基于時(shí)空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合

周金生， 王紀(jì)章， 賀　通， 王建平， 李萍萍，2

(1.江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，江蘇鎮(zhèn)江 212013； 2.南京林業(yè)大學(xué)生物與環(huán)境學(xué)院，江蘇南京 210037)

近年來(lái)，隨著信息技術(shù)的快速發(fā)展，物聯(lián)網(wǎng)技術(shù)在設(shè)施農(nóng)業(yè)中得到越來(lái)越多的應(yīng)用[1-2]。傳感器技術(shù)、無(wú)線網(wǎng)絡(luò)、微型計(jì)算機(jī)技術(shù)、互聯(lián)網(wǎng)的發(fā)展進(jìn)一步促進(jìn)了溫室環(huán)境信息的監(jiān)測(cè)管理[3-5]。為部署溫室環(huán)境測(cè)控系統(tǒng)，須要在溫室中布置大量的用于監(jiān)測(cè)溫室中主要環(huán)境參數(shù)的傳感器，但是設(shè)施農(nóng)業(yè)內(nèi)部的高濕、高溫等惡劣工作環(huán)境易導(dǎo)致溫室環(huán)境測(cè)控系統(tǒng)傳感器故障的頻繁發(fā)生。利用傳感器采集設(shè)施農(nóng)業(yè)內(nèi)的環(huán)境信息是溫室環(huán)境測(cè)控系統(tǒng)的基礎(chǔ)，而傳感器故障導(dǎo)致的數(shù)據(jù)異常對(duì)溫室環(huán)境監(jiān)測(cè)的準(zhǔn)確性、環(huán)境控制的可靠性都會(huì)產(chǎn)生嚴(yán)重危害[6]。因此，在溫室環(huán)境測(cè)控系統(tǒng)的基礎(chǔ)上開(kāi)展多傳感器數(shù)據(jù)融合研究具有重要的經(jīng)濟(jì)意義和工程應(yīng)用價(jià)值。

國(guó)內(nèi)外學(xué)者已經(jīng)對(duì)傳感器數(shù)據(jù)融合進(jìn)行了大量研究。常規(guī)方法是采用平均值算法簡(jiǎn)單實(shí)現(xiàn)傳感器數(shù)據(jù)融合，該方法適用于具有大量傳感器并且應(yīng)用于對(duì)精度要求不高的數(shù)據(jù)融合中?？柭鼮V波是應(yīng)用較多的數(shù)據(jù)級(jí)多傳感器數(shù)據(jù)融合方法，依賴(lài)于系統(tǒng)的狀態(tài)空間模型，而模型的精確程度直接影響數(shù)據(jù)的融合效果[7-8]。蔡振江等采用基于均值的分批估計(jì)法[9]、高峰等使用自適應(yīng)加權(quán)法[10]進(jìn)行溫室數(shù)據(jù)融合，無(wú)需傳感器系統(tǒng)的任何先驗(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)，但若分批估計(jì)的傳感器分組選擇不當(dāng)將會(huì)影響最終的融合效果[11]，而自適應(yīng)加權(quán)法對(duì)傳感器采集結(jié)果方差估計(jì)所需要的觀測(cè)誤差必須為零均值平穩(wěn)噪聲[12]。針對(duì)均值算法融合精度不高的問(wèn)題，Yager提出一種冪均方算子進(jìn)行數(shù)據(jù)融合[13]，僅須要計(jì)算當(dāng)前各傳感器數(shù)據(jù)的支持度函數(shù)就能獲得加權(quán)融合的最優(yōu)權(quán)重，無(wú)須其他概率統(tǒng)計(jì)知識(shí)，適用于實(shí)時(shí)數(shù)據(jù)融合，但給出的支持度函數(shù)在溫室無(wú)線傳感器網(wǎng)絡(luò)(wireless sensor network，簡(jiǎn)稱(chēng)WSN)系統(tǒng)中使用時(shí)仍存在優(yōu)化空間。針對(duì)高沖突信息融合結(jié)果不合理的問(wèn)題，劉準(zhǔn)釓等提出一種基于多源證據(jù)融合的加權(quán)融合算法[14]，該算法根據(jù)2個(gè)證據(jù)的距離大小來(lái)確定其相互支持度，將證據(jù)支持度矩陣模最大特征值對(duì)應(yīng)的特征向量作為證據(jù)的相對(duì)折扣因子，并修正證據(jù)信息，最后用DS(dempster-shafer)規(guī)則進(jìn)行融合。Lee等提出一種無(wú)須模型參數(shù)傳遞的融合方法[15-16]，但在溫室無(wú)線傳感器網(wǎng)絡(luò)中使用時(shí)仍有改進(jìn)空間。

