用于雨林非法采伐的利用传感器融合的动态声学签名系统的制作方法

用于雨林非法采伐的利用传感器融合的动态声学签名系统
1.背景
技术领域
2.本公开总体上涉及物联网(iot)系统，并且更具体地，涉及促进动态声学签名识别的iot系统。
3.相关技术
4.非法采伐是指违反国家规定采伐木材。非法采伐对环境的影响包括砍伐森林、丧失生物多样性和排放温室气体。
5.雨林栖息地的巨大规模增加了定位非法伐木者的难度。即使有几个声学传感器收集数据，环境噪声和复合动物声音也使雨林的分析更具挑战性。


技术实现要素：

6.新兴的iot技术、先进的机器学习系统、以及算法已被开发并应用于防止非法采伐。然而，在现有技术实现中存在显著的限制。
7.一个限制是声学标签的不足。现有技术的系统依赖于精确的标签和传感器数据，由于几个原因，这些数据很难导出。首先，人工标记过程可以创建相对准确的标签，但是该过程消耗大量的人力资源。第二，历史记录可能无法覆盖所有情景。第三，如果没有足够的数据，则不能识别或防止新的异常事件。
8.现有技术的另一个问题包括缺乏预防预测。现有技术的方法仅在非法采伐发生时检测到非法采伐。当护林员发现伐木地时，非法伐木者已经离开。换句话说，没有任何预防性措施。不同的预测标记缺乏时间关系和因果关系。将标签和前置时间相关联的机制是预定的/预先计算的，因此不能由新信息更新。
9.此外，现有技术模型的可靠性高度依赖于数据完整性和传感器正常运行时间。数据丢失或传感器故障总是降低模型性能或禁止模型执行。现有模型缺乏容错能力，部署后无法识别根本原因或假阴性记录。由于环境约束，基于传感器的数据可呈现不同的环境噪声，其干扰所部署的预学习模式。
10.为了解决上述问题，在此描述的示例实现涉及一种介质签名系统，用于由融合传感器跨监护器(guardian)来标记声学信号或图像、识别非法采伐的先行标志、并且预测伐木者遍历模式以在非法采伐发生之前防止非法采伐。
11.示例实现通过使用动态指纹系统来解决标签可用性。通过实时地从单个通道声学文件或图像中提取最大信息，系统仅创建具有声学信号的标签。通过使用合成数据来解决传感器可用性，该合成数据将异常信号和背景信号与调整的功率电平和修改的谐波进行组合。
12.此外，本文描述的示例实现在多源复杂且连续的背景噪声中识别信号指纹。介质指纹基于来自单个通道的声学信号或图像的感知特性来识别声学信号或图像的时间模式。本文描述的示例实现包含异常及其序列之间的事件关联，从而识别特定异常声学信号或图
像的先行标志。结果，示例实现可以通过使用潜在异常信号的先行标志来生成可操作警报。
13.最后，示例实现预测考虑整个环境的已知属性和/或传感器数据的异常足迹。介质足迹识别遍历模式，该遍历模式考虑所有通道上的环境和地理信息。介质足迹通过传感器融合方法来整合传感器之间的信息，以创建容错模型来解决雨林环境问题。传感器融合是对传感数据或从传感数据导出的数据进行组合和聚合，使得所得信息比单独使用数据更好。因为传感器融合使用环境上下文信息以及人和传感器输入作为先验知识和当前状态，所以传感器融合可以改进具有容错的分析算法，并且不依赖于特定传感器或一组传感器来确定分析结果。该方法还通过构建具有有限人工干预的自反馈、错误学习系统来改进标记结果。
14.因此，示例实现由此可以解决现有技术的限制，并且可以利用传感器融合来动态地预测声学签名。
15.本公开的各方面涉及一种方法，所述方法可以包括：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式，以确定与所述一个或多个传感器相关联的区域的链锯事件的概率和链锯事件的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的人为干扰或链锯事件的状态改变的概率。
16.本公开的各方面涉及存储指令的计算机程序，所述指令可以包括：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式，以确定与所述一个或多个传感器相关联的区域的链锯事件的概率和链锯事件的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的人为干扰或链锯事件的状态改变的概率。所述指令可以存储在非瞬态计算机可读介质上，并且被配置为由一个或多个处理器执行。
17.本公开的各方面涉及一种系统，所述系统可以包括：用于基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式的装置；用于处理所识别和标记的模式以确定与所述一个或多个传感器相关联的区域的链锯事件的概率和链锯事件的估计前置时间的装置；以及用于针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的人为干扰或链锯事件的状态改变的概率的装置。
18.本公开的各方面涉及一种设备，所述设备包括处理器，该处理器被配置为：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式，以确定与所述一个或多个传感器相关联的区域的链锯事件的概率和链锯事件的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的人为干扰或链锯事件的状态改变的概率。
19.本公开的各方面可以涉及一种方法，所述方法可以包括：从传感器网络中的一个或多个传感器流传输的传感器数据中检测第一事件；处理所述第一事件以确定第二事件的概率和所述第二事件对于与所述一个或多个传感器相关联的区域的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的所述第一事件或所述第二事件的状态改变的概率。
20.本公开的各方面可以涉及具有指令的计算机程序，这些指令可以包括：从传感器
网络中的一个或多个传感器流传输的传感器数据中检测第一事件；处理所述第一事件以确定第二事件的概率和所述第二事件对于与所述一个或多个传感器相关联的区域的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的所述第一事件或所述第二事件的状态改变的概率。所述指令可以存储在非瞬态计算机可读介质上，并且由一个或多个处理器执行。
