传感器接入功率确定方法、装置、计算机设备和存储介质

技术领域

本申请涉及传感器技术领域，特别是涉及一种传感器接入功率确定方法、装置、计算机设备和存储介质。

背景技术

随着电力场所的增多，为应对电力场所突发事件，需依靠传感器对电力场所中的电力设备参数以及运行环境参数进行监测。目前，监测使用的传感器常规状态下处于未接入状态，只在发生突发事件的情况下才考虑接入。

传统技术中，传感器接入的方式是通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入，存在准确性不高的问题，且传感器接入功率不能进行动态调整，使得能耗较高。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高传感器接入准确性和降低传感器接入能耗的传感器接入功率确定方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种传感器接入功率确定方法。所述方法包括：

获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

通过最优决策公式，确定所述目标传感器的调度决策和接入功率。

在其中一个实施例中，所述通过最优决策公式，确定所述目标传感器的调度决策和接入功率，包括：

针对所述目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，根据所述可选决策确定目标传感器的调度决策和接入功率。

在其中一个实施例中，所述最优决策公式包括：

D

其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，

在其中一个实施例中，所述相关性预测神经网络的训练过程，包括：

获取多个历史预设时间段内的历史传感器数据，对所述历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；

利用所述标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；

将所述标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，所述预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

基于所述实际相关性矩阵与所述预测相关性矩阵的差异，对所述初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

在其中一个实施例中，所述初始相关性预测神经网络的网络参数优化过程，包括：

获取所述初始相关性预测神经网络的初始网络参数以及初始预测矩阵；

计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数；

所述更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。

在其中一个实施例中，所述根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数，包括：

其中，

第二方面，本申请还提供了一种传感器接入功率确定装置。所述装置包括：

模型处理模块，用于获取预设时间段内的传感器数据，将所述预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，所述预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

目标确定模块，用于根据所述对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

功率确定模块，用于通过最优决策公式，确定所述目标传感器的调度决策和接入功率。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中的方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。

上述传感器接入功率确定方法、装置、计算机设备和存储介质，通过获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过功率最优决策公式，确定目标传感器的目标接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本申请通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。

附图说明

图1为本申请实施例中提供的传感器接入功率确定方法的流程示意图；

图2为一个实施例中提供的相关性预测神经网络的结构框图；

图3为一个实施例中相关性预测神经网络的训练过程的流程示意图；

图4为本申请实施例中提供的一个传感器接入功率确定装置的结构框图；

图5为本申请实施例中提供的一个计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本实施例中，提供了一种传感器接入功率确定方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括计算机设备和服务器的系统，并通过计算机设备和服务器的交互实现。

在描述本申请的具体实施例之前，首先介绍一下传感器接入功率确定方法的应用场景。该方法应用于电力场所，电力场所的电力设备参数以及运行环境参数需通过传感器进行监测，传感器可以采用MEMS传感器，传感器类型可以是气体传感器、压力传感器、射频传感器、红外传感器和温度传感器，具体不作限定。传感器采集到的传感器数据可以通过微功率无线、RS485或者电力线载波的通信方式传输至监测终端，监测终端中储存有训练后的相关性预测神经网络，在监测终端中通过训练后的相关性预测神经网络对传感器数据进行处理，确定目标突发事件和目标传感器，以及通过功率最优决策公式确定目标传感器的目标接入功率。

图1为本申请实施例中提供的传感器接入功率确定方法的流程示意图，该方法应用于计算机设备或服务器中，在一个实施例中，如图1所示，包括以下步骤：

S101，获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数。

在本实施例中，预设时间段中有T个时隙，每个时隙最多发生一个突发事件。在预设时间段内连续采集传感器数据，将采集到的传感器数据输入训练后的相关性预测神经网络，相关性预测神经网络的结构框图，如图2所示，相关性预测神经网络包括输入层、隐藏层和输出层。采集到的传感器数据在输入层输入训练后的相关性预测神经网络后，输出层输出预测矩阵。以有K个突发事件类型和I个传感器类型为例，在预设时间段内的第t个时隙得到的预测矩阵如下所示：

