生豬養(yǎng)殖環(huán)境監(jiān)測(cè)多傳感器數(shù)據(jù)融合模型研究

? 鐘 旭，江 文，朱幸輝（湖南農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410128）

?

生豬養(yǎng)殖環(huán)境監(jiān)測(cè)多傳感器數(shù)據(jù)融合模型研究

鐘 旭，江 文，朱幸輝
（湖南農(nóng)業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，湖南 長(zhǎng)沙 410128）

摘 要：近年來(lái)，隨著國(guó)家農(nóng)業(yè)信息化進(jìn)程的不斷推進(jìn)，在農(nóng)業(yè)領(lǐng)域應(yīng)用多傳感器數(shù)據(jù)融合技術(shù)越來(lái)越受到學(xué)者們的重視。生豬養(yǎng)殖是湖南省的傳統(tǒng)優(yōu)勢(shì)產(chǎn)業(yè)，研究生豬養(yǎng)殖環(huán)境監(jiān)測(cè)多傳感器數(shù)據(jù)融合技術(shù)，有利于提高我省生豬養(yǎng)殖的信息化、科學(xué)化水平。本文以對(duì)生豬養(yǎng)殖環(huán)境的監(jiān)測(cè)為研究背景，對(duì)豬舍中溫度、濕度、氨氣濃度、二氧化碳濃度進(jìn)行實(shí)時(shí)監(jiān)測(cè)，利用提出的兩級(jí)多傳感器數(shù)據(jù)融合模型對(duì)觀測(cè)數(shù)據(jù)進(jìn)行融合，最終得到對(duì)實(shí)驗(yàn)豬舍實(shí)際情況的綜合判斷，并給出相應(yīng)的環(huán)境調(diào)控意見，保證生豬能在適宜的環(huán)境中成長(zhǎng)。

關(guān)鍵詞：多傳感器；數(shù)據(jù)融合；模糊集； DS證據(jù)理論；生豬養(yǎng)殖

將數(shù)據(jù)融合技術(shù)應(yīng)用在生豬養(yǎng)殖環(huán)境監(jiān)測(cè)中，提高了系統(tǒng)的穩(wěn)定性，能得到比單傳感器監(jiān)測(cè)更為精確的結(jié)果。模糊理論中，隸屬度表示論域中一個(gè)元素屬于某一特定類的程度，該定義與DS證據(jù)理論中基本概率分配函數(shù)的定義頗為類似。本文探討的兩級(jí)多傳感器數(shù)據(jù)融合模型考慮利用隸屬度函數(shù)來(lái)計(jì)算基本概率分配函數(shù)，并提出了計(jì)算證據(jù)間融合度作為基本概率分配函數(shù)的權(quán)重。利用DS證據(jù)理論進(jìn)行融合時(shí)，通過(guò)引入Jousselme距離改進(jìn)沖突衡量因子，把證據(jù)間的沖突按照比例分配給辨識(shí)框架中的元素，得到最終融合結(jié)論，通過(guò)實(shí)驗(yàn)證明了該融合模型的有效性。

1　兩級(jí)數(shù)據(jù)融合模型

針對(duì)生豬養(yǎng)殖環(huán)境的測(cè)檢測(cè)，設(shè)計(jì)兩級(jí)數(shù)據(jù)融合模型，第一級(jí)對(duì)傳感器所得到的原始數(shù)據(jù)進(jìn)行初步處理，并定義最優(yōu)融合集，篩選出相對(duì)精準(zhǔn)的有效數(shù)據(jù)，第二級(jí)首先利用計(jì)算模糊隸屬度的方法計(jì)算基本概率分配函數(shù)，然后使用改進(jìn)的DS證據(jù)理論對(duì)證據(jù)進(jìn)行融合，得出最終對(duì)養(yǎng)殖環(huán)境狀態(tài)的判定決策。生豬養(yǎng)殖環(huán)境多傳感器數(shù)據(jù)融合兩級(jí)模型如圖1所示［1］。