21.本公开的各方面可以涉及一种系统，所述系统可以包括：用于从传感器网络中的一个或多个传感器流传输的传感器数据中检测第一事件的装置；用于处理所述第一事件以确定第二事件的概率和所述第二事件对于与所述一个或多个传感器相关联的区域的估计前置时间的装置；以及用于针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的所述第一事件或所述第二事件的状态改变的概率的装置。
22.本公开的各方面可以涉及一种设备，所述设备可以包括处理器，该处理器被配置为：从传感器网络中的一个或多个传感器流传输的传感器数据中检测第一事件；处理所述第一事件以确定第二事件的概率和所述第二事件对于与所述一个或多个传感器相关联的区域的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的所述第一事件或所述第二事件的状态改变的概率。
23.本公开的各方面可以涉及一种方法，所述方法可以包括：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率。
24.本公开的各方面可以涉及一种系统，所述系统可以包括：用于基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式的装置；用于处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间的装置，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；以及用于针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率的装置。
25.本公开的各方面可以涉及一种计算机程序，所述计算机程序可以涉及指令，所述指令可以包括：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率。所述指令可以存储在非瞬态计算机可读介质上，并且由一个或多个处理器执行。
26.本公开的各方面可以涉及一种设备，所述设备可以包括处理器，所述处理器被配置为：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感
器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率。
附图说明
27.图1示出了根据示例性实现的实现信息融合的整体系统的示例。
28.图2示出了根据示例性实现的结构化数据和合成数据的示例。
29.图3示出了根据示例性实现的信息的示例性结构化和处理。
30.图4示出了根据示例性实现的将数据与实时声学信号和外部事件合成的示例。
31.图5示出了根据示例性实现的资格标准的示例。
32.图6示出了根据示例性实现的从单个通道提取信息的示例。
33.图7示出了根据示例性实现的对来自单个通道的声学信号进行聚类的示例。
34.图8示出了根据示例性实现的动态指纹分析。
35.图9示出了根据示例性实现的导出群集(cluster)中心的频谱的示例。
36.图10示出了根据示例性实现的时间指纹聚合分析的工作流程。
37.图11示出了根据示例性实现的使用utc时间和gmt+7本地时区的示例结果。
38.图12示出了根据示例性实现的预测群集的示例。
39.图13示出了根据示例性实现的标签和前置时间与随机过程结合的示例。
40.图14示出了根据示例性实现的使用离散时间马尔可夫链作为随机过程的示例。
41.图15示出了根据示例性实现的顺序错误学习的示例。
42.图16示出了根据示例性实现的传感器融合构造和足迹遍历的示例。
43.图17至图18示出了根据示例性实现的映射指纹和遍历非法采伐的足迹的示例。
44.图19示出了根据示例性实现的涉及具有连接的传感器和管理设备的多个系统的系统。
45.图20示出了具有适于在一些示例性实现中使用的示例性计算机设备的示例性计算环境。
具体实施方式
46.以下详细描述提供了本技术的附图和示例实现的详细信息。为了清楚起见，省略了附图之间的冗余元件的附图标记和描述。在整个说明书中使用的术语是作为示例提供的，而不是限制性的。例如，根据实践本技术的实现的本领域普通技术人员的期望实现，术语“自动”的使用可以涉及全自动实现或涉及用户或管理员对实现的某些方面的控制的半自动实现。选择可以由用户通过用户界面或其他输入手段来进行，或者可以通过期望的算法来实现。可以单独地或组合地利用本文描述的示例性实现，并且可以通过根据期望实现的任何手段来实现示例性实现的功能。
47.图1示出了根据示例性实现的实现信息融合的整体系统的示例。系统可涉及以下几个方面。
48.结构化数据和合成数据100是集成信息和评估资格并将过滤的数据存储在中心数据库中的部件。参考图2至图5描述该部件的更多细节。从单个通道提取信息200是对来自单
个通道的声学信号进行聚类的部件。参考图6至图7提供该部件的更多细节。动态指纹分析300是识别声学信号或图像的时间模式并创建伪标签的部件。参考图8至图12描述该部件的更多细节。标签和前置时间与随机过程的结合400是细化标签/前置时间并构建随机过程以学习模式的部件。参考图13至图14描述该部件的更多细节。顺序错误学习500是通过用人工查看的样本创建自反馈循环来增强标记结果的部件。参考图15描述该部件的更多细节。传感器融合构造和足迹遍历600是通过考虑传感器数据和/或整个环境的已知属性来预测异常足迹的部件。参考图16至图18提供该部件的更多细节。
49.在图1中示出了信息融合的四个功能，包括理解(合成并解释信息)、感知(识别并检测信息)、投射(预测并模拟信息)和解决(基于信息做出决策和计划)。
50.图2示出了根据示例性实现的结构化数据和合成数据100的示例。第一阶段是整合信息106、评估资格107、并将过滤的数据存储在中心数据库中。工作流程如图2所示。存在四个潜在数据源，其包括实时声学信号101、主题专家(sme)描述102、外部事件103和合成数据105。
