本發(fā)明屬于物聯(lián)網(wǎng)領(lǐng)域，尤其涉及一種基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)。

背景技術(shù)：

隨著計算機(jī)、電子通訊、控制、信息等技術(shù)的發(fā)展，運(yùn)用計算機(jī)物聯(lián)網(wǎng)技術(shù)可為生態(tài)農(nóng)、牧業(yè)建設(shè)和科學(xué)管理提供全方位、完善的監(jiān)測技術(shù)手段。建立生態(tài)物聯(lián)網(wǎng)可對農(nóng)業(yè)、草原牧區(qū)土壤和氣象環(huán)境參數(shù)進(jìn)行實(shí)時、高效、快速的檢測，對生態(tài)產(chǎn)量和質(zhì)量進(jìn)行預(yù)報，以及對重大農(nóng)、牧業(yè)生態(tài)環(huán)境污染事故做出預(yù)警，是有效扭轉(zhuǎn)我國目前生態(tài)農(nóng)牧發(fā)展現(xiàn)狀的技術(shù)方法之一，這將產(chǎn)生良好的社會和經(jīng)濟(jì)效益，推動社會發(fā)展。

無線傳感器網(wǎng)絡(luò)的產(chǎn)品備受消費(fèi)者青睞，然而由于采集數(shù)據(jù)較多，用戶實(shí)時性要求較高，PC機(jī)笨重不便攜的缺點(diǎn)日益凸顯。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)，旨在解決現(xiàn)有物聯(lián)網(wǎng)無線傳感器網(wǎng)絡(luò)采用PC機(jī)，笨重便于攜帶和操作的問題。

本發(fā)明是這樣實(shí)現(xiàn)的，一種基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)，所述基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)包括Zigbee傳感器網(wǎng)絡(luò)模塊、主線程模塊、分線程模塊、Android模塊；

所述主線程模塊、分線程模塊集成安裝在所述Android模塊內(nèi)；

所述分線程模塊用于向Zigbee傳感器網(wǎng)絡(luò)模塊發(fā)送聯(lián)網(wǎng)請求，分線程模塊得到Zigbee傳感器網(wǎng)絡(luò)模塊返回的數(shù)據(jù)，發(fā)送給主線程模塊；

所述主線程模塊用于顯示和更新分線程模塊得到的Zigbee傳感器網(wǎng)絡(luò)模塊返回的數(shù)據(jù)；

所述主線程模塊內(nèi)置用于Json數(shù)據(jù)解析的Gson模塊。

進(jìn)一步，所述傳感器的輸出電壓溫度預(yù)測模型為：

V_Tλ＝a+bV_25λ+cT+dT²+eT³+fT⁴+gT·V_25λ (6)

T為攝氏溫度，V_Tλ為溫度T下λ波段上行光或下行光傳感器的輸出電壓；利用建模數(shù)據(jù)和SPSS16.0的非線性回歸功能得公式(4)的系數(shù)，其中e＝0，f＝0，因此模型剔除溫度的三次項(xiàng)和四次項(xiàng)得公式(5)；

V_Tλ＝0.041+0.909V_25λ-0.002T+10^-5T²+0.004T·V_25λ (7)。

進(jìn)一步，所述傳感器的量測模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分別為傳感器對目標(biāo)在t_k-1，t_k，t_k+1時刻的本地笛卡爾坐標(biāo)系下的量測值，分別為：

$Y_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{k-1}\right)+n_{Y_A\left(t_{k-1}\right)}---\left(8\right)$

$Y_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}---\left(9\right)$

$Y_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}---\left(10\right)$

其中，Y′_A(t_k-1)、Y′_A(t_k)、Y′_A(t_k+1)分別為傳感器在t_k-1，t_k，t_k+1時刻的本地笛卡爾坐標(biāo)系下的真實(shí)位置；C_A(t)為誤差的變換矩陣；ξ_A(t)為傳感器的系統(tǒng)誤差；為系統(tǒng)噪聲，假設(shè)為零均值、相互獨(dú)立的高斯型隨機(jī)變量，噪聲協(xié)方差矩陣分別為R_A(k-1)、R_A(k)、R_A(k+1)。

