環(huán)境監(jiān)測中多傳感器數(shù)據(jù)融合研究

劉靜，李富忠，荊瑞俊

(山西農(nóng)業(yè)大學 軟件學院，山西 太谷 030801)

環(huán)境監(jiān)測中多傳感器數(shù)據(jù)融合研究

劉靜，李富忠*，荊瑞俊

(山西農(nóng)業(yè)大學 軟件學院，山西 太谷 030801)

[目的]針對環(huán)境監(jiān)測中單一傳感器測量數(shù)據(jù)精度低、可靠程度低的問題，本文提出在無線傳感網(wǎng)絡(luò)監(jiān)測系統(tǒng)中，通過改進自適應(yīng)加權(quán)融合算法并利用模糊神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)多傳感器數(shù)據(jù)融合，來提高環(huán)境監(jiān)測的準確性。[方法]基于多傳感器同一時段采集的數(shù)據(jù)，先采用歐式距離及相關(guān)函數(shù)改進的自適應(yīng)加權(quán)算法進行同質(zhì)傳感器數(shù)據(jù)融合，再設(shè)計模糊神經(jīng)網(wǎng)絡(luò)分類器把異質(zhì)傳感器的數(shù)據(jù)轉(zhuǎn)化為環(huán)境質(zhì)量等級信息。[結(jié)果]仿真實驗顯示出本文提出的同質(zhì)傳感器數(shù)據(jù)融合算法融合精度較高于其他幾種算法、模糊神經(jīng)網(wǎng)絡(luò)算法通過對350組訓(xùn)練樣本的學習后能夠?qū)?6%的驗證樣本的環(huán)境等級進行正確分類且預(yù)測曲線基本可以擬合實際輸出。[結(jié)論]本文的同質(zhì)傳感器數(shù)據(jù)融合算法提高了數(shù)據(jù)融合精度，異質(zhì)傳感器數(shù)據(jù)融合算法能夠?qū)φw環(huán)境質(zhì)量得出較可靠的評價。

環(huán)境監(jiān)測； 多傳感器； 數(shù)據(jù)融合； 歐式距離； 模糊神經(jīng)網(wǎng)絡(luò)

隨著經(jīng)濟高速發(fā)展，粗放發(fā)展帶來的環(huán)境污染問題越來越嚴重，而治理環(huán)境污染的前提是要對環(huán)境數(shù)據(jù)進行準確的采集和監(jiān)測。傳統(tǒng)的采集方法一般是人工采集和有線采集，人工采集消耗大量的人力、物力且采集不及時，而有線采集需要大量的布線，成本高且不利于遠程監(jiān)測。另外，傳統(tǒng)的采集方法多采用單一傳感器測量數(shù)據(jù)，對復(fù)雜環(huán)境的監(jiān)測存在不全面、準確度低等問題。隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，無線傳感網(wǎng)絡(luò)技術(shù)在環(huán)境監(jiān)測中的應(yīng)用越來越廣泛，為了克服單一傳感器存在的不足，基于無線傳感網(wǎng)的多傳感器數(shù)據(jù)融合算法成為當今研究的熱點。

用合理的數(shù)據(jù)融合算法對多傳感器數(shù)據(jù)進行處理可以有效提高環(huán)境參數(shù)測量的精度。劉暉[1]采用粗糙集和模糊kohonen聚類的方法來處理環(huán)境參數(shù)。張軍[2]使用單一傳感器的分批融合，用模糊理論的相關(guān)函數(shù)剔除不相關(guān)數(shù)據(jù)，再采用自適應(yīng)加權(quán)算法實現(xiàn)數(shù)據(jù)處理。焦竹青[3]、劉建書[4]、韓峰[5]分別采用信任程度、接近程度和相關(guān)函數(shù)等方法改進自適應(yīng)加權(quán)算法來融合數(shù)據(jù)。Brehard[6]和Maskell[7]在先驗概率和條件概率充足的情況下，將貝葉斯應(yīng)用于多傳感器的數(shù)據(jù)融合上。上述算法在數(shù)據(jù)融合中起到有效的作用，但均假設(shè)傳感器的測量值服從正態(tài)分布，先驗條件要求較高。本文在基于無線傳感網(wǎng)絡(luò)的環(huán)境監(jiān)測系統(tǒng)中，采用無需先驗條件的歐氏距離及相關(guān)函數(shù)改進的自適應(yīng)加權(quán)算法處理同質(zhì)傳感器的數(shù)據(jù)融合，并設(shè)計了5層模糊神經(jīng)網(wǎng)絡(luò)模型處理異質(zhì)傳感器的數(shù)據(jù)，從而對環(huán)境質(zhì)量做出較精確的評價。

