传感器网络校准

1.一种用于确定校准值的方法，该校准值表明传感器网络(100)中三个或更多传感器(102)的组(502、504、506)的校准失去程度，该方法包括：
接收由每个所述传感器在一段时间上捕获的多个数据值；
由处理单元确定与每个传感器相关联的至少一个相关值，每个相关值对应于由相关联的传感器捕获的数据值与至少一个其他传感器捕获的数据值之间的相关；
由高通滤波器(410)提取所述相关值的噪声分量；以及
输出基于所述噪声分量与参考噪声值之间的差确定的所述校准值。
2.根据权利要求1所述的方法，其中所述参考噪声值通过下述步骤来确定：
接收由每个所述传感器在初始的一段时间内捕获的多个初始数据值；
由处理单元确定与每个传感器相关联的至少一个初始相关值，每个初始相关值对应于相关联的传感器捕获的初始数据值与至少一个其他传感器捕获的初始数据值之间的相关；
以及
由高通滤波器(410)提取所述初始相关值的初始噪声分量，所述初始噪声分量提供所述参考噪声值。
3.根据权利要求1或2所述的方法，还包括确定多个传感器组(502、504、506)，每个组包括所述传感器网络中的至少三个传感器，所述组基于网络的传感器捕获的数据值之间的相关而确定，其中具有相关数据值的传感器被分为一组。
4.根据权利要求3所述的方法，还包括针对每个所述传感器组确定所述校准值，并在至少一个计算中使用所述传感器组捕获的数据值，其中为了所述计算，基于与每个传感器组相关联的校准值对来自该组的数据值进行加权，从而来自更佳校准的传感器组的数据值与来自更差校准的传感器组的数据值相比被给予更高的权重。
5.根据权利要求1所述的方法，其中所述组包括n个传感器并且所述相关值填满一个n×n矩阵，并且其中所述噪声分量以另一个n×n矩阵的形式提取出来。
6.根据权利要求5所述的方法，其中基于下式计算定义为所述噪声分量与所述参考噪声值之间的差的校准值I(t)：
I(t)＝||M(t)-M0||
其中M(t)是矩阵形式的噪声分量，M0是矩阵形式的初始噪声值，并且||M(t)-M0||是M(t)-M0的模。
7.根据权利要求1所述的方法，还包括将所述校准值与一个阈值相比较，并且当所述校准值高于所述阈值时，输出表明所述传感器组已经失去校准的指示。
8.根据权利要求7所述的方法，还包括当所述校准值大于所述阈值时替换所述传感器组。
9.根据权利要求7所述的方法，还包括当所述校准值大于所述阈值时重新校准所述传感器组。
10.根据权利要求1所述的方法，其中所述传感器网络包括至少一个控制功能(112)，该控制功能当来自至少一个传感器的至少一个数据值高于控制阈值时激活，该方法还包括基于所述校准值调整所述控制阈值。
11.一种用于确定校准值的电路，该校准值表明传感器网络(100)中三个或更多传感器(102)的组(502、504、506)的校准失去程度，包括：
相关计算单元(404)，配置用于接收由每个所述传感器在一段时间上捕获的多个数据值，并用于确定与每个传感器相关联的至少一个相关值，每个相关值对应于由相关联的传感器捕获的数据值与至少一个其他传感器捕获的数据值之间的相关；
高通滤波器(410)，配置用于提取所述相关值的噪声分量；以及
输出单元(420)，配置用于输出基于所述噪声分量与参考噪声值之间的差的所述校准值。
12.根据权利要求11所述的电路，还包括用于将所述校准值与阈值相比较的比较器。
13.根据权利要求12所述的电路，还包括用于当所述校准值高于所述阈值时去激活所述传感器组的电路。
14.一种传感器网络，该传感器网络包括多个传感器组，以及根据权利要求11-13中任一项所述的配置用于确定一个或多个所述传感器组的校准值的电路。

