多傳感器的BPNN和SVM多源異構(gòu)數(shù)據(jù)融合算法

摘"要：多傳感器的多源異構(gòu)數(shù)據(jù)融合處理時，大量的冗余數(shù)據(jù)及復(fù)雜的非線性可分空間導(dǎo)致能耗較大，為此，提出了BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的多源異構(gòu)數(shù)據(jù)融合算法。以數(shù)據(jù)關(guān)系構(gòu)建約束條件，利用BP神經(jīng)網(wǎng)絡(luò)算法建立數(shù)據(jù)清洗模型，判定節(jié)點變量的活躍程度，優(yōu)化數(shù)據(jù)輸入；建立數(shù)據(jù)集合，提取數(shù)據(jù)特征向量；利用支持向量機(jī)泛化能力強、凸優(yōu)化的特點，獲取特征的最優(yōu)分類超平面，獲得非線性可分多源數(shù)據(jù)集轉(zhuǎn)化為高維線性可分空間的最優(yōu)決策值，輸出結(jié)果。實驗結(jié)果表明，該算法融合多源異構(gòu)數(shù)據(jù)的能量消耗小、延遲低，融合效果好。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)；多源異構(gòu)數(shù)據(jù)；數(shù)據(jù)清洗；數(shù)據(jù)融合

中圖分類號：TP393""""""文獻(xiàn)標(biāo)識碼：A

Multi"Sensor"Heterogeneous"Data"Fusion"Algorithm"Based"on"BPNN"and"SVM

WANG"Xiaoqi，CHEN"Yingcong，"XIE"Minmin，"ZHANG"Jiahui，"CAI"Shang

（Meizhou"Power"Supply"Bureau"of"Guangdong"Power"Grid"Co.，"Ltd.，Meizhou，Guangdong"514021，China）

Abstract：In"the"process"of"multisensor"multisource"heterogeneous"data"fusion"processing，"a"large"number"of"redundant"data"and"complex"nonlinear"separable"space"lead"to"high"energy"consumption."Therefore，"a"multisource"heterogeneous"data"fusion"algorithm"based"on"BP"neural"network"and"support"vector"machine"is"proposed."Based"on"the"data"relationship，"the"constraint"conditions"were"established，"and"the"BP"neural"network"algorithm"was"used"to"establish"the"data"cleaning"model，"and"the"activity"degree"of"node"variables"was"determined"to"optimize"the"data"input."To"set"up"data"set"and"extract"data"feature"vector;"Based"on"the"support"vector"machine’s"strong"generalization"ability"and"convex"optimization，"the"optimal"classification"hyperplane"of"the"features"is"obtained，"and"the"optimal"decision"value"of"the"nonlinear"separable"multisource"data"set"is"obtained"into"the"highdimensional"linear"separable"space."Experimental"results"show"that"this"algorithm"has"low"energy"consumption，"low"delay"and"good"fusion"effect.

Key"words：BP"neural"network;"support"vector"machine;"multi"source"heterogeneous"data;"data"cleaning;"data"fusion

通常，一次性全部上傳多個傳感器的數(shù)據(jù)至云端，大量的多源異構(gòu)數(shù)據(jù)會降低處理效率。由此，需要將多源異構(gòu)數(shù)據(jù)轉(zhuǎn)換成分布式數(shù)據(jù)[1]上傳。但是，由于其數(shù)據(jù)屬性形式呈現(xiàn)多模態(tài)，存在噪聲構(gòu)成復(fù)雜的非線性可分空間，導(dǎo)致轉(zhuǎn)化過程復(fù)雜，因此需要對不同傳感器設(shè)備采集的多源異構(gòu)數(shù)據(jù)[2]實施融合處理。

文獻(xiàn)[3]提出基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建數(shù)據(jù)融合模型，將環(huán)境影響因子作為輸入變量，期望變化值作為輸出數(shù)據(jù)，進(jìn)行相關(guān)性計算，完成模型的求解。但該算法缺少對數(shù)據(jù)的清洗處理，導(dǎo)致數(shù)據(jù)融合效果差。文獻(xiàn)[4]提出利用數(shù)據(jù)之間的結(jié)構(gòu)稀疏性以及時間關(guān)聯(lián)性，建立正則化融合模型，利用梯度下降優(yōu)化算法求解。但該算法構(gòu)建模型過程中計算量較大，導(dǎo)致數(shù)據(jù)融合延遲高。文獻(xiàn)[5]提出根據(jù)數(shù)據(jù)定位結(jié)果，結(jié)合神經(jīng)網(wǎng)絡(luò)算法構(gòu)建數(shù)據(jù)融合模型，再使用遺傳算法優(yōu)化模型。但該算法在優(yōu)化模型時易陷入局部最優(yōu)，融合能量消耗大。