51.从各种输入中，将信息进行结构化处理，如图3所示。
52.与现有技术相比，该部件实现了几个新颖的方面，包括利用合成数据来丰富训练数据集、以及基于复合技术来评估声学文件或图像的质量。
53.实时图像或声学文件101包括但不限于声学文件110、卫星图像111、相机图像112和相机视频113。地理和时间元数据114是从所有数据源中提取和集成的。使用放置在雨林中的装置来收集声学信号，并且声学信号经由网络被传送到计算云。声学信号记录来自雨林中的动物、物种、人类等的声音，涉及范围从几赫兹(hz)到数千hz的频谱。为了整合该信息，声学文件110需要被切片并且以指定的格式和频率进行保存。另外，卫星图像111、相机图像112和相机视频113是声学文件110的替代或伴随，这取决于期望的实现。相机视频113包含音频和视频信息，其提供更多的数据维度。使用替代的数据输入可以更直接地实现数字和指纹的检测。
54.sme描述102是来自雨林卫士中的护林员的响应。一旦检测模型发出关于非法采伐的警报，护林员就可以出去验证非法采伐活动。在实地验证后，他们可以描述自己的发现，并以证据作出回应。为了整合该信息，应用自然语言处理(nlp)120并且nlp 120创建具有对应时间戳121的异常标签。
55.外部事件103被标记为公共数据集或特定声学数据库中的声学文件。例如，标签可能包括“链锯”、“狗吠”和“车辆”。在合成数据中解释其用法。
56.在示例性实现中，生成合成数据105。使用合成数据105的目的是丰富训练数据集，特别是当训练数据集中缺少目标事件的示例时或者当数据是偏斜(skew)的时，其可以用于平衡数据。在104，利用实时声学信号和外部事件来构造合成数据。
57.图4示出了根据示例性实现的将数据与实时声学信号和外部事件103合成的示例。首先，分别查看每个声学示例。第一示例类型包含噪声信号141，其将充当背景噪声。第二示例类型用于来自实时异常文件的目标事件140并提取信号细节。然后，该过程使用所提取的信息通过修改信号功率电平145、频率146和谐波148来复制期望环境中异常信号的存在。然后，该过程修改背景噪声142的信号功率电平，以确保可以模仿实时声学信号。然后，该过程通过叠加151将异常信号150和噪声信号组合在一起，然后在153使用生成对抗网络
(generative adversarial network,gan)152来验证合成数据不能与实时数据区分开。一旦被验证，就可以保持合成数据105。
58.图5示出了根据示例性实现的资格标准107的示例。在建立集中数据之后，音频和图像需要被评估和过滤。需要评估过程以实现未来阶段的更高精度。图5示出了选择合格部件的复合方法。将针对声学文件评估音频大小调整170和采样率171，同时将针对图像和视频检测图像大小调整172、图像分辨率173以及图像红绿蓝(rgb)和灰度级174。基于音频和图像检测，将在175相应地去除界外值(outlier)。
59.图6示出了根据示例性实现的从单个通道提取信息的示例。第二阶段是对来自单个通道的声学信号进行聚类。该阶段的工作流程如图6所示。图7示出了根据示例性实现的对来自单个通道的声学信号进行聚类的示例。
60.首先，在201处将声学数据从时域转换到频域。频域指的是分析空间，其中数学函数或信号根据频率而不是时间来表达。例如，时域图可以显示随时间的变化，而频域图显示在每个给定频带中存在多少信号。
61.在图7中，运行快速傅立叶变换(fft)，但存在可以根据示例性实现使用的替代方案，例如梅尔频率倒谱系数(mfcc)、短时傅立叶变换(stft)等。不是使用来自fft结果的带宽，而是应用核密度估计(kde)来平滑来自频域结果的幅度结果。
62.在导出频域特征之后，可以应用降维202以将数据从高维空间变换到低维空间。雨林中的声学文件通常包含宽范围内的声音频率，从几hz(低频，例如链锯、人说话)到数千hz(高频，例如鸟啁啾、昆虫鸣叫)。低维表示保留了原始数据的一些有意义的性质，理想地接近其固有维数。
63.在图7中，执行主成分分析(pca)并将原始数据投影到更少的维度中。可以根据期望实现使用例如非负矩阵因子分解(nmf)、线性判别分析(lda)等其他替代方案。
64.一旦定义了用于聚类的特征，将进行超参数调整203以及聚类技术204以创建群集编号。聚类是将总体或数据点划分为多个组的任务，使得与其他组中的数据点相比，同一组中的数据点与同一组中的其他数据点更相似。换句话说，其目的是将具有相似特征的组分开，并将它们分配到群集中。以频带幅度为输入，聚类是对幅度进行分组，以寻找相似的频谱和分布。
65.在图7中，使用高斯混合模型(gmm)。gmm是一种概率模型，其假定所有数据点都是从具有未知参数的有限数量的高斯分布的混合中生成的。利用每个高斯分布表示一个群集，聚类过程是识别数据属于每个分布的概率。因此，gmm提供软聚类，而其他硬聚类方法，诸如k-means、分级和基于密度的空间聚类也可以根据期望的实现来应用。
66.这个阶段的结果是每个数据点的一个群集编号。
67.图8示出了根据示例性实现的动态指纹分析300。第三阶段是基于来自单个通道的声学信号或图像的感知特性来识别声学信号或图像的时间模式。换句话说，知道群集编号不足以标记声学信号。来自单个通道的指纹分析需要考虑频率、时间和关联方面。
68.图8示出了该阶段的工作流程。在该阶段中，综合考虑频带分析301、时间指纹聚合分析302和事件关联分析303，以创建用于声学信号的伪标签304。
69.与现有技术实现相比，该阶段涉及几个新颖的方面。例如，该阶段识别多源、复杂和连续背景噪声中的信号指纹，并进一步识别异常事件的先行标志。进一步地，该阶段通过
频带分布和图像分类来分析异常及其序列之间的事件关联。
70.频带分析301用于分析具有基础声音频率的群集中心的频谱。频带是由较低频率和较高频率界定的频域中的间隔。
71.与信息提取相比，利用前一阶段的输入，可以使用相反的步骤来导出群集中心的频谱。群集中心作为特征格式，可以通过降维模型进行反求，并重构到原频域。
