CN104467738B - 农业系统传感器组专用复合滤波型校正方法 - Google Patents
农业系统传感器组专用复合滤波型校正方法 Download PDFInfo
- Publication number
- CN104467738B CN104467738B CN201410614338.6A CN201410614338A CN104467738B CN 104467738 B CN104467738 B CN 104467738B CN 201410614338 A CN201410614338 A CN 201410614338A CN 104467738 B CN104467738 B CN 104467738B
- Authority
- CN
- China
- Prior art keywords
- sensor
- measurement
- value
- sensor group
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及农业系统传感器组专用复合滤波型校正方法,包括:设传感器组及测量值参数向量;构建传感器下行关联度函数F,并运算得出可关联矩阵P;设虚拟传感器消除病态节点;对参数向量进行迭代处理,并作归一化处理;从所得目标向量获取各传感器权重系数,并对权重系数最大的若干个传感器进行测量数据融合处理,获得传感器组的最终测量值和测量方差。本发明方法能获得可靠的测量数据,且具有较高的精确度。
Description
技术领域
本发明涉及一种农业系统传感器组专用复合滤波型校正方法,属于农业模型技术领域。
背景技术
据申请人所知,在当前的农业系统中,无线传感器网络是由大量传感器节点组成的。有的传感器采取一种称为“后校准”的方法,通过比较来自某一个传感器的原始值和从第二个传感器获取的传感器值,周期性的校准之前获得的传感器值,根据第一、第二校准与原始传感器值的获取时间的接近度,通过加权平均值将第一、第二校准应用于传感器值。
在现有的农业系统中,由于来自于传感器网络的数据通常在时间和空间上存在着相互的联系,这是由于散布传感器节点时,同一个区域的节点间有时距离较近,相同类别的传感器节点上测量的信息会引起数据冗余现象。
由于多个传感器节点同时工作,存在个别传感器节点失效、受到干扰或失去对目标覆盖的情况,这时就需要采取正确的校正方法,得到足够的目标信息,从而使系统的可靠性增强,信息置信度提高。
同时,因受传感器自身因素和环境的影响,多传感器对某一参数测量时,可能会有不同的测量结果,在对测量数据进行处理时,确定各传感器之间的相关性并采用正确的校正方法是至关重要的。而对于有限次测量,常规方法采用算术平均值法表示测量结果,此法虽然能够在一定程度上改善测量结果,但不是最好的表示方法。应用最小二乘法原理的校正方法虽然可消除常规方法带来的测量不确定性,获得更可靠的实测结果,但是一般的最小二乘算法估计精度不高,亟需研制出能提高估计精度的校正方法。
发明内容
本发明所要解决的技术问题是:针对现有技术存在的问题,提供一种农业系统传感器组专用复合滤波型校正方法,能获得可靠的测量数据,且具有较高的精确度。
本发明解决其技术问题的技术方案如下:
一种农业系统传感器组专用复合滤波型校正方法,其特征是,包括以下步骤:
第一步、传感器组为e=[e1,e2,...,en],其中e1,e2,...,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n×1=(w(e1),w(e2),...,w(en))T,且w(e1),w(e2),...,w(en)中至少一个不为零;设置校正阈值ζ;转第二步;
第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由所述传感器下行关联度函数F按行归一化运算得出可关联矩阵P;转至第三步;
第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0);将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步;
第四步、令参数向量令修正后转换矩阵P′(n+1)×(n+1)=((P cn*1)(r1*n 0))T;令之后按公式进行迭代,k为迭代次数,为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量
设w(P)(e)(n+1)×1=(w(P)(e0),w(P)(e1),...,w(P)(en))T为归一化参数向量,其中所述w(P)(e)(n+1)×1即为目标向量;转至第五步;
第五步、以目标向量w(P)(e)(n+1)×1中w(P)(e1),w(P)(e2),...,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以所述m个传感器的测量值为校正初始数据;转至第六步;
第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。
本发明进一步完善的技术方案如下:
优选的,还包括位于第一步之前的前置步:根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。
优选地,第二步的具体过程为:传感器下行关联度函数F=(rij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若存在传感器ei指向传感器ej的关联,则令rij=|ei→ej|,即ei指向ej的关联的数量,否则令rij=0;令令可关联矩阵P=(tij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若Fi>0,则令tij=rij/Fi,否则令tij=0;转至第三步。
优选地,第三步中,虚拟传感器的测量值w(e)0等于w(e1),w(e2),...,w(en)之一,或者等于w(e1),w(e2),...,w(en)的平均值。
优选地,第五步中,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数。
优选的,第六步中,所述预定的加权最小二乘法包括:
Ⅰ、构建所述m个传感器的测量方程Y=Hx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y=(y1,......,ym)T,x为测量估计参数;H为m维常向量、且H=[[1,1,1,......,1]T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f=(f1,......,fm)T;转至Ⅱ;
