一种基于数据融合的环境等级评估方法技术

本发明专利技术公开了一种基于数据融合的环境等级评估方法，包括：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；利用自适应加权平均算法融合同质传感器所获得的环境特征参数；获得环境特征参数的特征向量；建立由环境特征参数的特征向量构成的环境特征参数数据集；将训练集中的数据归一化后，进行基于

【技术实现步骤摘要】
一种基于数据融合的环境等级评估方法
本专利技术涉及一种基于数据融合的环境等级评估方法，属于信息

技术介绍
随着我国城市建设的发展和生活水平的提高，人们对居住质量的要求也越来越高，环境的等级对人的健康质量和工作效率有重要的影响，因此对环境进行监测并准确评估就变得越发重要。对环境进行准确有效的监测和评估可以及时了解室内环境状况、获取相关的环境参数信息，还可以发现环境存在的问题，从而为实现对环境的进一步的调节和控制提供依据。对环境进行有效监测、评估和控制，可以提高人们对环境的关注，为人们的生活、学习和工作创造适宜的环境，为人的身心健康提供环境保障。因此对环境进行监测和评估就显得十分重要。同时多传感器数据融合技术、大数据相关技术及人工智能正不断发展，并广泛应用于人们的生活之中，这也为环境等级评估方法提供的理论依据和有效的技术实现手段。数据融合又称为信息融合或者多传感器数据融合，它的确切定义可以概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定的准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。总而言之，融合就是把传感器或者多源的信息和数据进行综合处理，从而达到提高系统稳定性的目的。目前的很多环境监测系统中只是采用单一传感器采集环境数据，通过人工设定的阈值做简单的环境分析，若传感器自身出现问题就会对系统最终监测的结果造成非常大的影响，这样对环境做出的分析不准确，不能真实的反映环境情况。环境的状态应由多种因素综合评定，仅由单一的指标描述缺乏合理性。当综合考虑多种环境指标时，必然会需要并采集大量的数据，对大量数据做处理并准确的做出评估就显得非常重要。因此，利用多传感器数据融合技术，并将其应用于环境监测与评估，提高系统的准确性、智能性，具有非常重要的意义。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于数据融合的环境等级评估方法，可以解决采用单一传感器对环境监测结果不准确的问题。通过采用多传感器监测，可以解决由于传感器自身误差影响最终监测结果问题，提升整体的抗干扰性。通过对环境数据集做有效的正例与负例分析制定，提升分类模型的准确度，从而提升环境等级评估的精准性。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种基于数据融合的环境等级评估方法，包括以下步骤：步骤1：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；步骤2：利用自适应加权平均算法，融合同质传感器所获得的环境特征参数，得到同质传感器的环境特征参数融合值；步骤3：将步骤2中环境特征参数融合值进行组合，构成环境特征参数的特征向量；步骤4：将各个传感器获取的历史环境特征参数按照步骤1至3的处理后，建立由环境特征参数的特征向量构成的环境特征参数数据集U；并选择带有环境评判等级标记的特征向量，按照不同的环境评判等级标记分别构成已标记数据集Pk，k＝1,2,…,K，K表示环境评判等级数；步骤5：将步骤4中的数据集U和Pk分别进行归一化处理后，基于SPY方法与朴素贝叶斯分类器生成每个环境评判等级的分类模型，具体为：5-1：从数据集Pk中随机抽取一定的数据，构成数据集Spy；5-2：将数据集(Pk-Spy)作为正例训练集、数据集(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立第一分类模型MSk；5-3：将数据集Spy中的特征向量分别输入第一分类模型MSk，得出其中每个特征向量属于第k个环境等级的概率，并设置其中的最小概率值为阈值ε；5-4：将数据集Pk作为正例训练集、数据集U作为反例训练集，使用朴素贝叶斯分类器建立第二分类模型MRk；5-5：将数据集U中的特征向量分别输入第二分类模型MRk，得出其中每个特征向量属于第k个环境等级的概率，提取出概率值小于阈值ε的特征向量组成数据集RN；5-6：将数据集Pk作为正例训练集、数据集RN作为反例训练集，使用朴素贝叶斯分类器建立最终的环境评判等级的分类模型Mk；步骤6：将实时获取环境特征参数信息按照步骤1至3的处理后，分别输入步骤5中各个环境评判等级的分类模型中，输出值最大的分类模型对应的环境评判等级即为该实时获取环境特征参数信息的环境等级评估结果。作为本专利技术的进一步技术方案，步骤1中采用格拉布斯判定准则对环境特征参数进行预处理。作为本专利技术的进一步技术方案，采用格拉布斯判定准则对环境特征参数进行预处理，具体包括：1-1：分别计算获取的环境特征参数的平均值和标准差；1-2：根据步骤1-1中得到的平均值和标准差，计算出格拉布斯统计量；1-3：根据步骤1-2中获得的格拉布斯统计量对获取的环境特征参数进行筛选，剔除格拉布斯统计量大于等于格拉布斯判定准则临界值的环境特征参数。作为本专利技术的进一步技术方案，格拉布斯判定准则临界值为V(n,a)，其中，n为环境特征参数值的采集次数，a为显著水平且a取0.01或0.05。作为本专利技术的进一步技术方案，步骤2中同质传感器的环境特征参数融合值为其中，同质传感器中第j个传感器的最优加权因子σj为同质传感器中第j个传感器的标准差，为同质传感器中第j个传感器的平均值，m为同质传感器中传感器的个数，j＝1,2,3,···,m。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：(1)本专利技术提供了一种基于数据融合的环境等级评估方法，其完整的方法包括环境特征参数的预处理、融合同质传感器所获得的环境特征参数、获得环境特征参数特征向量、生成最终分类模型评估环境等级；(2)本专利技术中数据采集点分别采集环境参数对数据做预处理，将较大偏差的错误值进行判定并排除，减少数据的冗余，提高数据的准确性和可信度；(3)本专利技术中利用自适应加权平均算法融合同质传感器所获得的环境特征参数，减少了对每个传感器采集的数据分别处理时的不确定性和不稳定性，使融合结果更接近真实值，提高了传感器数据的准确度和可信度；(4)本专利技术采用Spy提取生成最终分类模型所必需的可靠的负例集合RN，减少了传统方法中需要人工标注负例的过程，有效避免人工造成的数据错误，使数据处理更加智能化，提高数据的准确度；(5)本专利技术可应用与室内或室外环境，无应用场景的局限性，具有有效提高动态环境监测的作用；(6)本专利技术的评估结果可以作为依据应用于智能家居、农业温室和大气监测中。附图说明图1为本专利技术基于数据融合的室内环境等级评估方法的流程示意图。图2为本专利技术中获得环境特征参数特征向量过程的示意图。图3为本专利技术中生成最终分类模型过程的示意图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：本专利技术提供一种基于数据融合的环境等级评估方法，可以解决采用单一传感器对环境监测结果不准确的问题。通过采用多传感器监测，能够减少数据的冗余，提高传感器数据的准确度，有效提高动态环境监测结果的可信度。解决由于传感器自身误差影响最终监测结果问题，提升整体的抗干扰性。通过对环境数据集做有效的正例与负例分析制定，提升分类模型的准确度，从而提升环境等级评估的精准性。本专利技术可应用与室内或室外环境，无应用场景的局限性，具有有效提高动态环境监测的作用。如图1所示，本专利技术设计了一种基于数据融合的室内环境等级评本文档来自技高网...

