一種改進的多無線傳感器數據分批估計自適應加權融合算法*

王華東，王大羽

（周口師范學院計算機科學與技術學院，河南周口466001）

一種改進的多無線傳感器數據分批估計自適應加權融合算法*

王華東*，王大羽

（周口師范學院計算機科學與技術學院，河南周口466001）

為解決溫室大棚中多無線傳感器監測數據融合精度低的問題，提出了一種改進型的分批估計自適應加權融合算法。算法首先對單個無線溫度傳感節點一段時間內所采集的數據根據容許函數閾值剔除誤差較大的數據，然后對該溫度傳感器的數據進行分批估計得出該節點某一段時間內的最優估計值，以此得到該區域所有無線溫度傳感節點最優估計值后，依據權值最優分配原則對每組傳感器數據進行組內自適應加權融合，從而計算得到該段時間內溫室大棚的溫度精確值。通過實驗驗證得出：相對于平均值法與傳統的分批估計算法，本算法數據融合易于實現，融合值相對誤差值更低，穩健性更好。

多無線傳感器；數據融合；分批估計；自適應加權；容許函數

大型溫室技術是利用微電子技術和現代控制技術，人為調節外圍環境以適宜農作物的生長，從而達到調節農作物繁育周期、增加農作物產量、改善農作物品質、提高經濟效益的目的。其發展帶動了現代農業技術的革新，使農作物的生長繁育不再受季節、時節、地域的限制。通過溫室環境調節進行反季節栽培、集約化生產農產品，極大滿足了人們的物質需求。溫室大棚環境監測系統通常采用Zigbee無線通信，無線通信最大的優勢就是無需布線，并且監測點設置靈活、架構分明、單點維護方便［1］。在溫室大棚生產中，需要實時掌握和調節大棚的環境參數，如溫度、濕度、光照度、CO2濃度和土壤濕度等數據信息［2］。由于傳感器會受到各種因素的干擾和本身精度的影響，其監測結果會存在一定的偏差。若要準確的掌握溫室大棚環境參數，必須采用多傳感器協作完成監測任務。合理的選擇多傳感器數據融合的算法，提高監測數據精度已成為溫室大棚環境監測的關鍵任務之一［3］。

多傳感器數據融合技術對于解決數據冗余，提高數據的精確性提供了技術支持，因此無線傳感器的數據融合成為近年來的研究熱點［4-5］。文獻［6］提出了一種優化的貝葉斯估計多傳感器數據融合方法，結合卡爾曼濾波器的貝葉斯融合算法有效解決了數據的不確定性和不一致性。采用均值的分批估計算法對多傳感器數據進行融合計算。文獻［7］基于深度學習模型，提出了一種將層疊自動編碼器（SAE）和分簇協議相結合的數據融合算法SAEMDA，提高了無線傳感器網絡中數據融合的性能。文獻［8］提出了一種新的基于支持向量機回歸估計（SVR）的多傳感器數據融合處理方法，實驗驗證明顯該方法明顯優于多維回歸分析和人工神經網絡的數據融合處理方法。文獻［9］提出一種冪均方算子進行數據融合，僅需要計算當前時刻各傳感器數據的支持度函數就能獲得加權融合的最優權重，無需其他概率統計知識，適合于實時數據融合，但Yager給出的支持度函數僅在溫室系統使用時存在優化空間［10］。文獻［11］實現了一種誤差實時可控的數據融合算法，算法能夠保證不同節點數據傳輸的公平性，在數據傳輸率相同的情況下，其求和查詢及均值查詢的平均絕對誤差均遠低于當前優秀的基于伯努利采樣的數據融合方法。本文在借鑒分批估計算法的基礎上，利用模糊集理論根據容許函數的閾值剔除誤差較大的傳感器數據，確保融合數據的一致性，然后對該溫度傳感器的數據進行分批估計得出該節點某一段時間內的最優估計值，以此得到該區域所有溫度傳感節點最優估計值后，依據權值最優分配原則對每組傳感器數據進行組內自適應加權融合，從而計算得到該段時間內溫室大棚的溫度精確值。

1 溫室大棚多傳感器數據預處理

溫室大棚中的檢測數據集取決于無線采集節點的數量，節點越多需要融合的數據量就越多，但是無線節點由于受各種因素的干擾和本身精度的影響，節點采集的數據可能有一定的誤差，為了剔除誤差較大的節點數據，對節點采集的所有數據進行前期預處理。文章采用模糊集理論根據容許函數的閾值剔除誤差較大的傳感器數據。

定義 2個傳感器信息間的容許函數為二元模糊關系：R：X×X→［0，1］，滿足以下條件：

①R（x，x）=1；②R（x，y）=R（y，x）；③當D（x，y）≤D（x，y′）時，R（x，y）≥R（x，y′）

其中，X是節點傳感器測量數據的論域；D(x,y)表示x與y之間的距離。根據容許函數的定義，數據容許度類似于數據的可信度，當某一個傳感器所采集的數據與均值的差越小表示數據的可信度越高。

