划分情况确定极限学习机的网络结构，包括确定隐含层节点数目；
S22根据一定数量的样本之间的分布信息来计算输入层到隐含层之间的权值和阈值；
S23使用获取到的权值阈值建立约束极限学习机模型，训练数据使用所建立的约束极限学习机模型来预测目标节点的测量值。
可选的，所述S3包括：
S31建立传感器节点的状态-观测模型，计算方法由公式(1)和公式(2)所得：
d i，t＝d i，t-1+w i，t     公式(1)
z i，t＝d i，t+v i，t     公式(2)
公式(1)表示节点数据的状态模型，公式(2)表示节点数据的观测模型；
其中，w i，t表示输入的高斯白噪声，v i，t表示观测噪声；d i，t表示节点在时刻t的状态方程，z i，t表示对应状态的观测方程；
S32使用卡尔曼滤波器以分散迭代的方式进行跟踪漂移：
在进行第t次迭代时，基于t-1时刻的漂移估计值和均方误差预测t时刻的漂移估计值和均方误差，计算t时刻的卡尔曼滤波增益K，更新t时刻的漂移值和均方误差；
S33基于滤波后漂移估计值校准目标节点的漂移值。
可选的，所述S22包括：
S221在训练样本输出中，随机取出l组数据，设l1和l2分别代表l组数据中两个不同类别的样本的序列号，令l2表示值为-1(即最小值)所在的数据值的序列号，l1代表随机选取的值不为-1的序列号，即X i,l2表示训练样本输出中的最小值，X i,l1表示训练样本输出中的除最小值外的任意值，得到输入层与隐含层的权值w：
w＝a(X j,l1-X j,l2)      公式(3)
a为归一化因子；X j,l2表示训练样本输入中序列号为l2的数据；X j,l1表示训练样本输入中序列号为l1的数据；
S222针对公式(3)进行映射转化：
Xw+b＝aX(X j,l1-X j,l2)+b     公式(4)
其中，b是w对应的阈值；
S223将X i,l2和X i,l1分别映射为-1和1；
aX j,l1(X j,l1-X j,l2)+b＝1    公式(5)
aX j,l2(X j,l1-X j,l2)+b＝-1    公式(6)
S224计算：计算当前的权值w，阈值b，权值的值：
Figure PCTCN2019099024-appb-000001
Figure PCTCN2019099024-appb-000002
Figure PCTCN2019099024-appb-000003
所述S32中迭代终止条件为：获取到唯一的权值阈值。
可选的，选用公式(10)所示的均方误差MSE与公式(11)所示的决定系数R 2作为测试盲校准方法性能的判断依据：
Figure PCTCN2019099024-appb-000004
Figure PCTCN2019099024-appb-000005
其中，均方误差MSE表示无线传感网络的预测精度；决定系数R 2用来表示无线传感网络模型的拟合程度，n为训练样本数目，x i与
Figure PCTCN2019099024-appb-000006
分别表示第i个样本的真实值与预测值。
本申请还要求保护一种无线传感网络，所述无线传感网络采用上述无线传感网络数据漂移盲校准方法进行校准传感器节点的数据漂移，校准过程中，采用基于约束的极限学习机与卡尔曼滤波器相结合的方法，所述约束的极限学习机为通过约束权重向量参数将极限学习机ELM模型扩展到约束极限学习机CELM。
可选的，所述无线传感网络用于环境监测领域，由普通传感器节点、汇聚节点、数据转发设备、显示软件构成无线传感网络系统。
本发明有益效果是：
通过首先对节点测量值进行预处理。然后使用约束极限学习机(CELM)对待校准的节点和邻居节点间的时空相关性进行数学建模，从而得到目标节点的预测值。最后将目标节点的预测值和测量值反馈入卡尔曼滤波器中以跟踪并校准其数据漂移，采用上述方法得到的校准值与真实值之间的平均均值误差极小，表明本方法具有极高的模型拟合精度且所用的训练时间更少；算法复杂度降低且提高了WSN数据的可靠性。
附图说明
为了更清楚地说明本发明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是本发明中的测量数据去噪后结果图。
图2是本发明中的约束极限学习机的建模流程图。
图3是本发明中的ID＝21的节点的漂移校准图示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。
