基于多传感器信息融合的果蔬仓库监测算法融合

路玉凤 杨慧斌 茅健 闫娟

摘  要： 适宜的仓库环境对于提高存储周期、减少腐坏率，起到至关重要的作用。将分组自适应加权融合算法与改进的BP神经网络算法相结合，应用到仓库环境监控系统中。通过使用分组自适应加权融合算法计算同类环境因素的估计值，再与异类传感器融合算法相结合，融合仓库中各种环境因子相互作用的影响，以提高输出结果的准确度。在仓库中收集温度，湿度，气味和二氧化碳浓度四个主要环境因素，并给出四类传感器数据融合处理的实时智能决策结果，从而实现对仓库环境的精确控制。结果表明，算法融合可以有效地提高数据处理精确度，节省各节点能耗，提高监测水平。

关键词： 自适应加权融合; 多传感器数据融合; 果蔬仓库环境因子; 多源异类融合

中图分类号：TP301.6          文献标识码：A     文章编号：1006-8228（2021）02-16-04

Abstract： A suitable warehouse environment plays a vital role in improving the storage cycle and reducing the decay rate. This paper combines the grouped adaptive weighted fusion algorithm with the improved BP neural network algorithm and applies it to the warehouse environment monitoring system. By using the grouped adaptive weighted fusion algorithm to calculate the estimated value of environmental factors of same kind， and then combined with the heterogeneous sensor fusion algorithm， the effect of the interaction of various environmental factors in the warehouse is fused to improve the accuracy of the output result. Collect the four main environmental factors of temperature， humidity， odor and carbon dioxide concentration in the warehouse， and give real-time intelligent decision results of the fusion processing of four types of sensor data， so as to achieve accurate control of the warehouse environment. The results show that the fusion of algorithms can effectively improve the accuracy of data processing， save the energy consumption of each node， and improve the monitoring level.

Key words： adaptive weighted fusion; multi-sensor data fusion; environmental factors of fruit and vegetable warehouses; multi-source heterogeneous fusion

0 引言

隨着科技的发展，多传感器信息融合越来越受到重视并取得成就，主要表现在智能交通、遥感探测、模式识别、故障诊断等多个领域。

常见的模糊专家系统、贝叶斯决策及卡尔曼滤波等数据融合方法，在实际应用过程中具有主观性和随机性，在数据融合建模时具有一定的局限性，但随着相关科技的发展，数据融合技术也将不断完善，应用到更多的领域中。采用加权数据融合的方法，在融合过程中，由于不存在数据的先验信息，故融合精度高，具有最优性、无偏性以及最小均方误差等优点，因此具有广泛的应用价值[1]。

目前，对于整个仓库环境的监测大多采用数量传感器进行监控，仓库内环境监测点少，密集仓库面积大，环境参数之间关系复杂，难以对仓库内的整体环境变化做出准确的监测。

樊雷松[2]等人采用改进的BP神经网络算法融合有效提高无线传感器对森林火灾监测精度。程曼等人利用最小距离聚类，确定传感器融合次序，在一定程度上提高了数据融合结果的客观性，提高了对温室环境的监测精度。司迎利[3]等人采用卡尔曼滤波算法对全局状态估计做加权融合计算，融合精度高，算法的稳定性及抗干扰能力大幅提升。曹守启[4]在分批估计的基础上引入修正因子，构造修正后的样本方差，实现自适应调节权重值，提高融合精度。王浩[5]等人为解决复杂环境下土壤湿度采集精确度低的问题，基于数据级融合层建立改进加权融合算法模型，改进后的融合结果方差明显减小。丁华[6]将优化改进后的蚁群算法应用于WSN网络中，该算法能有效降低节点能耗，且网络生命周期延长。

多传感器信息融合是对传感器采集到的数据和信息在一定的规则下进行分析处理和综合，获得所需决策和估计。其中，贝叶斯推理、模糊理论、D-S证据理论和神经网络方法是常用的算法。

D-S证据理论是经典概率论的扩展，与其它三种常用算法相比，D-S证据理论具有特殊优势，它对于解决未知环境下的不确定性信息具有显著效果。这种特殊的优势使得它在信息融合中得到了广泛的应用。

本文将多源数据融合应用到仓库环境智能监控系统中，对多个环境因素的相互影响综合考虑，得出更为准确的融合结果，以便能够实时控制仓库中相关控制设备的运行和停止，为仓库环境监控系统的设计提供依据，为仓库内的果蔬提供适宜的存储环境，解决因仓库环境因子数据采集不准确而不能对仓库环境做出精确调控的问题，实现对仓库密集环境的精确控制。