传感器网络校准\n技术领域\n[0001] 本发明涉及用于确定传感器组的校准的电路，并且特别地涉及在传感器网络中的传感器校准。\n背景技术\n[0002] 包括传感器的传感器网络通常用于监控特定环境中的变量。每个传感器包括感测机制、用于将感测到的数据发送到基础单元的发射器。如果传感器是无线的，则由无线发射器来执行数据传输。\n[0003] 一旦在环境中部署了传感器，它们通常具有有限的使用寿命。例如，如果传感器使用电池作为它们的电源，电池将最终耗尽。然而甚至在此之前，传感器就倾向于失去校准。\n因此，尽管传感器感测到的数据最初因为是准确的而可以被依赖，但是在某些阶段校准会失去到某种程度以至于数据不再有用。\n[0004] 当传感器的读数依然是准确的时候替换传感器是浪费且成本昂贵的。另一方面，依赖于来自已经失去校准的传感器的结果将导致不准确的数据，这可能造成误导或者在最坏情况下是危险的。因此，需要知道传感器的校准程度。\n[0005] 问题是传感器网络中传感器校准失去率会根据各种因素而改变并且可能非常难以预测，这些因素包括环境条件和传感器中的电子电路。因此，在确定传感器网络中传感器的校准失去程度方面存在技术问题。\n发明内容\n[0006] 根据本发明的一个方面，提供了一种用于确定校准值的方法，该校准值表明传感器网络中三个或更多传感器的组的校准失去程度，该网络优选地在所述组中的传感器之间包括至少一些冗余，该方法包括：接收由每个传感器在一段时间上捕获的多个数据值；由处理单元确定与每个传感器相关联的至少一个相关值，每个相关值对应于由相关联的传感器捕获的数据值与至少一个其他传感器捕获的数据值之间的相关；由高通滤波器提取该相关值的噪声分量；以及输出基于噪声分量与参考噪声值之间的差确定的校准值。\n[0007] 根据本发明的一个实施例，噪声分量值通过下述方式来确定：接收由每个传感器在初始的一段时间内捕获的多个初始数据值，由处理单元确定与每个传感器相关联的至少一个初始相关值，每个初始相关值对应于相关联的传感器捕获的初始数据值与至少一个其他传感器捕获的初始数据值之间的相关，由高通滤波器提取该初始相关值的初始噪声分量，该初始噪声分量提供参考噪声值。\n[0008] 根据本发明的一个实施例，该方法还包括确定多个传感器组，每个组包括该传感器网络中的至少三个传感器，该组基于网络的传感器捕获的数据值之间的相关而确定，其中具有相关数据值的传感器被分为一组。\n[0009] 根据本发明的一个实施例，该方法还包括确定每个传感器组的校准值，并在至少一个计算中使用该传感器组捕获的数据值，其中对于计算，基于每个传感器组的相关联的校准值对来自该组的数据值进行加权，从而来自更佳校准的传感器组的数据值与来自更差校准的传感器组的数据值相比被给予更高的权重。\n[0010] 根据本发明的一个实施例，组包括n个传感器并且相关值填满一个n×n矩阵，并且其中噪声分量以另一个n×n矩阵的形式提取出来。\n[0011] 根据本发明的一个实施例，基于噪声分量的模计算噪声分量与参考噪声值之间的差。\n[0012] 根据本发明的一个实施例，该方法还包括将校准值与一个阈值相比较，并且当校准值高于该阈值时，输出表明该传感器组已经失去校准的指示。\n[0013] 根据本发明的一个实施例，该方法还包括当校准值大于阈值时替换该传感器组。\n[0014] 根据本发明的一个实施例，该方法还包括当校准值大于阈值时重新校准该传感器组。\n[0015] 根据本发明的一个实施例，该传感器网络包括至少一个控制功能，该控制功能当来自至少一个传感器的至少一个数据值高于控制阈值时激活，该方法还包括基于校准值调整该控制阈值。\n[0016] 根据本发明的另一个方面，提供了一种用于确定校准值的电路，该校准值表明传感器网络中三个或更多传感器的组的校准失去程度，该电路包括：相关计算单元，该相关计算单元配置用于接收由每个传感器在一段时间上捕获的多个数据值，并用于确定与每个传感器相关联的至少一个相关值，每个相关值对应于由相关联的传感器捕获的数据值与至少一个其他传感器捕获的数据值之间的相关；高通滤波器，配置用于提取该相关值的噪声分量；以及输出单元，配置用于输出基于噪声分量与参考噪声值之间的差的校准值。\n[0017] 根据本发明的一个实施例，该电路还包括用于将校准值与阈值相比较的比较器。\n[0018] 根据本发明的一个实施例，该电路还包括用于当校准值高于该阈值时去激活该传感器组的电路。