72.图9示出了根据示例性实现的导出群集中心的频谱的示例。存在被反向变换回频域的四个群集中心。x轴是范围从0到6,000hz的频率。y轴是将频谱视为分布的概率密度。识别低频声音(人的语音和链锯声音)和高频声音(鸟的啁啾声和昆虫的颤音)，可以根据声音组成来定义标签。
73.图10示出了根据示例性实现的时间指纹聚合分析302的工作流程。在该阶段中利用时间指纹聚合分析。为了识别时间模式，在320处将群集与时间戳连接，并且在322处通过使用超参数调谐321而优化的不同阈值来聚合群集。
74.为了解释如何在实践中使用时间模式，图11示出了根据示例性实现的使用utc时间和gmt+7本地时区的示例结果。x轴表示小时，而y轴表示群集的计数。时间模式可以被推断为夜间由群集中心4支配，而在白天期间在交替的群集中心2和3之前或之后出现群集中心1。
75.当前阶段中的另一示例性实现是事件关联分析。该新颖的步骤考虑从事件前到事件再到事件后的事件序列，以及识别具有频率和时间信息的事件属性和类别。
76.在雨林使用案例中，非法采伐的生命周期可以被描述为原始生态系统、人为干扰、非法采伐和被干扰的生态系统。
77.利用sme描述作为输入，异常事件可以与每个群集相关联。异常事件和预测群集之间的重叠将有助于理解在先前群集和正在进行的群集的关系。
78.图12示出了根据示例性实现的预测群集的示例。预测的群集被标记为不同的形状，包括圆形、方形、菱形和三角形。考虑图3中121的异常标签，如果在信号周期内存在从sme描述中提取的任何异常，则用黑色填充形状。在该示例中，在群集1(形状三角形)和4(形状菱形)中几乎没有黑点，在群集3(形状圆形)中为轻型并且在群集2(形状方形)中是密集的。因此，群集2表示由sme确认的链锯声最多的音频，而群集3表示由sme确认的链锯声较少的音频。
79.此外，通过组合从频带分析和时间指纹聚合分析获得的信息，可以利用每个群集的对应标签导出以下关系：
80.·
群集1：人为干扰群集
81.·
群集2：密集的链锯群集
82.·
群集3：轻型链锯群集
83.·
群集4：安静时间群集
84.结果，在该新颖的阶段之后将生成伪标签。每个群集的定义见下表：
85.·
人为干扰群集识别在伐木活动之前和之后发生的人类活动的音频。音频涉及人类活动，如探索雨林，以找到伐木候选或将原木运输出雨林。音频可能包括像人说话、摩托车、汽车、狗吠等声音。由于人为干扰，这种音频内的动物声音与安静时间群集相比是不寻常的。
86.·
密集的链锯群集识别具有重型链锯声音的音频。这在伐木活动过程中发生，链锯声音清晰、响亮，占据了音频的大部分长度。其表示当链锯声音主导音频而动物声音被完全覆盖时的实际伐木时间。其通常发生在白天当伐木者有一个清晰的雨林视野时。
87.·
轻型链锯群集识别具有较少链锯声音的音频。这发生在伐木活动中，但链锯声音只占据部分音频长度。在伐木活动期间，伐木者可能休息或更换其工具。这种中断解释了为什么检测到很少的链锯声音。轻型链锯标签通常聚集在白天当伐木者有一个清晰的雨林视野时。
88.·
安静时间群集识别具有雨林中的自然声音的音频，包括动物声音、昆虫声音、雨/风声音等。其表示没有人为干预的纯环境声音。其可以发生在白天或晚上。
89.图13示出了根据示例性实现的标签和前置时间与随机过程400结合的示例。第四阶段是细化标签/前置时间，并建立一个随机过程来学习模式。前置时间被定义为从一个标签到下一个标签的时间。由于标签的时间特性，可以计算不同标签或相同标签之间的前置时间。
90.图13示出了阶段工作流程的示例。利用伪标签作为输入，可以在401处细化标签，并且可以在404处计算前置时间。可以生成两个神经网络模型(例如，神经网络标记403和顺序深度学习406)，并且可以通过超参数调谐402和405来提高准确度。在对模式进行学习并获得预测结果之后，可以在407处创建组合预测的标签和前置时间的随机过程，并且该过程可以被配置为相应地输出标签或前置时间408。
91.与现有技术相比，该阶段是新颖的，因为其构建了多输出过程以结合标签和前置时间，并且其通过神经网络模型提高了模型鲁棒性和弹性。
92.马尔可夫链是一种随机模型，其根据一定的概率规则从一种状态转换到另一种状态。图14示出了根据示例性实现的使用离散时间马尔可夫链作为随机过程的示例。在离散时间马尔可夫链中，链在一个单位时间之后从当前状态跳到下一个状态。
93.在雨林使用案例中，假设有三个群集(a/b/c)，其中a是安静群集，b是人为干扰群集，c是链锯群集。
94.对于单个资产，计算根据历史发生随机群集变化的概率。例如，对于三个定义的群集，从t1到t2的概率具有九个组合，它们是：
95.·
paa：自转换并停留在群集a的概率。
96.·
pab：状态从群集a改变到群集b的概率。
97.·
pac：状态从群集a改变到群集c的概率。
98.·
pbb：自转换并停留在群集b的概率。
99.·
pba：状态从群集b改变到群集a的概率。
100.·
pbc：状态从群集b改变到群集c的概率。
101.·
pcc：自转换并停留在群集c的概率。
102.·
pca：状态从群集c改变到群集a的概率。
103.·
pcb：状态从群集c改变到群集b的概率。
104.对于单个资产，计算根据历史随机发生群集变化的前置时间。可以再次使用图14中的相同框架，但概率将由前置时间代替。例如，如果存在t1、t2、t3的记录，其具有对应于群集a、群集a和群集b的状态。可以计算前置时间，并将其用于laa(即，从群集a到群集a的前
置时间)和lab(即，从群集b到群集a的前置时间)。
105.因此，连续时间马尔可夫链具有两个分量。首先，应该存在传递转移概率pij的离散时间马尔可夫链。第二，对于每个状态，存在控制在每个状态中花费的时间量的保持时间参数lij。
106.利用转移概率pij和保持时间参数lij，可以创建随机过程并生成预测标签和前置时间。
107.图15示出了根据示例性实现的顺序错误学习500的示例。第五阶段是通过创建具有人工评审样本的自反馈回路来增强标记结果。这个阶段的工作流程如图15所示。如本文所述，被配置为提高准确度的顺序错误学习过程可以涉及自反馈循环，该自反馈循环被配置成学习从随机过程继承的错误并改进训练阶段之间的伪标签。