【技术保护点】
一种基于数据融合的环境等级评估方法，其特征在于，包括以下步骤：步骤1：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；步骤2：利用自适应加权平均算法，融合同质传感器所获得的环境特征参数，得到同质传感器的环境特征参数融合值；步骤3：将步骤2中环境特征参数融合值进行组合，构成环境特征参数的特征向量；步骤4：将各个传感器获取的历史环境特征参数按照步骤1至3的处理后，建立由环境特征参数的特征向量构成的环境特征参数数据集U；并选择带有环境评判等级标记的特征向量，按照不同的环境评判等级标记分别构成已标记数据集Pk，k＝1,2,…,K，K表示环境评判等级数；步骤5：将步骤4中的数据集U和Pk分别进行归一化处理后，基于SPY方法与朴素贝叶斯分类器生成每个环境评判等级的分类模型，具体为：5‑1：从数据集Pk中随机抽取一定的数据，构成数据集Spy；5‑2：将数据集(Pk‑Spy)作为正例训练集、数据集(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立第一分类模型MSk；5‑3：将数据集Spy中的特征向量分别输入第一分类模型MSk，得出其中每个特征向量属于第k个环境等级的概率，并设置其中的最小概率值为阈值ε；5‑4：将数据集Pk作为正例训练集、数据集U作为反例训练集，使用朴素贝叶斯分类器建立第二分类模型MRk；5‑5：将数据集U中的特征向量分别输入第二分类模型MRk，得出其中每个特征向量属于第k个环境等级的概率，提取出概率值小于阈值ε的特征向量组成数据集RN；5‑6：将数据集Pk作为正例训练集、数据集RN作为反例训练集，使用朴素贝叶斯分类器建立最终的环境评判等级的分类模型Mk；步骤6：将实时获取环境特征参数信息按照步骤1至3的处理后，分别输入步骤5中各个环境评判等级的分类模型中，输出值最大的分类模型对应的环境评判等级即为该实时获取环境特征参数信息的环境等级评估结果。...

【技术特征摘要】
1.一种基于数据融合的环境等级评估方法，其特征在于，包括以下步骤：步骤1：通过各个传感器实时获取环境特征参数信息，并对采集到的环境特征参数进行预处理；步骤2：利用自适应加权平均算法，融合同质传感器所获得的环境特征参数，得到同质传感器的环境特征参数融合值；步骤3：将步骤2中环境特征参数融合值进行组合，构成环境特征参数的特征向量；步骤4：将各个传感器获取的历史环境特征参数按照步骤1至3的处理后，建立由环境特征参数的特征向量构成的环境特征参数数据集U；并选择带有环境评判等级标记的特征向量，按照不同的环境评判等级标记分别构成已标记数据集Pk，k＝1,2,…,K，K表示环境评判等级数；步骤5：将步骤4中的数据集U和Pk分别进行归一化处理后，基于SPY方法与朴素贝叶斯分类器生成每个环境评判等级的分类模型，具体为：5-1：从数据集Pk中随机抽取一定的数据，构成数据集Spy；5-2：将数据集(Pk-Spy)作为正例训练集、数据集(U∪Spy)作为反例训练集，使用朴素贝叶斯分类器建立第一分类模型MSk；5-3：将数据集Spy中的特征向量分别输入第一分类模型MSk，得出其中每个特征向量属于第k个环境等级的概率，并设置其中的最小概率值为阈值ε；5-4：将数据集Pk作为正例训练集、数据集U作为反例训练集，使用朴素贝叶斯分类器建立第二分类模型MRk；5-5：将数据集U中的特征向量分别输入第二分类模型MRk，得出其中每个特征向量属于第k个环境等级的概率，提取出概率值小于阈值ε的特征向量组成数据集RN；5...

【专利技术属性】
技术研发人员：倪晓军，汤振，葛昌利，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32