基于環(huán)境監(jiān)測(cè)的兩級(jí)數(shù)據(jù)融合模型與算法①

馬占飛,金 溢,江鳳月,劉保衛(wèi)(內(nèi)蒙古科技大學(xué) 包頭師范學(xué)院,包頭 04030)

2(內(nèi)蒙古科技大學(xué) 信息工程學(xué)院,包頭 014010)

引言

近年來,由于氣候變化、少雨干旱、超載過牧等因素的影響,內(nèi)蒙古自治區(qū)的部分牧區(qū)草原生態(tài)環(huán)境發(fā)生急劇惡化,甚至嚴(yán)重影響到我國北方和有關(guān)鄰國的生態(tài)安全,因此,做好草原生態(tài)環(huán)境監(jiān)測(cè)工作,及時(shí)掌握草原環(huán)境變化,對(duì)合理保護(hù)草原以及有效利用草原其意義十分重大.

為了提高環(huán)境監(jiān)測(cè)效率,其監(jiān)測(cè)方法已不再利用單一的監(jiān)測(cè)體系,而是采用多傳感器相互協(xié)作方式對(duì)環(huán)境進(jìn)行監(jiān)測(cè),但是利用多傳感器采集到的各種環(huán)境參數(shù)存在大量冗余,若將這些數(shù)據(jù)直接送到監(jiān)測(cè)中心做處理,不僅增加了數(shù)據(jù)的傳輸量,而且可能導(dǎo)致最終的監(jiān)測(cè)結(jié)果存在較大誤差.因此,學(xué)者們將多源數(shù)據(jù)融合技術(shù)應(yīng)用到環(huán)境監(jiān)測(cè)中,對(duì)融合模型和算法進(jìn)行深入研究.文獻(xiàn)[1]基于自適應(yīng)加權(quán)平均和BP神經(jīng)網(wǎng)絡(luò)建立融合模型,對(duì)農(nóng)田環(huán)境進(jìn)行監(jiān)測(cè).但由于BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)值,導(dǎo)致融合結(jié)果存在偏差;文獻(xiàn)[2]基于DS證據(jù)理論構(gòu)建的環(huán)境監(jiān)測(cè)模型,增強(qiáng)了監(jiān)測(cè)指標(biāo)之間的相關(guān)性,但使用D-S證據(jù)理論的難點(diǎn)在于基本概率的分配,存在較大的主觀性,從而降低監(jiān)測(cè)的準(zhǔn)確性;文獻(xiàn)[3]采用AFWDF算法建立融合模型,對(duì)各區(qū)域內(nèi)所有節(jié)點(diǎn)采集的數(shù)據(jù)直接進(jìn)行加權(quán)融合.但是該模型的運(yùn)算量較大,降低了環(huán)境監(jiān)測(cè)的效率.針對(duì)上述融合模型的不足之處,本文建立了一種兩級(jí)數(shù)據(jù)融合模型.通過該模型對(duì)多傳感器接收的數(shù)據(jù)進(jìn)行融合處理,不僅提高了環(huán)境監(jiān)測(cè)的效率,而且大大提高了準(zhǔn)確性.

1 多源數(shù)據(jù)融合技術(shù)簡(jiǎn)介

多源數(shù)據(jù)融合(multi-source data fusion)又稱多傳感器數(shù)據(jù)融合,指的是為了某一目的,綜合處理來自多個(gè)傳感器的數(shù)據(jù),以期得到既精確又可靠的估計(jì)或推理決策[4].按照這一定義我們可以進(jìn)一步明確:多源數(shù)據(jù)融合技術(shù)是運(yùn)用計(jì)算機(jī)技術(shù)對(duì)來源于各傳感器探測(cè)的信息,按照所需達(dá)到的目標(biāo)任務(wù)協(xié)調(diào)和管理傳感器信息,并構(gòu)建相應(yīng)的傳感器模型,在此基礎(chǔ)上對(duì)所收集的傳感器數(shù)據(jù)進(jìn)行數(shù)據(jù)狀態(tài)統(tǒng)一、數(shù)據(jù)選擇剔除、數(shù)據(jù)分類和數(shù)據(jù)融合,以此達(dá)到對(duì)對(duì)象進(jìn)行綜合準(zhǔn)確判斷的目的[5].多傳感器數(shù)據(jù)融合技術(shù)流程如圖1所示.