1 融合原理

多传感器信息融合就是充分利用同质或异构传感器，对传感器采集到的信息合理支配和利用，并把它们在时间或空间上的冗余或互补信息依据合适的规则组合，得到对被测对象的一致性评价或描述[7]。

采用自适应加权方法消除了测量差异对一致性度量的影响，有效地降低了非均匀数据干扰对估计值的影响[8]。

为了综合评价环境质量，对各种环境参数进行综合处理，应先对同质传感器数据进行分组自适应加权[9]融合处理，再对异类传感器数据进行融合，以获得环境质量水平。异构传感器数据融合方法采用改进的BP神经网络算法（如图1）。

同质传感器融合采用分组自适应加权融合算法：为了准确监测果蔬仓库存储环境，在仓库内安装多组传感器实时监测各类环境因子，在每个节点上安装温度、湿度、气味、二氧化碳浓度四种传感器，获得各个传感器的测量值，首先对获取的同类传感器数据分组，然后对每组数据进行局部自适应加权融合，再利用自适应加权融合算法对同类传感器数据进行融合求得最佳融合结果。其自适应融合过程就是先计算各个传感器初始测量值的方差，再计算总均方差，得到的最优权值乘以初始值即可得最佳融合结果。

异质传感器采用LMBP神经网络算法（如图2）：LMBP算法是一种标准的数值优化算法，是高斯?牛顿法与梯度下降法的结合。在模型训练过程中，权重和阈值的修改调整是影响模型预测的关键，调整公式为[xk+1=xk-JTJ+μI-1JTe]，当训练开始时是梯度下降训练法，此时[μ]值较大（[μ]为系数且[μ>0]），但随着训练次数的增加，[μ]值减小，当[limμ→0] 时为高斯?牛顿法，当此算法的误差趋于最小值时，其计算精度越高，收敛速度越快。

LMBP神经网络模型采用三层网络结构，即输入层、隐含层、输出层。前馈层和递归层的激励函数分别用Purelin函数和Poslin函数，訓练函数为trainlm。LMBP神经网络先要根据获取数据设定阈值得到输入向量，然后利用输入向量训练LMBP神经网络模型，从而得到更新后的权重和阈值，新的权重和阈值从中心节点传输到终端节点，然后终端节点通过对输入量的判断得到仓库环境信息。大量数据的传输是传感器节点能量消耗的主要影响因素[10]，应用LMBP神经网络可以加快收敛速度，减少数据传播时间，使传感器节点能耗降低。

2 分组自适应加权融合

由于各测量值之间相互独立，并且都为[a]的无偏估计，可得

3 改进的BP神经网络

BP神经网络算法要经历两个学习过程，一是信号正向传播，二是误差反向传播。在正向传播中，输入样本从输入层传入，在每个隐藏层中逐层处理，然后传递到输出层[12]。如果实际输出与预期的输出值不符，则错误转移到反向传播阶段。错误重传是将输出的错误通过隐藏层以某种形式重传给输入层，并将错误分布到每一层的所有元素，从而得到每一层的错误信号。这个误差是校正单位重量的基础。反复进行每一层前向和误差反向传播的权值调整过程。权重调整的过程就是网络的学习和训练过程。

首先，按阈值删除无效的干扰数据，合适的阈值可以通过反复训练获取。然后，采用多数据融合技术对传感层的数据进行处理。采用融合算法对采集到的数据按时间顺序进行排序，然后根据数学模型的准则判断有效信息。本文选取的数学模型是BP神经网络的融合方法。它通过调整权重来提高数据的准确性。

完成这项工作的硬件设备是由单片机、传输模块和各种传感器组成的具有独立处理能力的中心节点。在融合层，需要处理大量的数据，节点的功耗是由算法复杂度所决定的，因此融合层的算法至关重要。算法的快速收敛性也决定了融合层设计的成败。

LM算法是牛顿法和梯度下降法的结合算法。梯度下降算法比牛顿法易于收敛，但牛顿法的收敛速度要比梯度下降法快。利用阻尼因子进行插值，生成LM算法，其综合了两者的优点。优化后的BP神经网络，融合速度加快，在小功率无线传感器节点上有很好的应用效果。

