CN112488193A - 一种多路数据融合方法及其应用的温室监控系统 - Google Patents
一种多路数据融合方法及其应用的温室监控系统 Download PDFInfo
- Publication number
- CN112488193A CN112488193A CN202011371979.5A CN202011371979A CN112488193A CN 112488193 A CN112488193 A CN 112488193A CN 202011371979 A CN202011371979 A CN 202011371979A CN 112488193 A CN112488193 A CN 112488193A
- Authority
- CN
- China
- Prior art keywords
- sensor
- fusion
- data
- weighted
- sensor unit
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 94
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 239000013257 coordination network Substances 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- RGCLLPNLLBQHPF-HJWRWDBZSA-N phosphamidon Chemical compound CCN(CC)C(=O)C(\Cl)=C(/C)OP(=O)(OC)OC RGCLLPNLLBQHPF-HJWRWDBZSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种多路数据融合方法及其应用的温室监控系统，基于对传感器模块采集的检测数据进行处理，其中，传感器模块包括对不同的环境参数进行检测的多种传感器组，每种传感器组包括若干个传感器单元，处理模块与传感器模块连接并进行以下步骤：采集步骤；采集各个传感器单元的检测数据；自适应加权融合步骤，将同一种传感器组中的各个传感器单元的检测数据通过自适应加权融合形成加权融合数据；决策融合步骤；将不同种传感器组中形成的加权融合数据基于D‑S证据理论进行决策融合，形成控制决策信息，本设计降低了未知事件概率，有效控制运行误差，提高控制决策精确性。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种多路数据融合方法及其应用的温室监控系统。
背景技术
现有监控系统，一般会设置有多个种类的传感器对不同的环境参数进行检测，并且在不同环境区域中会设置传感器来形成多点检测，但是基于以上对环境监控的传感器布局中，对数据的处理显得至关重要，传统的对传感器的检测数据的处理，每个传感器作为单独的单元，针对每个单独传感器在一段时间内获取的数据分别赋予权重实行融合，获得融合结果，但是此方式非常容易出现偏差，假设任一传感器存在偏差，则所采集到的数据都可能会出现误差，没有经过甄别就实行融合操作，会导致融合结果出现偏差，使得控制决策出现失误。
另外，在实际环境监控应用中，由于实际环境中不同区域中各个参数对控制决策的影响程度均不相同，单纯地对数据剔除、融合，忽视了实际环境数据分布不均衡性，无法反映出环境实际情况。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种多路数据融合方法，降低了未知事件概率，有效控制运行误差，提高控制决策精确性。
本发明还提出一种温室监控系统，判断高效准确，提高控制决策的指导能力。
根据本发明的第一方面实施例的一种多路数据融合方法，基于对传感器模块采集的检测数据进行处理，其中，传感器模块包括对不同的环境参数进行检测的多种传感器组，每种传感器组包括若干个传感器单元，包括：采集步骤；采集各个传感器单元的检测数据；自适应加权融合步骤，将同一种传感器组中的各个传感器单元的检测数据通过自适应加权融合形成加权融合数据；决策融合步骤；将不同种传感器组中形成的加权融合数据基于D-S证据理论进行决策融合，形成控制决策信息。
根据本发明实施例的一种多路数据融合方法，至少具有如下有益效果：
