生豬養殖環境監測多傳感器數據融合模型研究

? 鐘 旭，江 文，朱幸輝（湖南農業大學信息科學技術學院，湖南 長沙 410128）

?

生豬養殖環境監測多傳感器數據融合模型研究

鐘 旭，江 文，朱幸輝
（湖南農業大學信息科學技術學院，湖南 長沙 410128）

摘 要：近年來，隨著國家農業信息化進程的不斷推進，在農業領域應用多傳感器數據融合技術越來越受到學者們的重視。生豬養殖是湖南省的傳統優勢產業，研究生豬養殖環境監測多傳感器數據融合技術，有利于提高我省生豬養殖的信息化、科學化水平。本文以對生豬養殖環境的監測為研究背景，對豬舍中溫度、濕度、氨氣濃度、二氧化碳濃度進行實時監測，利用提出的兩級多傳感器數據融合模型對觀測數據進行融合，最終得到對實驗豬舍實際情況的綜合判斷，并給出相應的環境調控意見，保證生豬能在適宜的環境中成長。

關鍵詞：多傳感器；數據融合；模糊集； DS證據理論；生豬養殖

將數據融合技術應用在生豬養殖環境監測中，提高了系統的穩定性，能得到比單傳感器監測更為精確的結果。模糊理論中，隸屬度表示論域中一個元素屬于某一特定類的程度，該定義與DS證據理論中基本概率分配函數的定義頗為類似。本文探討的兩級多傳感器數據融合模型考慮利用隸屬度函數來計算基本概率分配函數，并提出了計算證據間融合度作為基本概率分配函數的權重。利用DS證據理論進行融合時，通過引入Jousselme距離改進沖突衡量因子，把證據間的沖突按照比例分配給辨識框架中的元素，得到最終融合結論，通過實驗證明了該融合模型的有效性。

1　兩級數據融合模型

針對生豬養殖環境的測檢測，設計兩級數據融合模型，第一級對傳感器所得到的原始數據進行初步處理，并定義最優融合集，篩選出相對精準的有效數據，第二級首先利用計算模糊隸屬度的方法計算基本概率分配函數，然后使用改進的DS證據理論對證據進行融合，得出最終對養殖環境狀態的判定決策。生豬養殖環境多傳感器數據融合兩級模型如圖1所示［1］。

圖1　生豬養殖環境多傳感器數據融合兩級模型

一級融合：首先考慮到傳感器可能由于本身構造及環境因素的影響而導致讀取數據不準確、偏差較大，若對不精確的數據直接進行融合可能導致最終錯誤的決策。設計第一層數據預處理，計算傳感器觀測值之間的絕對距離，并通過專家經驗得到絕對距離變化的正常范圍，在短時間測算范圍內判定讀數不穩定的傳感器無效，定義最優融合集，進一步縮小融合數據的范圍，在減小計算量的同時提高融合精度。得出最優融合集后，對傳感器之間的相容度進行計算，給各傳感器分配權重，對同類觀測值作數據級融合。

二級融合：由于DS證據理論有較好的處理不確定、不完整信息的能力，不需要目標先驗概率，能將目標與識別框架中信息轉化為數學模型進行，且能通過證據區間的支持情況描述模糊問題［2］，考慮使用DS證據理論進行融合。而DS理論本身在處理數據時存在的各種不足之處，本文針對基本概率分配函數主觀性問題，利用計算模糊隸屬度的方法計算基本概率分配函數；針對證據高度沖突下融合結果不合理問題，本文改進沖突因子，減小沖突對最終決策的影響。

2　第一級融合算法

利用模糊集理論進行第一層融合是為了將傳感器得到的數據進行篩選并進行數據級融合，以保證第二層融合的精確度。因此，本層融合的目的是得到一個傳感器讀數有效值鄰域，并通過判斷傳感器的穩定性及傳感器之間的融合度來確定單個傳感器的權重。

考慮到在實際生豬養殖監測中可能存在傳感器失效的問題，得出的觀測數據直接進行融合可能會影響結果的精度，故在文獻［3］最優融合集的基礎上進行改進。由于在較短的時間內傳感器的觀測數據不會有太大的變化，則先利用觀測絕對距離對傳感器觀測數據進行判斷。

