智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方法
【專利摘要】本發(fā)明涉及一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方法，提出基于混沌差分?jǐn)_動(dòng)模糊C均值聚類的溫度傳感大數(shù)據(jù)的分類模型，需要分析智能建筑中溫度傳感大數(shù)據(jù)在數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中的分布式結(jié)構(gòu)模型，對(duì)大數(shù)據(jù)信息流進(jìn)行特征融合和時(shí)間序列分析，在傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分?jǐn)_動(dòng)，避免了分類過(guò)程中陷入局部收斂和局部尋優(yōu)，提高了數(shù)據(jù)聚類性能。本發(fā)明采用該大數(shù)據(jù)分類方法，有效降低了智能建筑中溫度數(shù)據(jù)的誤分率，數(shù)據(jù)分類的收斂性和準(zhǔn)確性較高。
【專利說(shuō)明】
智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及大數(shù)據(jù)領(lǐng)域，特別是涉及一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化 模型仿真分析方法。
【背景技術(shù)】
[0002] 隨著多模控制技術(shù)和人工智能技術(shù)的發(fā)展，智能溫度控制技術(shù)廣泛應(yīng)用在智能建 筑中，通過(guò)智能溫度控制在智能建筑中進(jìn)行自適應(yīng)溫度調(diào)節(jié)，實(shí)現(xiàn)節(jié)能環(huán)保，可提高建筑體 內(nèi)人體的舒適度。智能建筑中，通過(guò)溫度傳感器網(wǎng)絡(luò)進(jìn)行各個(gè)建筑區(qū)域和模塊的溫度采集， 對(duì)采集的溫度數(shù)據(jù)進(jìn)行自適應(yīng)信息處理，通過(guò)數(shù)據(jù)挖掘和數(shù)據(jù)分類技術(shù)，可分析各個(gè)建筑 區(qū)域的溫度屬性，為智能建筑中的空調(diào)控制系統(tǒng)提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。因此，研究智能建筑 中的溫度傳感器網(wǎng)絡(luò)采集的大數(shù)據(jù)分類模型，在發(fā)展智能建筑、綠色建筑方面具有積極重 要意義，相關(guān)的溫度大數(shù)據(jù)分類算法研究受到廣大專家學(xué)者們的重視。
[0003] 數(shù)據(jù)分類又稱為數(shù)據(jù)聚類和數(shù)據(jù)分集，數(shù)據(jù)分類是采用模式識(shí)別和特征提取的方 法，挖掘數(shù)據(jù)信息的規(guī)律性特征，對(duì)含有相似特征的數(shù)據(jù)進(jìn)行分類處理，實(shí)現(xiàn)數(shù)據(jù)的分類調(diào) 度和分類挖掘。采用數(shù)據(jù)聚類方法進(jìn)行智能建筑中溫度傳感大數(shù)據(jù)的采樣分析，實(shí)現(xiàn)智能 溫度控制，傳統(tǒng)方法中，對(duì)大數(shù)據(jù)分類算法主要有K-Means聚類算法、模糊C均值聚類算法、 決策樹(shù)分類算法以及粒子群分類算法等，其中模糊C均值聚類算法是最為常見(jiàn)的算法，但是 該算法對(duì)大數(shù)據(jù)分類中的擾動(dòng)差分向量抗干擾性能不好，計(jì)算開(kāi)銷過(guò)大，難以實(shí)現(xiàn)實(shí)時(shí)的 溫度傳感大數(shù)據(jù)的分析和處理。

【發(fā)明內(nèi)容】

[0004] 有鑒于此，本發(fā)明的目的是提供一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型 仿真分析方法，在傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分?jǐn)_動(dòng)，避免了分類過(guò) 程中陷入局部收斂和局部尋優(yōu)，提高了數(shù)據(jù)聚類性能，有效降低了智能建筑中溫度數(shù)據(jù)的 誤分率，數(shù)據(jù)分類的收斂性和準(zhǔn)確性較高。
[0005] 本發(fā)明采用以下方案實(shí)現(xiàn):一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真 分析方法，其特征在于:具體包括以下步驟：
[0006] 步驟S1:對(duì)智能建筑中溫度傳感大數(shù)據(jù)在數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中的分布式結(jié)構(gòu)進(jìn)行分 析，并對(duì)大數(shù)據(jù)信息流采樣非線性時(shí)間序列進(jìn)行分析，確定溫度數(shù)據(jù)信息流的特征集；
[0007] 步驟S2:根據(jù)所述步驟S1得到的智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析 和時(shí)間序列分析融合，傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分?jǐn)_動(dòng)，對(duì)大數(shù)據(jù) 分類優(yōu)化模型進(jìn)行改進(jìn)；
[0008] 步驟S3:針對(duì)改進(jìn)后的大數(shù)據(jù)分類模型在實(shí)現(xiàn)智能建筑中溫度傳感大數(shù)據(jù)優(yōu)化聚 類分析中的性能，進(jìn)行仿真分析。