圖1　生豬養(yǎng)殖環(huán)境多傳感器數(shù)據(jù)融合兩級(jí)模型

一級(jí)融合：首先考慮到傳感器可能由于本身構(gòu)造及環(huán)境因素的影響而導(dǎo)致讀取數(shù)據(jù)不準(zhǔn)確、偏差較大，若對(duì)不精確的數(shù)據(jù)直接進(jìn)行融合可能導(dǎo)致最終錯(cuò)誤的決策。設(shè)計(jì)第一層數(shù)據(jù)預(yù)處理，計(jì)算傳感器觀測(cè)值之間的絕對(duì)距離，并通過(guò)專家經(jīng)驗(yàn)得到絕對(duì)距離變化的正常范圍，在短時(shí)間測(cè)算范圍內(nèi)判定讀數(shù)不穩(wěn)定的傳感器無(wú)效，定義最優(yōu)融合集，進(jìn)一步縮小融合數(shù)據(jù)的范圍，在減小計(jì)算量的同時(shí)提高融合精度。得出最優(yōu)融合集后，對(duì)傳感器之間的相容度進(jìn)行計(jì)算，給各傳感器分配權(quán)重，對(duì)同類觀測(cè)值作數(shù)據(jù)級(jí)融合。

二級(jí)融合：由于DS證據(jù)理論有較好的處理不確定、不完整信息的能力，不需要目標(biāo)先驗(yàn)概率，能將目標(biāo)與識(shí)別框架中信息轉(zhuǎn)化為數(shù)學(xué)模型進(jìn)行，且能通過(guò)證據(jù)區(qū)間的支持情況描述模糊問(wèn)題［2］，考慮使用DS證據(jù)理論進(jìn)行融合。而DS理論本身在處理數(shù)據(jù)時(shí)存在的各種不足之處，本文針對(duì)基本概率分配函數(shù)主觀性問(wèn)題，利用計(jì)算模糊隸屬度的方法計(jì)算基本概率分配函數(shù)；針對(duì)證據(jù)高度沖突下融合結(jié)果不合理問(wèn)題，本文改進(jìn)沖突因子，減小沖突對(duì)最終決策的影響。

2　第一級(jí)融合算法

利用模糊集理論進(jìn)行第一層融合是為了將傳感器得到的數(shù)據(jù)進(jìn)行篩選并進(jìn)行數(shù)據(jù)級(jí)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(gè)傳感器讀數(shù)有效值鄰域，并通過(guò)判斷傳感器的穩(wěn)定性及傳感器之間的融合度來(lái)確定單個(gè)傳感器的權(quán)重。

考慮到在實(shí)際生豬養(yǎng)殖監(jiān)測(cè)中可能存在傳感器失效的問(wèn)題，得出的觀測(cè)數(shù)據(jù)直接進(jìn)行融合可能會(huì)影響結(jié)果的精度，故在文獻(xiàn)［3］最優(yōu)融合集的基礎(chǔ)上進(jìn)行改進(jìn)。由于在較短的時(shí)間內(nèi)傳感器的觀測(cè)數(shù)據(jù)不會(huì)有太大的變化，則先利用觀測(cè)絕對(duì)距離對(duì)傳感器觀測(cè)數(shù)據(jù)進(jìn)行判斷。

根據(jù)專家一般經(jīng)驗(yàn)，在T=|tp-tq|（p，q ∈［1，n］）時(shí)間段內(nèi)，傳感器觀測(cè)值變化絕對(duì)距離Dt=|Si（tp）-Si（tq）|變化不會(huì)超過(guò)一定范圍。一定間隔時(shí)間內(nèi)各環(huán)境影響因子觀測(cè)值絕對(duì)距離變化正常范圍如表1所示。

表1　間隔5 s內(nèi)各環(huán)境影響因子觀測(cè)值絕對(duì)距離變化范圍

若Dt不在變化正常范圍內(nèi)，則判定此傳感器失效，將傳感器的權(quán)重系數(shù)設(shè)置為0；若Dt在正常范圍內(nèi)，則判定該傳感器有效。

對(duì)于有效的傳感器，其觀測(cè)值可能會(huì)因?yàn)榄h(huán)境噪聲、傳感器本身精度等因素的影響，導(dǎo)致數(shù)據(jù)觀測(cè)偏差較大?？赏ㄟ^(guò)計(jì)算在t時(shí)刻各傳感器觀測(cè)值的絕對(duì)距離大小，進(jìn)一步縮小樣本范圍，提高融合精度。