首先对漂移数据的基本特征做了如下定义：
定义1：节点的数据漂移是节点测量值受其内部固有偏差或外界环境影响所产生的缓慢、单向、长期的变化，表示如下：
X＝T+d+W      公式(12)
上述公式中，X表示节点的测量值，T表示所测环境的真实值，d表示漂移值，W表示测量高斯白噪声。其中，漂移d是平滑的，因为漂移通常是一个缓慢的线性或指数的变化过程，没有突变，激增或尖峰现象。同时，由于部署节点的成本有限，节点测量值会出现数据丢失和数据异常的现象。
定义2：传感器节点的邻居节点是指目标节点通信半径内的其它节点。节点之间的时空相关性是指不同节点测量值的变化趋势在同一时间段内是一致的。
由于环境监测的特殊性，WSN的节点被大规模的随机部署，可以近似的认为，在一定范围内，节点的邻居节点间具有时空相关性。而漂移是特定节点测量值的单向的长期变化，漂移的产生是随机的，与其内部构造以及环境因素密切相关。因此，不同节点是否产生漂移以及漂移值的大小不具有相关性。由于节点在部署前都经过预先校准，以确保它们处于工作状态。因此，节点部署后的短时间内，漂移值应为零。
实施例一：
本实施例提供一种无线传感网络数据漂移盲校准方法，用于跟踪和校准传感器节点的数据漂移，所述方法包括：
Step1：获取传感器节点的测量数据；
比如，下述提到的国际通用的数据集LUCE(洛桑城市冠层实验)，其获取到的传感器节点的测量数据为以31秒的采样周期采集到的六种属性数据，包括环境温度、地表温度、相对湿度、太阳辐射、土壤水分及风向；
再比如，下述提到的由智能感知与检测团队部署在某大学内的无线自组网系统的测量数据则包括环境温度、相对湿度、太阳辐射，每个节点以10分钟的采样周期采集三种属性数据；
所以，传感器节点的测量数据根据无线传感网络的实际应用场景进行选取，测量数据的时间范围以及采样周期由本领域技术人员根据实际情况确定。
在获取到测量数据后，还需要对其进行相关的分组等常规处理操作。
Step2：数据预处理并将预处理后的数据划分为训练集和测试集；
对Step1获取到的测量数据进行二次采样，针对不同节点数据分别以不同的时间间隔进行重新采样。各节点的数据个数基本相同；
将二次采样得到的数据利用小波阈值去噪法对测量数据进行去噪：首先对含噪的测量数据进行小波分解，然后对小波系数进行阈值处理，最后利用处理后数据重构原信号；由此可以获得消除噪声干扰后的传感器节点数据；
对处理后的数据进行归一化处理，把数据映射到[-1,1]的区间范围内，以排除奇异数据对实验所造成的影响。
将消除噪声后的传感器节点数据划分为训练集和测试集。其中目标节点为待校准节点。训练集中的目标节点数据为训练数据输出，目标节点的邻居节点的数据为训练数据输入。测试集中的目标节点数据为测试数据输出，目标节点的邻居节点的数据为测试数据输入。
Step3：数据建模，使用约束极限学习机方法进行建模：
根据训练集中的数据建立模型，并通过约束权重向量参数将极限学习机(Extreme Learning Machine，ELM)模型扩展到约束极限学习机CELM；
将测试机中的数据输入建立的约束极限学习机CELM模型中得到目标节点的预测值。
具体的，根据数据集的划分情况确定极限学习机的网络结构，包括确定隐含层节点数目，根据样本之间的分布信息来计算输入层到隐含层之间的权值和阈值，使用获取到的权值阈值建立约束极限学习机模型，训练数据使用所建立的约束极限学习机模型来预测目标节点的测量值。
其中，建立传感器节点的状态-观测模型，计算方法由公式(1)和公式(2)所得：
d i，t＝d i，t-1+w i，t                       公式(1)
z i，t＝d i，t+v i，t                        公式(2)
公式(1)表示节点数据的状态模型，公式(2)表示节点数据的观测模型；
其中，w i，t表示输入的高斯白噪声，v i，t表示观测噪声；d i，t表示节点在时刻t的状态方程，z i，t表示对应状态的观测方程；
根据样本之间的分布信息来计算输入层到隐含层之间的权值和阈值时，包括：
Step4：数据校准，根据卡尔曼滤波器(Kalman filter，KF)进行跟踪校准数据漂移：基于t-1时刻的漂移估计值和均方误差来预测t时刻的漂移估计值和均方误差，然后计算t时刻的卡尔曼滤波增益K，最后更新t时刻的漂移值和均方误差。