根據專家一般經驗，在T=|tp-tq|（p，q ∈［1，n］）時間段內，傳感器觀測值變化絕對距離Dt=|Si（tp）-Si（tq）|變化不會超過一定范圍。一定間隔時間內各環境影響因子觀測值絕對距離變化正常范圍如表1所示。

表1　間隔5 s內各環境影響因子觀測值絕對距離變化范圍

若Dt不在變化正常范圍內，則判定此傳感器失效，將傳感器的權重系數設置為0；若Dt在正常范圍內，則判定該傳感器有效。

對于有效的傳感器，其觀測值可能會因為環境噪聲、傳感器本身精度等因素的影響，導致數據觀測偏差較大。可通過計算在t時刻各傳感器觀測值的絕對距離大小，進一步縮小樣本范圍，提高融合精度。

設所有傳感器在t時間點的觀測數據為Si（t）（i∈［1，n］），則傳感器之間的觀測絕對距離為：

t時刻傳感器之間的觀測絕對距離Dij（t）構成矩陣：

定義Ω為最優融合集，Ω滿足公式（2）所示的條件：

得出的最優融合集即為經過數據篩選后的數據融合樣本集合。

計算最優融合集內傳感器的權重需要考慮傳感器本身的穩定性及當前時刻各傳感器之間觀測值的相容性。通過計算較小時間間隔內Si（tn） （i∈［1，n］）的方差，可判斷傳感器本身的穩定性。

利用對數函數來進行轉換，將傳感器之間的相容性映射到［0，1］區間內。由于考慮到最優融合集中觀測數據差距較小，利用對數函數轉換后的結果可能為負數，受平面幾何中求兩點之間距離公式的啟發，將觀測數據平方擴大后相減。

定義傳感器相容度為cij（t）：

根據公式（3），Si（t）與Sj（t）的差值越大，則cij（t）越小，說明相容度越小，相容性差。t時刻傳感器之間相容度構成矩陣：

定義傳感器的一致融合度為Ci（t），表示在t時刻單個傳感器與其他傳感器觀測數值的融合程度：

在t∈［tp，tq］時間段內，有效傳感器觀測了m個在最優融合集中的數據，定義單個傳感器觀測值的穩定度σi：

其中，E為t∈［tp，tq］時間段內，Si（tp）的平均數：

在實際情況中，若Ci（t）越大（即：傳感器之間融合度高，觀測數據接近），且σi越大（即：在一個較小時間段內單個傳感器穩定性好，觀測數據波動小），則認為該傳感器觀測數據越可信，應分配較大權重；若Ci（t）越小，且σi越小，則認為該傳感器觀測數據越不可信，應分配較小權重。

根據上述分析，定義權重wi，并進行歸一化處理：

給各傳感器分配權重后即可進行融合，融合公式如下：

第一層數據級融合是針對同類傳感器的融合，將多個時間點采集的傳感器觀測數據融合成一個與實際情況最為接近的數據，為第二層決策級融合做準備。

3　第二層融合算法

應用DS證據理論的困難就在于如何將目標數據及原始數據轉換為可以進行推理的基本信任分配函數值［4］。模糊集理論中，隸屬度函數A（x）取值在［0，1］內，用于表示x屬于A的程度，與基本概率分配函數的作用類似，根據DS證據理論中關于信任程度的區間劃分，證據的擬信區間包括支持區間與不確定區間，考慮通過使用模糊隸屬度函數來計算證據屬于支持范圍的隸屬度與屬于不確定區間的隸屬度，將兩者相加，初步得到DS理論中的基本概率分配函數。再利用證據間距離公式計算證據融合度，對初步的基本概率分配函數進行加權平均，得到新的基本概率分配函數。

根據正態型模糊分布函數的表達式，確定隸屬度函數的表達式為：

其中，Six為第i組傳感器組所觀測到的某個環境因子的觀測值（溫度、濕度、氨氣濃度、二氧化碳濃度），θ為辨識框架中相應環境影響因子的特征值（包括：支持的特征值、不確定的特征值），σ為第i組傳感器中相應環境影響因子傳感器的特征最大偏差。