從現(xiàn)場(chǎng)的實(shí)際應(yīng)用出發(fā)，針對(duì)基于物聯(lián)網(wǎng)技術(shù)的溫室環(huán)境測(cè)控通用系統(tǒng)[17]在運(yùn)行過(guò)程中出現(xiàn)的傳感器節(jié)點(diǎn)數(shù)據(jù)異常等情況，本研究提出一種基于時(shí)空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合方法，該方法以時(shí)間相關(guān)性和空間相似性預(yù)測(cè)值為輸入變量，基于改進(jìn)型支持度函數(shù)的數(shù)據(jù)融合算法獲得傳感器采集點(diǎn)的最優(yōu)預(yù)測(cè)值，以提高數(shù)據(jù)的真實(shí)性與可靠性，并利用傳感器測(cè)量數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證。

1　傳感器數(shù)據(jù)融合模型

在溫室環(huán)境中，時(shí)空關(guān)聯(lián)性是指環(huán)境參數(shù)隨著時(shí)間和空間變化而變化的規(guī)律，可反映環(huán)境參數(shù)在時(shí)間和空間上的關(guān)聯(lián)性，通過(guò)研究對(duì)象隨著空間和時(shí)間變化而變化的規(guī)律，解決含空間和時(shí)間約束的規(guī)則發(fā)掘問(wèn)題。研究溫室環(huán)境時(shí)空關(guān)聯(lián)性問(wèn)題的目的在于發(fā)現(xiàn)環(huán)境數(shù)據(jù)的時(shí)空關(guān)聯(lián)規(guī)則，分析參數(shù)的時(shí)空變化趨勢(shì)[18]。

為提高溫室環(huán)境測(cè)控系統(tǒng)多傳感器節(jié)點(diǎn)采集數(shù)據(jù)的準(zhǔn)確性，本研究通過(guò)軟件算法來(lái)實(shí)現(xiàn)傳感器節(jié)點(diǎn)數(shù)據(jù)的自修正，設(shè)計(jì)基于時(shí)空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合算法(圖1)，該算法主要包括時(shí)間相關(guān)性預(yù)測(cè)、空間相似性估計(jì)、多傳感器數(shù)據(jù)融合等。

在溫室環(huán)境測(cè)控系統(tǒng)中布置大量各類(lèi)型的傳感器節(jié)點(diǎn)，包括同質(zhì)傳感器、異質(zhì)傳感器等，溫室內(nèi)傳感器采集的環(huán)境參數(shù)間具有較強(qiáng)的耦合性，即傳感器節(jié)點(diǎn)在小氣候空間范圍內(nèi)采集的環(huán)境參數(shù)信息和相鄰節(jié)點(diǎn)的傳感器數(shù)據(jù)相關(guān)或相似。單傳感器采集的溫室環(huán)境數(shù)據(jù)可構(gòu)成一個(gè)時(shí)間序列，通過(guò)對(duì)時(shí)間序列分析發(fā)現(xiàn)，在短時(shí)間內(nèi)環(huán)境數(shù)據(jù)之間具有較強(qiáng)的時(shí)間相關(guān)性。

