基于小波降噪和自适应加权法的温室数据融合

来源：核心期刊咨询网时间：12

摘要：摘要：针对温室环境信息多节点数据采集中存在误差大、冲突多和冗余等问题，提出一种基于小波降噪和自适应加权的多传感器数据融合算法。通过小波降噪对采集的数据进行处理，使其具有良好的光滑度和稳定性;利用自适应加权算法对多传感器数据进行融合，得到测量

　　摘要：针对温室环境信息多节点数据采集中存在误差大、冲突多和冗余等问题，提出一种基于小波降噪和自适应加权的多传感器数据融合算法。通过小波降噪对采集的数据进行处理，使其具有良好的光滑度和稳定性;利用自适应加权算法对多传感器数据进行融合，得到测量数据的最优估计值。实例验证结果表明，采用所提算法可以有效降低原始数据中存在的噪声和冗余，得到方差较小的数据融合值，可以提高测量数据的准确性和降低数据的传输量;具备良好的稳健性，能够实现对温室环境信息的可靠性和一致性描述。

　　关键词：多传感器;数据融合;小波降噪;自适应加权算法;温室

　　近年来，随着我国温室生产的大面积推广与应用，如何实现对温室环境的优化调控，为农作物生长提供适宜的环境，达到优质、高效和低耗的生产目的[1]，已逐渐成为研究热点。温室作为一个复杂的热力学系统，具有多变量、滞后性、时变性、非线性和强耦合等特点[2]，传统控制方法难以实现对温室环境的精准调控。目前普遍采用的是智能控制方法，如模糊控制、神经网络、多目标优化等，以及多种方法交叉融合的混合控制。这些方法都是以精确的温室环境模型作为基础[3]，而温室环境模型的精确构建则要依赖于环境信息采集的鲁棒性和容错性。

　　因为温室内各点环境信息分布不均匀，同时也为了克服单点采集存在的不确定性和局限性，对同一个环境参数通常要进行多点采集。但由于外部环境和传感器内部构造等多种因素的影响[4]，采集到的多组数据中往往存在异常值、数据缺失、误差大、冲突多、信息冗杂等问题，严重影响了数据的一致性和可靠性[5]。因此，有必要通过数据融合技术对采集到的数据进行处理，得到温室环境信息完整且一致性的描述，从而提高环境信息的鲁棒性和稳健性，以实现温室环境的精准调控。同时，也有助于减少数据传输量，提高控制系统的工作效率，降低无线传感器网络能耗。

　　目前，数据融合技术在设施农业环境控制方面的应用已取得了一些研究成果。熊迎军等提出在对采集数据进行一致性检测和3次指数平滑的基础上，利用一种新型支持度函数进行幂均方融合的方法，能够在得到较高融合精度的同时缩短算法的运行时间;但是该方法在对数据进行预处理时，采用分布图法对异常数据进行了剔除，会导致样本数据的减少，以及异构传感器间样本数量的不一致，从而影响后续的融合精度[6]。初洪龙等提出了基于信任度的多传感器数据融合方法，利用自定义的指数信任度函数，分配每个传感器数据的权重，实现多传感器的数据融合[7];但指数运算相对复杂，开销大，不适用于温室无线传感器网络。王振等在利用狄克逊准则对采集数据进行预处理的基础上，采用卡尔曼滤波和基于最小二乘法原理的加权方法实现了数据融合，并通过丢包补偿策略提高了融合进度[8]。该方法仍旧存在剔除数据所导致的样本数量减少问题，而且卡尔曼滤波的融合效果过于依赖状态空间模型的精确性。此外，还有将聚类分析、模糊理论与专家系统相结合的融合方法，但专家系统依赖于一定的先验知识，才能够进行推理。

　　针对上述问题，本研究提出先采用小波降噪对采集的数据进行处理，使数据序列具有良好的光滑度和稳定性;然后利用自适应加权算法对多传感器数据进行融合，从而实现对温室环境信息的可靠性和一致性描述。

　　1 温室环境采集数据的小波降噪

　　由于小波分析适用于由短时高频成分和长时低频成分组成且无太多先验知识的数据进行降噪处理[11]，故可用于对温室环境信息采集数据的处理。此外，由于采集温室环境参数会受限于传感器的布置以及使用成本，采集节点相对较少，所获得的监测数据样本有限，故采用小波分析法还能充分利用采集的数据，避免剔除数据所造成的样本数据减少和不一致问题。小波降噪的处理过程如下：

　　(1)小波分解：选择适当的小波基函数，确定分解层数，并利用Mallat算法对原始数据进行分解;设原始数据为f(x)，则在尺度j下的低频部分为Adjf，高频部分为Djf，以0级为最高分辨率方向，则原始数据最终可被分解为

　　f(x)=Ad-Jf+∑-1j=-JDjf。(1)

　　式中，J为分散层数，一般取值为5或6。

　　(2)高频系数的阈值量化：选定合适的阈值对第1层至第N层的高频系数进行量化处理;

　　(3)小波重构：根据小波分解的第N层低频系数和经过量化处理后的第1层至第N层高频系数进行小波重构，得到降噪后的离散数据。

　　2 自适应加权融合算法

　　2.1 自适应加权融合算法的基本原理

　　自适应加权融合算法的基本原理[13]如图1所示，以总均方误差最小的为最优条件，依据每个传感器的测量值xi(i=1，2，3，…，m )，以自适应方式获得其最优权重wi(i=1，2，3，…，m )，使得最終的融合结果 x^达到最优。该算法能够有效综合多传感器的测量信息，并具有算法简洁、无需先验知识、实时性好等优点，适用于温室环境信息的数据融合[14]。

　　融合结果 x^ 和各传感器权重wi满足如下关系：

　　x^=∑mi=1wixi

　　∑mi=1wi=1。(2)

　　总均方误差(σ2)为

　　σ2=E^)2〗=∑mi=1w2iσ2i。(3)

　　式中：σ2i(i=1，2，3，…，m)为各传感器的方差;x为温室环境参数的真值，各传感器的测量值为xi彼此相互独立且为x的无偏估计。

　　根据自适应加权算法的基本原理可知，当总均方误差σ2为最小值时，其对应的各传感器权重wi为最优，因此，采用拉格朗日乘数法对公式(3)求极值，得到极点：

　　wi=1σ2i∑mi=11σ2i。(4)

　　此时，对应的最小均方误差为

　　推荐阅读：《数学物理学报》(双月刊)是我国数学物理学界委托原中国科学院首批学部委员(院士)、老一辈的著名数学家李国平教授于1981年4月创办的，旨在以刊登数学与物理科学的边缘学科中具有创造性的代表学科水平的科研成果为主的综合性学术刊物。

转载请注明来自：http://www.qikan2017.com/lunwen/lig/19441.html