基于多傳感器信息融合的果蔬倉庫監測算法融合

路玉鳳 楊慧斌 茅健 閆娟

摘? 要： 適宜的倉庫環境對于提高存儲周期、減少腐壞率，起到至關重要的作用。將分組自適應加權融合算法與改進的BP神經網絡算法相結合，應用到倉庫環境監控系統中。通過使用分組自適應加權融合算法計算同類環境因素的估計值，再與異類傳感器融合算法相結合，融合倉庫中各種環境因子相互作用的影響，以提高輸出結果的準確度。在倉庫中收集溫度，濕度，氣味和二氧化碳濃度四個主要環境因素，并給出四類傳感器數據融合處理的實時智能決策結果，從而實現對倉庫環境的精確控制。結果表明，算法融合可以有效地提高數據處理精確度，節省各節點能耗，提高監測水平。

關鍵詞： 自適應加權融合; 多傳感器數據融合; 果蔬倉庫環境因子; 多源異類融合

中圖分類號：TP301.6? ? ? ? ? 文獻標識碼：A? ? ?文章編號：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

隨著科技的發展，多傳感器信息融合越來越受到重視并取得成就，主要表現在智能交通、遙感探測、模式識別、故障診斷等多個領域。

常見的模糊專家系統、貝葉斯決策及卡爾曼濾波等數據融合方法，在實際應用過程中具有主觀性和隨機性，在數據融合建模時具有一定的局限性，但隨著相關科技的發展，數據融合技術也將不斷完善，應用到更多的領域中。采用加權數據融合的方法，在融合過程中，由于不存在數據的先驗信息，故融合精度高，具有最優性、無偏性以及最小均方誤差等優點，因此具有廣泛的應用價值[1]。

目前，對于整個倉庫環境的監測大多采用數量傳感器進行監控，倉庫內環境監測點少，密集倉庫面積大，環境參數之間關系復雜，難以對倉庫內的整體環境變化做出準確的監測。

樊雷松[2]等人采用改進的BP神經網絡算法融合有效提高無線傳感器對森林火災監測精度。程曼等人利用最小距離聚類，確定傳感器融合次序，在一定程度上提高了數據融合結果的客觀性，提高了對溫室環境的監測精度。司迎利[3]等人采用卡爾曼濾波算法對全局狀態估計做加權融合計算，融合精度高，算法的穩定性及抗干擾能力大幅提升。曹守啟[4]在分批估計的基礎上引入修正因子，構造修正后的樣本方差，實現自適應調節權重值，提高融合精度。王浩[5]等人為解決復雜環境下土壤濕度采集精確度低的問題，基于數據級融合層建立改進加權融合算法模型，改進后的融合結果方差明顯減小。丁華[6]將優化改進后的蟻群算法應用于WSN網絡中，該算法能有效降低節點能耗，且網絡生命周期延長。

多傳感器信息融合是對傳感器采集到的數據和信息在一定的規則下進行分析處理和綜合，獲得所需決策和估計。其中，貝葉斯推理、模糊理論、D-S證據理論和神經網絡方法是常用的算法。

D-S證據理論是經典概率論的擴展，與其它三種常用算法相比，D-S證據理論具有特殊優勢，它對于解決未知環境下的不確定性信息具有顯著效果。這種特殊的優勢使得它在信息融合中得到了廣泛的應用。

本文將多源數據融合應用到倉庫環境智能監控系統中，對多個環境因素的相互影響綜合考慮，得出更為準確的融合結果，以便能夠實時控制倉庫中相關控制設備的運行和停止，為倉庫環境監控系統的設計提供依據，為倉庫內的果蔬提供適宜的存儲環境，解決因倉庫環境因子數據采集不準確而不能對倉庫環境做出精確調控的問題，實現對倉庫密集環境的精確控制。

1 融合原理

多傳感器信息融合就是充分利用同質或異構傳感器，對傳感器采集到的信息合理支配和利用，并把它們在時間或空間上的冗余或互補信息依據合適的規則組合，得到對被測對象的一致性評價或描述[7]。