本研究中基于時(shí)空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合的主要過(guò)程如下：(1)針對(duì)溫室環(huán)境測(cè)控系統(tǒng)采集的溫室環(huán)境數(shù)據(jù)，基于傳感器歷史數(shù)據(jù)，利用基于一階自回歸的時(shí)間相關(guān)性預(yù)測(cè)算法獲得時(shí)間序列預(yù)測(cè)值，并對(duì)不同的時(shí)間預(yù)測(cè)方法進(jìn)行對(duì)比分析。(2)針對(duì)溫室內(nèi)各傳感器節(jié)點(diǎn)采集的溫室環(huán)境數(shù)據(jù)之間存在相互關(guān)系，相鄰傳感器節(jié)點(diǎn)存在空間相似性的特點(diǎn)，分別利用同質(zhì)傳感器、異質(zhì)傳感器當(dāng)前時(shí)刻數(shù)據(jù)，建立基于空間相似性的本節(jié)點(diǎn)數(shù)據(jù)預(yù)測(cè)值，并對(duì)不同的空間相似性估計(jì)方法進(jìn)行對(duì)比分析。(3)以時(shí)空相關(guān)性預(yù)測(cè)結(jié)果為輸入量，利用本研究提出的基于改進(jìn)型支持度函數(shù)的數(shù)據(jù)融合算法估計(jì)傳感器節(jié)點(diǎn)數(shù)值，獲得傳感器最優(yōu)估計(jì)值并與基于主成分分析的數(shù)據(jù)融合方法、平均值法進(jìn)行預(yù)測(cè)值與量測(cè)值間的比較和分析。

2　基于時(shí)空關(guān)聯(lián)性的傳感器預(yù)測(cè)

溫室內(nèi)環(huán)境參數(shù)一般變化得比較緩慢，傳感器真值在較短時(shí)間內(nèi)保持不變，因此可認(rèn)為，基于時(shí)間相關(guān)性、空間相似性的時(shí)空特性傳感器預(yù)測(cè)值在同時(shí)刻服從正態(tài)分布。時(shí)空關(guān)聯(lián)性包括時(shí)間相關(guān)性、空間相似性。

2.1　時(shí)間相關(guān)性預(yù)測(cè)

時(shí)間相關(guān)性預(yù)測(cè)就是利用傳感器在溫室環(huán)境測(cè)控過(guò)程中環(huán)境參數(shù)具有時(shí)間相關(guān)性的特點(diǎn)，采用基于時(shí)間特性的預(yù)測(cè)算法獲得下一時(shí)刻的預(yù)測(cè)值。在溫室環(huán)境測(cè)量過(guò)程中，傳感器節(jié)點(diǎn)采集的數(shù)據(jù)在時(shí)間上往往具有一定依存性，即傳感器采集的數(shù)據(jù)可構(gòu)成時(shí)間序列，下一時(shí)刻的傳感器數(shù)據(jù)受到現(xiàn)在時(shí)刻與歷史時(shí)刻數(shù)據(jù)的約束。一般情況下，歷史數(shù)據(jù)對(duì)現(xiàn)在和未來(lái)數(shù)據(jù)的影響隨著時(shí)間間隔的增加而減小。在溫室環(huán)境的測(cè)量過(guò)程中，后一時(shí)刻的傳感器數(shù)據(jù)主要和前一時(shí)刻有關(guān)，而受更前一時(shí)刻傳感器數(shù)據(jù)的影響較小，可忽略不計(jì)，因此認(rèn)為，溫室環(huán)境數(shù)據(jù)具有一階動(dòng)態(tài)性。本研究結(jié)合溫室環(huán)境的特點(diǎn)，選取一階自回歸預(yù)測(cè)算法進(jìn)行溫室環(huán)境預(yù)測(cè)。

設(shè)溫室環(huán)境采集的傳感器數(shù)據(jù)構(gòu)成時(shí)間序列xi1，xi2，…，xin，采用一階自回歸時(shí)間相關(guān)性預(yù)測(cè)算法[19]進(jìn)行預(yù)測(cè)，則第n+1時(shí)刻的預(yù)測(cè)結(jié)果為：

(1)

2.2　空間相似性預(yù)測(cè)

空間相似性估計(jì)就是利用相鄰傳感器間的空間環(huán)境分布特性，采用基于空間相似性的預(yù)測(cè)算法計(jì)算出本節(jié)點(diǎn)的估計(jì)值。在溫室環(huán)境測(cè)控系統(tǒng)中，傳感器數(shù)據(jù)之間存在相互關(guān)系，傳感器與相鄰傳感器節(jié)點(diǎn)之間存在關(guān)聯(lián)，即傳感器之間具有空間相似性。根據(jù)空間相似性理論可知，不同傳感器在同一時(shí)刻采集的溫室環(huán)境參數(shù)之間存在關(guān)聯(lián)性。在測(cè)控系統(tǒng)運(yùn)行過(guò)程中發(fā)現(xiàn)，相鄰的不同或相同類(lèi)型傳感器采集的數(shù)據(jù)之間存在近線性關(guān)系?？臻g相似性依據(jù)對(duì)比傳感器類(lèi)型的不同，可被分為同質(zhì)傳感器相似性和異質(zhì)傳感器相似性。根據(jù)進(jìn)行空間相似性預(yù)測(cè)對(duì)象的不同，可以分為同質(zhì)傳感器預(yù)測(cè)、異質(zhì)傳感器預(yù)測(cè)。

