基于多傳感器信息融合的果蔬倉庫監(jiān)測算法融合

路玉鳳 楊慧斌 茅健 閆娟

摘? 要： 適宜的倉庫環(huán)境對于提高存儲周期、減少腐壞率，起到至關(guān)重要的作用。將分組自適應(yīng)加權(quán)融合算法與改進的BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，應(yīng)用到倉庫環(huán)境監(jiān)控系統(tǒng)中。通過使用分組自適應(yīng)加權(quán)融合算法計算同類環(huán)境因素的估計值，再與異類傳感器融合算法相結(jié)合，融合倉庫中各種環(huán)境因子相互作用的影響，以提高輸出結(jié)果的準確度。在倉庫中收集溫度，濕度，氣味和二氧化碳濃度四個主要環(huán)境因素，并給出四類傳感器數(shù)據(jù)融合處理的實時智能決策結(jié)果，從而實現(xiàn)對倉庫環(huán)境的精確控制。結(jié)果表明，算法融合可以有效地提高數(shù)據(jù)處理精確度，節(jié)省各節(jié)點能耗，提高監(jiān)測水平。

關(guān)鍵詞： 自適應(yīng)加權(quán)融合; 多傳感器數(shù)據(jù)融合; 果蔬倉庫環(huán)境因子; 多源異類融合

中圖分類號：TP301.6? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2021）02-16-04

Abstract： A suitable warehouse environment plays a vital role in improving the storage cycle and reducing the decay rate. This paper combines the grouped adaptive weighted fusion algorithm with the improved BP neural network algorithm and applies it to the warehouse environment monitoring system. By using the grouped adaptive weighted fusion algorithm to calculate the estimated value of environmental factors of same kind， and then combined with the heterogeneous sensor fusion algorithm， the effect of the interaction of various environmental factors in the warehouse is fused to improve the accuracy of the output result. Collect the four main environmental factors of temperature， humidity， odor and carbon dioxide concentration in the warehouse， and give real-time intelligent decision results of the fusion processing of four types of sensor data， so as to achieve accurate control of the warehouse environment. The results show that the fusion of algorithms can effectively improve the accuracy of data processing， save the energy consumption of each node， and improve the monitoring level.

Key words： adaptive weighted fusion; multi-sensor data fusion; environmental factors of fruit and vegetable warehouses; multi-source heterogeneous fusion

0 引言

隨著科技的發(fā)展，多傳感器信息融合越來越受到重視并取得成就，主要表現(xiàn)在智能交通、遙感探測、模式識別、故障診斷等多個領(lǐng)域。

常見的模糊專家系統(tǒng)、貝葉斯決策及卡爾曼濾波等數(shù)據(jù)融合方法，在實際應(yīng)用過程中具有主觀性和隨機性，在數(shù)據(jù)融合建模時具有一定的局限性，但隨著相關(guān)科技的發(fā)展，數(shù)據(jù)融合技術(shù)也將不斷完善，應(yīng)用到更多的領(lǐng)域中。采用加權(quán)數(shù)據(jù)融合的方法，在融合過程中，由于不存在數(shù)據(jù)的先驗信息，故融合精度高，具有最優(yōu)性、無偏性以及最小均方誤差等優(yōu)點，因此具有廣泛的應(yīng)用價值[1]。

目前，對于整個倉庫環(huán)境的監(jiān)測大多采用數(shù)量傳感器進行監(jiān)控，倉庫內(nèi)環(huán)境監(jiān)測點少，密集倉庫面積大，環(huán)境參數(shù)之間關(guān)系復(fù)雜，難以對倉庫內(nèi)的整體環(huán)境變化做出準確的監(jiān)測。

樊雷松[2]等人采用改進的BP神經(jīng)網(wǎng)絡(luò)算法融合有效提高無線傳感器對森林火災(zāi)監(jiān)測精度。程曼等人利用最小距離聚類，確定傳感器融合次序，在一定程度上提高了數(shù)據(jù)融合結(jié)果的客觀性，提高了對溫室環(huán)境的監(jiān)測精度。司迎利[3]等人采用卡爾曼濾波算法對全局狀態(tài)估計做加權(quán)融合計算，融合精度高，算法的穩(wěn)定性及抗干擾能力大幅提升。曹守啟[4]在分批估計的基礎(chǔ)上引入修正因子，構(gòu)造修正后的樣本方差，實現(xiàn)自適應(yīng)調(diào)節(jié)權(quán)重值，提高融合精度。王浩[5]等人為解決復(fù)雜環(huán)境下土壤濕度采集精確度低的問題，基于數(shù)據(jù)級融合層建立改進加權(quán)融合算法模型，改進后的融合結(jié)果方差明顯減小。丁華[6]將優(yōu)化改進后的蟻群算法應(yīng)用于WSN網(wǎng)絡(luò)中，該算法能有效降低節(jié)點能耗，且網(wǎng)絡(luò)生命周期延長。

