多源数据融合的压缩感知算法在智能交通中的应用研究

2020-04-17王小红

科学与信息化 2020年3期

王小红

摘要本文阐述多源数据融合在智能交通网中的研究现状，利用压缩感知的基本理论，进行智能交通中数据融合与重构算法。最后，总结压缩感知应用于智能交通网，以实现智能交通网络中的数据采集。智能交通网的数据采集的数据多、数据杂，本文提出压缩感知理论用于智能交通网的数据采集，降低数据量，提高有效数据的采集，采用的重构算法实现数据的重构，保证信号重构的精确性和稳定性，保证网络传输信息的准确性。最后给出了仿真分析论证。

关键词数据融合;压缩感知;重构算法;智能交通

引言

智能交通系统网络中，采用了大量不同类型的传感器，比如温度、声音、振动、压力等等，由于网络的智能处理系统中传感器种类是多样的，而且是多种传感器相互组合作用。在智能交通系统设计当中，外界道路交通环境感知信息是由各种各样的传感器的采集后，由处理器进行分析处理后发出相关指令，最后指令通过无线传输到外部道路基础设施中。传统的多源数据融合算法，在多传感器节点的智能交通系统中能量与通信带宽上的均不能达到要求。因此，本文采用多源数据融合的压缩感知算法，通过仿真验证能够较好的减少节点间数据通信量。

多源传感器数据融合（ Multi-Sensor data fusion）最早兴起于国外军事方面。这些军事系统采用的传感器包括雷达、红外、激光、可见光传感器和声音传感器等，通过各种算法解决态势评估和威胁评估技术问题。与其他发达国家相比，我国的数据融合技术发展较晚。我国已开始研究数据融合理论方法和技术的实现，将传感器数据融合技术用于检测、控制、模式识别、故障诊断和导航等领域。

无线传感器网络（Wireless Sensor Networks， WSN）数据融合技术的研究重点包括以下三个方面：路由协议、数据融合算法和数据表示。WSN采用融合技术的目的是对感知数据做采集与处理，并将处理后的数据传送到基站。

1 数据级融合

数据级融合数据，来自于智能交通多种传感器采集的相关数据，经过放大电路将信号方法后，处理器将直接融合同级别传感器的数据。分析提取特征后，判决传感器采集数据的属性。其数据融合的模型如图1所示。

数据级融合属于最基本的数据融合形式，其能够融合的数据只能是相同的传感器，最多是相近的傳感器。如：气体、液体等传感器。因此，通过处理原始数据，才能保证融合的数据来自于相同或者同类的传感器。

这种数据级融合模型的主要优势是：计算数据详细，计算精确，具有较高的计算精度。同时由于计算数据庞大，存在以下局限性：

（1）实时性：分析和处理传感器采集的原始数据，冗杂数据多，导致计算量较大，造成处理时间较长，实时性差。

（2）抗干扰性：整个数据分析过程中，数据未清洗，数据质量直接影响到模型效果和最终结论数据，且能耗较高。

（3）单一性：融合的数据只能是相同或者同类传感器采集的信息，融合的能力不足，该融合模型只能提供对于被测目标单一属性的融合处理[1]。

2 多源数据信息融合系统模型

根据输入数据的融合以及输出结果方式的不同，提出数据融合功能模型，并将数融合的种类划分为不同级别。数据融合级别的划分规则综合了五级分类模型与四级分类模型的优点，给出了六级分类模型。其中，数据融合功能级别主要分为第零级（信息源预处理）、第一级（检测级融合）、第二级（位置级融合）、第三级（目标识别级融合）、第四级（态势估计）、第五级（威胁估计）及第六级（精细处理）[2]。

现有的智能交通在数据信息融合系统模型大体上可以分为功能型模型和数据型模型：前者主要是根据数据处理顺序进行构建，例如UK情报环、OODA环等;UK情报环将信息处理过程抽象成了一个环形结构。而后者则是根据各个不同的数据提取环节加以构建。本文采用UK情报环模型。

UK情报环模型能够很好地满足数据处理中的多项原则。

3 压缩感知算法实现

压缩感知算法应用在UK环的整理阶段。对采集到的数据，进行数据融合和压缩处理，压缩感知理论主要包括3个部分：

步骤4重构压缩算法

while

h = A* r;

[h_new，h_index]=sort（abs（h），descend）;

L = union（a_index2，h_index（1：alpha*k））;

a（L） = A（：，L）＼y;

[a_new，a_index] = sort（abs（a），descend）;

a（a_index（k+1：end））=0;