基于多傳感器的溫室環(huán)境數(shù)據(jù)融合算法研究

引言

多傳感器數(shù)據(jù)融合（也稱數(shù)據(jù)融合、信息融合）是一門新興技術(shù)，在軍事、工業(yè)和高技術(shù)領(lǐng)域有著廣泛的應(yīng)用前景。數(shù)據(jù)融合技術(shù)的研究有助于解決多傳感器采樣數(shù)據(jù)中的二義性、數(shù)據(jù)缺損和丟失、綜合評判等諸多問題，有利于對多傳感器的觀測數(shù)據(jù)進行分析、綜合、支配和使用，以獲得對被測對象的面向環(huán)境監(jiān)測數(shù)據(jù)的融合方法研究一致性解釋和更為精確、全面的描述。數(shù)據(jù)融合的研究內(nèi)容主要包括融合模型、融合算法、融合系統(tǒng)的實現(xiàn)及應(yīng)用等。

目前，提高溫室中環(huán)境參數(shù)測量的的精確度對于節(jié)約能源、提高溫室的管理水平并最終提高其社會效益與經(jīng)濟效益起著十分重要的作用。然而，由于溫室的自然特性，其溫度、濕度、光照等分布不均勻，受多種因素的影響，因此，需要多點采集樣本。以往的方法大都是利用算術(shù)平均值的方法，這就導(dǎo)致當(dāng)某種原因使得部分傳感器的數(shù)據(jù)不正確或者受到某種干擾時，測量結(jié)果不能正確地反映實際狀態(tài)。本文提出的數(shù)據(jù)采集方法是在多傳感器采集的基礎(chǔ)上，采用數(shù)據(jù)融合的方法提高了數(shù)據(jù)采集的精度，從而解決了傳統(tǒng)方法不能解決的問題，可有效地獲取真實準確的信息。

1相關(guān)工作

數(shù)據(jù)融合是當(dāng)今信息時代的一個重要課題，在傳感器網(wǎng)絡(luò)中，數(shù)據(jù)融合技術(shù)是一個常用的方法，主要是將不同的傳感器測量到的一個或多個數(shù)據(jù)包合并成為一個簡單的數(shù)據(jù)包。目前，網(wǎng)內(nèi)數(shù)據(jù)融合技術(shù)存在多種不同的分類方式。根據(jù)融合前后的數(shù)據(jù)信息含量可以分為無損融合和有損融合，根據(jù)融合級別可以分為像素級融合、特征級融合和決策級融合等等。國內(nèi)外許多學(xué)者針對多傳感器數(shù)據(jù)的融合問題進行了研究。文獻以Bayes估計理論為基礎(chǔ)得到了多傳感器最優(yōu)融合數(shù)據(jù)，適用于具有可加高斯噪聲的不確定性信息，該方法首先要去除可能有錯誤的傳感器數(shù)據(jù)信息，再對剩下的一致傳感器提供的信息進行融合處理，其信息不確定性描述為概率分布,需要給出各傳感器對目標類別的先驗概率。文獻采用加權(quán)平均法對多傳感器數(shù)據(jù)進行融合，雖然該方法簡單直觀,但調(diào)整和設(shè)定權(quán)系數(shù)的工作量很大，并帶有一定的主觀性。此外,還有一些文獻則采用分批估計法、q分類和D-s證據(jù)理論等融合方法。數(shù)據(jù)融合的關(guān)鍵是對各個傳感器所測得數(shù)據(jù)的真實性進行判別，找出不同傳感器數(shù)據(jù)之間的相互關(guān)系，從而決定如何對傳感器的數(shù)據(jù)進行融合。

2數(shù)據(jù)融合

2.1粗大誤差數(shù)據(jù)的消除

假設(shè)系統(tǒng)采用m個精度相同的傳感器，且測量結(jié)果服從正態(tài)分布。在進行粗大誤差處理時，有萊以特準則、格羅布斯準則和分布圖等幾種方法，最后根據(jù)溫室監(jiān)測系統(tǒng)的特點和實際需求，本設(shè)計決定采用格羅布斯準則法消除粗大誤差［6］。

m個傳感器相當(dāng)于對參數(shù)進行m次測量，得Xi，x2,…,Xm，設(shè)測量誤差服從正態(tài)分布，若某數(shù)據(jù)X,滿足下式，則認為X*含有粗大誤差，應(yīng)剔除：