本发明多路数据融合方法，采集获取各个传感器单元的检测数据，对同一种传感器组中的各个传感器单元的检测数据自适应加权融合处理，对各个传感器单元的检测数据赋予权值，相当于将整个环境分解成若干个区域，各个区域权重值表征了自身局部环境情况，将各个区域的检测数据自适应加权融合之后，从而可以获取对应该种类传感器检测环境参数的加权融合数据，经过自适应加权融合步骤后，每种环境参数均只会形成一个加权融合数据，降低后续对数据传输处理压力，而在决策融合步骤中，构建所有可能出现的情况假设集合，利用D-S证据理论实现各个不同种传感器组中形成的加权融合数据的融合分析，并给出每种加权融合数据对各种假设支持程度，利用支持度对控制决策进行指导，本设计降低了未知事件概率，有效控制运行误差，提高控制决策精确性。
根据本发明的一些实施例，在所述采集步骤与所述自适应加权融合步骤之间还包括误差剔除步骤，将同一种传感器组中的各个传感器单元的检测数据中选择误差较大的进行剔除。
根据本发明的一些实施例，在自适应加权融合步骤中，根据各个传感器单元的检测方差形成对应各个传感器单元的加权权值，并根据各个传感器单元的加权权值将各个传感器单元的检测数据加权融合形成加权融合数据。
根据本发明的一些实施例，在自适应加权融合步骤中，各个传感器单元的加权权值为：
其中，同一种传感器组中传感器单元数量为n，各个传感器单元的检测方差分别为
各个传感器单元的加权权值分别为W1，W2，……，Wn。
根据本发明的一些实施例，在自适应加权融合步骤中，每个传感器单元的检测方差由多次采集的检测数据形成。
根据本发明的一些实施例，在决策融合步骤中，各种传感器组形成的加权融合数据作为对应各种传感器组的各个证据的基本概率，决策融合步骤包括：S1、进行步骤根据任意两种传感器组的基本概率计算两种证据的融合程度，S2、根据融合程度将两种证据融合形成新的证据的基本概率；循环S1和S2以将各个证据进行决策融合，形成控制决策信息。
根据本发明的一些实施例，在决策融合步骤中，基于D-S证据理论的以下组合规则形成控制决策信息：
其中，K＝(1-∑B∩C＝φm1(B)m2(C))-1；
此处，设定U代表有限集合，m代表集合U上的基本概率函数，并且基本概率函数m满足条件：
针对任意子集合
有0≤m(A)＜1，
设定任意子集合B和任意子集合C相交于子集合A，m1和m2为在U不同证据下的基本概率函数，m(B)表示任意子集合B的支持区基本概率函数，m(C)表示任意子集合C的支持区基本概率函数。
根据本发明第二方面实施例的一种温室监控系统，包括传感器模块以及处理模块，其中，传感器模块包括对不同的环境参数进行检测的多种传感器组，每种传感器组包括若干个传感器单元，所述处理模块分别与各个传感器单元连接并且依据上述任一实施例公开的多路数据融合方法对各个传感器单元的检测数据处理形成控制决策信息。
根据本发明实施例的温室监控系统，至少具有如下有益效果：
本发明温室监控系统，对传感器模块对环境采集的数据进行处理，提高处理模块的传输处理压力，判断高效准确，提高控制决策的指导能力。
根据本发明的一些实施例，所述处理模块包括协调网络组件以及主控制器，各个传感器单元进行采集步骤，所述协调网络组件与各个传感器单元连接以进行自适应加权融合步骤，所述主控制器与所述协调网络组件连接以进行决策融合步骤。
所述协调网络组件包括若干个路由器以及协调器，所述路由器与若干个传感器单元连接，所述协调器分别与各个路由器以及主控制器连接。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明多路数据融合方法其中一种实施例的流程图；
图2为本发明温室监控系统其中一种实施例的原理结构框图；
图3为本发明多路数据融合方法其中一种实施例的数据信任度描述示意图；
图4为本发明多路数据融合方法其中一种实施例的子集合A、子集合B和子集合C关系示意图；
图5为本发明温室监控系统其中一种实施例的运行流程图。
附图标记：
传感器模块100、传感器组110、传感器单元111、处理模块200、协调网络组件210、路由器211、协调器212、主控制器220。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1-5所示，根据本发明的第一方面实施例的一种多路数据融合方法，基于对传感器模块100采集的检测数据进行处理，其中，传感器模块100包括对不同的环境参数进行检测的多种传感器组110，每种传感器组110包括若干个传感器单元111，包括：采集步骤；采集各个传感器单元111的检测数据；自适应加权融合步骤，将同一种传感器组110中的各个传感器单元111的检测数据通过自适应加权融合形成加权融合数据；决策融合步骤；将不同种传感器组110中形成的加权融合数据基于D-S证据理论进行决策融合，形成控制决策信息。