108.根据标签百分比，在501获得分层样品。在502和503(例如，通过人或其他外部代理)检查样本并验证预测的标签。在504，如果错误率低于阈值(是)，则将继续到下一阶段；否则，如果错误率等于或高于阈值(否)，那么将在505训练多类分类模型以学习错误。一旦分类模型获知错误，在506，阶段3中的伪标签将被来自当前阶段的预测标签覆盖。可以根据期望的实现将阈值设置为任何水平。
109.由于学习错误的自反馈循环，该阶段将持续地改进标签结果，直到人工评审发布该标签结果。因此，该阶段可以通过人为干预捕获随机过程中所继承的错误，从而依次对错误进行纠正和学习。另外，在训练阶段之间，可以逐渐提高伪标签和模型精度。
110.与现有技术相比，该阶段是新颖的，因为其通过用人工评审的样本构建自反馈、错误学习系统来改进标记结果。结果，该阶段将产生顺序错误学习系统。如果错误率是令人满意的，其将释放标签到下一阶段。
111.图16示出了根据示例性实现的传感器融合构造和足迹遍历600的示例。第六阶段是考虑传感器数据和/或整个环境的已知属性来预测异常足迹。
112.传感器融合601是对传感数据或从传感数据导出的数据进行组合和聚合，使得所得信息比单独使用数据更好。其提供系统级状态，以将故障传感器信息与传感器群组或故障传感器的在先时间信息归纳到一起。
113.因为传感器融合601使用环境上下文信息以及人和传感器输入作为先验知识和当前状态，所以传感器融合可以改进具有容错的分析算法，并且不依赖于特定传感器或一组传感器来确定分析结果。此外，传感器融合601通过交叉参考传感器信息提供更好的可靠性，并通过从传感器群组中移除具有信息的故障传感器输入来稳定机器学习算法。
114.图16示出了第六阶段的示例工作流程。标签、前置时间和相应的元数据从所有单个通道整合而来。元数据包括地理和时间信息。在不同的时间，将创建具有来自用于整个环境的前一阶段的通道位置和预测标签的地图。贝叶斯模型将根据贝叶斯学习603利用跨时段从其他位置获得的信息来构建。通过传感器上的标签，将用新的标签和前置时间来更新先验。将在604处追踪异常事件的足迹。新出现异常的路径将用于识别根本原因。
115.与现有技术相比，该阶段是新颖的，因为其可以经由传感器融合方法来整合传感器上的信息，以创建容错模型，从而通过考虑传感器数据或整个环境的已知属性来解决雨林环境并预测异常足迹。
116.在雨林里，这个阶段是将一个时段内所有监护器的标签结合起来，构建一个非法
伐木生命周期的足迹遍历。图17至图18示出了根据示例性实现的映射指纹和遍历非法采伐的足迹的示例。
117.为了融合标签数据和元数据，需要在预测标签与元数据之间建立连接。
118.假设：
119.·
gi表示监护器i的地理位置，其中i＝1、2、...、n
120.·
tj表示时间戳y，其中j＝1、2、...、m
121.·
lij表示在时间tj在监护器gi的预测标签或前置时间，其中i＝1、2、...、n，并且j＝1、2、...、m
122.需要创建以下连接：
123.g1-t1-l11
124.g1-t2-l12
125....
126.g1-tm-l1m
127.g2-t1-l21
128.g2-t2-l22
129....
130.g2-tm-l2m
131.…
132.gn-t1-ln1
133.gn-t2-ln2
134....
135.gn-tm-lnm
136.一旦建立了连接，就可以在602处创建静态指纹。如图17中的示例所示，监护器之间有四个时间戳。图例与图16相同，其中
137.·
整圆：安静阶段
138.·
虚线圆圈：人为干扰阶段
139.·
实心圆：链锯干扰阶段
140.随着时间的推移，预测的标签也会发生变化。在t1，g1和g2中的标签从安静阶段变为人为干扰阶段，这可能意味着一些伐木者进入了森林。在t2，伐木者在森林内移动，其中，g2和g3处于人为干扰阶段，而g1回到安静阶段。在t3，伐木者进一步移动并开始在监护器g4处砍伐树木。在t4处，砍伐区域扩大并且g5也受到扰动。
141.通过融合地理信息，可以构造声学指纹。作为该签名系统的一个结果，声学指纹基于来自单个通道的声学信号的感知特性来识别声学信号的时间模式。
142.另一方面，由于两个限制，独立指纹不足以预测非法采伐活动的足迹。首先，在不知道来自整个环境的顺序信息的情况下，不可能跨时段连接监护状态。第二，当一些传感器不可用时，该监护器的预测也将是不可行的。
143.为了解决这些问题，进行贝叶斯网络603以预测足迹。贝叶斯网络是通过有向无环图(dag)来表示一组变量及其条件依赖性的概率图形模型。贝叶斯网络非常适合选取已经发生的事件，并预测几个可能的已知原因中的任何一个是促成因素的可能性。贝叶斯网络
方法包括但不限于动态贝叶斯网络(dbn)和隐马尔可夫模型(hmm)。
144.因此，当一个监护器状态不可用时，可以用间接监护器状态来弥补直接监护器状态。使用测量相同量的多个传感器可以增加鲁棒性和容错性。另外，基于顺序监护状态，可以识别非法采伐的遍历模式。
145.在图18的示例中，已经创建了足迹，并且可以通过跨时段融合从g1到g5的标签来预测g5标签的概率。
146.动态足迹604遍历是该系统的关键输出。遍历模式是在考虑监护器的地理和时间元数据的情况下，通过监护器之间的融合数据学习的。在构建模型时，将来自多个雷达、激光雷达和相机的输入作为先验知识来考虑，遍历足迹提供最全面且因此可能准确的环境模型。输出可用于对侵入者的运动模式的完全识别，以增强调查。
147.该系统的另一个输出是警报通知系统。利用预测的足迹遍历，一个可靠的警报系统可以通过设置针对特定监护器识别出的人为干扰长度的阈值来创建。例如，如果g1和g2已经经历了显著量的人为干扰，则护林员可以指示g4和g5阻止非法采伐者。其还可以通过调整人为干扰的长度或被识别为人为干扰阶段的标签的数量来避免警觉性疲劳。
148.这种动态足迹遍历还可以帮助优化跨雨林站点中的监护器的护林员资源。根据非法采伐的预测概率，可以为监护器创建一个易损性尺度。在脆弱规模更高的监护器中，护林员可以分配更多资源或安装更多监护器，以更好地监控该区域。
