本发明专利技术基于深度学习技术的物联网数据高分辨率感知方法,首先根据假定的物联网感知层的空间与时间信息,对采集数据进行空间和时间相关性处理,生成仿真感知数据;其次,将不同时间和空间相关性的仿真感知数据进行组合,生成用于模型训练的数据集;最后,构建高分辨率感知模型,在实际监测过程中,选取少量传感器节点组成物联网感知层对目标监测区域进行感知,得到低分辨率感知数据;低分辨率感知数据经过预处理后再输入到训练后的高分辨率感知模型中进行优化处理,得到高分辨率感知数据,完成物联网数据的高分辨率感知。该方法充分利用感知数据间的时间和空间相关信息,在不改变物联网感知层硬件设备的前提下,利用少量的传感器节点与低频次数据传输,实现对目标监测区域的高分辨率感知。高分辨率感知。高分辨率感知。
【技术实现步骤摘要】
基于深度学习技术的物联网数据高分辨率感知方法
[0001]本专利技术属于物联网数据采集
,具体是一种基于深度学习技术的物联网数据高分辨率感知方法。
技术介绍
[0002]物联网(Internet ofThings,简写为IoT)作为计算机和互联网出现以来,信息技术发展的第三波浪潮,其应用已经遍及众多领域。IoT设备层由大量有能力感知、通信的传感器节点组成,这些传感器节点部署在监测区域内,可以实时监测多个方面的信息,例如在环境信息监测中,具备多种类型传感器节点可以同时感知温度、湿度、光照、电压等多属性数据。随着物联网应用场景的增多,对感知分辨率的要求也逐渐增高,高分辨率感知意味着数量更多的传感器节点和频率更高的数据传输次数,同时也需要更高的建设费用、网络能耗以及能源供给。
[0003]实现物联网数据的高分辨率感知有两种途径,一种是提升硬件设备,即增设传感器节点和提高数据传输频次,使硬件设备能够满足高效的数据采集和传输;另一种是在不提升硬件设备的前提下,通过算法对物联网感知层采集的低分辨率感知数据进行超分辨率处理,得到高分辨率感知数据。现有技术主要是通过提升硬件设备实现高分辨率感知,不仅增加了部署成本,还加大了资源消耗。因此,本申请提出了一种基于深度学习技术的物联网数据高分辨率感知方法,在不提升硬件设备的前提下,利用少量的传感器节点和低频次数据传输,实现物联网数据的高分辨率感知。
技术实现思路
[0004]针对现有技术不足,本专利技术拟解决的技术问题是,提供一种基于深度学习技术的物联网数据高分辨率感知方法。
[0005]本专利技术解决所述技术问题采用的技术方案如下:
[0006]一种基于深度学习技术的物联网数据高分辨率感知方法,其特征在于,包括以下步骤:
[0007]步骤1、假定物联网感知层包含n个均匀随机部署在监测区域中的传感器节点,经过一个感知周期T=mΔT,由n
×
m条数据被采集并传输到基站,这些数据组成一个感知数据矩阵其中,ΔT表示感知周期中单次感知的时隙长度,m表示感知周期包含的感知次数,表示实数域;
[0008]步骤2、根据假定的物联网感知层的空间、时间信息,对物联网感知层采集的数据进行空间相关性处理与时间相关性处理,生成具有假定时空相关性的仿真感知数据;
[0009]步骤2.1、空间相关性处理:令p=(x,y)为监测区域的二维空间域D中任意传感器节点的位置坐标,随机选取一个传感器节点作为第一个传感器节点,位置坐标记为p1=(x1,y1),通过式(2)计算二维空间域D中各传感器节点与第一个传感器节点之间的欧式距离d;
[0010][0011]步骤2.2、时间相关性处理:将二维空间域D中各传感器节点与第一个传感器节点之间的欧式距离按照从小到大进行排列,将二维空间域映射到一维空间域C=[n
×
1];在时间t=t0=0生成一个独立分布的随机高斯场,表示一维空间域中各传感器节点t0时刻的采集数据组成的数域;按照感知时间顺序,生成不同感知时间点的随机高斯场,再为随机高斯场添加时间相关性,得到具有时间相关性的随机高斯场ω(p,t
i
)、ω(p,t
i
‑1)分别表示第i个和i
‑
1个感知时间点的随机高斯场,i∈m,ε(p,t
i
)表示随机噪声,γ
t
∈(0,1)为时间相关系数;
[0012]对具有时间相关性的随机高斯场进行二维傅里叶变换,得到傅里叶变换后的具有时间相关性的随机高斯场;然后,计算随机高斯场中各传感器节点之间的空间相关性并进行二维傅里叶变换,再与傅里叶变换后的具有时间相关性的随机高斯场相乘,得到随机高斯场的频域表达;最后,通过二维傅里叶逆变换将随机高斯场的频域表达转换为时域表达,得到具有时空相关性的不同感知时间点的感知数据;将不同感知时间点的感知数据,按照感知时间顺序放入矩阵中,得到仿真感知数据;
[0013]计算各传感器节点之间的空间相关性的表达式为:
[0014]r
s
(d)=exp
‑
γ
s
α2d2(3)
[0015]其中,γ
s
∈[0,1]表示相邻两个传感器节点之间的空间相关系数,人工设定值;α表示场大小的比例因子,人工设定值;
