基于多传感器温室环境数据融合算法探究

《基于多传感器温室环境数据融合算法探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于多传感器温室环境数据融合算法探究摘要：无线传感器网络中采集的数据存在着较大的冗余与误差，影响数据的可靠性；而在温室环境监测中，对数据的准确性要求比较高。因此，为了提高多传感器采集数据的准确性，在研究了现有的几种数据融合算法以后，提出一种基于多传感器的综合数据融合算法。给出了采用格罗布斯准则消除粗大误差，并引入哈夫曼树的思想对数据进行项融合的方法。结果表明，该算法可以有效提高测量数据的准确性。关键词：多传感器；距离矩阵；数据融合；测量中图分类号：TN965文献标识码：A文章编号：2095-1302(2013)02-0016-030

2、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

3、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

4、，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［1］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［2］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

5、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［3-5］。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2.3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wl,w2,…，wn,则哈夫曼树的构造规则如下

6、：（1）将wl,w2,…，wn看成是有n棵树的森林（每棵树仅有一个节点）；（2）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；（3）从森林中删除选取的两棵树，并将新树加入森林;（4）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。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28.60°C,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

7、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

8、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