周金生， 王紀章， 賀　通， 王建平， 李萍萍，2

(1.江蘇大學現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點實驗室，江蘇鎮(zhèn)江 212013； 2.南京林業(yè)大學生物與環(huán)境學院，江蘇南京 210037)

近年來，隨著信息技術(shù)的快速發(fā)展，物聯(lián)網(wǎng)技術(shù)在設(shè)施農(nóng)業(yè)中得到越來越多的應用[1-2]。傳感器技術(shù)、無線網(wǎng)絡(luò)、微型計算機技術(shù)、互聯(lián)網(wǎng)的發(fā)展進一步促進了溫室環(huán)境信息的監(jiān)測管理[3-5]。為部署溫室環(huán)境測控系統(tǒng)，須要在溫室中布置大量的用于監(jiān)測溫室中主要環(huán)境參數(shù)的傳感器，但是設(shè)施農(nóng)業(yè)內(nèi)部的高濕、高溫等惡劣工作環(huán)境易導致溫室環(huán)境測控系統(tǒng)傳感器故障的頻繁發(fā)生。利用傳感器采集設(shè)施農(nóng)業(yè)內(nèi)的環(huán)境信息是溫室環(huán)境測控系統(tǒng)的基礎(chǔ)，而傳感器故障導致的數(shù)據(jù)異常對溫室環(huán)境監(jiān)測的準確性、環(huán)境控制的可靠性都會產(chǎn)生嚴重危害[6]。因此，在溫室環(huán)境測控系統(tǒng)的基礎(chǔ)上開展多傳感器數(shù)據(jù)融合研究具有重要的經(jīng)濟意義和工程應用價值。

國內(nèi)外學者已經(jīng)對傳感器數(shù)據(jù)融合進行了大量研究。常規(guī)方法是采用平均值算法簡單實現(xiàn)傳感器數(shù)據(jù)融合，該方法適用于具有大量傳感器并且應用于對精度要求不高的數(shù)據(jù)融合中?？柭鼮V波是應用較多的數(shù)據(jù)級多傳感器數(shù)據(jù)融合方法，依賴于系統(tǒng)的狀態(tài)空間模型，而模型的精確程度直接影響數(shù)據(jù)的融合效果[7-8]。蔡振江等采用基于均值的分批估計法[9]、高峰等使用自適應加權(quán)法[10]進行溫室數(shù)據(jù)融合，無需傳感器系統(tǒng)的任何先驗知識，依靠傳感器采集的測量數(shù)據(jù)即可實現(xiàn)較高精度的融合估計，但若分批估計的傳感器分組選擇不當將會影響最終的融合效果[11]，而自適應加權(quán)法對傳感器采集結(jié)果方差估計所需要的觀測誤差必須為零均值平穩(wěn)噪聲[12]。針對均值算法融合精度不高的問題，Yager提出一種冪均方算子進行數(shù)據(jù)融合[13]，僅須要計算當前各傳感器數(shù)據(jù)的支持度函數(shù)就能獲得加權(quán)融合的最優(yōu)權(quán)重，無須其他概率統(tǒng)計知識，適用于實時數(shù)據(jù)融合，但給出的支持度函數(shù)在溫室無線傳感器網(wǎng)絡(luò)(wireless sensor network，簡稱WSN)系統(tǒng)中使用時仍存在優(yōu)化空間。針對高沖突信息融合結(jié)果不合理的問題，劉準釓等提出一種基于多源證據(jù)融合的加權(quán)融合算法[14]，該算法根據(jù)2個證據(jù)的距離大小來確定其相互支持度，將證據(jù)支持度矩陣模最大特征值對應的特征向量作為證據(jù)的相對折扣因子，并修正證據(jù)信息，最后用DS(dempster-shafer)規(guī)則進行融合。Lee等提出一種無須模型參數(shù)傳遞的融合方法[15-16]，但在溫室無線傳感器網(wǎng)絡(luò)中使用時仍有改進空間。