1 系統(tǒng)整體架構(gòu)

為了全面評價環(huán)境質(zhì)量，系統(tǒng)需要多種傳感器采集多種環(huán)境參數(shù)(如溫度、濕度、粉塵等)，即使針對同一環(huán)境參數(shù)，也需要多個同類傳感器均等地放置在多個位置進行多點采集。采集同一環(huán)境參數(shù)的傳感器為同質(zhì)傳感器，采集不同種環(huán)境參數(shù)的傳感器為異質(zhì)傳感器。本文采用2級數(shù)據(jù)融合系統(tǒng)，第1級為局部融合，對來自同質(zhì)傳感器的多源數(shù)據(jù)進行融合，克服了單一傳感器測量結(jié)果的局限性；第2級為全局融合，對每一類同質(zhì)傳感器數(shù)據(jù)融合的結(jié)果進行異質(zhì)傳感器數(shù)據(jù)融合，最終得出對環(huán)境質(zhì)量的整體評價[8]。

系統(tǒng)中各傳感器節(jié)點將采集的環(huán)境數(shù)據(jù)利用ZigBee無線通信模塊發(fā)送到中心控制節(jié)點上[9]；為減小數(shù)據(jù)的傳輸量，先在控制中心節(jié)點上對數(shù)據(jù)進行局部融合，即同質(zhì)傳感器數(shù)據(jù)融合，再將融合結(jié)果用GPRS模塊發(fā)送到遠程監(jiān)控中心；在監(jiān)控中心對接收到的數(shù)據(jù)進行異質(zhì)傳感器數(shù)據(jù)融合，得出最終的環(huán)境質(zhì)量等級。系統(tǒng)的整體結(jié)構(gòu)如圖1所示。

圖1 環(huán)境監(jiān)測系統(tǒng)結(jié)構(gòu)Fig.1 Architecture of environment monitoring system

2 同質(zhì)傳感器數(shù)據(jù)融合算法

對同質(zhì)傳感器的數(shù)據(jù)融合算法研究中，假設(shè)傳感器的測量值服從正態(tài)分布，且定義傳感器的關(guān)系矩陣時采用閾值法，該類研究在閾值的設(shè)定上存在一定主觀性[3～5]。本文通過對自適應(yīng)加權(quán)融合算法進行改進來實現(xiàn)對同質(zhì)傳感器的數(shù)據(jù)融合，各傳感器的權(quán)值由歐氏距離結(jié)合相關(guān)函數(shù)得到。

對各傳感器進行數(shù)據(jù)分批，數(shù)據(jù)分批為同一傳感器同一時段測量的一組數(shù)據(jù)Xi。由先驗知識可知環(huán)境參數(shù)在短時間內(nèi)基本保持不變，假設(shè)有n個傳感器測量同一參數(shù)，第i個傳感器某一時段測量的一組數(shù)據(jù)為Xi，第j個傳感器某一時段測量的一組數(shù)據(jù)為Xj，反映數(shù)據(jù)相關(guān)程度的歐式距離定義如下：

(1)

其中，dij越小，則Xi和Xj的相關(guān)程度越高，由此可得傳感器的相關(guān)性矩陣如下：

(2)

對矩陣每一行進行歸一化處理后，設(shè)相關(guān)函數(shù)f(i|j)表示傳感器i和傳感器j相互支持的程度，表達如下：

(3)

由此構(gòu)造f(i|j)的矩陣，此矩陣為方陣，且秩為n。設(shè)第i個傳感器被其他傳感器的支持程度為：

(4)

由傳感器的支持程度可知，支持程度越小，其權(quán)值越大，采用如下公式定義權(quán)值：

(5)

對wi歸一化處理后作為加權(quán)融合算法的權(quán)值，融合后的結(jié)果為：

(6)

