本发明涉及一种传感器数据校准特征的提取和评估方法，特别是静态和动态环境的部署、利用数据融合求速度以及线性特征和非线性特征的重要性评估方法。
背景技术：
基于大规模传感网络的城市感知，为智慧城市提供了细粒度和多维度的数据信息，并逐渐成为城市大数据的主要来源。随着传感器技术的兴起，新一代的，低成本的，便携式传感器逐渐走进了人们的生活。这些传感器以电化学的传感器为主，逐步被工业界和学术界用在了大规模无线网络的城市感知当中。然而由于受到时间偏移，环境因素，移动场景等方面的影响，这些传感器具有低精度,测量值偏移和传感器读数与真实值的弱相关性等问题。这些特性表明，即使有出厂的校准，为了确保数据的准确性定期的重校准是必须的。在城市空气质量监测等任务中，可靠的数据可以帮助人们更好地决策和规划，因此传感器数据的校准成为了一个非常重要的问题。我们需要对传感器的数据进行校准，校准的工作的就是为了最小化偏差。
“Pre-Deployment Testing,Augmentation and Calibration of Cross-Sensitive Sensors”中指出不同传感器的数据之间具有相关性，搭建了多传感器的测试平台来验证不同传感器数据之间的相关性，包括温湿度，臭氧，二氧化氮，PM2.5等传感器。实验结果表明大部分气体传感器的数据和温湿度具有相关性，二氧化氮的传感器和臭氧传感器的读数具有很明显的相关性。基于数据相关性，作者提出了基于多元最小二乘法(MLS)的校准方法来融合多传感器的数据进行校准。其中搭建的交叉测试平台并没有针对移动场景下，也没有对校准特征进行提取和评估。
针对“Pre-Deployment Testing,Augmentation and Calibration of Cross-Sensitive Sensors”中缺点，本文提出了针对静态环境和移动环境的，部署，特征提取和评估方法。
技术实现要素：
本发明要克服现有技术的上述缺点,提供了一种传感器数据校准特征的提取和评估方法。
为实现以上目的，本发明所采取的技术方案是：一种传感器数据校准特征的提取和评估方法，包括以下步骤：
步骤1，交叉测试平台的搭建，包括：
(1.1)选择设备，需要被校准的传感器阵列和它们各自对应的高精度测量仪器以及其他相关的传感器阵列。
(1.2)设备部署，主要包括静态部署和动态部署。
(1.2.1)静态部署，对于在静止场景下传感器阵列，连同高精度的参考仪器和其他传感器部署在静态环境中。
(1.2.1)动态部署，对于在移动场景下传感器阵列和连同其他传感器集成在一起，连同对应的高精度参考仪器部署在移动的车辆上。
(1.3)数据采集，通过相应的通信模块将传感器和参考仪器采集的数据传回云端。
步骤2，移动场景下的速度特征估计，包括：
(2.1)集成运动传感器，包括加速度计模块和GPS模块。
(2.2)分别建立加速度计和GPS模块在估计速度上的等式。
(2.2.1)通过加速度求速度，速度通过加速度在时间上的积分得到。
(2.2.2)通过GPS求速度，速度可以通过GPS位移在时间上求导得到
(2.3)通过数据融合求速度，利用数据融合方法对两个速度的估计进行融
合来得到最优的估计值。
步骤3，特征提取和评估，包括：
(3.1)数据预处理，主要包括数据的标准化和归一化，去噪。
(3.2)生成时空一致性数据样本，对于每个需要被校准的传感器，将其他传感器的数据作为特征，传感器对应高精度仪器的测试作为标记，生成时空上一致的数据样本。
(3.3)对于每组数据样本，运用相关的方法对特征的重要性进行评估。包括线性特征评估方法和非线性特征评估方法。
(3.2.1)线性特征评估，线性特征的重要性评估使用最小二乘的求得一次项系数和皮尔森系数进行评估。
(3.2.2)非线性特征评估，非线性特征的重要性评估采用分类决策树的方法进行评估。
本发明的有益效果是：本方法针对静止环境和移动环境，分别进行相关设备的部署。对移动场景下的速度特征，进行了准确的估计。对于校准的线性特征和非线性特征分别进行重要性评估。
附图说明
图1是本发明方法的工作流程图。
具体实施方式
下面结合附图对本发明作进一步描述。本发明的具体实施方式如下：
步骤1，交叉测试平台的搭建，包括：
(1.1)选择设备，需要被校准的传感器阵列和它们各自对应的高精度测量仪器以及其他相关的传感器阵列。相关传感器包括温度，湿度，气压，光照，压强和声音等观测现象的传感器。
(1.2)设备部署，主要包括静态部署和动态部署。移动场景下，需要集成GPS传感器和加速度传感器。
(1.2.1)静态部署，对于在静止场景下传感器阵列，连同高精度的参考仪器和其他传感器部署在静态环境中。
(1.2.1)动态部署，对于在移动场景下传感器阵列和连同其他传感器集成在一起，连同对应的高精度参考仪器部署在移动的车辆上。
(1.3)数据采集，通过相应的通信模块将传感器和参考仪器采集的数据传回云端。数据传输方式通过GPRS模块传输。
步骤2，移动场景下的速度特征估计，包括：
(2.1)集成运动传感器，包括加速度计模块和GPS模块。
(2.2)分别建立加速度计和GPS模块在估计速度上的等式。
(2.2.1)通过加速度求速度，速度通过加速度在时间上的积分得到。如下所示:
V[t]是t时刻的速度，A表示加速度，u[t]是有加速度传感器测量误差导致的过程噪声。
(2.2.2)通过GPS求速度，速度可以通过GPS位移在时间上求导得到，如下所示：
V[t]＝X[t]+v[t] 公式(2)
X[t]是通过GPS得到的速度的估计值，v[t]是有GPS测量误差导致观测噪声。
(2.3)通过数据融合求速度，利用数据融合相关方法对两个速度的估计进行
融合来得到最优的估计值。
步骤3，特征提取和评估，包括：
(3.1)数据预处理，主要包括数据的标准化和归一化，去噪。对于去噪采取信号重建的方法，把真实信号视为x∈Rn(n表示信号的长度)，假设信号受到额外噪声v的扰动，xcor＝x+v，其中是由传感器上传的原始信号，本文简单的假设噪声v是视为未知，较小和迅速变化的随xcor机变量。这里的目标是在已知xcor的情况下，得到x的估计值
信号重建[42]可以被形式化为下面标准的问题
最小化
其中是需要被优化的目标，xcor是优化问题的参数。函数φ：Rn→R是一个收敛函数，这里它是光滑目标函数，它的值可以粗糙程度的度量。优化问题试图寻找接近于原始信号(xcor)，同时又光滑(较小)的
(3.2)生成时空一致性数据样本，对于每个需要被校准的传感器，将其他传感器的数据作为特征，传感器对应高精度仪器的测试作为标记，生成时空上一致的数据样本。
(3.3)对于每组数据样本，运用相关的方法对特征的重要性进行评估。包括线性特征评估方法和非线性特征评估方法。
(3.2.1)线性特征评估，线性特征的重要性评估使用最小二乘的求得一次项系数和皮尔森系数进行评估。
(3.2.2)非线性特征评估，非线性特征的重要性评估采用分类决策树的方法进行评估。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。