設(shè)所有傳感器在t時(shí)間點(diǎn)的觀測(cè)數(shù)據(jù)為Si（t）（i∈［1，n］），則傳感器之間的觀測(cè)絕對(duì)距離為：

t時(shí)刻傳感器之間的觀測(cè)絕對(duì)距離Dij（t）構(gòu)成矩陣：

定義Ω為最優(yōu)融合集，Ω滿足公式（2）所示的條件：

得出的最優(yōu)融合集即為經(jīng)過(guò)數(shù)據(jù)篩選后的數(shù)據(jù)融合樣本集合。

計(jì)算最優(yōu)融合集內(nèi)傳感器的權(quán)重需要考慮傳感器本身的穩(wěn)定性及當(dāng)前時(shí)刻各傳感器之間觀測(cè)值的相容性。通過(guò)計(jì)算較小時(shí)間間隔內(nèi)Si（tn） （i∈［1，n］）的方差，可判斷傳感器本身的穩(wěn)定性。

利用對(duì)數(shù)函數(shù)來(lái)進(jìn)行轉(zhuǎn)換，將傳感器之間的相容性映射到［0，1］區(qū)間內(nèi)。由于考慮到最優(yōu)融合集中觀測(cè)數(shù)據(jù)差距較小，利用對(duì)數(shù)函數(shù)轉(zhuǎn)換后的結(jié)果可能為負(fù)數(shù)，受平面幾何中求兩點(diǎn)之間距離公式的啟發(fā)，將觀測(cè)數(shù)據(jù)平方擴(kuò)大后相減。

定義傳感器相容度為cij（t）：

根據(jù)公式（3），Si（t）與Sj（t）的差值越大，則cij（t）越小，說(shuō)明相容度越小，相容性差。t時(shí)刻傳感器之間相容度構(gòu)成矩陣：

定義傳感器的一致融合度為Ci（t），表示在t時(shí)刻單個(gè)傳感器與其他傳感器觀測(cè)數(shù)值的融合程度：

在t∈［tp，tq］時(shí)間段內(nèi)，有效傳感器觀測(cè)了m個(gè)在最優(yōu)融合集中的數(shù)據(jù)，定義單個(gè)傳感器觀測(cè)值的穩(wěn)定度σi：

其中，E為t∈［tp，tq］時(shí)間段內(nèi)，Si（tp）的平均數(shù)：

在實(shí)際情況中，若Ci（t）越大（即：傳感器之間融合度高，觀測(cè)數(shù)據(jù)接近），且σi越大（即：在一個(gè)較小時(shí)間段內(nèi)單個(gè)傳感器穩(wěn)定性好，觀測(cè)數(shù)據(jù)波動(dòng)?。?，則認(rèn)為該傳感器觀測(cè)數(shù)據(jù)越可信，應(yīng)分配較大權(quán)重；若Ci（t）越小，且σi越小，則認(rèn)為該傳感器觀測(cè)數(shù)據(jù)越不可信，應(yīng)分配較小權(quán)重。

根據(jù)上述分析，定義權(quán)重wi，并進(jìn)行歸一化處理：

給各傳感器分配權(quán)重后即可進(jìn)行融合，融合公式如下：

第一層數(shù)據(jù)級(jí)融合是針對(duì)同類傳感器的融合，將多個(gè)時(shí)間點(diǎn)采集的傳感器觀測(cè)數(shù)據(jù)融合成一個(gè)與實(shí)際情況最為接近的數(shù)據(jù)，為第二層決策級(jí)融合做準(zhǔn)備。

3　第二層融合算法

應(yīng)用DS證據(jù)理論的困難就在于如何將目標(biāo)數(shù)據(jù)及原始數(shù)據(jù)轉(zhuǎn)換為可以進(jìn)行推理的基本信任分配函數(shù)值［4］。模糊集理論中，隸屬度函數(shù)A（x）取值在［0，1］內(nèi)，用于表示x屬于A的程度，與基本概率分配函數(shù)的作用類似，根據(jù)DS證據(jù)理論中關(guān)于信任程度的區(qū)間劃分，證據(jù)的擬信區(qū)間包括支持區(qū)間與不確定區(qū)間，考慮通過(guò)使用模糊隸屬度函數(shù)來(lái)計(jì)算證據(jù)屬于支持范圍的隸屬度與屬于不確定區(qū)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(shù)。再利用證據(jù)間距離公式計(jì)算證據(jù)融合度，對(duì)初步的基本概率分配函數(shù)進(jìn)行加權(quán)平均，得到新的基本概率分配函數(shù)。