[0009] 進(jìn)一步地，所述步驟S1中，溫度傳感大數(shù)據(jù)采樣與分布結(jié)構(gòu)分析具體為：
[0010] 假設(shè)在數(shù)據(jù)存儲(chǔ)空間中，對(duì)智能建筑中溫度傳感大數(shù)據(jù)存儲(chǔ)數(shù)據(jù)庫(kù)信息流進(jìn)行多 維相空間重構(gòu)，設(shè)智能建筑中溫度傳感大數(shù)據(jù)庫(kù)的分布式結(jié)點(diǎn)，節(jié)點(diǎn)存儲(chǔ)重要性加權(quán)函數(shù) 為：
[0012]調(diào)整聚類中心矢量，用輸入x(t)減去輸出變化量得到溫度傳感器節(jié)點(diǎn)采樣的變化 特征，采樣的頻率為：
[0014] 其中，to為初始采樣時(shí)間檢測(cè)，a為數(shù)據(jù)采樣的包絡(luò)幅值，K為控制參數(shù)，令A(yù)={ai， a2, ...，an}為智能建筑中溫度傳感大數(shù)據(jù)特征矢量的模糊聚類中心，構(gòu)建智能建筑中溫度 傳感大數(shù)據(jù)信息流預(yù)處理特征序列訓(xùn)練集的屬性集，B= {b^te，...，bm}為海量數(shù)據(jù)庫(kù)特征 挖掘的屬性類別集，得到特征分布的空間角度特征為：
[0015] 9i(k+l) = 9i(k)-liRe[A(k)B(k)]
[0016]其中，y是傳感大數(shù)據(jù)分布的收斂步長(zhǎng)；
[0017]則在矢量空間中進(jìn)行特征信息流分析，溫度傳感大數(shù)據(jù)采樣的分布結(jié)構(gòu)特征函數(shù) 為：
[0021] 進(jìn)一步地，所述步驟S1中，對(duì)智能建筑中溫度傳感大數(shù)據(jù)信息流采樣非線性時(shí)間 序列進(jìn)行分析，確定溫度數(shù)據(jù)信息流的特征集具體為：
[0022] 在智能建筑中溫度傳感大數(shù)據(jù)分布式結(jié)構(gòu)的基礎(chǔ)上，提取智能建筑中溫度傳感大 數(shù)據(jù)信息流的時(shí)間序列為{X(to+iAt)}，i = 0，l，…，N-1，分布空間的聚類中心矢量根據(jù)結(jié) 構(gòu)分析得到；
[0023] 在溫度傳感器網(wǎng)絡(luò)系統(tǒng)中，設(shè)時(shí)刻t時(shí)溫度傳感大數(shù)據(jù)采樣的閾值e滿足24t<e，入 >〇；
[0024] 根據(jù)非線性時(shí)間序列分析方法，得到智能建筑中溫度傳感大數(shù)據(jù)聚類的矢量特征 狀態(tài)空間的時(shí)間軌跡狀態(tài)表達(dá)式為：
[0026]式中，x(t)表示大數(shù)據(jù)的時(shí)域分布，J是指向性信息參量，m是互相關(guān)共輒嵌入維 數(shù)，At為溫度傳感大數(shù)據(jù)的采樣時(shí)間間隔；
[0027] 通過(guò)上述處理，實(shí)現(xiàn)智能建筑中溫度傳感大數(shù)據(jù)聚類信息流的時(shí)間序列模型構(gòu)建 和非線性時(shí)間序列分析。
[0028] 在此基礎(chǔ)上，構(gòu)建大數(shù)據(jù)的融合均衡控制方程為：
[0029] =l-sj[x-xl)) /r0: + (j>-j0) h\;
[0030] 其中，XQ和yQ為數(shù)據(jù)在存儲(chǔ)空間中的干擾信息和冗余信息，采用信號(hào)頻譜檢驗(yàn)方法 對(duì)數(shù)據(jù)聯(lián)合函數(shù)進(jìn)行匹配和融合，融合的目標(biāo)函數(shù)為：
[0031] C=Min{max( <}) )}
[0032] 其中，G表示數(shù)據(jù)包的融合度，目標(biāo)函數(shù)表示融合后在均衡化最大的程度下，融合 度最小；
[0033] 分析溫度傳感器數(shù)據(jù)結(jié)構(gòu)中各頻率分量隨時(shí)間變化的關(guān)系，引入信號(hào)的時(shí)間一頻 率聯(lián)合描述，自適應(yīng)特征匹配方法表示大數(shù)據(jù)融合的評(píng)判準(zhǔn)則為：
[0034] Cov(C)=E{[C-E(C)][C-E(C)]}
[0035] 由此提高大數(shù)據(jù)分類的純度，在此基礎(chǔ)上進(jìn)行大數(shù)據(jù)分類算法改進(jìn)設(shè)計(jì)。
[0036] 進(jìn)一步地，所述步驟S2中，根據(jù)智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析 和時(shí)間序列分析融合，采用傳統(tǒng)的模糊C均值聚類方法對(duì)智能建筑中溫度傳感大數(shù)據(jù)進(jìn)行 聚類，具體為：
[0037] 智能建筑中溫度傳感大數(shù)據(jù)集合中含有n個(gè)樣本，其中樣本xi，i = 1，2，…，n的數(shù) 據(jù)類群矢量為：
[0038] Xi= (xi,X2, ??? ,Xn)T
[0039] 把數(shù)據(jù)類群適應(yīng)度值X分為K類，其中1 <K〈n，隨著聚類中心的迭代更新，模糊聚類 中心矩陣的收斂值為：
[0040] V={vij|i = l,2,---,c,j = l,2,---,s}
[0041] 其中Vi為大數(shù)據(jù)進(jìn)行分類的全局搜索從高到低不同頻率成分，定義模糊C均值下 的分解尺度為：
[0042] U={liik| i = l,2,---,c,k=l,2,---,n}
[0043] 智能建筑中溫度傳感大數(shù)據(jù)特征空間中，采用協(xié)方差搜索方法，得到模糊C均值聚 類算法的聚類目標(biāo)函數(shù)為：
[0044] UU，V) = tt,<(dlty 二 1 ￡ 二 I
[0045] 式中，m為差分進(jìn)化擾動(dòng)權(quán)重閾值，（dik)2為樣本xk與Vi的歐式距離，表示為：
[0046] (dik)2= | | xk-Vi | |2