其中，

S102，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器。

在一个实施例中，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器的方式可以是在各突发事件类型的发生概率中选择出发生概率最大对应的突发事件类型作为目标突发事件，根据各相关性系数确定出与目标突发事件间相关性系数值最大的传感器类型作为目标传感器。

在本实施例中，通过训练后的相关性预测神经网络输出的预测矩阵，能够更加准确的确定出目标突发事件所属的突发事件类型，选择与目标突发事件相关性最高的传感器类型作为目标传感器，提高了目标传感器确定的准确性。

S103，通过最优决策公式，确定目标传感器的调度决策和接入功率。

在本实施例中，针对目标传感器和目标突发事件，通过最优决策公式计算所有可选决策的最优决策值，可选接入功率可通过人为设定，这里人为设定共有J个可选接入功率，选择各最优决策值中的最大值对应的可选决策，并根据该决策得到目标传感器的接入决策和接入功率。通过本实施例中的方式确定出的目标传感器的接入决策和接入功率，能够保证能量利用率，降低能耗。

在一些实施例中，最优决策公式包括：

D

其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，

进一步地，x

本实施例中提供的传感器接入功率确定方法，通过获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过最优决策公式，确定目标传感器的接入决策和接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本实施例通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。

在一个实施例中，相关性预测神经网络的训练过程的流程示意图，如图3所示，包括以下步骤：

S301，获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据。

在本实施例中，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记的方式为将历史正常传感器数据标记为ZC，将历史异常传感器数据标记为YC。对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记的方式为(YC1，k，i)，用(YC1，k，i)表示第1个历史异常传感器数据对应于第k个突发事件类型和第i个传感器类型。以历史异常传感器数据为火灾数据为例，则对应的突发事件类型为火灾，传感器类型为温度传感器。

S302，利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵。

以一具体历史预设时间段为例，该历史预设时间段包括10个时隙，第1个突发事件类型发生了2次，第2个突发事件类型发生了5次，则第1个突发事件类型发生概率为2/10＝0.2，第1个突发事件类型是在第3个时隙发生的，且第1个突发事件类型对应第2个传感器类型，则γ

S303，将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数。

S304，基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

通过对初始相关性预测神经网络进行训练，能够使得训练后的相关性预测神经网络的输出结果更加准确。

在一些实施例中，对初始相关性预测神经网络进行训练过程也是对初始相关性预测神经网络的网络参数进行优化的过程，初始相关性预测神经网络的网络参数优化过程为获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据所述平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于所述更新后的相关性系数得到更新后的预测矩阵，利用所述更新后的预测矩阵和所述初始预测矩阵对所述初始网络参数进行更新，得到更新后的网络参数；

其中，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数的过程通过如下公式实现：

其中，

在本实施例中，对初始相关性预测神经网络的网络参数进行优化，能够使得训练后的相关性预测神经网络的输出结果更加准确。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的传感器接入功率确定方法的传感器接入功率确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个传感器接入功率确定装置实施例中的具体限定可以参见上文中对于传感器接入功率确定方法的限定，在此不再赘述。

参见图4，图4为本申请实施例中提供的一个传感器接入功率确定装置的结构框图，该装置400包括：模型处理模块401、目标确定模块402和功率确定模块403，其中：

模型处理模块401，用于获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

目标确定模块402，用于根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

功率确定模块403，用于通过最优决策公式，确定目标传感器的调度决策和接入功率。

本实施例中提供的传感器接入功率确定装置，通过模型处理模块获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数，通过目标确定模块根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器，通过功率确定模块基于功率最优决策公式确定目标传感器的目标接入功率。相比于传统技术中因通过人工远程监测电力场所是否发生突发事件来控制传感器是否需接入导致的传感器接入准确性低和能耗高的问题而言，本实施例通过训练后的相关性预测神经网络对传感器数据进行处理，得到每一突发事件类型的发生概率，以及每一突发事件类型和每一传感器类型间的相关性系数，从而确定出目标传感器，使得确定出的目标传感器的准确性高，提高了目标传感器接入的准确性，并通过功率最优决策公式，确定目标传感器的目标接入功率，目标传感器的目标接入功率是通过功率最优决策公式确定的，使得确定出的目标接入功率更准确，进一步实现降低传感器接入的能耗。