2.2.1同質(zhì)傳感器相似性預(yù)測(cè)當(dāng)利用同種類(lèi)型的多組傳感器同時(shí)對(duì)觀測(cè)區(qū)域的同一目標(biāo)進(jìn)行觀測(cè)時(shí)，同質(zhì)傳感器之間具有很強(qiáng)的線性關(guān)系。本研究對(duì)傳感器節(jié)點(diǎn)采集的數(shù)據(jù)進(jìn)行相互比較，建立一個(gè)基于鄰居節(jié)點(diǎn)的本節(jié)點(diǎn)當(dāng)前時(shí)刻聚合值。

(2)

2.2.2異質(zhì)傳感器相似性預(yù)測(cè)溫室的各種環(huán)境參數(shù)之間存在著耦合關(guān)系，通過(guò)觀察不同傳感器采集的不同類(lèi)型環(huán)境參數(shù)發(fā)現(xiàn)，環(huán)境參數(shù)之間存在一定的變化規(guī)律。在對(duì)同一區(qū)域進(jìn)行監(jiān)測(cè)時(shí)，不同的監(jiān)測(cè)參數(shù)之間存在關(guān)聯(lián)。例如溫度與光照度之間具有正相關(guān)性，而溫度與濕度之間具有負(fù)相關(guān)性，監(jiān)測(cè)參數(shù)之間存在近線性關(guān)系。與同質(zhì)傳感器相似性相比，異質(zhì)傳感器能夠更好地應(yīng)用環(huán)境及性能的互補(bǔ)作用，擴(kuò)展空間上的觀測(cè)范圍，增強(qiáng)數(shù)據(jù)的可靠性。

若具有m+1個(gè)相鄰監(jiān)測(cè)參數(shù)，設(shè)m個(gè)經(jīng)過(guò)數(shù)據(jù)預(yù)處理的監(jiān)測(cè)參數(shù)為自變量，1個(gè)目標(biāo)監(jiān)測(cè)參數(shù)為因變量，令自變量表示為：

X={x1n，x2n，…，xmn}。

則回歸關(guān)系模型可構(gòu)造形成的矩陣形式為Xm+1=Xmβ+ε，即

式中：β0、β1、β2、…、βm表示線性參數(shù)；ε表示隨機(jī)誤差，服從ε～N(0,σ2)；X表示回歸設(shè)計(jì)矩陣。

3　傳感器時(shí)空特性數(shù)據(jù)融合

數(shù)據(jù)融合就是將不同傳感器的多維信息通過(guò)合并和相應(yīng)的處理得到符合要求的數(shù)據(jù)結(jié)果的整體過(guò)程[20]。數(shù)據(jù)融合在測(cè)控系統(tǒng)中常用的方法是平均值法，對(duì)被測(cè)對(duì)象測(cè)量值不加區(qū)別地計(jì)算數(shù)據(jù)平均值，而忽略不同采集值的權(quán)重，適用于大量傳感器數(shù)據(jù)。

本研究采用多種算法模型對(duì)傳感器信息進(jìn)行預(yù)測(cè)，并將各種預(yù)測(cè)值作為數(shù)據(jù)融合的輸入量，利用提出的基于改進(jìn)型支持度函數(shù)的數(shù)據(jù)融合算法進(jìn)行信息融合，并將融合輸出量作為最終估計(jì)值，該算法能夠在保存有效數(shù)據(jù)的同時(shí)剔除冗余數(shù)據(jù)，為后續(xù)的精準(zhǔn)控制、故障數(shù)據(jù)恢復(fù)提供數(shù)據(jù)基礎(chǔ)。