數(shù)據(jù)融合技術(shù)的出現(xiàn)和應(yīng)用起源20世紀(jì)70年代[6].從20世紀(jì)80年代初期到現(xiàn)今為止,持續(xù)的研究熱潮使多源數(shù)據(jù)融合理論和技術(shù)得到迅猛發(fā)展.多源數(shù)據(jù)融合技術(shù)的主要特點(diǎn)是它可以依靠一定的標(biāo)準(zhǔn)來綜合分析不同時(shí)間和空間的數(shù)據(jù),以獲得比單傳感器更準(zhǔn)確的類別或者狀態(tài)檢測(cè).如今該技術(shù)在眾多領(lǐng)域得到廣泛應(yīng)用,原因在于該技術(shù)具有較高的精確度和抗干擾能力.

圖1 多傳感器數(shù)據(jù)融合技術(shù)流程

把多源數(shù)據(jù)融合技術(shù)應(yīng)用到各種領(lǐng)域,對(duì)同類傳感器來說,它不僅可以獲得較全面準(zhǔn)確的信息,還能克服因信息的冗余性造成輸出結(jié)果不確定性的缺點(diǎn),提高其可信度.同樣地對(duì)于異類傳感器,數(shù)據(jù)融合技術(shù)可以互補(bǔ)不同傳感器測(cè)得的數(shù)據(jù),而相互補(bǔ)充的信息既補(bǔ)償了單個(gè)傳感器測(cè)量的不確定性,又解決了測(cè)量范圍局限性的問題,因此應(yīng)用多源數(shù)據(jù)融合技術(shù)對(duì)增加系統(tǒng)的可靠性起到了很大的幫助.

2 草原環(huán)境監(jiān)測(cè)的數(shù)據(jù)融合模型構(gòu)建

由于草原地域廣闊,需要?jiǎng)澐謪^(qū)域布置傳感器,每個(gè)區(qū)域內(nèi)都布置若干個(gè)傳感器節(jié)點(diǎn),然后根據(jù)LEACH協(xié)議在各區(qū)域按照一定規(guī)則選取一個(gè)簇頭節(jié)點(diǎn),這便形成一個(gè)分簇結(jié)構(gòu)[7,8].其網(wǎng)絡(luò)拓?fù)鋱D如圖2所示.其中傳感器節(jié)點(diǎn)主要負(fù)責(zé)采集各類環(huán)境參數(shù)數(shù)據(jù),簇頭節(jié)點(diǎn)則負(fù)責(zé)接收各區(qū)域內(nèi)傳感器節(jié)點(diǎn)送來的數(shù)據(jù).簇頭節(jié)點(diǎn)在收到各傳感器節(jié)點(diǎn)傳來的數(shù)據(jù)后執(zhí)行一級(jí)融合,然后將一級(jí)融合結(jié)果發(fā)送給網(wǎng)關(guān)節(jié)點(diǎn).網(wǎng)關(guān)節(jié)點(diǎn)負(fù)責(zé)接收不同區(qū)域傳來的數(shù)據(jù),在接收到各區(qū)域傳來的數(shù)據(jù)后進(jìn)行二級(jí)融合,通過對(duì)融合結(jié)果的綜合分析得到最終的環(huán)境狀況.