為此，本文提出BP神經(jīng)網(wǎng)絡(luò)（back"propagation"neural"network，BPNN）和支持向量機(jī)（support"vector"machine，SVM）的傳感器設(shè)備多源異構(gòu)數(shù)據(jù)融合算法。利用BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行清洗，初步排除噪聲干擾，消除冗余數(shù)據(jù)；利用SVM算法進(jìn)行數(shù)據(jù)融合運算，借助其泛化能力強且穩(wěn)定的優(yōu)勢，尋找并訓(xùn)練最優(yōu)分類面，避免陷入局部最優(yōu)等情況發(fā)生，確保分類的有效性，從而使構(gòu)建的多源異構(gòu)數(shù)據(jù)融合結(jié)果更為可靠。

1"基于BP的多源異構(gòu)數(shù)據(jù)清洗算法

利用機(jī)器學(xué)習(xí)算法中的BP神經(jīng)網(wǎng)絡(luò)構(gòu)建多源異構(gòu)數(shù)據(jù)清洗處理模型，去除多傳感器設(shè)備上傳數(shù)據(jù)的大量冗余數(shù)據(jù)。其機(jī)理是先通過設(shè)定多源異構(gòu)數(shù)據(jù)的相似性約束關(guān)系，實現(xiàn)數(shù)據(jù)內(nèi)部結(jié)構(gòu)的關(guān)聯(lián)性，不僅可以提高后期BP神經(jīng)網(wǎng)絡(luò)內(nèi)部數(shù)據(jù)清洗運行的速度，還能夠提升數(shù)據(jù)清洗工作效率。BP神經(jīng)網(wǎng)絡(luò)中最基本的分類器是分類回歸樹，主要就是在上述關(guān)聯(lián)性的約束下，通過對多源異構(gòu)數(shù)據(jù)結(jié)果進(jìn)行相互整合與分類，獲取更為精準(zhǔn)的多源異構(gòu)數(shù)據(jù)關(guān)系，排除無用數(shù)據(jù)關(guān)系，從而完成數(shù)據(jù)清洗。

1.1"獲取多源異構(gòu)數(shù)據(jù)的相似度關(guān)系約束

多個傳感器設(shè)備上傳的原始多源異構(gòu)數(shù)據(jù)以數(shù)據(jù)表的形式存在，設(shè)定數(shù)據(jù)表為b，數(shù)據(jù)總量為p，以此建立數(shù)據(jù)表集合B=b1，b2，…，bp，數(shù)據(jù)屬性集合為φ=e1，e2，…，eg，使用曼哈頓距離算法[6-7]獲取多源異構(gòu)數(shù)據(jù)之間的相似度，過程如下式所示：

lbiφ，bjφ=∑Sφ=1biφ－bjφ"（1）

式中，多源異構(gòu)數(shù)據(jù)i與數(shù)據(jù)j之間的相似度用lbik，bjk表示；樣本數(shù)據(jù)屬性用φ表示；數(shù)據(jù)i的屬性特征標(biāo)記biφ形式；數(shù)據(jù)j的屬性特征標(biāo)記bjφ形式；數(shù)據(jù)維度標(biāo)記S形式?；谏鲜鲇嬎憬Y(jié)果可知，數(shù)據(jù)之間距離越大，相似度就越小。

依據(jù)上述分析結(jié)果，設(shè)定數(shù)據(jù)之間的相關(guān)系數(shù)為ρbibj，制定數(shù)據(jù)的參數(shù)閾值λ，并將其作為數(shù)據(jù)清洗模型約束條件，過程如下式所示：

λ=λgt;ρbibj，"bi，bj不相關(guān)