多傳感器信息融合是對傳感器采集到的數(shù)據(jù)和信息在一定的規(guī)則下進行分析處理和綜合，獲得所需決策和估計。其中，貝葉斯推理、模糊理論、D-S證據(jù)理論和神經(jīng)網(wǎng)絡(luò)方法是常用的算法。

D-S證據(jù)理論是經(jīng)典概率論的擴展，與其它三種常用算法相比，D-S證據(jù)理論具有特殊優(yōu)勢，它對于解決未知環(huán)境下的不確定性信息具有顯著效果。這種特殊的優(yōu)勢使得它在信息融合中得到了廣泛的應(yīng)用。

本文將多源數(shù)據(jù)融合應(yīng)用到倉庫環(huán)境智能監(jiān)控系統(tǒng)中，對多個環(huán)境因素的相互影響綜合考慮，得出更為準確的融合結(jié)果，以便能夠?qū)崟r控制倉庫中相關(guān)控制設(shè)備的運行和停止，為倉庫環(huán)境監(jiān)控系統(tǒng)的設(shè)計提供依據(jù)，為倉庫內(nèi)的果蔬提供適宜的存儲環(huán)境，解決因倉庫環(huán)境因子數(shù)據(jù)采集不準確而不能對倉庫環(huán)境做出精確調(diào)控的問題，實現(xiàn)對倉庫密集環(huán)境的精確控制。

1 融合原理

多傳感器信息融合就是充分利用同質(zhì)或異構(gòu)傳感器，對傳感器采集到的信息合理支配和利用，并把它們在時間或空間上的冗余或互補信息依據(jù)合適的規(guī)則組合，得到對被測對象的一致性評價或描述[7]。

采用自適應(yīng)加權(quán)方法消除了測量差異對一致性度量的影響，有效地降低了非均勻數(shù)據(jù)干擾對估計值的影響[8]。

為了綜合評價環(huán)境質(zhì)量，對各種環(huán)境參數(shù)進行綜合處理，應(yīng)先對同質(zhì)傳感器數(shù)據(jù)進行分組自適應(yīng)加權(quán)[9]融合處理，再對異類傳感器數(shù)據(jù)進行融合，以獲得環(huán)境質(zhì)量水平。異構(gòu)傳感器數(shù)據(jù)融合方法采用改進的BP神經(jīng)網(wǎng)絡(luò)算法（如圖1）。

同質(zhì)傳感器融合采用分組自適應(yīng)加權(quán)融合算法：為了準確監(jiān)測果蔬倉庫存儲環(huán)境，在倉庫內(nèi)安裝多組傳感器實時監(jiān)測各類環(huán)境因子，在每個節(jié)點上安裝溫度、濕度、氣味、二氧化碳濃度四種傳感器，獲得各個傳感器的測量值，首先對獲取的同類傳感器數(shù)據(jù)分組，然后對每組數(shù)據(jù)進行局部自適應(yīng)加權(quán)融合，再利用自適應(yīng)加權(quán)融合算法對同類傳感器數(shù)據(jù)進行融合求得最佳融合結(jié)果。其自適應(yīng)融合過程就是先計算各個傳感器初始測量值的方差，再計算總均方差，得到的最優(yōu)權(quán)值乘以初始值即可得最佳融合結(jié)果。

異質(zhì)傳感器采用LMBP神經(jīng)網(wǎng)絡(luò)算法（如圖2）：LMBP算法是一種標準的數(shù)值優(yōu)化算法，是高斯?牛頓法與梯度下降法的結(jié)合。在模型訓(xùn)練過程中，權(quán)重和閾值的修改調(diào)整是影響模型預(yù)測的關(guān)鍵，調(diào)整公式為[xk+1=xk-JTJ+μI-1JTe]，當(dāng)訓(xùn)練開始時是梯度下降訓(xùn)練法，此時[μ]值較大（[μ]為系數(shù)且[μ>0]），但隨著訓(xùn)練次數(shù)的增加，[μ]值減小，當(dāng)[limμ→0] 時為高斯?牛頓法，當(dāng)此算法的誤差趨于最小值時，其計算精度越高，收斂速度越快。