[0047] 其中 c
[0048] = U = l,2,---,w /-二1
[0049] 結(jié)合全局最優(yōu)向量Vi=(Vii,Vi2, . . . ,ViD)的尋優(yōu)約束條件，采用自適應(yīng)特征分解 方法進(jìn)行大數(shù)據(jù)的特征尺度分解，根據(jù)采樣定理，求得模糊C均值聚類目標(biāo)函數(shù)的極值為：
[0052]根據(jù)目標(biāo)函數(shù)求最大值，由此確定模糊C均值聚類中心，在聚類中心初始值已經(jīng)給 定的情況下，根據(jù)聚類樣本數(shù)c和模糊度指標(biāo)m進(jìn)行自適應(yīng)尋優(yōu)。
[0053]進(jìn)一步地，所述步驟S2中，在傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分 擾動(dòng)，對(duì)大數(shù)據(jù)分類優(yōu)化模型進(jìn)行改進(jìn)，具體為：
[0054]引入混沌差分?jǐn)_動(dòng)因子mf，得：
[0056]其中，NP為模糊C均值聚類的溫度傳感大數(shù)據(jù)的規(guī)模大小，f(Xi)為第i個(gè)全局搜索 尺度空間上的適應(yīng)度值，7反為平均適應(yīng)度值；
[0057]利用混沌差分?jǐn)_動(dòng)進(jìn)化的差異度逐漸變小的"聚集"現(xiàn)象，進(jìn)行智能建筑中溫度傳 感大數(shù)據(jù)聚類中心收斂分析，根據(jù)混沌理論，使用Logistic混沌時(shí)間序列進(jìn)行大數(shù)據(jù)的二 叉分類，Logi s t i c混沌時(shí)間序列的形式為：
[0059]其中，A(t)為大數(shù)據(jù)的自回歸模態(tài)包絡(luò)，0(t)為擾動(dòng)誤差，參數(shù)to，K確定如下：
[0061] 采用奇異值分解方法對(duì)模糊C均值聚類后的數(shù)據(jù)進(jìn)行奇異分解，有m階大數(shù)據(jù)模糊 C均值特征正交矩陣U和n階正交矩陣V中，采用混沌差分?jǐn)_動(dòng)分類，使得： fy 〇)
[0062] A..= USV' = U L = I V ^
[0063] 其中，A為m X n維矩陣，A*A '和A '*A為主分量特征，先進(jìn)行控制參數(shù)的初始化，設(shè)定 閾值I，得到多維特征矢量空間中的NP個(gè)混沌序列分量：
[0064] Xn+l = 4xn( 1-Xn) n=l，2,…，NP
[0065] 其中，xn為輸出的大數(shù)據(jù)時(shí)間序列，在模糊C均值聚類過(guò)程中加入到個(gè)擾動(dòng)變量的 混純分量：
[0066] A xi = a+(b-a)xn n=l,2,---,NP
[0067] 其中，a為數(shù)據(jù)類別總數(shù)，b為差異性特征數(shù)，載入暫態(tài)性異常特征定位因子，產(chǎn)生 一個(gè)初始隸屬度分類擾動(dòng)變量為：
[0068] Xn,G = Xn,G+ A Xi
[0069] 其中，A Xl為信息增益，以適應(yīng)度最小的個(gè)體進(jìn)行迭代，當(dāng)誤差收斂到零，停止迭 代，由此實(shí)現(xiàn)對(duì)大數(shù)據(jù)的優(yōu)化分類。
[0070] 進(jìn)一步地，所述步驟S3中，進(jìn)行仿真分析的硬件環(huán)境為：CPU為Intel Core i3- 215,主頻為2.45GHz，操作系統(tǒng)為Windows XP，編譯軟件為VC++，數(shù)據(jù)庫(kù)的存儲(chǔ)系統(tǒng)為SQL sever；
[0071]選取智能建筑中溫度傳感大數(shù)據(jù)聚類中心的分布式衰減因子為0.25,智能溫度傳 感大數(shù)據(jù)的采樣樣本的時(shí)間間隔為〇.25s，采樣點(diǎn)數(shù)為1000點(diǎn)，在100~300采樣點(diǎn)之間有一 個(gè)200Hz的頻率分量，在400~600采樣點(diǎn)之間有一個(gè)250Hz的頻率分量，特征空間的維度設(shè) 置為30,混沌差分?jǐn)_動(dòng)范圍頻率分量為0.001，智能建筑中溫度傳感采集節(jié)點(diǎn)的個(gè)體的適應(yīng) 度值T = 5，迭代次數(shù)為1000，得到四個(gè)通道的大數(shù)據(jù)采樣時(shí)域波形
[0072] 并對(duì)智能建筑中溫度傳感大數(shù)據(jù)進(jìn)行分類特征提取，實(shí)現(xiàn)數(shù)據(jù)聚類，得到智能建 筑中溫度傳感大數(shù)據(jù)分類結(jié)果。
[0073] 與現(xiàn)有技術(shù)相比，本發(fā)明提出一種基于混沌差分?jǐn)_動(dòng)模糊C均值聚類的溫度傳感 大數(shù)據(jù)的分類模型，首先分析了智能建筑中溫度傳感大數(shù)據(jù)的分布式數(shù)據(jù)結(jié)構(gòu)模型，智能 建筑中溫度傳感大數(shù)據(jù)信息流進(jìn)行特征構(gòu)建和時(shí)間序列分析，在傳統(tǒng)的模糊C均值聚類處 理的基礎(chǔ)上，進(jìn)行混沌差分?jǐn)_動(dòng)，避免了分類過(guò)程中陷入局部收斂和局部尋優(yōu)，提高了數(shù)據(jù) 聚類性能，數(shù)據(jù)準(zhǔn)確分類的準(zhǔn)確度較高。對(duì)智能建筑中采集的溫度數(shù)據(jù)進(jìn)行自適應(yīng)信息處 理，通過(guò)數(shù)據(jù)挖掘和數(shù)據(jù)分類技術(shù)，分析各個(gè)建筑區(qū)域的溫度屬性，研究智能建筑中的溫度 傳感器網(wǎng)絡(luò)采集的大數(shù)據(jù)分類模型，在發(fā)展智能建筑、綠色建筑方面具有積極重要意義。
【附圖說(shuō)明】