圖2 草原環(huán)境監(jiān)測(cè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

本文以監(jiān)測(cè)土壤溫度、土壤濕度和光照強(qiáng)度3個(gè)環(huán)境參數(shù)為例,設(shè)計(jì)兩級(jí)數(shù)據(jù)融合模型如圖3所示.當(dāng)簇頭節(jié)點(diǎn)接收到該區(qū)域中傳感器采集的數(shù)據(jù)之后,首先對(duì)該區(qū)域內(nèi)的同類傳感器數(shù)據(jù)利用自適應(yīng)加權(quán)平均法來融合;其次,采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)各區(qū)域進(jìn)行局部融合處理,即把各區(qū)域的異類傳感器數(shù)據(jù)進(jìn)行融合.然后將一級(jí)融合結(jié)果發(fā)送到網(wǎng)關(guān)節(jié)點(diǎn)進(jìn)行二級(jí)融合,二級(jí)融合采用D-S證據(jù)理論對(duì)BP神經(jīng)網(wǎng)絡(luò)局部融合的結(jié)果進(jìn)行決策級(jí)融合,從而整體判斷草原環(huán)境狀況.

圖3 草原環(huán)境監(jiān)測(cè)多源數(shù)據(jù)融合模型示意圖

數(shù)據(jù)預(yù)處理:在傳感器采集的數(shù)據(jù)中,可能有異常數(shù)據(jù)存在,所以在融合前有必要進(jìn)行預(yù)處理.在這些異常數(shù)據(jù)中,一種稱為有效異常數(shù)據(jù),主要是因?yàn)橹車h(huán)境存在隱患引起的;另一種是節(jié)點(diǎn)故障等非正常因素導(dǎo)致采集到的無效異常數(shù)據(jù),這些無效異常數(shù)據(jù)會(huì)影響最終的融合結(jié)果,因此需要判斷傳感器測(cè)量數(shù)據(jù)的有效性[9].在本文中,判斷采集數(shù)據(jù)的有效性方法是群體支持度的思想,以此剔除無效的異常數(shù)據(jù),其不參與融合.

數(shù)據(jù)融合:由于每個(gè)區(qū)域內(nèi)各傳感器的測(cè)量精度不同,若直接將傳感器接收的數(shù)據(jù)融合,計(jì)算量較大.因此,首先利用自適應(yīng)加權(quán)平均法對(duì)區(qū)域內(nèi)多個(gè)同類傳感器預(yù)處理后數(shù)據(jù)進(jìn)行融合,自適應(yīng)地根據(jù)均方誤差最小的方法尋找對(duì)應(yīng)的權(quán)值,將預(yù)處理后的數(shù)據(jù)乘以權(quán)值后相加得到對(duì)各區(qū)域內(nèi)同類傳感器融合.然后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)各區(qū)域異質(zhì)傳感器數(shù)據(jù)進(jìn)行融合,輸出為各區(qū)域的環(huán)境狀況.經(jīng)一級(jí)融合得到的融合結(jié)果僅能夠反應(yīng)該區(qū)域內(nèi)的環(huán)境狀況,具有一定的不確定性,因此需要進(jìn)行二級(jí)融合整體判斷草原環(huán)境狀況,即歸一化處理各區(qū)域BP神經(jīng)網(wǎng)絡(luò)輸出值,以此作為各區(qū)域焦點(diǎn)元素的基本概率分配.最后再利用D-S證據(jù)理論進(jìn)行綜合考慮,得到最終判斷.

2.1 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)融合過程中,無效異常數(shù)據(jù)會(huì)導(dǎo)致最終融合結(jié)果不準(zhǔn)確.因此,應(yīng)剔除無效異常數(shù)據(jù).為了準(zhǔn)確判斷異常數(shù)據(jù)的有效性,本文引入群體支持度的思想.

