基于農(nóng)業(yè)物聯(lián)網(wǎng)的農(nóng)作物生長(zhǎng)監(jiān)測(cè)數(shù)據(jù)融合研究

黃海松　秦志遠(yuǎn)　張慧

摘要：針對(duì)農(nóng)業(yè)無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合精度低、傳感器節(jié)點(diǎn)能量有限的問題，結(jié)合農(nóng)作物生長(zhǎng)環(huán)境監(jiān)測(cè)的特點(diǎn)，提出了一種適用于農(nóng)作物生長(zhǎng)監(jiān)測(cè)數(shù)據(jù)融合的架構(gòu)和算法。將無(wú)線傳感器網(wǎng)絡(luò)劃分成多個(gè)固定層級(jí)，減少數(shù)據(jù)傳輸量并逐層降低誤差。仿真試驗(yàn)結(jié)果表明，該算法融合結(jié)果比算術(shù)平均法和單一自適應(yīng)加權(quán)算法更接近真實(shí)值。該算法能夠減少數(shù)據(jù)傳輸量，且具有很好的可拓展性。

關(guān)鍵詞：農(nóng)業(yè)物聯(lián)網(wǎng)；格拉布斯準(zhǔn)則；分層數(shù)據(jù)融合；自適應(yīng)加權(quán)；數(shù)據(jù)融合

中圖分類號(hào)： TP39302；S126文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）21-0241-03

收稿日期：2016-05-23

基金項(xiàng)目：貴州省自然科學(xué)基金（編號(hào)：黔科合J字2015]2043號(hào)）；貴州省重大基礎(chǔ)研究項(xiàng)目（編號(hào)：黔科合JZ字2014]2001）。

作者簡(jiǎn)介：黃海松（1977—），女，貴州大方人，教授，博士生導(dǎo)師，主要從事制造業(yè)信息化、物聯(lián)網(wǎng)技術(shù)相關(guān)研究。E-mail：huang_h_s@126com。

通信作者：秦志遠(yuǎn)，碩士研究生，主要從事物聯(lián)網(wǎng)技術(shù)、數(shù)據(jù)融合相關(guān)研究。E-mail：Zhiyuan_Qin1992@163com。

農(nóng)業(yè)物聯(lián)網(wǎng)有力地推動(dòng)了信息化和農(nóng)業(yè)現(xiàn)代化的融合，對(duì)精細(xì)農(nóng)業(yè)的應(yīng)用和發(fā)展起到了重要作用1]。農(nóng)作物生長(zhǎng)環(huán)境變化緩慢、實(shí)時(shí)性要求低，應(yīng)用環(huán)境更為惡劣，因而農(nóng)業(yè)物聯(lián)網(wǎng)的應(yīng)用特點(diǎn)和環(huán)境與工業(yè)物聯(lián)網(wǎng)有本質(zhì)區(qū)別2]，應(yīng)根據(jù)農(nóng)業(yè)生產(chǎn)環(huán)境特點(diǎn)應(yīng)用物聯(lián)網(wǎng)技術(shù)。農(nóng)業(yè)物聯(lián)網(wǎng)中信息傳輸是一個(gè)至關(guān)重要的環(huán)節(jié)，農(nóng)業(yè)信息傳輸廣泛采用無(wú)線傳感器技術(shù)3]。農(nóng)業(yè)物聯(lián)網(wǎng)具有監(jiān)測(cè)面積大、數(shù)據(jù)傳輸距離遠(yuǎn)等特點(diǎn)，因此信息傳輸要充分考慮農(nóng)業(yè)物聯(lián)網(wǎng)的特殊性。

相比工業(yè)物聯(lián)網(wǎng)，農(nóng)業(yè)物聯(lián)網(wǎng)要求傳感器節(jié)點(diǎn)擁有更長(zhǎng)的使用壽命，但是無(wú)線傳感器網(wǎng)絡(luò)中傳感器節(jié)點(diǎn)大都用電池供電且連續(xù)工作壽命有限。減少數(shù)據(jù)傳輸量和數(shù)據(jù)處理量是延長(zhǎng)無(wú)線傳感器節(jié)點(diǎn)壽命的有效途徑。如果將不經(jīng)處理的數(shù)據(jù)直接發(fā)送給上位機(jī)處理，不僅浪費(fèi)能量，縮短傳感網(wǎng)絡(luò)整體壽命，而且不利于數(shù)據(jù)利用，甚至?xí)斐删W(wǎng)絡(luò)擁塞和癱瘓。

