一种物联网信息融合方法技术

本发明专利技术涉及物联网技术领域，具体是一种物联网信息融合方法，包括S1:传感器采集原始数据；S2:分别对原始数据进行数据预处理；S3:构建深度学习特征提取模型；S4:进行深度特征表示；S5:构建数据融合模型。本发明专利技术解决了现有物联网中传感器网络的信息融合技术的研究刚刚起步，无法满足物联网海量数据处理的需要的问题。题。

【技术实现步骤摘要】
一种物联网信息融合方法


[0001]本专利技术涉及物联网
，具体是一种物联网信息融合方法。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]物联网运行原理是现实世界中各种各样的物品在传感器运行前提下与互联网连接起来，它可以通过识别，定位，实时监控追踪等方式智能化地实现人与物品，甚至是物品之间的信息交换。
[0004]信息融合对物联网来说是至关重要，必不可少的。由于物联网所采集的信息内容繁杂，且传感器采集信息有时间差，其能感知的物体也有所不同等众多原因，导致物联网信息融合技术须具备同时处理众多多源异构的信息的功能才能使得信息融合这一过程更加快速有效地完成，而当前针对物联网中传感器网络的信息融合技术的研究刚刚起步，无法满足物联网海量数据处理的需要，因此，本专利技术提出一种物联网信息融合方法及系统，以解决这一问题。

技术实现思路

[0005]本专利技术的目的在于提供一种物联网信息融合方法，以解决上述
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：本专利技术提供一种物联网信息融合方法，该方法包括：S1:传感器采集原始数据；S2:分别对原始数据进行数据预处理，包括以下子步骤：进行去噪处理，排除在实时数据采集中采取到的噪声点；将去噪之后的点云数据的坐标进行归一化，将点云数据变换到同一个坐标系下；S3:构建深度学习特征提取模型，分别进行数据输入，包括以下子步骤：首先通过NSCT对数据进行4级分解，获得底层特征；然后将提取出的底层特征输入进卷积模块；S4:进行深度特征表示，包括以下子步骤：搭建三层卷积层，每两个卷积层之间依次设有批量归一化层和激活层；卷积层后搭建全局平均池化层，用于对整个网络在结构上做正则化防止过拟合；最后将损失层加入网络中，引入损失函数计算网络损失；S5:构建数据融合模型，包括以下子步骤：首先通过快速傅里叶变换将多个传感器采集的时域信号转换为对应的频域信号，并通过平行叠加的方式进行融合；然后将融合结果作为输入通过无监督学习的方式对DBN进行训练；最后使用 Softmax分类器进行分类。
[0007]作为本专利技术进一步的方案：所述激活层使用sigmoid函数。
[0008]与现有技术相比，本专利技术的有益效果是：增加了各个传感器之间的信息互通，从多信息的视角进行处理及综合，得到各种信息的内在联系和规律，从而剔除无用的和错误的信息，保留正确的和有用的成分，最终实现信息的优化，提高整个系统的可靠性和稳健性，增强数据的可信度，提高融合精度，扩展系统的时间、空间覆盖率，进而满足物联网海量数据处理的需要。
具体实施方式
[0009]下面将参考并结合实施例来详细说明本专利技术。
[0010]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0011]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0012]需要注意的是，流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
[0013]本实施例提供了一种物联网信息融合方法，该方法包括：S1:传感器采集原始数据；S2:分别对原始数据进行数据预处理，包括以下子步骤：进行去噪处理，排除在实时数据采集中采取到的噪声点；将去噪之后的点云数据的坐标进行归一化，将点云数据变换到同一个坐标系下，S3:构建深度学习特征提取模型，分别进行数据输入，包括以下子步骤：首先通过NSCT对数据进行4级分解，获得底层特征；然后将提取出的底层特征输入进卷积模块。
[0014]S4:构建深度卷积网络，包括以下子步骤：搭建三层卷积层，每两个卷积层之间依次设有批量归一化层和激活层；卷积层后搭建全局平均池化层，用于对整个网络在结构上做正则化防止过拟合；最后将损失层加入网络中，引入损失函数计算网络损失。优选的，所述激活层使用sigmoid函数。
[0015]S5:构建数据融合模型，包括以下子步骤：首先通过快速傅里叶变换（Fast Fourier Transform，FFT）将多个传感器采集的时域信号转换为对应的频域信号，并通过平行叠加的方式进行融合；然后将融合结果作为输入通过无监督学习的方式对DBN进行训练，具体来说，就是从底层开始，一层一层地往顶层训练。采用无标定数据（有标定数据也可）分
层训练各层参数，这一步可以看作是一个无监督训练过程，这也是和传统神经网络区别最大的部分，可以看作是特征学习过程。具体的，先用无标定数据训练第一层，训练时先学习第一层的参数，这层可以看作是得到一个使得输出和输入差别最小的三层神经网络的隐层，由于模型容量的限制以及稀疏性约束，使得得到的模型能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；在学习得到n
‑
l层后，将n
‑
l层的输出作为第n层的输入，训练第n层，由此分别得到各层的参数；最后使用 Softmax分类器进行分类。
[0016]上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物联网信息融合方法，其特征在于，包括：S1:传感器采集原始数据；S2:分别对原始数据进行数据预处理，包括以下子步骤：进行去噪处理，排除在实时数据采集中采取到的噪声点；将去噪之后的点云数据的坐标进行归一化，将点云数据变换到同一个坐标系下；S3:构建深度学习特征提取模型，分别进行数据输入，包括以下子步骤：首先通过NSCT对数据进行4级分解，获得底层特征；然后将提取出的底层特征输入进卷积模块；S4:进行深度特征表示，包括以下子步骤：搭建三层卷积层，每两个卷积层之间依次设有批量...

【专利技术属性】
技术研发人员：王庆龙，
申请(专利权)人：济南新物联自控科技有限公司，
类型：发明
国别省市：