CN106412811A - 一种基于数据均匀性加权的传感器网络数据融合方法 - Google Patents

Abstract

本发明涉及一种基于数据均匀性加权的传感器网络数据融合方法，按照如下步骤实现：通过传感器节点i相对执行机构的距离确定距离加权值；依据各传感器节点在场景中布置的地理位置生成节点关联关系图来描述各节点周边的相邻关系；通过节点关联关系图计算节点i的平滑程度加权值；根据距离加权和平滑加权计算预估计结果D _e ；计算加权微调量；在获得了加权微调量之后，计算出最终的数据融合结果D。本发明提出的一种基于数据均匀性加权的传感器网络数据融合方法，采用不同加权值的方式削弱误差节点对最终结果的影响，能够获得较为精确的传感结果。

Description

一种基于数据均匀性加权的传感器网络数据融合方法

技术领域

本发明涉及检测技术领域，特别是一种基于数据均匀性加权的传感器网络数据融合方法。

背景技术

环境控制在工农业生产中占有重要地位，例如温室大棚温度、湿度、光照、二氧化碳浓度的调节都能显著影响植物的生长状况。环境控制的基础是精确及公正地获得现场的参数值，从而正确操控执行机构进行补偿控制。然而，由于现场环境的复杂性，一个广大区域的每个部分其参数值都略有不同，单个传感器在采集的时候也可能因为误差或是设备故障获得不精确的数据，甚至因为损坏而获得错误的数据。在这种情况下，布置多个传感器并互联成网络形式，从而增加传感数据来源的数量和地域广度有利于提高获得数据的准确性避免大范围误差的出现。采用了大量传感器以后，便带来了数据融合的问题，如何通过大量传感器的数据综合计算得到一个较为精确的结果，就成了数据融合算法所要解决的问题。而实际生产实践中，由于传感器节点所处的区域位置不同，其采集得到数据的可信度也有不同的高低程度，例如在加热器边上的传感器节点，当加热器工作时，其获得的气温就要高于整个大棚的平均气温，该数值可能具有较大偏差，可信度较差。因此本发明主要基于执行机构及现场环境对传感器节点采样的影响，采用不同加权值的方式削弱误差节点对最终结果的影响，以便最终获得较为精确的传感结果。

发明内容

本发明的目的在于提供一种基于数据均匀性加权的传感器网络数据融合方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：一种基于数据均匀性加权的传感器网络数据融合方法，按照如下步骤实现：

步骤S1：在待检测控制空间内设置附属个传感器节点，且传感器节点之间通过网络相联形成传感器网络；

步骤S2：获取各个传感器节点的坐标以及与执行机构的坐标，并按照如下方式计算传感器节点的距离权值ω_di：

d_i-norm＝δ·(1-d_i/d_max)；

其中，d_i为位于坐标(x_i,y_i)的传感节点i到位于坐标(x_exe,y_exe)的执行机构的距离；d_max为待检测控制空间内传感器距离执行机构的最大距离值；δ为预设数值调整系数；d_i-norm为d_i进行标准化计算后的值；ω_di为对d_i-norm进行正态分布函数映射后得到距离加权值，μ、σ为预设正态分布函数的参数；

步骤S3：根据传感器节点的地理位置关系生成描述各传感器节点周边的相邻关系的节点关联关系图；

步骤S4：根据该节点关联关系图计算传感器节点的平滑程度加权值ω_si；

ω_si＝γ·(1-D_si/D_si-max)；

其中，t为与传感器节点i相邻的传感器节点的个数，D_i表示传感器节点i的测量值，D_t表示相邻节点t的测量值，D_si为传感器节点i的平滑程度；D_si-max为待检测控制空间内最大的平滑程度值，γ为预设数值调整系数，ω_si为对D_si标准化计算后的平滑程度加权值；

步骤S5：根据所述距离加权ω_di和所述平滑程度加权ω_si，按照如下式计算数据融合预估计结果D_e；

步骤S6：得到预估计结果D_e后，计算该预估计结果D_e与每个节点测量值D_i之差的绝对值ΔD_i＝|D_e-D_i|，并进行排序；

步骤S7：计算加权微调量Δω_i，记Δω_i为传感器节点i的加权微调量，初值为0，在对ΔD_i从小到大进行排序后，取排在后λ位的节点，按下式分别计算加权微调量：

即当ΔD_i位于队列后λ位时，使该节点对应的微调量Δω_i减去一个固定预设值γ；当ΔD_i不位于队列后λ位时，若Δω_i＜0，则加上固定预设值γ；若Δω_i＝0，则不作处理；其中，λ为预设常数；