從現(xiàn)場的實際應用出發(fā)，針對基于物聯(lián)網(wǎng)技術(shù)的溫室環(huán)境測控通用系統(tǒng)[17]在運行過程中出現(xiàn)的傳感器節(jié)點數(shù)據(jù)異常等情況，本研究提出一種基于時空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合方法，該方法以時間相關(guān)性和空間相似性預測值為輸入變量，基于改進型支持度函數(shù)的數(shù)據(jù)融合算法獲得傳感器采集點的最優(yōu)預測值，以提高數(shù)據(jù)的真實性與可靠性，并利用傳感器測量數(shù)據(jù)進行試驗驗證。

1　傳感器數(shù)據(jù)融合模型

在溫室環(huán)境中，時空關(guān)聯(lián)性是指環(huán)境參數(shù)隨著時間和空間變化而變化的規(guī)律，可反映環(huán)境參數(shù)在時間和空間上的關(guān)聯(lián)性，通過研究對象隨著空間和時間變化而變化的規(guī)律，解決含空間和時間約束的規(guī)則發(fā)掘問題。研究溫室環(huán)境時空關(guān)聯(lián)性問題的目的在于發(fā)現(xiàn)環(huán)境數(shù)據(jù)的時空關(guān)聯(lián)規(guī)則，分析參數(shù)的時空變化趨勢[18]。

為提高溫室環(huán)境測控系統(tǒng)多傳感器節(jié)點采集數(shù)據(jù)的準確性，本研究通過軟件算法來實現(xiàn)傳感器節(jié)點數(shù)據(jù)的自修正，設(shè)計基于時空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合算法(圖1)，該算法主要包括時間相關(guān)性預測、空間相似性估計、多傳感器數(shù)據(jù)融合等。

在溫室環(huán)境測控系統(tǒng)中布置大量各類型的傳感器節(jié)點，包括同質(zhì)傳感器、異質(zhì)傳感器等，溫室內(nèi)傳感器采集的環(huán)境參數(shù)間具有較強的耦合性，即傳感器節(jié)點在小氣候空間范圍內(nèi)采集的環(huán)境參數(shù)信息和相鄰節(jié)點的傳感器數(shù)據(jù)相關(guān)或相似。單傳感器采集的溫室環(huán)境數(shù)據(jù)可構(gòu)成一個時間序列，通過對時間序列分析發(fā)現(xiàn)，在短時間內(nèi)環(huán)境數(shù)據(jù)之間具有較強的時間相關(guān)性。

本研究中基于時空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合的主要過程如下：(1)針對溫室環(huán)境測控系統(tǒng)采集的溫室環(huán)境數(shù)據(jù)，基于傳感器歷史數(shù)據(jù)，利用基于一階自回歸的時間相關(guān)性預測算法獲得時間序列預測值，并對不同的時間預測方法進行對比分析。(2)針對溫室內(nèi)各傳感器節(jié)點采集的溫室環(huán)境數(shù)據(jù)之間存在相互關(guān)系，相鄰傳感器節(jié)點存在空間相似性的特點，分別利用同質(zhì)傳感器、異質(zhì)傳感器當前時刻數(shù)據(jù)，建立基于空間相似性的本節(jié)點數(shù)據(jù)預測值，并對不同的空間相似性估計方法進行對比分析。(3)以時空相關(guān)性預測結(jié)果為輸入量，利用本研究提出的基于改進型支持度函數(shù)的數(shù)據(jù)融合算法估計傳感器節(jié)點數(shù)值，獲得傳感器最優(yōu)估計值并與基于主成分分析的數(shù)據(jù)融合方法、平均值法進行預測值與量測值間的比較和分析。

2　基于時空關(guān)聯(lián)性的傳感器預測

溫室內(nèi)環(huán)境參數(shù)一般變化得比較緩慢，傳感器真值在較短時間內(nèi)保持不變，因此可認為，基于時間相關(guān)性、空間相似性的時空特性傳感器預測值在同時刻服從正態(tài)分布。時空關(guān)聯(lián)性包括時間相關(guān)性、空間相似性。