1無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)

數(shù)據(jù)融合技術(shù)可以有效去除冗余信息，提高數(shù)據(jù)準(zhǔn)確度和精度，節(jié)省傳感器節(jié)點(diǎn)能量，達(dá)到延長(zhǎng)網(wǎng)絡(luò)壽命的目的4]，因此能夠有效地解決以上問題。無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)是眾多科技工作者的研究熱點(diǎn)5-7]。劉凱等為提高多傳感器檢測(cè)系統(tǒng)預(yù)警精度，提出了在數(shù)據(jù)層、特征層、決策層分別進(jìn)行數(shù)據(jù)融合的多傳感器分層數(shù)據(jù)融合模型5]。王華東等提出單個(gè)傳感器數(shù)據(jù)融合，再進(jìn)行傳感器間數(shù)據(jù)加權(quán)自適應(yīng)融合的方法，但在去除粗大誤差時(shí)計(jì)算方法較為復(fù)雜，且傳感器間數(shù)據(jù)融合全部在同一節(jié)點(diǎn)完成，使該節(jié)點(diǎn)負(fù)擔(dān)較重6]。Chen等提出了一種基于簇的數(shù)據(jù)自適應(yīng)融合方法，實(shí)現(xiàn)數(shù)據(jù)在空間和時(shí)間上的自適應(yīng)融合7]。無(wú)線傳感器節(jié)點(diǎn)和路由器的能量有限且處理能力較弱，因而數(shù)據(jù)融合算法應(yīng)當(dāng)盡量簡(jiǎn)潔，易于實(shí)現(xiàn)8]。自適應(yīng)加權(quán)數(shù)據(jù)融合算法無(wú)需傳感器系統(tǒng)先驗(yàn)知識(shí)，依靠傳感器采集的測(cè)量數(shù)據(jù)即可實(shí)現(xiàn)較高精度的融合估計(jì)9]，且計(jì)算方法簡(jiǎn)便。

結(jié)合上述研究及農(nóng)作物生長(zhǎng)監(jiān)測(cè)的特點(diǎn)，本研究借鑒分簇路由協(xié)議的思想及其周期性采集數(shù)據(jù)的特點(diǎn)，提出一種適用于農(nóng)作物生長(zhǎng)監(jiān)測(cè)的農(nóng)業(yè)物聯(lián)網(wǎng)數(shù)據(jù)融合的架構(gòu)及算法。該算法雖然增加了數(shù)據(jù)融合次數(shù)，但是減少了數(shù)據(jù)傳輸量，在Berkeley Mote中，1 bit數(shù)據(jù)傳輸?shù)哪茉聪目梢詧?zhí)行800條指令10]。

2農(nóng)作物生長(zhǎng)監(jiān)測(cè)數(shù)據(jù)融合研究

農(nóng)作物生長(zhǎng)監(jiān)測(cè)具有環(huán)境變化緩慢、實(shí)時(shí)性要求不高的特點(diǎn)。根據(jù)經(jīng)驗(yàn)，北方溫室溫度每10 min變化1 ℃，且溫室植物對(duì)溫濕度變化敏感度不高11]，其他溫室或農(nóng)田環(huán)境也存在類似情況。據(jù)此本研究提出的分層自適應(yīng)加權(quán)數(shù)據(jù)融合架構(gòu)如圖1所示，其中基站下設(shè)p個(gè)子層節(jié)點(diǎn)，每個(gè)子層節(jié)點(diǎn)下設(shè)m個(gè)普通成員節(jié)點(diǎn)，每個(gè)普通節(jié)點(diǎn)單位時(shí)間內(nèi)采集k個(gè)數(shù)據(jù)。圖2為本研究提出的算法流程示意圖，首先對(duì)單位時(shí)間內(nèi)單個(gè)傳感器節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行最優(yōu)估計(jì)，然后子層節(jié)點(diǎn)對(duì)該層內(nèi)傳感器節(jié)點(diǎn)估計(jì)值進(jìn)行自適應(yīng)加權(quán)融合，最后基站將子層節(jié)點(diǎn)融合值再次進(jìn)行自適應(yīng)加權(quán)融合，獲得單位時(shí)間內(nèi)的測(cè)量數(shù)據(jù)最優(yōu)融合值。

