基于无线传感器的空气温湿度因子识别研究
2021-11-17徐陶祎徐千栋
徐陶祎，吴 克，徐千栋，刘 昊
(武汉科技大学城市学院，湖北 武汉 430083)
1 引言
温湿度是工业、农业、医疗以及生态环境监控等多个领域的重要参数，作为空气质量的重要评估指标，在工农业领域中，采集温湿度可以更好地控制、调节棚内环境，确保植物处于适宜的成长环境里；也可以应该在其它方面，例如在档案馆储藏室中，采集、调节室内温湿度可以更好、更久远地储存档案资料[1]。由于天气预报提供的市级宏观数据无法满足多数用户需求，故引入传感器研发一种高效的温湿度采集、检测方法。
相关学者对此进行了大量的研究，文献[2]方法为监测温室中的土壤湿度、光照强度以及空气温湿度等参数，构建一种移动终端与WIFI无线通信融合下的温室大棚实时环境监控系统，利用传感器与单片机采集温室大棚中的环境指标数据，再用无线WIFI模块把当前测得的指标数据发送至移动客户端，用户通过手机APP的监控界面，即可获取实时的温室环境数据。文献[3]方法为满足现代工业生产需求，设计一种无线传感器网络下温湿度监测系统，将MSP430作为开发平台，构建数据传输电路、传感器数据采集电路、单片机最小系统电路与上位机监测平台四个部分，采用ZigBee协议传感器网络采集温湿度信息，利用核心是MSP430微处理器的网关，处理、发送所接收的数据信息，监测采集到的温湿度数据，则通过上位机监测平台实现。
基于上述文献方法中的优势，以无线传感器为基础，研究一种空气温湿度因子的识别方法。利用自适应加权识别算法，在大量节点产生的冗余信息中有效识别出空气温湿度因子，使可信度尽可能一致；引入由瑞士Sensirion公司研发的SHT11型号复合芯片，提升系统识别精准度；软件部分添加图形用户界面，实现用户可视化需求；构建核心控制区域，进一步分析处理来自各区域的数据；设计迭代算法，令中心数据与真值更加接近，强化噪声抑制能力。
2 无线传感器网络系统
无线传感器网络系统识别空气温湿度因子的功能结构主要分为六个区域，分别是核心控制区域、网络通信区域、数据采集区域、数据传输区域、调试接口区域以及供电区域，具体内容如下所示：
1)核心控制区域：主要用于控制所有硬件节点，协调各区域运行，深入分析处理来自各区域的数据；
2)网络通信区域：架构传感器网络，负责网络节点管控、无线数据通信以及协议栈[4]有关硬件设备控制；
3)数据采集区域：终端节点专属部分，功能是采集与预处理温湿度因子；
4)数据传输区域：协调器专属部分，功能是把协调器数据发送至上位机程序；
5)调试接口区域：同为协调器专属部分，用于全局调试与跟踪，便于系统控制与后期维护；
6)供电区域：识别系统中每个设备的供电方式各不相同，外接电源供电形式为协调器与路由器，采用电池供电形式的是中断节点。
图1为无线传感器节点的电路结构图。
图1 节点电路结构图
由图1所示，节点中的温湿度传感器部分通过识别、采集空气中各采集点的温湿度数据，利用无线传输协议发送至单片机，最后传输给协调器或者路由器。
该温湿度传感器的核心部分采用一款由瑞士Sensirion公司研发的SHT11[5]型号复合芯片。
除此之外，传感器网络系统主要包括的结构框架如下。
1)GUI(Graphical User Interface，图形用户界面)：负责为用户提供操作接口，用户可采用可视化[6]形式或者SQL(Structured Query Language，结构化查询语言)语言输入形式，在图形界面中发送查询请求，查询结果也能够通过可视化形式完成展示；
2)参数配置：用于配置节点id与端口等基本参数，实现网关节点与其它节点的指令交互；
3)数据识别、处理：解析、转换接收数据，将处理后的节点发送数据传输给数据显示、查询以及其它应用，为后续操作提供数据源；
4)拓扑结构与数据显示：主要用于动态显示无线传感器节点的结构变化与数据包传输路径，为用户提供当前各节点提交的识别数值；
5)数据查询：功能是通过访问数据库搜索与查询要求相符的数据结果，以波形方式显示时间、数据。
3 空气温湿度因子识别算法
3.1 算法识别前迭代处理
传感器测量数据z(i)，数学表达式如下所示
z(i)=d(i)+e(i)
(1)
式中，d(i)表示初始数据，e(i)表示噪声数据，两者相互叠加，构成传感器测量数据。假定每个传感器所含噪声不存在关联性，标准差是ε，拥有零均值，利用初始数值把传感器测量数据划分成两个类别，因为传感器噪声作用具有随机性，为方便计算，设定e(i)为各类别数据的噪声干扰，两类数据分别用下列公式描述
z1(i)=d1(i)+e(i)
(2)
z2(i)=d2(i)+e(i)
(3)
迭代计算过程中需采用下列计算公式求取各类别数据均值
E{z1(i)}=E{d1(i)+e(i)}=E{d1(i)}
(4)
