CN106131770A - 一种针对温室环境的无线传感器网络的数据融合方法 - Google Patents

Abstract

本发明涉及一种针对温室环境的无线传感器网络的数据融合方法，用于实现针对温室环境的无线传感器网络的数据融合，包括下列步骤：终端节点采集温室环境数据并采用基于时间的K次算术平均算法对其进行处理及上传；簇头节点对簇头节点上传的温室环境数据进行优化接收；簇头节点根据优化接收的温室环境数据，对下属所有终端节点两两进行支持度权重计算；簇头节点利用支持度权重，对优化接收的温室环境数据进行加权平均；网关节点接收簇头节点传输的加权平均后的温室环境数据，并与基站或上位机通讯。与现有技术相比，本发明具有节省能耗、延长无线传感器网络寿命、克服传感器异常以及数据准确等优点。

Description

一种针对温室环境的无线传感器网络的数据融合方法

技术领域

本发明涉及无线传感器网络，尤其是涉及一种针对温室环境的无线传感器网络的数据融合方法。

背景技术

农业是国民经济的基础，农业生产在国民经济中处于重要的地位。传统农业生产过度依赖经验，生产效率低下，导致了劳动力资源的浪费。为解决这一问题，提高农业生产效率，使传统农业摆脱自然因素的束缚走向现代化生产，国家积极发展现代化农业，以温室为代表的设施农业是其中一个重要的组成部分。

温室环境控制是在充分利用自然资源的基础上，通过改变环境因子如温度、湿度、光照、CO₂来营造作物生长的最佳条件，从而达到增加作物产量、改善品质、提高经济效益的目的。

温室环境监控的核心是“测”和“控”，“测”是对温室环境数据进行采集，包括室内外温度、湿度、光照强度、二氧化碳浓度、气压和风速等等；“控”是通过一定的控制策略对温室中的执行机构进行控制，如天窗、排风机、喷雾装置、遮阳网、二氧化碳施放装置等等，使得温室内的温度、湿度、光照强度等条件适宜农作物生长发育的需要。准确的“测”是温室环境能“控”的前提和基础，并且只有通过有效地环境控制，才能实现农作物产量的增加，质量的改善，经济效益的提高，从而使温室技术进一步推广，最终实现农业的现代化规模化生产。

在温室环境监测方面，随着传感器技术、无线通信和网络技术的发展，无线传感器网络(WSN，wireless sensor networks)已被成功引入温室信息监测领域并发挥着重要作用。无线传感器网络避免了有线网络需要铺设线路、布线成本和维护成本高等问题，目前在温室环境采集中得到了广泛的应用。但是，无线传感器网络的寿命不可避免地受到节点能耗的限制。在WSN中，能耗主要有三个方面:数据传输、信号处理和硬件操作，其中数据传输能耗比重最大，因此采取合适的方法降低 节点能耗变得由为重要。WSN是面向应用的、以数据为中心的网络，可以采用以下方法进行处理：基于多传感器数据融合技术对传感器节点采集到的大量原始数据进行网内处理，消除各节点数据的时间相关性以去除其中的冗余信息，只将少量的有意义的处理结果传输给汇聚节点。这样能够大大减少WSN中需要传输的数据量，降低数据冲突，减轻网络拥塞，有效地节省能源开销，起到延长网络寿命的作用，降低传感器故障带来的影响，使得到温室环境状态更精确，实现更准确、可靠的状态监控，进一步提高信息采集精度和系统鲁棒性。

目前在工程实际中，较多地应用算术平均或者加权平均的数据融合方法，该方法需要事先确定权值，且如果其中某个传感器出现故障，其错误结果势必影响系统输出；还有利用卡尔曼滤波的数据融合方法，但其对系统的状态空间模型以及模型的精确程度依赖程序较大，也需要预先知道系统噪声和量测噪声的统计特性，工程实现难度较大。

发明内容

本发明的目的是针对上述问题提供节省能耗、延长无线传感器网络寿命、克服传感器异常以及数据准确的无线传感器网络的数据融合方法。

本发明的目的可以通过以下技术方案来实现：

一种针对温室环境的无线传感器网络的数据融合方法，用于实现针对温室环境的无线传感器网络的数据融合，其特征在于，该方法包括下列步骤：

1)终端节点采集温室环境数据；

2)终端节点采用基于时间的K次算术平均算法对步骤1)中采集的温室环境数据进行处理；

3)终端节点将步骤2)中处理后的温室环境数据上传至簇头节点；

4)簇头节点对步骤3)中簇头节点上传的温室环境数据进行优化接收；

5)簇头节点根据步骤4)中优化接收的温室环境数据，对下属所有终端节点两两进行支持度权重计算；

6)簇头节点利用步骤5)中计算得到的支持度权重，对优化接收的温室环境数据进行加权平均；

7)网关节点接收簇头节点传输的加权平均后的温室环境数据，并与基站或上位机通讯。

所述基于时间的K次算术平均算法具体为：

其中，K为处理采集的温室环境数据的过程中包含的采样周期个数，X_i(t)为第i个终端节点t时刻采集到的温室环境数据，X_i(t-d)为第i个终端节点t-d时刻采集到的温室环境数据。