2.1　時間相關(guān)性預測

時間相關(guān)性預測就是利用傳感器在溫室環(huán)境測控過程中環(huán)境參數(shù)具有時間相關(guān)性的特點，采用基于時間特性的預測算法獲得下一時刻的預測值。在溫室環(huán)境測量過程中，傳感器節(jié)點采集的數(shù)據(jù)在時間上往往具有一定依存性，即傳感器采集的數(shù)據(jù)可構(gòu)成時間序列，下一時刻的傳感器數(shù)據(jù)受到現(xiàn)在時刻與歷史時刻數(shù)據(jù)的約束。一般情況下，歷史數(shù)據(jù)對現(xiàn)在和未來數(shù)據(jù)的影響隨著時間間隔的增加而減小。在溫室環(huán)境的測量過程中，后一時刻的傳感器數(shù)據(jù)主要和前一時刻有關(guān)，而受更前一時刻傳感器數(shù)據(jù)的影響較小，可忽略不計，因此認為，溫室環(huán)境數(shù)據(jù)具有一階動態(tài)性。本研究結(jié)合溫室環(huán)境的特點，選取一階自回歸預測算法進行溫室環(huán)境預測。

設(shè)溫室環(huán)境采集的傳感器數(shù)據(jù)構(gòu)成時間序列xi1，xi2，…，xin，采用一階自回歸時間相關(guān)性預測算法[19]進行預測，則第n+1時刻的預測結(jié)果為：

(1)

2.2　空間相似性預測

空間相似性估計就是利用相鄰傳感器間的空間環(huán)境分布特性，采用基于空間相似性的預測算法計算出本節(jié)點的估計值。在溫室環(huán)境測控系統(tǒng)中，傳感器數(shù)據(jù)之間存在相互關(guān)系，傳感器與相鄰傳感器節(jié)點之間存在關(guān)聯(lián)，即傳感器之間具有空間相似性。根據(jù)空間相似性理論可知，不同傳感器在同一時刻采集的溫室環(huán)境參數(shù)之間存在關(guān)聯(lián)性。在測控系統(tǒng)運行過程中發(fā)現(xiàn)，相鄰的不同或相同類型傳感器采集的數(shù)據(jù)之間存在近線性關(guān)系。空間相似性依據(jù)對比傳感器類型的不同，可被分為同質(zhì)傳感器相似性和異質(zhì)傳感器相似性。根據(jù)進行空間相似性預測對象的不同，可以分為同質(zhì)傳感器預測、異質(zhì)傳感器預測。

2.2.1同質(zhì)傳感器相似性預測當利用同種類型的多組傳感器同時對觀測區(qū)域的同一目標進行觀測時，同質(zhì)傳感器之間具有很強的線性關(guān)系。本研究對傳感器節(jié)點采集的數(shù)據(jù)進行相互比較，建立一個基于鄰居節(jié)點的本節(jié)點當前時刻聚合值。

(2)

2.2.2異質(zhì)傳感器相似性預測溫室的各種環(huán)境參數(shù)之間存在著耦合關(guān)系，通過觀察不同傳感器采集的不同類型環(huán)境參數(shù)發(fā)現(xiàn)，環(huán)境參數(shù)之間存在一定的變化規(guī)律。在對同一區(qū)域進行監(jiān)測時，不同的監(jiān)測參數(shù)之間存在關(guān)聯(lián)。例如溫度與光照度之間具有正相關(guān)性，而溫度與濕度之間具有負相關(guān)性，監(jiān)測參數(shù)之間存在近線性關(guān)系。與同質(zhì)傳感器相似性相比，異質(zhì)傳感器能夠更好地應用環(huán)境及性能的互補作用，擴展空間上的觀測范圍，增強數(shù)據(jù)的可靠性。

若具有m+1個相鄰監(jiān)測參數(shù)，設(shè)m個經(jīng)過數(shù)據(jù)預處理的監(jiān)測參數(shù)為自變量，1個目標監(jiān)測參數(shù)為因變量，令自變量表示為：