根據(jù)正態(tài)型模糊分布函數(shù)的表達(dá)式，確定隸屬度函數(shù)的表達(dá)式為：

其中，Six為第i組傳感器組所觀測(cè)到的某個(gè)環(huán)境因子的觀測(cè)值（溫度、濕度、氨氣濃度、二氧化碳濃度），θ為辨識(shí)框架中相應(yīng)環(huán)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(yīng)環(huán)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(shí)框架中每一焦元的信任隸屬度求出后相加，然后對(duì)這幾組數(shù)據(jù)進(jìn)行歸一化處理，即可得到初步的基本隸屬度函數(shù)。

得出初步的基本概率分配函數(shù)反映了數(shù)據(jù)級(jí)融合結(jié)果對(duì)辨識(shí)框架中各命題的支持程度，同時(shí)，還需要考慮證據(jù)之間的支持程度。對(duì)于傳感器觀測(cè)到的數(shù)值所代表的證據(jù)應(yīng)該被賦予不同的權(quán)重，如果一個(gè)證據(jù)被其它證據(jù)所支持，則該證據(jù)比較可信，應(yīng)該賦予較大的權(quán)重值，對(duì)最終融合結(jié)果的影響應(yīng)該加大［5］。由于基本概率分配函數(shù)是DS證據(jù)理論考慮信任度的關(guān)鍵所在，故考慮將權(quán)重體現(xiàn)在基本概率分配函數(shù)上，通過(guò)計(jì)算證據(jù)間的融合程度來(lái)給證據(jù)分配權(quán)重。

定義證據(jù)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(jù)公式，mi（A）與mj（B）的差值越大，dij則越小，說(shuō)明證據(jù)間融合程度越小，融合度越差。將證據(jù)間融合度全部計(jì)算出來(lái)則構(gòu)成融合度矩陣：

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

計(jì)算完證據(jù)的融合度后，將融合度進(jìn)行歸一化處理，將歸一化處理后的融合度w（supi）作為權(quán)重，對(duì)基本概率分配函數(shù)進(jìn)行重新分配：

由于各證據(jù)基本概率分配函數(shù)之和應(yīng)為1，故應(yīng)對(duì)重新分配的基本概率分配函數(shù)再次進(jìn)行歸一化處理，如公式（13）所示：

對(duì)于DS證據(jù)理論的改進(jìn)，能準(zhǔn)確衡量證據(jù)沖突是采用證據(jù)法合成沖突證據(jù)的前提。DS合成規(guī)則中沖突因子k將待合成證據(jù)間相交為空的焦元基本概率分配函數(shù)乘積之和來(lái)表示沖突，但當(dāng)兩焦元相交不為空且非完全相同時(shí)，用該方式計(jì)算的沖突因子則認(rèn)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(duì)DS合成規(guī)則中沖突因子進(jìn)行改進(jìn)。

研究領(lǐng)域普遍采用Jousselme距離和Pignistic概率函數(shù)進(jìn)行改進(jìn)，但實(shí)驗(yàn)表明［8］，當(dāng)針對(duì)不同類別的證據(jù)時(shí)，即證據(jù)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(duì)證據(jù)體之間的距離描述不夠準(zhǔn)確。

針對(duì)Jousselme距離在表示證據(jù)距離時(shí)存在的問(wèn)題，對(duì)Jousselme距離公式：

進(jìn)行分析，Jousselme距離之所以不能正確衡量證據(jù)差異性的原因在于該公式中常數(shù)1/2的取值不當(dāng)［9］，分母應(yīng)與m1，m2的取值有關(guān)，而不是簡(jiǎn)單設(shè)置為一個(gè)常數(shù)。m1，m2均為證據(jù)所對(duì)應(yīng)的基本概率分配函數(shù)，故：m1，m2∈［0，1］，經(jīng)分析得到，式中分子的范圍也應(yīng)在［0，1］范圍內(nèi)，即：

最終距離d（m1，m2）∈［0，1］的條件即為：分母的結(jié)果應(yīng)大于2。考慮計(jì)算證據(jù)間距離應(yīng)與證據(jù)對(duì)應(yīng)的基本概率分配函數(shù)m1，m2的差值及內(nèi)積有關(guān)，故應(yīng)在分母部分考慮基本概率分配函數(shù)的內(nèi)積。

本文提出一種對(duì)Jousselme距離的改進(jìn)方式，如公式（14）所示：

綜合提出的Jousselme距離的改進(jìn)公式，及國(guó)內(nèi)外學(xué)者的研究成果，考慮到將兩個(gè)因子相乘可能導(dǎo)致衡量片面性的問(wèn)題，故采用相加的方式來(lái)作為沖突衡量方式，考慮到?jīng)_突因子范圍應(yīng)在［0，1］內(nèi)，故將相加之后的和除2進(jìn)行歸一化處理。表達(dá)式如公式（15）所示：

