一种改进的多无线传感器数据分批估计自适应加权融合算法*

王华东，王大羽

（周口师范学院计算机科学与技术学院，河南周口466001）

一种改进的多无线传感器数据分批估计自适应加权融合算法*

王华东*，王大羽

（周口师范学院计算机科学与技术学院，河南周口466001）

为解决温室大棚中多无线传感器监测数据融合精度低的问题，提出了一种改进型的分批估计自适应加权融合算法。算法首先对单个无线温度传感节点一段时间内所采集的数据根据容许函数阈值剔除误差较大的数据，然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值，以此得到该区域所有无线温度传感节点最优估计值后，依据权值最优分配原则对每组传感器数据进行组内自适应加权融合，从而计算得到该段时间内温室大棚的温度精确值。通过实验验证得出：相对于平均值法与传统的分批估计算法，本算法数据融合易于实现，融合值相对误差值更低，稳健性更好。

多无线传感器；数据融合；分批估计；自适应加权；容许函数

大型温室技术是利用微电子技术和现代控制技术，人为调节外围环境以适宜农作物的生长，从而达到调节农作物繁育周期、增加农作物产量、改善农作物品质、提高经济效益的目的。其发展带动了现代农业技术的革新，使农作物的生长繁育不再受季节、时节、地域的限制。通过温室环境调节进行反季节栽培、集约化生产农产品，极大满足了人们的物质需求。温室大棚环境监测系统通常采用Zigbee无线通信，无线通信最大的优势就是无需布线，并且监测点设置灵活、架构分明、单点维护方便［1］。在温室大棚生产中，需要实时掌握和调节大棚的环境参数，如温度、湿度、光照度、CO2浓度和土壤湿度等数据信息［2］。由于传感器会受到各种因素的干扰和本身精度的影响，其监测结果会存在一定的偏差。若要准确的掌握温室大棚环境参数，必须采用多传感器协作完成监测任务。合理的选择多传感器数据融合的算法，提高监测数据精度已成为温室大棚环境监测的关键任务之一［3］。

多传感器数据融合技术对于解决数据冗余，提高数据的精确性提供了技术支持，因此无线传感器的数据融合成为近年来的研究热点［4-5］。文献［6］提出了一种优化的贝叶斯估计多传感器数据融合方法，结合卡尔曼滤波器的贝叶斯融合算法有效解决了数据的不确定性和不一致性。采用均值的分批估计算法对多传感器数据进行融合计算。文献［7］基于深度学习模型，提出了一种将层叠自动编码器（SAE）和分簇协议相结合的数据融合算法SAEMDA，提高了无线传感器网络中数据融合的性能。文献［8］提出了一种新的基于支持向量机回归估计（SVR）的多传感器数据融合处理方法，实验验证明显该方法明显优于多维回归分析和人工神经网络的数据融合处理方法。文献［9］提出一种幂均方算子进行数据融合，仅需要计算当前时刻各传感器数据的支持度函数就能获得加权融合的最优权重，无需其他概率统计知识，适合于实时数据融合，但Yager给出的支持度函数仅在温室系统使用时存在优化空间［10］。文献［11］实现了一种误差实时可控的数据融合算法，算法能够保证不同节点数据传输的公平性，在数据传输率相同的情况下，其求和查询及均值查询的平均绝对误差均远低于当前优秀的基于伯努利采样的数据融合方法。本文在借鉴分批估计算法的基础上，利用模糊集理论根据容许函数的阈值剔除误差较大的传感器数据，确保融合数据的一致性，然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值，以此得到该区域所有温度传感节点最优估计值后，依据权值最优分配原则对每组传感器数据进行组内自适应加权融合，从而计算得到该段时间内温室大棚的温度精确值。

1 温室大棚多传感器数据预处理

温室大棚中的检测数据集取决于无线采集节点的数量，节点越多需要融合的数据量就越多，但是无线节点由于受各种因素的干扰和本身精度的影响，节点采集的数据可能有一定的误差，为了剔除误差较大的节点数据，对节点采集的所有数据进行前期预处理。文章采用模糊集理论根据容许函数的阈值剔除误差较大的传感器数据。

定义 2个传感器信息间的容许函数为二元模糊关系：R：X×X→［0，1］，满足以下条件：

①R（x，x）=1；②R（x，y）=R（y，x）；③当D（x，y）≤D（x，y′）时，R（x，y）≥R（x，y′）

其中，X是节点传感器测量数据的论域；D(x,y)表示x与y之间的距离。根据容许函数的定义，数据容许度类似于数据的可信度，当某一个传感器所采集的数据与均值的差越小表示数据的可信度越高。