分別將每組傳感器組中溫度、濕度、氨氣濃度、二氧化碳濃度隸屬于辨識框架中每一焦元的信任隸屬度求出后相加，然后對這幾組數據進行歸一化處理，即可得到初步的基本隸屬度函數。

得出初步的基本概率分配函數反映了數據級融合結果對辨識框架中各命題的支持程度，同時，還需要考慮證據之間的支持程度。對于傳感器觀測到的數值所代表的證據應該被賦予不同的權重，如果一個證據被其它證據所支持，則該證據比較可信，應該賦予較大的權重值，對最終融合結果的影響應該加大［5］。由于基本概率分配函數是DS證據理論考慮信任度的關鍵所在，故考慮將權重體現在基本概率分配函數上，通過計算證據間的融合程度來給證據分配權重。

定義證據融合度為dij，且滿足公式4-10［6］：

其中，i，j=1，2，…，n，A，B∈Θ。

根據公式，mi（A）與mj（B）的差值越大，dij則越小，說明證據間融合程度越小，融合度越差。將證據間融合度全部計算出來則構成融合度矩陣：

融合度矩陣中第i行的數值之和表示第i個證據與其它證據的支持程度，定義證據的支持程度為supi，且滿足公式（11）：

計算完證據的融合度后，將融合度進行歸一化處理，將歸一化處理后的融合度w（supi）作為權重，對基本概率分配函數進行重新分配：

由于各證據基本概率分配函數之和應為1，故應對重新分配的基本概率分配函數再次進行歸一化處理，如公式（13）所示：

對于DS證據理論的改進，能準確衡量證據沖突是采用證據法合成沖突證據的前提。DS合成規則中沖突因子k將待合成證據間相交為空的焦元基本概率分配函數乘積之和來表示沖突，但當兩焦元相交不為空且非完全相同時，用該方式計算的沖突因子則認為此種情況兩焦元不存在沖突，這顯然是不合理的［7］。因此考慮對DS合成規則中沖突因子進行改進。

研究領域普遍采用Jousselme距離和Pignistic概率函數進行改進，但實驗表明［8］，當針對不同類別的證據時，即證據間完全沖突，利用這兩種距離求算方式得出的距離并非為最大值，對證據體之間的距離描述不夠準確。

針對Jousselme距離在表示證據距離時存在的問題，對Jousselme距離公式：

進行分析，Jousselme距離之所以不能正確衡量證據差異性的原因在于該公式中常數1/2的取值不當［9］，分母應與m1，m2的取值有關，而不是簡單設置為一個常數。m1，m2均為證據所對應的基本概率分配函數，故：m1，m2∈［0，1］，經分析得到，式中分子的范圍也應在［0，1］范圍內，即：

最終距離d（m1，m2）∈［0，1］的條件即為：分母的結果應大于2。考慮計算證據間距離應與證據對應的基本概率分配函數m1，m2的差值及內積有關，故應在分母部分考慮基本概率分配函數的內積。

本文提出一種對Jousselme距離的改進方式，如公式（14）所示：

綜合提出的Jousselme距離的改進公式，及國內外學者的研究成果，考慮到將兩個因子相乘可能導致衡量片面性的問題，故采用相加的方式來作為沖突衡量方式，考慮到沖突因子范圍應在［0，1］內，故將相加之后的和除2進行歸一化處理。表達式如公式（15）所示：

4　實驗驗證

研究的實驗豬舍位于湖南省岳陽市屈原管理區生豬養殖示范基地的生豬人工氣候室，內設有生豬產房、保育舍及育肥舍，每間豬舍長度、寬度、高度分別為3.04、2.84和3.16 m。采用BMW-RHTA-S分體型溫濕度變送器采集溫度、濕度監測環境數據，利用BMG-CO2-NDIR防護型二氧化碳傳感器監測二氧化碳濃度，MIC-800-NH3智能氨氣檢測儀監測氨氣濃度。實驗主要針對生豬養殖環境中溫度、濕度、氨氣濃度、二氧化碳濃度進行監測。在豬舍中共設置五組傳感器組，分別位于豬舍的四個角及正中央。考慮到傳感器本身的質量不穩定因素，將每組傳感器組設置實驗組、備用組。實驗組和備用組中都包含有3個傳感器：溫濕度傳感器、氨氣檢測儀、二氧化碳檢測儀。

