期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于高斯滤波与均值聚类的异质多源传感器数据加权融合
1
作者
张丽
郭海涛
《传感技术学报》
CAS
CSCD
北大核心
2024年第3期519-523,共5页
异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的...
异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。
展开更多
关键词
异质多源传感器
数据加权融合
高斯滤波
均值聚类
下载PDF
职称材料
能耗均衡约束下的多源异质传感器数据动态汇聚算法
2
作者
陈坤定
林木辉
《传感技术学报》
CAS
CSCD
北大核心
2023年第11期1814-1819,共6页
多源异质传感器数据在无线传感网络中汇聚时,易受到无线传感网络冗余数据的干扰,导致其通信开销大、精度低。为此,提出能耗均衡约束下多源异质传感器数据动态汇聚算法。构建能耗均衡约束模型,保证多源异质数据节点在汇聚过程中所消耗的...
多源异质传感器数据在无线传感网络中汇聚时,易受到无线传感网络冗余数据的干扰,导致其通信开销大、精度低。为此,提出能耗均衡约束下多源异质传感器数据动态汇聚算法。构建能耗均衡约束模型,保证多源异质数据节点在汇聚过程中所消耗的能量趋于平均值,采用监督判别投影算法对数据进行降维处理,消除数据中的冗余度,通过模糊分簇阈值筛选机制获取汇聚区域的簇头阈值,将簇区域内数据汇聚到传感器中,完成多源异质传感器数据的动态汇聚。仿真结果表明,所提算法的隐私泄露率在25%左右,通信开销在9 MB~46 MB之间,汇聚数据正确率高于90%,证明所提算法可有效降低通信开销,提高数据汇聚精度。
展开更多
关键词
多源
异质
传感器
数据动态汇聚
能耗均衡约束模型
监督判别投影
簇头阈值
汇聚链路
下载PDF
职称材料
一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法
被引量:
7
3
作者
蔺万科
宋华
+2 位作者
南新元
李燕
黄家興
《传感技术学报》
CAS
CSCD
北大核心
2022年第1期49-56,共8页
针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从...
针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从而实现及时识别林火的目的。仿真实验结果表明:本文提出的方法可以实现各阶段火情早期特征的检测,有效识别早期森林火灾;与相关文献提出的方法相比,本文方法能够得出更为理想的林火概率,辨识准确性更高,可以有效降低误报风险。
展开更多
关键词
早期森林火灾识别
多源
异质
传感器
数据融合
最优聚类中心
权重欧式距离
下载PDF
职称材料
题名
基于高斯滤波与均值聚类的异质多源传感器数据加权融合
1
作者
张丽
郭海涛
机构
四川托普信息技术职业学院信息工程学院
华南理工大学土木交通学院
出处
《传感技术学报》
CAS
CSCD
北大核心
2024年第3期519-523,共5页
基金
人工智能四川省重点实验室开放资金项目(2020RYJ01)。
文摘
异质多源传感器之间工作频率存在差异,导致数据之间的一致性较差,加权融合后的观测误差较大,因此提出基于高斯滤波与均值聚类的异质多源传感器数据加权融合方法。采用高斯滤波对异质多源传感器数据空间单元格进行划分,建立基于单元格的最佳连通域,保留传感器内部数据,完成传感器数据的高斯滤波平滑处理。引入均值聚类对异质多源传感器数据进行一致性处理。通过免疫粒子群搜索最优权重和参数,利用最优权重和参数完成异质多源传感器数据加权融合。仿真结果表明,所提方法能够降低融合后传感器数据的观测误差与均方误差,观测误差与均方误差最小值均为0.002。因此,说明所提方法提高了融合后异质多源传感器数据的可利用性。
关键词
异质多源传感器
数据加权融合
高斯滤波
均值聚类
Keywords
heterogeneous multi-source sensor
weighted data fusion
gaussian filtering
mean clustering
分类号
TP393 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
能耗均衡约束下的多源异质传感器数据动态汇聚算法
2
作者
陈坤定
林木辉
机构
闽西职业技术学院信息工程学院
福建师范大学教育学院
出处
《传感技术学报》
CAS
CSCD
北大核心
2023年第11期1814-1819,共6页
基金
福建省教育厅中青年教师教育科研项目(科技类)(JZ181053)。
文摘
多源异质传感器数据在无线传感网络中汇聚时,易受到无线传感网络冗余数据的干扰,导致其通信开销大、精度低。为此,提出能耗均衡约束下多源异质传感器数据动态汇聚算法。构建能耗均衡约束模型,保证多源异质数据节点在汇聚过程中所消耗的能量趋于平均值,采用监督判别投影算法对数据进行降维处理,消除数据中的冗余度,通过模糊分簇阈值筛选机制获取汇聚区域的簇头阈值,将簇区域内数据汇聚到传感器中,完成多源异质传感器数据的动态汇聚。仿真结果表明,所提算法的隐私泄露率在25%左右,通信开销在9 MB~46 MB之间,汇聚数据正确率高于90%,证明所提算法可有效降低通信开销,提高数据汇聚精度。
关键词
多源
异质
传感器
数据动态汇聚
能耗均衡约束模型
监督判别投影
簇头阈值
汇聚链路
Keywords
multi source heterogeneous sensor
dynamic data aggregation
energy consumption equilibrium constraint model
supervised discriminant projection
cluster head threshold
convergence link
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法
被引量:
7
3
作者
蔺万科
宋华
南新元
李燕
黄家興
机构
新疆大学电气工程学院
新疆建筑设计研究院机电所
出处
《传感技术学报》
CAS
CSCD
北大核心
2022年第1期49-56,共8页
基金
新疆自治区自然科学基金(2019D01C079)。
文摘
针对多源传感器协同监测森林火灾时对于早期火灾识别准确度不高的问题,本文提出了一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法。将温度、烟雾和CO传感器的数据进行融合得到明火、阴燃、无火三种火情的概率估计,从而实现及时识别林火的目的。仿真实验结果表明:本文提出的方法可以实现各阶段火情早期特征的检测,有效识别早期森林火灾;与相关文献提出的方法相比,本文方法能够得出更为理想的林火概率,辨识准确性更高,可以有效降低误报风险。
关键词
早期森林火灾识别
多源
异质
传感器
数据融合
最优聚类中心
权重欧式距离
Keywords
initial forest fire identification
data fusion
optimal cluster center
weighted Euclidean distance
分类号
TP301.6 [自动化与计算机技术—计算机系统结构]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于高斯滤波与均值聚类的异质多源传感器数据加权融合
张丽
郭海涛
《传感技术学报》
CAS
CSCD
北大核心
2024
0
下载PDF
职称材料
2
能耗均衡约束下的多源异质传感器数据动态汇聚算法
陈坤定
林木辉
《传感技术学报》
CAS
CSCD
北大核心
2023
0
下载PDF
职称材料
3
一种基于最优聚类中心与权重欧式距离的多源异质传感器数据融合方法
蔺万科
宋华
南新元
李燕
黄家興
《传感技术学报》
CAS
CSCD
北大核心
2022
7
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部