System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于多参数传感器的精密数据采集系统技术方案_技高网

基于多参数传感器的精密数据采集系统技术方案

技术编号:43156940 阅读:5 留言:0更新日期:2024-11-01 19:52
本发明专利技术涉及数据采集处理领域,具体是基于多参数传感器的精密数据采集系统,包括传感器模块、数据采集模块、数据处理模块、数据存储模块、数据分析模块、用户界面模块和中央控制模块;本发明专利技术采用使用基于连续多参数数据的智能感知方法,对数据进行清洗,通过智能超感知模型,对多参数数据进行对象检测,对冗余的低精度数据进行去除,同时通过对多参数进行融合处理,确定最优模型参数,提升冗余数据识别的精准度,通过去除低精度片段帧,提高多参数传感器的数据采集率,减少系统计算成本;本发明专利技术采用自动生成上下文模型,对高精度数据进行信息补充,弥补片段帧缺失问题,使得高精度数据集更具备完整性,提高数据质量,保留更多有效精密数据。

【技术实现步骤摘要】

本专利技术属于数据采集处理领域,具体是基于多参数传感器的精密数据采集系统


技术介绍

1、多参数的数据采集是指同时收集多个不同参数或多种类型数据的过程,这种数据采集可以通过使用多个传感器来实现,每个传感器负责测量一个特定的参数,通过多参数数据采集,可以获取关于系统、环境或过程的更全面和综合的信息,但是多参数传感器在进行数据采集时,会产生大量的冗余数据与低精度数据,导致采集的多参数数据精密度较低;现有针对多参数传感器数据的采集的主要方法为简单的多参数采集,对数据进行精密处理的方法主要为简单的数据滤波、经验化的数据校准,现有方法难以对多参数数据的冗余数据以及高维数据进行快速的分析以及精准的处理。


技术实现思路

1、针对现有技术,难以对多参数数据的冗余数据以及高维数据进行快速的分析以及精准的处理的问题,本专利技术采用使用基于连续多参数数据的智能感知方法,对数据进行清洗,通过智能超感知模型,对多参数数据进行对象检测,高效对冗余的低精度数据进行识别与去除,同时通过对多参数进行融合处理,确定最优的识别参数,提升冗余数据识别的精准度,通过去除低精度片段帧,提高多参数传感器的数据采集率,减少系统计算成本;本专利技术采用自动生成上下文模型,对高精度数据进行信息补充,即补帧处理,弥补去除低精度片段帧引发的数据连续性较低以及特征缺失问题,使得高精度数据集更具备完整性,进一步提高数据质量,保留更多的有效精密数据。

2、本专利技术提供的基于多参数传感器的精密数据采集系统,包括传感器模块、数据采集模块、数据处理模块、数据存储模块、数据分析模块、用户界面模块和中央控制模块;

3、所述传感器模块,使用传感器对多参数数据进行采集,并将多参数数据传给数据采集模块;

4、所述数据采集模块,对多参数数据进行采集与缓存,并将多参数数据传给数据处理模块;

5、所述数据处理模块,对多参数数据进行清洗、校准与预处理,得到处理数据,并将处理数据传给数据存储模块与数据分析模块;

6、所述数据存储模块,对处理数据进行存储与管理;

7、所述数据分析模块,对处理数据进行分析与学习,提取数据特征;

8、所述用户界面模块,提供用户交互界面,用户可进行操作与访问数据;

9、所述中央控制模块,管理与控制整个数据采集系统的运行与配置。

10、进一步的,在数据处理模块中,对多参数数据进行清洗、校准与预处理,得到处理数据,具体包括以下步骤:

11、步骤s1:数据分类,对多参数数据进行分类,得到低精度多参数与高精度多参数,将低精度多参数使用低精度adc模块进行转化,得到低精度数字数据,将高精度多参数使用高精度adc模块进行转化,得到高精度数字数据;

12、步骤s2:数据智能清洗,使用基于连续多参数数据的智能感知方法,对数字数据进行清洗,得到清洗数据;

13、进一步的,步骤s2,具体包括以下步骤:

14、步骤s21:片段模型处理,使用片段模型对低精度数字数据进行预测,得到预测分数;

15、进一步的,步骤s21,具体包括以下步骤:

16、步骤s211:正向采样,随机采用a种不同采样频率,对低精度数字数据进行正采样,并将a种正采样的结果展平为一维向量后进行叠加,得到正向向量;

17、步骤s212:负向采样,随机采用a种不同采样频率,对低精度数字数据进行负采样,并将a种正采样的结果展平为一维向量后进行叠加,得到负向向量;

18、步骤s213:数据编码,使用编码函数将正向向量与负向向量映射到高维空间,得到正超向量与负超向量,所用公式如下:

19、;

20、式中,代表正向向量与负向向量的向量表示,即={f1,f2,...,fn},{f1,f2,...,fn}代表多参数中的各项参数,为一个n×d的矩阵,其中中所有元素,都是从iid的高斯分布中进行采样的,是iid的均匀分布中采样的元素,即为计算得到的正超向量与负超向量;

21、步骤s214:编码训练,对正超向量与负超向量进行多次数据编码操作,得到最终所得正超向量与负超向量,进行规范化,并采用激活函数进行预测,得到预测分数;

22、步骤s22:感知模型处理,使用智能超感知模型,对低精度数字数据进行清洗,得到超感高精数据;

23、进一步的,步骤s22,具体包括以下步骤:

24、步骤s221:超参数设置,设置t分数、t检测值与初始步幅,其中初始步幅为0;

25、步骤s222:数据裁剪,对低精度数字数据进行滑动窗口裁剪,得到m个数据片段;

26、步骤s223:片段处理,重复步骤s21,对m个数据片段进行片段模型处理,得到m个预测分数;

27、步骤s224:分数判断,将m个预测分数与t分数行比较,如果预测分数大于t分数,则初始步幅加1,对m个预测分数依次进行t分数检测,得到最终步幅数;

28、步骤s225:数据清洗,将最终步幅数与t检测值进行比较,若最终步幅数大于t检测值,则代表该低精度数字数据中含有干扰信息,将该低精度数字数据进行去除,若最终步幅数小于t检测值,代表该低精度数字数据实为高精度数据,将该段低精度数字数据转化为超感高精数据,即清洗数据;

29、步骤s3:参数优化,对基于连续多参数数据的智能感知方法中的参数进行优化,得到最终清洗数据;

30、步骤s4:数据分类处理,将最终清洗数据与高精度数字数据定义为高精数据,并使用自动生成上下文模型的方法,对高精数据分类进行信息补全即补帧处理,得到处理数据;

31、进一步的,步骤s4,具体包括以下步骤:

32、步骤s41:数据分类,将处理数据按照是否为物联网数据进行划分,划分得到iot数据与非iot数据;

33、步骤s42:iot数据处理,重复步骤s213,对iot数据进行数据编码,得到超维iot向量;

34、步骤s43:非iot数据处理,使用聚类分析方法,将非iot数据处理划分为不同的数据元组;

35、步骤s44:上下文模型处理,使用上下文模型对超维iot向量与所有数据元组分别进行信息补全操作,得到处理数据。

36、采用上述方案本专利技术取得的有益成果如下:

37、(1)针对现有技术,难以对多参数数据的冗余数据以及高维数据进行快速的分析以及精准的处理的问题,本专利技术采用使用基于连续多参数数据的智能感知方法,对数据进行清洗,通过智能超感知模型,对多参数数据进行对象检测,高效对冗余的低精度数据进行识别与去除,同时通过对多参数进行融合处理,确定最优的识别参数,提升冗余数据识别的精准度,通过去除低精度片段帧,提高多参数传感器的数据采集率,减少系统计算成本;

38、(2)本专利技术采用自动生成上下文模型,对高精度数据进行信息补充,即补帧处理,弥补去除低精度片段帧引发的数据连续性较低以及特征缺失问题,使得高精本文档来自技高网...

【技术保护点】

1.基于多参数传感器的精密数据采集系统,其特征在于:

2.根据权利要求1所述的基于多参数传感器的精密数据采集系统,其特征在于:在数据处理模块中,对多参数数据进行清洗、校准与预处理,得到处理数据,具体包括以下步骤:

3.根据权利要求2所述的基于多参数传感器的精密数据采集系统,其特征在于:步骤S2,具体包括以下步骤:

4.根据权利要求3所述的基于多参数传感器的精密数据采集系统,其特征在于:步骤S21,具体包括以下步骤:

5.根据权利要求3所述的基于多参数传感器的精密数据采集系统,其特征在于:步骤S22,具体包括以下步骤:

6.根据权利要求2所述的基于多参数传感器的精密数据采集系统,其特征在于:步骤S4,具体包括以下步骤:

【技术特征摘要】

1.基于多参数传感器的精密数据采集系统,其特征在于:

2.根据权利要求1所述的基于多参数传感器的精密数据采集系统,其特征在于:在数据处理模块中,对多参数数据进行清洗、校准与预处理,得到处理数据,具体包括以下步骤:

3.根据权利要求2所述的基于多参数传感器的精密数据采集系统,其特征在于:步骤s2,具体包括以下步骤:

【专利技术属性】
技术研发人员:张伟
申请(专利权)人:北京威斯特中航科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1