【技术实现步骤摘要】
本专利技术涉及数据融合，具体涉及一种用于温度智能控制器的数据融合方法及系统。
技术介绍
1、智能温度控制器，是采用微分先行的控制算法,带有外给定和阀位控制功能。已被广泛应用在我们的日常生活和生产中，包括智能建筑、恒温车间、大中型粮仓等生产行业，可与各类传感器、变送器配合使用，实现对温度、压力、液位、容量、速度等物理量的测量显示，并配合各种执行器对电加热设备和电磁、电动阀进行pid调节和控制、报警控制、数据采集等功能。但温度调节的精确与否和其他各个传感器数据源息息相关，受到多方面影响导致仅调节温度并不能达到理想的调节值，如何高效地整合、分析多维非线性数据，获取影响关系得到更好的温度调节效果是亟待解决的问题。
2、在现有的通过数据融合调控温度数据等相关技术中，对于多传感器数据的融合分析过于单一，且没有对于多传感器数据间的关联性进行全面分析，使最终调控结果可靠性不强，调控数据误差较大。
技术实现思路
1、为了解决现有技术中对于多传感器数据的融合分析过于单一，且没有对于多传感器数据间的关联性进行全面分析的技术问题，本专利技术的目的在于提供一种用于温度智能控制器的数据融合方法及系统，所采用的技术方案具体如下：
2、本专利技术提供了一种用于温度智能控制器的数据融合方法，所述方法包括：
3、获取待调节时间点前预设时间段上的温度数据和至少两组调节数据，任选一组调节数据作为参考数据；根据温度数据和参考数据在预设时间段上的数据值构建散点图，通过所述散点图中数据点的分
4、获取所述散点图中待调节时间点下的待调节数据点，将所述待调节数据点所处的所述分布聚簇记为待调节分布聚簇；根据所述待调节分布聚簇中参考数据与温度数据的关联程度，获得参考数据的线性关系权重；
5、根据参考数据的所述待调节分布聚簇确定待调节温度区间；在待调节温度区间中，根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度，通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数；
6、根据所述待调节数据点在所述散点图中预设局部范围内的数据波动情况，获得参考数据的波动误差值；根据待调节时间点下的待调节温度量，通过参考数据的所述线性关系权重、所述干扰系数和所述波动误差值获得参考数据的调节量；根据调节量对所述待调节时间点对应的调节数据进行调控。
7、进一步地，所述根据所述待调节分布聚簇中参考数据与温度数据的关联程度，获得参考数据的线性关系权重，包括：
8、获得待调节分布聚簇中每个数据点在预设邻域范围内的邻域密度，根据待调节分布聚簇中所有数据点的邻域密度拟合待调节分布聚簇的高斯分布函数；
9、将负相关并归一化的所述高斯分布函数的均方差作为线性集中度；计算待调节数据点在高斯分布函数中的分布概率作为线性程度；
10、通过所述线性程度和所述线性集中度确定参考数据的线性关系权重，所述线性程度和所述线性集中度均与线性关系权重呈正相关关系。
11、进一步地，所述计算待调节数据点在高斯分布函数中的分布概率作为线性程度，包括：
12、在待调节分布聚簇内，将待调节数据点的邻域密度与最小邻域密度在所述高斯分布函数中的定积分作为概率分布面积；将最大邻域密度和最小邻域密度在所述高斯分布函数中的定积分作为整体分布面积，将所述概率分布面积与所述整体分布面积的比值作为待调节数据点的分布概率，所述分布概率记为线性程度。
13、进一步地，所述根据参考数据的所述待调节分布聚簇确定待调节温度区间，包括：
14、确定每个所述调节数据与所述温度数据的单高斯模型，其中每个单高斯模型中的单峰对应一个分布聚簇；根据所有所述调节数据的单高斯模型获得所述温度数据的混合高斯模型；根据参考数据的所述待调节分布聚簇确定对应单高斯模型的参考单峰，在所述混合高斯模型中所述参考单峰对应温度数据范围为待调节温度区间。
15、进一步地，所述根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度，包括：
16、在所述混合高斯模型的所述待调节温度区间中，获得除参考数据外其他调节数据对应的单高斯模型区域，计算每个其他调节数据的所述单高斯模型区域组成为混合高斯模型的后验概率，将每个所述后验概率作为对应每个其他调节数据对参考数据的影响程度。
17、进一步地，所述通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数，包括：
18、将每个其他调节数据的所述线性关系权重与所述影响程度相乘，获得每个其他调节数据的单项干扰系数，将所有所述单项干扰系数的平均值作为参考数据的干扰系数。
19、进一步地，所述参考数据的波动误差值的获取方法包括：
20、计算在预设局部范围内所述待调节数据点与其他数据点的距离，将所有距离的均方差作为参考数据的波动误差值。
21、进一步地，所述通过所述散点图中数据点的分布位置获得分布聚簇，包括：