\n[0019] 根据本发明的另一个方面，提供了一种传感器网络，该传感器网络包括多个传感器组，以及配置用于确定一个或多个传感器组的校准值的上述电路。\n附图说明\n[0020] 根据以下对结合附图以示例和非限制形式给出的实施例的具体描述，本发明的上述和其他目的、特征、方面以及优势将变得明显。附图中：\n[0021] 图1示例性地示出了根据一个实施例的传感器网络；\n[0022] 图2示例性地示出了传感器网络的单个传感器的实施例；\n[0023] 图3示出了根据本发明的一个实施例的确定传感器网络中的传感器组的校准的方法步骤；\n[0024] 图4示例性地示出了根据本发明的一个实施例的用于确定一组传感器的校准失去程度的电路；以及\n[0025] 图5示出了根据本发明的一个实施例的传感器网络的传感器被分为传感器组。\n具体实施方式\n[0026] 图1示出了一个传感器网络100，包括五个无线传感器102，每个传感器包括感测机制103以及通信电路104。传感器部署在区域105上。基本单元106接收由传感器感测的数据。最接近基本单元106的传感器102将数据直接无线传送给该基本单元，基本单元经由天线108接收该数据。每个传感器中的通信电路104例如具有有限的范围，并且一些传感器可能在直接传送给基本单元106的范围之外。即使它们不在范围之外，它们也有可能为了节约电能而决定避免长距离传输。这些传感器将它们捕获的数据发送给另一个接近的传感器，该另一个传感器将数据中继给基本单元106。在某些情况下，数据可以经由多个中间传感器从网络中的最远传感器中继给基本单元106。尽管网络100仅包括5个传感器，实际上这样的网络可以包括任何数量的传感器，并且经常包括几百、几千甚至几百万个单个的传感器。\n[0027] 基本单元106在数据库110中存储从传感器网络的传感器接收的数据，在数据库中例如可以在用户显示器(未示出)上显示数据，或者对数据进行更多的处理或分析。在一些实施例中，基本单元106确定与数据有关的一个或多个条件何时满足，并作为响应而激活控制功能112，控制功能例如对应于报警系统，或者某种形式的机械或电子响应系统。\n[0028] 传感器网络的应用的一个例子是使用传感器网络来检测森林火灾。在这种情况下，传感器部署在森林中，每个传感器包括一个温度传感器来检测温度级别。在这种情况下，控制功能112例如是当传感器读取到对应于森林火灾的相对较高温度值时激活的报警系统。另一个例子包括例如部署在农用土地中的pH传感器，例如部署在飞行器中的压力传感器，例如部署在海洋中的传导性或溶解氧传感器，例如部署在油路上用于检测泄漏的化学传感器，或者例如部署在桥梁上的振动传感器。\n[0029] 图2示例性地示出了传感器102的功能模块的例子的更多细节。特别地，该传感器包括传感器机制202，该传感器机制感测如上所述的传感器的环境中的一个或多个变量，例如温度、湿度、压力、振动、化学品、氧气、传导性、噪声级别、烟雾、气体等。这种传感器机制通常以电压或电流级别的形式来提供输出，该电压或电流级别对应于所感测的变量的级别。传感器机制输出当前感测值的频率将依赖于特定的应用，并且可能在例如从每秒几千个读数到每天或每月仅几个读数的范围内。\n[0030] 传感器102还包括微处理器204，其从传感器202接收数据信号。传感器102还包括连接到微处理器204的存储器206，传感器202捕获的数据例如在被发送出去之前存储在该处。微处理器204连接到通信模块208，其对其他传感器102或基本单元106发送或接收数据。数据例如使用Zigbee标准来传输。从被中继给基本站106的另一传感器接收的数据例如临时地存储在存储器206中。\n[0031] 电源212为设备并且特别地为传感器机制202、微处理器204、存储器206以及通信模块208提供电源。尽管没有示出，但是也可以在传感器中提供发电装置，该发电装置从传感器的环境中提取电量，例如从太阳能或振动中提取。这可以延长传感器的电源的使用寿命。\n[0032] 传感器机制202的输出很有可能随着时间失去校准。这可能是由于传感器受到的影响、传感器的腐蚀，或者更经常是由于传感器中的电子元件，其可能包括很多受老化、温度变化等影响的晶体管栅极。