進(jìn)一步，所述Android模塊設(shè)置有子匹配濾波器，所述子匹配濾波器的傳遞函數(shù)為：

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

C_i是由分層序列u，v調(diào)制而成的，u是分層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；

$H\left(z\right)=X\left(z\right)=C\left(z\right)=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_i{z}^{-i}=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_{16m+n}{z}^{-(16m+n)}=\underset{i=1}{\overset{L_u-1}{\Σ}}{u}_n{z}^{-n}\underset{i=1}{\overset{L_v-1}{\Σ}}{v}_m{z}^{-16m}=H\left(z_u\right)H\left(z_v\right);$

根據(jù)分層的Golay序列對傳遞函數(shù)進(jìn)行改進(jìn)，則有：

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]。

進(jìn)一步，所述基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)包括多源異構(gòu)數(shù)據(jù)語義集成模型，所述多源異構(gòu)數(shù)據(jù)語義集成模型包括：局部本體構(gòu)建模塊、本體合并模塊和語義查詢動態(tài)擴(kuò)展及規(guī)約模塊；

局部本體構(gòu)建模塊，根據(jù)數(shù)據(jù)源特征，自適應(yīng)地選擇本體構(gòu)建策略，從而構(gòu)建出油氣勘探局部本體；首先，應(yīng)用文本過濾器將不同的文件格式轉(zhuǎn)成為純文本文件格式，獲得語料數(shù)據(jù)，并進(jìn)行一致性檢查；然后，采用逆向最大分類中文分詞方法對這些語料進(jìn)行初步的切分處理，得到字串集合；然后，利用最大信息系數(shù)方法計算字串的內(nèi)部結(jié)合強(qiáng)度，獲取合成詞集合，并判斷合成詞和非合成詞的領(lǐng)域相關(guān)性，提取出概念集合；然后，應(yīng)用圖上隨機(jī)游走算法推理合成詞概念間的分類關(guān)系，采用基于隱Markov模型的聚類算法提取非合成詞概念間的分類關(guān)系；接著，運(yùn)用基于關(guān)聯(lián)規(guī)則挖掘的方法獲取概念間的非分類關(guān)系；最后，應(yīng)用本體構(gòu)建工具輸出OWL格式的局部本體；首先，利用R2O技術(shù)建立數(shù)據(jù)庫模式和本體模型之間的語義映射關(guān)系，從而把關(guān)系數(shù)據(jù)庫中的關(guān)系映射為本體中的概念，把屬性對應(yīng)地映射為OWL屬性，并把數(shù)據(jù)庫的關(guān)系表轉(zhuǎn)化為本體類，把數(shù)據(jù)庫中的數(shù)據(jù)轉(zhuǎn)化為實(shí)例；然后，對從數(shù)據(jù)庫中抽取出來的初始局部本體做一系列的規(guī)范化工作，通過與標(biāo)準(zhǔn)本體進(jìn)行語義相似度計算，將符合閾值的本體信息建立語義聯(lián)系，不符合閾值的本體信息進(jìn)行規(guī)范化處理，從而構(gòu)建出符合要求的規(guī)范化局部本體；由于半結(jié)構(gòu)化數(shù)據(jù)是介于結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)之間的、具有隱含結(jié)構(gòu)但缺乏固定或嚴(yán)格結(jié)構(gòu)的一類數(shù)據(jù)；所以，基于上述兩種數(shù)據(jù)類型的本體構(gòu)建技術(shù)也可以應(yīng)用到半結(jié)構(gòu)化數(shù)據(jù)源；首先，抽取出半結(jié)構(gòu)化數(shù)據(jù)模式，給定映射規(guī)則，利用XML2RD方法，將半結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)；然后，按照結(jié)構(gòu)化數(shù)據(jù)構(gòu)建局部本體的方法構(gòu)造半結(jié)構(gòu)化數(shù)據(jù)源對應(yīng)的局部本體；