在训练样本输出中，随机取出l组数据，设l1和l2分别代表l组数据中两个不同类别的样本的序列号，令l2表示值为-1(即最小值)所在的数据值的序列号，l1代表随机选取的值不为-1的序列号，即X i,l2表示训练样本输出中的最小值，X i,l1表示训练样本输出中的除最小值外的任意值，得到输入层与隐含层的权值w：
w＝a(X j,l1-X j,l2)                     公式(3)
a为归一化因子；X j,l2表示训练样本输入中序列号为l2的数据；X j,l1表示训练样本输入中序列号为l1的数据；
针对公式(3)进行映射转化：
Xw+b＝aX(X j,l1-X j,l2)+b                公式(4)
其中，b是w对应的阈值；
将X i,l2和X i,l1分别映射为-1和1；
aX j,l1(X j,l1-X j,l2)+b＝1                  公式(5)
aX j,l2(X j,l1-X j,l2)+b＝-1  公式(6)
计算：计算当前的权值w，阈值b，权值的值：
Figure PCTCN2019099024-appb-000007
Figure PCTCN2019099024-appb-000008
Figure PCTCN2019099024-appb-000009
所述S32中迭代终止条件为：获取到唯一的权值阈值。
上述过程中，选用公式(10)所示的均方误差MSE与公式(11)所示的决定系数R 2作为测试盲校准方法性能的判断依据：
Figure PCTCN2019099024-appb-000010
Figure PCTCN2019099024-appb-000011
其中，均方误差MSE表示无线传感网络的预测精度；决定系数R 2用来表示无线传感网络模型的拟合程度，n为训练样本数目，x i与
Figure PCTCN2019099024-appb-000012
分别表示第i个样本的真实值与预测值。
数据校准算法如下：
Figure PCTCN2019099024-appb-000013
其中，由于节点i共测量了n个数据，因此算法共迭代了n次。在进行第t次迭代时，首先基于t-1时刻的漂移估计值d t-1和均方误差p t-1预测t时刻的漂移估计值d_pre和均方误差p_pre，然后计算t时刻的卡尔曼滤波增益K，最后更新t时刻的漂移值d t和均方误差p t。算法迭代完成后，基于滤波后漂移估计值来校准节点数据，见公式(13)。
Figure PCTCN2019099024-appb-000014
综上所述，CELM-KF算法在大规模分布式WSN的具体实现如下：
Figure PCTCN2019099024-appb-000015
Figure PCTCN2019099024-appb-000016
为验证提出的CELM-KF的性能，下述以国际通用的数据集LUCE(洛桑城市冠层实验)无线传感网络数据集和某大学部署的无线自组网的数据集进行实验：
(1)LUCE数据集(洛桑城市冠层实验)来自于2006年7月以来部署在洛桑联邦理工学院内的无线传感器网络。该网络共包含97个节点，根据节点之间的时空相关性分为10组传感器节点集。在2006年10月1日到2007年5月9日期间，每个节点以31秒的采样周期采集六种属性数据，包括环境温度、地表温度、相对湿度、太阳辐射、土壤水分及风向。选取了LUCE数据集中的三组传感器节点的数据子集作为实验对象，第一组数据子集(LUCE_1)包含的节点ID分别是10，14，15，17，18，19。第二组数据子集(LUCE_2)包含的节点ID分别是21，23，24，25，26，27，28。两组数据子集都对应于2006年10月10日至2006年10月13日四天内所收集的数据。
(2)某大学部署的无线自组网的数据集
该数据集来自于2018年4月以来由智能感知与检测团队部署在某大学内的无线自组网系统。该系统由普通传感器节点、汇聚节点、数据转发设备、显示软件构成。在2018年4月25日到2019年3月5日期间，每个节点以10分钟的采样周期采集三种属性数据，包括环境温度、相对湿度、太阳辐射。选取了该数据集中的两组传感器节点的数据子集作为实验对象，第一组数据子集(JNSN_1)包含的节点ID分别是1，2，3，5，6，7。第二组数据子集(JNSN_2)包含的节点ID分别是8，9，12，13，14，16，23。两组数据子集都对应于2018年6月14日到2018年7月11日所收集的数据。