已经发现校准失去通常在每个传感器中是随机的，并且漂移方向也通常对每个传感器是唯一的。例如，由Ocean Teacher在seabird tutorials的module7上发表的题为“Getting the Highest Accuracy Data”的文档中详细地描述了影响各种类型传感器的传感器漂移。校准失去在每个传感器中不同的事实使得区分校准失去所引起的数据变化与传感器环境中的合理变化非常困难。\n[0033] 现在将参考图3来描述确定传感器网络中的一组传感器S1至Sn(其中n至少为\n3)的校准失去的方法。换言之，在一个组中至少存在三个传感器。\n[0034] 传感器网络的传感器组被假定为足够稠密从而存在一些冗余，换言之，在传感器接收的数据值之间存在至少一些相关。例如，传感器足够接近从而影响一个传感器的环境改变可能也影响该网络中的至少一个其他传感器。\n[0035] 如图3所示，在步骤300中，计算来自传感器S1至Sn的数据值S1至Sn之间的相关。该相关涉及一个时间段t上的多个传感器读数。因此，从传感器组的每个传感器接收多个连续的数据值。数据值的数量可以从两三个数据值到成百上千个数据值。计算成对传感器之间的相关。特别地，优选地计算一个与从该组中每个传感器和该组中的至少一个其他传感器接收的数据值有关的相关值。因此，提供至少一个涉及该组中每个传感器的数据的相关值。然而在优选的实施例中，计算来自每个传感器的相对于每个其他传感器的数据值之间的相关。因此假定n个传感器，结果优选地如下填满一个n×n矩阵，其中Ci，j(t)是在一个时间段t上从传感器Si和Sj接收的数据值之间的相关，其中i和j从1到n：\n[0036] C1，1(t)C1，2(t)C1，3(t)--C1，n(t)\n[0037] C2，1(t)C2，2(t)C2，3(t)--C2，n(t)\n[0038] C3，1(t)C3，2(t)C3，3(t)--C3，n(t)\n[0039] | | | |\n[0040] | | | |\n[0041] Cn，1(t)Cn，2(t)Cn，3(t)--Cn，n(t)\n[0042] 假定C1，2(t)等于C2，1(t)，实际上只需要做一次这种计算，并且对于矩阵中的其他成对值也是如此。此外，如上所述，不需要确定矩阵中的所有值。\n[0043] 确定两组数据值之间的相关是公知的，例如可以基于下式来计算：\n[0044] Ci，j(t)＝(E[(Si(t)-μi)(Sj(t)-μj)]/(E[(Si(t)-μi)2]E[(Sj(t)-μj)2)2[0045] 其中E[]是期望值，μi是Si的期望值，μj而是Sj的期望值。将该公式结果应用到-1和1之间的相关值中，其中-1表示严格逆相关(exactinverse correlation)，0表示不相关，1表示严格相关。\n[0046] 在特定时间的相关C(t)可以被分为如下的分量：\n[0047] C(t)＝C0+E(t)+M(t)\n[0048] 其中C0是数据值之间的初始相关值，其例如对应于当传感器被正确校准后数据值之间的相关，E(t)是结构化的相关方差，例如是仅影响一些传感器的环境变化导致的，以及M(t)是随机相关分量，是传感器失去校准导致的。该最后的分量可以被考虑为噪声分量。\n[0049] 如图3中所示，该方法包括步骤302，其中基于多个连续的初始传感器数据读数S01至S0n的值确定初始相关值C0。这例如使用上述用于Ci，j(t)的公式以与在步骤300中的计算相同的方式来进行计算。\n[0050] 根据本方法，在步骤304中，从在步骤300中计算的相关C(t)中提取噪声分量。为此，例如假设噪声分量源自于白噪声，其在多数情况下最好地对应于校准失去的形式，不过在备选的实施例中也可以使用其他噪声模型形式。使用应用到相关矩阵的高通滤波器例如根据主分量分析(PCA)来提取噪声分量。主分量分析是用于分离任何矩阵的高频和低频分量的矩阵分解技术。特别地，PCA允许通过将多维数据集减小为用于分析的较低维数而简化数据集。