本體合并模塊，與局部本體構(gòu)建模塊連接，采用將概念匹配和屬性匹配相結(jié)合的本體合并方法，利用最大信息系數(shù)方法計算概念語義相似度和概念屬性的語義相似度，實(shí)現(xiàn)多個局部本體到領(lǐng)域本體的靈活合并；采用將概念匹配和屬性匹配相結(jié)合的本體合并方法，利用最大信息系數(shù)方法計算概念語義相似度和概念屬性的語義相似度，然后，通過相似度評估函數(shù)對概念間的相似度進(jìn)行評估，輸出相似矩陣，并對相似矩陣運(yùn)用領(lǐng)域公理約束知識進(jìn)一步評估其相似性；接著，通過機(jī)器學(xué)習(xí)的方法訓(xùn)練學(xué)習(xí)分類器，利用學(xué)習(xí)分類器計算概念實(shí)例間的相似度；最后，通過結(jié)合ISO15926油氣本體和模糊形式概念分析方法，綜合考慮語義相似度的對稱性和傳遞性關(guān)系，將模糊集理論引入語義相似度的設(shè)定中，實(shí)現(xiàn)多個局部本體到領(lǐng)域本體的靈活合并；

語義查詢動態(tài)擴(kuò)展及規(guī)約模塊，與局部本體構(gòu)建模塊連接，用于查詢請求動態(tài)擴(kuò)展的有效性及結(jié)果的聚合優(yōu)化；首先，借助社會標(biāo)注語義分析和本體包含的概念關(guān)系及推理能力，對查詢請求進(jìn)行語法及語義上的規(guī)約與擴(kuò)展，生成規(guī)范的語義查詢語句，解決查詢請求與領(lǐng)域本體數(shù)據(jù)源之間由于表達(dá)形式的不同所造成的失配問題，并根據(jù)用戶的查詢請求自動推薦一簇語義相關(guān)標(biāo)簽，為實(shí)現(xiàn)數(shù)據(jù)源準(zhǔn)確聚集提供導(dǎo)引；然后，通過計算擴(kuò)展查詢請求和領(lǐng)域本體概念間的語義相似度來量化請求與資源概念間的關(guān)聯(lián)度；最后，利用社會標(biāo)注和本體包含的豐富概念語義關(guān)系，對查詢結(jié)果模式進(jìn)行語義注釋，根據(jù)社會標(biāo)注的語義全局效應(yīng)，引入以統(tǒng)計分析結(jié)果獲得的最相關(guān)可信性標(biāo)注所指向的數(shù)據(jù)源作為查詢結(jié)果可信性評價標(biāo)準(zhǔn)之一，對結(jié)果集進(jìn)行去重和聚合優(yōu)化，實(shí)現(xiàn)可信的Top-K查詢。

進(jìn)一步，所述Android模塊設(shè)置有運(yùn)行數(shù)據(jù)調(diào)整模塊，所述運(yùn)行數(shù)據(jù)調(diào)整模塊的數(shù)據(jù)處理方法包括：

取1周也就是7天作為一個相關(guān)負(fù)荷周期，跳躍數(shù)據(jù)D_it所在工作日前一周作為第一周期，后一周作為第二周期；

在n＝14天的相關(guān)負(fù)荷，在t時刻：

取第一周期的不同類型日t時刻的值作平滑，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分別為第一周期不同類型日t時刻的運(yùn)行數(shù)據(jù)。

取第二周期的不同類型日t時刻的值作平滑，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分別為第二周期不同類型日t時刻的運(yùn)行數(shù)據(jù)；