3 異質(zhì)傳感器數(shù)據(jù)融合算法

為了對多種環(huán)境參數(shù)決定的環(huán)境質(zhì)量做出整體評價，要利用同質(zhì)傳感器數(shù)據(jù)融合結(jié)果再進行異質(zhì)傳感器數(shù)據(jù)融合，從而得出環(huán)境質(zhì)量等級，異質(zhì)傳感器數(shù)據(jù)融合融合方法利用了神經(jīng)網(wǎng)絡(luò)算法。在這類研究中，李文琛[10]建立了溫度、濕度、塵埃3個參數(shù)的BP神經(jīng)網(wǎng)絡(luò)體系來評價環(huán)境質(zhì)量；邵州華[11]采用基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的改進算法來研究玻璃生產(chǎn)環(huán)境問題。本文采用模糊神經(jīng)網(wǎng)絡(luò)來評價環(huán)境質(zhì)量的整體狀況，其中用隸屬度函數(shù)表示多種環(huán)境參數(shù)的相互信任程度。

模糊神經(jīng)網(wǎng)絡(luò)是模糊集理論與神經(jīng)網(wǎng)絡(luò)有機結(jié)合的產(chǎn)物，集合了模糊系統(tǒng)的語言計算、邏輯推理、模糊集的處理與神經(jīng)網(wǎng)絡(luò)的自學習、識別等優(yōu)點于一體。

3.1 模糊神經(jīng)網(wǎng)絡(luò)模型

模型采用典型的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。該模型為由網(wǎng)絡(luò)前件和網(wǎng)絡(luò)后件組成的多輸入單輸出5層網(wǎng)絡(luò)模型。其中，輸入變量為溫度、濕度、光照、粉塵4個輸入?yún)?shù)，輸出變量為環(huán)境等級，分為嚴重、惡劣、一般、輕度舒適和舒適5個等級。網(wǎng)絡(luò)前件包括隸屬度計算和模糊規(guī)則的創(chuàng)建等。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of fuzzy neural network

第1層：輸入層，該層的n個節(jié)點與輸入分量xi建立對應(yīng)關(guān)系，將輸入向量x=(x1,x2…xn)傳遞給下一層。

第2層：模糊化層，該層為每個輸入分量計算隸屬度。其節(jié)點由模糊規(guī)則數(shù)及輸入分量的個數(shù)共同決定；根據(jù)經(jīng)驗，模型采用高斯函數(shù)作為其隸屬度函數(shù)，則網(wǎng)絡(luò)中輸入的第i個分量對應(yīng)的模糊規(guī)則中第j個規(guī)則的隸屬度計算公式為：

(7)

其中i=1,2為輸入變量的位數(shù)，j=1,2…m為模糊規(guī)則；μij為輸入變量的均值，即隸屬度函數(shù)的中心，σij為隸屬度函數(shù)的寬度。

第3層：規(guī)則層，該層主要是節(jié)點構(gòu)成的先決條件，計算每一條規(guī)則的強度，計算公式為：

(8)

其中，“*”為S-范數(shù)。

第4層：歸一化層，計算每條規(guī)則的強度幾率，計算公式為：

(9)

其中wj表示輸出狀態(tài)與隸屬度建立連接的權(quán)值。

第5層：輸出層，該層的節(jié)點為一個輸出節(jié)點，由上層得到的各節(jié)點間連接權(quán)值及網(wǎng)絡(luò)后件的強度增強共同決定輸出。輸出結(jié)果的計算公式為：

(10)

網(wǎng)絡(luò)后件采用區(qū)間Ⅱ型模糊神經(jīng)網(wǎng)絡(luò)的模型if-then規(guī)則，推理運算形成模糊規(guī)則，計算公式為：

(11)

其中，p連接輸入與輸出的權(quán)系數(shù)。

3.2 學習機制

系統(tǒng)參數(shù)需要通過學習進行優(yōu)化，需優(yōu)化的參數(shù)有隸屬度函數(shù)的中心μ、寬度σ和權(quán)系數(shù)p。

用誤差反向傳播和隨機搜索的方法構(gòu)建參數(shù)學習的原則。假設(shè)期望輸出為d，則誤差為：

(12)

誤差函數(shù)為：

(13)

隸屬度函數(shù)的中心μ和寬度σ更新機制為：

(14)

(15)

權(quán)系數(shù)p更新機制為：

(16)