4　實(shí)驗(yàn)驗(yàn)證

研究的實(shí)驗(yàn)豬舍位于湖南省岳陽(yáng)市屈原管理區(qū)生豬養(yǎng)殖示范基地的生豬人工氣候室，內(nèi)設(shè)有生豬產(chǎn)房、保育舍及育肥舍，每間豬舍長(zhǎng)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(jiān)測(cè)環(huán)境數(shù)據(jù)，利用BMG-CO2-NDIR防護(hù)型二氧化碳傳感器監(jiān)測(cè)二氧化碳濃度，MIC-800-NH3智能氨氣檢測(cè)儀監(jiān)測(cè)氨氣濃度。實(shí)驗(yàn)主要針對(duì)生豬養(yǎng)殖環(huán)境中溫度、濕度、氨氣濃度、二氧化碳濃度進(jìn)行監(jiān)測(cè)。在豬舍中共設(shè)置五組傳感器組，分別位于豬舍的四個(gè)角及正中央?？紤]到傳感器本身的質(zhì)量不穩(wěn)定因素，將每組傳感器組設(shè)置實(shí)驗(yàn)組、備用組。實(shí)驗(yàn)組和備用組中都包含有3個(gè)傳感器：溫濕度傳感器、氨氣檢測(cè)儀、二氧化碳檢測(cè)儀。

為驗(yàn)證兩層數(shù)據(jù)融合模型的融合效果，在試驗(yàn)豬舍進(jìn)行實(shí)驗(yàn)。觀測(cè)豬舍2015年3月的環(huán)境數(shù)據(jù)，每10 min記錄一次數(shù)據(jù)。從中隨機(jī)選取2個(gè)時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行融合。抽取的數(shù)據(jù)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(shí)驗(yàn)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(cè)數(shù)據(jù)

表3　2015年3月14日12： 30觀測(cè)數(shù)據(jù)

為了判斷傳感器的有效性，按要求應(yīng)觀測(cè)間隔5 s的觀測(cè)數(shù)據(jù)?？紤]到要減少環(huán)境本身的變化對(duì)傳感器有效性判斷的影響，故需保證環(huán)境中各因子的穩(wěn)定。生豬在夜晚睡覺一段時(shí)間后環(huán)境中各因子相對(duì)處于平穩(wěn)水平，在2015年3月1日凌晨0點(diǎn)，對(duì)5 s間隔內(nèi)的數(shù)據(jù)進(jìn)行采集，結(jié)果如表4所示。其中，tq表示tp時(shí)刻的后5 s時(shí)刻。

參照表1的專家經(jīng)驗(yàn)，可判斷實(shí)驗(yàn)組的Sensor2A氨氣傳感器、備用組的Sensor0B二氧化碳傳感器觀測(cè)值變化劇烈，認(rèn)定實(shí)驗(yàn)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(jì)算中，將備用組Sensor2B的氨氣傳感器數(shù)值作為Corner2的觀測(cè)值，其他仍然用實(shí)驗(yàn)組傳感器觀測(cè)值進(jìn)行計(jì)算。

計(jì)算出最優(yōu)融合集后，對(duì)集合中的傳感器分配權(quán)重，最終得出第一層數(shù)據(jù)級(jí)融合的結(jié)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(nóng)業(yè)部頒布的畜禽場(chǎng)生態(tài)環(huán)境質(zhì)量標(biāo)準(zhǔn)NY/ T 388-1999的要求，仔豬豬舍的溫度需為27～32℃，相對(duì)濕度不超過(guò)80%，成豬則為11～17℃和80%；豬舍區(qū)氨氣濃度不超過(guò)25 mg/m3，二氧化碳濃度不超過(guò)1 500 mg/m3［10］。

實(shí)驗(yàn)豬舍中的豬為成豬，參照標(biāo)準(zhǔn)中對(duì)成豬生長(zhǎng)環(huán)境的要求及觀測(cè)的數(shù)據(jù)特點(diǎn)，構(gòu)造辨識(shí)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(jì)算基本概率分配函數(shù)及沖突因子后，利用DS合成規(guī)則進(jìn)行計(jì)算，得出的第二層融合結(jié)果見表5和表6。

