[发明专利]一种基于超低功率电磁阀的大数据处理方法

权利要求书

1.一种基于超低功率电磁阀的大数据处理方法，其特征在于，该方法具体包括以下步骤：

步骤1：通过电磁阀内部传感器采集信息

步骤2：利用聚类分析将电磁阀采集的每个种类的数据划分为不同的子集，X＝{x₁，x₂，x₃…x_n}表示采集数据的集合；

其中每个子集满足以下条件：

在这n个数据子集中随机选取c个初始聚类中心，V＝{v₁ v₂…v_c}表示初始聚类中心的集合；

其中每个子集满足以下条件：

其中，x_i是数据点，v_j是聚类中心，n是样本总数，c是聚类中心数目；

步骤3：通过SLFCM算法来计算每个样本点对所有类中心的隶属度

输入：X，V，c，m

输出：V′

SLFCM算法的具体步骤如下：

Step1：使用公式(2)计算不同子集的数据点对聚类中心的隶属度；

Step2：汇总隶属度，检查约束：

Step3：利用公式(4)计算聚类集合的成员信息I′：

Step4：计算聚类中心V′；

Step5：如果if||V′-V||＜ε，则停止程序，否则回到Stepl；

Step6：输出V′，I′；

其中，u_ij表示x_i相对于v_j的隶属度；U＝[u_ii]_n×c是由数据点x_i对每个聚类中心v_j的隶属度构成的分区矩阵；I′表示聚类的成员信息；m是对聚类结果有显着影响的模糊化参数；ε表示一个预定义的常数，被用作停止标准；

步骤4：将熵权法和原有的SLFCM算法相结合形成EW-SLFCM算法

信息熵是用于度量信息量的一个概念；一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高；熵权法是基于样本数据来计算权重的一种算法；

通过将熵权法和原有的SLFCM算法相结合；在用SLFCM算法进行聚类分析的过程中，在计算隶属度函数时，需要计算输入样本X和聚类中心V之间的欧氏距离；将熵权法和原有的SLFCM算法相结合的改进之处在于，用熵权法来计算得到各个属性的权重，建立权重矩阵，进而把权重矩阵引入欧氏距离之中，把欧氏距离换为加权欧氏距离，进而计算新的聚类中心，再根据新旧聚类中心的差值是否小于阈值，当小于阈值则停止迭代；

步骤5：通过SRSIO-FCM算法进行分类的目的；

在SRSIO-FCM算法中，先将数据集合X划分成相同大小的子集，其中每个子集中的数据点是从子集中随机选择的；第一个子集的初始聚类中心是随机选择的，对第一个子集聚类，计算聚类中心V₁和成员信息I′₁；将V₁作为第二个子集的聚类输入，然后找到第二个子集的聚类中心V₂和成员信息I′₂；但是不会将V₂作为第三个子集的输入，而是将I′₁和I′₂组合起来，使用公式(4)来计算出新的聚类中心，然后将新聚类中心作为输入传送到第三个子集；所有后续子集都遵循此过程，将第i-1个子集的输出I′_i-1和第i个子集的输出I′_i结合起来，作为第i+1个子集的输入；其中，I′₁表示第一个子集的成员信息，I′₂表示第二个子集的成员信息，I′_i表示第i个子集的成员信息；

其中，SRSIO-FCM算法的具体步骤如下

Step1：将X加载为随机选择的子集X＝{x₁ x₂…x_c}；

Step2：从X更换为x₁；

Step3：V′，I′＝EW-SLFCM(x₁，V，c，m)；V′，I′＝SLFCM(x₁，V，c，m)

Step4：对于从p＝2到p＝n，

(4.1)：

V′，I′＝EW-SLFCM(x_p，V，c，m)；V′，I′＝SLFCM(x_p，V，c，m)；

(4.2)：合并所有处理子集的分区，

I′＝I′UI (6)

(4.4)：使用I′计算V′；

结束；

Step5：使用公式(1)计算目标函数，其中公式(1)如下：

Step6：输出：V′，I′；

步骤6：在Apache spark框架上对优化好的X数据集合进行处理。

2.根据权利要求1所述的一种基于超低功率电磁阀的大数据处理方法，其特征在于：步骤一具体为：通过在电磁阀内部安装的不同类型的传感器来采集各种所需的信息；通过液体流量计来测量当前状态下水管中液体的流速；通过液体成分检测传感器来检测当前状态下水质情况；通过传感器传回的信息分析出水路管网中的漏水情况以及当前状态下的水质情况。