X={x1n，x2n，…，xmn}。

則回歸關(guān)系模型可構(gòu)造形成的矩陣形式為Xm+1=Xmβ+ε，即

式中：β0、β1、β2、…、βm表示線性參數(shù)；ε表示隨機誤差，服從ε～N(0,σ2)；X表示回歸設(shè)計矩陣。

3　傳感器時空特性數(shù)據(jù)融合

數(shù)據(jù)融合就是將不同傳感器的多維信息通過合并和相應的處理得到符合要求的數(shù)據(jù)結(jié)果的整體過程[20]。數(shù)據(jù)融合在測控系統(tǒng)中常用的方法是平均值法，對被測對象測量值不加區(qū)別地計算數(shù)據(jù)平均值，而忽略不同采集值的權(quán)重，適用于大量傳感器數(shù)據(jù)。

本研究采用多種算法模型對傳感器信息進行預測，并將各種預測值作為數(shù)據(jù)融合的輸入量，利用提出的基于改進型支持度函數(shù)的數(shù)據(jù)融合算法進行信息融合，并將融合輸出量作為最終估計值，該算法能夠在保存有效數(shù)據(jù)的同時剔除冗余數(shù)據(jù)，為后續(xù)的精準控制、故障數(shù)據(jù)恢復提供數(shù)據(jù)基礎(chǔ)。

同一時刻不同的狀態(tài)估計值以正態(tài)分布形式隨機分布，越靠近峰值估計值越多，且估計值之間的支持力度越大；反之，2個估計值之間的數(shù)據(jù)差越大，兩者之間的互相支持度越小。

不同狀態(tài)預測算法得到的表征數(shù)據(jù)或不同采集節(jié)點待融合數(shù)據(jù)之間存在關(guān)聯(lián)，其量測方程可以表達為：

xi(t)=s(t)+vi(t)，i=1，2，…，n。

(3)

式中：xi(t)表示第i個輸入量在t時刻對參數(shù)s的量測值；s(t) 表示被測量對象的實測值；vi(t)表示t時刻的量測噪聲。

Yager提出采用支持度函數(shù)sup(a，b)表示數(shù)據(jù)b對數(shù)據(jù)a的支持程度[13]，即

(4)

其中，i，j為正整數(shù)，i，j=1，2，3，…，n。

文獻[21]提出一種常用的支持度函數(shù)算法：

(5)

考慮到在溫室環(huán)境測控系統(tǒng)中多變量、多層次地使用支持度函數(shù)會使計算量急劇增加的特點，本研究構(gòu)造一種改進型支持度函數(shù)。

(6)

該改進型支持度函數(shù)滿足支持度函數(shù)的幾個條件：(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)，其中，sup(x，y)表示數(shù)據(jù)y對數(shù)據(jù)x的支持程度；(4)sup[xi(t)，xj(t)]是距離Dij(t)的單調(diào)減函數(shù)。

將溫室環(huán)境數(shù)據(jù)不同的狀態(tài)預測值代入改進型支持度函數(shù)，建立支持度矩陣函數(shù)R，確定第i個測量數(shù)據(jù)在全體測量數(shù)據(jù)中的權(quán)系數(shù)，最終計算出本節(jié)點當前時刻異常點的最優(yōu)估計值?；诟倪M型支持度函數(shù)的數(shù)據(jù)融合算法流程如圖2所示。

4　驗證

4.1　試驗設(shè)備與方法

試驗于2015年10月在江蘇省農(nóng)業(yè)科學院溧水植物科學基地的溫室大棚內(nèi)進行。通過如圖3所示的基于物聯(lián)網(wǎng)的溫室環(huán)境測控通用系統(tǒng)采集溫室環(huán)境數(shù)據(jù)，系統(tǒng)主要包括協(xié)調(diào)節(jié)點、采集節(jié)點、各種類型傳感器、智能網(wǎng)關(guān)、室外小型氣象站和監(jiān)控軟件等。利用各類型傳感器節(jié)點采集溫室內(nèi)外溫度、濕度、光照度、CO2濃度等環(huán)境變量。