LMBP神經(jīng)網(wǎng)絡(luò)模型采用三層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層、輸出層。前饋層和遞歸層的激勵函數(shù)分別用Purelin函數(shù)和Poslin函數(shù)，訓(xùn)練函數(shù)為trainlm。LMBP神經(jīng)網(wǎng)絡(luò)先要根據(jù)獲取數(shù)據(jù)設(shè)定閾值得到輸入向量，然后利用輸入向量訓(xùn)練LMBP神經(jīng)網(wǎng)絡(luò)模型，從而得到更新后的權(quán)重和閾值，新的權(quán)重和閾值從中心節(jié)點傳輸?shù)浇K端節(jié)點，然后終端節(jié)點通過對輸入量的判斷得到倉庫環(huán)境信息。大量數(shù)據(jù)的傳輸是傳感器節(jié)點能量消耗的主要影響因素[10]，應(yīng)用LMBP神經(jīng)網(wǎng)絡(luò)可以加快收斂速度，減少數(shù)據(jù)傳播時間，使傳感器節(jié)點能耗降低。

2 分組自適應(yīng)加權(quán)融合

由于各測量值之間相互獨立，并且都為[a]的無偏估計，可得

3 改進的BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法要經(jīng)歷兩個學(xué)習(xí)過程，一是信號正向傳播，二是誤差反向傳播。在正向傳播中，輸入樣本從輸入層傳入，在每個隱藏層中逐層處理，然后傳遞到輸出層[12]。如果實際輸出與預(yù)期的輸出值不符，則錯誤轉(zhuǎn)移到反向傳播階段。錯誤重傳是將輸出的錯誤通過隱藏層以某種形式重傳給輸入層，并將錯誤分布到每一層的所有元素，從而得到每一層的錯誤信號。這個誤差是校正單位重量的基礎(chǔ)。反復(fù)進行每一層前向和誤差反向傳播的權(quán)值調(diào)整過程。權(quán)重調(diào)整的過程就是網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練過程。

首先，按閾值刪除無效的干擾數(shù)據(jù)，合適的閾值可以通過反復(fù)訓(xùn)練獲取。然后，采用多數(shù)據(jù)融合技術(shù)對傳感層的數(shù)據(jù)進行處理。采用融合算法對采集到的數(shù)據(jù)按時間順序進行排序，然后根據(jù)數(shù)學(xué)模型的準則判斷有效信息。本文選取的數(shù)學(xué)模型是BP神經(jīng)網(wǎng)絡(luò)的融合方法。它通過調(diào)整權(quán)重來提高數(shù)據(jù)的準確性。

完成這項工作的硬件設(shè)備是由單片機、傳輸模塊和各種傳感器組成的具有獨立處理能力的中心節(jié)點。在融合層，需要處理大量的數(shù)據(jù)，節(jié)點的功耗是由算法復(fù)雜度所決定的，因此融合層的算法至關(guān)重要。算法的快速收斂性也決定了融合層設(shè)計的成敗。

LM算法是牛頓法和梯度下降法的結(jié)合算法。梯度下降算法比牛頓法易于收斂，但牛頓法的收斂速度要比梯度下降法快。利用阻尼因子進行插值，生成LM算法，其綜合了兩者的優(yōu)點。優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，融合速度加快，在小功率無線傳感器節(jié)點上有很好的應(yīng)用效果。

4 算例分析

在倉庫中收集溫度，濕度，氣味和二氧化碳濃度四個主要環(huán)境因素，首先，通過使用分組自適應(yīng)融合算法計算同類環(huán)境因素的估計值，再同異類傳感器融合算法相結(jié)合，給出四類傳感器數(shù)據(jù)融合處理的實時智能決策結(jié)果，融合倉庫中各種環(huán)境因子相互作用的影響，從而提高輸出結(jié)果的準確度。算法融合可以有效地提高數(shù)據(jù)處理精確度，節(jié)省各節(jié)點能耗，提高監(jiān)測水平。

4.1 同質(zhì)傳感器數(shù)據(jù)融合

用10只溫度傳感器，對倉庫內(nèi)的溫度進行多次測量，則分組自適應(yīng)加權(quán)融合結(jié)果如表1。其他三類同質(zhì)傳感器數(shù)據(jù)融合亦是如此。

4.2 異質(zhì)傳感器數(shù)據(jù)融合

在每個節(jié)點上安裝四個傳感器對四類環(huán)境因子數(shù)據(jù)進行采集，對異質(zhì)傳感器數(shù)據(jù)融合采用LMBP算法，將溫度、濕度、氣味、[CO2]濃度四個環(huán)境因子作為輸入變量，環(huán)境等級作為輸出變量，具體環(huán)境等級劃分如下，見表2。

采用數(shù)據(jù)融合的節(jié)點壽命比普通節(jié)點壽命顯著提高。數(shù)據(jù)在多個節(jié)點上的傳輸耗能隨著節(jié)點數(shù)量的增加而增加，節(jié)點采用數(shù)據(jù)融合的優(yōu)勢也顯現(xiàn)出來了。對此，我們對單個節(jié)點的平均耗能進行了分析，如圖3所示。對于改進后的BP神經(jīng)網(wǎng)絡(luò)算法在多個節(jié)點上的收斂速度也做了對比，如圖4所示。