PCA是用于将数据变换到新坐标系统的正交线性变换，从而任何数据投影的最大方差位于第一坐标，称为第一主分量；第二最大方差位于第二坐标，依此类推。PCA可以被用于数据集的维数减小，同时通过保持低阶主分量而忽略高阶主分量而保持对数据集方差贡献最大的数据集特征。\n[0051] 用于使用PCA来确定噪声分量的技术在现有技术中是已知的。然而，已知的技术通常被应用于移除噪声分量而非保持噪声分量。例如，Sebastian Mike等人撰写的技术论文“Kernel PCA and De-Noising inFeature Spaces”描述了用于使用主分量分析来确定和移除噪声的技术，在法律允许的程度上通过引用将该文献包含于此。同样，题为“RobustDenoising by Kernel PCA”的文献(ICANN 2002，西班牙马德里国际会议，2002年\n8月28-30日)也讨论了这样的技术，在法律允许的程度上通过引用将该文献包含于此。\n[0052] 步骤304包括使用这样的技术来确定噪声分量，并且并非从信号中移除该分量，而是保持该噪声分量、移除其余的分量。后面提供根据本发明的一个实施例的用于确定矩阵的噪声分量的Matlab代码的例子。\n[0053] Matlab代码的例子：\n[0054] Function\n[0055] [EOFs，PCs，Var，Xrecon]＝principal_component_analysis(X，neof)[0056] ％ function[EOFs，PCs，Var]＝principal_component_analysis(X，neof)[0057] ％ Function to do a principal component analysis of\n[0058] ％ data matrix X.\n[0059] ％ Input:\n[0060] ％ X:(t，x)each row corrsponds to a sample，each column\n[0061] ％ is a variable.(Each column is a time series of a variable.)[0062] ％ neof:number of EOF/PC to return\n[0063] ％ Output:\n[0064] ％ EOFs:(x，e)matrix with EOFs(loadings)in the columns\n[0065] ％ PCs:(t，e)matrix with principal components in columns\n[0066] ％ Var:variance of each principal component\n[0067] ％ Xrecon:(t，x)reconstructed X(WITHOUT adding back the mean)[0068] ％ To reconstruct:Xrecon＝PCs＊EOFs′\n[0069] ％ Notes:(1)This routine will subtract off the mean of each[0070] ％ variable(column)before performing PCA.\n[0071] ％ (2)sum(var(X))＝sum(Var)＝sum(diag(S)^2/(m-1))\n[0072] if strcmp(class(X)，′single′)\n[0073] disp(′WARNING:Converting input matrix X to class DOUBLE′)[0074] end\n[0075] ％ Center X by subtracting off column means\n[0076] [m，n]＝size(X)；\n[0077] X＝X-repmat(mean(X，1)，m，1)；\n[0078] r＝min(m-1，n)；％max possible rank of X\n[0079] ％ SVD\n[0080] if