具體試驗方法如下：傳感器采集節(jié)點每隔1 min讀取1次各類型傳感器、室外氣象站的數(shù)據(jù)，通過協(xié)調(diào)節(jié)點傳輸至智能網(wǎng)關(guān)，監(jiān)控軟件實現(xiàn)數(shù)據(jù)的解析、處理、判斷、決策、控制等功能。

對多組傳感器數(shù)據(jù)進行分析并仿真，為驗證仿真效果，將支持度函數(shù)所需的參數(shù)設(shè)置為K=1、β=0.5，將數(shù)據(jù)融合、數(shù)據(jù)預處理中的溫度閾值設(shè)置為δ=0.5、ε=0.5，對數(shù)據(jù)預處理、數(shù)據(jù)融合和數(shù)據(jù)恢復效果等進行驗證，并在不同方法之間作對比分析。

4.2　數(shù)據(jù)融合效果

數(shù)據(jù)融合的主要目的是利用傳感器節(jié)點采集的環(huán)境數(shù)據(jù)計算基于時間相關(guān)性的預測值以及同質(zhì)傳感器、異質(zhì)傳感器間基于空間相似性的預測值，并將多種預測方法求得的預測值作為多數(shù)據(jù)融合的輸入變量，利用數(shù)據(jù)融合算法求得最優(yōu)估計值。

4.2.1時間相關(guān)性驗證以基于時間相關(guān)性的預測值為期望，以經(jīng)過數(shù)據(jù)預處理的傳感器節(jié)點采集值為準實際值，對數(shù)據(jù)進行傳感器節(jié)點時間相關(guān)性仿真，時間尺度n=5，則時間相關(guān)性數(shù)據(jù)的驗證效果如圖4所示。與其他經(jīng)典的時間序列預測算法[22]進行對比，包括趨勢移動平均預測算法、二次曲線趨勢時間預測算法，分析結(jié)果如表1所示。

由表1可知，一階自回歸時間相關(guān)性預測算法的效果優(yōu)于其他幾種時間預測算法；對數(shù)據(jù)進行統(tǒng)計發(fā)現(xiàn)，99.65%的檢測值分布在預測值的閾值區(qū)間[r(t)-δ，r(t)+δ]內(nèi)，傳感器數(shù)據(jù)具有良好的平滑性。

表1　預測算法對比分析

4.2.2空間相似性驗證利用傳感器節(jié)點間的空間相似性，分別驗證同節(jié)點同質(zhì)傳感器間、同節(jié)點異質(zhì)傳感器間以及不同節(jié)點同質(zhì)傳感器間的空間相似性，結(jié)果如圖5所示。

將基于空間相似性的預測值分別與量測值進行對比，得到的數(shù)據(jù)樣本分析結(jié)果如表1所示。由表1可知，基于同質(zhì)傳感器的空間相似性預測效果明顯好于基于異質(zhì)傳感器的預測算法。

4.2.3數(shù)據(jù)融合驗證將上述基于時間相關(guān)性的時間預測值、基于空間相似性的空間預測值作為數(shù)據(jù)融合算法的輸入量進行數(shù)據(jù)融合，對比支持度函數(shù)及其他多種數(shù)據(jù)融合方式，得到如圖6所示的驗證結(jié)果。其中，平均值算法是一種簡單低級的數(shù)據(jù)融合技術(shù)，一種靜態(tài)加權(quán)平均算法；主成分分析算法是一種常用的數(shù)據(jù)分析方法，通過線性變換將原始數(shù)據(jù)集用1組與各維度線性無關(guān)的數(shù)據(jù)表示，可用于提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。

為檢驗各支持度函數(shù)算法、主成分分析算法及傳統(tǒng)方法的融合效果，進行多組環(huán)境數(shù)據(jù)驗證，結(jié)果如表2所示。

由表2可知，平均值法、主成分分析法以及改進型支持度函數(shù)的幾種算法均能有效地實現(xiàn)數(shù)據(jù)融合，支持度算法效果優(yōu)于其他算法，且與其他數(shù)據(jù)融合算法相比，本研究提出的改進型支持度函數(shù)算法表現(xiàn)出較好的性能，融合樣本方差較小，驗證了本研究提出的改進型支持度函數(shù)的有效性。