同一時(shí)刻不同的狀態(tài)估計(jì)值以正態(tài)分布形式隨機(jī)分布，越靠近峰值估計(jì)值越多，且估計(jì)值之間的支持力度越大；反之，2個(gè)估計(jì)值之間的數(shù)據(jù)差越大，兩者之間的互相支持度越小。

不同狀態(tài)預(yù)測(cè)算法得到的表征數(shù)據(jù)或不同采集節(jié)點(diǎn)待融合數(shù)據(jù)之間存在關(guān)聯(lián)，其量測(cè)方程可以表達(dá)為：

xi(t)=s(t)+vi(t)，i=1，2，…，n。

(3)

式中：xi(t)表示第i個(gè)輸入量在t時(shí)刻對(duì)參數(shù)s的量測(cè)值；s(t) 表示被測(cè)量對(duì)象的實(shí)測(cè)值；vi(t)表示t時(shí)刻的量測(cè)噪聲。

Yager提出采用支持度函數(shù)sup(a，b)表示數(shù)據(jù)b對(duì)數(shù)據(jù)a的支持程度[13]，即

(4)

其中，i，j為正整數(shù)，i，j=1，2，3，…，n。

文獻(xiàn)[21]提出一種常用的支持度函數(shù)算法：

(5)

考慮到在溫室環(huán)境測(cè)控系統(tǒng)中多變量、多層次地使用支持度函數(shù)會(huì)使計(jì)算量急劇增加的特點(diǎn)，本研究構(gòu)造一種改進(jìn)型支持度函數(shù)。

(6)

該改進(jìn)型支持度函數(shù)滿足支持度函數(shù)的幾個(gè)條件：(1)sup(a，b)∈[0，1]；(2)sup(a，b)=sup(b，a)；(3)若|a-b|<|x-y|，則sup(a，b)>sup(x，y)，其中，sup(x，y)表示數(shù)據(jù)y對(duì)數(shù)據(jù)x的支持程度；(4)sup[xi(t)，xj(t)]是距離Dij(t)的單調(diào)減函數(shù)。

將溫室環(huán)境數(shù)據(jù)不同的狀態(tài)預(yù)測(cè)值代入改進(jìn)型支持度函數(shù)，建立支持度矩陣函數(shù)R，確定第i個(gè)測(cè)量數(shù)據(jù)在全體測(cè)量數(shù)據(jù)中的權(quán)系數(shù)，最終計(jì)算出本節(jié)點(diǎn)當(dāng)前時(shí)刻異常點(diǎn)的最優(yōu)估計(jì)值?；诟倪M(jìn)型支持度函數(shù)的數(shù)據(jù)融合算法流程如圖2所示。

4　驗(yàn)證

4.1　試驗(yàn)設(shè)備與方法

試驗(yàn)于2015年10月在江蘇省農(nóng)業(yè)科學(xué)院溧水植物科學(xué)基地的溫室大棚內(nèi)進(jìn)行。通過(guò)如圖3所示的基于物聯(lián)網(wǎng)的溫室環(huán)境測(cè)控通用系統(tǒng)采集溫室環(huán)境數(shù)據(jù)，系統(tǒng)主要包括協(xié)調(diào)節(jié)點(diǎn)、采集節(jié)點(diǎn)、各種類(lèi)型傳感器、智能網(wǎng)關(guān)、室外小型氣象站和監(jiān)控軟件等。利用各類(lèi)型傳感器節(jié)點(diǎn)采集溫室內(nèi)外溫度、濕度、光照度、CO2濃度等環(huán)境變量。

具體試驗(yàn)方法如下：傳感器采集節(jié)點(diǎn)每隔1 min讀取1次各類(lèi)型傳感器、室外氣象站的數(shù)據(jù)，通過(guò)協(xié)調(diào)節(jié)點(diǎn)傳輸至智能網(wǎng)關(guān)，監(jiān)控軟件實(shí)現(xiàn)數(shù)據(jù)的解析、處理、判斷、決策、控制等功能。

對(duì)多組傳感器數(shù)據(jù)進(jìn)行分析并仿真，為驗(yàn)證仿真效果，將支持度函數(shù)所需的參數(shù)設(shè)置為K=1、β=0.5，將數(shù)據(jù)融合、數(shù)據(jù)預(yù)處理中的溫度閾值設(shè)置為δ=0.5、ε=0.5，對(duì)數(shù)據(jù)預(yù)處理、數(shù)據(jù)融合和數(shù)據(jù)恢復(fù)效果等進(jìn)行驗(yàn)證，并在不同方法之間作對(duì)比分析。