Ⅱ、采用加权最小二乘的估计准则J=(Y-Hx)TΛ(Y-Hx) 式一
其中,Λ为加权因子、且为正定对角加权阵,Λ=diag(Λ1 Λ2 … Λm);将J取极小值,对J求x偏导,使转至Ⅲ;
Ⅲ、以所述m个传感器的测量噪声为相互独立的白噪声,则对于所述m个传感器中的第i个传感器而言,E[fi]=0,E[fi 2]=E[(x-yi)2]=σi 2,E[]为方差,σi 2为第i个传感器的测量方差;转至Ⅳ;
Ⅳ、以为x的状态估计量,
采用
其中,Λi为与第i个传感器相应的加权因子;
将式二取极小值,对式二求Λi偏导数,得转至Ⅴ;
Ⅴ、采用由式一得出的
采用由式二得出的
按式三所得数值即为所述传感器组的最终测量值;按式四所得数值即为所述传感器组的测量方差。
与现有技术相比,本发明的有益效果如下:
本发明通过构建多个传感器之间的参数关联矩阵,计算出各传感器之间的权重分配,利用该权重分配并与加权最小二乘法相结合,构成复合滤波型校正方法,该方法可以大幅减少数据存储量,同时也避免由于个别传感器发生故障导致采集数据不准确,从而提高测量精度;此外,由于该加权最小二乘法所得融合数据和方差的实时性好,所以能更加准确地描述传感器参数,使环境参数的测量结果更为精确,确保作物稳定生长。
附图说明
图1为本发明实施例方法的主体流程图。
图2为本发明试验案例中各传感器的相互关联关系。
图3为本发明试验案例中加入虚拟传感器后的传感器相互关联关系。
具体实施方式
下面参照附图并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。
实施例
如图1所示,一种农业系统传感器组专用复合滤波型校正方法,包括以下步骤:
前置步、根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。
第一步、传感器组为e=[e1,e2,...,en],其中e1,e2,...,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n×1=(w(e1),w(e2),...,w(en))T,且w(e1),w(e2),...,w(en)中至少一个不为零;设置校正阈值ζ;转第二步。
第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由传感器下行关联度函数F按行归一化运算得出可关联矩阵P;
具体过程为:传感器下行关联度函数F=(rij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若存在传感器ei指向传感器ej的关联,则令rij=|ei→ej|,即ei指向ej的关联的数量,否则令rij=0;令令可关联矩阵P=(tij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若Fi>0,则令tij=rij/Fi,否则令tij=0;
转至第三步。
第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0),w(e)0等于w(e1),w(e2),...,w(en)之一,或者等于w(e1),w(e2),...,w(en)的平均值;将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步。
第四步、令参数向量令修正后转换矩阵P′(n+1)×(n+1)=((P cn*1)(r1*n 0))T;令之后按公式进行迭代,k为迭代次数,为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量
设w(P)(e)(n+1)×1=(w(P)(e0),w(P)(e1),...,w(P)(en))T为归一化参数向量,其中w(P)(e)(n+1)×1即为目标向量;转至第五步。
第五步、以目标向量w(P)(e)(n+1)×1中w(P)(e1),w(P)(e2),...,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以m个传感器的测量值为校正初始数据,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数;转至第六步。
第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。
具体而言,第六步中,预定的加权最小二乘法包括:
Ⅰ、构建m个传感器的测量方程Y=Hx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y=(y1,......,ym)T;,x为测量估计参数;H为m维常向量、且H=[1,1,1,......,1]T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f=(f1,......,fm)T;转至Ⅱ;
Ⅱ、采用加权最小二乘的估计准则J=(Y-Hx)TΛ(Y-Hx) 式一
其中,Λ为加权因子、且为正定对角加权阵,Λ=diag(Λ1 Λ2 … Λm);将J取极小值,对J求x偏导,使转至Ⅲ;
Ⅲ、以m个传感器的测量噪声为相互独立的白噪声,则对于m个传感器中的第i个传感器而言,E[fi]=0,E[fi 2]=E[(x-yi)2]=σi 2,E[]为方差,σi 2为第i个传感器的测量方差;转至Ⅳ;
Ⅳ、以为x的状态估计量,
采用
其中,Λi为与第i个传感器相应的加权因子;
将式二取极小值,对式二求Λi偏导数,得转至Ⅴ;
Ⅴ、采用由式一得出的
采用由式二得出的
按式三所得数值即为传感器组的最终测量值;按式四所得数值即为传感器组的测量方差。
试验案例:
涉及的传感器组由6个溶解氧传感器组成,需要利用这6个传感器的信息得到真实的溶解氧信息。具体步骤如下:
(1)前置步、经判断,这6个传感器测量值均在预设数值范围内,无需剔除;转至第一步。
(2)第一步、传感器组为e=[e1,e2,...,e6],参数向量w(e)6×1=(1,1,...,1)T,ζ=0.001;转至第二步。
(3)第二步、按图2所示关系,传感器下行关联度函数F为:
据此按行归一化运算得出可关联矩阵P为:
转至第三步。
(4)第三步、设置虚拟传感器S后的关联关系如图3所示,虚拟传感器S的测量值w(e0)=1;转至第四步;
(5)第四步、修正后转换矩阵为:
令迭代起始向量然后按公式对参数向量进行迭代:
第214次迭代所得参数向量为 且未满足迭代条件,继续迭代处理。
第215次迭代,迭代后参数向量为 此时迭代结束。