表2　數(shù)據(jù)融合結(jié)果對比

本研究提出的基于改進型支持度函數(shù)的數(shù)據(jù)融合算法較傳統(tǒng)的數(shù)據(jù)融合算法具有更高的可靠性，能夠有效地同時處理多變量之間的支持度，該算法的融合效果優(yōu)于其他傳統(tǒng)數(shù)據(jù)融合算法。

根據(jù)上述內(nèi)容，本研究選擇基于時間相關(guān)性的一階自回歸預測算法以及基于空間相似性的同質(zhì)傳感器、異質(zhì)傳感器估計算法，并結(jié)合改進型支持度函數(shù)數(shù)據(jù)融合算法對溫室環(huán)境測控系統(tǒng)的主要環(huán)境參數(shù)進行組合對比驗證。以平均值法、傳統(tǒng)支持度函數(shù)為對比算法，驗證結(jié)果如表3所示。

表3　組合對比驗證結(jié)果

由表3可以看出，基于時空關(guān)聯(lián)性的溫室環(huán)境數(shù)據(jù)融合得到的估計結(jié)果較基于時間相關(guān)性、空間相似性的數(shù)據(jù)融合要好，基于改進型支持度函數(shù)的數(shù)據(jù)融合效果好于基于平均值法和傳統(tǒng)的支持度函數(shù)算法。

基于時空關(guān)聯(lián)性和改進型支持度函數(shù)的溫室環(huán)境多傳感器數(shù)據(jù)融合能夠更好地反映溫室環(huán)境參數(shù)變化，表現(xiàn)出更好的數(shù)據(jù)估計效果。

5　結(jié)束語

針對溫室環(huán)境中部分環(huán)境參數(shù)變化緩慢、冗余度大的特點，對溫室環(huán)境測控系統(tǒng)中傳感器節(jié)點采集的溫室環(huán)境數(shù)據(jù)進行分析，建立基于時空關(guān)聯(lián)性的溫室環(huán)境多傳感器數(shù)據(jù)融合算法，實現(xiàn)對溫室環(huán)境參數(shù)的最優(yōu)估計。

本研究對比不同的時間預測算法對環(huán)境數(shù)據(jù)的時間相關(guān)性進行預測和驗證，并利用同質(zhì)、異質(zhì)傳感器的特點對環(huán)境參數(shù)進行空間相似性預測和驗證。對基于時空關(guān)聯(lián)性的預測值分別利用基于主成分分析法和改進型支持度函數(shù)算法進行數(shù)據(jù)融合，并對數(shù)據(jù)融合的效果進行對比驗證。驗證結(jié)果表明，基于一階自回歸時間相關(guān)性預測算法的方差為1.439，優(yōu)于其他經(jīng)典時間序列預測算法，同質(zhì)、異質(zhì)傳感器的空間相似性預測方差分別為1.493、1.883，基于時間相關(guān)性、空間相似性的預測算法能夠有效地預測節(jié)點估計值；對基于時空特性的估計值進行基于改進型支持度函數(shù)算法的數(shù)據(jù)融合，改進型支持度函數(shù)融合算法能夠有效地賦予時空關(guān)聯(lián)性預測值以動態(tài)加權(quán)值，且與常用的數(shù)據(jù)融合算法如平均值算法、傳統(tǒng)支持度函數(shù)算法等相比，它產(chǎn)生的最優(yōu)估計值更能真實地反映溫室環(huán)境的變化，具有可靠性和準確性。

參考文獻：

[1]李萍萍，王紀章. 溫室環(huán)境信息智能化管理研究進展[J]. 農(nóng)業(yè)機械學報，2014，45(4)：236-243.