149.通过这里描述的示例实现，动态声学签名系统融合数据以预测非法采伐活动的指纹和足迹。动态声学签名系统使用随机过程、自反馈错误学习和传感器融合过程来产生可靠且鲁棒的预测。动态声学签名系统能标记具有有限的人工干预的声学信号，并通过识别人为干扰阶段来防止非法采伐。
150.示例实现可应用于希望估计伐木者足迹并防止非法采伐的公共设施或护林员。另外，伐木预防可以延伸到防火。通过用“火”代替“链锯”作为分析对象，可以学习和预测火足迹。此外，本发明的目的可以从非法伐木者扩展到游客。灾难发生时，对迷路游客的定位和救援将产生重大影响。
151.另外，在此描述的示例实现可应用于工业制造，但具有一些较小的修改，因为机器和产品事件也具有签名(指纹和足迹)。例如，“工业工程中的故障足迹”可以通过这种方法识别，以提前预防故障和根本原因故障原因。假设机器或产品模式从正常变为异常需要时间，并且该过程可以通过系统来学习。
152.示例实现可用于确定级联故障。在具有电网的示例中，变压器的故障可导致影响需要接管负载的另一系列变压器，并且还影响依赖来自变压器的电力的人。
153.图19示出了根据示例性实现的涉及具有连接的传感器和管理设备的多个系统的系统。一个或多个传感器系统1901-1、1901-2、1901-3和1901-4通信地耦接到网络1900，该网络1900连接到管理装置1902，该管理装置实现用于物联网(iot)网关或其他管理系统的功能。管理装置1902管理数据库1903，该数据库包含从传感器系统1901-1、1901-2、1901-3和1901-4收集的历史数据，该历史数据可以包括从系统1901-1、1901-2、1901-3和1901-4接收的标记数据和未标记数据。在备选示例实现中，来自传感器系统1901-1、1901-2、1902-3、1903-4的数据可被存储到中央储存库或中央数据库，诸如摄取数据的专有数据库(诸如企业资源规划系统)，并且管理装置1902可访问或检索来自中央储存库或者中央数据库的数
据。根据期望的实现方式，这样的系统可以包括与传输设备连接以实现从森林到设备1902的通信的远程传感器、附接到制造系统的传感器等。
154.图20示出了具有适于在一些示例性实现中使用的示例性计算机设备的示例性计算环境，例如如图19所示的管理装置1902。
155.计算环境2000中的计算机设备2005可以包括一个或多个处理单元、核或处理器2010、存储器2015(例如，ram、rom等)、内部存储装置2020(例如，磁、光、固态存储器和/或有机存储器)和/或i/o接口2025，它们中的任何一个可以耦接在通信机制或总线2030上以用于通信信息或嵌入计算机设备605中。i/o接口2025还被配置为根据期望的实现从相机接收图像或向投影仪或显示器提供图像。
156.计算机设备2005可以通信地联接到输入/用户接口2035和输出设备/接口2040。输入/用户接口2035和输出设备/接口2040中的任何一个或两者可以是有线或无线接口，并且可以是可拆卸的。输入/用户接口2035可包括可用于提供输入的任何物理的或虚拟的设备、组件、传感器或接口(例如，按钮、触摸屏接口、键盘、指向/光标控制、麦克风、相机、盲文、运动传感器、光学读取器等)。输出设备/接口2040可以包括显示器、电视、监视器、打印机、扬声器、盲文等。在一些示例性实现中，输入/用户接口2035和输出设备/接口2040可以嵌入或物理联接到计算机设备2005。在其它示例实现中，其它计算机设备可以用作或提供计算机设备2005的输入/用户接口2035和输出设备/接口2040的功能。
157.计算机设备2005的示例可以包括但不限于高度移动的设备(例如，智能手机、车辆和其它机器中的设备、由人和动物携带的设备等)、移动设备(例如，平板电脑、笔记本、膝上型电脑、个人计算机、便携式电视、无线电等)、以及未被设计用于移动性的设备(例如，台式计算机、其它计算机、信息亭、其中嵌入有和/或联接有一个或多个处理器的电视、收音机等)。
158.计算机设备2005可以通信地联接(例如，经由i/o接口2025)到外部存储器2045和网络2050，用于与包括相同或不同配置的一个或多个计算机设备在内的任何数量的联网组件、设备和系统进行通信。计算机设备2005或任何连接的计算机设备可以用作服务器、客户端、精简型服务器、通用机器、专用机器或另一标签，提供服务器、客户端、精简型服务器、通用机器、专用机器或另一标签的服务，或被称为服务器、客户端、精简型服务器、通用机器、专用机器或另一标签。
159.i/o接口2025可以包括但不限于使用任何通信或i/o协议或标准(例如，以太网、802.11x、通用系统总线、wimax、调制解调器、蜂窝网络协议等)的有线和/或无线接口，用于向计算环境2000中的至少所有连接的组件、设备和网络传送信息和/或从计算环境600中的至少所有连接的组件、设备和网络传送信息。网络2050可以是任何网络或网络的组合(例如，互联网、局域网、广域网、电话网络、蜂窝网络、卫星网络等)。
160.计算机设备2005可以使用计算机可用或计算机可读介质(包括瞬态介质和非瞬态介质)和/或利用计算机可用或计算机可读介质(包括瞬态介质和非瞬态介质)来进行通信。瞬态介质包括传输介质(例如，金属电缆、光纤)、信号、载波等。非瞬态介质包括磁介质(例如，盘和带)、光学介质(例如，cd rom、数字视频盘、蓝光光盘)、固态介质(例如，ram、rom、闪存存储器、固态存储器)和其他非易失性存储装置或存储器。
161.在一些示例计算环境中，计算机设备2005可用于实现技术、方法、应用、过程或计
算机可执行指令。计算机可执行指令可以从瞬态介质中检索，并存储在非瞬态介质上和从非瞬态介质中检索。可执行指令可以源自任何编程、脚本和机器语言(例如，c、c++、c#、java、visual basic、python、perl、javascript等)中的一种或更多种。
162.处理器2010可以在本地或虚拟环境中的任何操作系统(os)(未示出)下执行。可以部署一个或多个应用，其包括逻辑单元2060、应用编程接口(api)单元2065、输入单元2070、输出单元2075和单元间通信机制2095，用于不同单元彼此通信、与os通信以及与其他应用(未示出)通信。所描述的单元和元件可以在设计、功能、配置或实现上变化，并且不限于所提供的描述。
