一种基于物联网的数据显示后台系统的制作方法

技术特征：

1.一种基于物联网的数据显示后台系统，其特征在于，所述基于物联网的数据显示后台系统包括Zigbee传感器网络模块、主线程模块、分线程模块、Android模块；

所述主线程模块、分线程模块集成安装在所述Android模块内；

所述分线程模块用于向Zigbee传感器网络模块发送联网请求，分线程模块得到Zigbee传感器网络模块返回的数据，发送给主线程模块；

所述主线程模块用于显示和更新分线程模块得到的Zigbee传感器网络模块返回的数据；

所述主线程模块内置用于Json数据解析的Gson模块。

2.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述传感器的输出电压温度预测模型为：

V_Tλ＝a+bV_25λ+cT+dT²+eT³+fT⁴+gT·V_25λ (1)

T为摄氏温度，V_Tλ为温度T下λ波段上行光或下行光传感器的输出电压；利用建模数据和SPSS16.0的非线性回归功能得公式(4)的系数，其中e＝0，f＝0，因此模型剔除温度的三次项和四次项得公式(5)；

V_Tλ＝0.041+0.909V_25λ-0.002T+10^-5T²+0.004T·V_25λ (2)。

3.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述传感器的量测模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分别为传感器对目标在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的量测值，分别为：

$Y_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{k-1}\right)+n_{Y_A\left(t_{k-1}\right)}---\left(3\right)$

$Y_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}---\left(4\right)$

$Y_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}---\left(5\right)$

其中，Y′_A(t_k-1)、Y′_A(t_k)、Y′_A(t_k+1)分别为传感器在t_k-1，t_k，t_k+1时刻的本地笛卡尔坐标系下的真实位置；C_A(t)为误差的变换矩阵；ξ_A(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为R_A(k-1)、R_A(k)、R_A(k+1)。

4.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述Android模块设置有子匹配滤波器，所述子匹配滤波器的传递函数为：

$H\left(z\right)=\underset{i=0}{\overset{N-1}{\Σ}}{h}_i{z}^{-i}=\underset{i=0}{\overset{N-1}{\Σ}}{x}_{N-1-i}{Z}^{-i}=X\left(z^{-1}\right)Z^{-(N-1)};$

C_i是由分层序列u，v调制而成的，u是分层Golay序列：

u＝{1，1，1，1，1，1，-1，-1，1，-1，1，-1，1，-1，-1，1}，v＝{1，1，1，-1，-1，1，-1，-1，1，1，1，-1，1，-1，1，1}，C_16m+n＝u_nv_m；

$H\left(z\right)=X\left(z\right)=C\left(z\right)=\underset{i=1}{\overset{L_u{L}_v-1}{\Σ}}{C}_i{z}^{-i}=\underset{i=1}{\overset{L_u{L}_v-1}{\Σ}}{C}_{16m+n}{z}^{-(16m+n)}=\underset{i=1}{\overset{L_u-1}{\Σ}}{u}_n{z}^{-n}\underset{i=1}{\overset{L_v-1}{\Σ}}{v}_m{z}^{-16m}=H\left(z_u\right)H\left(z_v\right);$

根据分层的Golay序列对传递函数进行改进，则有：

H(z_u)＝[1+z^-8+z^-1(1-z^-8)][1+z^-4+z^-2(1-z^-4)]；

H(z_v)＝(1+z^-1)[1-z^-6+z^-8+z^-14]+(1-z^-1)[z^-2-z^-4+z^-10+z^-12]。

5.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述基于物联网的数据显示后台系统包括多源异构数据语义集成模型，所述多源异构数据语义集成模型包括：局部本体构建模块、本体合并模块和语义查询动态扩展及规约模块；

局部本体构建模块，根据数据源特征，自适应地选择本体构建策略，从而构建出油气勘探局部本体；首先，应用文本过滤器将不同的文件格式转成为纯文本文件格式，获得语料数据，并进行一致性检查；然后，采用逆向最大分类中文分词方法对这些语料进行初步的切分处理，得到字串集合；然后，利用最大信息系数方法计算字串的内部结合强度，获取合成词集合，并判断合成词和非合成词的领域相关性，提取出概念集合；然后，应用图上随机游走算法推理合成词概念间的分类关系，采用基于隐Markov模型的聚类算法提取非合成词概念间的分类关系；接着，运用基于关联规则挖掘的方法获取概念间的非分类关系；最后，应用本体构建工具输出OWL格式的局部本体；首先，利用R2O技术建立数据库模式和本体模型之间的语义映射关系，从而把关系数据库中的关系映射为本体中的概念，把属性对应地映射为OWL属性，并把数据库的关系表转化为本体类，把数据库中的数据转化为实例；然后，对从数据库中抽取出来的初始局部本体做一系列的规范化工作，通过与标准本体进行语义相似度计算，将符合阈值的本体信息建立语义联系，不符合阈值的本体信息进行规范化处理，从而构建出符合要求的规范化局部本体；由于半结构化数据是介于结构化和非结构化数据之间的、具有隐含结构但缺乏固定或严格结构的一类数据；所以，基于上述两种数据类型的本体构建技术也可以应用到半结构化数据源；首先，抽取出半结构化数据模式，给定映射规则，利用XML2RD方法，将半结构化数据转化为结构化数据；然后，按照结构化数据构建局部本体的方法构造半结构化数据源对应的局部本体；

