本發(fā)明涉及傳感器管理控制領(lǐng)域，尤其涉及一種基于深度學習算法和大數(shù)據(jù)分析的傳感器自適應系統(tǒng)。

背景技術(shù)：

1、現(xiàn)在生產(chǎn)場景中會大量使用傳感器設備，這些傳感器設備采集相關(guān)信息后，將傳感器數(shù)據(jù)傳輸至所連接的邊緣節(jié)點處進行匯總處理，邊緣節(jié)點按照業(yè)務邏輯對傳感器數(shù)據(jù)進行加工處理后，打包為數(shù)據(jù)包并通過網(wǎng)絡基站將數(shù)據(jù)包上傳至云端進行進一步匯總處理。

2、如何解決深度學習算法在不同應用場景下的自適應調(diào)整與優(yōu)化問題。

3、因此，需要一種基于深度學習算法和大數(shù)據(jù)分析的傳感器自適應系統(tǒng)來解決上述技術(shù)問題。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供的一種基于深度學習算法和大數(shù)據(jù)分析的傳感器自適應系統(tǒng)，包括云端大數(shù)據(jù)管理單元、大數(shù)據(jù)分析處理單元、大數(shù)據(jù)特征融合單元和深度學習訓練單元；其中，

2、所述云端大數(shù)據(jù)管理單元：從傳感器和設備收集地面數(shù)據(jù)和衛(wèi)星遙感數(shù)據(jù)，作為采集大數(shù)據(jù)；

3、所述大數(shù)據(jù)分析處理單元：清洗并處理所述采集大數(shù)據(jù)，消除噪聲和填補殘破值；采用空間時頻分析，從所述采集大數(shù)據(jù)中提取多尺度的特征信息；

4、所述大數(shù)據(jù)特征融合單元：基于所述特征信息和歷史數(shù)據(jù)，整合獲取總數(shù)據(jù)集，劃分訓練集、驗證集、測試集，建立靈活的目標模型；將所述采集大數(shù)據(jù)、歷史數(shù)據(jù)和特征信息集成，利用數(shù)據(jù)融合算法進行關(guān)聯(lián)，獲取融合數(shù)據(jù)；

5、所述深度學習訓練單元：基于所述融合數(shù)據(jù)訓練目標模型，并用所述目標模型預測新的數(shù)據(jù)，提供目標位置的初步判斷結(jié)果；基于實時采集到的所述采集大數(shù)據(jù)，建立自適應環(huán)境模型，并采用自適應定位方法對所述初步判斷結(jié)果進行微調(diào)，獲取最終結(jié)果；將所述最終結(jié)果反饋至自適應目標模型中，對所述目標模型進行再訓練和優(yōu)化。

6、作為更進一步得解決方案，所述傳感器包括震動傳感器、微波傳感器、雷達傳感器，所述設備具體為衛(wèi)星遙感接收器；

7、所述從傳感器和設備收集地面數(shù)據(jù)和衛(wèi)星遙感數(shù)據(jù)，作為采集大數(shù)據(jù)的步驟具體為：

8、選擇安裝位置，綜合數(shù)據(jù)采集的目標和環(huán)境要求，確立所述傳感器和設備的安裝點；

9、在安裝點上裝配所述傳感器和設備，并采用防水外殼、防腐蝕涂層、防生物附著材料作為防護措施；

10、調(diào)整傳感器的靈敏度、校正誤差或修正儀器偏差，對所述傳感器和設備進行校準；

11、啟動所述傳感器和設備進行數(shù)據(jù)采集，設置參數(shù)和采樣率，獲取所述采集大數(shù)據(jù)；

12、基于所述采集大數(shù)據(jù)，使用處理軟件將其轉(zhuǎn)化為可處理的數(shù)字類數(shù)據(jù)。

13、作為更進一步得解決方案，所述清洗并處理具體指數(shù)據(jù)清洗和殘破值處理；

14、所述數(shù)據(jù)清洗包括異常值檢測、噪聲消除、數(shù)據(jù)歸一化；

15、所述異常值檢測具體為，使用標準差統(tǒng)計法來檢測和排除所述采集大數(shù)據(jù)中的異常值，基于閾值或規(guī)則的數(shù)據(jù)點被視為異常值，并進行替換處理；