為驗證兩層數據融合模型的融合效果，在試驗豬舍進行實驗。觀測豬舍2015年3月的環境數據，每10 min記錄一次數據。從中隨機選取2個時間點的數據進行融合。抽取的數據如表2、表3所示。表中Corner1～4表示位于豬舍四角的傳感器組，Corner0表示位于豬舍中央的傳感器組，Sensor1～4（A）表示實驗組的傳感器，Sensor1～4（B）表示備用組的傳感器。

表2　2015年3月7日11： 05觀測數據

表3　2015年3月14日12： 30觀測數據

為了判斷傳感器的有效性，按要求應觀測間隔5 s的觀測數據。考慮到要減少環境本身的變化對傳感器有效性判斷的影響，故需保證環境中各因子的穩定。生豬在夜晚睡覺一段時間后環境中各因子相對處于平穩水平，在2015年3月1日凌晨0點，對5 s間隔內的數據進行采集，結果如表4所示。其中，tq表示tp時刻的后5 s時刻。

參照表1的專家經驗，可判斷實驗組的Sensor2A氨氣傳感器、備用組的Sensor0B二氧化碳傳感器觀測值變化劇烈，認定實驗組Sensor2A氨氣傳感器及備用組的Sensor0B二氧化碳傳感器為失效傳感器。在下一步的計算中，將備用組Sensor2B的氨氣傳感器數值作為Corner2的觀測值，其他仍然用實驗組傳感器觀測值進行計算。

計算出最優融合集后，對集合中的傳感器分配權重，最終得出第一層數據級融合的結果為：2015年3月7日11： 05融合的溫度、濕度、氨氣濃度、二氧化碳濃度分別為：19.8℃、60.2%、4.1 mg/m3、3 295 mg/m3；2015年3月12日12： 30融合的溫度、濕度、氨氣濃度和二氧化碳濃度分別為18.1℃、64.2%、9.1 mg/m3和825.1 mg/m3。

參照農業部頒布的畜禽場生態環境質量標準NY/ T 388-1999的要求，仔豬豬舍的溫度需為27～32℃，相對濕度不超過80%，成豬則為11～17℃和80%；豬舍區氨氣濃度不超過25 mg/m3，二氧化碳濃度不超過1 500 mg/m3［10］。

實驗豬舍中的豬為成豬，參照標準中對成豬生長環境的要求及觀測的數據特點，構造辨識框架為：Θ=｛δ1，δ2，δ3，δ4，δ5，δ6，δ7，δ8｝，其中：

δ1=｛溫度合適，濕度合適，氨氣濃度合適，二氧化碳濃度合適｝；

δ2=｛溫度合適，濕度合適，氨氣濃度合適，二氧化碳濃度偏高｝；

δ3=｛溫度合適，濕度偏高，氨氣濃度合適，二氧化碳濃度合適｝；

δ4=｛溫度合適，濕度偏高，氨氣濃度合適，二氧化碳濃度偏高｝；

δ5=｛溫度偏高，濕度合適，氨氣濃度合適，二氧化碳濃度合適｝；

δ6=｛溫度偏高，濕度合適，氨氣濃度合適，二氧化碳濃度偏高｝；

δ7=｛溫度偏高，濕度偏高，氨氣濃度合適，二氧化碳濃度合適｝；

δ8=｛溫度偏高，濕度偏高，氨氣濃度合適，二氧化碳濃度偏高｝；

計算基本概率分配函數及沖突因子后，利用DS合成規則進行計算，得出的第二層融合結果見表5和表6。

表4　5 s間隔內環境各因子變化情況

表5　2015年3月7日11： 05實驗融合結果

表6　2015年3月12日12： 30實驗融合結果

由2015年3月7日11：05時刻的實驗融合結果數據表5可以看出，融合后的概率分配值重新進行了分配，并逐漸向δ6積累，表示辨識框架中δ6的描述與實際情況最相符，即：溫度偏高、濕度合適、氨氣濃度合適、二氧化碳濃度偏高。根據第一層融合的數據級融合結果進行判斷，該結果判斷是正確的，研究探討的兩級數據融合模型是可行的，此時應針對該豬舍進行降溫、降二氧化碳濃度的處理。