设某一传感器在某一时刻得到的测量数据为x1,x2,…,xn，其 中，xi=(xix,xiy)，xj=(xjx,xjy)。 设，dij表示节点采集值 xi和 xj间的距离。本文将容许函数定义为：

式中：ε为xi,yi允许的最大距离，ε与节点的测量精度有关，通过前期无线传感节点的多次校准实验，可以得出节点的误差容许值。A(xi,xj)为1时表示两个节点传感器所采集的数据在容许的范围内，若为0表示两个数据之间没有容许的意义，应剔除。

2 改进的多无线传感器数据融合算法

温室大棚中某一时刻温度的确定是多个传感器共同测量的结果，为了提高大棚温度监测值的精确性，文中首先对单个传感器这一段时间内的温度采集值进行分批数据估计，然后在融合多组温度传感器的数据。

2.1 单个温度传感器数据分批估计

温室大棚中需要布置较多类型的无线传感器，这里以温度传感器为例进行算法的改进和说明，假设在温室大棚的一个区域内随机布置n个温度传感节点，现将某一时刻单个温度传感器采集的n个数据均分为4组，其中第j组为Tj1,Tj2,Tj3,......Tjnj，nj≥2, j=1,2,3,4并且，则4组平均值为：

对应的方差为：

根据文献［12］的研究可知，利用统计学中分批估计理论可以求解单传感器4组数据融合的最优估计值T：

单温度传感器4组数据融合之后的可得该温度传感器采集数据的最优方差σ2：

2.2 多传感器自适应加权数据融合

每个传感器的监测数据在经过分批估计后，已经得到了单个传感器温度测量的最优值Ti。而温室大棚中的温度值是融合n个传感器组的监测值得到的，文中按照各传感器融合方差的大小将传感器分为m组，依据权值最优分配原则对每组传感器数据进行组内自适应加权融合，融合值记为Xi、方差为。根据权值最优分配原则计算各融合值在组内的最优权数Wi′，然后对Xi自适应加权融合处理，最终计算得到该时间段内温室大棚的温度精确值。将n个传感器分成m组，依据权值最优分配原则分别对各组进行组内自适应加权数据融合，总方差越小表明该组的数据融合之后的精度越高。设各组传感器的权值为Wi：

融合后第k组传感器估计值Xk为：

依据上述公式可以得到各组传感器的估计值、方差和加权因子。然后对n个传感器进行m组数据融合，同理，依据权值最优分配原则对m组进行加权融合，各组的加权因子

最终n个温度传感器的自适应加权融合估计值X为：

3 改进算法的数据测试分析

为了提高温度传感器监测数据融合的精确度，本文对单个传感器采集数据进行前期误差数据剔除，继而利用分批预估算法对某一时刻该温度传感器的测量数值进行融合估计，但温室大棚区域内温度的最终测定是多个传感器组数据融合的结果，所以对多个传感器组的数据依据权值最优分配原则进行组内自适应加权融合，层层降低误差。

为了验证改进算法的有效性，以周口师范学院生命科学与农学学院现代农业示范基地为实验场所，温室大棚的简易架构如图1所示，无线温度传感器节点是基于CC2530和SHT11设计完成，无线温度传感器节点采集的温度数据经过路由后送达中心节点，然后通过GPRS将数据送到Internet网络，最终将数据存储至数据库服务器，用户可以通过浏览器对数据进行查询和分析。

图1 温室大棚的简易架构

选取一个温度监测区域（温度基准真实值为20℃），分别以20、60、100节点对分批估计融合算法与改进型算法进行数据对比。考虑到传感器可能存在的零点漂移，本系统使用互不相关的零均值白噪声模拟传感器的观测误差，信噪比从0.1dB到1dB。温度监测数据如表1所示。

图2～图4直观的显示了三种算法在20，60和100个节点时，温度监测数据融合值的相对误差。从图2～图4分析得出：改进型分批估计自动适应融合计算法的融合结果相对于算术平均法和分批估计融合算法更接近实际真值，其绝对误差明显小于算术平均法，这是因为算术平均法中具有无法避免的零点漂移以及仿真传感器误差造成的。分批估计融合算法相对于算术平均算法数据稳定性好，但与本文算法相比融合误差相对较大，这是由于在采集数据融合之前没有对初始数据进行预处理。综上可见，本文改进的分批估计自动适应融合计算法在不同节点数量不同信噪比的情况下都有较低的融合误差。