所述优化接收具体为：

41)计算当前温室环境数据与前一周期接收到的温室环境数据的绝对差值；

42)判断步骤41)中计算得到的绝对差值是否超过温度变化阈值，若是，则进入步骤43)，若否，则进入步骤44)；

43)直接接收终端节点上传的当前温室环境数据；

44)不接收终端节点上传的当前温室环境数据，保持前一周期接收到的温室环境数据不变。

所述温度变化阈值根据经验和精度要求设定。

所述支持度权重计算具体为：

其中，ω_ij(X_i,X_j)为第i个终端节点和第j个终端节点之间的支持度权重，X_i为第i个终端节点采集到的温室环境数据，X_j为第j个终端节点采集到的温室环境数据，D为支持度阈值。

所述对优化接收的温室环境数据进行加权平均具体为：

其中，n为网络中簇头节点的个数，m为每个簇头节点下属终端节点的总数，F为加权平均后的温室环境数据。

所述无线传感器网络为树形分簇结构。

所述温室环境数据包括温度、湿度、光照强度、二氧化碳浓度、气压和风速。

与现有技术相比，本发明具有以下有益效果：

(1)簇头节点对终端节点上传的数据进行优化接收，减少了无线传感器网络节点的数据传输量，去除了冗余信息，降低了节点能耗，减轻了网络拥塞，延长了无线传感器网络寿命。

(2)簇头节点对下属所有终端节点进行加权的数据融合，有效地识别异常数据并降低融合权重，整体上提高了数据的准确性。

(3)簇头节点对下属所有终端节点进行加权的数据融合，在个别传感器出现故障时，可以克服异常数据对控制决策的影响。

(4)在进行支持度权重计算时，采用了线性支持度函数替代传统的高斯函数，有效地减少计算量，降低无线传感器网络的硬件需求与计算能耗，在不增加硬件成本的前提下提高了数据的准确性并节约了能耗。

(5)充分考虑了温室环境中的温度、湿度、光照强度、二氧化碳浓度、气压和风速，对于温室环境的监测数据较为全面，实用性高。

(6)通过优化无线传感器数据网络的方法，推广了无线传感器网络的使用，提高温室环境监测的科技水平，为温室控制提供稳定准确数据，使温室控制更加稳健高效。

附图说明

图1为无线传感器网络结构图；

图2为采用高斯函数和线性函数计算支持度的结果对比图；

图3为采用本发明提出的支持度融合算法与平均值融合算法的对比结果图；

图4为本发明的方法流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，无线传感器网络采用树形分簇结构，由终端节点、簇头节点(路由节点)、网关节点组成。终端节点是直接获取温室环境的节点；簇头节点(路由节点)主要功能是将一定区域内的终端节点的数据进行汇总；网关节点收集簇头节点数据并与基站或上位机通讯。终端节点进行数据采集和处理后将信息经由簇头节 点进行汇总，传送至网关节点。在无线传感器网络中有1个网关节点和n个簇头节点，每个簇头节点对应m个终端节点。

则针对上述温室环境的无线传感器网络的数据融合方法，如图4所示，包括下列步骤：

1)终端节点采集温室环境数据；

2)终端节点采用基于时间的K次算术平均算法对步骤1)中采集的温室环境数据进行处理，具体为：

一个数据融合周期含K个采样周期，X_i(t)为第i个终端节点t时刻采集到的温室环境数据，X_i(t-d)为第i个终端节点t-d时刻采集到的温室环境数据，将连续的K段数据进行算术平均，处理公式如下：

3)终端节点将步骤2)中处理后的温室环境数据上传至簇头节点；

4)簇头节点对步骤3)中簇头节点上传的温室环境数据进行优化接收，具体为：

在数据传输周期内含n个采样周期，如果终端节点采集的数据相比上一次传送的数据超过用户设定的阈值a，则将新集采的数据上传至簇头节点，如果变化在阈值范围内，则不进行传送，从而降低传输能耗，簇头节点默认数据没有变化，即： 时，终端节点传送数据，否则默认X_i(t+n)＝X_i(t)，不进行数据传送。其中n为终端节点向簇头节点传送数据的周期，阈值a可根据经验和用户精度要求进行设定；