由2015年3月12日12：30時刻的實驗融合結果數據（表6）可以看出，融合后的概率分配值重新進行了分配，并逐漸向δ5積累，表示便是框架中δ5的描述與實際情況最相符，即：溫度偏高、濕度合適、氨氣濃度合適、二氧化碳濃度合適。根據第一層融合的數據級融合結果進行判斷，該結果判斷是正確的，此時應針對該豬舍進行降溫處理。

5　結 論

研究以生豬養殖環境的監測為背景，利用最優融合集篩選出有效觀測數據；用模糊集中模糊隸屬度函數來求基本概率分配函數，并利用證據間的距離公式計算證據融合度作為證據的權重值分配給基本概率分配函數，減少沖突證據對結果判斷的影響。引入Jousselme距離，改進了DS合成規則中的沖突衡量因子，將沖突證據再次進行分配，使概率進一步向最終判斷結果焦元累積。對探討的兩級多傳感器數據融合模型進行了實驗驗證，實驗得出了對豬舍環境的準確判斷，證明了該兩級數據模型的有效性，能保證生豬能在適宜的環境中成長，對于有效降低生豬患病率有較大幫助。

參考文獻：

［1］ 張河翔. 信息融合技術在煤礦安全監控中的應用研究［D］. 重慶大學，2012.

［2］ 王 力. 基于DS證據理論的多傳感器數據融合算法研究與應用［D］. 太原理工大學，2015.

［3］ 楊國寧. 基于模糊集與統計理論的多傳感器數據融合算法研究［D］.太原理工大學，2013.

［4］ 宋秀峰. 海洋水質檢測系統中多傳感器數據融合技術的研究［D］.燕山大學，2013.

［5］ 白劍林， 王 煜. 一種解決 DS 理論證據沖突的有效方法［J］. 系統工程與電子技術， 2009（9）： 2106-2109.

［6］ 陳一雷，王俊杰. 一種DS證據推理的改進方法［J］. 系統仿真學報，2004，16（1）： 28-30.

［7］ 邢曉辰，蔡遠文，李 巖，等. 一種改進的證據沖突衡量因子［J］.電訊技術， 2015，55（11）： 1225-1231.

［8］ Liu Zhun-ga， Dezert J， Pan Quan， et al.. Combination of sources of evidence with different discounting factors based on a new dissimilarity measure［J］. Decision Support Systems，2011， 52（1）： 133-141.

［9］ 彭 穎，胡增輝，沈懷榮. 一種修正證據距離［J］. 電子與信息學報，2013，7：1624-1629.

［10］ 李江華. 關于畜禽場環境質量及衛生控制的標準［J］. 肉類研究，2013，5：3-4.

（責任編輯：賀 藝）

Multi-Sensor Data Fusion Models for Monitoring Pig Breeding Environment

ZHONG Xu，JIANG Wen，ZHU Xing-hui
（College of Information Science and Technology， Hunan Agricultural University， Changsha 410128， PRC）

Abstract：In recent years， with the advancement of agricultural informationization process in China， researchers have paid more and more attention to the application of multi-sensor data fusion technology in agricultural area. Pig breeding is the traditional superior industry of Hunan province， and studying the multi-sensor data fusion technology of monitoring pig breeding environment is helpful to improve the informationization and scientific level of pig breeding in Hunan province. Based on the background of monitoring pig breeding environment， the study conducted real-time monitoring of temperature， humidity， ammonia and carbon dioxide concentration in the piggery. It used the proposed two-stage multi-sensor data fusion model to process the observed data， obtained a synthetic judgment on the actual situation of the experimental piggery， and provided relevant environmental regulatory suggestions to ensure that pigs could live in an appropriate environment.

Key words：multi-sensor； data fusion； fuzzy set； DS evidence theory； pig breeding

中圖分類號：TP14

文獻標識碼：A

文章編號：1006-060X（2016）03-0090-06

DOI：10.16498/j.cnki.hnnykx.2016.03.027

收稿日期：2016-01-28

基金項目：國家科技支撐計劃（2013BAD15B02）

作者簡介：鐘 旭（1991-），女，湖南長沙市人，碩士研究生，主要研究方向為多傳感器數據融合。

通訊作者：朱幸輝