采用温度测量值来评估本方法。所使用的数据集见表1。考虑到传感器节点测量数据中中包含大量数据丢失，针对来自LUCE_1，LUCE_2，LUCE_3，JNSN_1和JNSN_2的数据分别以70秒间隔，48秒间隔，35秒间隔，27分钟间隔，16分钟间隔进行重新采样。在LUCE_1，LUCE_2和LUCE_3中，使用前4天的数据作为训练阶段的训练数据集，并且在校准阶段使用接下来4天的数据来测试本方法。在JNSN_1和JNSN_2中，使用前29天的数据作为训练阶段的训练数据集，并且在校准阶段使用接下来28天的数据来进行测试。
表1实验所用数据集
Figure PCTCN2019099024-appb-000017
由于受到传感器节点内部固有偏差或其他环境因素，节点在测量过程中会受到噪声的干扰。采用小波去噪方法来降低噪声的影响，首先使用阈值去噪法对含噪数据进行小波分解，再对小波系数进行阈值处理，最后利用处理后结果重构原数据。由于节点测量数据中噪声干扰较小，故选择在数据集IV中1号节点对数据手动添加高斯白噪声，去噪结果参见图1。其中，原始数据与去噪后数据几近重合，这表明本方法对噪声有很好的抑制作用。
在获取了相应的实验数据之后，开始进行后续的建模工作。首先，约束极限学习机方法根据数据集的划分情况确定网络结构，划分数据集。其次，约束极限学习机方法根据两个不同样本映射到不同维度来获取权值阈值。最后，约束极限学习机方法使用获取到的唯一参数来预测目标节点的测量值。基本运算过程如下：
S1标记训练样本的类别：对训练样本进行标记。
S2计算类别总数：标记完成后，计算所标记的类别总数。
S3选取：随机选取两类不同的样本。
S4计算：计算当前的权值阈值。
S5终止条件：直到获得唯一的权值阈值，终止计算。
最后，极限学习机使用唯一参数来训练网络，并进行仿真预测，来预测目标节点的测量值。具体的建模方法如图2所示。
为了比较CELM-KF方法与其他同类方法的模型拟合程度，基于节点测量数据分别随机选择其中一个节点的数据针对CELM方法、SVR方法、SSP方法、ELM方法进行了5次对 比实验，并选取平均值作为最终结果，表3给出了四种方法的模型拟合程度对比结果。
从表2可以看出，CELM方法的均方误差比SVR方法、SSP方法、ELM方法平均减少了0.7498、1.349、0.1919；CELM方法的决定系数比SVR方法、SSP方法、ELM方法平均提高了8.21％、11.93％、2.34％。这表明CELM方法具有更好的模型拟合程度，所输出的预测值与真实值的误差更小。
表2四种方法的模型拟合程度对比结果
Figure PCTCN2019099024-appb-000018
建立了节点的预测模型之后，使用卡尔曼滤波器以分散迭代的方式进行跟踪漂移。目标节点共测量了n个数据，方法共迭代了n次。在进行第t次迭代时，首先基于t-1时刻的漂移估计值和均方误差预测t时刻的漂移估计值和均方误差，然后计算t时刻的卡尔曼滤波增益K，最后更新t时刻的漂移值和均方误差。迭代完成后，基于滤波后漂移估计值来校准节点数据，即使用目标节点的测量值减去估计的漂移值测量值完成方法的校准。图3表示基于数据集II下23号节点和数据集IV下16号节点的数据分别使用CELM-KF算法进行漂移校准后的漂移校准值。从图中可以看出，节点预测值曲线与滤波后数值曲线基本保持一致。表3和表4表示数据集IV和V下的所有节点数据针对CELM-KF算法进行了校准实验的实验结果，从表4中可以看出，数据集IV和V下的所有节点数据应用本方法后的平均值均小于0.4，R2值均大于96％。这表该算法成功地消除了引入的漂移误差和测量噪声。
表3基于数据集IV的漂移校准性能
Figure PCTCN2019099024-appb-000019
表4基于数据集V的漂移校准性能
Figure PCTCN2019099024-appb-000020
Figure PCTCN2019099024-appb-000021
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，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 (11)

