基于多传感器的温室环境数据融合算法研究

引言

多传感器数据融合（也称数据融合、信息融合）是一门新兴技术，在军事、工业和高技术领域有着广泛的应用前景。数据融合技术的研究有助于解决多传感器采样数据中的二义性、数据缺损和丢失、综合评判等诸多问题，有利于对多传感器的观测数据进行分析、综合、支配和使用，以获得对被测对象的面向环境监测数据的融合方法研究一致性解释和更为精确、全面的描述。数据融合的研究内容主要包括融合模型、融合算法、融合系统的实现及应用等。

目前，提高温室中环境参数测量的的精确度对于节约能源、提高温室的管理水平并最终提高其社会效益与经济效益起着十分重要的作用。然而，由于温室的自然特性，其温度、湿度、光照等分布不均匀，受多种因素的影响，因此，需要多点采集样本。以往的方法大都是利用算术平均值的方法，这就导致当某种原因使得部分传感器的数据不正确或者受到某种干扰时，测量结果不能正确地反映实际状态。本文提出的数据采集方法是在多传感器采集的基础上，采用数据融合的方法提高了数据采集的精度，从而解决了传统方法不能解决的问题，可有效地获取真实准确的信息。

1相关工作

数据融合是当今信息时代的一个重要课题，在传感器网络中，数据融合技术是一个常用的方法，主要是将不同的传感器测量到的一个或多个数据包合并成为一个简单的数据包。目前，网内数据融合技术存在多种不同的分类方式。根据融合前后的数据信息含量可以分为无损融合和有损融合，根据融合级别可以分为像素级融合、特征级融合和决策级融合等等。国内外许多学者针对多传感器数据的融合问题进行了研究。文献以Bayes估计理论为基础得到了多传感器最优融合数据，适用于具有可加高斯噪声的不确定性信息，该方法首先要去除可能有错误的传感器数据信息，再对剩下的一致传感器提供的信息进行融合处理，其信息不确定性描述为概率分布,需要给出各传感器对目标类别的先验概率。文献采用加权平均法对多传感器数据进行融合，虽然该方法简单直观,但调整和设定权系数的工作量很大，并带有一定的主观性。此外,还有一些文献则采用分批估计法、q分类和D-s证据理论等融合方法。数据融合的关键是对各个传感器所测得数据的真实性进行判别，找出不同传感器数据之间的相互关系，从而决定如何对传感器的数据进行融合。

2数据融合

2.1粗大误差数据的消除

假设系统采用m个精度相同的传感器，且测量结果服从正态分布。在进行粗大误差处理时，有莱以特准则、格罗布斯准则和分布图等几种方法，最后根据温室监测系统的特点和实际需求，本设计决定采用格罗布斯准则法消除粗大误差［6］。

m个传感器相当于对参数进行m次测量，得Xi，x2,…,Xm，设测量误差服从正态分布，若某数据X,满足下式，则认为X*含有粗大误差，应剔除：

訓=呼=虹-旦Hg⑴

式中,g«)是数据X*的统计量，*=1,2，…，m:go(m,a)是统计量gg的临界值，它根据测量次数m及显著度a而定；a为显著度，为判断出现错误的概率，a依具体问题选择，在系统中a取0.01,当X*满足上式时，其不含粗大误差的概率为:

a=h訓財］

2.2距离参照矩阵

假设有m个传感器，每个传感器测量的数据指标个数为

n,则编号为i的传感器的测量结果可以表示为：

X,=(Xi,Xi%…,X«)T(i=1,2,…,m)

为了反映不同传感器之间测量数据的差别大小，只能通过实际测量的X1，X2，…，Xn来确定。本文应用欧几里得距离公式dmn=((dm-dnV(dm-dn泸来表示测量数据X„,Xn的距离,dmn越小，表明数据Xm,Xn越接近，否则，表明二者的偏差比较大。这样，所有传感器测量的数据就可以形成一个距离参照矩阵:

du

D=h

d«1

d1n从参照矩阵D的结构可以看出，该矩阵是对称矩阵，主对角线元素都为0。

2.3基于哈夫曼树思想的项融合方法

在数据结构中，给定n个权值作为n个叶子节点，构造一棵二叉树，若带权路径长度达到最小，称这样的二叉树为最优二叉树，也称为哈夫曼树。

假设有n个权值，则构造出的哈夫曼树有n个叶子节点。n个权值分别设为叫,的，-",Wn，则哈夫曼树的构造规则如下：

将W1，w2,Wn看成是有n棵树的森林(每棵树仅

有一个节点)；

在森林中选出两个根节点的权值最小的树合并，作为一棵新树的左、右子树，且新树的根节点权值为其左、右子树根节点权值之和；

从森林中删除选取的两棵树，并将新树加入森林；

重复(2)、(3)步骤，直到森林中只剩一棵树为止，该树即为所求得的哈夫曼树。

距离参照矩阵的主要作用是找到各传感器之间的融合次序，确定相互联系的两个传感器，将对应它们的向量合并成一个新向量，而新向量中的元素就是进一步融合后的测量数据。为了防止次序选择上的主观性，本文引入了哈夫曼树的思想。将距离参照矩阵中的每个元素都当做叶节点，各个传感器的测量数据为元值，利用它们的n个指标将其分为若干个项,再将这若干个项合并为一个大的项,从而确定出各传感器融合的次序进行融合。其具体的融合算法如下：