λ≤ρbibj，"bi，bj相關(guān)（2）

基于上述構(gòu)建的約束條件，構(gòu)建數(shù)據(jù)清洗模型。

1.2"基于BPNN的數(shù)據(jù)清洗模型

基于上述建立的約束條件，利用BP神經(jīng)網(wǎng)絡(luò)[8-9]構(gòu)建數(shù)據(jù)清洗模型，將傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中模型的中間層實施限制處理。設(shè)定多源異構(gòu)數(shù)據(jù)清洗模型為T，模型中包含N層節(jié)點，具體模型結(jié)構(gòu)如圖1所示。

BPNN數(shù)據(jù)清洗模型[10]在反向傳播時，無監(jiān)督玻爾茲曼機(jī)（Restricted"Boltzmann"machine，RBM）作為模型的主要部件，是解決多源異構(gòu)數(shù)據(jù)冗余數(shù)據(jù)去除以及特征提取的關(guān)鍵。

在多源異構(gòu)數(shù)據(jù)的清洗模型中，每一層的RBM結(jié)構(gòu)中都存在可視層以及隱含層數(shù)據(jù)，設(shè)定輸入層數(shù)據(jù)節(jié)點有c=α1，α2，…，αc個，隱含層節(jié)點有d=β1，β2，…，βd個，以此構(gòu)建多源異構(gòu)數(shù)據(jù)的清洗模型的層級之間的節(jié)點權(quán)重矩陣，過程如下式所示：

ξ=ω11ω12…ω1d

ω21ω22…ω2d

ωc1ωc2…ωcd"（3）

式中，構(gòu)建的節(jié)點權(quán)重矩陣描述成ξ形式；矩陣向量標(biāo)記ωcd形式?；跇?gòu)建的節(jié)點權(quán)重矩陣結(jié)合RBM能量函數(shù)，獲取多源異構(gòu)數(shù)據(jù)的節(jié)點能量函數(shù)，過程如下式所示：

A（αi，βj）=∑ci=1αiδi－∑cj=1βjγj－∑ci，j=0αiβiωij（4）

式中，節(jié)點數(shù)據(jù)αi的偏置系數(shù)用δi表示；節(jié)點數(shù)據(jù)βj的偏置系數(shù)用γj表示；數(shù)據(jù)權(quán)重標(biāo)記ωij形式；常數(shù)用i、j表示；模型中輸入層數(shù)據(jù)的節(jié)點數(shù)量用c表示；獲取的數(shù)據(jù)節(jié)點能量函數(shù)描述成A（αi，βj）形式。

依據(jù)構(gòu)建的節(jié)點能量函數(shù)對模型輸入層節(jié)點以及隱含層節(jié)點的數(shù)據(jù)分布概率展開測試，測試結(jié)果如下式所示：

Q（αi，βj）=ε－A（αi，βj）∑ci，j=0ε－A（αi，βj）"（5）

式中，數(shù)據(jù)能量函數(shù)的歸一化系數(shù)描述成∑αi，j=0ε－A（αi，βj）形式；分布因子描述成ε形式；數(shù)據(jù)分布概率用Q（αi，βj）表示。

基于上述獲取的數(shù)據(jù)分布概率能夠有效獲取模型節(jié)點變量的活躍程度，優(yōu)化清洗模型。一般來說，將多源異構(gòu)數(shù)據(jù)樣本輸入清洗模型中，模型中間層數(shù)據(jù)節(jié)點之間狀態(tài)相互獨立，假定隱含層節(jié)點βj為1時，獲取數(shù)據(jù)分布概率的約束條件，過程如下式所示：

Q（βj=1|αi，ωij）=η（φj+∑ci，j=1αi·ωij）（6）

式中，建立的約束條件用Q（βj=1|αi，ωij）表示；二值型Sigmoid函數(shù)標(biāo)記η形式；數(shù)據(jù)狀態(tài)系數(shù)表述成φj形式?；谏鲜鲇嬎憬Y(jié)果可知，當(dāng)Sigmoid函數(shù)[11]自變量取值區(qū)間在0，1時，數(shù)據(jù)的概率分布函數(shù)會呈現(xiàn)單一的連續(xù)變化狀態(tài)。

利用上述計算流程激活神經(jīng)網(wǎng)絡(luò)模型隱含層節(jié)點后，輸入βj對模型實施反向傳播，實現(xiàn)模型的訓(xùn)練。根據(jù)訓(xùn)練結(jié)果中抓取的節(jié)點能量異常和分布離散的數(shù)據(jù)，進(jìn)行去除處理，完成多源異構(gòu)數(shù)據(jù)的清洗[12]。