用群體支持度來判斷異常數(shù)據(jù)有效性的方法如下[9]:在所有傳感器節(jié)點(diǎn)數(shù)據(jù)中,都有一個(gè)支持度,而支持度所反映的是該區(qū)域內(nèi)臨近節(jié)點(diǎn)對(duì)異常數(shù)據(jù)有效性的支持.假設(shè)某區(qū)域內(nèi)測(cè)量土壤溫度的傳感器有若干個(gè),其中節(jié)點(diǎn)i的測(cè)量值記作ai,節(jié)點(diǎn)j的測(cè)量值記作aj.如果測(cè)量值ai的 有效性高,證明其他節(jié)點(diǎn)的測(cè)量值對(duì)ai的支持度就越高,則ai是有效數(shù)據(jù)的可能程度越高.

為了證明各傳感器采集數(shù)據(jù)的相關(guān)支持度,采用支持度函數(shù) su p(a,b)來表示數(shù)據(jù)b對(duì)a的支持程度.其中Yager支持度函數(shù)滿足以下3個(gè)條件:

(1)sup(a,b)∈[0,1];

(2)sup(a,b)=sup(b,a);

(3)若|a?b|＜|x?y|,則sup(a,b)＞sup(x,y)

描述支持度函數(shù)通常采用高斯函數(shù),但高斯型支持函數(shù)需要執(zhí)行指數(shù)運(yùn)算,這將占用節(jié)點(diǎn)大量的硬件資源,并不適用于資源有限的傳感器網(wǎng)絡(luò).因此,本文提出了一種改進(jìn)型支持度函數(shù),以提高數(shù)據(jù)融合的精確度.如式(1)所示:

式中,K∈[0,1],表示支持函數(shù)幅度;對(duì)于衰減因子β(β ≥ 0),其值越大,支持度函數(shù)衰減越快.如果同類型傳感器接收的數(shù)據(jù),其中2個(gè)測(cè)量值越接近,則二者支持度函數(shù)值越大.改進(jìn)的支持度函數(shù)仍需滿足Yager提出的3個(gè)必要條件.

設(shè)某區(qū)域內(nèi)采集土壤溫度的傳感器節(jié)點(diǎn)有n個(gè),通過式(1)計(jì)算支持度矩陣.

則其他傳感器節(jié)點(diǎn)對(duì)傳感器節(jié)點(diǎn)ai的綜合支持度如式(3)所示:

若si值越大,則與多數(shù)傳感器節(jié)點(diǎn)的測(cè)量值越接近,此時(shí)ai為有效異常數(shù)據(jù)的概率較高;相反地,如果si值越小,證明偏離多數(shù)傳感器測(cè)量值,其為無效異常數(shù)據(jù)的可能性較高.因此,經(jīng)預(yù)處理后,某區(qū)域內(nèi)土壤溫度傳感器、土壤濕度傳感器和光照強(qiáng)度傳感器在t時(shí)刻的值分別為xi(t)(i∈ {1,2,···,n})、yi(t)(i∈ {1,2,···,n})、zi(t)(i∈ {1,2,···,n}).

2.2 基于自適應(yīng)加權(quán)平均和BP神經(jīng)網(wǎng)絡(luò)的一級(jí)融合方法

2.2.1 自適應(yīng)加權(quán)平均融合方法

本文首先將各區(qū)域內(nèi)經(jīng)預(yù)處理后的同類傳感器數(shù)據(jù)進(jìn)行融合,采用的是自適應(yīng)加權(quán)平均法.由于不同傳感器的權(quán)重不同,因此根據(jù)均方誤差最小理論,自適應(yīng)尋找各傳感器對(duì)應(yīng)的權(quán)值 wi,將各傳感器接收到的數(shù)據(jù)和對(duì)應(yīng)的權(quán)值相乘,并將結(jié)果相加便可得到最后的融合值.其中自適應(yīng)加權(quán)融合的模型如圖4所示[10]:

圖4 自適應(yīng)加權(quán)融合算法模型示意圖

假設(shè)某一區(qū)域內(nèi)用到n個(gè)土壤溫度傳感器,每個(gè)傳感器的方差分別為xi為預(yù)處理后土壤溫度傳感器測(cè)量到的數(shù)據(jù),wi為對(duì)應(yīng)的權(quán)值.根據(jù)自適應(yīng)加權(quán)平均計(jì)算公式,融合后的權(quán)值滿足式(4)和式(5):