21初始測(cè)量數(shù)據(jù)預(yù)處理

估計(jì)算法是建立在可靠的測(cè)量初值基礎(chǔ)上的，在單個(gè)節(jié)點(diǎn)的多次測(cè)量中，不能保證每次測(cè)量值都是正確的，因而首先需要去除粗大誤差。粗大誤差（又稱疏失誤差）是指在測(cè)量過程中，偶爾產(chǎn)生的某些不應(yīng)有的反常因素造成的測(cè)量數(shù)值超出正常測(cè)量誤差范圍的小概率誤差。無(wú)線傳感器網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)采集時(shí)，受外界干擾不可避免地出現(xiàn)粗大誤差。含有粗大誤差的數(shù)據(jù)會(huì)干擾試驗(yàn)結(jié)果，甚至歪曲試驗(yàn)結(jié)論。

剔除測(cè)量數(shù)據(jù)中的粗大誤差，可以提高數(shù)據(jù)融合的自適應(yīng)速度和精確度。常用剔除粗大誤差的方法有分布圖法、拉伊達(dá)法則、格拉布斯準(zhǔn)則等。分布圖法借助中位數(shù)、四分位數(shù)等剔除粗大誤差，但過程較為繁瑣。測(cè)量次數(shù)趨于無(wú)窮大時(shí)才可使用拉依達(dá)準(zhǔn)則12]，測(cè)量次數(shù)有限時(shí)拉依達(dá)準(zhǔn)則就不很可靠。實(shí)踐證明，在檢驗(yàn)數(shù)量較少的數(shù)據(jù)時(shí)，格拉布斯準(zhǔn)則剔除疏失誤差的準(zhǔn)確性較高，為保證實(shí)時(shí)性，單位時(shí)間采集數(shù)據(jù)次數(shù)不能過多，因此本研究選用格拉布斯準(zhǔn)則剔除粗大誤差。

設(shè)某節(jié)點(diǎn)單位時(shí)間內(nèi)的測(cè)量數(shù)據(jù)分別為x1，x2，x3，…，xi，…，xk則此節(jié)點(diǎn)測(cè)量數(shù)據(jù)算術(shù)平均值：

xTX-5]=SX（]1kSX）]∑DD（]ki=1DD）]xi。

第i個(gè)測(cè)量值的殘余誤差為：

Vi=xi-xTX-5]。

對(duì)應(yīng)的該組數(shù)據(jù)標(biāo)準(zhǔn)差為：

σ=KF（]SX（]1k-1SX）]∑DD（]ki=1DD）]V2iKF）]。

在表1中可查出格拉布斯統(tǒng)計(jì)量的臨界值g0（n，α），即pg≥g0（n，α）]=α（顯著水平α一般取005或001，即置信度為95%或99%），為提高測(cè)量精度，取置信度為95%。endprint

若第i個(gè)測(cè)量數(shù)據(jù)xi滿足如下條件，即

|Vi|≥g0（n，α）σ，

則將xi剔除。

將剩余數(shù)據(jù)重復(fù)以上過程，直到所有數(shù)據(jù)滿足要求為止。

22單個(gè)節(jié)點(diǎn)數(shù)據(jù)分批估計(jì)

對(duì)單個(gè)傳感器節(jié)點(diǎn)單位時(shí)間內(nèi)采集的多個(gè)數(shù)據(jù)進(jìn)行分批估計(jì)，減少數(shù)據(jù)發(fā)送次數(shù)，節(jié)省節(jié)點(diǎn)能量，提高數(shù)據(jù)精確度。對(duì)于單個(gè)節(jié)點(diǎn)數(shù)據(jù)去除疏失誤差后，將測(cè)量數(shù)據(jù)分為n組。第j組數(shù)據(jù)可分別表示為xj1，xj2，xj3，xj4，…，xjnj，4≤nj≤7，即每組至少有4個(gè)數(shù)據(jù)，至多有7個(gè)，此處考慮計(jì)算量與精準(zhǔn)性的平衡。

