(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110623651.6 (22)申请日 2021.06.04 (65)同一申请的已公布的文献号 申请公布号 CN 113361194 A (43)申请公布日 2021.09.07 (73)专利权人 安徽农业大 学 地址 230036 安徽省合肥市长江西路13 0号 (72)发明人 饶元　王文　金秀　李绍稳　朱军　 梁惠　 (74)专利代理 机构 安徽知问律师事务所 34134 专利代理师 代群群 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G01K 15/00(2006.01)(56)对比文件 CN 103837300 A,2014.0 6.04 CN 111796064 A,2020.10.20 审查员 李思彤 (54)发明名称 一种基于深度学习的传感器漂移校准方法、 电子设备及存 储介质 (57)摘要 本发明公开了一种基于深度学习的传感器 漂移校准方法、 电子设备及存储介质， 属于传感 器校准技术领域。 该方法采用数据增广方法扩充 数据样本， 为传感器漂移校准提供了数据保障， 所提出的传感器漂移校准方法包括漂移特征提 取和漂移校准两个部分， 分别对应于漂移特征提 取模块和校准模块。 漂移特征提取模块通过多尺 度卷积层提取数据中隐藏在不同尺度上时间和 频率的漂移关键特征， 为校准模块奠定基础； 校 准模块采用基于自注意力的一维残差卷积神经 网络有效利用邻近传感器间数据相关性对漂移 数据进行漂移补偿， 能够同时校准传感器群组中 多个传感器的漂移。 该方法能充分利用数据的时 间和空间特征， 有效提取数据中的漂移特征， 提 高了数据采集质量。 权利要求书2页 说明书12页 附图6页 CN 113361194 B 2022.10.04 CN 113361194 B 1.一种基于深度学习的传感器 漂移校准方法， 其特 征在于， 该 方法包括： 获取待校准的数据， 利用漂移特征提取模块提取所述待校准数据的漂移特征， 校准模 块根据所述漂移特 征对待校准的数据进行漂移补偿并输出对应的校准数据； 其中， 所述校准模块为使用多组数据通过深度学习训练得出的； 多组数据是通过数据 增广方法得到， 多组数据包括含漂移数据集、 无漂移数据集以及漂移量仿真数据集； 利用多尺度一维卷积神经网络构建漂移数据 特征提取模块， 所述的多尺度一维卷积神 经网络输入端连接1个一 维卷积层， 所述一 维卷积层的输出作为多尺度卷积模块的输入， 所 述多尺度卷积模块包含两层多尺度卷积层， 每层多尺度卷积层分别含有3个不同卷积核尺 寸的一维卷积层， 每个一 维卷积层都包括卷积操作、 批量归一化， 再经过激活函数映射后的 输出进行最大池化操作， 将所述多尺度卷积模块提取 的特征融合为一组特征向量， 所述特 征向量连接1个一 维卷积层， 所述一 维卷积层输出结果作为特征提取模块的输出； 其中漂移 数据特征提取模块采用含漂移数据集和漂移量仿真数据集进行训练。 2.根据权利要求1所述的一种基于深度 学习的传感器漂移校准方法， 其特征在于， 所述 校准模块构建步骤 包括： 采用基于自注意力的一维残差卷积神经网络构建校准模块， 在所述的基于自注意力的 一维残差卷积神经网络的输入端连接1个一维卷积层， 所述一维卷积层的输出作为残差模 块的输入， 与残差模块输出相连接的一维卷积层用于调整输出尺寸； 残差模块的输入端连 接多个相互串连的一维卷积层， 对于每 个一维卷积层中包括卷积 操作、 批量归一 化； 其中多个相互串连的一维卷积层中的最后一个一维卷积层的输出包含两个分支， 其中 一个分支连接自注 意力模块中的挤压 ‑激励模块， 另一个分支与挤压 ‑激励模块的输出结果 做乘积， 乘积结果作为自注意力模块的输出； 挤压 ‑激励模块中主要包括全局池化层和两个 全连接层， 其中第一个全连接层输出采用的激活函数为Relu， 第二个全连接层输出采用 Sigmoid函数作为激活函数； 所述的基于自注意力的一维残差卷积神经网络采用至少 包括 含漂移数据集和无漂移数据集进行训练。 