22、采用均值漂移算法，通过预设圆形窗口进行聚类获得分布聚簇。
23、进一步地，所述参考数据的调节量的获取方法包括：
24、确定所述待调节分布聚簇的中心点，并获取所述中心点对应的参考数据值和温度数据值，将所述参考数据值与温度数据值的比值作为最大线性系数；计算所述最大线性系数与所述线性关系权重的乘积，将所述干扰系数与所述乘积的比值作为线性系数；将所述待调节温度量与所述线性系数的乘积加上所述波动误差值，获得参考数据的调节数据量；
25、确定参考数据与温度数据的反馈关系，当参考数据与温度数据呈负反馈关系时，所述调节数据量与参考数据的调节量呈负相关关系；当参考数据与温度数据呈正反馈关系时，所述调节数据量与参考数据的调节量呈正相关关系。
26、本专利技术提供了一种用于温度智能控制器的数据融合系统，包括存储器和处理器；所述处理器执行所述存储器存储的计算程序，以实现如上述一种用于温度智能控制器的数据融合方法。
27、本专利技术具有如下有益效果：
28、本专利技术通过参考数据与温度数据在散点图中位置分布情况，分布参考数据与温度数据的关联性，获得线性关系权重，通过线性关系权重反映两组数据在一定范围内线性关系的强弱。并进一步通过其他调节数据在同样待调节温度区间内与温度数据间的关联程度，获得其他数据的影响程度，综合分析了其他数据对于参考数据与温度数据间关联关系的影响，使两组数据的相关性分析更可靠。最终通过待调节数据点局部范围内数据波动的影响获得波动误差值，进一步优化两组数据的线性关系，使最终调节量的获取更精确。最终根据线性关系权重、干扰系数和波动误差值获得参考数据的调节量，反映参考数据所需调节量与待调节温度量之间的关系，综合多指标更全面融合分析多传感器数据与温度数据间的关系，获得更可靠、更精确的调节结果，实现更好的温度控制。
本文档来自技高网...【技术保护点】
1.一种用于温度智能控制器的数据融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述根据所述待调节分布聚簇中参考数据与温度数据的关联程度，获得参考数据的线性关系权重，包括：
3.根据权利要求2所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述计算待调节数据点在高斯分布函数中的分布概率作为线性程度，包括：
4.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述根据参考数据的所述待调节分布聚簇确定待调节温度区间，包括：
5.根据权利要求4所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度，包括：
6.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述通过所有其他调节数据的所述线性关系权重和所述影响程度获得参考数据的干扰系数，包括：
7.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述参考数
8.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述通过所述散点图中数据点的分布位置获得分布聚簇，包括：
9.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述参考数据的调节量的获取方法包括：
10.一种用于温度智能控制器的数据融合系统，包括存储器和处理器；其特征在于，所述处理器执行所述存储器存储的计算程序，以实现如权利要求1-9任一项所述一种用于温度智能控制器的数据融合方法。
...【技术特征摘要】
1.一种用于温度智能控制器的数据融合方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述根据所述待调节分布聚簇中参考数据与温度数据的关联程度，获得参考数据的线性关系权重，包括：
3.根据权利要求2所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述计算待调节数据点在高斯分布函数中的分布概率作为线性程度，包括：
4.根据权利要求1所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述根据参考数据的所述待调节分布聚簇确定待调节温度区间，包括：
5.根据权利要求4所述的一种用于温度智能控制器的数据融合方法，其特征在于，所述根据每个其他调节数据与温度数据的关联程度获得每个其他调节数据的影响程度，包括：
6.根据权...
【专利技术属性】
技术研发人员：刘稳清，谢潇楠，马重阳，高新愿，魏涛，王远鼎，
申请(专利权)人：济宁市质量计量检验检测研究院济宁半导体及显示产品质量监督检验中心，济宁市纤维质量监测中心，
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。