則

(17)

4 算法試驗分析

對采用改進的自適應(yīng)加權(quán)算法的同質(zhì)傳感器數(shù)據(jù)融合算法利用張軍的數(shù)據(jù)進行驗證，將其結(jié)果和其他融合算法結(jié)果進行了對比；對采用模糊神經(jīng)網(wǎng)絡(luò)的異質(zhì)傳感器數(shù)據(jù)融合算法利用前端傳感器采集的環(huán)境參數(shù)進行驗證，將預(yù)測輸出和實際輸出進行了對比。仿真試驗均在Matlab 2008上完成。

4.1 同質(zhì)傳感器數(shù)據(jù)融合算法驗證

張軍等中用8只傳感器對1 200 ℃恒溫槽的溫度分別進行8次測量，每只傳感器的分批融合結(jié)果如表1所示。

表1 單傳感器分批估計融合的結(jié)果/℃[2]

根據(jù)式(1)～(4)求得各傳感器被支持程度Ci為[0.473 0.404 0.661 0.442 0.489 0.668 0.302 1]，根據(jù)式(5)求得權(quán)值wi為[0.17 0.16 0.09 0.15 0.13 0.09 0.200]，根據(jù)式(6)得出數(shù)據(jù)融合結(jié)果為1 200.203。分別用4種數(shù)據(jù)融合算法對張軍的測量數(shù)據(jù)進行數(shù)據(jù)融合[2]，各算法的融合結(jié)果如表2所示。由表2可以看出，本文用歐氏距離結(jié)合相關(guān)函數(shù)改進的自適應(yīng)加權(quán)融合算法的融合結(jié)果最接近1200 ℃，準確度最高。

4.2 異質(zhì)傳感器數(shù)據(jù)融合算法驗證

對異質(zhì)傳感器數(shù)據(jù)采用模糊神經(jīng)網(wǎng)絡(luò)模型進行融合，輸入變量為溫度、濕度、粉塵、光照4個特征參數(shù)，輸出變量為環(huán)境等級，設(shè)定環(huán)境等級劃分的相關(guān)參數(shù)如表3所示。

表2 各算法數(shù)據(jù)融合結(jié)果對比

Table 2 Results Comparison of different data fusion algorithms

算法Algorithm本文算法Proposedalgorithm算數(shù)平均法Arithmeticaveragealgorithm最小二乘法Leastsquarealgorithm文獻[2]算法Paper[2]algorithm融合結(jié)果/℃1200203120377011996181200225絕對誤差/℃0203370003820225相對誤差/%0017031000320019

在不同環(huán)境、不同時段下對前端傳感器的數(shù)據(jù)進行采集，選取500組較為典型的數(shù)據(jù)，其中350組為訓(xùn)練樣本，150組為驗證樣本，學習訓(xùn)練步數(shù)設(shè)為1 200。圖3為模糊神經(jīng)網(wǎng)絡(luò)的學習誤差曲線。

表3 環(huán)境等級狀況劃分

圖3 學習誤差曲線Fig.3 Learning error curve

由圖3可知，在訓(xùn)練200步后誤差保持在0.16，滿足系統(tǒng)需求。在150組測試數(shù)據(jù)中，143組被正確識別，3組未被正確識別，識別率為96%，達到了系統(tǒng)要求。為了更為清晰地展示系統(tǒng)算法的優(yōu)劣性，對每一種情況選取4組數(shù)據(jù)進行展示，其實際數(shù)據(jù)、預(yù)測數(shù)據(jù)及誤差情況如圖4所示。從圖4中可以看出，預(yù)測曲線基本可以擬合實際輸出，且誤差在系統(tǒng)的要求范圍內(nèi)。

圖4 測試數(shù)據(jù)預(yù)測Fig.4 Prediction of test data

5 結(jié)論

本文在基于無線傳感網(wǎng)絡(luò)的環(huán)境監(jiān)測系統(tǒng)上，先進行局部融合，采用歐式距離及優(yōu)化相關(guān)函數(shù)改進了自適應(yīng)加權(quán)算法實現(xiàn)同質(zhì)傳感器數(shù)據(jù)融合，該方法避免了主觀因素影響的關(guān)系矩陣，提高了數(shù)據(jù)融合的精度；再進行全局融合，通過設(shè)計模糊神經(jīng)網(wǎng)絡(luò)實現(xiàn)異質(zhì)傳感器數(shù)據(jù)融合，對環(huán)境整體狀況做出可靠的評價。

[1]劉暉,陳小惠,劉銀峰.基于粗糙集和模糊kohonen聚類網(wǎng)絡(luò)的多傳感器數(shù)據(jù)融合[J].電子測量與儀器學報,2010,24(3):218-223.