此處，α為逐點(diǎn)運(yùn)行數(shù)據(jù)的平滑系數(shù)，在(0，1)區(qū)間上取值；

另取第一周期中同類型日t時刻的值D_1it，則有：

于是，得到t時刻修正后的運(yùn)行數(shù)據(jù)D‘_it為：

進(jìn)一步，所述Android模塊設(shè)置有數(shù)據(jù)壓縮模塊，所述數(shù)據(jù)壓縮模塊的梳理處理方法包括：

步驟一，掩藏文本抓取：從網(wǎng)絡(luò)中抓取當(dāng)前在網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)作為掩藏文本；模擬HTTP協(xié)議進(jìn)行數(shù)據(jù)通信，模擬HTTP中PUT請求進(jìn)行數(shù)據(jù)傳送；將隱藏文本按兩個字節(jié)一組當(dāng)作無符號整型數(shù)據(jù)并加一作為將要傳輸?shù)臄?shù)據(jù)；將掩藏文本按隱藏文本的數(shù)值切割為一個一個的數(shù)據(jù)包進(jìn)行傳輸，傳輸過程中建立多條連接，在不同連接上應(yīng)用不同的編解碼規(guī)則進(jìn)行差別傳輸；服務(wù)器端將數(shù)據(jù)進(jìn)行解壓之后根據(jù)接收到的數(shù)據(jù)包長度進(jìn)行逆向轉(zhuǎn)換，解碼出隱藏數(shù)據(jù)，即完成隱藏傳輸。

步驟二、在編碼時，首先根據(jù)E1_n+1＝E1_n+d_n+1式計算出E1值，再根據(jù)和式計算出擬合殘差，計算這兩步時，均需要對結(jié)果進(jìn)行越限判斷，判斷E1是否越限是為了避免超過傳感器數(shù)據(jù)總線上限而造成溢出；判斷殘差是否越限是為實(shí)現(xiàn)分段擬合；

步驟三、當(dāng)一段輸入數(shù)據(jù)的擬合殘差全部計算完后，就構(gòu)造出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}所示的數(shù)據(jù)包，通過S-Huffman編碼方法對進(jìn)行熵編碼，然后發(fā)送出去，接收端解碼時，先將接收到的一組數(shù)據(jù)解碼，還原出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}式所示的數(shù)據(jù)包，然后根據(jù)式計算并還原出所有原始數(shù)據(jù)。

本發(fā)明利用Android模塊內(nèi)置的主線程模塊、分線程模塊，將無線傳感器網(wǎng)路系統(tǒng)中獲取的環(huán)境參數(shù)信息，實(shí)時的顯示到用戶移動設(shè)備上，使用者可以在移動的情況下隨時隨地獲取遠(yuǎn)距離參數(shù)。本發(fā)明分別建立領(lǐng)域本體與局部本體的映射、局部本體與數(shù)據(jù)源的映射，使得領(lǐng)域本體、局部本體和數(shù)據(jù)源既互相聯(lián)系，又相對獨(dú)立，能夠降低語義集成系統(tǒng)的耦合性。為了實(shí)現(xiàn)語義查詢及易用性，結(jié)合社會標(biāo)注及本體在知識表達(dá)上的互補(bǔ)優(yōu)勢，對用戶的語義查詢請求進(jìn)行查詢規(guī)約及擴(kuò)展，并對查詢結(jié)果去重和聚合優(yōu)化，最終將優(yōu)化后的結(jié)果返回給用戶。

附圖說明

圖1是本發(fā)明實(shí)施例提供的基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)的結(jié)構(gòu)示意圖；

圖中：1、Zigbee傳感器網(wǎng)絡(luò)模塊；2、主線程模塊；3、分線程模塊；4、Android模塊。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細(xì)的描述。

如圖1所示，本發(fā)明實(shí)施例的基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)，包括Zigbee傳感器網(wǎng)絡(luò)模塊1、主線程模塊2、分線程模塊3、Android模塊4。

所述主線程模塊1、分線程模塊2集成安裝在所述Android模塊4內(nèi)。

所述分線程模塊3用于向Zigbee傳感器網(wǎng)絡(luò)模塊1發(fā)送聯(lián)網(wǎng)請求，分線程模塊3得到Zigbee傳感器網(wǎng)絡(luò)模塊1返回的數(shù)據(jù)，發(fā)送給主線程模塊2。