表1 监测数据融合结果对比

图2 20个温度传感节点时三种算法融合值相对误差比较

图3 60个温度传感节点时三种算法融合值相对误差比较

图4 100个温度传感节点时三种算法融合值相对误差比较

4 结论

本文提出了改进型分批估计自动适应融合计算法，算法首先对单个温度传感器节点一段时间内的数据采用模糊集理论根据容许函数的阈值剔除误差较大的传感器数据，然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值，再得到所有节点的最优估计值后，依据权值最优分配原则对每组传感器数据进行组内自适应加权融合，从而计算得到该时刻温室大棚的温度精确值。改进的算法应用于温室大棚的温度监测数据的融合处理。实践结果表明：和算术平均法和分批估计算法相比，改进型分批估计自动适应融合计算法对在实际应用过程中出现的异常数据进行了有效的预处理，数据融合精度更高，稳健性好。

［1］王素红.基于ZigBee温室大棚监测系统的应用研究［D］.太原：中北大学，2009：6-8.

［2］潘金珠，王兴元，肖云龙，等.基于物联网的温室大棚系统设计［J］.传感器与微系统，2014，33（10）：51-54.

［3］王武礼，杨华.基于SHT11的粮仓温湿度测控系统的设计［J］.仪表技术与传感器，2010（9）：50-59.

［4］王康，王峰，蒋馥珍，等.无线传感网络数据融合算法的研究［J］.电视技术，2014，38（1）：103-105.

［5］张扬，杨松涛，张香芝.一种模拟退火遗传算法的传感器网络数据融合技术研究［J］.计算机应用研究，2012，29（5）：1860-1864.

［6］张品，董为浩，高大冬.一种优化的贝叶斯估计多传感器数据融合方法［J］.传感技术学报，2014，27（5）：644-647.

［7］邱立达，刘天键，林南，等.基于深度学习模型的无线传感器网络数据融合算法［J］.传感技术学报，2014，27（12）：1705-1709.

［8］丁蕾，廖同庆，陶亮.基于SVR的多传感器数据融合处理方法［J］.传感技术学报，2011，24（5）：710-712.

［9］Yager R R.The Power Average Operator［J］.IEEE Transactions on Systems，Man，and Cybernetics，2001，31（6）：724-731.

［10］熊迎军，沈明霞，陆明洲，等.温室无线传感器网络系统实时数据融合算法［J］.农业工程学报，2012，28（23）：160-165.

［11］徐晓斌，张光卫，孙其博，等.一种误差可控传输均衡的WSN数据融合算法［J］.电子学报，2014，42（6）：1206-1209.

［12］陈希孺.高等数理统计学［M］.合肥：中国科学技术大学出版社，1999：78-92.

王华东（1977-），男，河南沈丘人，1996-2000年毕业于河南师范大学（新乡）计算机科学教育专业；2000-2006年在周口师范学院计算机科学与技术学院任教；2006-2008年毕业于郑州大学网络工程专业，2008年入职周口师范学院计算机科学与技术学院，目前的主要研究领域为计算机网络与通信，无线传感器网络等，wanghuadong@zknu.edu.cn；

王大羽（1985-），女，河南周口人，硕士，讲师，目前的主要研究领域为计算机应用和计算机网络等，wangdayu@zknu.edu.cn。

An Improved Multiple Wireless Sensor Data Batch Estimation Adaptive Weighted Fusion Algorithm*

WANG Huadong*，WANG Dayu
（Computer science and technology of Zhoukou Normal University，Zhoukou He'nan 466001，China）

To solve multiple wireless sensor monitoring data fusion in greenhouses the problem of low precision，this paper proposes a modified batch estimation adaptive weighted fusion algorithm.Firstly，the algorithm based on the allowable threshold function eliminate a large error data，which collected over by the wireless temperature sensor within a period of time，then，batch estimate these processed data to derive optimal estimation of the value of the node，after this optimal estimate of all wireless temperature sensor nodes in the region，according to the principle of optimal allocation of weights to adaptive weighted fusion Within the group，finally，the algorithm calculates over the period of time the greenhouse temperature exact values.Through the experiment shows：compared with batch estimation algorithm and the traditional method of average value，this algorithm is easy to realize data fusion，the fusion value relative error is lower，better robustness.

wireless sensor；data fusion；batch estimation；adaptive weighted；admissible function

TP274

A

1004-1699（2015）08-1239-05

��7230

10.3969/j.issn.1004-1699.2015.08.023

项目来源：河南省基础与前沿技术研究项目（132300410479，142300410339）

2015-01-15 修改日期：2015-05-13