[2]閻曉軍，王維瑞，梁建平. 北京市設(shè)施農(nóng)業(yè)物聯(lián)網(wǎng)應用模式構(gòu)建[J]. 農(nóng)業(yè)工程學報，2012，28(4)：149-154.

[3]李莉，李海霞，劉卉. 基于無線傳感器網(wǎng)絡(luò)的溫室環(huán)境監(jiān)測系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2009，40(增刊1)：228-231.

[4]Díaz S E，Pérez J C，Mateos A C，et al. A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks[J]. Computers and Electronics in Agriculture，2011，76(2)：252-265.

[5]張猛，房俊龍，韓雨. 基于ZigBee和Internet的溫室群環(huán)境遠程監(jiān)控系統(tǒng)設(shè)計[J]. 農(nóng)業(yè)工程學報，2013，29(增刊1)：171-176.

[6]王海濤，劉倩，陳桂香，等. 糧情監(jiān)控系統(tǒng)中傳感器故障診斷和數(shù)據(jù)恢復[J]. 中國糧油學報，2013，28(11)：86-90，96.

[7]蔡鶴皋，金明河，金峰. 卡爾曼濾波與多傳感器數(shù)據(jù)融合技術(shù)[J]. 模式識別與人工智能，2000，13(3)：248-253.

[8]李鵬. 卡爾曼濾波在信息融合理論中的應用[D]. 西安：西安電子科技大學，2008.

[9]蔡振江，康健一，張青，等. 數(shù)據(jù)融合技術(shù)在溫室溫度檢測中的應用[J]. 農(nóng)業(yè)機械學報，2006，37(10)：101-103.

[10]高峰，俞立，王涌，等. 無線傳感器網(wǎng)絡(luò)作物水分狀況監(jiān)測系統(tǒng)的上位機軟件開發(fā)[J]. 農(nóng)業(yè)工程學報，2010，26(5)：175-181.

[11]張立勇，張利，李丹. 基于最優(yōu)分組原則的多傳感器分組加權(quán)融合算法[J]. 儀器儀表學報，2008，29(1)：200-205.

[12]翟翌立，戴逸松. 多傳感器數(shù)據(jù)自適應加權(quán)融合估計算法的研究[J]. 計量學報，1998，19(1)：69-75.

[13]Yager R R. The power average operator[J]. IEEE Transactions on Systems，Man，and Cybernetics，2001，31(6)：724-731.

[14]劉準釓，程詠梅，潘泉，等. 證據(jù)沖突下自適應融合目標識別算法[J]. 航空學報，2010，31(7)：1426-1432.

[15]Lee M H，Choi Y H. Fault detection of wireless sensor networks[J]. Computer Communications，2008，31(14)：3469-3475.

[16]季賽，袁慎芳，馬廷淮，等. 無線傳感器網(wǎng)絡(luò)中節(jié)點故障診斷方法的研究[J]. 計算機工程與應用，2010，46(23)：95-97，121.

[17]陳美鎮(zhèn). 基于物聯(lián)網(wǎng)的溫室環(huán)境測控通用系統(tǒng)開發(fā)[D]. 鎮(zhèn)江：江蘇大學，2015.

[18]夏英，張俊，王國胤. 時空關(guān)聯(lián)規(guī)則挖掘算法及其在ITS中的應用[J]. 計算機科學，2011，38(9)：173-176.

[19]回春立，崔莉. 無線傳感器網(wǎng)絡(luò)中基于預測的時域數(shù)據(jù)融合技術(shù)[J]. 計算機工程與應用，2007，43(21)：121-125，146.

[20]趙亞光. 基于蟻群算法和BP神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合算法研究[D]. 昆明：云南大學，2013.

[21]段宗濤，程豪，康軍. 基于數(shù)據(jù)融合的多傳感器實時數(shù)據(jù)處理系統(tǒng)[J]. 電子設(shè)計工程，2014，22(7)：43-46.

[22]索瑞霞，王福林. 組合預測模型在能源消費預測中的應用[J]. 數(shù)學的實踐與認識，2010，40(18)：80-85.