從圖3可以看出，數(shù)據(jù)在多個節(jié)點上的傳輸耗能隨著節(jié)點數(shù)量的增加而增加，研究發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)的功耗顯著降低，且隨著節(jié)點數(shù)的增加，單個節(jié)點的功耗不是很大。可見，融合后的節(jié)點壽命延長。在第二次數(shù)據(jù)分析實驗中，比較了多節(jié)點的收斂速度，見圖4。當(dāng)單片機頻率大于2000hz時，節(jié)點的個數(shù)是影響算法收斂速度的關(guān)鍵因素。結(jié)果表明，該算法是有效的。通過分析數(shù)據(jù)的結(jié)果可以得出，BP神經(jīng)網(wǎng)絡(luò)算法融合的改進能夠提高果蔬倉庫環(huán)境監(jiān)測水平，降低節(jié)點的能耗。

5 結(jié)束語

本文首先采用分組自適應(yīng)加權(quán)融合算法對倉庫內(nèi)的溫度、濕度、二氧化碳濃度、氣味四類傳感器采集到的數(shù)據(jù)進行一級融合處理，分別對同類型傳感器數(shù)據(jù)進行融合，然后綜合考慮四類環(huán)境因子之間的相互關(guān)系，用改進后的BP神經(jīng)網(wǎng)絡(luò)算法對多源異質(zhì)傳感器數(shù)據(jù)進行二級融合，從而提高數(shù)據(jù)融合處理的準確性，為精準調(diào)控倉庫環(huán)境提供依據(jù)，為倉庫內(nèi)的果蔬提供適宜的存儲環(huán)境，解決因倉庫環(huán)境因子數(shù)據(jù)采集不準確而不能對倉庫環(huán)境做出精確調(diào)控的問題，實現(xiàn)對倉庫密集環(huán)境的精確控制。結(jié)果表明，算法融合可以有效地提高數(shù)據(jù)處理的精確度，節(jié)省各節(jié)點能耗，提高監(jiān)測水平。

參考文獻（References）：

[1] 李偉，何鵬舉，高社生.一種考慮傳感器精度的數(shù)據(jù)自適應(yīng)加權(quán)融合算法[J].電訊技術(shù)，2015.10：1079-1086

[2] 樊雷松，強彥，趙涓涓，胡洋洋，格磊.無線傳感網(wǎng)中基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合方法[J].計算機工程與設(shè)計，2014.35（1）：62-66

[3] 司迎利，楊新宇，陳勇，向靜波，郭世偉.基于全局狀態(tài)估計的多傳感器加權(quán)數(shù)據(jù)融合算法[J].紅外技術(shù)，2014.36（5）：360-364

[4] 曹守啟，劉影.基于水產(chǎn)品?；钸\輸?shù)亩鄠鞲衅鲾?shù)據(jù)融合算法[J].山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2018.6：941-945

[5] 王浩，董振振，趙景波，唐勇偉，段杰.基于改進自適應(yīng)加權(quán)融合算法的土壤濕度監(jiān)測研究[J].中國農(nóng)機化學(xué)報，2019.40（1）：152-155

[6] 丁華.基于蟻群優(yōu)化的WSN網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].沈陽工業(yè)大學(xué)學(xué)報，2020.42（2）：208-212

[7] 謝苗苗，李華龍.基于多源數(shù)據(jù)融合的雞舍環(huán)境智能監(jiān)控技術(shù)研究[J].山東農(nóng)業(yè)工程學(xué)院學(xué)報，2018.35（7）：54-58

[8] 劉文龍，楊輝.動態(tài)數(shù)據(jù)融合算法改進仿真研究[J].計算機仿真，2020.37（4）：294-297

[9] 王秀玲，王海晶，金睿，陳冶燦.基于加權(quán)數(shù)據(jù)融合的傳感器定位測距算法[J].計算機仿真，2016.33（3）：250-253

[10] 靳紫輝，夏鈺紅.云計算下分布式大數(shù)據(jù)智能融合算法仿真[J].計算機仿真，2018.35（10）：295-298

[11] 張軍，楊子晨.多傳感器數(shù)據(jù)采集系統(tǒng)中的數(shù)據(jù)融合技術(shù)[J].傳感器與微系統(tǒng)，2014.33（3）：52-57

[12] Izadian， Roshanak， Manzuri， etal. Energy-saving technolo-gies of WSN[J].Advanced Materials Research，2013.605：566-569