E{z2(i)}=E{d2(i)+e(i)}=E{d2(i)}
(5)
从上式中可以看出，平均测量值随着迭代次数的增加而更趋于真值[7]，该最优无偏估计值噪声免疫性极强。迭代算法的具体过程描述如下：令预估值的初始数据为各传感器的测量平均极值，由初始值划分传感器测量数据为两类后，基于各类数据属性选取新的预估值，并进行再次分类，经过循环往复，令中心数据与真值更加接近，强化噪声抑制能力。
1)选取任意一个初始无偏估计值T0={Tk|k=0}，采用下列计算公式求解
(6)
式中，传感器的测量平均极值分别是Zmax、Zmin。
2)根据预估值Tk将传感器测量数据划分成R1与R2两类，且满足下列条件式
R1={d(n)|d(n)≥Tk}
(7)
R2={d(n)|d(n) (8) 3)利用下列计算公式求取R1与R2的平均测量值 (9) (10) 式中，第i个传感器的测量值与权值分别为d(i)与N(i)，权值通常取值为1。 4)选取新的预估值Tk+1，计算公式如下所示 (11) 5)若Tk=Tk+1，则停止运算；反之，则返回第二步重新分类。 无线传感器网络系统组成部分大多是共同采集数据、监测目标以及感知环境信息的海量传感器节点，为实现在大量节点产生的冗余信息中有效识别出空气温湿度因子，应用无线传感器网络系统识别空气温湿度因子。 各传感器精度不同，令可信度完全一致具有一定难度，依据传感器测量值，对相应权值展开自适应搜索[8]，可获取比较理想的识别结果，由此设计出自适应加权识别算法，框架图如图2所示。 图2 自适应加权识别算法框架示意图 (12) 由式(12)推导出下列总方差均方表达式： (13) 由于E[(x-xi)(x-xj)]=0，且i≠j;i=1，2，…，n;j=1，2，…，n，故将上式改写为下列表达式 (14) 根据总均方误差最小化原则，基于式(12)的条件极值，结合多元函数极值理论，构建加权因子计算公式，如下所示 (15) 经迭代计算获取各节点测量值的无偏估计[9]数值，归一化处理解得的各传感器测量值与预估值间的欧几里得距离[10]，将其作为自适应加权识别权重，通过式(12)取得识别结果。 假设传感器的测量数据为n维列向量D=(d1，d2，…，dn)，用各节点数据与中心数据的欧几里得距离表示两数据间的误差程度，计算公式如下所示 (16) 依据欧几里得距离对权重实施自适应设定，权重与距离呈反函数关系，计算公式如下所示： (17) 传感器发送的识别结果为二进制数值，利用自适应加权识别算法，可将二进制数值转换为具体的温湿度数据。 在某市中分别选取农作物温室与机械厂厂房作为实验环境，采用文献[2]方法、文献[3]方法以及所提方法，开展温湿度因子识别的模拟仿真，网络频段使用2.4GHz下的23号通道，PAN ID固定使用0xFFFD。按照下列图中所示完成十个节点布置。 图3 温室大棚节点分布示意图 图4 厂房节点分布示意图 识别过程中利用参数配置模块完成参数设定，向下位机发送识别指令，当系统启动成功时，各终端节点对温湿度因子进行识别、采集与传输。温室大棚和机械厂房实际温度和湿度如表1所示。 表1 温室大棚和机械厂房实际温度和湿度 表2和表3分别为20分钟内不同方法上传的温室大棚与机械厂房温湿度识别结果。 表2 温室大棚温湿度识别准确度对比结果 表3 机械厂房温湿度识别准确度对比结果 由表2和表3所示，对比文献[2]方法和文献[3]方法，所提方法在数据采集方面设计得比较完整，是由于终端节点未出现数据包丢失情况；针对温室大棚温湿度因子，所提方法的识别结果在90%以上，针对机械厂房温湿度因子，所提方法的识别结果也是在90%以上；在两种情况下，所提方法能识别出有效的温湿度数据。 在此基础上，以丢包率为测量指标，对三种方法在数据识别中丢包数量进行统计，统计结果如图5所示。 图5 不同方法丢包率对比图 如图5所示，所提方法丢包率最低，主要是因为传感器网络系统校准完全、稳定周期长、功耗较低、体积较小、自动断电，确保数据识别的准确性。 综上所述，所提方法可用于识别不同场地的空气温湿度因子，具有一定的有效性与可行性。 无线传感器网络迅猛发展，应用领域日益扩大，不再局限于军工行业，现阶段已在社会生活方面展示出蓬勃的发展趋势，逐渐融入人们的日常生活中，本文以空气温湿度作为研究对象，提出一种基于无线传感器的因子识别方法，由于时间、条件有限，存在一些不足之处，应继续在以下几个方面开展优化研究：所提方法架构的节点还处于模拟阶段，应进一步完善节点性能，真正达到实际应用要求；优化数据监控与管理软件系统，创建节点定位功能；将识别算法与实际应用融合，在现实的网络环境中验证算法的有效性；实验场景选取较为单一，应继续探究方法在户外及其它场景中的识别效果，例如检测地区环境污染程度，或连接到信息家电中，使智能家居功能更具综合性。
3.2 识别算法设计
3.3 识别算法权重设定
4 仿真分析
5 结论