其中,均方誤差如式(6)所示:

由于各傳感器安裝在草原的不同位置并且距離足夠遠(yuǎn),因此可近似認(rèn)為各傳感器數(shù)據(jù)相互獨(dú)立,所以有:

當(dāng)均方誤差最小時(shí),各土壤溫度傳感器所對(duì)應(yīng)的權(quán)值為:

類似地,可獲得該區(qū)域內(nèi)土壤濕度傳感器和光照強(qiáng)度傳感器在剔除無效異常數(shù)據(jù)后的一級(jí)融合值.2.2.2 BP神經(jīng)網(wǎng)絡(luò)融合方法

在本文中,采用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)各區(qū)域內(nèi)異類傳感器數(shù)據(jù)進(jìn)行局部融合.各區(qū)域自適應(yīng)加權(quán)平均融合后得到的各環(huán)境參數(shù)融合值作為BP神經(jīng)網(wǎng)絡(luò)的輸入,利用BP神經(jīng)網(wǎng)絡(luò)分別對(duì)各區(qū)域的異類傳感器數(shù)據(jù)做融合處理,得到該區(qū)域環(huán)境狀況判斷.其中具體融合方法如下:

(1)首先預(yù)處理這3種類型傳感器的數(shù)據(jù);(2)經(jīng)預(yù)處理后,分別對(duì)各環(huán)境參數(shù)進(jìn)行特征提取;(3)歸一化處理各特征信號(hào),提供統(tǒng)一的形式以供神經(jīng)網(wǎng)絡(luò)輸入;

(4)開始進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練.將樣本數(shù)據(jù)送入BP神經(jīng)網(wǎng)絡(luò)中,訓(xùn)練到滿足要求為止.然后將訓(xùn)練好的網(wǎng)絡(luò)作為已知網(wǎng)絡(luò),把歸一化處理后的監(jiān)測(cè)數(shù)據(jù)送入該神經(jīng)網(wǎng)絡(luò)中,此時(shí)神經(jīng)網(wǎng)絡(luò)的輸出即為該區(qū)域的環(huán)境狀況.

根據(jù)草原環(huán)境監(jiān)測(cè)的實(shí)際情況,本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)模型如圖5所示.其中各參量意義如下:輸入向量x={x1,x2,x3};W1ij是輸入層與隱含層間連接權(quán)值;W2ki為隱含層與輸出層間連接權(quán)值;Y1為該BP神經(jīng)網(wǎng)絡(luò)的輸出.

圖5 BP神經(jīng)網(wǎng)絡(luò)模型

根據(jù)選擇的三個(gè)環(huán)境參數(shù)并經(jīng)過反復(fù)訓(xùn)練,BP神經(jīng)網(wǎng)絡(luò)的各層參數(shù)設(shè)置如下:其中輸入層神經(jīng)元的個(gè)數(shù),是根據(jù)輸入信號(hào)的維數(shù)確定的,本文中選取3個(gè)環(huán)境參數(shù)作為輸入量,即為土壤溫度、土壤濕度和光照強(qiáng)度;隱含層神經(jīng)元的個(gè)數(shù)的選取,一般是由經(jīng)驗(yàn)公式(10)計(jì)算出隱含層節(jié)點(diǎn)數(shù)的區(qū)域范圍,并通過實(shí)驗(yàn)進(jìn)行確定,直到網(wǎng)絡(luò)輸出誤差值最小為止[11].