  1. 一种无线传感网络数据漂移盲校准方法，其特征在于，所述方法包括：
    获取传感器节点的测量数据；
    对获取到的测量数据进行二次采样，二次采样过程中针对不同节点数据分别以不同的时间间隔进行重新采样；
    根据二次采样后的数据进行校准传感器节点的数据漂移，校准过程采用基于约束的极限学习机与卡尔曼滤波器相结合的方法，其中，约束的极限学习机为通过约束权重向量参数将极限学习机ELM模型扩展到约束极限学习机CELM。
  2. 根据权利要求1所述的方法，其特征在于，所述方法包括：
    S1对传感器节点的测量数据进行预处理，并划分为训练集和测试集；
    S2使用基于约束极限学习机CELM对目标节点和其邻居节点间的时空相关性进行建模，根据建立的模型以及S1预处理后的测量数据得到目标节点的预测值；
    S3将目标节点的预测值和实际测量值反馈入卡尔曼滤波器中，用于跟踪和校准目标节点的数据漂移。
  3. 根据权利要求2所述的方法，其特征在于，所述S1中的预处理包括：进行数据二次采样、去噪和归一化处理。
  4. 根据权利要求3所述的方法，其特征在于，所述去噪处理为利用小波阈值去噪法进行去噪。
  5. 根据权利要求4所述的方法，其特征在于，所述S1包括：
    S11从传感器节点的测量数据中选取数据子集，所述数据子集包括目标节点以及其邻居节点的测量数据，其中，所有节点的测量数据具有时空相关性，即相同时间范围内，节点测量数据的改变趋势一致；
    S12对数据子集中的测量数据分别以不同的时间间隔进行二次采样，缩减数据量；
    S13对缩减数据量后的测量数据进行小波分解，然后对小波系数进行阈值处理，得到去噪后的测量数据；
    S14针对去噪后数据进行归一化处理，把数据映射到[-1,1]的区间范围内；
    S15将归一化处理后的数据划分为训练集和测试集；其中训练集中的待校准的目标节点数据为训练数据输出，目标节点的邻居节点的测量数据为训练数据输入；测试集中的待校准 的目标节点数据为测试数据输出，目标节点的邻居节点的测量数据为测试数据输入。
  6. 根据权利要求5所述的方法，其特征在于，所述S2包括：
    S21根据数据集的划分情况确定极限学习机的网络结构；
    S22根据样本之间的分布信息来计算输入层到隐含层之间的权值和阈值；
    S23使用获取到的权值阈值建立约束极限学习机模型，训练数据使用所建立的约束极限学习机模型来预测目标节点的测量值。
  7. 根据权利要求6所述的方法，其特征在于，所述S3包括：
    S31建立传感器节点的状态-观测模型，计算方法由公式(1)和公式(2)所得：
    d i，t＝d i，t-1+w i，t  公式(1)
    z i，t＝d i，t+v i，t  公式(2)
    公式(1)表示节点数据的状态模型，公式(2)表示节点数据的观测模型；
    其中，w i，t表示输入的高斯白噪声，v i，t表示观测噪声；d i，t表示节点在时刻t的状态方程，z i，t表示对应状态的观测方程；
    S32使用卡尔曼滤波器以分散迭代的方式进行跟踪漂移：
    在进行第t次迭代时，基于t-1时刻的漂移估计值和均方误差预测t时刻的漂移估计值和均方误差，计算t时刻的卡尔曼滤波增益K，更新t时刻的漂移值和均方误差；
    S33基于滤波后漂移估计值校准目标节点的漂移值。
  8. 根据权利要求7所述的方法，其特征在于，所述S22包括：
    S221在训练样本输出中，随机取出l组数据，设l1和l2分别代表l组数据中两个不同类别的样本的序列号，令l2表示值为-1(即最小值)所在的数据值的序列号，l1代表随机选取的值不为-1的序列号，即X i,l2表示训练样本输出中的最小值，X i,l1表示训练样本输出中的除最小值外的任意值，得到输入层与隐含层的权值w：
    w＝a(X j,l1-X j,l2)  公式(3)
    a为归一化因子；X j,l2表示训练样本输入中序列号为l2的数据；X j,l1表示训练样本输入中序列号为l1的数据；
    S222针对公式(3)进行映射转化：
    Xw+b＝aX(X j,l1-X j,l2)+b  公式(4)
    其中，b是w对应的阈值；
    S223将X i,l2和X i,l1分别映射为-1和1；
    aX j,l1(X j,l1-X j,l2)+b＝1  公式(5)
    aX j,l2(X j,l1-X j,l2)+b＝-1  公式(6)
    S224计算：计算当前的权值w，阈值b，权值的值：
    Figure PCTCN2019099024-appb-100001
    Figure PCTCN2019099024-appb-100002
    Figure PCTCN2019099024-appb-100003
    所述S32中迭代终止条件为：获取到唯一的权值阈值。
  9. 根据权利要求8所述的方法，其特征在于，选用公式(10)所示的均方误差MSE与公式(11)所示的决定系数R 2作为测试盲校准方法性能的判断依据：
    Figure PCTCN2019099024-appb-100004
    Figure PCTCN2019099024-appb-100005
    其中，均方误差MSE表示无线传感网络的预测精度；决定系数R 2用来表示无线传感网络模型的拟合程度，n为训练样本数目，x i与
    Figure PCTCN2019099024-appb-100006
    分别表示第i个样本的真实值与预测值。
  10. 一种无线传感网络，其特征在于，所述无线传感网络采用权利要求1-9任一所述的无线传感网络数据漂移盲校准方法进行校准传感器节点的数据漂移，校准过程中，采用基于约束的极限学习机与卡尔曼滤波器相结合的方法，所述约束的极限学习机为通过约束权重向量参数将极限学习机ELM模型扩展到约束极限学习机CELM。
  11. 根据权利要求10所述的无线传感网络，其特征在于，所述无线传感网络用于环境监测领域，由普通传感器节点、汇聚节点、数据转发设备、显示软件构成无线传感网络系统。
PCT/CN2019/099024 2019-03-22 2019-08-02 一种无线传感网络数据漂移盲校准方法 WO2020191980A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910221701.0 2019-03-22
CN201910221701.0A CN109993088B (zh) 2019-03-22 2019-03-22 一种无线传感网络数据漂移盲校准方法