16、所述噪聲消除具體為，應用包括移動平均濾波、中值濾波和卡曼濾波的信號處理技術(shù)，消除所述采集大數(shù)據(jù)中的噪聲；

17、所述數(shù)據(jù)歸一化具體為，基于最?。畲髿w一化處理，保障所述采集大數(shù)據(jù)與測量單位處于相同的尺度范圍；

18、所述殘破值處理包括殘破值檢測、殘破值填補、多重插補；

19、所述殘破值檢測具體為，使用統(tǒng)計分析和數(shù)據(jù)可視化方法來檢測所述采集大數(shù)據(jù)中殘破值的存在；

20、所述殘破值填補具體為，基于所述采集大數(shù)據(jù)的特征和殘破值的類型，選擇均值、中值、眾數(shù)填補、回歸填補、插值法、基于深度學習的填補方法中的一種作為填補方法，填補殘破值；

21、所述多重插補具體為，針對殘破值比例超出預設閾值的所述采集大數(shù)據(jù)，使用具體為矩陣分解方法的多重插補方法，填補殘破值。

22、作為更進一步得解決方案，采用空間時頻分析，從所述采集大數(shù)據(jù)中提取多尺度的特征信息的步驟具體為：

23、采用短時傅里葉變換方法，作為所述空間時頻分析的分析方法；

24、應用所述分析方法，使用不同大小的滑動窗口進行短時傅里葉變換，對所述采集大數(shù)據(jù)進行多尺度分析，以探索信號的時頻特性；

25、基于所述時頻特性作為數(shù)據(jù)源，采用包括能量計算、頻譜峰值提取、小波系數(shù)統(tǒng)計的提取方法，提取信號的頻譜能量、頻率輪廓、波形形狀特征，生成特征集；

26、基于所述特征集，采用主成分分析和特征選擇算法，減少特征的維度并保留重要的信息，作為所述特征信息。

27、作為更進一步得解決方案，所述基于所述特征信息和歷史數(shù)據(jù)，整合獲取總數(shù)據(jù)集，劃分訓練集、驗證集、測試集的步驟具體為：

28、將往期的特征信息作為所述歷史數(shù)據(jù)，將歷史數(shù)據(jù)和特征信息整合作為總數(shù)據(jù)集；

29、對基于線性判別分析對總數(shù)據(jù)集中的特征進行再一次降維處理，以減少特征的維度并消除冗余信息，獲取處理后總數(shù)據(jù)集，包括分類變量或非數(shù)值型特征；

30、基于所述分類變量或非數(shù)值型特征進行標簽編碼；

31、將所述總數(shù)據(jù)集劃分為的訓練集、的驗證集和試集。

32、作為更進一步得解決方案，所述建立靈活的目標模型的步驟具體為：

33、選擇邏輯回歸模型作為所述目標模型；

34、基于所述訓練集對目標模型進行訓練，應用訓練算法和優(yōu)化方法來擬合訓練集，并學習數(shù)據(jù)的模式和規(guī)律；

35、使用所述驗證集，對訓練好的所述目標模型進行驗證和調(diào)優(yōu)，評估所述目標模型在驗證集上的性能并生成評估結(jié)果，基于所述評估結(jié)果，進行模型參數(shù)調(diào)整、特征選擇，優(yōu)化所述目標模型；

36、使用所述測試集，通過計算包括準確度、精確度、召回率、f1得分的評估指標，對優(yōu)化后的所述目標模型進行評估；

37、將所述目標模型部署到實際應用中，進行目標預測任務。

38、作為更進一步得解決方案，所述利用數(shù)據(jù)融合算法進行關(guān)聯(lián)，獲取融合數(shù)據(jù)的步驟具體為：

39、將采集大數(shù)據(jù)、歷史數(shù)據(jù)和特征信息進行集成，生成統(tǒng)一數(shù)據(jù)集合；

40、通過特征重要性評估，在所述統(tǒng)一數(shù)據(jù)集合中，選擇對關(guān)聯(lián)結(jié)果具有重要意義的數(shù)據(jù)，提取關(guān)鍵特征；