4 算例分析

在仓库中收集温度，湿度，气味和二氧化碳浓度四个主要环境因素，首先，通过使用分组自适应融合算法计算同类环境因素的估计值，再同异类传感器融合算法相结合，给出四类传感器数据融合处理的实时智能决策结果，融合仓库中各种环境因子相互作用的影响，从而提高输出结果的准确度。算法融合可以有效地提高数据处理精确度，节省各节点能耗，提高监测水平。

4.1 同质传感器数据融合

用10只温度传感器，对仓库内的温度进行多次测量，则分组自适应加权融合结果如表1。其他三类同质传感器数据融合亦是如此。

4.2 异质传感器数据融合

在每个节点上安装四个传感器对四类环境因子数据进行采集，对异质传感器数据融合采用LMBP算法，将温度、湿度、气味、[CO2]浓度四个环境因子作为输入变量，环境等级作为输出变量，具体环境等级划分如下，见表2。

采用数据融合的节点寿命比普通节点寿命显著提高。数据在多个节点上的传输耗能随着节点数量的增加而增加，节点采用数据融合的优势也显现出来了。对此，我们对单个节点的平均耗能进行了分析，如图3所示。对于改进后的BP神经网络算法在多个节点上的收敛速度也做了对比，如图4所示。

从图3可以看出，数据在多个节点上的传输耗能随着节点数量的增加而增加，研究发现，BP神经网络的功耗显著降低，且随着节点数的增加，单个节点的功耗不是很大。可见，融合后的节点寿命延长。在第二次数据分析实验中，比较了多节点的收敛速度，见图4。当单片机频率大于2000hz时，节点的个数是影响算法收敛速度的关键因素。结果表明，该算法是有效的。通过分析数据的结果可以得出，BP神经网络算法融合的改进能够提高果蔬仓库环境监测水平，降低节点的能耗。

5 结束语

本文首先采用分组自适应加权融合算法对仓库内的温度、湿度、二氧化碳浓度、气味四类传感器采集到的数据进行一级融合处理，分别对同类型传感器数据进行融合，然后综合考虑四类环境因子之间的相互关系，用改进后的BP神经网络算法对多源异质传感器数据进行二级融合，从而提高数据融合处理的准确性，为精准调控仓库环境提供依据，为仓库内的果蔬提供适宜的存储环境，解决因仓库环境因子数据采集不准确而不能对仓库环境做出精确调控的问題，实现对仓库密集环境的精确控制。结果表明，算法融合可以有效地提高数据处理的精确度，节省各节点能耗，提高监测水平。

参考文献（References）：

[1] 李伟，何鹏举，高社生.一种考虑传感器精度的数据自适应加权融合算法[J].电讯技术，2015.10：1079-1086

[2] 樊雷松，强彦，赵涓涓，胡洋洋，格磊.无线传感网中基于BP神经网络的数据融合方法[J].计算机工程与设计，2014.35（1）：62-66

[3] 司迎利，杨新宇，陈勇，向静波，郭世伟.基于全局状态估计的多传感器加权数据融合算法[J].红外技术，2014.36（5）：360-364

[4] 曹守启，刘影.基于水产品保活运输的多传感器数据融合算法[J].山东农业大学学报（自然科学版），2018.6：941-945

[5] 王浩，董振振，赵景波，唐勇伟，段杰.基于改进自适应加权融合算法的土壤湿度监测研究[J].中国农机化学报，2019.40（1）：152-155

[6] 丁华.基于蚁群优化的WSN网络数据融合算法[J].沈阳工业大学学报，2020.42（2）：208-212

[7] 谢苗苗，李华龙.基于多源数据融合的鸡舍环境智能监控技术研究[J].山东农业工程学院学报，2018.35（7）：54-58

[8] 刘文龙，杨辉.动态数据融合算法改进仿真研究[J].计算机仿真，2020.37（4）：294-297

[9] 王秀玲，王海晶，金睿，陈冶灿.基于加权数据融合的传感器定位测距算法[J].计算机仿真，2016.33（3）：250-253

[10] 靳紫辉，夏钰红.云计算下分布式大数据智能融合算法仿真[J].计算机仿真，2018.35（10）：295-298

[11] 张军，杨子晨.多传感器数据采集系统中的数据融合技术[J].传感器与微系统，2014.33（3）：52-57

[12] Izadian， Roshanak， Manzuri， etal. Energy-saving technolo-gies of WSN[J].Advanced Materials Research，2013.605：566-569