式中,p為隱含層節(jié)點(diǎn)數(shù);n為輸入層節(jié)點(diǎn)數(shù);m為輸出層節(jié)點(diǎn)數(shù);a為[1,10]之間的常數(shù).由經(jīng)驗(yàn)公式(10),可以得到隱含層節(jié)點(diǎn)數(shù)范圍在[2,12]之間.通過實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)當(dāng)隱含層節(jié)點(diǎn)數(shù)為6時(shí),網(wǎng)絡(luò)誤差較小,因此本文將隱含層節(jié)點(diǎn)數(shù)設(shè)定為6個(gè).輸出層設(shè)置神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為1,輸出的是對(duì)各區(qū)域的環(huán)境狀況初級(jí)判斷.

在BP神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)數(shù)設(shè)計(jì)完成后,開始對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練.本次訓(xùn)練采集1200組數(shù)據(jù)作為樣本數(shù)據(jù),然后利用圖3所示的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),使用MATLAB工具箱建立BP神經(jīng)網(wǎng)絡(luò).在考慮收斂精度與收斂速度最佳的情況下,采用logsig函數(shù)作為激活函數(shù)將網(wǎng)絡(luò)輸出限定到(0,1)區(qū)間上,訓(xùn)練函數(shù)使用trainlm函數(shù),學(xué)習(xí)函數(shù)使用learnpbm函數(shù),取目標(biāo)誤差值 ε =0.01進(jìn)行網(wǎng)絡(luò)訓(xùn)練.其仿真結(jié)果如圖6所示.

圖6 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線

由圖6可以看出,在訓(xùn)練300次后趨于穩(wěn)定.若訓(xùn)練誤差要求越來越小,則訓(xùn)練結(jié)果更接近實(shí)驗(yàn)期望值.因此,直到網(wǎng)絡(luò)誤差滿足 ε =0.01,結(jié)束網(wǎng)絡(luò)訓(xùn)練.此時(shí),可將樣本集輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別,得到BP神經(jīng)網(wǎng)絡(luò)的決策輸出,并將輸出結(jié)果歸一化處理得到焦點(diǎn)元素的基本概率分配.

2.3 基于D-S證據(jù)理論的二級(jí)融合

為了增強(qiáng)草原環(huán)境監(jiān)測(cè)的精度,采用D-S證據(jù)理論進(jìn)行全局融合.BP神經(jīng)網(wǎng)絡(luò)局部融合的缺點(diǎn)在于其結(jié)果具有不確定性,而D-S證據(jù)理論恰為解決不確定性問題提供一種有效的方法.本文經(jīng)過一級(jí)融合后,可得到對(duì)各區(qū)域的局部判斷.然后歸一化處理各區(qū)域BP神經(jīng)網(wǎng)絡(luò)的輸出值,再利用D-S證據(jù)理論進(jìn)行決策級(jí)融合.具體方法如下:

假設(shè)將一處草地分為n個(gè)區(qū)域,其中區(qū)域1經(jīng)BP局部融合后的結(jié)果記為L1,區(qū)域2經(jīng)BP局部融合后的結(jié)果記為L2,以此類推,區(qū)域n經(jīng)BP局部融合后的結(jié)果記為Ln,每個(gè)信任函數(shù)的焦點(diǎn)元素對(duì)應(yīng)各區(qū)域局部判斷結(jié)果.將所有局部判斷結(jié)果構(gòu)成識(shí)別框架,然后對(duì)各區(qū)域BP神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行歸一化處理,得到各焦點(diǎn)元素的基本概率分配值m,最后利用D-S證據(jù)理論合成規(guī)則進(jìn)行全局融合,從而得到草原環(huán)境狀況.D-S證據(jù)理論組合模型如圖7所示.

圖7 D-S證據(jù)理論融合模型

在問題域中,任意命題A均屬于冪集 2Ω[12].在2Ω上定義基本概率賦值函數(shù)m:2Ω∈[0,1],而m滿足下式:

式中,φ為空集或稱為不可能事件;m為 2Ω上的基本概率分配函數(shù);m(A)為A的基本概率值.式中所有滿足m(A)＞0的子集A稱為m的焦元.