Publications (1)

Publication Number Publication Date
WO2020191980A1 true WO2020191980A1 (zh) 2020-10-01

Family

ID=67129625

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/099024 WO2020191980A1 (zh) 2019-03-22 2019-08-02 一种无线传感网络数据漂移盲校准方法

Country Status (2)

Country Link
CN (1) CN109993088B (zh)
WO (1) WO2020191980A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329352A (zh) * 2021-01-06 2021-02-05 山东广域科技有限责任公司 应用于电力系统的超级电容器寿命预测方法及装置
CN112363099A (zh) * 2020-10-30 2021-02-12 天津大学 一种tmr电流传感器温漂与地磁场校正装置及方法
CN112379274A (zh) * 2020-11-16 2021-02-19 河南科技大学 一种动力电池剩余寿命预测方法
CN112834079A (zh) * 2020-12-25 2021-05-25 山东朗进科技股份有限公司 一种轨道车辆空调机组温度传感器参数漂移判定方法
CN115289608A (zh) * 2022-07-31 2022-11-04 南京信息工程大学 一种基于有监督投票机制的空调机组故障诊断方法
CN115457756A (zh) * 2021-06-09 2022-12-09 中移系统集成有限公司 传感器校准的方法及装置
CN115508511A (zh) * 2022-09-19 2022-12-23 中节能天融科技有限公司 基于网格化设备全参数特征分析的传感器自适应校准方法
CN116208152A (zh) * 2023-03-07 2023-06-02 深圳市华众自动化工程有限公司 一种高精度模拟量采集装置及方法
CN117556365A (zh) * 2024-01-12 2024-02-13 山东建筑大学 一种流程数据漂移检测模型训练、漂移检测方法及装置
WO2024092293A1 (en) 2022-10-25 2024-05-02 University Of Cape Town Method and system of calibration of a sensor or a network of sensors
CN115289608B (zh) * 2022-07-31 2024-06-11 南京信息工程大学 一种基于有监督投票机制的空调机组故障诊断方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993088B (zh) * 2019-03-22 2021-05-04 江南大学 一种无线传感网络数据漂移盲校准方法
CN110312225B (zh) * 2019-07-30 2022-06-03 平顶山学院 一种无线传感器硬件装置
CN110487967A (zh) * 2019-08-26 2019-11-22 广西玉柴机器集团有限公司 一种利用空气的NOx传感器在线校正方法及信号采集装置
CN110730435B (zh) * 2019-10-15 2022-04-12 西安邮电大学 分布式无线传感器网络数据漂移盲校准方法
CN110969238A (zh) * 2019-12-31 2020-04-07 安徽建筑大学 一种校准用电数据的方法及装置
CN112288020A (zh) * 2020-10-30 2021-01-29 江南大学 基于判别式受限玻尔兹曼机的数字调制识别方法
CN113361596B (zh) * 2021-06-04 2022-10-04 安徽农业大学 一种传感器数据增广方法、系统及存储介质
CN113672608B (zh) * 2021-08-25 2023-07-25 东北大学 基于自适应约简阈值的物联网感知数据约简系统及方法
CN117470194B (zh) * 2023-12-28 2024-04-09 江西飞尚科技有限公司 一种倾角测量方法、系统、存储介质及计算机

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100177708A1 (en) * 2009-01-14 2010-07-15 Synapsense Corporation Apparatus and method for establishing data communication in a time-synchronized mesh wireless network during time synchronization failures
CN108536106A (zh) * 2018-04-25 2018-09-14 重庆工商大学 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN109993088A (zh) * 2019-03-22 2019-07-09 江南大学 一种无线传感网络数据漂移盲校准方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7228230B2 (en) * 2004-11-12 2007-06-05 Mitsubishi Denki Kabushiki Kaisha System for autonomous vehicle navigation with carrier phase DGPS and laser-scanner augmentation