本体合并模块，与局部本体构建模块连接，采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，实现多个局部本体到领域本体的灵活合并；采用将概念匹配和属性匹配相结合的本体合并方法，利用最大信息系数方法计算概念语义相似度和概念属性的语义相似度，然后，通过相似度评估函数对概念间的相似度进行评估，输出相似矩阵，并对相似矩阵运用领域公理约束知识进一步评估其相似性；接着，通过机器学习的方法训练学习分类器，利用学习分类器计算概念实例间的相似度；最后，通过结合ISO 15926油气本体和模糊形式概念分析方法，综合考虑语义相似度的对称性和传递性关系，将模糊集理论引入语义相似度的设定中，实现多个局部本体到领域本体的灵活合并；

语义查询动态扩展及规约模块，与局部本体构建模块连接，用于查询请求动态扩展的有效性及结果的聚合优化；首先，借助社会标注语义分析和本体包含的概念关系及推理能力，对查询请求进行语法及语义上的规约与扩展，生成规范的语义查询语句，解决查询请求与领域本体数据源之间由于表达形式的不同所造成的失配问题，并根据用户的查询请求自动推荐一簇语义相关标签，为实现数据源准确聚集提供导引；然后，通过计算扩展查询请求和领域本体概念间的语义相似度来量化请求与资源概念间的关联度；最后，利用社会标注和本体包含的丰富概念语义关系，对查询结果模式进行语义注释，根据社会标注的语义全局效应，引入以统计分析结果获得的最相关可信性标注所指向的数据源作为查询结果可信性评价标准之一，对结果集进行去重和聚合优化，实现可信的Top-K查询。

6.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述Android模块设置有运行数据调整模块，所述运行数据调整模块的数据处理方法包括：

取1周也就是7天作为一个相关负荷周期，跳跃数据D_it所在工作日前一周作为第一周期，后一周作为第二周期；

在n＝14天的相关负荷，在t时刻：

取第一周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^1={\mathrm{\αD}}_{3it}+\mathrm{\α}(1-\mathrm{\α})D_{4it}+...+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{8it};$

其中，D_3it...D_8it分别为第一周期不同类型日t时刻的运行数据；

取第二周期的不同类型日t时刻的值作平滑，得到：

$D_{it}^2={\mathrm{\αD}}_{9it}+\mathrm{\α}(1-\mathrm{\α})D_{10it}+\mathrm{...}+\mathrm{\α}{(1-\mathrm{\α})}^5{D}_{14it};$

其中，D_9it...D_14it分别为第二周期不同类型日t时刻的运行数据；此处，α为逐点运行数据的平滑系数，在(0，1)区间上取值；

另取第一周期中同类型日t时刻的值D_1it，则有：

于是，得到t时刻修正后的运行数据D′_it为：

7.如权利要求1所述的基于物联网的数据显示后台系统，其特征在于，所述Android模块设置有数据压缩模块，所述数据压缩模块的梳理处理方法包括：

步骤一，掩藏文本抓取：从网络中抓取当前在网络中传输的数据作为掩藏文本；模拟HTTP协议进行数据通信，模拟HTTP中PUT请求进行数据传送；将隐藏文本按两个字节一组当作无符号整型数据并加一作为将要传输的数据；将掩藏文本按隐藏文本的数值切割为一个一个的数据包进行传输，传输过程中建立多条连接，在不同连接上应用不同的编解码规则进行差别传输；服务器端将数据进行解压之后根据接收到的数据包长度进行逆向转换，解码出隐藏数据，即完成隐藏传输；

步骤二、在编码时，首先根据E1_n+1＝E1_n+d_n+1式计算出E1值，再根据和式计算出拟合残差，计算这两步时，均需要对结果进行越限判断，判断E1是否越限是为了避免超过传感器数据总线上限而造成溢出；判断残差是否越限是为实现分段拟合；

步骤三、当一段输入数据的拟合残差全部计算完后，就构造出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}所示的数据包，通过S-Huffman编码方法对进行熵编码，然后发送出去，接收端解码时，先将接收到的一组数据解码，还原出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}式所示的数据包，然后根据式计算并还原出所有原始数据。

8.一种安装有权利要求1-7任意一项所述基于物联网的数据显示后台系统的计算机。

9.一种安装有权利要求1-7任意一项所述基于物联网的数据显示后台系统的电子通讯设备。

10.一种安装有权利要求1-7任意一项所述基于物联网的数据显示后台系统的生态农业管理系统。