163.在一些示例实现中，当api单元2065接收到信息或执行指令时，可以将其传送到一个或多个其它单元(例如，逻辑单元2060、输入单元2070、输出单元2075)。在一些实例中，在上文所描述的一些示例实现中，逻辑单元2060可被配置为控制单元之间的信息流并且引导由api单元2065、输入单元2070、输出单元2075提供的服务。例如，一个或多个过程或实现的流可由逻辑单元2060单独地或结合api单元2065来控制。输入单元2070可被配置为获得用于示例实现中所描述的计算的输入，并且输出单元2075可被配置为基于示例实现中所描述的计算来提供输出。
164.处理器2010可以被配置为：基于从如例如图2、图6和图8中所示的传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程，如图13至图15所示；并且针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率，如图16所示。
165.处理器2010可以被配置为通过以下操作基于从网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式：将流传输的传感器数据中的声学数据从时域转换到频域，；从转换的声学信号导出频域特征；将降维应用于频域特征；对降维的频域特征进行聚类；并且应用指纹分析来识别传感器阶段，如图6至图8所示。
166.处理器2010可以被配置为应用指纹分析以通过以下操作来识别传感器阶段：从背景噪声中识别信号指纹；识别异常事件的先行标志；以及通过频带分布和图像分类来分析异常及其序列之间的事件关联，如图8至图12所示。
167.处理器2010可以被配置为通过以下操作基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式：对数据进行合成以增强传感器数据；对数据进行合成包括从分离的噪声信号和目标信号中提取信号特征以复制异常信号和噪声信号；通过叠加将复制的异常信号和噪声信号组合以形成合成数据；以及验证合成数据，如图4所示。
168.处理器2010可以被配置为通过基于音频和图像的元数据学习对传感器数据执行异常值移除，而基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式，如图5中所示。
169.处理器2010可以被配置为通过用时间模式训练的随机过程，处理所识别和标记的模式来估计与一个或多个传感器相关联的区域从当前阶段到另一阶段的改变的概率和前置时间，从而输出所有类型的标记的传感器阶段的概率和前置时间，如图13至图14所示。
170.取决于期望的实现，被配置为提高准确度的顺序错误学习过程可以涉及自反馈循环，该自反馈循环被配置成学习从随机过程继承的错误并改进训练阶段之间的伪标签。
171.处理器2010可以被配置为，针对传感器网络中的一个或多个传感器的相邻传感器，基于贝叶斯学习模型来确定与相邻传感器相关联的其他区域的传感器阶段变化的概率，所述贝叶斯学习模型被配置为基于融合指纹标签与来自传感器网络中的相邻传感器的地理和时间信息来确定其他区域的所述传感器阶段改变的概率和估计发生时间，如图16和图17中所示。
172.处理器2010被配置为，针对传感器网络中的一个或多个传感器的相邻传感器，通过生成包括传感器网络中具有传感器阶段改变概率的传感器的动态足迹来确定与相邻传感器相关联的其他区域的传感器阶段变化概率，其中，所述动态足迹提供传感器网络中的随时间按时间顺序经历状态改变的传感器的可视化，如图18所示。
173.根据期望的实现，传感器阶段(例如，当前传感器阶段、另一传感器阶段)可以是人为干扰、密集链锯、轻型链锯或安静时间中的一个，如图16所示.
174.示例实现还可以被扩展用于根据期望实现来确定其他阶段改变(例如，应用于工厂设置或其他iot设置)。在这种示例性实现中，处理器2010可以被配置为：从传感器网络中的一个或多个传感器流传输的传感器数据中检测第一事件；处理所述第一事件以确定第二事件的概率和所述第二事件对于与所述一个或多个传感器相关联的区域的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的所述第一事件或所述第二事件的状态改变的概率。根据期望的实现，阶段改变可以是任何类型的故障状态，并且相邻传感器的阶段改变由此可以用于检测级联故障事件。
175.在用于检测其他状态改变以确定级联故障的这种实现方式的示例中，一个示例可以涉及具有多个变压器的电网。当变压器满载并且发生故障时，则其他相邻变压器需要处理额外的负载以支持电网。然而，如果这样的负载也引起相邻变压器中的故障，则由此可以发生级联故障事件，其中一个变压器的故障引起序列中的其他相邻变压器的故障。
176.因此，可以利用示例实现来确定在指纹分析中是否存在初始级联故障，由此可以立即关闭系统以防止级联故障。
177.详细描述的一些部分是根据计算机内的运算的算法和符号表示来呈现的。这些算法描述和符号表示是数据处理领域的技术人员用来向本领域的其他技术人员传达其创新的本质的手段。算法是导致期望的结束状态或结果的一系列定义的步骤。在示例性实现中，所执行的步骤需要有形量的物理操纵以实现有形结果。
178.除非另有说明，从论述中显而易见的，可以理解的是在整个说明书中，利用诸如“处理”、“运算”、“计算”、“确定”、“显示”等的术语的论述可以包括计算机系统或其他信息处理设备的动作和处理，该计算机系统或其他信息处理设备进行操纵并将表示为计算机系统的寄存器和存储器内的物理(电子)量的数据转换成类似地表示为计算机系统的存储器或寄存器或其他信息存储装置、传输或显示设备内的物理量的其他数据。
179.示例性实现还可以涉及用于执行本文中的操作的装置。该装置可以为所需目的专门构造，或者其可以包括由一个或多个计算机程序选择性地激活或重新配置的一个或多个通用计算机。这样的计算机程序可以存储在计算机可读介质中，诸如计算机可读存储介质