nargin＜2\n[0081] [U，S，EOFs]＝svds(X，r)；\n[0082] else\n[0083] [U，S，EOFs]＝svds(X，min(r，neof))；\n[0084] end\n[0085] ％ EOFs:(x，e)\n[0086] ％ U:(t，e)\n[0087] ％ Determine the EOF coefficients\n[0088] PCs＝U＊S；％PCs＝X＊EOFs(t，e)\n[0089] ％ compute variance of each PC\n[0090] Var＝diag(S).^2/(m-1)；\n[0091] ％ Note:X＝U＊S＊EOFs′\n[0092] ％ EOFs are eigenvectors of X′＊X＝(m-1)＊cov(X)\n[0093] ％ sig^2(＝diag(S)^2)are eigenvalues of X′＊X\n[0094] ％ So tr(X′＊X)＝sum(sig i^2)＝(m-1)＊(total variance of X)[0095] if nargout＞3\n[0096] Xrecon＝PCs＊EOFs′；％(t，x)\n[0097] end\n[0098] 高通滤波步骤将对应于截止频率，低于该截止频率信号被丢弃。截止频率将依赖于环境中的各种因素。例如可以启发式地确定最佳的截止频率。\n[0099] 步骤304得到又一个矩阵M(t)，其代表从相关矩阵中提取的噪声分量。\n[0100] 在步骤306中，对初始相关值C0进行相同的噪声提取方法。这提供了初始噪声分量M0，其表示初始噪声级别。\n[0101] 基于在初始噪声分量矩阵M0与当前噪声分量矩阵M(t)之间的比较来确定校准失去的表示I(t)。特别地，这优选地在步骤308中确定为噪声分量M(t)与初始噪声分量M0(t)之间的距离，换言之：\n[0102] I(t)＝d(M0，M(t))＝||M(t)-M0||\n[0103] 其中||M(t)-M0||是M(t)-M0的模，并且提供标量值作为校准值I(t)。该模例如是Frobenius模，并且被计算为：\n[0104] ∑i，j(Mi，j(0)-Mi，j(t))2\n[0105] 通过将I(t)定义为噪声分量M(t)与初始噪声分量M0之间的差，较高校准值表示传感器组的较低校准，而较低校准值表示传感器组的较高校准。\n[0106] 图4示意性地示出了用于确定传感器网络中的一组传感器的校准失去的程度的电路400。\n[0107] 缓冲器或存储模块402从网络中的传感器S1至Sn接收数据值。缓冲器402优选地足够大以存储传感器网络在一段时间上记录的多个连续的数据值。作为一个例子，其接收并存储来自于每个传感器的在一天的时间段上的二十个连续的数据值。这些数据可以代表用于计算M0的初始数据，或者用于确定校准值I(t)的数据值。\n[0108] 缓冲器模块402通过并联连接406或者备选地通过串联连接到相关计算单元404。\n如上所述，相关计算单元404基于来自成对传感器的数据值确定相关Ci，j(t)。相应的相关C(t)输出到高通滤波器410，高通滤波器410基于例如预先编程的或者由输入412上的控制信号指示的截止频率来提取噪声分量。\n[0109] 提取到的噪声分量矩阵M在输出414上输出给切换装置416。如果该矩阵对应于初始噪声分量值M0，其由切换装置416路由给存储器418，在存储器418处是后续可访问的。\n如果提取到的噪声分量矩阵将用于校准计算，其由切换装置416提供给减法模块420，该减法模块420从当前噪声分量M(t)中减去初始噪声分量M0，并如上所述地确定模，以便将校准失去的程度确定为标量值I(t)。切换装置416例如由输入417控制，该输入指示噪声值是初始值还是将用于计算校准值的值。\n[0110] 本领域技术人员将能够理解，图4的电路可以完全用硬件、用软件或者其组合来实现。\n[0111] 图5示出了传感器网络中的传感器，它们已经被分组以便确定校准值。