基于特征匹配融合的传感器动态信息联动分析方法技术

本发明专利技术提出基于特征匹配融合的传感器动态信息联动分析方法，包括以下步骤：获取混合分布式传感器输入的测量数据，将所述测量数据向量化得到第一参数向量组；对所述第一参数向量组进行无偏估计判断，并依照判断后的估计概率对第一参数向量组进行收敛，得到第二参数向量组；采用时间自回归模型参照所述第二参数向量组构成一个时间预测器，并由所述时间预测器输出第三参数向量组；将所述第二参数向量组和第三参数向量组输入

【技术实现步骤摘要】
基于特征匹配融合的传感器动态信息联动分析方法


[0001]本专利技术涉及地质灾害监测
，尤其涉及基于特征匹配融合的传感器动态信息联动分析方法
。

技术介绍

[0002]传统的山体边坡监测方向主要分为地表变形监测
、
深部变形监测
、
相关物理量监测和滑坡形成活动相关监测，通过对采集的数据进行滑坡预测分析，其预测主要可分为两个方面：一方面通过对回归预测对滑坡进行空间位移预测，主要采用逻辑回归方法，另一方面通过监测的位移量的变化推断滑坡时间，主要方法为斋藤迪孝蠕变经验预测坡体时间或
Verhulst
模型进行时间预测
。
监测缺点主要可分为边坡分析变量单一受限
、
各个内部变量关系复杂计算困难和时间预测不准确三个方面，存在受气象条件限制
、
监测不稳定和监测技术集成性和协调性差的缺点；多传感器协同包括两个层次：协同数据反演和协同监测过程
。
前者侧重数据应用，是一种非直接的传感器性能后评价模式，也是目前的主流方向；后者侧重传感器自身性能，根据具体任务需求，从固有的物理参数中选择与目标需求最匹配的组合方案，也是研究的前沿方向
。
另外，对地监测环境复杂多变，多传感器的监测性能需要综合考量其固有技术指标和任务需求，目前已有的性能评价模式多依赖于专家决策或经验值，易造成主观性干扰；公开号
CN115440008B
的中国专利技术专利公开了一种山体滑坡雷达波监测方法及系统<br/>。
本专利技术通过进行降雨和地震的气象分析，根据气象分析结果，生成滑坡监测周期；对滑坡监测位置进行周期性边坡变形监测；在存在山体滑坡风险时，生成滑坡预警信号；确定多个滑坡预警位置，进行视频监测拍摄，生成监测拍摄数据；在存在山体滑坡时，识别多个山体滑坡位置，进行滑坡位置报警；还存在以下缺陷：仅仅通过雷达监测，边坡分析变量单一受限，难以准确预测其滑坡时间，无法全面融合多个传感器的数据，无法提供更加准确的预警信息；传感器信号容易被干扰，出现误报现象；为此本专利技术提出基于特征匹配融合的传感器动态信息联动分析方法
。

