CN119533549A 一种传感器数据漂移在线校准方法 (清华大学深圳国际研究生院)_第1页
CN119533549A 一种传感器数据漂移在线校准方法 (清华大学深圳国际研究生院)_第2页
CN119533549A 一种传感器数据漂移在线校准方法 (清华大学深圳国际研究生院)_第3页
CN119533549A 一种传感器数据漂移在线校准方法 (清华大学深圳国际研究生院)_第4页
CN119533549A 一种传感器数据漂移在线校准方法 (清华大学深圳国际研究生院)_第5页
已阅读5页,还剩13页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

步识别、基于Transformer的时序预测以及在线校准,能够有效提高物联网传感器数据的准确Transformer的时间序列预测算法,精确捕捉传感器数据的时间和空间相关性,实现高精度预适应更新,进一步提高了系统的适应性和准确2S5.对T时刻之后的实测数据再次进行相关性分析和聚类分析,将传感器时序数据分4.如权利要求1至3任一项所述的传感器数据漂移在线校5.如权利要求1至4任一项所述的传感器数据漂移6.如权利要求1至5任一项所述的传感器数据漂移在8.如权利要求6或7所述的传感器数据漂移在线校器执行时实现如权利要求1至8任一项所述的传感器数据行时实现如权利要求1至8任一项所述的传感器数据漂移在3[0005]需要说明的是,在上述背景技术部分公开的信息仅用于4用基于Transformer的时间序列预测算法,精确捕捉传感器数据的时间相关性和空间相关5[0033]步骤S2.层次聚类分析:利用层次聚类方法对T时刻之前的一段历史数据进行分并通过多次迭代更新LOESS平滑参数,以逐步提高分解精度;并增加频率增强模块,将[0039]在优选的实施例中,还结合时序信号季节一趋势分解、频率变换模块,重构6[0046]本发明所提出的方法的思路在于:选取T时刻之前的一段历史数据进行相关性分算法得到T时刻之后的预测值,对T时刻之后的实测数据再次进行相关性分析和聚类分析,可以将N维传感器时序数据分为M2组,分组发生变动且预测值和实测值差值超过一定阈值7好地捕捉序列中的长期依赖关系和动态变化,更准确的预测有助于更好地校准物联网数8署至桥梁结构健康检测系统云端进行在线漂移识别和定期校准,以提高传感器数据可靠中,非易失性存储器可以是只读存储器(ROM,ReadOnlyMemory)、可编程只读存储器(PROM,ProgrammableRead_OnlyMemory)、可擦除可编程只读存储器(EPROM,ErasableProgrammableRead_OnlyMemory)、电可擦除可编程只读存储器(EEPROM,Electrically发明实施例描述的存储介质旨在包括但不限于这些和任意其它适9例的技术方案本质上或者说对现

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论