采用自適應加權方法消除了測量差異對一致性度量的影響，有效地降低了非均勻數據干擾對估計值的影響[8]。

為了綜合評價環境質量，對各種環境參數進行綜合處理，應先對同質傳感器數據進行分組自適應加權[9]融合處理，再對異類傳感器數據進行融合，以獲得環境質量水平。異構傳感器數據融合方法采用改進的BP神經網絡算法（如圖1）。

同質傳感器融合采用分組自適應加權融合算法：為了準確監測果蔬倉庫存儲環境，在倉庫內安裝多組傳感器實時監測各類環境因子，在每個節點上安裝溫度、濕度、氣味、二氧化碳濃度四種傳感器，獲得各個傳感器的測量值，首先對獲取的同類傳感器數據分組，然后對每組數據進行局部自適應加權融合，再利用自適應加權融合算法對同類傳感器數據進行融合求得最佳融合結果。其自適應融合過程就是先計算各個傳感器初始測量值的方差，再計算總均方差，得到的最優權值乘以初始值即可得最佳融合結果。

異質傳感器采用LMBP神經網絡算法（如圖2）：LMBP算法是一種標準的數值優化算法，是高斯?牛頓法與梯度下降法的結合。在模型訓練過程中，權重和閾值的修改調整是影響模型預測的關鍵，調整公式為[xk+1=xk-JTJ+μI-1JTe]，當訓練開始時是梯度下降訓練法，此時[μ]值較大（[μ]為系數且[μ>0]），但隨著訓練次數的增加，[μ]值減小，當[limμ→0] 時為高斯?牛頓法，當此算法的誤差趨于最小值時，其計算精度越高，收斂速度越快。

LMBP神經網絡模型采用三層網絡結構，即輸入層、隱含層、輸出層。前饋層和遞歸層的激勵函數分別用Purelin函數和Poslin函數，訓練函數為trainlm。LMBP神經網絡先要根據獲取數據設定閾值得到輸入向量，然后利用輸入向量訓練LMBP神經網絡模型，從而得到更新后的權重和閾值，新的權重和閾值從中心節點傳輸到終端節點，然后終端節點通過對輸入量的判斷得到倉庫環境信息。大量數據的傳輸是傳感器節點能量消耗的主要影響因素[10]，應用LMBP神經網絡可以加快收斂速度，減少數據傳播時間，使傳感器節點能耗降低。

2 分組自適應加權融合

由于各測量值之間相互獨立，并且都為[a]的無偏估計，可得

3 改進的BP神經網絡

BP神經網絡算法要經歷兩個學習過程，一是信號正向傳播，二是誤差反向傳播。在正向傳播中，輸入樣本從輸入層傳入，在每個隱藏層中逐層處理，然后傳遞到輸出層[12]。如果實際輸出與預期的輸出值不符，則錯誤轉移到反向傳播階段。錯誤重傳是將輸出的錯誤通過隱藏層以某種形式重傳給輸入層，并將錯誤分布到每一層的所有元素，從而得到每一層的錯誤信號。這個誤差是校正單位重量的基礎。反復進行每一層前向和誤差反向傳播的權值調整過程。權重調整的過程就是網絡的學習和訓練過程。

首先，按閾值刪除無效的干擾數據，合適的閾值可以通過反復訓練獲取。然后，采用多數據融合技術對傳感層的數據進行處理。采用融合算法對采集到的數據按時間順序進行排序，然后根據數學模型的準則判斷有效信息。本文選取的數學模型是BP神經網絡的融合方法。它通過調整權重來提高數據的準確性。

完成這項工作的硬件設備是由單片機、傳輸模塊和各種傳感器組成的具有獨立處理能力的中心節點。在融合層，需要處理大量的數據，節點的功耗是由算法復雜度所決定的，因此融合層的算法至關重要。算法的快速收斂性也決定了融合層設計的成敗。

LM算法是牛頓法和梯度下降法的結合算法。梯度下降算法比牛頓法易于收斂，但牛頓法的收斂速度要比梯度下降法快。利用阻尼因子進行插值，生成LM算法，其綜合了兩者的優點。優化后的BP神經網絡，融合速度加快，在小功率無線傳感器節點上有很好的應用效果。

4 算例分析

在倉庫中收集溫度，濕度，氣味和二氧化碳濃度四個主要環境因素，首先，通過使用分組自適應融合算法計算同類環境因素的估計值，再同異類傳感器融合算法相結合，給出四類傳感器數據融合處理的實時智能決策結果，融合倉庫中各種環境因子相互作用的影響，從而提高輸出結果的準確度。算法融合可以有效地提高數據處理精確度，節省各節點能耗，提高監測水平。