其中，需要说明的是，上述的多种传感器组110能够对不同的环境参数进行检测，例如应用于温室环境，多种传感器组110可以分别为温度传感器、湿度传感器、二氧化碳浓度传感器、光照强度传感器等，而每种传感器组110中的传感器单元111的种类一致，例如均为温度传感器，而多个传感器单元111分别设置在环境中不同的区域。
而对于多种传感器组110，根据检测参数的情况可以反映环境中某个事件的概率情况，而自适应加权融合步骤则可以对不同区域的同种传感器单元111的检测数据得出的概率情况进行加权融合，而某个事件的发生均与其中的多种检测参数相关联，则在决策融合步骤中，可以将多种检测参数针对该事件的概率情况进行决策融合。
本发明多路数据融合方法，采集获取各个传感器单元111的检测数据，对同一种传感器组110中的各个传感器单元111的检测数据自适应加权融合处理，对各个传感器单元111的检测数据赋予权值，相当于将整个环境分解成若干个区域，各个区域权重值表征了自身局部环境情况，将各个区域的检测数据自适应加权融合之后，从而可以获取对应该种类传感器检测环境参数的加权融合数据，经过自适应加权融合步骤后，每种环境参数均只会形成一个加权融合数据，降低后续对数据传输处理压力，而在决策融合步骤中，构建所有可能出现的情况假设集合，利用D-S证据理论实现各个不同种传感器组110中形成的加权融合数据的融合分析，并给出每种加权融合数据对各种假设支持程度，利用支持度对控制决策进行指导，本设计降低了未知事件概率，有效控制运行误差，提高控制决策精确性。
在本发明的一些实施例中，在采集步骤与自适应加权融合步骤之间还包括误差剔除步骤，将同一种传感器组110中的各个传感器单元111的检测数据中选择误差较大的进行剔除。
具体地，在采集同一种传感器组110中各个传感器单元111的检测数据时，可以利用狄克逊准则将粗大的误差剔除，从而排除该种传感器组110中由于个别传感器单元111发生故障造成的数据干扰的情况。
在本发明的一些实施例中，在自适应加权融合步骤中，根据各个传感器单元111的检测方差形成对应各个传感器单元111的加权权值，并根据各个传感器单元111的加权权值将各个传感器单元111的检测数据加权融合形成加权融合数据，从而可以提高自适应加权融合的准确性。
具体地，在自适应加权融合步骤中，各个传感器单元111的加权权值为：
其中，同一种传感器组110中传感器单元111数量为n，各个传感器单元111的检测方差分别为
各个传感器单元111的加权权值分别为W1，W2，……，Wn，假设同一传感器组110中各个传感器单元111的测量值分别是X1，X2，……，Xn，并且各个测量值之间相互独立，而需要估算的真值是X，并且为X的无偏估计。
则加权满足：
其中，总均方差的计算式为：
假设各个传感器单元111的检测数据相互独立，则：
E[(X-Xp)(X-Xq)]＝0，其中(p＝1，2，……，n；q＝1，2，……，n)；
综上，总均方差为：
此处为多元函数，基于多元函数求解极值理论，当总均方差误差最小，则对应的权值可以得出：
在本发明的一些实施例中，在自适应加权融合步骤中，基于每个传感器单元111多次进行采集步骤采集的检测数据，从而调整每个传感器单元111的检测方差。
在本发明的一些实施例中，在决策融合步骤中，各种传感器组110形成的加权融合数据作为对应各种传感器组110的各个证据的基本概率，决策融合步骤包括：S1、进行步骤根据任意两种传感器组110的基本概率计算两种证据的融合程度，S2、根据融合程度将两种证据融合形成新的证据的基本概率；循环S1和S2以将各个证据进行决策融合，形成控制决策信息。
具体地，基于D-S证据理论的决策融合步骤中，设定U代表有限集合，m代表集合U上的基本概率函数，并且基本概率函数m满足条件：
针对任意子集合
有0≤m(A)＜1，
基本概率函数m：2U→[0，1]为某一种事件的可信度，作为一种信任结构，D-S证据理论可以实行决策级的融合，利用分析各种类型的环境参数指导对环境的控制，例如应用于温室作物生长的控制策略，即主观定义融合函数：
Bel：2U→[0，1]，并且Bel(A)＝∑B＝B∩Am(B)；
其中，集合U中的任意子集合A信任函数为全部子集合的基本概率函数相加结果，信任函数表达了证据对A为真的整体信任度，如图3所示。
由上可得，当
Bel(U)＝1，同时针对任意子集合A，均有0≤Bel(A)＜1；由于信任函数属于递增函数，即假设
那么Bel(A1)≤Bel(A2)；假设A是单元素集合，则m(A)＝Bel(A)。
设似然函数表达式为：Pl(A)＝1-Bel(A`)，其中A`为A的补集，此函数表征了对子集合A非假的整体信任度，其包括以下性质：