設某一傳感器在某一時刻得到的測量數據為x1,x2,…,xn，其 中，xi=(xix,xiy)，xj=(xjx,xjy)。 設，dij表示節點采集值 xi和 xj間的距離。本文將容許函數定義為：

式中：ε為xi,yi允許的最大距離，ε與節點的測量精度有關，通過前期無線傳感節點的多次校準實驗，可以得出節點的誤差容許值。A(xi,xj)為1時表示兩個節點傳感器所采集的數據在容許的范圍內，若為0表示兩個數據之間沒有容許的意義，應剔除。

2 改進的多無線傳感器數據融合算法

溫室大棚中某一時刻溫度的確定是多個傳感器共同測量的結果，為了提高大棚溫度監測值的精確性，文中首先對單個傳感器這一段時間內的溫度采集值進行分批數據估計，然后在融合多組溫度傳感器的數據。

2.1 單個溫度傳感器數據分批估計

溫室大棚中需要布置較多類型的無線傳感器，這里以溫度傳感器為例進行算法的改進和說明，假設在溫室大棚的一個區域內隨機布置n個溫度傳感節點，現將某一時刻單個溫度傳感器采集的n個數據均分為4組，其中第j組為Tj1,Tj2,Tj3,......Tjnj，nj≥2, j=1,2,3,4并且，則4組平均值為：

對應的方差為：

根據文獻［12］的研究可知，利用統計學中分批估計理論可以求解單傳感器4組數據融合的最優估計值T：

單溫度傳感器4組數據融合之后的可得該溫度傳感器采集數據的最優方差σ2：

2.2 多傳感器自適應加權數據融合

每個傳感器的監測數據在經過分批估計后，已經得到了單個傳感器溫度測量的最優值Ti。而溫室大棚中的溫度值是融合n個傳感器組的監測值得到的，文中按照各傳感器融合方差的大小將傳感器分為m組，依據權值最優分配原則對每組傳感器數據進行組內自適應加權融合，融合值記為Xi、方差為。根據權值最優分配原則計算各融合值在組內的最優權數Wi′，然后對Xi自適應加權融合處理，最終計算得到該時間段內溫室大棚的溫度精確值。將n個傳感器分成m組，依據權值最優分配原則分別對各組進行組內自適應加權數據融合，總方差越小表明該組的數據融合之后的精度越高。設各組傳感器的權值為Wi：

融合后第k組傳感器估計值Xk為：

依據上述公式可以得到各組傳感器的估計值、方差和加權因子。然后對n個傳感器進行m組數據融合，同理，依據權值最優分配原則對m組進行加權融合，各組的加權因子

最終n個溫度傳感器的自適應加權融合估計值X為：

3 改進算法的數據測試分析

為了提高溫度傳感器監測數據融合的精確度，本文對單個傳感器采集數據進行前期誤差數據剔除，繼而利用分批預估算法對某一時刻該溫度傳感器的測量數值進行融合估計，但溫室大棚區域內溫度的最終測定是多個傳感器組數據融合的結果，所以對多個傳感器組的數據依據權值最優分配原則進行組內自適應加權融合，層層降低誤差。

為了驗證改進算法的有效性，以周口師范學院生命科學與農學學院現代農業示范基地為實驗場所，溫室大棚的簡易架構如圖1所示，無線溫度傳感器節點是基于CC2530和SHT11設計完成，無線溫度傳感器節點采集的溫度數據經過路由后送達中心節點，然后通過GPRS將數據送到Internet網絡，最終將數據存儲至數據庫服務器，用戶可以通過瀏覽器對數據進行查詢和分析。

圖1 溫室大棚的簡易架構

選取一個溫度監測區域（溫度基準真實值為20℃），分別以20、60、100節點對分批估計融合算法與改進型算法進行數據對比。考慮到傳感器可能存在的零點漂移，本系統使用互不相關的零均值白噪聲模擬傳感器的觀測誤差，信噪比從0.1dB到1dB。溫度監測數據如表1所示。

圖2～圖4直觀的顯示了三種算法在20，60和100個節點時，溫度監測數據融合值的相對誤差。從圖2～圖4分析得出：改進型分批估計自動適應融合計算法的融合結果相對于算術平均法和分批估計融合算法更接近實際真值，其絕對誤差明顯小于算術平均法，這是因為算術平均法中具有無法避免的零點漂移以及仿真傳感器誤差造成的。分批估計融合算法相對于算術平均算法數據穩定性好，但與本文算法相比融合誤差相對較大，這是由于在采集數據融合之前沒有對初始數據進行預處理。綜上可見，本文改進的分批估計自動適應融合計算法在不同節點數量不同信噪比的情況下都有較低的融合誤差。