將D-S證據(jù)理論中的信任函數(shù)Bel及似然函數(shù)Pl,定義如下:

對(duì)所有滿足條件A?Ω的A有:Bel(A)≤Pl(A).通過上述D-S證據(jù)理論公式,便能夠合成多個(gè)證據(jù)源提供的證據(jù)[13,14].

例如,將整個(gè)草原監(jiān)測(cè)區(qū)域劃分為n個(gè)區(qū)域,n個(gè)區(qū)域?qū)?yīng)m個(gè)證據(jù),分別記為E1E2···En,其對(duì)應(yīng)的基本概率賦值函數(shù)為m1m2···mn,證據(jù)理論合成公式為:

利用D-S進(jìn)行二級(jí)融合的運(yùn)算復(fù)雜度主要取決于所劃分區(qū)域的個(gè)數(shù),因?yàn)閚個(gè)區(qū)域所對(duì)應(yīng)的是n條證據(jù)體.并且本文在使用D-S證據(jù)理論的過程中,不僅解決BP神經(jīng)網(wǎng)絡(luò)輸出的不確定性,同時(shí)借助mass函數(shù),設(shè)置置信區(qū)間,保證了各子集數(shù)據(jù)的有效性.

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證該兩級(jí)融合模型的有效性,實(shí)驗(yàn)選取某一草坪并將其劃分為5個(gè)區(qū)域,分別標(biāo)記為A,B,C,D,E,每個(gè)區(qū)域內(nèi)均布置若干個(gè)土壤溫度傳感器、土壤濕度傳感器、光照強(qiáng)度傳感器節(jié)點(diǎn)和一個(gè)簇頭節(jié)點(diǎn).選用Matlab2016仿真工具進(jìn)行模擬實(shí)驗(yàn).在每個(gè)區(qū)域3種傳感器分別采集的200個(gè)樣本數(shù)據(jù),為了實(shí)驗(yàn)具有普遍適用性,每次仿真實(shí)驗(yàn)在各類傳感器采集的數(shù)據(jù)中隨機(jī)抽取180個(gè)樣本進(jìn)行模擬,剩余的20個(gè)樣本作為模型的測(cè)試集.

首先利用自適應(yīng)加權(quán)平均法得到各區(qū)域內(nèi)3個(gè)環(huán)境參數(shù)的融合值.例如A區(qū)域內(nèi)有3個(gè)土壤溫度傳感器采集的數(shù)據(jù)進(jìn)行實(shí)驗(yàn),3個(gè)傳感器節(jié)點(diǎn)分別標(biāo)記為x1,x2,x3.某次實(shí)驗(yàn)測(cè)得x1=28.6 ℃,x2=27.7 ℃,x3=28 ℃.求得節(jié)點(diǎn)方差為:σ21=0.02,σ22=0.13,σ23=0.1,對(duì)應(yīng)權(quán)值為w1=0.34,w2=0.47,w3=0.41,此時(shí)融合結(jié)果X=28.05 ℃.如此實(shí)驗(yàn)30次,得到的結(jié)果如圖8所示.

通過上述實(shí)驗(yàn)可以看出,存在一些節(jié)點(diǎn)采集的數(shù)據(jù)波動(dòng)較大.但通過自適應(yīng)加權(quán)平均法對(duì)同類傳感器數(shù)據(jù)融合后,這些波動(dòng)較大的數(shù)據(jù),對(duì)實(shí)驗(yàn)結(jié)果的影響并不大.為了進(jìn)一步體現(xiàn)自適應(yīng)加權(quán)平均的準(zhǔn)確性及有效性,分別對(duì)自適應(yīng)加權(quán)平均、算術(shù)平均[15]和加權(quán)平均3種方法的融合誤差進(jìn)行對(duì)比,圖9所示為3種方法的融合誤差.