4.2　數(shù)據(jù)融合效果

數(shù)據(jù)融合的主要目的是利用傳感器節(jié)點(diǎn)采集的環(huán)境數(shù)據(jù)計(jì)算基于時(shí)間相關(guān)性的預(yù)測(cè)值以及同質(zhì)傳感器、異質(zhì)傳感器間基于空間相似性的預(yù)測(cè)值，并將多種預(yù)測(cè)方法求得的預(yù)測(cè)值作為多數(shù)據(jù)融合的輸入變量，利用數(shù)據(jù)融合算法求得最優(yōu)估計(jì)值。

4.2.1時(shí)間相關(guān)性驗(yàn)證以基于時(shí)間相關(guān)性的預(yù)測(cè)值為期望，以經(jīng)過(guò)數(shù)據(jù)預(yù)處理的傳感器節(jié)點(diǎn)采集值為準(zhǔn)實(shí)際值，對(duì)數(shù)據(jù)進(jìn)行傳感器節(jié)點(diǎn)時(shí)間相關(guān)性仿真，時(shí)間尺度n=5，則時(shí)間相關(guān)性數(shù)據(jù)的驗(yàn)證效果如圖4所示。與其他經(jīng)典的時(shí)間序列預(yù)測(cè)算法[22]進(jìn)行對(duì)比，包括趨勢(shì)移動(dòng)平均預(yù)測(cè)算法、二次曲線趨勢(shì)時(shí)間預(yù)測(cè)算法，分析結(jié)果如表1所示。

由表1可知，一階自回歸時(shí)間相關(guān)性預(yù)測(cè)算法的效果優(yōu)于其他幾種時(shí)間預(yù)測(cè)算法；對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，99.65%的檢測(cè)值分布在預(yù)測(cè)值的閾值區(qū)間[r(t)-δ，r(t)+δ]內(nèi)，傳感器數(shù)據(jù)具有良好的平滑性。

表1　預(yù)測(cè)算法對(duì)比分析

4.2.2空間相似性驗(yàn)證利用傳感器節(jié)點(diǎn)間的空間相似性，分別驗(yàn)證同節(jié)點(diǎn)同質(zhì)傳感器間、同節(jié)點(diǎn)異質(zhì)傳感器間以及不同節(jié)點(diǎn)同質(zhì)傳感器間的空間相似性，結(jié)果如圖5所示。

將基于空間相似性的預(yù)測(cè)值分別與量測(cè)值進(jìn)行對(duì)比，得到的數(shù)據(jù)樣本分析結(jié)果如表1所示。由表1可知，基于同質(zhì)傳感器的空間相似性預(yù)測(cè)效果明顯好于基于異質(zhì)傳感器的預(yù)測(cè)算法。

4.2.3數(shù)據(jù)融合驗(yàn)證將上述基于時(shí)間相關(guān)性的時(shí)間預(yù)測(cè)值、基于空間相似性的空間預(yù)測(cè)值作為數(shù)據(jù)融合算法的輸入量進(jìn)行數(shù)據(jù)融合，對(duì)比支持度函數(shù)及其他多種數(shù)據(jù)融合方式，得到如圖6所示的驗(yàn)證結(jié)果。其中，平均值算法是一種簡(jiǎn)單低級(jí)的數(shù)據(jù)融合技術(shù)，一種靜態(tài)加權(quán)平均算法；主成分分析算法是一種常用的數(shù)據(jù)分析方法，通過(guò)線性變換將原始數(shù)據(jù)集用1組與各維度線性無(wú)關(guān)的數(shù)據(jù)表示，可用于提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。

為檢驗(yàn)各支持度函數(shù)算法、主成分分析算法及傳統(tǒng)方法的融合效果，進(jìn)行多組環(huán)境數(shù)據(jù)驗(yàn)證，結(jié)果如表2所示。