3.根据权利要求2所述的一种基于深度 学习的传感器漂移校准方法， 其特征在于， 所述 数据增广方法包括： 部署已校准的传感器， 构建目标感知场； 将目标感知场内由多个已校准传感器采集的时间序列 数据构建为二维矩阵， 作为无漂 移数据矩阵X， 其中无漂移数据 矩阵X中的各矩阵行数据分别对应感知场内各传感器采集数 据， 利用随机裁剪法将所述无漂移数据矩阵裁剪为多个数据矩阵， 将所裁剪得到的任一裁 剪数据矩阵记为Xl， 从单个所裁剪的数据矩阵Xl中依据矩阵内各行对应传 感器在感知场中 的位置， 选择其中一个传感器作为基准， 按照其余传感器到基准传感器间的欧式距离由小 到大地选取多个邻近传感器， 选择包括基准传感器在内的各传感器对应裁剪数据矩阵Xl中 的矩阵行 数据构建成邻近传感器数据矩阵， 确定无漂移数据样本Xb； 依据所述无漂移数据矩阵裁剪的数据矩阵大小利用含趋势项的非平稳随机游走过程 对无漂移传感器数据进行漂移过程仿真， 选取多种符合漂移特性的函数模型作为趋势项， 获取传感器漂移量仿真矩阵D1， 从漂移量仿真矩阵D1中选取和无漂移数据样本Xb相同位置 和尺寸的漂移量矩阵， 确定漂移量仿真数据样本Db； 将无漂移数据样本Xb与漂移量仿真数据样本Db执行矩阵相加获得含漂移数据样本 Yb；权　利　要　求　书 1/2 页 2 CN 113361194 B 2采用多个漂移量仿真数据样本Db组成漂移量仿真数据集DM； 采用多个含漂移数据样本 Yb组成含漂移数据集YM。 4.根据权利要求3所述的一种基于深度学习的传感器 漂移校准方法， 其特 征在于： 采用多个无漂移数据样本Xb组成无漂移数据集XM； 将无漂移数据集XM、 漂移量仿真数据集DM和含漂移数据集YM分别各自划分一部分作为 卷积神经网络训练集， 另一部分作为卷积神经网络测试集， 所述训练集与测试集之间无交 叉。 5.根据权利要求4所述的一种基于深度 学习的传感器漂移校准方法， 其特征在于， 所述 漂移特征提取模块训练步骤 包括： 在训练由多尺度一维卷积神经网络构建漂移特征提取模块 时， 输入为训练集中的含漂 移数据样本Yb， 采用对应的漂移量仿真数据样本Db作为漂移特征提取模块的输出 真值， 特征 提取模块的输出为漂移估计矩阵 采用均方误差函数作为特征提取模块损失函数提取 含漂移数据中的漂移特 征； 其中， 所述漂移特 征提取模块的多尺度一维卷积神经网络的损失函数为： 式中 表示特征提取函数， m为 从漂移量仿 真数据集DM和含漂移数据集YM中划分的训 练集中含有漂移量仿真数据样本Db和含漂移数据样本 Yb的个数。 6.根据权利要求5所述的一种基于深度 学习的传感器漂移校准方法， 其特征在于， 所述 校准模块训练步骤 包括： 在训练由基于自注意力的一维残差卷积神经网络构建校准模块 时， 先计算含漂移数据 集中迭代输入的各个含漂移数据样本Yb与其对应的特征提取模块迭代输出的各漂移估计 矩阵 之间的矩阵差， 再将其作为校准模块的输入； 采用无漂移数据 样本Xb作为校准模 块的输出真值， 校准模块的输 出即为校准数据； 校准 网络损失函数采用均方误差函数， 达 到数据漂移补偿的目的， 所设计校准模块损失应为： 其中， Lc表示校准模块的损失， 表示校准模块中漂移校准函数， m为无漂移数据集划 分的训练集中含有无漂移数据样本Xb的个数。 7.一种电子设备， 其特征在于， 包括处理器、 输入设备、 输出设备和存储器， 所述处理 器、 输入设备、 输出设备和存储器依次连接， 所述存储器用于存储计算机程序， 所述计算机 程序包括程序指 令， 所述处理器被配置用于调用所述程序指 令， 执行如权利要求 1‑6任一项 所述的方法。 8.一种可读存储介质， 其特征在于， 所述存储介质存储有计算机程序， 所述计算机程序 包括程序指令， 所述程序指令当被处理器执行时使所述处理器执行如权利要求1 ‑6任一项 所述的方法。权　利　要　求　书 2/2 页 3 CN 113361194 B 3