[0074] 圖1是本發(fā)明的四個(gè)通道的大數(shù)據(jù)采樣時(shí)域波形。
[0075] 圖2是本發(fā)明實(shí)施例中文獻(xiàn)[1]方法下智能建筑中溫度傳感大數(shù)據(jù)分類結(jié)果。
[0076] 圖3是本發(fā)明實(shí)施例方法下智能建筑中溫度傳感大數(shù)據(jù)分類結(jié)果。
[0077] 圖4是本發(fā)明實(shí)施例中文獻(xiàn)[3]方法下智能建筑中溫度傳感大數(shù)據(jù)分類結(jié)果。
[0078] 圖5是本發(fā)明實(shí)施例中文獻(xiàn)[2]方法下智能建筑中溫度傳感大數(shù)據(jù)分類結(jié)果。
[0079] 圖6是本發(fā)明實(shí)施例中改進(jìn)算法與傳統(tǒng)算法的數(shù)據(jù)分類的誤分率對(duì)比結(jié)果示意 圖。
【具體實(shí)施方式】
[0080] 下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
[0081] 本實(shí)施例提供一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方法，具 體包括以下步驟：
[0082] 步驟S1:對(duì)智能建筑中溫度傳感大數(shù)據(jù)在數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中的分布式結(jié)構(gòu)進(jìn)行分 析，并對(duì)大數(shù)據(jù)信息流采樣非線性時(shí)間序列進(jìn)行分析，確定溫度數(shù)據(jù)信息流的特征集；
[0083] 步驟S2:根據(jù)所述步驟S1得到的智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析 和時(shí)間序列分析融合，傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分?jǐn)_動(dòng)，對(duì)大數(shù)據(jù) 分類優(yōu)化模型進(jìn)行改進(jìn)；
[0084] 步驟S3:針對(duì)改進(jìn)后的大數(shù)據(jù)分類模型在實(shí)現(xiàn)智能建筑中溫度傳感大數(shù)據(jù)優(yōu)化聚 類分析中的性能，進(jìn)行仿真分析。
[0085] 在本實(shí)施例中，為了實(shí)現(xiàn)對(duì)智能建筑中溫度傳感大數(shù)據(jù)的優(yōu)化聚類，首先需要分 析智能建筑中溫度傳感大數(shù)據(jù)在數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中的分布式結(jié)構(gòu)，在無(wú)傳感器網(wǎng)絡(luò)或者物 聯(lián)網(wǎng)環(huán)境中，智能建筑中溫度傳感大數(shù)據(jù)采用的是I/O虛擬計(jì)算機(jī)和USB接口層進(jìn)行數(shù)據(jù)存 儲(chǔ)；
[0086] 則在所述步驟S1中，溫度傳感大數(shù)據(jù)采樣與分布結(jié)構(gòu)分析具體為：
[0087] 假設(shè)在數(shù)據(jù)存儲(chǔ)空間中，對(duì)智能建筑中溫度傳感大數(shù)據(jù)存儲(chǔ)數(shù)據(jù)庫(kù)信息流進(jìn)行多 維相空間重構(gòu)，設(shè)智能建筑中溫度傳感大數(shù)據(jù)庫(kù)的分布式結(jié)點(diǎn)，節(jié)點(diǎn)存儲(chǔ)重要性加權(quán)函數(shù) 為：
[0089]調(diào)整聚類中心矢量，用輸入x(t)減去輸出變化量得到溫度傳感器節(jié)點(diǎn)采樣的變化 特征，采樣的頻率為：
[0091] 其中，to為初始采樣時(shí)間檢測(cè)，a為數(shù)據(jù)采樣的包絡(luò)幅值，K為控制參數(shù)，令A(yù)={ai， a2, ...，an}為智能建筑中溫度傳感大數(shù)據(jù)特征矢量的模糊聚類中心，構(gòu)建智能建筑中溫度 傳感大數(shù)據(jù)信息流預(yù)處理特征序列訓(xùn)練集的屬性集，B= {b^te，...，bm}為海量數(shù)據(jù)庫(kù)特征 挖掘的屬性類別集，得到特征分布的空間角度特征為：
[0092] 0i(k+l) = 0i(k)-yRe[A(k)B(k)]
[0093]其中，y是傳感大數(shù)據(jù)分布的收斂步長(zhǎng)；
[0094]則在矢量空間中進(jìn)行特征信息流分析，溫度傳感大數(shù)據(jù)采樣的分布結(jié)構(gòu)特征函數(shù) 為：
[0098] 在本實(shí)施例中，所述步驟S1中，對(duì)智能建筑中溫度傳感大數(shù)據(jù)信息流采樣非線性 時(shí)間序列進(jìn)行分析，確定溫度數(shù)據(jù)信息流的特征集具體為：
[0099] 在智能建筑中溫度傳感大數(shù)據(jù)分布式結(jié)構(gòu)的基礎(chǔ)上，提取智能建筑中溫度傳感大 數(shù)據(jù)信息流的時(shí)間序列為{X(to+iAt)}，i = 0，l，…，N-1，分布空間的聚類中心矢量根據(jù)結(jié) 構(gòu)分析得到；
[0100] 在溫度傳感器網(wǎng)絡(luò)系統(tǒng)中，設(shè)時(shí)刻t時(shí)溫度傳感大數(shù)據(jù)采樣的閾值e滿足24t<e，入 >〇；
[0101] 根據(jù)非線性時(shí)間序列分析方法，得到智能建筑中溫度傳感大數(shù)據(jù)聚類的矢量特征 狀態(tài)空間的時(shí)間軌跡狀態(tài)表達(dá)式為： x(tQ +At) … x^0,+|iC
[0102] _ x{i.〇 + JAt) x(tQ +(./ + I)Ar) +JAi) ~ [- … … ：^.q - x(t0' + - -^(^6；.+C^V -' 1)^)