第j組平均值為：

xjTX-5]=SX（]1njSX）]∑DD（]nji=1DD）]xji。

對(duì)應(yīng)的方差為：

σ2j=SX（]1nj-1SX）]∑DD（]nji=1DD）]（xji-xjTX-5]）2。

單一節(jié)點(diǎn)數(shù)據(jù)同屬于一批測(cè)量數(shù)據(jù)，可認(rèn)為近似服從正態(tài)分布，由分批估計(jì)理論可得到第i個(gè)節(jié)點(diǎn)的最優(yōu)融合方差13]為：

σ2i=JB（（]∑DD（]nj=1DD）]SX（]1σ2jSX）]JB））]，i=1，2，…，m。

其中σ2i越小表明該節(jié)點(diǎn)測(cè)量數(shù)據(jù)融合之后的精度越高14]。

由各組方差和平均值能夠計(jì)算得知第i個(gè)節(jié)點(diǎn)融合值為

xi=JB（（]∑DD（]nj=1DD）]SX（]1σ2jSX）]JB））]-1∑DD（]nj=1DD）]SX（]1σ2jSX）]xjTX-5]，i=1，2，…，m。

假設(shè)將測(cè)量數(shù)據(jù)分為2組，則該節(jié)點(diǎn)的方差可估計(jì)為

σ2=SX（]σ21σ22σ21+σ22SX）]。

該節(jié)點(diǎn)數(shù)據(jù)的估計(jì)值為

x=SX（]σ21x2+σ22x1σ21+σ22SX）]。

23子層節(jié)點(diǎn)數(shù)據(jù)加權(quán)自適應(yīng)融合

經(jīng)過上述步驟，得到單個(gè)節(jié)點(diǎn)的測(cè)量數(shù)據(jù)的估計(jì)值。成員節(jié)點(diǎn)將數(shù)據(jù)估計(jì)值發(fā)送給相應(yīng)的子層節(jié)點(diǎn)，由子層節(jié)點(diǎn)融合后轉(zhuǎn)發(fā)給基站，減少了數(shù)據(jù)傳輸距離，同時(shí)進(jìn)一步提高了數(shù)據(jù)準(zhǔn)確度。設(shè)每個(gè)子層有m個(gè)節(jié)點(diǎn)，單個(gè)節(jié)點(diǎn)數(shù)據(jù)融合值記為xi、方差為σ2i，對(duì)每個(gè)子層內(nèi)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行層內(nèi)自適應(yīng)加權(quán)融合。根據(jù)權(quán)值最優(yōu)分配原則計(jì)算各節(jié)點(diǎn)估計(jì)值在組內(nèi)的最優(yōu)權(quán)值Wi，然后對(duì)xi自適應(yīng)加權(quán)融合處理，計(jì)算得到子層節(jié)點(diǎn)數(shù)據(jù)融合最優(yōu)值和對(duì)應(yīng)的方差。

設(shè)某子層內(nèi)第i個(gè)節(jié)點(diǎn)的權(quán)值為

Wi=JB（（]σ2i∑DD（]mi=1DD）]SX（]1σ2iSX）]JB））]-1且∑DD（]mi=1DD）]Wi=1。

第q個(gè)子層節(jié)點(diǎn)融合值和方差分別為

Yq=∑DD（]mi=1DD）]Wixi，q=1，2，…，p；

σq=∑DD（]mi=1DD）]Wiσi，q=1，2，…，p。

依據(jù)上述計(jì)算過程，可以得到各個(gè)子層節(jié)點(diǎn)的融合值和方差，為下一步在基站位置數(shù)據(jù)融合提供數(shù)據(jù)支持。

24基站級(jí)數(shù)據(jù)加權(quán)自適應(yīng)融合

基站接收各個(gè)子層節(jié)點(diǎn)數(shù)據(jù)的融合值和方差，再次融合數(shù)據(jù)，降低誤差。設(shè)每個(gè)基站下設(shè)p個(gè)子層，基站級(jí)數(shù)據(jù)融合過程與子層融合過程基本相同。由上個(gè)步驟得到的子層數(shù)據(jù)方差σq，可計(jì)算獲知各個(gè)子層的自適應(yīng)加權(quán)因子Wq，結(jié)合子層數(shù)據(jù)融合值Yq，最終可求得該時(shí)段內(nèi)測(cè)量數(shù)據(jù)最優(yōu)值Z。