2"SVM的多源異構(gòu)數(shù)據(jù)融合算法

基于上述數(shù)據(jù)清洗結(jié)果，對多傳感器設(shè)備的多源異構(gòu)數(shù)據(jù)特征展開提取處理。SVM是一種以統(tǒng)計為基礎(chǔ)的二分類方法。該方法的基本思路是：在訓(xùn)練集合內(nèi)，通過訓(xùn)練求出一個最小的邊界函數(shù)，從而使每個數(shù)據(jù)之間的最短距離達(dá)到最大。其具有結(jié)構(gòu)風(fēng)險最小化原理，具有很好的泛化能力，并且是一個凸優(yōu)化問題，只要確定局部最優(yōu)解就一定是全局最優(yōu)解，避免了陷入局部最優(yōu)的問題。使用SVM算法獲取特征的最優(yōu)分類超平面，構(gòu)建數(shù)據(jù)融合模型，最后通過建立的數(shù)據(jù)融合模型，實現(xiàn)多源異構(gòu)數(shù)據(jù)的融合。

2.1"提取多源異構(gòu)數(shù)據(jù)特征

基于上述數(shù)據(jù)清洗結(jié)果，更新多源異構(gòu)數(shù)據(jù)集合為Yij（t），樣本數(shù)據(jù)量為M個，數(shù)據(jù)狀態(tài)為t，使用均值標(biāo)準(zhǔn)化方法對數(shù)據(jù)實施標(biāo)準(zhǔn)化處理，結(jié)果如下式所示：

Yij（t）=Yij（t）j"（7）

式中，數(shù)據(jù)的標(biāo)準(zhǔn)化結(jié)果標(biāo)記Yij（t）形式；數(shù)據(jù)均值標(biāo)記j形式；常數(shù)標(biāo)記i、j形式。基于上述數(shù)據(jù)得到標(biāo)準(zhǔn)化處理結(jié)果，提取多源異構(gòu)數(shù)據(jù)i在第j個屬性時的特征向量，計算結(jié)果如下式所示：

φ（Yij）=∑Tt=1Yij（t）/T"（8）

式中，多源異構(gòu)數(shù)據(jù)的特征向量用φ（Yij）表示；數(shù)據(jù)屬性記錄時期用T表述。

2.2"多源異構(gòu)數(shù)據(jù)融合算法

利用SVM算法[13]通過核函數(shù)加快收斂速度，控制空間的維數(shù)，將數(shù)據(jù)特征非線性向量空間映射到線性可分空間中，獲取最優(yōu)的分類超平面，構(gòu)建多源異構(gòu)數(shù)據(jù)的數(shù)據(jù)融合模型。

設(shè)定獲取的數(shù)據(jù)特征向量為輸入向量yi，核函數(shù)為K（·），特征向量集為y，輸出向量為ui，以此獲取數(shù)據(jù)的最優(yōu)超平面，過程如下式所示：

u=sgn"∑mi=τiuiK（yi，y）+（9）

式中，獲取得到最優(yōu)超平面用u表示；加權(quán)系數(shù)用τi表示；偏置項用表示；特征向量數(shù)量用m表示；常數(shù)標(biāo)記i形式。

基于獲取的最優(yōu)超分類面，將多源異構(gòu)數(shù)據(jù)劃分成h組數(shù)據(jù)，且不同組別的數(shù)據(jù)來自不同的傳感器。設(shè)定數(shù)據(jù)的實際值為u，訓(xùn)練輸出為U，泛化參數(shù)為χ，以此建立SVM的多源異構(gòu)數(shù)據(jù)的融合模型[14-15]，如下式所示：

J=min"12∑gi，j=1（li－li）（lj－lj）K（yi，y）""+χ∑gi=1（li－li）∑gj=1ui（li－li）s.t.（li－li）=0（10）

式中，構(gòu)建的數(shù)據(jù)融合模型用J表示；數(shù)據(jù)i、j的最優(yōu)解標(biāo)記li、lj形式；最優(yōu)解均值標(biāo)記li、lj形式；約束條件標(biāo)記s.t.（li－li）形式；傳感器數(shù)量用g表示。