可选的，功率确定模块403包括：

功率确定单元，用于针对目标传感器，通过功率最优决策公式计算所有可选接入功率对应的最优决策值，选择各最优决策值中的最大值对应的可选接入功率作为目标传感器的目标接入功率。

可选的，功率最优决策公式包括：

/>

D

其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，

可选的，该装置400还包括：

数据标记模块，用于获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；

矩阵获取模块，用于利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际预测矩阵；

输入输出模块，用于将标记后的数据输入至初始相关性预测神经网络，输出初始预测矩阵，初始预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

网络训练模块，用于基于实际预测矩阵与初始预测矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

可选的，该装置400还包括：

初始参数获取模块，用于获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；

参数更新模块，计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。

可选的，参数更新模块包括：

其中，

上述传感器接入功率确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过5G通信、WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种传感器接入功率确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例提供的传感器接入功率确定方法的步骤：

获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

通过最优决策公式，确定目标传感器的接入决策和接入功率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

针对目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，并根据该决策得到目标传感器的接入决策和接入功率。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

D

其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；

利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；

将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，初始预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；

计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；

更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

/>

其中，

上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例提供的传感器接入功率确定方法的步骤：

获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

通过最优决策公式，确定目标传感器的接入决策和接入功率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

针对目标传感器，通过最优决策公式计算所有可选决策对应的决策值，选择最大决策值对应的可选决策，并基于该决策得到目标传感器的接入决策和接入功率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

/>

D

其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；

利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；

将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；

计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；

更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

其中，

上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例提供的传感器接入功率确定方法的步骤：

获取预设时间段内的传感器数据，将预设时间段内的传感器数据输入训练后的相关性预测神经网络，输出预测矩阵，预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

根据对应的突发事件类型的发生概率和各相关性系数确定出目标突发事件和目标传感器；

通过最优决策公式，确定目标传感器的接入决策和接入功率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

针对目标传感器，通过最优决策公式计算所有可选决策的决策值，选择最大决策值对应的可选决策，并根据该决策得到目标传感器的接入决策和接入功率。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

D

其中，目标突发事件为第k个突发事件类型，目标传感器为第i个传感器类型，

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取多个历史预设时间段内的历史传感器数据，对历史传感器数据中的历史正常传感器数据和历史异常传感器数据分别进行标记，以及对每一历史异常传感器数据对应的突发事件类型和传感器类型进行标记，得到标记后的数据；

利用标记后的数据统计每一历史预设时间段内的每一突发事件类型发生概率，以及确定每一突发事件类型与每一传感器类型间的相关性系数，得到每一历史预设时间段对应的实际相关性矩阵；

将标记后的数据输入至初始相关性预测神经网络，输出预测相关性矩阵，预测相关性矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的相关性系数；

基于实际相关性矩阵与预测相关性矩阵的差异，对初始相关性预测神经网络进行训练，得到训练后的相关性预测神经网络。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取初始相关性预测神经网络的初始网络参数以及初始预测矩阵；

计算截止到当前时隙的平均加权决策评估值和平均决策评估值，根据平均加权决策评估值和平均决策评估值得到每一突发事件类型和每一传感器类型间的更新后的相关性系数，基于更新后的相关性系数得到更新后的预测矩阵，利用更新后的预测矩阵和初始预测矩阵对初始网络参数进行更新，得到更新后的网络参数；

更新后的预测矩阵中的每一元素包括对应的突发事件类型的发生概率，以及对应的突发事件类型和对应的传感器类型间的更新后的相关性系数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

其中，

上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。