FR2938645B1 (fr) * 2008-11-19 2012-03-02 Continental Automotive France Procede de correction de la derive du signal d'un capteur de pression
CN105891422B (zh) * 2016-04-08 2017-08-25 重庆大学 基于源域迁移极限学习漂移补偿的电子鼻气体识别方法
CN108985574A (zh) * 2018-06-23 2018-12-11 浙江工业大学 一种基于选择性集成极限学习机的聚丙烯熔融指数软测量方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100177708A1 (en) * 2009-01-14 2010-07-15 Synapsense Corporation Apparatus and method for establishing data communication in a time-synchronized mesh wireless network during time synchronization failures
CN108536106A (zh) * 2018-04-25 2018-09-14 重庆工商大学 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
CN109993088A (zh) * 2019-03-22 2019-07-09 江南大学 一种无线传感网络数据漂移盲校准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHI, JIANNAN ET AL.: "A Novel ELM Based Adaptive Kalman Filter Tracking Algorithm", NEUROCOMPUTING, vol. 128, 15 June 2014 (2014-06-15), pages 42 - 49, XP028821799 *
WANG, YUZHI ET AL.: "A Deep Learning Approach for Blind Drift Calibration of Sensor Networks", IEEE SENSORS JOURNAL, vol. 17, no. 13, 1 July 2017 (2017-07-01), pages 4158 - 4171, XP011652520 *
WU, JIAWEN ET AL.: "GABP-KF-Based Blind Calibration Algorithm of Data Drift in Wireless Sensor Networks", FIRST PUBLISHED PAPERS OF CAAI TRANSACTIONS ON INTELLIGENT SYSTEMS ON THE INTERNET, vol. 14, no. 2, 17 May 2018 (2018-05-17), pages 254 - 262, XP055738328 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112363099B (zh) * 2020-10-30 2023-05-09 天津大学 一种tmr电流传感器温漂与地磁场校正装置及方法
CN112363099A (zh) * 2020-10-30 2021-02-12 天津大学 一种tmr电流传感器温漂与地磁场校正装置及方法
CN112379274A (zh) * 2020-11-16 2021-02-19 河南科技大学 一种动力电池剩余寿命预测方法
CN112834079B (zh) * 2020-12-25 2023-10-24 山东朗进科技股份有限公司 一种轨道车辆空调机组温度传感器参数漂移判定方法
CN112834079A (zh) * 2020-12-25 2021-05-25 山东朗进科技股份有限公司 一种轨道车辆空调机组温度传感器参数漂移判定方法
CN112329352A (zh) * 2021-01-06 2021-02-05 山东广域科技有限责任公司 应用于电力系统的超级电容器寿命预测方法及装置
CN115457756A (zh) * 2021-06-09 2022-12-09 中移系统集成有限公司 传感器校准的方法及装置
CN115289608A (zh) * 2022-07-31 2022-11-04 南京信息工程大学 一种基于有监督投票机制的空调机组故障诊断方法
CN115289608B (zh) * 2022-07-31 2024-06-11 南京信息工程大学 一种基于有监督投票机制的空调机组故障诊断方法
CN115508511A (zh) * 2022-09-19 2022-12-23 中节能天融科技有限公司 基于网格化设备全参数特征分析的传感器自适应校准方法
WO2024092293A1 (en) 2022-10-25 2024-05-02 University Of Cape Town Method and system of calibration of a sensor or a network of sensors
CN116208152A (zh) * 2023-03-07 2023-06-02 深圳市华众自动化工程有限公司 一种高精度模拟量采集装置及方法
CN116208152B (zh) * 2023-03-07 2024-05-07 青海量具(常州)有限公司 一种高精度模拟量采集装置及方法
CN117556365A (zh) * 2024-01-12 2024-02-13 山东建筑大学 一种流程数据漂移检测模型训练、漂移检测方法及装置
CN117556365B (zh) * 2024-01-12 2024-04-09 山东建筑大学 一种流程数据漂移检测模型训练、漂移检测方法及装置