基于確定的數(shù)據(jù)最優(yōu)解，建立數(shù)據(jù)的決策函數(shù)，完成模型求解，實現(xiàn)數(shù)據(jù)的融合，過程如下式所示：

f（x）=∑gi=1（g－lg）K（yi，y）+"（11）

式中，構(gòu)建的決策函數(shù)用f（x）表示；傳感器g的數(shù)據(jù)均值集合標(biāo)記g形式；數(shù)據(jù)最優(yōu)解標(biāo)記lg形式。多源異構(gòu)數(shù)據(jù)融合流程如圖2所示。

最后基于上述數(shù)據(jù)融合流程，將完成訓(xùn)練處理的數(shù)據(jù)錄入數(shù)據(jù)融合模型，根據(jù)核函數(shù)、損失函數(shù)和泛化參數(shù)，對所構(gòu)建數(shù)據(jù)融合模型進(jìn)行驗證，輸出融合結(jié)果。在進(jìn)行多源數(shù)據(jù)融合時，需要同時將相關(guān)數(shù)據(jù)庫的數(shù)據(jù)進(jìn)行封裝存儲和查詢，以便隨時進(jìn)行業(yè)務(wù)處理、檢索查詢和在線優(yōu)化等操作。對完成上述處理的多源異構(gòu)數(shù)據(jù)，按照數(shù)據(jù)的特征進(jìn)行歸類，通過此種方式，即可實現(xiàn)對多源數(shù)據(jù)特征的數(shù)據(jù)清洗處理，可以減少重復(fù)記錄多源異構(gòu)數(shù)據(jù)，快速處理空缺記錄，有效提高數(shù)據(jù)的質(zhì)量，完成高效的數(shù)據(jù)清洗，實現(xiàn)多源異構(gòu)數(shù)據(jù)的融合。

3"實驗

3.1"實驗準(zhǔn)備

為了解決大量的冗余數(shù)據(jù)及復(fù)雜的非線性可分空間導(dǎo)致能耗較大的問題，驗證多傳感器的BPNN和SVM多源異構(gòu)數(shù)據(jù)融合算法的整體有效性，需要對此方法進(jìn)行測試。以某變電站室內(nèi)傳感器采集的數(shù)據(jù)為測試樣本，包括濕度傳感器、氣體傳感器、溫度傳感器，將2022年1月1日至4月30日的數(shù)據(jù)作為訓(xùn)練集，將2022年5月1日至5月31日的數(shù)據(jù)作為測試集。不同的參數(shù)組合影響著多源異構(gòu)數(shù)據(jù)融合算法的測試效果，同時也是BP神經(jīng)網(wǎng)絡(luò)算法和SVM算法研究的難點。主要通過仿真實驗，在Matlab平臺上構(gòu)建BP神經(jīng)網(wǎng)絡(luò)算法和SVM算法，依據(jù)每個參數(shù)對BP神經(jīng)網(wǎng)絡(luò)算法和SVM算法的最優(yōu)路徑的影響，確定每個參數(shù)較為合理的取值范圍，因此設(shè)置BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差為0.05，最大迭代次數(shù)為40000，訓(xùn)練次數(shù)為5000，權(quán)重衰減次數(shù)為0.001，步長為0.02。設(shè)置SVM算法的處罰因子為1，高斯核函數(shù)寬度參數(shù)為0.5，距離中值為5，加權(quán)系數(shù)為2。

在仿真平臺上，輸入濕度傳感器、氣體傳感器、溫度傳感器采集的數(shù)據(jù)，將眾多輸入數(shù)據(jù)參數(shù)類別及其可能取到的值放在一起進(jìn)行融合，當(dāng)所有可能的組合被檢索一遍后，得到最優(yōu)參數(shù)組合即為最佳值，由此進(jìn)行參數(shù)調(diào)優(yōu)。由于數(shù)據(jù)之間呈現(xiàn)多源異構(gòu)特性，數(shù)據(jù)分布如圖3所示。

分析圖3可知，通過仿真平臺采集濕度傳感器、氣體傳感器、溫度傳感器三組多源異構(gòu)原始數(shù)據(jù)，得到的原始數(shù)據(jù)是不規(guī)律分布的。根據(jù)傳感器多源異構(gòu)數(shù)據(jù)分布情況，對該數(shù)據(jù)進(jìn)行BPNN清洗處理，結(jié)果如圖4所示。