41、利用數(shù)據(jù)融合算法進行關(guān)聯(lián)，將所述關(guān)鍵特征進行匹配、對齊和合并，獲取關(guān)聯(lián)數(shù)據(jù)，所述數(shù)據(jù)融合算法包括基于鍵值匹配的關(guān)聯(lián)、基于相似性匹配的關(guān)聯(lián)、基于時間窗口的關(guān)聯(lián)；

42、通過加權(quán)平均、決策規(guī)則、聚合函數(shù)，將所述關(guān)聯(lián)數(shù)據(jù)合并生成融合數(shù)據(jù)。

43、作為更進一步得解決方案，所述基于所述融合數(shù)據(jù)訓練目標模型，并用所述目標模型預測新的數(shù)據(jù)，提供目標位置的初步判斷結(jié)果的步驟具體為：

44、將所述融合數(shù)據(jù)劃分為的后訓練集和后測試集，并調(diào)用所述目標模型；

45、基于所述后訓練集，對所述目標模型進行訓練，基于包括交叉驗證、網(wǎng)格搜索的優(yōu)化方法，調(diào)整所述目標模型的超參數(shù)、模型擬合度；

46、使用所述后測試集，根據(jù)包括均方誤差、準確率、召回率的評價指標，對所述目標模型再次進行評估，基于評估結(jié)果選擇最佳的目標模型；

47、將所述目標模型應用于最新的所述采集大數(shù)據(jù)，輸入待預測的特征數(shù)據(jù)，利用已訓練的目標模型，生成對應的目標位置預測結(jié)果，作為所述初步判斷結(jié)果。

48、作為更進一步得解決方案，所述基于實時采集到的所述采集大數(shù)據(jù)，建立自適應環(huán)境模型，并采用自適應定位方法對所述初步判斷結(jié)果進行微調(diào)，獲取最終結(jié)果的步驟具體為：

49、基于所述采集大數(shù)據(jù)，使用貝葉斯濾波器建立自適應環(huán)境模型；

50、采用包括加權(quán)最小二乘定位、粒子濾波定位、條件隨機場定位的自適應定位方法，對所述初步判斷結(jié)果進行更準確的估計，生成微調(diào)結(jié)果；

51、基于所述微調(diào)結(jié)果，作為最終結(jié)果更準確地反映目標位置的位置信息。

52、作為更進一步得解決方案，所述將所述最終結(jié)果反饋至自適應目標模型中，對所述目標模型進行再訓練和優(yōu)化的步驟具體為：

53、將所述最終結(jié)果與融合數(shù)據(jù)進行合并，構(gòu)建新的訓練集，所述新的訓練集包括特征數(shù)據(jù)和對應的目標位置標簽；

54、采用原有的所述目標模型作為初始模型；

55、利用新的訓練集對所述目標模型進行再訓練，輸入特征數(shù)據(jù)和對應的目標位置標簽，通過迭代調(diào)整目標模型的參數(shù)，使其更準確地預測目標位置；

56、基于上述步驟進行再訓練與優(yōu)化迭代，通過不斷反饋最終結(jié)果、再訓練和優(yōu)化，逐步改進所述目標模型的性能和準確性。

57、與相關(guān)技術(shù)相比較，本發(fā)明提供的一種基于深度學習算法和大數(shù)據(jù)分析的傳感器自適應系統(tǒng)具有如下有益效果：

58、本發(fā)明獨特優(yōu)勢主要在于它通過連續(xù)性的動態(tài)監(jiān)測、智能數(shù)據(jù)分析，以及基于自調(diào)整深度學習方法對數(shù)據(jù)的持續(xù)反饋訓練和性能調(diào)整。通過這種高度自動化的過程，可以大大提高系統(tǒng)整體性能的同時降低成本、減少人工干預，使得傳感器能夠在不斷變化的真實環(huán)境中快速反應并優(yōu)化表現(xiàn)，實現(xiàn)了深度學習算法在各個場景下靈活、精準的適應調(diào)整，極大地提高了算法的泛化能力和系統(tǒng)的實際應用效能。