[0016]步骤3、制备模型训练的数据集;将不同时间相关性和空间相关性的仿真感知数据进行组合,生成高分辨率仿真感知数据;对高分辨率仿真感知数据进行等距下采样,得到低分辨率感知数据,高、低分辨率仿真感知数据共同组成用于模型训练的数据集;
[0017]步骤4、基于卷积神经网络构建高分辨率感知模型,利用步骤3得到的数据集对高分辨率感知模型进行训练,将训练后的高分辨率感知模型用于生成高分辨率感知数据;在实际监测过程中,选取k(k∈n)个传感器节点组成物联网感知层对目标监测区域进行感知,得到感知周期内的低分辨率感知数据,该低分辨率感知数据经过预处理后再输入到训练后的高分辨率感知模型中进行优化处理,得到高分辨率感知数据;
[0018]至此,完成基于深度学习技术的物联网数据高分辨率感知。
[0019]进一步的,步骤3中,物联网感知层分别以日、时、分、秒为感知时隙单位的采集数据,获取不同感知时隙单位的感知数据,利用式(4)计算时间相关系数;
[0020][0021]式中,z(p,t1)、z(p,t2)分别表示感知时间点t1和t2采集的数据;cov(
·
)表示协方差,σ
z
(
·
)表示方差;
[0022]将空间相关系数的取值范围划分为多个区间,将不同空间相关系数区间和不同感知时隙单位的数据进行组合,得到高分辨率仿真感知数据。
[0023]进一步的,步骤4中,通过双三次插值法对低分辨率感知数据进行上采样预处理;高分辨率感知模型包含九个卷积层,前八个卷积层后均连接一个ReLU激活函数;第一个卷积层的输入通道数为1,输出通道数为64,卷积核大小为9;第二个卷积层的输入通道数为64,输出通道数为32,卷积核大小为5;第三个卷积层的输入通道数为32,输出通道数为16,
卷积核大小为1;第四个卷积层的输入通道数为16,输出通道数为16,卷积核大小为3;第五个卷积层的输入通道数为16,输出通道数为16,卷积核大小为3;第六个卷积层的输入通道数为16,输出通道数为16,卷积核大小为3;第七个卷积层的输入通道数为16,输出通道数为16,卷积核大小为3;第八个卷积层的输入通道数为16,输出通道数为32,卷积核大小为1;第九个卷积层的输入通道数为32,输出通道数为1,卷积核大小为5。
[0024]与现有技术相比,本专利技术的有益效果在于:
[0025]1.本专利技术将深度学习技术引入到物联网环境信息的高分辨率感知中,高分辨率感知模型通过提取时空相关信息,充分利用感知周期内采集的物联网数据的时空相关性,在不改变物联网感知层硬件设备的前提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习技术的物联网数据高分辨率感知方法,其特征在于,包括以下步骤:步骤1、假定物联网感知层包含n个均匀随机部署在监测区域中的传感器节点,经过一个感知周期T=mΔT,由n
×
m条数据被采集并传输到基站,这些数据组成一个感知数据矩阵其中,ΔT表示感知周期中单次感知的时隙长度,m表示感知周期包含的感知次数,表示实数域;步骤2、根据假定的物联网感知层的空间、时间信息,对物联网感知层采集的数据进行空间相关性处理与时间相关性处理,生成具有假定时空相关性的仿真感知数据;步骤2.1、空间相关性处理:令p=(x,y)为监测区域的二维空间域D中任意传感器节点的位置坐标,随机选取一个传感器节点作为第一个传感器节点,位置坐标记为p1=(x1,y1),通过式(2)计算二维空间域D中各传感器节点与第一个传感器节点之间的欧式距离d;步骤2.2、时间相关性处理:将二维空间域D中各传感器节点与第一个传感器节点之间的欧式距离按照从小到大进行排列,将二维空间域映射到一维空间域C=[n
×
1];在时间t=t0=0生成一个独立分布的随机高斯场,表示一维空间域中各传感器节点t0时刻的采集数据组成的数域;按照感知时间顺序,生成不同感知时间点的随机高斯场,再为随机高斯场添加时间相关性,得到具有时间相关性的随机高斯场ω(p,t
i
)、ω(p,t
i
‑1)分别表示第i个和i
‑
1个感知时间点的随机高斯场,i∈m,ε(p,t
i
)表示随机噪声,γ
t
∈(0,1)为时间相关系数;对具有时间相关性的随机高斯场进行二维傅里叶变换,得到傅里叶变换后的具有时间相关性的随机高斯场;然后,计算随机高斯场中各传感器节点之间的空间相关性并进行二维傅里叶变换,再与傅里叶变换后的具有时间相关性的随机高斯场相乘,得到随机高斯场的频域表达;最后,通过二维傅里叶逆变换将随机高斯场的频域表达转换为时域表达,得到具有时空相关性的不同感知时间点的感知数据;将不同感知时间点的感知数据,按照感知时间顺序放入矩阵中,得到仿真感知数据;计算各传感器节点之间的空间相关性的表达式为:r
s
(d)=exp
‑
γ
s
α2d2(3)其中,γ
s
∈[0,1]表示相邻两个...
【专利技术属性】
技术研发人员:何静飞,孙一赫,张潇月,李云沛,
申请(专利权)人:河北工业大学,
类型:发明
国别省市:
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。