[0103]式中，x(t)表示大數(shù)據(jù)的時(shí)域分布，J是指向性信息參量，m是互相關(guān)共輒嵌入維 數(shù)，At為溫度傳感大數(shù)據(jù)的采樣時(shí)間間隔；
[0104] 通過(guò)上述處理，實(shí)現(xiàn)智能建筑中溫度傳感大數(shù)據(jù)聚類信息流的時(shí)間序列模型構(gòu)建 和非線性時(shí)間序列分析。
[0105] 在此基礎(chǔ)上，構(gòu)建大數(shù)據(jù)的融合均衡控制方程為：
[0107] 其中，xo和yo為數(shù)據(jù)在存儲(chǔ)空間中的干擾信息和冗余信息，采用信號(hào)頻譜檢驗(yàn)方法 對(duì)數(shù)據(jù)聯(lián)合函數(shù)進(jìn)行匹配和融合，融合的目標(biāo)函數(shù)為：
[0108] C=Min{max( <}) )}
[0109] 其中，G表示數(shù)據(jù)包的融合度，目標(biāo)函數(shù)表示融合后在均衡化最大的程度下，融合 度最??；
[0110] 分析溫度傳感器數(shù)據(jù)結(jié)構(gòu)中各頻率分量隨時(shí)間變化的關(guān)系，引入信號(hào)的時(shí)間一頻 率聯(lián)合描述，自適應(yīng)特征匹配方法表示大數(shù)據(jù)融合的評(píng)判準(zhǔn)則為：
[0111] Cov(C)=E{[C-E(C)][C-E(C)]}
[0112]由此提高大數(shù)據(jù)分類的純度，在此基礎(chǔ)上進(jìn)行大數(shù)據(jù)分類算法改進(jìn)設(shè)計(jì)。
[0113] 在本實(shí)施例中，在進(jìn)行智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析和時(shí)間序 列分析融合的基礎(chǔ)上，進(jìn)行智能建筑中溫度傳感大數(shù)據(jù)聚類。當(dāng)前，對(duì)智能建筑中溫度傳感 大數(shù)據(jù)聚類采用模糊C均值聚類方法、K-Means聚類算法等，容易陷入局部收斂；
[0114] 所述步驟S2中，根據(jù)智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析和時(shí)間序列 分析融合，采用傳統(tǒng)的模糊C均值聚類方法對(duì)智能建筑中溫度傳感大數(shù)據(jù)進(jìn)行聚類，具體 為：
[0115] 智能建筑中溫度傳感大數(shù)據(jù)集合中含有n個(gè)樣本，其中樣本xi，i = 1，2，…，n的數(shù) 據(jù)類群矢量為：
[0116] Xi= (X1,X2, ??? ,Xn)T
[0117] 把數(shù)據(jù)類群適應(yīng)度值X分為K類，其中1 <K〈n，隨著聚類中心的迭代更新，模糊聚類 中心矩陣的收斂值為：
[0118] v={Vij | i = i，2,…，c，j = l，2,…，s}
[0119] 其中Vi為大數(shù)據(jù)進(jìn)行分類的全局搜索從高到低不同頻率成分，定義模糊C均值下 的分解尺度為：
[0120] U={iiik| i = l,2,---,c,k=l,2,---,n}
[0121] 智能建筑中溫度傳感大數(shù)據(jù)特征空間中，采用協(xié)方差搜索方法，得到模糊C均值聚 類算法的聚類目標(biāo)函數(shù)為：
[0122] Jm(U,V) = Yt^：(dikf 左二-1 /:1
[0123] 式中，m為差分進(jìn)化擾動(dòng)權(quán)重閾值，（dik)2為樣本》與1的歐式距離，表示為：
[0124] (dik)2= | | xk-Vi | |2
[0125] 其中 e-
[0126] =1 大.=1,:2, /?二-1
[0127] 結(jié)合全局最優(yōu)向量Vi=(Vil，Vi2, . . .，ViD)的尋優(yōu)約束條件，采用自適應(yīng)特征分解 方法進(jìn)行大數(shù)據(jù)的特征尺度分解，根據(jù)采樣定理，求得模糊C均值聚類目標(biāo)函數(shù)的極值為：

[0130] 根據(jù)目標(biāo)函數(shù)求最大值，由此確定模糊C均值聚類中心，在聚類中心初始值已經(jīng)給 定的情況下，根據(jù)聚類樣本數(shù)c和模糊度指標(biāo)m進(jìn)行自適應(yīng)尋優(yōu);但是，從上述方法可見(jiàn)，一 旦溫度數(shù)據(jù)差異較小，冗余數(shù)據(jù)較多，公式
很難計(jì)算出合適的距離特征 作為分類閥值，傳統(tǒng)的C均值聚類算法進(jìn)行溫度傳感大數(shù)據(jù)聚類時(shí)，容易陷入局部收斂，得 到的局部最優(yōu)解不能滿足準(zhǔn)確分類的需求，需要進(jìn)行算法改進(jìn)。
[0131] 在本實(shí)施例中，所述步驟S2中，在傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌 差分?jǐn)_動(dòng)，對(duì)大數(shù)據(jù)分類優(yōu)化模型進(jìn)行改進(jìn)，具體為：
[0132] 弓丨入混沌差分?jǐn)_動(dòng)因子mf，得：
[0134] 其中，NP為模糊C均值聚類的溫度傳感大數(shù)據(jù)的規(guī)模大小，f(Xi)為第i個(gè)全局搜索 尺度空間上的適應(yīng)度值，/(的為平均適應(yīng)度值；
[0135] 利用混沌差分?jǐn)_動(dòng)進(jìn)化的差異度逐漸變小的"聚集"現(xiàn)象，進(jìn)行智能建筑中溫度傳 感大數(shù)據(jù)聚類中心收斂分析，根據(jù)混沌理論，使用Logistic混沌時(shí)間序列進(jìn)行大數(shù)據(jù)的二 叉分類，Logi s t i c混沌時(shí)間序列的形式為：
[0137]其中，A(t)為大數(shù)據(jù)的自回歸模態(tài)包絡(luò)，0(t)為擾動(dòng)誤差，參數(shù)to，K確定如下：