0≤Bel(A)＜PL(A)＜1；Pl(A)+Pl(A`)≥1，可以通过信任区间[Bel(A)，Pl(A)]表征A的不确定程度，Bel(A)是不确定程度的下限，Pl(A)是不确定程度的下上限，具体如图3所示。
在本发明的一些实施例中，如图3、4所示，在决策融合步骤中，将不同种类但是互为关联传感器组110的检测数据作为证据并实行组合，以此将多种不同证据进行融合，基于D-S证据理论的以下组合规则形成控制决策信息，合并可得：
其中，K＝(1-∑B∩C＝φm1(B)m2(C))-1；K值能够表征两种证据的融合程度。
设定任意子集合B和任意子集合C相交于子集合A，m1和m2为在U不同证据下的基本概率函数，m(B)表示任意子集合B的支持区基本概率函数，m(C)表示任意子集合C的支持区基本概率函数。
其中，为使分配至空集中的信任程度是0，则舍弃
舍弃之后总信任值小于1，则引入参数K值，则对舍弃部分进行补偿，使得融合后的总信任程度值仍然为1。
以上为两种传感器组110的检测数据融合的公式，而多种传感器组110的检测数据融合时，先对其中两种传感器组110的检测数据通过上述公式融合，再将融合后的新的证据与另外的传感器组110的检测数据沿用上述公式融合，此方式信息复杂程度比较低，处理因模糊生成的不稳定因素过程中具备较好的效果。
根据本发明第二方面实施例的一种温室监控系统，如图1、2、5所示，包括传感器模块100以及处理模块200，其中，传感器模块100包括对不同的环境参数进行检测的多种传感器组110，每种传感器组110包括若干个传感器单元111，处理模块200分别与各个传感器单元111连接并且依据上述任一实施例公开的多路数据融合方法对各个传感器单元111的检测数据处理形成控制决策信息。
本发明温室监控系统，对传感器模块100对环境采集的数据进行处理，提高处理模块200的传输处理压力，判断高效准确，提高控制决策的指导能力。
在本发明的一些实施例中，处理模块200包括协调网络组件210以及主控制器220，各个传感器单元111进行采集步骤，协调网络组件210与各个传感器单元111连接以进行自适应加权融合步骤，主控制器220与协调网络组件210连接以进行决策融合步骤。
具体地，协调网络组件210包括若干个路由器211以及协调器212，路由器211与若干个传感器单元111连接，协调器212分别与各个路由器211以及主控制器220连接。
传感器单元111可以设置有无线发射芯片，具体可以采用zigbee芯片，传感器单元111设置在环境中的各个区域，可以通过无线传输将检测数据传输至路由器211中，再由各个路由器211传输至协调器212集中处理，而协调器可以通过WiFi、GSM等方式与主控制器通信连接。
主控制器220发送采集命令至协调器212，协调器212采集各个传感器单元111的采集数据，协调器212进行自适应加权融合步骤，使得同种环境参数类型的多个传感器单元111传输而来的检测数据在协调器212处处理成一个数据，而后分别将各个不同种环境参数类型的的数据上传至主控制器220，减少了数据传输量，无需对多个相同种类的环境参数的检测数据传输，减少系统能耗，处理高效。
本设计可以应用于温室作物生长条件的协调控制中，如图5所示，温室控制系统可运行以上方法流程，实现作物生长远程监控与指导，相应速度保持在2秒左右，为温室大棚作物生长一定程度上的支撑。
利用D-S证据理论优化决策级融合函数，将不同种类但是互为关联的证据实行组合，以此将多类监测数据进行融合，保证误差控制在1％之内，监控效果较高，数据融合准确性得到保证，温室环境监控精度较高，有较好的实际应用效果。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种多路数据融合方法，基于对传感器模块采集的检测数据进行处理，其中，传感器模块包括对不同的环境参数进行检测的多种传感器组，每种传感器组包括若干个传感器单元，其特征在于，包括：
采集步骤；采集各个传感器单元的检测数据；
自适应加权融合步骤，将同一种传感器组中的各个传感器单元的检测数据通过自适应加权融合形成加权融合数据；
决策融合步骤；将不同种传感器组中形成的加权融合数据基于D-S证据理论进行决策融合，形成控制决策信息。
2.根据权利要求1所述的一种多路数据融合方法，其特征在于，在所述采集步骤与所述自适应加权融合步骤之间还包括误差剔除步骤，将同一种传感器组中的各个传感器单元的检测数据中选择误差较大的进行剔除。