第q個(gè)子層自適應(yīng)加權(quán)因子為

Wq=JB（（]σ2q∑DD（]pq=1DD）]SX（]1σ2qSX）]JB））]且∑DD（]pq=1DD）]Wq=1。

可得基站層級(jí)最終融合值為

Z=∑DD（]pq=1DD）]WqYq。

3改進(jìn)算法測(cè)試分析

為驗(yàn)證本研究算法的有效性，在實(shí)驗(yàn)室內(nèi)選定1個(gè)監(jiān)測(cè)區(qū)域，由15個(gè)溫度傳感器節(jié)點(diǎn)和3個(gè)子層路由節(jié)點(diǎn)構(gòu)成無(wú)線傳感網(wǎng)絡(luò)，溫度傳感器節(jié)點(diǎn)編號(hào)1～15，每個(gè)節(jié)點(diǎn)單次試驗(yàn)采集10次數(shù)據(jù)，在不同溫度下進(jìn)行5次試驗(yàn)，基準(zhǔn)真值分別為135 ℃、172 ℃、208 ℃、237 ℃、250 ℃。3個(gè)子層節(jié)點(diǎn)標(biāo)號(hào)為1～3，每個(gè)子層節(jié)點(diǎn)連接5個(gè)普通節(jié)點(diǎn)，分別對(duì)應(yīng)1～5號(hào)、6～10號(hào)、11～15號(hào)傳感器節(jié)點(diǎn)。

31試驗(yàn)數(shù)據(jù)處理

以第5次試驗(yàn)數(shù)據(jù)為例展示試驗(yàn)數(shù)據(jù)處理過程，表2～表4分別為1～5號(hào)、6～10號(hào)、11～15號(hào)溫度傳感器節(jié)點(diǎn)融合值、方差和權(quán)值，表5為1～3號(hào)子層測(cè)量數(shù)據(jù)融合值、方差和權(quán)值。依據(jù)上面公式進(jìn)行計(jì)算，得出第5次試驗(yàn)的最終數(shù)據(jù)融合值為2524 ℃。

32對(duì)比與分析

分別使用本研究算法、算術(shù)平均法和自適應(yīng)加權(quán)數(shù)據(jù)融合方法對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行處理，結(jié)果見表6。為直觀展示3種計(jì)算方法融合值與真值近似程度，將真值標(biāo)準(zhǔn)化為零，3種計(jì)算方法得到的融合值以相對(duì)差值的形式在圖3中表示。在第5次試驗(yàn)中，算術(shù)平均值比自適應(yīng)加權(quán)融合值更接近基準(zhǔn)真值，但此種“接近”有較大不確定性，其余試驗(yàn)中自適應(yīng)加權(quán)融合結(jié)果比算術(shù)平均法結(jié)果更接近真實(shí)值?？傮w來(lái)看，自適應(yīng)加權(quán)融合方法優(yōu)于算術(shù)平均法，本研究方法優(yōu)于分層自適應(yīng)加權(quán)融合方法且更穩(wěn)定，主要原因是分層自適應(yīng)加權(quán)融合方法最初沒有剔除粗大誤差，導(dǎo)致計(jì)算偏差較大。

4結(jié)束語(yǔ)

本研究結(jié)合農(nóng)作物生長(zhǎng)監(jiān)測(cè)環(huán)境特點(diǎn)提出的改進(jìn)分層自適應(yīng)加權(quán)融合架構(gòu)與算法，將無(wú)線傳感器網(wǎng)絡(luò)劃分成多個(gè)固定層級(jí)，周期性采集數(shù)據(jù)并融合，得到被測(cè)數(shù)據(jù)單位時(shí)間內(nèi)的最優(yōu)融合值。首先對(duì)單個(gè)傳感器節(jié)點(diǎn)數(shù)據(jù)進(jìn)行估計(jì)，然后對(duì)每一層分別進(jìn)行自適應(yīng)加權(quán)融合。該算法相比以往算法融合精度高，穩(wěn)定性好，簡(jiǎn)單易行，在滿足數(shù)據(jù)融合實(shí)時(shí)性要求的同時(shí)，提高了測(cè)量數(shù)據(jù)精準(zhǔn)度，雖然增加了計(jì)算量，但是減少了數(shù)據(jù)傳輸量，理論上可以節(jié)省無(wú)線傳感器節(jié)點(diǎn)的能量，延長(zhǎng)無(wú)線傳感器網(wǎng)絡(luò)的壽命。endprint