表1 監測數據融合結果對比

圖2 20個溫度傳感節點時三種算法融合值相對誤差比較

圖3 60個溫度傳感節點時三種算法融合值相對誤差比較

圖4 100個溫度傳感節點時三種算法融合值相對誤差比較

4 結論

本文提出了改進型分批估計自動適應融合計算法，算法首先對單個溫度傳感器節點一段時間內的數據采用模糊集理論根據容許函數的閾值剔除誤差較大的傳感器數據，然后對該溫度傳感器的數據進行分批估計得出該節點某一段時間內的最優估計值，再得到所有節點的最優估計值后，依據權值最優分配原則對每組傳感器數據進行組內自適應加權融合，從而計算得到該時刻溫室大棚的溫度精確值。改進的算法應用于溫室大棚的溫度監測數據的融合處理。實踐結果表明：和算術平均法和分批估計算法相比，改進型分批估計自動適應融合計算法對在實際應用過程中出現的異常數據進行了有效的預處理，數據融合精度更高，穩健性好。

［1］王素紅.基于ZigBee溫室大棚監測系統的應用研究［D］.太原：中北大學，2009：6-8.

［2］潘金珠，王興元，肖云龍，等.基于物聯網的溫室大棚系統設計［J］.傳感器與微系統，2014，33（10）：51-54.

［3］王武禮，楊華.基于SHT11的糧倉溫濕度測控系統的設計［J］.儀表技術與傳感器，2010（9）：50-59.

［4］王康，王峰，蔣馥珍，等.無線傳感網絡數據融合算法的研究［J］.電視技術，2014，38（1）：103-105.

［5］張揚，楊松濤，張香芝.一種模擬退火遺傳算法的傳感器網絡數據融合技術研究［J］.計算機應用研究，2012，29（5）：1860-1864.

［6］張品，董為浩，高大冬.一種優化的貝葉斯估計多傳感器數據融合方法［J］.傳感技術學報，2014，27（5）：644-647.

［7］邱立達，劉天鍵，林南，等.基于深度學習模型的無線傳感器網絡數據融合算法［J］.傳感技術學報，2014，27（12）：1705-1709.

［8］丁蕾，廖同慶，陶亮.基于SVR的多傳感器數據融合處理方法［J］.傳感技術學報，2011，24（5）：710-712.

［9］Yager R R.The Power Average Operator［J］.IEEE Transactions on Systems，Man，and Cybernetics，2001，31（6）：724-731.

［10］熊迎軍，沈明霞，陸明洲，等.溫室無線傳感器網絡系統實時數據融合算法［J］.農業工程學報，2012，28（23）：160-165.

［11］徐曉斌，張光衛，孫其博，等.一種誤差可控傳輸均衡的WSN數據融合算法［J］.電子學報，2014，42（6）：1206-1209.

［12］陳希孺.高等數理統計學［M］.合肥：中國科學技術大學出版社，1999：78-92.

王華東（1977-），男，河南沈丘人，1996-2000年畢業于河南師范大學（新鄉）計算機科學教育專業；2000-2006年在周口師范學院計算機科學與技術學院任教；2006-2008年畢業于鄭州大學網絡工程專業，2008年入職周口師范學院計算機科學與技術學院，目前的主要研究領域為計算機網絡與通信，無線傳感器網絡等，wanghuadong@zknu.edu.cn；

王大羽（1985-），女，河南周口人，碩士，講師，目前的主要研究領域為計算機應用和計算機網絡等，wangdayu@zknu.edu.cn。

An Improved Multiple Wireless Sensor Data Batch Estimation Adaptive Weighted Fusion Algorithm*

WANG Huadong*，WANG Dayu
（Computer science and technology of Zhoukou Normal University，Zhoukou He'nan 466001，China）

To solve multiple wireless sensor monitoring data fusion in greenhouses the problem of low precision，this paper proposes a modified batch estimation adaptive weighted fusion algorithm.Firstly，the algorithm based on the allowable threshold function eliminate a large error data，which collected over by the wireless temperature sensor within a period of time，then，batch estimate these processed data to derive optimal estimation of the value of the node，after this optimal estimate of all wireless temperature sensor nodes in the region，according to the principle of optimal allocation of weights to adaptive weighted fusion Within the group，finally，the algorithm calculates over the period of time the greenhouse temperature exact values.Through the experiment shows：compared with batch estimation algorithm and the traditional method of average value，this algorithm is easy to realize data fusion，the fusion value relative error is lower，better robustness.

wireless sensor；data fusion；batch estimation；adaptive weighted；admissible function

TP274

A

1004-1699（2015）08-1239-05

??7230

10.3969/j.issn.1004-1699.2015.08.023

項目來源：河南省基礎與前沿技術研究項目（132300410479，142300410339）

2015-01-15 修改日期：2015-05-13