5)簇头节点根据步骤4)中优化接收的温室环境数据，对下属所有终端节点两两进行支持度权重计算，具体为：

每个簇头节点将汇总的m个终端节点的数据采用与各传感器数据差异相关的支持度函数来进行加权平均，即m个终端节点两两计算支持度后，将支持度作为权重进行加权平均，后传送至网关节点。其支持度权值与它们的测量差值相关取值范围为[0，1]，采用线性公式计算。当数据差异较大时，权重较小，当两个测量序列的差值大于某阈值D时，支持度权重为0。设某个簇头节点下，两个传感器序列X_i和X_j的支持度权重为ω_ij(X_i,X_j)，其计算公式如下：

如图2所示，为采用高斯函数和线性函数计算支持度的结果对比，可见，在参数选取合理的情况下，两种方法的计算结果在一定范围内相差不明显，但线性函数计算量更小。

6)簇头节点利用步骤5)中计算得到的支持度权重，对优化接收的温室环境数据进行加权平均，即可求得n*m(n为网络中簇头节点的个数，m为每个簇头节点下属终端节点的总数)个终端节点的传感器融合值F为：

如图3所示，为采用本发明提出的支持度融合算法与平均值融合算法的结果对比。可见，在某节点的测量值显著区别于其它节点测量值时，支持度融合算法计算结果更接近多数传感器测量值，可降低少部分节点损坏引起的干扰。在终端节点数据波动时，支持度融合算法计算结果波动更小，应对扰动的能力更优。

7)网关节点接收簇头节点传输的加权平均后的温室环境数据，并与基站或上位机通讯。

Claims (6)

1.一种针对温室环境的无线传感器网络的数据融合方法，所述无线传感器网络采用树形分簇结构，包括网关节点、簇头节点和终端节点，其特征在于，所述数据融合方法包括下列步骤：

1)终端节点采集温室环境数据；

2)终端节点采用基于时间的K次算术平均算法对步骤1)中采集的温室环境数据进行处理；

3)终端节点将步骤2)中处理后的温室环境数据上传至簇头节点；

4)簇头节点对步骤3)中簇头节点上传的温室环境数据进行优化接收；

5)簇头节点根据步骤4)中优化接收的温室环境数据，对下属所有终端节点两两进行支持度权重计算；

6)簇头节点利用步骤5)中计算得到的支持度权重，对优化接收的温室环境数据进行加权平均；

7)网关节点接收簇头节点传输的加权平均后的温室环境数据，并与基站或上位机通讯。

2.根据权利要求1所述的针对温室环境的无线传感器网络的数据融合方法，其特征在于，所述基于时间的K次算术平均算法具体为：

$X_i\left(t\right)=\frac{{\mathrm{\Σ}}_{d=0}^{d=K-1}{X}_i(t-d)}{K}$

其中，K为处理采集的温室环境数据的过程中包含的采样周期个数，X_i(t)为第i个终端节点t时刻采集到的温室环境数据，X_i(t-d)为第i个终端节点t-d时刻采集到的温室环境数据。

3.根据权利要求1所述的针对温室环境的无线传感器网络的数据融合方法，其特征在于，所述优化接收具体步骤为：

41)计算当前温室环境数据与前一周期接收到的温室环境数据的绝对差值；

42)判断步骤41)中计算得到的绝对差值是否超过温度变化阈值，若是，则进入步骤43)，若否，则进入步骤44)；

43)直接接收终端节点上传的当前温室环境数据；

44)不接收终端节点上传的当前温室环境数据，保持前一周期接收到的温室环境数据不变。

4.根据权利要求1所述的针对温室环境的无线传感器网络的数据融合方法，其特征在于，所述支持度权重计算具体为：

${\mathrm{\ω}}_{ij}(X_i,X_j)=\left\{\begin{array}{cc}1-\frac{\left|X_i-X_j\right|}{D},& \left|X_i-X_j\right|\≤D\\ 0,& \left|X_i-X_j\right|>D\end{array}\right.$

其中，ω_ij(X_i,X_j)为第i个终端节点和第j个终端节点之间的支持度权重，X_i为第i个终端节点采集到的温室环境数据，X_j为第j个终端节点采集到的温室环境数据，D为支持度阈值。

5.根据权利要求4所述的针对温室环境的无线传感器网络的数据融合方法，其特征在于，所述对优化接收的温室环境数据进行加权平均具体为：

$F=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1,j\≠i}{\overset{m}{\mathrm{\Σ}}}\right({\mathrm{\ω}}_{ij}\×X_i\left)\right)}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{j=1,j\≠i}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{ij}\right)}$

其中，n为网络中簇头节点的个数，m为每个簇头节点下属终端节点的总数，F为加权平均后的温室环境数据。

6.根据权利要求1所述的针对温室环境的无线传感器网络的数据融合方法，其特征在于，所述温室环境数据包括温度、湿度、光照强度、二氧化碳浓度、气压和风速。