设w(P)(e)7×1=(w(P)(e0),w(P)(e1),...,w(P)(e6))T为归一化参数向量,其中经计算可得,w(P)(e)7×1=[0.2105,0.1053,0.1053,0.0526,0.1053,0.2105,0.2104]。转至第五步。
(6)第五步、由于目标向量w(P)(e)7×1中w(P)(e0)对应的是虚拟传感器S,不应作为校正对象,因此直接剔除该项。然后,以目标向量w(P)(e)7×1中w(P)(e1),w(P)(e2),...,w(P)(e6)的数值为权重系数,利用二八原则取其中最重要的20%,即0.2×6=1.2,然后向上取整运算所得整数为2,即取2个权重系数最大的传感器,也即取第5个和第6个传感器的测量值为校正初始数据;转至第六步。
(7)第六步、以预定的加权最小二乘法对校正初始数据进行处理,得:传感器组的最终测量值为1.0050,测量方差为0.07。
与此同时,本试验案例若采用常规算术平均估计方法,所得传感器测量值为0.9333(实际传感器参数设置为1),由此可以看出本实施例方法的实施效果确实优于现有常规方法。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (6)
1.一种农业系统传感器组专用复合滤波型校正方法,其特征是,包括以下步骤:
第一步、传感器组为e=[e1,e2,...,en],其中e1,e2,...,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n×1=(w(e1),w(e2),...,w(en))T,且w(e1),w(e2),...,w(en)中至少一个不为零;设置校正阈值ζ;转第二步;
第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由所述传感器下行关联度函数F按行归一化运算得出可关联矩阵P;转至第三步;
第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0);将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步;
第四步、令参数向量令修正后转换矩阵P′(n+1)×(n+1)=((Pcn*1) (r1*n 0))T;令之后按公式进行迭代,k为迭代次数,为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量
设w(P)(e)(n+1)×1=(w(P)(e0),w(P)(e1),...,w(P)(en))T为归一化参数向量,其中i∈{0,1,2,...,n},j∈{0,1,2,...,n};所述w(P)(e)(n+1)×1即为目标向量;转至第五步;
第五步、以目标向量w(P)(e)(n+1)×1中w(P)(e1),w(P)(e2),...,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以所述m个传感器的测量值为校正初始数据;转至第六步;
第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。
2.根据权利要求1所述农业系统传感器组专用复合滤波型校正方法,其特征是,还包括位于第一步之前的前置步:根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。
3.根据权利要求1所述农业系统传感器组专用复合滤波型校正方法,其特征是,第二步的具体过程为:传感器下行关联度函数F=(rij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若存在传感器ei指向传感器ej的关联,则令rij=|ei→ej|,即ei指向ej的关联的数量,否则令rij=0;令令可关联矩阵P=(tij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若Fi>0,则令tij=rij/Fi,否则令tij=0;转至第三步。
4.根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第三步中,虚拟传感器的测量值w(e)0等于w(e1),w(e2),...,w(en)之一,或者等于w(e1),w(e2),...,w(en)的平均值。
5.根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第五步中,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数。
6.根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第六步中,所述预定的加权最小二乘法包括:
Ⅰ、构建所述m个传感器的测量方程Y=Hx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y=(y1,......,ym)T,x为测量估计参数;H为m维常向量、且H=[1,1,1,......,1]T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f=(f1,......,fm)T;转至Ⅱ;
Ⅱ、采用加权最小二乘的估计准则J=(Y-Hx)TΛ(Y-Hx) 式一
其中,Λ为加权因子、且为正定对角加权阵,Λ=diag(Λ1 Λ2 … Λm);将J取极小值,对J求x偏导,使转至Ⅲ;
Ⅲ、以所述m个传感器的测量噪声为相互独立的白噪声,则对于所述m个传感器中的第i个传感器而言,E[fi]=0,E[fi 2]=E[(x-yi)2]=σi 2,E[]为方差,σi 2为第i个传感器的测量方差;转至Ⅳ;
Ⅳ、以为x的状态估计量,
采用
其中,Λi为与第i个传感器相应的加权因子;
将式二取极小值,对式二求Λi偏导数,得i=1,2,…,m;转至Ⅴ;
Ⅴ、采用由式一得出的
采用由式二得出的
按式三所得数值即为所述传感器组的最终测量值;按式四所得数值即为所述传感器组的测量方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410614338.6A CN104467738B (zh) | 2014-11-04 | 2014-11-04 | 农业系统传感器组专用复合滤波型校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410614338.6A CN104467738B (zh) | 2014-11-04 | 2014-11-04 | 农业系统传感器组专用复合滤波型校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104467738A CN104467738A (zh) | 2015-03-25 |