\n[0112] 特别地，当传感器组中的传感器显示出彼此高度相关时，上述方法和电路是最有用的。因此在某些传感器组与其他传感器组相比更相关的传感器网络中，优选地首先将网络的传感器分为这样的组，然后分别为每个组计算校准值。如果特定的传感器组比其他组更快地失去校准，这样做也具有优势，可以确定只有一些传感器需要替换或者重新校准。\n[0113] 如图5所示，在区域500上部署的传感器分别被分为三个组502、504和506。组\n502包括六个传感器，S1至S4、S9和S10；组504包括四个传感器，S5和S11至S13，而组506包括三个传感器，S6至S8。这些组例如由物理因素定义，例如将在一个房间内的传感器分为一组，或者将在物理上接近的传感器分为一组。备选地，这些组可以通过取一系列初始读数并确定哪些传感器显示出彼此之间最相关来定义。尽管对于有意义的结果来说，作为一个通用的规则，组包括至少三个传感器，但是每个组中的传感器越多，校准指示将会越好，因为更多的结果将使得仅仅从相关值中确定和提取噪声分量更加容易。\n[0114] 可以以多种方式使用为一组传感器确定的校准值I(t)。在某些实施例中，该值被用于给出由该组传感器捕获的数据值的权重。因此在所使用的数据来自多个传感器组的情况下，来自较差校准的传感器组的数据可以被给予较小的权重，而来自较佳校准的组可以被给予较大权重，由此提高数据的准确率。\n[0115] 备选地，可以选择用于校准值的阈值，以便如果校准值I(t)高于该值，则忽视来自这些传感器的数据。作为补充或者作为备选，这些传感器可以被替换或者重新校准。\n[0116] 在某些情况下，如上所述，可以基于传感器网络记录的结果来实现控制功能(诸如图1中的功能112)。如果来自一个或多个传感器的数据达到阈值，则例如实现这种控制功能。一个例子是如果传感器读数高于200℃，则激活火灾报警。根据某些实施例，校准值被用于调整该阈值。因此当传感器变得校准程度不足，则例如增大该阈值，使得不容易发生误激活。\n[0117] 因此已经描述了用于确定传感器网络中的一组传感器的校准失去程度的方法和电路。该方法包括确定该组中的成对传感器之间的相关。这通过确定来自该组中的每个传感器的多个数据值与来自该组中的至少一个其他传感器(并且优选的是该组中的所有其他传感器)的数据值之间的相关来获得。然后通过应用高通滤波器来从相关值中提取噪声分量。该噪声分量值与初始噪声值之间的差确定在从记录初始噪声值开始的时间间隔内传感器的校准失去的程度。因此，初始噪声值优选地在传感器被正确校准的时候计算。\n[0118] 该方法和电路的一个优势在于，其允许准确地确定何时由该组中的传感器捕获的数据是可靠的。通过使用数据值之间的相关值，可以在确定校准失去的时候有利地消除环境变化。随后将校准值用于确定何时重新校准或者替换传感器以及何时可以使用或者不可以使用来自传感器的数据。\n[0119] 网络中的传感器优选地被分为组，以确定校准值。这具有如下优势：很久才失去校准的传感器可以使用得较久，而很快失去校准的传感器组可以被很快地去激活，换言之，忽略它们的数据，从而提高来自该网络的数据的准确性。\n[0120] 因此，已经描述了本发明的至少一个示例性实施例，本领域技术人员能够比较容易地设想各种替换、修改和改进。\n[0121] 例如，尽管已经分别在图1和图2中提供了传感器网络和传感器的例子，但是本申请可以应用于更多种类的传感器和传感器网络，其可以是也可以不是无线的。\n[0122] 尽管已经提供了基于PCA的应用于相关矩阵的高通滤波步骤例子，但是可以使用任何适合的算法来提供对于相关矩阵的高通滤波器功能。\n[0123] 此外，尽管已经在上文中描述了矩阵被用于计算，但是对于本领域技术人员来说明显的是，数据可以以不同的形式被处理。尽管已经将初始噪声分量描述为是矩阵M0的形式，但是该值也可以被提供为标量值，并直接从噪声分量矩阵M(t)中的值中减去以生成校准值I(t)。\n[0124] 这些替换、修改和改进都在本发明的范围内。因此，上述描述仅仅是作为例子并且不是限制性的。本发明仅仅由后续的权利要求书和其等同内容来限定。