融合Kleinberg模型CNN/LSTM级联的多传感器数据同步算法研究  

Research on Multi-sensor Data Synchronization Algorithm Integrating Kleinberg Model with Cascade CNN/LSTM

作　　者：林中明 潘秋霞 宋佩华 梁狄 LIN Zhongming;PAN Qiuxia;SONG Peihua

机构地区：[1]南宁师范大学物流管理与工程学院,广西南宁530100 [2]南宁师范大学云计算与物流系统仿真实验室,广西南宁530100 [3]广西民族大学教务处,广西南宁530006

出　　处：《南宁师范大学学报(自然科学版)》2025年第2期70-79,共10页Journal of Nanning Normal University:Natural Science Edition

基　　金：国家自然科学基金项目“基于生成对抗网络的在线三维室内场景合成关键技术研究”(62062051);广西壮族自治区哲学社会科学规划研究课题“人工智能赋能城市社区应急疏散管理能力提升路径研究”(24GLF005);广西应急管理联合创新科技攻关项目“智能应急物流关键技术研究与应用示范”(2024GXYJ052)。

摘　　要：智能家居系统不断更新,智能控制数字家庭设备要求逐渐提升,家庭自动化技术发展关键在于多设备间的无缝对接与协同作业,为此提出1种创新的数据同步算法。该算法通过CNN/LSTM级联数据同步,使多传感器的异构数据协同获得妥善解决,通过级联可变形卷积神经网络提高数据处理精确率与灵活性。融合Kleinberg模型,从网络聚类系数和平均路径长度2个参数角度构建小世界网络,通过重连概率p值的有效分析,提升网络同步性能,增强空间搜索范围,优化算法在数据同步上的预测精度与响应效率。经仿真实验研究,融合Kleinberg模型的卷积神经网络/长短期记忆网络(Convolutional Neural Network/Long Short-Term Memory,CNN/LSTM)级联数据同步算法在模型训练阶段相较于CNN在预测准确率上实现显著提升,在数据融合阶段,相较于平均加权法,预测准确率提高了18%,与卡尔曼滤波法相比,提高了32%;在召回率和F1分数上,与平均加权法相比,分别提升了2.2倍和1.7倍。该研究为数据同步问题提供了1种创新的解决方案。

关 键 词：多源数据融合 CNN/LSTM级联 Kleinberg模型 小世界网络 数据同步 

分 类 号：TP3[自动化与计算机技术—计算机科学与技术]