該方法具有較好的可拓展性，可根據(jù)無(wú)線傳感網(wǎng)絡(luò)規(guī)模大小調(diào)節(jié)網(wǎng)絡(luò)分層，適當(dāng)增加或減少網(wǎng)絡(luò)層數(shù)。將該算法用于其他類型數(shù)據(jù)融合時(shí)，如濕度、CO2含量、光照度等，可根據(jù)被測(cè)量的實(shí)時(shí)性要求和精確度要求，設(shè)定傳感器采集數(shù)據(jù)周期以及周期時(shí)間內(nèi)的數(shù)據(jù)采集量。下一步的研究重點(diǎn)是在融合多類型數(shù)據(jù)，為研究基于農(nóng)業(yè)物聯(lián)網(wǎng)的農(nóng)作物生長(zhǎng)情景建模奠定基礎(chǔ)。

參考文獻(xiàn)：

1]ZK（#]秦懷斌，李道亮，郭理 農(nóng)業(yè)物聯(lián)網(wǎng)的發(fā)展及關(guān)鍵技術(shù)應(yīng)用進(jìn)展J] 農(nóng)機(jī)化研究，2014（4）：246-248

2]ZK（#]常超 精準(zhǔn)農(nóng)業(yè)中WSN漸進(jìn)融合算法研究D] 重慶：重慶大學(xué)，2012

3]同詩(shī)揚(yáng)，祁廣云，衣淑娟 基于農(nóng)業(yè)物聯(lián)網(wǎng)的改進(jìn)型雙門限頻譜檢測(cè)算法研究J] 農(nóng)機(jī)化研究，2016（1）：53-56

4]陳正宇，楊庚，陳蕾，等 無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究綜述J] 計(jì)算機(jī)應(yīng)用研究，2011，28（5）：1601-1604

5]劉凱，郭勇義，吳世躍 煤礦安全監(jiān)測(cè)多傳感器分層數(shù)據(jù)融合模型研究J] 工礦自動(dòng)化，2014，40（6）：45-50

6]王華東，王大羽 一種改進(jìn)的多無(wú)線傳感器數(shù)據(jù)分批估計(jì)自適應(yīng)加權(quán)融合算法J] 傳感技術(shù)學(xué)報(bào)，2015，28（8）：1239-1243

7]Chen H，Mineno H，Mizuno T Adaptive data aggregation scheme in clustered wireless sensor networksJ] Computer Communications，2008，31（15）：3579-3585

8]熊迎軍，沈明霞，陸明洲，等 溫室無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)實(shí)時(shí)數(shù)據(jù)融合算法J] HJ185mm]農(nóng)業(yè)工程學(xué)報(bào)，2012，28（23）：160-166

9]高峰，俞立，王涌，等 無(wú)線傳感器網(wǎng)絡(luò)作物水分狀況監(jiān)測(cè)系統(tǒng)的上位機(jī)軟件開發(fā)J] 農(nóng)業(yè)工程學(xué)報(bào)，2010，26（5）：175-181

10]ZK（#]邱爽，吳巍 無(wú)線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法研究J] 武漢理工大學(xué)學(xué)報(bào)，2008，30（7）：119-122

11]陳春玲，崔琳，許童羽，等 日光溫室無(wú)線傳感器多數(shù)據(jù)融合技術(shù)研究J] 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，47（1）：86-91

12]樊雷松，強(qiáng)彥，趙涓涓，等 無(wú)線傳感網(wǎng)中基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法J] 計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（1）：62-66

13]張立勇，張利，李丹 基于最優(yōu)分組原則的多傳感器分組加權(quán)融合算法J] 儀器儀表學(xué)報(bào)，2008，29（1）：200-205

14]蔣婷，滕召勝，顧紅艷，等 基于EMD與分批估計(jì)的動(dòng)態(tài)稱量快速融合方法J] 儀器儀表學(xué)報(bào)，2015，36（6）：1406-1414endprint