步骤S8：在获得了加权微调量之后，通过下式计算最终的数据融合结果：

在本发明一实施例中，所述执行结构包括：暖气片、空调、抽湿机、卷膜、水帘以及开窗。

相较于现有技术，本发明具有以下有益效果：

1、本发明所采用的数据融合算法形式简洁，步骤清晰，计算量小，便于在嵌入式系统中实施；特别是融合计算部分都在汇聚节点中完成，而不需要终端采集节点参与计算，使其极容易在无线传感器网络等节点处理器能力较低的传感网络中实施；

2、本发明充分考虑区域数据的均匀性和现场执行机构所带来的数据影响，较现有技术更适用于环境复杂场景下的现场信息采集；

3、本发明设置有权值微调机制，可根据现场数据计算情况实施调整系统参数，较现有技术有更大的适应性。

附图说明

图1是本发明的室内传感器网络节点布置示意图。

图2是本发明生成的传感器网络节点关联关系图示例图。

图3是本发明一实施例中传感器节点的连接图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

由于单个传感器节点采集的数据可能存在误差，因此通常需要在广阔空间中的多个位置布置多个传感器节点，并通过网络进行相联以形成传感器网络。结合传感器网络中所有传感器节点所采集的信息，并进行综合判断以得出最终的结果，这一过程被称为传感器网络的数据融合，所采用的方法即为传感器网络的数据融合方法。本发明提出的一种基于数据均匀性加权的传感器网络数据融合方法，是基于传感器节点的加权投票机制来实现的，而权重则取决于该传感节点距离干扰源的距离及该传感节点所在区域周边的数据平滑程度。

进一步的，在本实施例中，如图1所示，将传感器网络布置用于测量室内的温度，可均匀布置、按用户需求布置或按传感器网络覆盖算法布置。智能家居控制系统依此通过暖气片和空调来调节室内的温度以到设定值。从图中可以看出，靠近暖气片的传感节点受到其热辐射的影响，其所测温度偏高，而这一温度显然是偏离屋内平均温度较多的，这一现象我们可以将其称作执行机构的干扰作用，这一作用随着节点离开执行机构距离的增加而不断衰减。这种现象在人们日常生活及工农业生产中极为常见，例如距离空调较近的位置空气较冷，距离抽湿机较近的位置空气较干燥，而这些测量值的准确程度都较低，在数据融合时应被赋予较低的权值。在下式(1)～(3)被用于计算传感节点的距离权值ω_di：

d_i-norm＝δ·(1-d_i/d_max) (2)

其中，式(1)计算了位于坐标(x_i,y_i)的传感节点i到位于坐标(x_exe,y_exe)的执行器的距离d_i；接着式(2)用于将d_i进行标准化操作得到d_i-norm，式中d_max为测试场景中传感器距离执行机构的最大的距离值，δ为用户根据实际测试环境情况预先指定的数值调整系数；随后，通过式(3)中正态分布函数的映射，得到距离权值ω_di，μ、σ为正态分布函数的参数，由用户根据实际测试环境情况预先指定。

进一步的，在本实施例中，除了距离执行机构的距离外，还将传感节点所在区域周边的数据平滑程度纳入权值考虑范围。平滑程度即该传感节点测得的数值与其周边的其他传感节点所测得的数值的差距，如果差距较小，则说明该区域待测物理量的均匀程度较好，检测出的值准确的概率也比较大，应该施以较大的权值。在计算之前，需要在整个测试环境中依据节点的地理位置关系生成一张无向图来表明节点间的临接关系，图2所示为根据图1生成的节点邻接关系图。根据邻接关系图中与每个节点所相连的边的条数，可确定与该节点相邻的其余传感节点的个数。接着，通过式(4)可计算得到节点i的平滑程度D_si，式中t为与节点i相邻的节点的个数，D_i与D_t分别表示节点i的测量值和相邻节点t的测量值；然后，通过式(5)标准化可得依据平滑程度的加权值ω_si，式中D_si-max为测试场景中最大的平滑程度值，γ为用户指定的数值调整系数。最终，通过式(6)可求得数据融合后的预估计结果D_e，式中传感节点i的距离加权ω_di和平滑加权ω_si都被纳入了计算过程。

ω_si＝γ·(1-D_si/D_si-max) (5)

得到预估计结果D_e后，计算该预估计结果D_e与每个节点测量值D_i之差的绝对值ΔD_i＝|D_e-D_i|，并进行排序；计算加权微调量Δω_i，记Δω_i为传感器节点i的加权微调量，初值为0，在对ΔD_i从小到大进行排序后，取排在后λ位的节点，按下式分别计算加权微调量：

即当ΔD_i位于队列后λ位时，使该节点对应的微调量Δω_i减去一个固定预设值γ，该固定值可由用户设定，例如γ＝0.05；当ΔD_i不位于队列后λ位时，若Δω_i＜0，则加上固定预设值γ；其中，λ为常数参数，由工程师根据实际情况设置；若Δω_i＝0，则不作处理；在获得了加权微调量之后，通过下式计算最终的数据融合结果：