CN104467738B true CN104467738B (zh) | 2018-01-19 |
Family
ID=52913223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410614338.6A Expired - Fee Related CN104467738B (zh) | 2014-11-04 | 2014-11-04 | 农业系统传感器组专用复合滤波型校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104467738B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106612505A (zh) * | 2015-10-23 | 2017-05-03 | 国网智能电网研究院 | 基于区域划分的无线传感器安全通信及防泄密定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701433A (zh) * | 2013-12-29 | 2014-04-02 | 哈尔滨理工大学 | 一种多重测量丢失情形下时变目标跟踪系统的量化滤波方法 |
CN103973264A (zh) * | 2013-01-29 | 2014-08-06 | 中兴通讯股份有限公司 | 一种滤波方法和滤波器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012203909A1 (de) * | 2012-03-13 | 2013-09-19 | Robert Bosch Gmbh | Filterverfahren und Filtervorrichtung für Sensordaten |
-
2014
- 2014-11-04 CN CN201410614338.6A patent/CN104467738B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103973264A (zh) * | 2013-01-29 | 2014-08-06 | 中兴通讯股份有限公司 | 一种滤波方法和滤波器 |
CN103701433A (zh) * | 2013-12-29 | 2014-04-02 | 哈尔滨理工大学 | 一种多重测量丢失情形下时变目标跟踪系统的量化滤波方法 |
Non-Patent Citations (1)
Title |
---|
机器人敏感皮肤多传感器数据融合;曹政才等;《哈尔滨工业大学学报》;20050831;第37卷(第8期);第1019-1021、1062页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104467738A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Modeling rice development and field water balance using AquaCrop model under drying-wetting cycle condition in eastern China | |
CN107658881A (zh) | 基于戴维南等值方法的电压稳定临界点判断方法 | |
CN108985373B (zh) | 一种多传感器数据加权融合方法 | |
CN108960334A (zh) | 一种多传感器数据加权融合方法 | |
CN106662472B (zh) | 偏差估计装置和方法以及故障诊断装置和方法 | |
CN106959105A (zh) | 罗盘校准方法和装置 | |
CN106872665A (zh) | 基于遥感的土壤墒情监测方法 | |
CN115776724B (zh) | 面向电磁频谱地图测绘的传感器节点布局优化方法及系统 | |
CN109618288B (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
Zhang et al. | Improving hydrological and vegetation modelling using regional model calibration schemes together with remote sensing data | |
CN103619062A (zh) | 野外环境无线传感网络中未知节点的定位方法 | |
CN104977562B (zh) | 完全分布式无线传感网中鲁棒性多声源定位方法 | |
CN104467738B (zh) | 农业系统传感器组专用复合滤波型校正方法 | |
CN105187139B (zh) | 一种基于群智感知的室外无线信号接收强度地图构建方法 | |
CN108957395B (zh) | 一种隧道内噪声免疫的移动目标三维定位方法 | |
CN106707234A (zh) | 一种联合时延差与角度测量的传感器网络目标定位方法 | |
CN111859303B (zh) | 基于动态贝叶斯平均的土壤湿度融合方法及系统 | |
CN109193665A (zh) | 一种基于scada量测的电网支路静态参数辨识方法 | |
CN112539810A (zh) | 一种智能水表运行误差校准方法 | |
CN112803402A (zh) | 含不良数据预处理的辐射网前推回代抗差状态估计方法 | |
CN107084712A (zh) | 数据处理方法和装置以及罗盘校准方法和装置 | |
CN103942416B (zh) | 基于加权节点生成树的电压估计方法 | |
CN116805029A (zh) | 一种基于电网直流偏磁电流实测的大地电位分布计算方法、装置、系统及存储介质 | |
CN115183884A (zh) | 电热协同系统的红外测温补偿方法及装置 | |
CN106355029B (zh) | 一种配电系统关键量测解耦快速辨识的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180119 Termination date: 20181104 |