[0139] 采用奇異值分解方法對(duì)模糊C均值聚類后的數(shù)據(jù)進(jìn)行奇異分解，有m階大數(shù)據(jù)模糊 C均值特征正交矩陣U和n階正交矩陣V中，采用混沌差分?jǐn)_動(dòng)分類，使得： fy
[0140] A = USV' = U ^ ； V',U*U' = I,V*V' = I v 〇 ^ J
[0141] 其中，A為m X n維矩陣，A*A '和A '*A為主分量特征，先進(jìn)行控制參數(shù)的初始化，設(shè)定 閾值I，得到多維特征矢量空間中的NP個(gè)混沌序列分量：
[0142] Xn+l = 4xn( l~Xn) n=l，2,…，NP
[0143] 其中，xn為輸出的大數(shù)據(jù)時(shí)間序列，在模糊C均值聚類過(guò)程中加入到個(gè)擾動(dòng)變量的 混純分量：
[0144] A xi = a+(b-a)xn n=l,2,---,NP
[0145] 其中，a為數(shù)據(jù)類別總數(shù)，b為差異性特征數(shù)，載入暫態(tài)性異常特征定位因子，產(chǎn)生 一個(gè)初始隸屬度分類擾動(dòng)變量為：
[0146] Xn,G = Xn,G+ A Xi
[0147] 其中，A Xl為信息增益，以適應(yīng)度最小的個(gè)體進(jìn)行迭代，當(dāng)誤差收斂到零，停止迭 代，由此實(shí)現(xiàn)對(duì)大數(shù)據(jù)的優(yōu)化分類。
[0148] 在本實(shí)施例中，所述步驟S3中，為了測(cè)試本文設(shè)計(jì)的大數(shù)據(jù)分類模型在實(shí)現(xiàn)智能 建筑中溫度傳感大數(shù)據(jù)優(yōu)化聚類分析中的性能，進(jìn)行仿真分析的硬件環(huán)境為:CPU為Intel Core i3-215,主頻為2.45GHz，操作系統(tǒng)為Windows XP，編譯軟件為VC++，數(shù)據(jù)庫(kù)的存儲(chǔ)系 統(tǒng)為SQL sever;
[0149] 選取智能建筑中溫度傳感大數(shù)據(jù)聚類中心的分布式衰減因子為0.25,智能溫度傳 感大數(shù)據(jù)的采樣樣本的時(shí)間間隔為〇.25s，采樣點(diǎn)數(shù)為1000點(diǎn)，在100~300采樣點(diǎn)之間有一 個(gè)200Hz的頻率分量，在400~600采樣點(diǎn)之間有一個(gè)250Hz的頻率分量，特征空間的維度設(shè) 置為30,混沌差分?jǐn)_動(dòng)范圍頻率分量為0.001，智能建筑中溫度傳感采集節(jié)點(diǎn)的個(gè)體的適應(yīng) 度值T = 5,迭代次數(shù)為1000,得到四個(gè)通道的大數(shù)據(jù)采樣時(shí)域波形，如圖1所示。
[0150] 在本實(shí)施例中，給出如下參考文獻(xiàn):文獻(xiàn)[1]鄧中亮，張森杰，焦繼超，徐連明.基于 高精度室內(nèi)位置感知的大數(shù)據(jù)研究與應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2016,36(2):295-300;文獻(xiàn)[2] 劉經(jīng)南，方媛，郭遲，等.位置大數(shù)據(jù)的分析處理研究進(jìn)展[J].武漢大學(xué)學(xué)報(bào)?信息科學(xué)版， 2014,39(4):379-385;文獻(xiàn)[3]吳鴻華，穆勇，屈忠鋒，鄧麗霞.基于面板數(shù)據(jù)的接近性和相 似性關(guān)聯(lián)度模型[J].控制與決策，2016,31(03): 555-558;文獻(xiàn)[4]張博，郝杰，馬剛，岳金 朋，等.混合概率典型相關(guān)性分析[J].計(jì)算機(jī)研究與發(fā)展，2015，52(7): 1463-1476;文獻(xiàn)[5] 吳濤陳黎飛郭躬德.優(yōu)化子空間的高維聚類算法[J].計(jì)算機(jī)應(yīng)用，
[0151] 以上述大數(shù)據(jù)采樣結(jié)果為研究對(duì)象，對(duì)智能建筑中溫度傳感大數(shù)據(jù)進(jìn)行分類特征 提取，實(shí)現(xiàn)數(shù)據(jù)聚類，得到智能建筑中溫度傳感大數(shù)據(jù)分類結(jié)果如圖2至圖5所示。從圖2至 圖5可見(jiàn)，采用本文方法進(jìn)行智能建筑中溫度傳感大數(shù)據(jù)聚類，可以正確分析出四個(gè)通道的 數(shù)據(jù)分類過(guò)程，通過(guò)提取數(shù)據(jù)集的屬性特征，提高了數(shù)據(jù)聚類中心的收斂能力，而參考文獻(xiàn) 中方法都沒(méi)有正確分析出四個(gè)通道的分類結(jié)果，誤差較為明顯。
[0152] 把智能建筑溫度傳感大數(shù)據(jù)輸入的本文設(shè)計(jì)的數(shù)據(jù)分量類系統(tǒng)中，在數(shù)據(jù)分類的 基礎(chǔ)上，對(duì)智能建筑中溫度傳感大數(shù)據(jù)信息流進(jìn)行特征融合處理，提高智能建筑中溫度傳 感大數(shù)據(jù)分類能力。為了定量分析算法性能，采用10000次蒙特卡洛實(shí)驗(yàn)，以智能建筑中溫 度傳感大數(shù)據(jù)分類的誤分率為測(cè)試指標(biāo)，采用本實(shí)施例的算法和參考文獻(xiàn)中的傳統(tǒng)算法進(jìn) 行對(duì)比，得到對(duì)比結(jié)果如圖6所示，從圖可見(jiàn)，采用本實(shí)施例的算法進(jìn)行數(shù)據(jù)分類的誤分率 較低，性能優(yōu)于傳統(tǒng)算法。
[0153] 以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與 修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。