或计算机可读信号介质。计算机可读存储介质可以包括有形介质，诸如但不限于光盘、磁盘、只读存储器、随机存取存储器、固态设备和驱动器、或适于存储电子信息的任何其他类型的有形或非瞬态介质。计算机可读信号介质可以包括诸如载波的介质。本文中呈现的算法和显示器并非固有地与任何特定计算机或其他装置相关。计算机程序可以涉及纯软件实现，其涉及执行期望实现的操作的指令。
180.根据本文的示例，各种通用系统可以与程序和模块一起使用，或者可以证明构造更专用的装置来执行期望的方法步骤是方便的。另外，不参考任何特定编程语言来描述示例性实现。应当理解，可以使用各种编程语言来实现本文中描述的示例性实现的教导。编程语言的指令可由一个或多个处理装置(例如，中央处理单元(cpu)、处理器或控制器)来执行。
181.如本领域已知的，上述操作可以通过硬件、软件或软件和硬件的某些组合来执行。示例性实现的各个方面可以使用电路和逻辑设备(硬件)来实现，而其他方面可以使用存储在机器可读介质(软件)上的指令来实现，这些指令如果由处理器执行，则将使得处理器执行用于执行本技术的实现的方法。此外，本技术的一些示例性实施可仅在硬件中执行，而其他示例性实施可仅在软件中执行。此外，所描述的各种功能可以在单个单元中执行，或者可以以任何数量的方式分布在多个组件上。当由软件执行时，基于存储在计算机可读介质上的指令由处理器(诸如通用计算机)来执行方法。如果需要，指令可以以压缩和/或加密的格式存储在介质上。
182.此外，通过考虑本技术的说明书和教导的实践，本技术的其他实现对于本领域技术人员而言将是显而易见的。所描述的示例性实现的各个方面和/或组件可以单独使用或以任何组合使用。希望说明书和示例性实现仅被认为是示例，本技术的真实范围和精神由所附权利要求来指示。

技术特征：
1.一种方法，所述方法包括：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率。2.根据权利要求1所述的方法，其中，基于从网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式包括：将流传输的传感器数据中的声学数据从时域转换到频域；从经转换的声学信号导出频域特征；将降维应用于所述频域特征；对经降维的频域特征进行聚类；以及应用指纹分析以识别传感器阶段。3.根据权利要求2所述的方法，其中，应用所述指纹分析以识别所述传感器阶段包括：从背景噪声中识别信号指纹；识别异常事件的先行标志；以及通过频带分布和图像分类来分析异常及其序列之间的事件关联。4.根据权利要求1所述的方法，其中，基于从所述传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式还包括：对数据进行合成以增强所述传感器数据；所述对数据进行合成包括：从分离的噪声信号和目标信号中提取信号特征以复制异常信号和噪声信号；通过叠加将复制的异常信号和噪声信号进行组合以形成合成数据；以及验证所述合成数据。5.根据权利要求1所述的方法，其中，基于从所述传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式包括：基于音频和图像的元数据学习对所述传感器数据执行异常值移除。6.根据权利要求1所述的方法，其中，通过用时间模式训练的随机过程来进行处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前阶段到另一阶段的改变的概率和前置时间，从而输出所有类型的已标记传感器阶段的所述概率和所述前置时间。7.根据权利要求1所述的方法，其中，被配置为提高准确度的顺序错误学习过程包括自反馈循环，该自反馈循环被配置成学习从随机过程继承的错误并改进训练阶段之间的伪标签。8.根据权利要求1所述的方法，其中，所述针对传感器网络中的一个或多个传感器的相邻传感器，确定与相邻传感器相关联的其他区域的传感器阶段改变的概率的步骤基于贝叶斯学习模型，所述贝叶斯学习模型被配置为基于融合指纹标签与来自传感器网络中的相邻传感器的地理和时间信息来确定其他区域的所述传感器阶段改变的概率和估计发生时间。
9.根据权利要求1所述的方法，其中，所述针对传感器网络中的一个或多个传感器的相邻传感器，确定与相邻传感器相关联的其他区域的传感器阶段改变概率的步骤还包括：生成包括传感器网络中具有传感器阶段改变概率的传感器的动态足迹，其中，所述动态足迹提供传感器网络中的随时间按时间顺序经历状态改变的传感器的可视化。10.根据权利要求1所述的方法，其中，所述当前传感器阶段和所述另一传感器阶段中的每一个是人为干扰、密集链锯、轻型链锯或安静时间中的一个。11.一种非瞬态计算机可读介质，其存储用于执行进程的指令，所述指令包括：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率。12.一种设备，所述设备包括：处理器，该处理器被配置为：基于从传感器网络中的一个或多个传感器流传输的传感器数据的特性来识别和标记模式；处理所识别和标记的模式以估计与所述一个或多个传感器相关联的区域从当前传感器阶段改变到另一传感器阶段的概率和前置时间，所述处理所识别和标记的模式包括被配置为提高准确性的顺序错误学习过程；并且针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的传感器阶段改变的概率。

技术总结
本文描述的示例实现可以包括：从自传感器网络中的一个或多个传感器流传输的传感器数据中检测人为干扰；处理所检测到的人为干扰，以确定链锯事件(例如，轻型链锯或密集链锯)的概率以及与所述一个或多个传感器相关联的区域的链锯事故的估计前置时间；以及针对所述传感器网络中的一个或多个传感器的相邻传感器，确定与所述相邻传感器相关联的其他区域的人为干扰或链锯事件的状态改变的概率。为干扰或链锯事件的状态改变的概率。为干扰或链锯事件的状态改变的概率。


技术研发人员：仵珈仪 毛罗
受保护的技术使用者：日立数据管理有限公司
技术研发日：2020.12.30
技术公布日：2023/8/31