由表2可知，平均值法、主成分分析法以及改進(jìn)型支持度函數(shù)的幾種算法均能有效地實(shí)現(xiàn)數(shù)據(jù)融合，支持度算法效果優(yōu)于其他算法，且與其他數(shù)據(jù)融合算法相比，本研究提出的改進(jìn)型支持度函數(shù)算法表現(xiàn)出較好的性能，融合樣本方差較小，驗(yàn)證了本研究提出的改進(jìn)型支持度函數(shù)的有效性。

表2　數(shù)據(jù)融合結(jié)果對(duì)比

本研究提出的基于改進(jìn)型支持度函數(shù)的數(shù)據(jù)融合算法較傳統(tǒng)的數(shù)據(jù)融合算法具有更高的可靠性，能夠有效地同時(shí)處理多變量之間的支持度，該算法的融合效果優(yōu)于其他傳統(tǒng)數(shù)據(jù)融合算法。

根據(jù)上述內(nèi)容，本研究選擇基于時(shí)間相關(guān)性的一階自回歸預(yù)測(cè)算法以及基于空間相似性的同質(zhì)傳感器、異質(zhì)傳感器估計(jì)算法，并結(jié)合改進(jìn)型支持度函數(shù)數(shù)據(jù)融合算法對(duì)溫室環(huán)境測(cè)控系統(tǒng)的主要環(huán)境參數(shù)進(jìn)行組合對(duì)比驗(yàn)證。以平均值法、傳統(tǒng)支持度函數(shù)為對(duì)比算法，驗(yàn)證結(jié)果如表3所示。

表3　組合對(duì)比驗(yàn)證結(jié)果

由表3可以看出，基于時(shí)空關(guān)聯(lián)性的溫室環(huán)境數(shù)據(jù)融合得到的估計(jì)結(jié)果較基于時(shí)間相關(guān)性、空間相似性的數(shù)據(jù)融合要好，基于改進(jìn)型支持度函數(shù)的數(shù)據(jù)融合效果好于基于平均值法和傳統(tǒng)的支持度函數(shù)算法。

基于時(shí)空關(guān)聯(lián)性和改進(jìn)型支持度函數(shù)的溫室環(huán)境多傳感器數(shù)據(jù)融合能夠更好地反映溫室環(huán)境參數(shù)變化，表現(xiàn)出更好的數(shù)據(jù)估計(jì)效果。

5　結(jié)束語(yǔ)

針對(duì)溫室環(huán)境中部分環(huán)境參數(shù)變化緩慢、冗余度大的特點(diǎn)，對(duì)溫室環(huán)境測(cè)控系統(tǒng)中傳感器節(jié)點(diǎn)采集的溫室環(huán)境數(shù)據(jù)進(jìn)行分析，建立基于時(shí)空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合算法，實(shí)現(xiàn)對(duì)溫室環(huán)境參數(shù)的最優(yōu)估計(jì)。

本研究對(duì)比不同的時(shí)間預(yù)測(cè)算法對(duì)環(huán)境數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行預(yù)測(cè)和驗(yàn)證，并利用同質(zhì)、異質(zhì)傳感器的特點(diǎn)對(duì)環(huán)境參數(shù)進(jìn)行空間相似性預(yù)測(cè)和驗(yàn)證。對(duì)基于時(shí)空關(guān)聯(lián)性的預(yù)測(cè)值分別利用基于主成分分析法和改進(jìn)型支持度函數(shù)算法進(jìn)行數(shù)據(jù)融合，并對(duì)數(shù)據(jù)融合的效果進(jìn)行對(duì)比驗(yàn)證。驗(yàn)證結(jié)果表明，基于一階自回歸時(shí)間相關(guān)性預(yù)測(cè)算法的方差為1.439，優(yōu)于其他經(jīng)典時(shí)間序列預(yù)測(cè)算法，同質(zhì)、異質(zhì)傳感器的空間相似性預(yù)測(cè)方差分別為1.493、1.883，基于時(shí)間相關(guān)性、空間相似性的預(yù)測(cè)算法能夠有效地預(yù)測(cè)節(jié)點(diǎn)估計(jì)值；對(duì)基于時(shí)空特性的估計(jì)值進(jìn)行基于改進(jìn)型支持度函數(shù)算法的數(shù)據(jù)融合，改進(jìn)型支持度函數(shù)融合算法能夠有效地賦予時(shí)空關(guān)聯(lián)性預(yù)測(cè)值以動(dòng)態(tài)加權(quán)值，且與常用的數(shù)據(jù)融合算法如平均值算法、傳統(tǒng)支持度函數(shù)算法等相比，它產(chǎn)生的最優(yōu)估計(jì)值更能真實(shí)地反映溫室環(huán)境的變化，具有可靠性和準(zhǔn)確性。

參考文獻(xiàn)：

[1]李萍萍，王紀(jì)章. 溫室環(huán)境信息智能化管理研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(4)：236-243.