【主權(quán)項(xiàng)】
1. 一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方法，其特征在于:具體 包括以下步驟： 步驟SI:對(duì)智能建筑中溫度傳感大數(shù)據(jù)在數(shù)據(jù)庫(kù)存儲(chǔ)系統(tǒng)中的分布式結(jié)構(gòu)進(jìn)行分析， 并對(duì)大數(shù)據(jù)信息流采樣非線性時(shí)間序列進(jìn)行分析，確定溫度數(shù)據(jù)信息流的特征集； 步驟S2:根據(jù)所述步驟Sl得到的智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析和時(shí) 間序列分析融合，傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分?jǐn)_動(dòng)，對(duì)大數(shù)據(jù)分類 優(yōu)化模型進(jìn)行改進(jìn)； 步驟S3:針對(duì)改進(jìn)后的大數(shù)據(jù)分類模型在實(shí)現(xiàn)智能建筑中溫度傳感大數(shù)據(jù)優(yōu)化聚類分 析中的性能，進(jìn)行仿真分析。2. 根據(jù)權(quán)利要求1所述的一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方 法，其特征在于:所述步驟Sl中，溫度傳感大數(shù)據(jù)采樣與分布結(jié)構(gòu)分析具體為： 假設(shè)在數(shù)據(jù)存儲(chǔ)空間中，對(duì)智能建筑中溫度傳感大數(shù)據(jù)存儲(chǔ)數(shù)據(jù)庫(kù)信息流進(jìn)行多維相 空間重構(gòu)，設(shè)智能建筑中溫度傳感大數(shù)據(jù)庫(kù)的分布式結(jié)點(diǎn)，節(jié)點(diǎn)存儲(chǔ)重要性加權(quán)函數(shù)為：調(diào)整聚類中心矢量，用輸入x(t)減去輸出變化量得到溫度傳感器節(jié)點(diǎn)采樣的變化特 征，采樣的頻率為：其中，to為初始采樣時(shí)間檢測(cè)，a為數(shù)據(jù)采樣的包絡(luò)幅值，K為控制參數(shù)，令A(yù)= {ai， a2, ...，an}為智能建筑中溫度傳感大數(shù)據(jù)特征矢量的模糊聚類中心，構(gòu)建智能建筑中溫度 傳感大數(shù)據(jù)信息流預(yù)處理特征序列訓(xùn)練集的屬性集，B= Ib^b2, ...，bm}為海量數(shù)據(jù)庫(kù)特征 挖掘的屬性類別集，得到特征分布的空間角度特征為： 9i(k+l) = 9i(k)-yRe[A(k)B(k)] 其中，μ是傳感大數(shù)據(jù)分布的收斂步長(zhǎng)； 則在矢量空間中進(jìn)行特征信息流分析，溫度傳感大數(shù)據(jù)采樣的分布結(jié)構(gòu)特征函數(shù)為：3. 根據(jù)權(quán)利要求1所述的一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方 法，其特征在于:所述步驟Sl中，對(duì)智能建筑中溫度傳感大數(shù)據(jù)信息流采樣非線性時(shí)間序列 進(jìn)行分析，確定溫度數(shù)據(jù)信息流的特征集具體為： 在智能建筑中溫度傳感大數(shù)據(jù)分布式結(jié)構(gòu)的基礎(chǔ)上，提取智能建筑中溫度傳感大數(shù)據(jù) 信息流的時(shí)間序列為{X(to+i Δ t)}，i = 0，1，…，N-I，分布空間的聚類中心矢量根據(jù)結(jié)構(gòu)分 析得到； 在溫度傳感器網(wǎng)絡(luò)系統(tǒng)中，設(shè)時(shí)刻t時(shí)溫度傳感大數(shù)據(jù)采樣的閾值ε滿足24?<ε，λ>〇; 根據(jù)非線性時(shí)間序列分析方法，得到智能建筑中溫度傳感大數(shù)據(jù)聚類的矢量特征狀態(tài) 空間的時(shí)間軌跡狀態(tài)表達(dá)式為：式中，X(t)表示大數(shù)據(jù)的時(shí)域分布，J是指向性信息參量，m是互相關(guān)共輒嵌入維數(shù)，At 為溫度傳感大數(shù)據(jù)的采樣時(shí)間間隔； 通過(guò)上述處理，實(shí)現(xiàn)智能建筑中溫度傳感大數(shù)據(jù)聚類信息流的時(shí)間序列模型構(gòu)建和非 線性時(shí)間序列分析。 在此基礎(chǔ)上，構(gòu)建大數(shù)據(jù)的融合均衡控制方程為：其中，XO和yo為數(shù)據(jù)在存儲(chǔ)空間中的干擾信息和冗余信息，采用信號(hào)頻譜檢驗(yàn)方法對(duì)數(shù) 據(jù)聯(lián)合函數(shù)進(jìn)行匹配和融合，融合的目標(biāo)函數(shù)為： C=Min{max( Φ )} 其中，C1表示數(shù)據(jù)包的融合度，目標(biāo)函數(shù)表示融合后在均衡化最大的程度下，融合度最 ??； 分析溫度傳感器數(shù)據(jù)結(jié)構(gòu)中各頻率分量隨時(shí)間變化的關(guān)系，引入信號(hào)的時(shí)間一頻率聯(lián) 合描述，自適應(yīng)特征匹配方法表示大數(shù)據(jù)融合的評(píng)判準(zhǔn)則為： Cov(C) =E{ [C-E(C)] [C-E(C) ]} 由此提高大數(shù)據(jù)分類的純度，在此基礎(chǔ)上進(jìn)行大數(shù)據(jù)分類算法改進(jìn)設(shè)計(jì)。4.