清洗處理過程中，判斷數(shù)據(jù)的來源與渠道，在此過程中若多源異構(gòu)數(shù)據(jù)存在丟失或異常情況，則需要清洗去除異常情況。完成處理后，將數(shù)據(jù)錄入計算機(jī)，使用本文設(shè)計算法提取多源異構(gòu)數(shù)據(jù)集合中的特征信息。在此基礎(chǔ)上，選擇不同的鏈路得到數(shù)據(jù)在終端的融合處理結(jié)果。通過圖4可以看出，本文的清洗算法可以很好地排除數(shù)據(jù)干擾，數(shù)據(jù)優(yōu)化效果明顯。

3.2"實驗結(jié)果及分析

采用所提算法對上述傳感器多源異構(gòu)數(shù)據(jù)進(jìn)行融合處理，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)清洗后，利用SVM算法獲得最優(yōu)融合結(jié)果，設(shè)定錯誤項的懲罰系數(shù)為3。實驗中，核函數(shù)分別采用了‘RBF’：徑像核函數(shù)/高斯核、線性核函數(shù)、多項式核函數(shù)，得到了不同的分類結(jié)果。多項式核函數(shù)的階數(shù)3，只對多項式核函數(shù)有用，默認(rèn)值為3。多源異構(gòu)傳感數(shù)據(jù)分類結(jié)果如圖5所示。

根據(jù)所得清洗后的傳感數(shù)據(jù)結(jié)果，在終端調(diào)用后臺sklearn庫數(shù)據(jù)，實時統(tǒng)計并記錄數(shù)據(jù)融合情況，分析不同算法下能量消耗、融合延遲、包交換率以及融合誤差測試結(jié)果。

在數(shù)據(jù)融合過程中，數(shù)據(jù)融合算法的融合性能是檢測算法優(yōu)劣的關(guān)鍵，為體現(xiàn)性能的優(yōu)越性，選取數(shù)據(jù)融合過程中的能量消耗、融合延時、包交換率測試及融合誤差四個方面進(jìn)行測試，將所提算法基于BP神經(jīng)網(wǎng)絡(luò)的滑坡監(jiān)測多源異構(gòu)數(shù)據(jù)融合算法（文獻(xiàn)[3]算法）、基于時間光滑正則化的序列診療數(shù)據(jù)融合算法（文獻(xiàn)[4]算法）進(jìn)行對比，因文獻(xiàn)[5]算法和文獻(xiàn)[3]算法具有相同的融合算法和實驗條件，在一定程度上具有相似的驗證效果，所以此處省略與文獻(xiàn)[5]的對比。

（1）能量消耗測試。

應(yīng)用了數(shù)據(jù)融合算法后，節(jié)點傳播的生命長度將大大延長，隨著傳播節(jié)點數(shù)量的增多，在多個節(jié)點上傳播數(shù)據(jù)會消耗大量的電量，融合數(shù)據(jù)后，節(jié)點的能耗將大幅度降低。采用所提算法、文獻(xiàn)[3]算法以及文獻(xiàn)[4]算法開展數(shù)據(jù)融合時，對上述3種算法在數(shù)據(jù)融合時產(chǎn)生的能量消耗展開測試，測試結(jié)果如圖6所示。

分析圖6實驗數(shù)據(jù)可知，隨著數(shù)據(jù)融合時間的不斷增加，3種數(shù)據(jù)融合算法檢測出的融合能量消耗均出現(xiàn)了不同程度的上升。但是，所提算法檢測出的數(shù)據(jù)融合能量消耗是3種算法中最低的，當(dāng)節(jié)點總數(shù)為600時，達(dá)到了最高，為6.4"J。

（2）融合延遲測試。

數(shù)據(jù)在融合過程中會產(chǎn)生延遲現(xiàn)象，延遲時間越長，說明數(shù)據(jù)融合算法的融合性能越差，反之則越好。采用所提算法、文獻(xiàn)[3]算法以及文獻(xiàn)[4]算法開展數(shù)據(jù)融合時，測試上述3種算法在數(shù)據(jù)融合時產(chǎn)生的延遲，結(jié)果如圖7所示。