所述主線程模塊2用于顯示和更新分線程模塊3得到的Zigbee傳感器網(wǎng)絡(luò)模塊1返回的數(shù)據(jù)。

進(jìn)一步，所述主線程模塊1內(nèi)置用于Json數(shù)據(jù)解析的Gson模塊。

本發(fā)明的基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)消息機(jī)制如下：

對于Android中聯(lián)網(wǎng)請求異步消息，可以分為三步：

1、主線程顯示提示視圖；

2、分線程進(jìn)行聯(lián)網(wǎng)請求，并得到響應(yīng)數(shù)據(jù)；

3、在主線程中顯示數(shù)據(jù)，在Android開發(fā)過程中與消息處理相關(guān)的API主要有Message和Handler；

當(dāng)分線程聯(lián)網(wǎng)獲得了服務(wù)器端返回的數(shù)據(jù)，需在主線程里執(zhí)行。分線程發(fā)一個消息給主線程，這個消息攜帶數(shù)據(jù)，然后在主線程中進(jìn)行界面更新等相關(guān)操作。Handler的作用定義為在線程間分發(fā)消息。也就是說Handler是Message的處理器，處理消息的發(fā)送和移除工作。Message通過其自己的靜態(tài)方法Message.obtain()創(chuàng)建一個對象。然后由obj或者arg1對象對不同類型的消息進(jìn)行封裝。最后由what對象對消息標(biāo)識。Handler通過Handler.sendMessage(Message msg)或Handler.sendMessage(Message msg，Lang time)來發(fā)送消息，這兩種方法所不同的是發(fā)送的消息是否需要延時。在主線程中，通過調(diào)用handleMessage(Message msg)來處理消息。

Json分為兩種格式Json數(shù)組和Json對象。Json數(shù)組的結(jié)構(gòu)為[value1，value2，value3……]，而Json對象的結(jié)構(gòu)為[key1：value1，key2：value2，key3：value3……]。

其中key的值必須是字符串，而value的數(shù)據(jù)類型可以是數(shù)值、字符串、null甚至還可以是Json對象或Json數(shù)組。在服務(wù)器端，需要將Java對象轉(zhuǎn)換為Json格式的字符串來返回給客戶端；在客戶端，通常反之進(jìn)行操作。

對于Json數(shù)據(jù)的解析可以用Android原生的API但相對來說比較繁瑣。而使用Gson框架就會使項(xiàng)目比較簡潔，在本次開發(fā)中使用的是Gson框架。在導(dǎo)入Gson架包之后，然后創(chuàng)建Gson對象后通過調(diào)用String toJson(Object src)方法就可以將傳入的對象轉(zhuǎn)換為對應(yīng)格式的Json字符串；同樣在服務(wù)器端，通過調(diào)用T fromJson(String Json，Type typeofT)也可以解析Json字符串，得到對象。

進(jìn)一步，所述傳感器的輸出電壓溫度預(yù)測模型為：

V_Tλ＝a+bV_25λ+cT+dT²+eT³+fT⁴+gT·V_25λ (11)

T為攝氏溫度，V_Tλ為溫度T下λ波段上行光或下行光傳感器的輸出電壓；利用建模數(shù)據(jù)和SPSS16.0的非線性回歸功能得公式(4)的系數(shù)，其中e＝0，f＝0，因此模型剔除溫度的三次項(xiàng)和四次項(xiàng)得公式(5)；

V_Tλ＝0.041+0.909V_25λ-0.002T+10^-5T²+0.004T·V_25λ (12)。

進(jìn)一步，所述傳感器的量測模型如下：

Y_A(t_k-1)、Y_A(t_k)、Y_A(t_k+1)分別為傳感器對目標(biāo)在t_k-1，t_k，t_k+1時刻的本地笛卡爾坐標(biāo)系下的量測值，分別為：

$Y_A\left(t_{k-1}\right)={Y^{\′}}_A\left(t_{k-1}\right)-C_A\left(t_{k-1}\right){\mathrm{\ξ}}_A\left(t_{k-1}\right)+n_{Y_A\left(t_{k-1}\right)}---\left(13\right)$