根據(jù)權(quán)利要求1所述的一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方 法，其特征在于:所述步驟S2中，根據(jù)智能建筑中溫度傳感大數(shù)據(jù)聚類的數(shù)據(jù)結(jié)構(gòu)分析和時(shí) 間序列分析融合，采用傳統(tǒng)的模糊C均值聚類方法對(duì)智能建筑中溫度傳感大數(shù)據(jù)進(jìn)行聚類， 具體為： 智能建筑中溫度傳感大數(shù)據(jù)集合中含有η個(gè)樣本，其中樣本Xl，i = l，2,…，η的數(shù)據(jù)類群 矢量為： Xi= (XI，Χ2，…，Χη)Τ 把數(shù)據(jù)類群適應(yīng)度值X分為K類，其中1〈Κ〈η，隨著聚類中心的迭代更新，模糊聚類中心 矩陣的收斂值為： V=IvijI i = l，2,…，c，j = l，2，."，s} 其中V1為大數(shù)據(jù)進(jìn)行分類的全局搜索從高到低不同頻率成分，定義模糊C均值下的分解 尺度為： U={yik| i = l,2,---,c,k=l,2,···,]!} 智能建筑中溫度傳感大數(shù)據(jù)特征空間中，采用協(xié)方差搜索方法，得到模糊C均值聚類算 法的聚類目標(biāo)函數(shù)為：式中，m為差分進(jìn)化擾動(dòng)權(quán)重閾值，（dik)2為樣本Xk與Vi的歐式距離，表示為： (Cl1O2=IIxk-V1II2 其中結(jié)合全局最優(yōu)向量Vi = ( Vil，Vi2，…，ViD)的尋優(yōu)約束條件，采用自適應(yīng)特征分解方法進(jìn) 行大數(shù)據(jù)的特征尺度分解，根據(jù)采樣定理，求得模糊C均值聚類目標(biāo)函數(shù)的極值為：根據(jù)目標(biāo)函數(shù)求最大值，由此確定模糊C均值聚類中心，在聚類中心初始值已經(jīng)給定的 情況下，根據(jù)聚類樣本數(shù)C和模糊度指標(biāo)m進(jìn)行自適應(yīng)尋優(yōu)。5.根據(jù)權(quán)利要求1所述的一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方 法，其特征在于:所述步驟S2中，在傳統(tǒng)的模糊C均值聚類處理的基礎(chǔ)上，引入混沌差分?jǐn)_ 動(dòng)，對(duì)大數(shù)據(jù)分類優(yōu)化模型進(jìn)行改進(jìn)，具體為： 引入混沌差分?jǐn)_動(dòng)因子mf，得：其中，NP為模糊C均值聚類的溫度傳感大數(shù)據(jù)的規(guī)模大小，f(Xl)為第i個(gè)全局搜索尺度 空間上的適應(yīng)度值，為平均適應(yīng)度值； 利用混沌差分?jǐn)_動(dòng)進(jìn)化的差異度逐漸變小的"聚集"現(xiàn)象，進(jìn)行智能建筑中溫度傳感大 數(shù)據(jù)聚類中心收斂分析，根據(jù)混沌理論，使用Logistic混沌時(shí)間序列進(jìn)行大數(shù)據(jù)的二叉分 類，Logi st i c混沌時(shí)間序列的形式為：其中，A(t)為大數(shù)據(jù)的自回歸模態(tài)包絡(luò)，0(t)為擾動(dòng)誤差，參數(shù)to,K確定如下：采用奇異值分解方法對(duì)模糊C均值聚類后的數(shù)據(jù)進(jìn)行奇異分解，有m階大數(shù)據(jù)模糊C均 值特征正交矩陣U和η階正交矩陣V中，采用混沌差分?jǐn)_動(dòng)分類，使得：其中，A為mXn維矩陣，Α*Α'和Α'*Α為主分量特征，先進(jìn)行控制參數(shù)的初始化，設(shè)定閾值 ξ，得到多維特征矢量空間中的NP個(gè)混沌序列分量： Xn+l = 4Xn (I-Xn) Π = 1,2,'",NP 其中，Xn為輸出的大數(shù)據(jù)時(shí)間序列，在模糊C均值聚類過(guò)程中加入到個(gè)擾動(dòng)變量的混沌 分量： Δ xi = a+(b-a)xn η= 1,2, ··· ,NP 其中，a為數(shù)據(jù)類別總數(shù)，b為差異性特征數(shù)，載入暫態(tài)性異常特征定位因子，產(chǎn)生一個(gè) 初始隸屬度分類擾動(dòng)變量為： Xn, G - Xn，G+ Δ Xi 其中，A Xl為信息增益，以適應(yīng)度最小的個(gè)體進(jìn)行迭代，當(dāng)誤差收斂到零，停止迭代，由 此實(shí)現(xiàn)對(duì)大數(shù)據(jù)的優(yōu)化分類。6.根據(jù)權(quán)利要求1所述的一種智能建筑中溫度傳感大數(shù)據(jù)的分類優(yōu)化模型仿真分析方 法，其特征在于:所述步驟S3中，進(jìn)行仿真分析的硬件環(huán)境為:CPU為Intel Core i3-215,主 頻為2.45GHz，操作系統(tǒng)為Windows XP，編譯軟件為VC++，數(shù)據(jù)庫(kù)的存儲(chǔ)系統(tǒng)為SQL sever; 選取智能建筑中溫度傳感大數(shù)據(jù)聚類中心的分布式衰減因子為0.25,智能溫度傳感大 數(shù)據(jù)的采樣樣本的時(shí)間間隔為〇.25s，采樣點(diǎn)數(shù)為1000點(diǎn)，在100~300采樣點(diǎn)之間有一個(gè) 200Hz的頻率分量，在400~600采樣點(diǎn)之間有一個(gè)250Hz的頻率分量，特征空間的維度設(shè)置 為30，混沌差分?jǐn)_動(dòng)范圍頻率分量為0.001，智能建筑中溫度傳感采集節(jié)點(diǎn)的個(gè)體的適應(yīng)度 值T = 5，迭代次數(shù)為1000，得到四個(gè)通道的大數(shù)據(jù)采樣時(shí)域波形 并對(duì)智能建筑中溫度傳感大數(shù)據(jù)進(jìn)行分類特征提取，實(shí)現(xiàn)數(shù)據(jù)聚類，得到智能建筑中 溫度傳感大數(shù)據(jù)分類結(jié)果。
【文檔編號(hào)】G06K9/62GK105930860SQ201610227122
【公開(kāi)日】2016年9月7日
【申請(qǐng)日】2016年4月13日
【發(fā)明人】張福泉
【申請(qǐng)人】閩江學(xué)院