每个元值作为一个项，例如第i个传感器的测量数据Xi为一个项,记为n,其中i=1,2,…，m。在距离参照矩阵D中，选择除了对角线元素0之外的最小值dij为哈夫曼树中权值最小的叶节点。当dj唯一时，我们就把组成dj的两个向量对应的项n和n按照融合公式⑶合并成一个新项:：=備，嘛，同时将n叼所对应的行与列从距离参照矩阵d中删除，并且按照公式(2)计算出新项n与其他项的距离，从而产生新的距离参照矩阵D(1)。当dj不唯一时，为每个项分配一个随机数，比较组成它的两个项对应的值，随机数小的优先进行合并。

对于新项矿備，n｝的融合公式为：

fxc(x*+xQ+(c—1)x,«Xj«(3)

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

其中f,Xjn表示传感器i,j测量数据中的第n个分量融合后的新值；为大于1的常数。

重复寻找最小叶节点，也就是在D(1)的基础上不断

重复⑴的方法以得到D⑵……形成哈夫曼树，从而使得m个项融合成为最大类，即哈夫曼树的顶点。

3仿真实验

本文针对温室作物培植具备的特定环境，对上述融合算法进行了仿真实验。为了详细说明本文提出的融合算法，现以传感器测量的温度和湿度为例，采用6个传感器测量同一时刻的温度和湿度值，其测量结果如表1所列。

，貌联网集全面感知ComprehensivePerception

表1传感器温度湿度测量值

温室中的实际温度为28.60°C,实际湿度为67.50%。按照表1中所列数据，m=6,n=l,在融合算法中首先将每一个元值作为一个类，由公式⑴可得距离参照矩阵为:

距离参照矩阵D是对称矩阵，可以看出，其中^6=8.062最小，所以按照融合公式(2)，取c=1.001,将项花5,合并成新项叫，则有:

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

这样，兀7=(28.269,0.6750)t，此时的项包括兀】，曲，心，财S然后按照欧几里得距离公式⑴求出n与其他项的距离，再去掉兀5，兀6所在的行与列，形成新的距离参照矩阵：

接着选择最小距离d"=9.487,按照融合算法的步骤最终将6个传感器的测量值合并成一个项，从而得到传感器的融合数据，温度为28.628C，湿度为67.44%，而通过简单的求算术平均值法得到的温度值为28.562C，湿度为67.67%，与实际值的误差分别为：

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%

通过上述结果可以看出，此次应用融合算法得出的结果比应用算术平均值法误差小。这说明基于哈夫曼树思想的项融合法比算术平均值法更接近真值28.60C,从而提高了融合的精度。其主要原因是基于哈夫曼树思想的项融合方法通过采用最小距离作为最小权值的方法逐一进行项的融合，然后确定出各传感器之间的融合次序，再进行融合。以往的方法都没有考虑到传感器之间的相互支持关系，也没有从融合次序的方向进行思考，所以降低了数据融合的精度。事实上，按照同样的方法也可以找到光照等其他主要参数任意几个之间的融合数据。

4结语

温室环境是一个多参数、复杂的系统，将多传感器融合技术引入温室环境，是温室环境测控的必然要求。本文提出了一种综合的数据融合方法。该方法首先应用格罗布斯准则将粗大误差数据去除，针对某些传感器失效的情况，系统可以根据系统其他非失效传感器提供的信息，提高测量数据的准确性。然后将数据结构中的哈夫曼树的思想引入到数据融合算法中，再按照叶节点最小权值优先的方法对于传感器测量的数据元值按序进行项的融合。该算法采用欧几里得距离来定义距离参照矩阵，并通过最小距离确定相互支持的传感器组，然后对其融合次序进行排列，从而较好地避免主观因素的作用。该方法特别适用多个传感器对多个特性指标进行测量实验的数据融合问题。实验表明,通过多传感器的数据融合技术对温室中的温度、湿度和光照度等环境参数进行融合,可以提高数据融合结果的客观性，避免有效数据的损失，数据融合精度较高。