$Y_A\left(t_k\right)={Y^{\′}}_A\left(t_k\right)-C_A\left(t_k\right){\mathrm{\ξ}}_A\left(t_k\right)+n_{Y_A\left(t_k\right)}---\left(14\right)$

$Y_A\left(t_{k+1}\right)={Y^{\′}}_A\left(t_{k+1}\right)-C_A\left(t_{k+1}\right){\mathrm{\ξ}}_A\left(t_{k+1}\right)+n_{Y_A\left(t_{k+1}\right)}---\left(15\right)$

其中，Y′_A(t_k-1)、Y′_A(t_k)、Y′_A(t_k+1)分別為傳感器在t_k-1，t_k，t_k+1時刻的本地笛卡爾坐標(biāo)系下的真實(shí)位置；C_A(t)為誤差的變換矩陣；ξ_A(t)為傳感器的系統(tǒng)誤差；為系統(tǒng)噪聲，假設(shè)為零均值、相互獨(dú)立的高斯型隨機(jī)變量，噪聲協(xié)方差矩陣分別為R_A(k-1)、R_A(k)、R_A(k+1)。

進(jìn)一步，所述Android模塊設(shè)置有子匹配濾波器，所述子匹配濾波器的傳遞函數(shù)為：

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

C_i是由分層序列u，v調(diào)制而成的，u是分層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；

$H\left(z\right)=X\left(z\right)=C\left(z\right)=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_i{z}^{-i}=\underset{i=0}{\overset{L_u{L}_v-1}{\Σ}}{C}_{16m+n}{z}^{-(16m+n)}=\underset{i=1}{\overset{L_u-1}{\Σ}}{u}_n{z}^{-n}\underset{i=1}{\overset{L_v-1}{\Σ}}{v}_m{z}^{-16m}=H\left(z_u\right)H\left(z_v\right);$

根據(jù)分層的Golay序列對傳遞函數(shù)進(jìn)行改進(jìn)，則有：

H(z_u)＝[1+z^-8+z^-1(1-z^-8)][1+z^-4+z^-2(1-z⁴)]；

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

進(jìn)一步，所述基于物聯(lián)網(wǎng)的數(shù)據(jù)顯示后臺系統(tǒng)包括多源異構(gòu)數(shù)據(jù)語義集成模型，所述多源異構(gòu)數(shù)據(jù)語義集成模型包括：局部本體構(gòu)建模塊、本體合并模塊和語義查詢動態(tài)擴(kuò)展及規(guī)約模塊；