訓(xùn)=呼=虹-旦Hg⑴

式中,g?)是數(shù)據(jù)X*的統(tǒng)計量，*=1,2，…，m:go(m,a)是統(tǒng)計量gg的臨界值，它根據(jù)測量次數(shù)m及顯著度a而定；a為顯著度，為判斷出現(xiàn)錯誤的概率，a依具體問題選擇，在系統(tǒng)中a取0.01,當(dāng)X*滿足上式時，其不含粗大誤差的概率為:

a=h訓(xùn)財］

2.2距離參照矩陣

假設(shè)有m個傳感器，每個傳感器測量的數(shù)據(jù)指標個數(shù)為

n,則編號為i的傳感器的測量結(jié)果可以表示為：

X,=(Xi,Xi%…,X?)T(i=1,2,…,m)

為了反映不同傳感器之間測量數(shù)據(jù)的差別大小，只能通過實際測量的X1，X2，…，Xn來確定。本文應(yīng)用歐幾里得距離公式dmn=((dm-dnV(dm-dn瀘來表示測量數(shù)據(jù)X?,Xn的距離,dmn越小，表明數(shù)據(jù)Xm,Xn越接近，否則，表明二者的偏差比較大。這樣，所有傳感器測量的數(shù)據(jù)就可以形成一個距離參照矩陣:

du

D=h

d?1

d1n從參照矩陣D的結(jié)構(gòu)可以看出，該矩陣是對稱矩陣，主對角線元素都為0。

2.3基于哈夫曼樹思想的項融合方法

在數(shù)據(jù)結(jié)構(gòu)中，給定n個權(quán)值作為n個葉子節(jié)點，構(gòu)造一棵二叉樹，若帶權(quán)路徑長度達到最小，稱這樣的二叉樹為最優(yōu)二叉樹，也稱為哈夫曼樹。

假設(shè)有n個權(quán)值，則構(gòu)造出的哈夫曼樹有n個葉子節(jié)點。n個權(quán)值分別設(shè)為叫,的，-",Wn，則哈夫曼樹的構(gòu)造規(guī)則如下：

將W1，w2,Wn看成是有n棵樹的森林(每棵樹僅

有一個節(jié)點)；

在森林中選出兩個根節(jié)點的權(quán)值最小的樹合并，作為一棵新樹的左、右子樹，且新樹的根節(jié)點權(quán)值為其左、右子樹根節(jié)點權(quán)值之和；

從森林中刪除選取的兩棵樹，并將新樹加入森林；

重復(fù)(2)、(3)步驟，直到森林中只剩一棵樹為止，該樹即為所求得的哈夫曼樹。

距離參照矩陣的主要作用是找到各傳感器之間的融合次序，確定相互聯(lián)系的兩個傳感器，將對應(yīng)它們的向量合并成一個新向量，而新向量中的元素就是進一步融合后的測量數(shù)據(jù)。為了防止次序選擇上的主觀性，本文引入了哈夫曼樹的思想。將距離參照矩陣中的每個元素都當(dāng)做葉節(jié)點，各個傳感器的測量數(shù)據(jù)為元值，利用它們的n個指標將其分為若干個項,再將這若干個項合并為一個大的項,從而確定出各傳感器融合的次序進行融合。其具體的融合算法如下：

每個元值作為一個項，例如第i個傳感器的測量數(shù)據(jù)Xi為一個項,記為n,其中i=1,2,…，m。在距離參照矩陣D中，選擇除了對角線元素0之外的最小值dij為哈夫曼樹中權(quán)值最小的葉節(jié)點。當(dāng)dj唯一時，我們就把組成dj的兩個向量對應(yīng)的項n和n按照融合公式⑶合并成一個新項:：=備，嘛，同時將n叼所對應(yīng)的行與列從距離參照矩陣d中刪除，并且按照公式(2)計算出新項n與其他項的距離，從而產(chǎn)生新的距離參照矩陣D(1)。當(dāng)dj不唯一時，為每個項分配一個隨機數(shù)，比較組成它的兩個項對應(yīng)的值，隨機數(shù)小的優(yōu)先進行合并。

對于新項礦備，n｝的融合公式為：

fxc(x*+xQ+(c—1)x,?Xj?(3)