表4　5 s間隔內(nèi)環(huán)境各因子變化情況

表5　2015年3月7日11： 05實(shí)驗(yàn)融合結(jié)果

表6　2015年3月12日12： 30實(shí)驗(yàn)融合結(jié)果

由2015年3月7日11：05時(shí)刻的實(shí)驗(yàn)融合結(jié)果數(shù)據(jù)表5可以看出，融合后的概率分配值重新進(jìn)行了分配，并逐漸向δ6積累，表示辨識(shí)框架中δ6的描述與實(shí)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(jù)第一層融合的數(shù)據(jù)級(jí)融合結(jié)果進(jìn)行判斷，該結(jié)果判斷是正確的，研究探討的兩級(jí)數(shù)據(jù)融合模型是可行的，此時(shí)應(yīng)針對(duì)該豬舍進(jìn)行降溫、降二氧化碳濃度的處理。

由2015年3月12日12：30時(shí)刻的實(shí)驗(yàn)融合結(jié)果數(shù)據(jù)（表6）可以看出，融合后的概率分配值重新進(jìn)行了分配，并逐漸向δ5積累，表示便是框架中δ5的描述與實(shí)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(jù)第一層融合的數(shù)據(jù)級(jí)融合結(jié)果進(jìn)行判斷，該結(jié)果判斷是正確的，此時(shí)應(yīng)針對(duì)該豬舍進(jìn)行降溫處理。

5　結(jié) 論

研究以生豬養(yǎng)殖環(huán)境的監(jiān)測(cè)為背景，利用最優(yōu)融合集篩選出有效觀測(cè)數(shù)據(jù)；用模糊集中模糊隸屬度函數(shù)來(lái)求基本概率分配函數(shù)，并利用證據(jù)間的距離公式計(jì)算證據(jù)融合度作為證據(jù)的權(quán)重值分配給基本概率分配函數(shù)，減少?zèng)_突證據(jù)對(duì)結(jié)果判斷的影響。引入Jousselme距離，改進(jìn)了DS合成規(guī)則中的沖突衡量因子，將沖突證據(jù)再次進(jìn)行分配，使概率進(jìn)一步向最終判斷結(jié)果焦元累積。對(duì)探討的兩級(jí)多傳感器數(shù)據(jù)融合模型進(jìn)行了實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)得出了對(duì)豬舍環(huán)境的準(zhǔn)確判斷，證明了該兩級(jí)數(shù)據(jù)模型的有效性，能保證生豬能在適宜的環(huán)境中成長(zhǎng)，對(duì)于有效降低生豬患病率有較大幫助。

參考文獻(xiàn)：

［1］ 張河翔. 信息融合技術(shù)在煤礦安全監(jiān)控中的應(yīng)用研究［D］. 重慶大學(xué)，2012.

［2］ 王 力. 基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合算法研究與應(yīng)用［D］. 太原理工大學(xué)，2015.

［3］ 楊國(guó)寧. 基于模糊集與統(tǒng)計(jì)理論的多傳感器數(shù)據(jù)融合算法研究［D］.太原理工大學(xué)，2013.

［4］ 宋秀峰. 海洋水質(zhì)檢測(cè)系統(tǒng)中多傳感器數(shù)據(jù)融合技術(shù)的研究［D］.燕山大學(xué)，2013.

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

［6］ 陳一雷，王俊杰. 一種DS證據(jù)推理的改進(jìn)方法［J］. 系統(tǒng)仿真學(xué)報(bào)，2004，16（1）： 28-30.

［7］ 邢曉辰，蔡遠(yuǎn)文，李 巖，等. 一種改進(jìn)的證據(jù)沖突衡量因子［J］.電訊技術(shù)， 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(jù)距離［J］. 電子與信息學(xué)報(bào)，2013，7：1624-1629.

［10］ 李江華. 關(guān)于畜禽場(chǎng)環(huán)境質(zhì)量及衛(wèi)生控制的標(biāo)準(zhǔn)［J］. 肉類研究，2013，5：3-4.

（責(zé)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(hào)：TP14

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：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(xiàng)目：國(guó)家科技支撐計(jì)劃（2013BAD15B02）

作者簡(jiǎn)介：鐘 旭（1991-），女，湖南長(zhǎng)沙市人，碩士研究生，主要研究方向?yàn)槎鄠鞲衅鲾?shù)據(jù)融合。

通訊作者：朱幸輝