3.根据权利要求1所述的一种多路数据融合方法，其特征在于，在自适应加权融合步骤中，根据各个传感器单元的检测方差形成对应各个传感器单元的加权权值，并根据各个传感器单元的加权权值将各个传感器单元的检测数据加权融合形成加权融合数据。
4.根据权利要求3所述的一种多路数据融合方法，其特征在于：在自适应加权融合步骤中，各个传感器单元的加权权值为：
其中，同一种传感器组中传感器单元数量为n，各个传感器单元的检测方差分别为
各个传感器单元的加权权值分别为W1，W2，……，Wn。
5.根据权利要求4所述的一种多路数据融合方法，其特征在于：在自适应加权融合步骤中，每个传感器单元的检测方差由多次采集的检测数据形成。
6.根据权利要求1所述的一种多路数据融合方法，其特征在于：在决策融合步骤中，各种传感器组形成的加权融合数据作为对应各种传感器组的各个证据的基本概率，决策融合步骤包括：S1、进行步骤根据任意两种传感器组的基本概率计算两种证据的融合程度，S2、根据融合程度将两种证据融合形成新的证据的基本概率；循环S1和S2以将各个证据进行决策融合，形成控制决策信息。
7.根据权利要求6所述的一种多路数据融合方法，其特征在于：在决策融合步骤中，基于D-S证据理论的以下组合规则形成控制决策信息：
其中，K＝(1-∑B∩C＝φm1(B)m2(C))-1；
此处，设定U代表有限集合，m代表集合U上的基本概率函数，并且基本概率函数m满足条件：
针对任意子集合
有0≤m(A)＜1，
设定任意子集合B和任意子集合C相交于子集合A，m1和m2为在U不同证据下的基本概率函数，m(B)表示任意子集合B的支持区基本概率函数，m(C)表示任意子集合C的支持区基本概率函数。
8.一种温室监控系统，其特征在于，包括传感器模块以及处理模块，其中，传感器模块包括对不同的环境参数进行检测的多种传感器组，每种传感器组包括若干个传感器单元，所述处理模块分别与各个传感器单元连接并且依据权利要求1-7任一项所述的多路数据融合方法对各个传感器单元的检测数据处理形成控制决策信息。
9.根据权利要求8所述的一种温室监控系统，其特征在于：所述处理模块包括协调网络组件以及主控制器，各个传感器单元进行采集步骤，所述协调网络组件与各个传感器单元连接以进行自适应加权融合步骤，所述主控制器与所述协调网络组件连接以进行决策融合步骤。
10.根据权利要求9所述的一种温室监控系统，其特征在于：所述协调网络组件包括若干个路由器以及协调器，所述路由器与若干个传感器单元连接，所述协调器分别与各个路由器以及主控制器连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011371979.5A CN112488193A (zh) | 2020-11-30 | 2020-11-30 | 一种多路数据融合方法及其应用的温室监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011371979.5A CN112488193A (zh) | 2020-11-30 | 2020-11-30 | 一种多路数据融合方法及其应用的温室监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112488193A true CN112488193A (zh) | 2021-03-12 |
Family
ID=74937223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011371979.5A Pending CN112488193A (zh) | 2020-11-30 | 2020-11-30 | 一种多路数据融合方法及其应用的温室监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488193A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114739448A (zh) * | 2022-03-09 | 2022-07-12 | 中铁第四勘察设计院集团有限公司 | 一种数据处理方法、系统、装置和存储介质 |
| CN117111536A (zh) * | 2023-10-23 | 2023-11-24 | 上海永大菌业有限公司 | 一种菇棚环境远程控制系统及方法 |
-
2020
- 2020-11-30 CN CN202011371979.5A patent/CN112488193A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 于海英等: "热压过程多传感器数据融合方法", 《东北林业大学学报》 * |
