生態環境監測中多傳感器的數據融合算法

劉 磊，周 虎，韓美林，周 佩

(1.商洛市氣象局，陜西 商洛 726000；2.商洛市消防救援支隊，陜西 商洛 726000；3.商洛學院 電子信息與電氣工程學院，陜西商洛 726000)

秦嶺山區面積廣闊，地勢復雜，交通不便，技術人員無法經常前往現場對環境狀況進行監測。無線傳感網技術可以實現同時在時間和空間上對大范圍環境信息的監測，為森林生態環境監測提供了新的思路[1]。目前，雖然多傳感器數據融合算法研究已經取得了很大的進展，但是如何保證融合精度和可靠性依舊是研究的重點。因此，本文借助傳感器多方位采集森林生態環境參數，將測量數據進行有效融合，以形成目標區域的生態環境分析結果[2]。

1 系統數據融合整體結構設計

目標區域環境特征參數由布置在林內的多個傳感器節點監測獲得，因而如何將多個傳感器的海量數據進行有效融合是關鍵[3]。采用同類傳感器數據級融合和異類傳感器決策級融合，即2級融合[4]進行數據融合。同類傳感器數據級融合是將表示某一環境特征的同類傳感器的多個測量數據進行融合，當其中某個傳感器出現異常，其他的傳感器可以及時修正。這樣即使單個傳感器出現故障，整個系統的監測功能也不會受到影響。異類傳感器決策級融合是將異類傳感器采集到的表示不同環境特征的數據進行融合[5]。由于本系統為利用多傳感器進行的多參數監測結構，故按傳感器類型設計為2層數據融合分析模型結構[6]。多傳感器2層數據融合分析模型結構如圖1所示。第1層是同類傳感器的數據級融合，為了提高測量數據的精度，采用加權最小二乘法對來自不同節點的同類傳感器進行數據融合；第2層是決策級融合，將經過第1層數據融合的數據利用神經網絡構建幾種環境特征參數對目標區域環境狀況進行綜合評判，最終獲得目標區域的生態環境分析結果[7]。

圖1 多傳感器2層數據融合分析模型結構

2 基于加權最小二乘法的同類傳感器數據融合算法設計

2.1 同類傳感器數據融合

智能區域監控系統通過布置多個傳感器節點對目標監控區域進行實時監測，每個傳感器節點上都集成了多個溫度傳感器、濕度傳感器、煙霧傳感器、光照傳感器、CO2傳感器和pH傳感器[8]。同類傳感器數據融合就是將描述同一環境參數的多個傳感器數據進行融合，再進入下一級決策級融合。同類傳感器數據融合模型如圖2所示。

圖2 同類傳感器數據融合模型

2.2 基于加權最小二乘法的同類傳感器數據融合

最小二乘法在數據處理時具有簡潔高效、誤差小、精度高的特點[9]。林內布置的大量傳感器會采集到海量的數據。為了提高數據處理的速度和精度，首先對表示同一環境特征的數據采用加權最小二乘法融合，即同類傳感器數據融合。為了避免因某些傳感器異常而帶來誤差，在最小二乘法的基礎上對誤差較小的數據賦予較大的權重，對誤差較大的數據賦予較小的權重，得到同類傳感器數據融合函數模型。這樣，當某個傳感器出現異常時就可以降低其對系統的影響，既可以保證整個系統的穩定性，還可以提高測量數據的精度[10]。基于加權最小二乘法同類傳感器數據融合計算流程如圖3所示。

圖3 基于加權最小二乘法同類傳感器數據融合計算流程

1)假設測量區域內有n個傳感器，n個測量值構成的n維向量為Y，Y=[y1，y2，y3，…，yn]T，環境噪聲和傳感器噪聲為e=[e1，e2，e3，…，en]T，系統的真實測量值為x，則這n個傳感器對某一環境狀態參數檢測的方程為：

Y=Hx+e

(1)

式(1)中，H為n維常向量，H=[1，1，…，1]T。

(2)

(3)

(4)

由式(4)可知，估計值直接受傳感器測量誤差平方計算結果的影響。由式(3)可知，通過加權最小二乘法計算可得到數據融合的估計狀態方差為：

(5)

由式(5)可知，系統估計方差比任一傳感器的測量誤差都小。

4)考慮到實際處理器的運行能力有限，在數據處理時選用方差遞歸法。該方法可以在保證數據融合精確度的前提下，大幅地減少歷史數據的使用。此外，目標區域環境的特征參數獲取較為困難，為了保證系統的準確度，將測量結果的算術平均值作為傳感器測量數據的真實值[11]。測量結果的算術平均值為：