技术实现思路

[0003]为了解决上述问题，本专利技术提出基于特征匹配融合的传感器动态信息联动分析方法，以更加确切地解决上述所述的问题
。
[0004]本专利技术通过以下技术方案实现的：本专利技术提出基于特征匹配融合的传感器动态信息联动分析方法，包括以下步骤：
S1
：获取混合分布式传感器输入的测量数据，将所述测量数据向量化得到第一参数向量组；
S2
：对所述第一参数向量组进行无偏估计判断，并依照判断后的估计概率对第一参数向量组进行收敛，得到第二参数向量组；
S3
：采用时间自回归模型参照所述第二参数向量组构成一个时间预测器，并由所述时间预测器输出第三参数向量组；
S4
：将所述第二参数向量组和第三参数向量组输入
Hadoop
平台中，并根据预设的神经网络模型对所述第二参数向量组和第三参数向量组进行分析
。
[0005]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述
S4
步骤中包括：
S41
：对所述第二参数向量组识别其输入时间以及形成第三参数向量组的时间戳；
S42
：对所述第三参数向量组进行特征投影变换，得到与混合分布式传感器对应的特征向量组；
S43
：对特征向量组进行空间分异，生成对应的特征方差；
S44
：将特征方差代入混合分布式传感器模拟的对数似然函数，计算得到混合分布式传感器的真实环境值；
S45
：基于真实环境值进行分析计算得到环境分值，与预设的阈值对比，若环境分值小于预设的阈值，则有发生地质灾害的风险
。
[0006]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述获取混合分布式传感器输入的测量数据，将所述测量数据向量化得到第一参数向量组步骤中，包括：所述测量数据包括混合分布式传感器信息
Y
，所述混合分布式传感器信息包括感应信息
、
功能信息和位置信息；基于所述混合分布式传感器信息进行向量转换，得到与测量数据匹配的第一参数向量组
。
[0007]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述对所述第一参数向量组进行无偏估计判断，并依照判断后的估计概率对第一参数向量组进行收敛，得到第二参数向量组步骤中包括：对第一参数向量组进行无偏估计判断，对所述第一参数向量组件节点估算，每一个所述的混合分布式传感器信息满足预设的传感器阈值，则有，确定所述混合分布式传感器信息的误差在预设值内；对无偏估计判断后的第一参数向量组进行真值收敛，得到第二参数向量组，其中
p
是真值收敛的系数
。
[0008]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述采用时间自回归模型参照所述第二参数向量组构成一个时间预测器，并由所述时间预测器输出第三参数向量组步骤中包括：假设时间预测器中的时间序列
t
仅与其中一个混合分布式传感器信息有线性关系，则有：
；其中，分别是混合分布式传感器信息受影响的权重大小，是独立于混合分布式传感器信息的白噪声序列
。
[0009]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述对所述第三参数向量组进行特征投影变换，得到与混合分布式传感器对应的特征向量组步骤中包括：所述特征投影算法为：；式中，预设在所述神经网络模型的神经网络卷积层
h=1
，2，
...
，
m
；
L
是神经网络卷积层
h
中各混合分布式传感器的预设值，
X
是特征向量组
。
[0010]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述对特征向量组进行空间分异，生成对应的特征方差步骤中包括：；式中，
x
是特征向量组
X
的其中一条向量，对特征向量组
X
中各条向量进行空间分异，通过卷积层
h
对应的卷积系数计算出特征方差
。
[0011]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述将特征方差代入混合分布式传感器模拟的对数似然函数，计算得到混合分布式传感器的真实环境值步骤中包括：对数似然函数为：；真实环境值分别由特征方差
、
卷积层系数
、
特征向量组
X
中的各条向量
x
计算得出
。
[0012]进一步的，所述的基于特征匹配融合的传感器动态信息联动分析方法，所述基于真实环境值进行分析计算得到环境分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于特征匹配融合的传感器动态信息联动分析方法，其特征在于，包括以下步骤：
S1
：获取混合分布式传感器输入的测量数据，将所述测量数据向量化得到第一参数向量组；
S2
：对所述第一参数向量组进行无偏估计判断，并依照判断后的估计概率对第一参数向量组进行收敛，得到第二参数向量组；
S3
：采用时间自回归模型参照所述第二参数向量组构成一个时间预测器，并由所述时间预测器输出第三参数向量组；
S4
：将所述第二参数向量组和第三参数向量组输入
Hadoop
平台中，并根据预设的神经网络模型对所述第二参数向量组和第三参数向量组进行分析
。2.
根据权利要求1所述的基于特征匹配融合的传感器动态信息联动分析方法，其特征在于，所述
S4
步骤中包括：
S41
：对所述第二参数向量组识别其输入时间以及形成第三参数向量组的时间戳；
S42
：对所述第三参数向量组进行特征投影变换，得到与混合分布式传感器对应的特征向量组；
S43
：对特征向量组进行空间分异，生成对应的特征方差；
S44
：将特征方差代入混合分布式传感器模拟的对数似然函数，计算得到混合分布式传感器的真实环境值；
S45
：基于真实环境值进行分析计算得到环境分值，与预设的阈值对比，若环境分值小于预设的阈值，则有发生地质灾害的风险
。3.
根据权利要求2所述的基于特征匹配融合的传感器动态信息联动分析方法，其特征在于，所述获取混合分布式传感器输入的测量数据，将所述测量数据向量化得到第一参数向量组步骤中，包括：所述测量数据包括混合分布式传感器信息
Y
，所述混合分布式传感器信息包括感应信息
、
功能信息和位置信息；基于所述混合分布式传感器信息进行向量转换，得到与测量数据匹配的第一参数向量组
。4.
根据权利要求3所述的基于特征匹配融合的传感器动态信息联动分析方法，其特征在于，所述对所述第一参数向量组进行无偏估计判断，并依照判断后的估计概率对第一参数向量组进行收敛，得到第二参数向量组步骤中包括：对第一参数向量组进行无偏估计判断，对所述第一参数向量组件节点估算，每一个所述的混合分布式传感器信息满足预设的传感器阈值，则有，确定所述混合分布式传感器信息的误差在预设值...

【专利技术属性】
技术研发人员：涂梨平，范军林，刘飞鹏，刘美娥，吴聪，毛亚琴，陶儒川，王亚飞，
申请(专利权)人：江西核工业测绘院集团有限公司江苏科博空间信息科技有限公司，
类型：发明
国别省市：