"1+c2-(c-1)2(xn+Xjn-2Xi*xQ

其中f,Xjn表示傳感器i,j測量數(shù)據(jù)中的第n個分量融合后的新值；為大于1的常數(shù)。

重復(fù)尋找最小葉節(jié)點，也就是在D(1)的基礎(chǔ)上不斷

重復(fù)⑴的方法以得到D⑵……形成哈夫曼樹，從而使得m個項融合成為最大類，即哈夫曼樹的頂點。

3仿真實驗

本文針對溫室作物培植具備的特定環(huán)境，對上述融合算法進行了仿真實驗。為了詳細說明本文提出的融合算法，現(xiàn)以傳感器測量的溫度和濕度為例，采用6個傳感器測量同一時刻的溫度和濕度值，其測量結(jié)果如表1所列。

，貌聯(lián)網(wǎng)集全面感知ComprehensivePerception

表1傳感器溫度濕度測量值

溫室中的實際溫度為28.60°C,實際濕度為67.50%。按照表1中所列數(shù)據(jù)，m=6,n=l,在融合算法中首先將每一個元值作為一個類，由公式⑴可得距離參照矩陣為:

距離參照矩陣D是對稱矩陣，可以看出，其中^6=8.062最小，所以按照融合公式(2)，取c=1.001,將項花5,合并成新項叫，則有:

f(%51,X61)=

1.001(28.27+28.31)+(1.001—I)2x28.27X28.31_

1+(1.001)2-(1.001-1)2(28.27+28.31-2#(28.27#28.31))=28.269

f(%52,X62)=

1.001(0.64+0.71)+(1.001-1)2x0.64x0.71=

1+(1.001)2-(1.001-1)2(0.64+0.71-2X(0.64X0.71))=0.6750

這樣，兀7=(28.269,0.6750)t，此時的項包括?！?，曲，心，財S然后按照歐幾里得距離公式⑴求出n與其他項的距離，再去掉兀5，兀6所在的行與列，形成新的距離參照矩陣：

接著選擇最小距離d"=9.487,按照融合算法的步驟最終將6個傳感器的測量值合并成一個項，從而得到傳感器的融合數(shù)據(jù)，溫度為28.628C，濕度為67.44%，而通過簡單的求算術(shù)平均值法得到的溫度值為28.562C，濕度為67.67%，與實際值的誤差分別為：

a=(28.628-28.60)/28.60=0.098%

a=(0.6750-0.6744)/0.6750=0.089%b=(28.60-28.562)/28.60=0.133%b2=(0.6767-0.6750)/0.6750=0.253%

通過上述結(jié)果可以看出，此次應(yīng)用融合算法得出的結(jié)果比應(yīng)用算術(shù)平均值法誤差小。這說明基于哈夫曼樹思想的項融合法比算術(shù)平均值法更接近真值28.60C,從而提高了融合的精度。其主要原因是基于哈夫曼樹思想的項融合方法通過采用最小距離作為最小權(quán)值的方法逐一進行項的融合，然后確定出各傳感器之間的融合次序，再進行融合。以往的方法都沒有考慮到傳感器之間的相互支持關(guān)系，也沒有從融合次序的方向進行思考，所以降低了數(shù)據(jù)融合的精度。事實上，按照同樣的方法也可以找到光照等其他主要參數(shù)任意幾個之間的融合數(shù)據(jù)。

4結(jié)語

溫室環(huán)境是一個多參數(shù)、復(fù)雜的系統(tǒng)，將多傳感器融合技術(shù)引入溫室環(huán)境，是溫室環(huán)境測控的必然要求。本文提出了一種綜合的數(shù)據(jù)融合方法。該方法首先應(yīng)用格羅布斯準則將粗大誤差數(shù)據(jù)去除，針對某些傳感器失效的情況，系統(tǒng)可以根據(jù)系統(tǒng)其他非失效傳感器提供的信息，提高測量數(shù)據(jù)的準確性。然后將數(shù)據(jù)結(jié)構(gòu)中的哈夫曼樹的思想引入到數(shù)據(jù)融合算法中，再按照葉節(jié)點最小權(quán)值優(yōu)先的方法對于傳感器測量的數(shù)據(jù)元值按序進行項的融合。該算法采用歐幾里得距離來定義距離參照矩陣，并通過最小距離確定相互支持的傳感器組，然后對其融合次序進行排列，從而較好地避免主觀因素的作用。該方法特別適用多個傳感器對多個特性指標進行測量實驗的數(shù)據(jù)融合問題。實驗表明,通過多傳感器的數(shù)據(jù)融合技術(shù)對溫室中的溫度、濕度和光照度等環(huán)境參數(shù)進行融合,可以提高數(shù)據(jù)融合結(jié)果的客觀性，避免有效數(shù)據(jù)的損失，數(shù)據(jù)融合精度較高。