分析圖7可知，隨著待融合數(shù)據(jù)量的增加，3種算法檢測出的數(shù)據(jù)融合延遲都出現(xiàn)了不同程度的上升。其中，所提算法在數(shù)據(jù)融合時，產(chǎn)生的融合延遲低于文獻(xiàn)[3]算法以及文獻(xiàn)[4]算法的測試結(jié)果，當(dāng)待融合數(shù)據(jù)量為3000個時，延遲時間達(dá)到最高，為0.1"s。

（3）包交換率測試。

基于上述測試結(jié)果，選取包交換率作為數(shù)據(jù)融合效果檢測指標(biāo)，數(shù)據(jù)融合過程中，檢測出的數(shù)據(jù)包交換率越高，說明數(shù)據(jù)的融合效果越好，反之則越差。測試數(shù)據(jù)在所提算法、文獻(xiàn)[3]算法以及文獻(xiàn)[4]算法下開展數(shù)據(jù)融合時的融合效果，結(jié)果如圖8所示。

分析圖8實驗數(shù)據(jù)可知，隨著待融合數(shù)據(jù)的增加，3種數(shù)據(jù)融合算法檢測出的包交換率都呈現(xiàn)不同程度的下降。但是，所提算法在數(shù)據(jù)融合時檢測出的包交換率是3種算法中最高的，最低為96%。

（4）融合誤差測試。

以多傳感器采集的實驗數(shù)據(jù)來源為根據(jù)，設(shè)定傳感器數(shù)據(jù)分析的需求協(xié)方差值，對比不同算法的追蹤需求誤差，結(jié)果如圖9所示。

分析圖9實驗數(shù)據(jù)可知，不同算法均可以滿足設(shè)定的需求協(xié)方差值，但是文獻(xiàn)[3]的數(shù)據(jù)融合算法追蹤融合需求誤差能力較低，浪費了數(shù)據(jù)融合處理的精度，文獻(xiàn)[4]的數(shù)據(jù)融合誤差一直處于較為穩(wěn)定的狀態(tài)，沒有根據(jù)需求的精度進(jìn)行自適應(yīng)調(diào)整，可見在傳感器數(shù)據(jù)處理中應(yīng)用效果較差，而所提算法可以持續(xù)地保持追蹤需求協(xié)方差值，具有較好的融合精度。

綜上所述，所提算法在數(shù)據(jù)融合時，能量消耗低、融合延遲低、包交換率高，且可保持較好的融合精度，說明所提算法在數(shù)據(jù)融合時的融合性能好。這主要是因為所提算法在數(shù)據(jù)融合前，使用BP神經(jīng)網(wǎng)絡(luò)算法對數(shù)據(jù)實施了清洗處理，去除了冗余數(shù)據(jù)的干擾，增強了數(shù)據(jù)融合的效果，提升了包交換率。并在此基礎(chǔ)上，利用SVM算法獲得了最優(yōu)超分類面，避免陷入局部最優(yōu)，大大減少了循環(huán)運算量，所以所提算法在數(shù)據(jù)融合時產(chǎn)生的能量消耗及融合延遲均低于其他兩種數(shù)據(jù)融合方法。

4"結(jié)"論

隨著云端計算技術(shù)使用范圍的增加，多源異構(gòu)數(shù)據(jù)融合算法就變得尤為重要。針對傳統(tǒng)數(shù)據(jù)融合算法中存在的問題，提出應(yīng)用BPNN和SVM的多傳感器設(shè)備的多源異構(gòu)數(shù)據(jù)融合算法。該算法以BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)清洗，構(gòu)建多源異構(gòu)數(shù)據(jù)集合，提取數(shù)據(jù)特征；結(jié)合SVM算法構(gòu)建數(shù)據(jù)融合模型，通過模型輸出完成數(shù)據(jù)的融合。通過上述研究，得到如下結(jié)論。

（1）本文算法檢測出的數(shù)據(jù)在節(jié)點總數(shù)為600時達(dá)到最高，融合能量消耗為6.4"J。

（2）本文算法在數(shù)據(jù)融合時，產(chǎn)生的融合延遲低于其他算法的測試結(jié)果，當(dāng)待融合數(shù)據(jù)量為3000個時，延遲達(dá)到最高，為0.1"s。