局部本體構(gòu)建模塊，根據(jù)數(shù)據(jù)源特征，自適應(yīng)地選擇本體構(gòu)建策略，從而構(gòu)建出油氣勘探局部本體；首先，應(yīng)用文本過濾器將不同的文件格式轉(zhuǎn)成為純文本文件格式，獲得語料數(shù)據(jù)，并進(jìn)行一致性檢查；然后，采用逆向最大分類中文分詞方法對這些語料進(jìn)行初步的切分處理，得到字串集合；然后，利用最大信息系數(shù)方法計算字串的內(nèi)部結(jié)合強(qiáng)度，獲取合成詞集合，并判斷合成詞和非合成詞的領(lǐng)域相關(guān)性，提取出概念集合；然后，應(yīng)用圖上隨機(jī)游走算法推理合成詞概念間的分類關(guān)系，采用基于隱Markov模型的聚類算法提取非合成詞概念間的分類關(guān)系；接著，運(yùn)用基于關(guān)聯(lián)規(guī)則挖掘的方法獲取概念間的非分類關(guān)系；最后，應(yīng)用本體構(gòu)建工具輸出OWL格式的局部本體；首先，利用R2O技術(shù)建立數(shù)據(jù)庫模式和本體模型之間的語義映射關(guān)系，從而把關(guān)系數(shù)據(jù)庫中的關(guān)系映射為本體中的概念，把屬性對應(yīng)地映射為OWL屬性，并把數(shù)據(jù)庫的關(guān)系表轉(zhuǎn)化為本體類，把數(shù)據(jù)庫中的數(shù)據(jù)轉(zhuǎn)化為實(shí)例；然后，對從數(shù)據(jù)庫中抽取出來的初始局部本體做一系列的規(guī)范化工作，通過與標(biāo)準(zhǔn)本體進(jìn)行語義相似度計算，將符合閾值的本體信息建立語義聯(lián)系，不符合閾值的本體信息進(jìn)行規(guī)范化處理，從而構(gòu)建出符合要求的規(guī)范化局部本體；由于半結(jié)構(gòu)化數(shù)據(jù)是介于結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)之間的、具有隱含結(jié)構(gòu)但缺乏固定或嚴(yán)格結(jié)構(gòu)的一類數(shù)據(jù)；所以，基于上述兩種數(shù)據(jù)類型的本體構(gòu)建技術(shù)也可以應(yīng)用到半結(jié)構(gòu)化數(shù)據(jù)源；首先，抽取出半結(jié)構(gòu)化數(shù)據(jù)模式，給定映射規(guī)則，利用XML2RD方法，將半結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)；然后，按照結(jié)構(gòu)化數(shù)據(jù)構(gòu)建局部本體的方法構(gòu)造半結(jié)構(gòu)化數(shù)據(jù)源對應(yīng)的局部本體；

本體合并模塊，與局部本體構(gòu)建模塊連接，采用將概念匹配和屬性匹配相結(jié)合的本體合并方法，利用最大信息系數(shù)方法計算概念語義相似度和概念屬性的語義相似度，實(shí)現(xiàn)多個局部本體到領(lǐng)域本體的靈活合并；采用將概念匹配和屬性匹配相結(jié)合的本體合并方法，利用最大信息系數(shù)方法計算概念語義相似度和概念屬性的語義相似度，然后，通過相似度評估函數(shù)對概念間的相似度進(jìn)行評估，輸出相似矩陣，并對相似矩陣運(yùn)用領(lǐng)域公理約束知識進(jìn)一步評估其相似性；接著，通過機(jī)器學(xué)習(xí)的方法訓(xùn)練學(xué)習(xí)分類器，利用學(xué)習(xí)分類器計算概念實(shí)例間的相似度；最后，通過結(jié)合ISO15926油氣本體和模糊形式概念分析方法，綜合考慮語義相似度的對稱性和傳遞性關(guān)系，將模糊集理論引入語義相似度的設(shè)定中，實(shí)現(xiàn)多個局部本體到領(lǐng)域本體的靈活合并；

語義查詢動態(tài)擴(kuò)展及規(guī)約模塊，與局部本體構(gòu)建模塊連接，用于查詢請求動態(tài)擴(kuò)展的有效性及結(jié)果的聚合優(yōu)化；首先，借助社會標(biāo)注語義分析和本體包含的概念關(guān)系及推理能力，對查詢請求進(jìn)行語法及語義上的規(guī)約與擴(kuò)展，生成規(guī)范的語義查詢語句，解決查詢請求與領(lǐng)域本體數(shù)據(jù)源之間由于表達(dá)形式的不同所造成的失配問題，并根據(jù)用戶的查詢請求自動推薦一簇語義相關(guān)標(biāo)簽，為實(shí)現(xiàn)數(shù)據(jù)源準(zhǔn)確聚集提供導(dǎo)引；然后，通過計算擴(kuò)展查詢請求和領(lǐng)域本體概念間的語義相似度來量化請求與資源概念間的關(guān)聯(lián)度；最后，利用社會標(biāo)注和本體包含的豐富概念語義關(guān)系，對查詢結(jié)果模式進(jìn)行語義注釋，根據(jù)社會標(biāo)注的語義全局效應(yīng)，引入以統(tǒng)計分析結(jié)果獲得的最相關(guān)可信性標(biāo)注所指向的數(shù)據(jù)源作為查詢結(jié)果可信性評價標(biāo)準(zhǔn)之一，對結(jié)果集進(jìn)行去重和聚合優(yōu)化，實(shí)現(xiàn)可信的Top-K查詢。