Also Published As

Publication number Publication date
CN109993088B (zh) 2021-05-04
CN109993088A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
WO2020191980A1 (zh) 一种无线传感网络数据漂移盲校准方法
Xie et al. Image de-noising algorithm based on Gaussian mixture model and adaptive threshold modeling
CN110087207B (zh) 无线传感器网络缺失数据重建方法
CN104614718B (zh) 基于粒子群算法的激光雷达波形数据分解的方法
CN112348812B (zh) 林分年龄信息测量方法及装置
CN107705321A (zh) 基于嵌入式系统的运动目标检测与跟踪方法
CN109272520B (zh) 一种联合运动指导与边缘检测的自适应红外焦平面非均匀校正方法
CN110070539A (zh) 基于信息熵的图像质量评价方法
CN116188465B (zh) 基于图像处理技术的作物生长状态检测方法
CN112269192B (zh) 一种快速自适应的动态北斗监测实时解算去噪方法
CN115840205A (zh) 一种基于激光雷达技术的地形面积计量方法和系统
CN115755221A (zh) 一种基于数理不确定性分析的多源降水数据融合方法
CN109212472B (zh) 一种面向噪声环境下的室内无线定位方法及装置
CN106097292B (zh) 一种用于遥感影像处理的时空邻域高斯加权中值滤波方法
CN109272144B (zh) 基于bpnn的中国北方草原地区ndvi的预测方法
CN112767267B (zh) 基于仿真偏振带雾场景数据集的图像去雾方法
CN112598711B (zh) 一种基于联合光谱降维和特征融合的高光谱目标跟踪方法
CN111610159B (zh) 地表温度降尺度估算方法及植被水分胁迫监测方法
CN102314687B (zh) 一种红外序列图像中的小目标检测方法
CN109862518B (zh) 一种基于共稀疏解析模型的免设备定位方法
Xu et al. Digital Technology Empowers Grain Supply Chain Optimization Simulation
CN111461999A (zh) 一种基于超像素相似性测量的sar图像相干斑抑制方法
CN111104640A (zh) 一种基于层次分析法的降雨观测评价方法及系统
CN114926524B (zh) 一种用于提高烟幕红外有效遮蔽面积测量精度的方法
CN107590346B (zh) 基于空间多重相关解集算法的降尺度校正模型

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19921919

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19921919

Country of ref document: EP

Kind code of ref document: A1