[2]閻曉軍，王維瑞，梁建平. 北京市設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)應(yīng)用模式構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(4)：149-154.

[3]李莉，李海霞，劉卉. 基于無(wú)線傳感器網(wǎng)絡(luò)的溫室環(huán)境監(jiān)測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(增刊1)：228-231.

[4]Díaz S E，Pérez J C，Mateos A C，et al. A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks[J]. Computers and Electronics in Agriculture，2011，76(2)：252-265.

[5]張猛，房俊龍，韓雨. 基于ZigBee和Internet的溫室群環(huán)境遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(增刊1)：171-176.

[6]王海濤，劉倩，陳桂香，等. 糧情監(jiān)控系統(tǒng)中傳感器故障診斷和數(shù)據(jù)恢復(fù)[J]. 中國(guó)糧油學(xué)報(bào)，2013，28(11)：86-90，96.

[7]蔡鶴皋，金明河，金峰. 卡爾曼濾波與多傳感器數(shù)據(jù)融合技術(shù)[J]. 模式識(shí)別與人工智能，2000，13(3)：248-253.

[8]李鵬. 卡爾曼濾波在信息融合理論中的應(yīng)用[D]. 西安：西安電子科技大學(xué)，2008.

[9]蔡振江，康健一，張青，等. 數(shù)據(jù)融合技術(shù)在溫室溫度檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(10)：101-103.

[10]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(kāi)發(fā)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(5)：175-181.

[11]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.

[12]翟翌立，戴逸松. 多傳感器數(shù)據(jù)自適應(yīng)加權(quán)融合估計(jì)算法的研究[J]. 計(jì)量學(xué)報(bào)，1998，19(1)：69-75.

[13]Yager R R. The power average operator[J]. IEEE Transactions on Systems，Man，and Cybernetics，2001，31(6)：724-731.

[14]劉準(zhǔn)釓，程詠梅，潘泉，等. 證據(jù)沖突下自適應(yīng)融合目標(biāo)識(shí)別算法[J]. 航空學(xué)報(bào)，2010，31(7)：1426-1432.

[15]Lee M H，Choi Y H. Fault detection of wireless sensor networks[J]. Computer Communications，2008，31(14)：3469-3475.

[16]季賽，袁慎芳，馬廷淮，等. 無(wú)線傳感器網(wǎng)絡(luò)中節(jié)點(diǎn)故障診斷方法的研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2010，46(23)：95-97，121.

[17]陳美鎮(zhèn). 基于物聯(lián)網(wǎng)的溫室環(huán)境測(cè)控通用系統(tǒng)開(kāi)發(fā)[D]. 鎮(zhèn)江：江蘇大學(xué)，2015.

[18]夏英，張俊，王國(guó)胤. 時(shí)空關(guān)聯(lián)規(guī)則挖掘算法及其在ITS中的應(yīng)用[J]. 計(jì)算機(jī)科學(xué)，2011，38(9)：173-176.

[19]回春立，崔莉. 無(wú)線傳感器網(wǎng)絡(luò)中基于預(yù)測(cè)的時(shí)域數(shù)據(jù)融合技術(shù)[J]. 計(jì)算機(jī)工程與應(yīng)用，2007，43(21)：121-125，146.

[20]趙亞光. 基于蟻群算法和BP神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合算法研究[D]. 昆明：云南大學(xué)，2013.

[21]段宗濤，程豪，康軍. 基于數(shù)據(jù)融合的多傳感器實(shí)時(shí)數(shù)據(jù)處理系統(tǒng)[J]. 電子設(shè)計(jì)工程，2014，22(7)：43-46.

[22]索瑞霞，王福林. 組合預(yù)測(cè)模型在能源消費(fèi)預(yù)測(cè)中的應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2010，40(18)：80-85.