[2]張軍,楊子晨.多傳感器數(shù)據(jù)采集系統(tǒng)中的數(shù)據(jù)融合研究[J].傳感器與微系統(tǒng),2014,33(3):52-54,57.

[3]焦竹青,熊偉麗,張林,等.基于信任度的多傳感器數(shù)據(jù)融合及其應(yīng)用[J].東南大學學報(自然科學版),2008,38(增刊1):253-257.

[4]劉建書,李人厚,劉云龍,等.基于相關(guān)性函數(shù)和模糊綜合函數(shù)的多傳感器數(shù)據(jù)融合[J].系統(tǒng)工程與電子技術(shù),2006,28(7):1006-1009.

[5]韓峰,楊萬海,袁曉光.基于相關(guān)性函數(shù)和模糊貼近度的多傳感器數(shù)據(jù)融合[J].彈箭與制導(dǎo)學報,2009,29(4):227-229,234.

[6]Brehard T, Krishnamurthy V. Optimal data incest removalin Bayesian decentralized estimation over a sensor network[C]. //2007 IEEE International Conference on Acoustics, Speech and Signal Processing, 2007: 173-176.

[7]Maskell S. A Bayesian approach to fusing uncertain,impreciseand conflicting information[J]. Information Fusion, 2008,9(2): 259-277.

[8]徐秦樂,張金藝,徐德政,等.高精度故障電弧檢測多傳感器數(shù)據(jù)融合算法[J].上海大學學報(自然科學版),2014,20(2):165-173.

[9]楊方.基于無線傳感器網(wǎng)絡(luò)的農(nóng)田環(huán)境監(jiān)測系統(tǒng)設(shè)計[J].湖北農(nóng)業(yè)科學,2012,51(15):3334-3335,3339.

[10]李文琛.基于多傳感器數(shù)據(jù)融合的無線環(huán)境監(jiān)測系統(tǒng)[D].南京:南京理工大學,2014:31-39.

[11]邵州華.多傳感器數(shù)據(jù)融合算法的研究與應(yīng)用[D].沈陽:東北大學,2013: 32-47.

(編輯：李曉斌)

Research on multi-sensor data fusion in environment monitoring

Liu Jing，Li Fuzhong*，Jing Ruijun

(CollegeofSoftware,ShanxiAgriculturalUniversity,Taigu030801,China)

[Objective] For the problem of low accuracy and reliability of single sensor data in environment monitoring, the paper proposed that based on the WSN monitoring system use an improved self-adaptive weighted fusion algorithm and fuzzy neural network to increase the reliability of environment monitoring. [Methods] Based on the data collected by multi sensors in the same period, applied the self-adaptive weighted algorithm improved by Euclidean distance and correlation function on the data fusion of homogeneous sensors, we designed a fuzzy neural network to translate the data from heterogeneous sensor into environment quality grade. [Results] The simulation experiment showed that the accuracy of the proposed homogeneous sensor data fusion algorithm was higher than some other kinds of algorithms, the fuzzy neural network algorithm could correctly classify 96% verification samples after learning 350 training samples and the prediction curve could roughly match the real outputs. [Conclusion] The proposed homogeneous sensor data fusion algorithm increased the accuracy of data fusion, and the heterogeneous sensor data fusion algorithm could give a relatively reliable evaluation to overall environment quality.

Environment monitoring， Multi sensor， Data fusion， Euclidean distance， Fuzzy neural network

2017-02-08

2017-03-02

劉靜(1990-)，女(漢)，山西榆社人，助教，碩士，研究方向：無線通信及物聯(lián)網(wǎng)

*通信作者：李富忠，教授，博士生導(dǎo)師，Tel: 13734008985; Email:sxaulfz@126.com

山西農(nóng)業(yè)大學科技創(chuàng)新基金(2016004)

TD712

A

1671-8151(2017)05-0340-05