4.1 同質傳感器數據融合

用10只溫度傳感器，對倉庫內的溫度進行多次測量，則分組自適應加權融合結果如表1。其他三類同質傳感器數據融合亦是如此。

4.2 異質傳感器數據融合

在每個節點上安裝四個傳感器對四類環境因子數據進行采集，對異質傳感器數據融合采用LMBP算法，將溫度、濕度、氣味、[CO2]濃度四個環境因子作為輸入變量，環境等級作為輸出變量，具體環境等級劃分如下，見表2。

采用數據融合的節點壽命比普通節點壽命顯著提高。數據在多個節點上的傳輸耗能隨著節點數量的增加而增加，節點采用數據融合的優勢也顯現出來了。對此，我們對單個節點的平均耗能進行了分析，如圖3所示。對于改進后的BP神經網絡算法在多個節點上的收斂速度也做了對比，如圖4所示。

從圖3可以看出，數據在多個節點上的傳輸耗能隨著節點數量的增加而增加，研究發現，BP神經網絡的功耗顯著降低，且隨著節點數的增加，單個節點的功耗不是很大。可見，融合后的節點壽命延長。在第二次數據分析實驗中，比較了多節點的收斂速度，見圖4。當單片機頻率大于2000hz時，節點的個數是影響算法收斂速度的關鍵因素。結果表明，該算法是有效的。通過分析數據的結果可以得出，BP神經網絡算法融合的改進能夠提高果蔬倉庫環境監測水平，降低節點的能耗。

5 結束語

本文首先采用分組自適應加權融合算法對倉庫內的溫度、濕度、二氧化碳濃度、氣味四類傳感器采集到的數據進行一級融合處理，分別對同類型傳感器數據進行融合，然后綜合考慮四類環境因子之間的相互關系，用改進后的BP神經網絡算法對多源異質傳感器數據進行二級融合，從而提高數據融合處理的準確性，為精準調控倉庫環境提供依據，為倉庫內的果蔬提供適宜的存儲環境，解決因倉庫環境因子數據采集不準確而不能對倉庫環境做出精確調控的問題，實現對倉庫密集環境的精確控制。結果表明，算法融合可以有效地提高數據處理的精確度，節省各節點能耗，提高監測水平。

參考文獻（References）：

[1] 李偉，何鵬舉，高社生.一種考慮傳感器精度的數據自適應加權融合算法[J].電訊技術，2015.10：1079-1086

[2] 樊雷松，強彥，趙涓涓，胡洋洋，格磊.無線傳感網中基于BP神經網絡的數據融合方法[J].計算機工程與設計，2014.35（1）：62-66

[3] 司迎利，楊新宇，陳勇，向靜波，郭世偉.基于全局狀態估計的多傳感器加權數據融合算法[J].紅外技術，2014.36（5）：360-364

[4] 曹守啟，劉影.基于水產品保活運輸的多傳感器數據融合算法[J].山東農業大學學報（自然科學版），2018.6：941-945

[5] 王浩，董振振，趙景波，唐勇偉，段杰.基于改進自適應加權融合算法的土壤濕度監測研究[J].中國農機化學報，2019.40（1）：152-155

[6] 丁華.基于蟻群優化的WSN網絡數據融合算法[J].沈陽工業大學學報，2020.42（2）：208-212

[7] 謝苗苗，李華龍.基于多源數據融合的雞舍環境智能監控技術研究[J].山東農業工程學院學報，2018.35（7）：54-58

[8] 劉文龍，楊輝.動態數據融合算法改進仿真研究[J].計算機仿真，2020.37（4）：294-297

[9] 王秀玲，王海晶，金睿，陳冶燦.基于加權數據融合的傳感器定位測距算法[J].計算機仿真，2016.33（3）：250-253

[10] 靳紫輝，夏鈺紅.云計算下分布式大數據智能融合算法仿真[J].計算機仿真，2018.35（10）：295-298

[11] 張軍，楊子晨.多傳感器數據采集系統中的數據融合技術[J].傳感器與微系統，2014.33（3）：52-57

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