進(jìn)一步，所述Android模塊設(shè)置有運(yùn)行數(shù)據(jù)調(diào)整模塊，所述運(yùn)行數(shù)據(jù)調(diào)整模塊的數(shù)據(jù)處理方法包括：

取1周也就是7天作為一個相關(guān)負(fù)荷周期，跳躍數(shù)據(jù)D_it所在工作日前一周作為第一周期，后一周作為第二周期；

在n＝14天的相關(guān)負(fù)荷，在t時刻：

取第一周期的不同類型日t時刻的值作平滑，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分別為第一周期不同類型日t時刻的運(yùn)行數(shù)據(jù)。

取第二周期的不同類型日t時刻的值作平滑，得到：

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

其中，D_9it...D_14it分別為第二周期不同類型日t時刻的運(yùn)行數(shù)據(jù)；

此處，α為逐點(diǎn)運(yùn)行數(shù)據(jù)的平滑系數(shù)，在(0，1)區(qū)間上取值；

另取第一周期中同類型日t時刻的值D_1it，則有：

于是，得到t時刻修正后的運(yùn)行數(shù)據(jù)D‘_it為：

進(jìn)一步，所述Android模塊設(shè)置有數(shù)據(jù)壓縮模塊，所述數(shù)據(jù)壓縮模塊的梳理處理方法包括：

步驟一，掩藏文本抓取：從網(wǎng)絡(luò)中抓取當(dāng)前在網(wǎng)絡(luò)中傳輸?shù)臄?shù)據(jù)作為掩藏文本；模擬HTTP協(xié)議進(jìn)行數(shù)據(jù)通信，模擬HTTP中PUT請求進(jìn)行數(shù)據(jù)傳送；將隱藏文本按兩個字節(jié)一組當(dāng)作無符號整型數(shù)據(jù)并加一作為將要傳輸?shù)臄?shù)據(jù)；將掩藏文本按隱藏文本的數(shù)值切割為一個一個的數(shù)據(jù)包進(jìn)行傳輸，傳輸過程中建立多條連接，在不同連接上應(yīng)用不同的編解碼規(guī)則進(jìn)行差別傳輸；服務(wù)器端將數(shù)據(jù)進(jìn)行解壓之后根據(jù)接收到的數(shù)據(jù)包長度進(jìn)行逆向轉(zhuǎn)換，解碼出隱藏數(shù)據(jù)，即完成隱藏傳輸。

步驟二、在編碼時，首先根據(jù)E1_n+1＝E1_n+d_n+1式計算出E1值，再根據(jù)和式計算出擬合殘差，計算這兩步時，均需要對結(jié)果進(jìn)行越限判斷，判斷E1是否越限是為了避免超過傳感器數(shù)據(jù)總線上限而造成溢出；判斷殘差是否越限是為實(shí)現(xiàn)分段擬合；

步驟三、當(dāng)一段輸入數(shù)據(jù)的擬合殘差全部計算完后，就構(gòu)造出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}所示的數(shù)據(jù)包，通過S-Huffman編碼方法對進(jìn)行熵編碼，然后發(fā)送出去，接收端解碼時，先將接收到的一組數(shù)據(jù)解碼，還原出{d_n，E1_n，DFR₃，DFR₄，…DFR_n}式所示的數(shù)據(jù)包，然后根據(jù)式計算并還原出所有原始數(shù)據(jù)。

本發(fā)明利用Android模塊內(nèi)置的主線程模塊、分線程模塊，將無線傳感器網(wǎng)路系統(tǒng)中獲取的環(huán)境參數(shù)信息，實(shí)時的顯示到用戶移動設(shè)備上，使用者可以在移動的情況下隨時隨地獲取遠(yuǎn)距離參數(shù)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。