| 李恒灿等: "数据融合技术在环境监测中的应用", 《中国农机化》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114739448A (zh) * | 2022-03-09 | 2022-07-12 | 中铁第四勘察设计院集团有限公司 | 一种数据处理方法、系统、装置和存储介质 |
| CN117111536A (zh) * | 2023-10-23 | 2023-11-24 | 上海永大菌业有限公司 | 一种菇棚环境远程控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112488193A (zh) | 一种多路数据融合方法及其应用的温室监控系统 | |
| WO2016112858A1 (en) | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent son | |
| CN104579523B (zh) | 认知无线网络频谱感知和接入决策联合的优化方法 | |
| CN116545954B (zh) | 基于物联网的通信网关数据传输方法及系统 | |
| Bayrakdar | Employing sensor network based opportunistic spectrum utilization for agricultural monitoring | |
| CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
| Chen et al. | On-demand transmission for edge-assisted remote control in industrial network systems | |
| Liu et al. | Cooperative game in dynamic spectrum access with unknown model and imperfect sensing | |
| Zhao et al. | Using incompletely cooperative game theory in wireless mesh networks | |
| CN106131770A (zh) | 一种针对温室环境的无线传感器网络的数据融合方法 | |
| CN104467997B (zh) | 一种基于无线信号强度预测的终端节能的方法和装置 | |
| CN113411213A (zh) | 基于物联网的自组网拓扑控制方法及协同监测方法 | |
| CN116708134B (zh) | 基于流量控制的点对点网络传输系统 | |
| CN105246082A (zh) | 一种基于能量检测的感知信息融合方法 | |
| CN116342063A (zh) | 应用于智慧农业的数据处理方法 | |
| CN101751018B (zh) | 实验环境下的分布式数据监测及预警系统和方法 | |
| CN110649982B (zh) | 基于次用户节点选择的双阈值能量检测方法 | |
| US9380479B2 (en) | Wireless mesh access node neighboring channel quality estimation | |
| CN110798848A (zh) | 无线传感器数据融合方法及装置、可读存储介质和终端 | |
| CN111417124A (zh) | 在认知无线网络环境下频谱感知的方法 | |
| CN105898873A (zh) | 数据帧的分配方法与装置以及数据传输方法与装置 | |
| CN111935797A (zh) | 一种用于低压开关柜无线通信网络的动态路由方法 | |
| CN107026700A (zh) | 基于数据包转发的信任模型构建的方法及装置 | |
| CN108390735B (zh) | 一种信息素驱动的分布式协同宽带频谱感知方法 | |
| CN104168599A (zh) | 基于时间加权k-近邻法的无线传感器网络故障诊断方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |
|
| RJ01 | Rejection of invention patent application after publication |