圖8 A區(qū)域3個(gè)土壤溫度傳感器采集數(shù)據(jù)

圖9 三種方法的融合誤差對(duì)比

經(jīng)過30次實(shí)驗(yàn)可以看出,算術(shù)平均法的融合誤差最大精度最低,而自適應(yīng)加權(quán)平均法的融合誤差最小精度最高.由此說明了自適應(yīng)加權(quán)平均法的有效性.

根據(jù)該兩級(jí)融合模型功能結(jié)構(gòu)以及采集的實(shí)驗(yàn)數(shù)據(jù)形式,選用平均絕對(duì)百分比誤差和相關(guān)系數(shù),對(duì)二級(jí)融合模型的性能進(jìn)行綜合評(píng)價(jià).計(jì)算公式如下:

平均絕對(duì)百分比誤差:

相關(guān)系數(shù):

其中,f(xi)為融合值,yi為真值(即各傳感器采集的數(shù)據(jù)),n為總數(shù)值.模型性能越好,則MAPE絕對(duì)值越小,

反之則差;相關(guān)系數(shù)在[0,1]內(nèi),模型性能越好系數(shù)越接近1.分別利用BP神經(jīng)網(wǎng)絡(luò)、D-S證據(jù)理論以及二者結(jié)合進(jìn)行融合,經(jīng)過10次實(shí)驗(yàn),得到平均絕對(duì)百分比誤差和相關(guān)系數(shù)對(duì)比如圖10和圖11所示.

圖10 平均絕對(duì)百分比誤差對(duì)比圖

圖11 相關(guān)系數(shù)對(duì)比圖

通過圖10可以看出,使用BP神經(jīng)網(wǎng)絡(luò)融合的絕對(duì)百分比誤差普遍大于使用D-S證據(jù)理論融合的均方誤差.但將二者結(jié)合使用,發(fā)現(xiàn)其遠(yuǎn)小于單獨(dú)使用這兩種融合方法.根據(jù)圖11所示的結(jié)果分析,BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論結(jié)合使用的相關(guān)性系數(shù)更接近1,其中大多數(shù)在0.5以上.由此說明將BP神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論結(jié)合進(jìn)行融合的系統(tǒng)性能更好.通過實(shí)驗(yàn)驗(yàn)證了該兩級(jí)融合模型的有效性,同時(shí)該模型提高了系統(tǒng)的精度,表明將多個(gè)傳感器獲得的數(shù)據(jù)進(jìn)行融合的結(jié)果更加符合實(shí)際情況.

4 結(jié)束語

本文根據(jù)草原生態(tài)環(huán)境的是實(shí)際情況,建立了兩級(jí)融合模型.由于傳感器故障等原因?qū)е虏杉臄?shù)據(jù)中會(huì)存在無效異常數(shù)據(jù),因此融合前首先利用群體支持度的方法剔除無效異常數(shù)據(jù),保留有效異常數(shù)據(jù).然后先對(duì)各區(qū)域同類傳感器采用自適應(yīng)加權(quán)平均法進(jìn)行融合,再利用BP神經(jīng)網(wǎng)絡(luò)對(duì)異類傳感器數(shù)據(jù)融合,此時(shí)輸出為各區(qū)域環(huán)境狀況.因經(jīng)BP神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果存在不確定性,本文針對(duì)一級(jí)融合結(jié)果,采用D-S證據(jù)理論進(jìn)行決策級(jí)融合.將BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)性的特點(diǎn)與D-S證據(jù)理論基本概率分配問題互補(bǔ),即把BP神經(jīng)網(wǎng)絡(luò)的輸出值進(jìn)行歸一化處理,以此作為基本概率分配值,再利用D-S證據(jù)理論進(jìn)行決策判斷.本文的模型致力于解決多源傳感器在草原環(huán)境中采集參數(shù)數(shù)據(jù)過程中,可能出現(xiàn)的不確定性,最后通過模型的性能評(píng)價(jià),證明了該模型有一定的可靠性.