(6)

第i個傳感器的第m個測量結果的測量方差估計為：

(7)

將n個傳感器測量方差估計求和，聯合式(7)可得傳感器的測量方差為：

(8)

(9)

6)最后將輸出結果作為下級異類傳感器數據融合的輸入。

3 基于神經網絡的異類傳感器多數據融合算法設計

3.1 基于神經網絡的異類傳感器多數據融合模型

基于神經網絡的異類傳感器多數據融合模型如圖4所示。

圖4 基于神經網絡的異類傳感器多數據融合模型

為了完成對森林生態環境的監測，同時滿足系統的實時性和準確性，利用BP神經網絡完成異類傳感器多數據融合。雖然BP神經網絡技術已應用于各領域，但其隱藏層的節點數卻完全依賴于經驗，要想找到最優網絡必須多次嘗試，算法耗時。同時BP神經網絡也容易陷入局部最小值。本文采用局部傳遞函數的RBF神經網絡，學習速度更快，數據適應性更強，更容易收斂，很容易找到最優網絡。但是，RBF神經網絡也存在一些問題，如模型的好壞取決于樣本數據的選擇，從輸入樣本集中選取的網絡隱藏層函數中心，無法準確描述系統輸入和輸出之間的關系。此外，選取的初始中心點數太多，往往會引起數據病態的現象。

3.2 粒子群優化算法

粒子群優化算法(PSO)是一種隨機優化算法，利用PSO的尋優能力可以對隱含層神經元中心、寬度及輸出連接權值進行調整，提升RBF神經網絡函數逼近能力，在數據融合領域更具優勢。

3.3 基于PSO-RBFNN模型的建立

本文最終采用基于PSO-RBFNN模型的多傳感器數據融合算法，以解決無法準確描述系統輸入和輸出之間的關系和數據病態的問題?；赑SO-RBFNN模型的算法流程圖如圖5所示，具體步驟如下。

圖5 基于PSO-RBFNN模型的算法流程圖

1)歸一化處理樣本數據后，初始化粒子種群。選取m個粒子數，初始代數為t+1。各粒子初始速度隨機產生，且設各粒子初始速度為vi，粒子群的位置為xi，每個粒子個體最優值為pi。

2)對m個pi值不同的粒子，訓練m個RBF神經網絡參數和結構。采用最鄰近聚類算法，得到聚類個數和隱含層中心向量。

3)訓練RBF神經網絡，得到神經網絡的預測輸出f(x)，根據式(1)計算m個粒子的適應度，并排序。預測輸出為：

(10)

4)對粒子適應度值排序，根據粒子更新公式更新粒子的速度和位置，產生新種群。粒子更新公式為：

(11)

速度調整公式為：

(12)

5)若滿足系統要求，迭代結束，返回當前全局極值為最優值ε值，跳轉執行步驟(6)；否則t=t+1，跳轉執行步驟(2)。

6)根據群體全局極值，得到最優RBF神經網絡的權值和閾值。

4 仿真結果

實驗中傳感器數據來源于布置在林內的30個監測點的6類傳感器。環境監測站定點、定時測量數據，站內安裝多參數自動監測儀器，將監測結果儲存。確定設計的神經網絡輸入層節點個數為6，輸出節點為目標區域即森林生態環境指數，輸出層節點個數為1。在訓練過程中，PSO-RBFNN模型的均方根誤差隨神經元增加而降低。使用Matlab對PSO-RBFNN模型進行仿真，PSO-RBFNN模型的測試結果如圖6所示。由圖6可以看出，模型的預測結果與期望輸出基本一致，誤差范圍較小。

圖6 PSO-RBFNN模型的測試結果

為了對比算法的有效性和準確性，采用BP神經網絡對相同的測量數據進行仿真實驗。數據預處理之后，進行網絡參數設置，輸入節點為6種數據，輸出節點為森林生態環境指數，隱含層節點數為6個，傳遞函數選用tansig函數，學習算法選擇L-M算法。BP神經網絡模型的測試結果如圖7所示。由圖7可以看出，基于BP神經網絡模型的前期實際值和預測值誤差很小，但后期誤差較大。其原因在于測試集過大，BP陷入了局部極值的影響。

圖7 BP神經網絡模型的測試結果

5 結論

針對環境監測中傳感器的數據融合算法進行研究，設計的PSO-RBFNN模型在傳感器融合結果較好，融合曲線與真實曲線基本一致。與BP和RBF網絡的預測模型相比，基于PSO-RBFNN模型具有更高的準確性，可以有效完成環境監測數據的融合與預測，在環境監測數據融合的方面具有良好的應用前景。