进一步的，在本实施例中，传感器网络节点可由任意一种微控制器(MicroControl Unit,MCU)作为中央处理器构成，包括模拟/数字转换器及相应的传感器等器件，并通过有线或无线的方式组成传感器网络。有线组网方式可以采用：RS-485总线、CAN总线、工业以太网或常规以太网方式。无线组网方式可以采用：ZigBee蜂窝式网络协议、2.4G RF射频网络方式、无线以太网WiFi方式或移动通信3G/4G网络方式。执行结构包括暖气片、空调、抽湿机、卷膜、水帘、开窗等中的一个或多个，但并不限于上述执行机构。执行机构还包括与上述各个设备相连的控制单元、无线通信单元或有线通信单元，该无线通信单元或有线通信单元对应通过上述协议方式接入网络。

图3即为本实施例可用的一种传感器节点。该节点以美国德州仪器公司(TI)的无线传感器网络微控制器CC2530作为核心，并布置了温度传感器(Temperature sensor)和湿度传感器(Humidity sensor)，并可通过CC2530内置的ZigBee无线协议模块组成无线传感器网络，信号发射通过50欧姆射频天线(Antenna)实现。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (2)

1.一种基于数据均匀性加权的传感器网络数据融合方法，其特征在于，按照如下步骤实现：

步骤S1：在待检测控制空间内设置附属个传感器节点，且传感器节点之间通过网络相联形成传感器网络；

步骤S2：获取各个传感器节点的坐标以及与执行机构的坐标，并按照如下方式计算传感器节点的距离权值ω_di：

$d_i=\sqrt{{(x_i-x_{exe})}^2+{(y_i-y_{exe})}^2};$

d_i-norm＝δ·(1-d_i/d_max)；

${\mathrm{\ω}}_{di}=(1/\sqrt{2\mathrm{\π}}\mathrm{\σ})e^{-\frac{{(d_{i-norm}-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}};$

其中，d_i为位于坐标(x_i,y_i)的传感节点i到位于坐标(x_exe,y_exe)的执行机构的距离；d_max为待检测控制空间内传感器距离执行机构的最大距离值；δ为预设数值调整系数；d_i-norm为d_i进行标准化计算后的值；ω_di为对d_i-norm进行正态分布函数映射后得到距离加权值，μ、σ为预设正态分布函数的参数；

步骤S3：根据传感器节点的地理位置关系生成描述各传感器节点周边的相邻关系的节点关联关系图；

步骤S4：根据该节点关联关系图计算传感器节点的平滑程度加权值ω_si；

$D_{si}={\mathrm{\Σ}}_{i=1}^t(D_i-D_t)/t;$

ω_si＝γ·(1-D_si/D_si-max)；

其中，t为与传感器节点i相邻的传感器节点的个数，D_i表示传感器节点i的测量值，D_t表示相邻节点t的测量值，D_si为传感器节点i的平滑程度；D_si-max为待检测控制空间内最大的平滑程度值，γ为预设数值调整系数，ω_si为对D_si标准化计算后的平滑程度加权值；

步骤S5：根据所述距离加权ω_di和所述平滑程度加权ω_si，按照如下式计算数据融合预估计结果D_e；

$D_e={\mathrm{\Σ}}_{i=1}^k({\mathrm{\ω}}_{di}+{\mathrm{\ω}}_{si})\·D_i/{\mathrm{\Σ}}_{i=1}^k({\mathrm{\ω}}_{di}+{\mathrm{\ω}}_{si});$

步骤S6：得到预估计结果D_e后，计算该预估计结果D_e与每个节点测量值D_i之差的绝对值ΔD_i＝|D_e-D_i|，并进行排序；

步骤S7：计算加权微调量Δω_i，记Δω_i为传感器节点i的加权微调量，初值为0，在对ΔD_i从小到大进行排序后，取排在后λ位的节点，按下式分别计算加权微调量：

即当ΔD_i位于队列后λ位时，使该节点对应的微调量Δω_i减去一个固定预设值γ；当ΔD_i不位于队列后λ位时，若Δω_i＜0，则加上固定预设值γ；若Δω_i＝0，则不作处理；其中，λ为预设常数；

步骤S8：在获得了加权微调量之后，通过下式计算最终的数据融合结果：

$D={\mathrm{\Σ}}_{i=1}^k({\mathrm{\ω}}_{di}+{\mathrm{\ω}}_{si}+{\mathrm{\Δ\ω}}_i)\·D_i/{\mathrm{\Σ}}_{i=1}^k({\mathrm{\ω}}_{di}+{\mathrm{\ω}}_{si}+{\mathrm{\Δ\ω}}_i).$

2.根据权利要求1所述的一种基于数据均匀性加权的传感器网络数据融合方法，其特征在于，所述执行结构包括：暖气片、空调、抽湿机、卷膜、水帘以及开窗。