（3）本文算法在數(shù)據(jù)融合時檢測出的包交換率較高，均為95%以上。

（4）本文算法可以持續(xù)地保持追蹤需求協(xié)方差值，具有較好的融合精度。

但是該算法在提取數(shù)據(jù)特征時，還存在一定問題，今后會針對該項缺陷繼續(xù)優(yōu)化該數(shù)據(jù)融合算法，具體內(nèi)容如下。

（1）在進(jìn)行數(shù)據(jù)特征提取時，未考慮由原始輸入形成的新特征，忽略了提取過程中的復(fù)雜性，導(dǎo)致提取速度較慢，所以在下一步的工作中需要重點研究此問題；

（2）多源異構(gòu)數(shù)據(jù)網(wǎng)絡(luò)由一個節(jié)點代表一個實體，該物體的有向邊代表實體間的關(guān)聯(lián)。在此基礎(chǔ)上，今后的研究工作可以強化實體間的關(guān)聯(lián)，提取數(shù)據(jù)特征，同時快速處理空缺記錄，提高多源異構(gòu)數(shù)據(jù)融合速度。

參考文獻(xiàn)

［１］"張新宇.基于分布式云的醫(yī)療數(shù)據(jù)共享系統(tǒng)[J].信息技術(shù)，2021（8）：59-63+69.

［2］"侯慧，于士文，肖祥，等.基于空間多源異構(gòu)數(shù)據(jù)的臺風(fēng)下輸電桿塔風(fēng)險評估[J].電力系統(tǒng)自動化，2020，44（10）：127-134.

［3］"王智偉，王利，黃觀文，等.基于BP神經(jīng)網(wǎng)絡(luò)的滑坡監(jiān)測多源異構(gòu)數(shù)據(jù)融合算法研究[J].地質(zhì)力學(xué)學(xué)報，2020，26（4）：575-582.

［4］"鄭毅，胡祥培.基于時間光滑正則化的序列診療數(shù)據(jù)融合方法[J].管理科學(xué)，2021，34（4）：61-70.

［5］"劉宇，惠鴻飛，路永樂，等.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的多源信息融合室內(nèi)定位方法[J].中國慣性技術(shù)學(xué)報，2020，28（1）：67-73.

［6］"竇家維，葛雪，王穎囡.保護(hù)隱私的曼哈頓距離計算及其推廣應(yīng)用[J].計算機(jī)學(xué)報，2020，43（2）：352-365.

［7］"李浩君，張鵬威，郭海東.基于種群曼哈頓距離的自適應(yīng)多目標(biāo)粒子群優(yōu)化算法[J].計算機(jī)集成制造系統(tǒng)，2020，26（4）：1019-1032.

［8］"郭杰，蘇路，朱海浪，等.基于IBASBP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測[J].信息技術(shù)，2021（10）：38-43."

［9］"韓正新，喬耀華，呂守國，等.基于HC顯著算法與BP神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺系統(tǒng)[J].信息技術(shù)，2020，44（3）：54-58."

［10］姜山，丁治明，朱美玲，等.面向時空圖建模的圖小波卷積神經(jīng)網(wǎng)絡(luò)模型[J].軟件學(xué)報，2021，32（3）：726-741.

［11］VERDOOLAEGE"G，"KAYE"S"M，"ANGIONI"C，"et"al."The"updated"ITPA"global"Hmode"confinement"database："description"and"analysis[J]."Nuclear"Fusion，"2021，"61（7）：76-105.

［12］時珉，尹瑞，胡傲宇，等.基于滑動標(biāo)準(zhǔn)差計算的光伏陣列異常數(shù)據(jù)清洗辦法[J].電力系統(tǒng)保護(hù)與控制，2020，48（6）：108-114."

［13］楊濱峰，趙杰.一種新的物聯(lián)網(wǎng)傳感器數(shù)據(jù)融合方法[J].信息技術(shù)，2022（5）：13-17+24.

［14］HASHIM"H"A，"ELTOUKHY"A."Landmark"and"IMU"data"fusion：systematic"convergence"geometric"nonlinear"observer"for"SLAM"and"velocity"bias[J]."IEEE"Transactions"on"Intelligent"Transportation"Systems，"2021，"31（3）：1-10.

［15］GHAZIPOUR"F，"MAHJOURI"N."A"multimodel"data"fusion"methodology"for"seasonal"drought"forecasting"under"uncertainty："application"of"Bayesian"maximum"entropy[J]."Journal"of"Environmental"Management，"2022，"304（15）：114-120.