(1.福建師范大學(xué)福清分校 圖書館，福建 福清 350300; 2.福建師范大學(xué)福清分校 電子與信息工程學(xué)院，福建 福清 350300)

目前，無線傳感網(wǎng)絡(luò)在智能家居中的應(yīng)用越來越廣泛。而無線傳感網(wǎng)絡(luò)數(shù)據(jù)量測的準(zhǔn)確性和可靠性是其正確應(yīng)用的基礎(chǔ)。然而它依然存在著一些待解決的問題[1-2]。首先，在智能家居中，大量的傳感器節(jié)點(diǎn)部署于相對(duì)較小且半封閉式的空間內(nèi)，進(jìn)行數(shù)據(jù)收集、存儲(chǔ)處理、無線傳輸?shù)?。在該監(jiān)測區(qū)域內(nèi)，區(qū)域溫度和壓力變化較大，易受電器輻射和噪聲干擾，使得傳感器采集數(shù)據(jù)讀數(shù)不準(zhǔn)確，終端節(jié)點(diǎn)與協(xié)調(diào)器的無線數(shù)據(jù)傳輸不穩(wěn)定、易丟失等，最終導(dǎo)致收集到不正確的數(shù)據(jù)。此外，在某些情況下，節(jié)點(diǎn)本身出現(xiàn)故障癱瘓，發(fā)出錯(cuò)誤數(shù)據(jù)或成員節(jié)點(diǎn)直接失效，收集不到數(shù)據(jù)。其次，無線傳感網(wǎng)絡(luò)是自組織網(wǎng)絡(luò)，節(jié)點(diǎn)受空間覆蓋，時(shí)間校準(zhǔn)的問題導(dǎo)致收集不正確的數(shù)據(jù)時(shí)有發(fā)生，特別是障礙較多的室內(nèi)環(huán)境，信號(hào)覆蓋范圍受障礙影響大，易造成信號(hào)衰弱，影響數(shù)據(jù)可靠性。第三，小區(qū)域內(nèi)的傳感器監(jiān)測，空間位置相鄰，容易產(chǎn)生高度重復(fù)的相關(guān)性數(shù)據(jù)，該局部監(jiān)測區(qū)域的大量數(shù)據(jù)傳輸顯得多余，占據(jù)了信道帶寬，浪費(fèi)信道利用率，降低服務(wù)質(zhì)量。第四，智能家居的某些應(yīng)用中，用戶可能更關(guān)心的是監(jiān)測結(jié)果，而原始數(shù)據(jù)的狀態(tài)并不那么重要[3]，例如發(fā)生火災(zāi)能夠迅速警報(bào)等?；谶@種情況，仍然將各個(gè)節(jié)點(diǎn)的原始監(jiān)測數(shù)據(jù)傳輸至協(xié)調(diào)器以及Sink節(jié)點(diǎn)，無法獲得更有用的信息，代價(jià)是傳輸大量數(shù)據(jù)，反而有可能因?yàn)樾诺栏偁帉?dǎo)致預(yù)警延遲。

為了解決上述問題，對(duì)多源傳感器數(shù)據(jù)進(jìn)行預(yù)處理及有效的數(shù)據(jù)融合機(jī)制，修正偏差大的數(shù)據(jù)，刪除不可靠數(shù)據(jù)，去除冗余、融合高度重復(fù)的相關(guān)數(shù)據(jù)，是實(shí)現(xiàn)提高數(shù)據(jù)可靠性、精確性、降低冗余度的有效途徑之一。針對(duì)監(jiān)測環(huán)境局部信息的一致性和變化緩慢的特點(diǎn)，文獻(xiàn)[4]提出了層次數(shù)據(jù)融合結(jié)構(gòu)；對(duì)局部區(qū)域內(nèi)采用加權(quán)數(shù)據(jù)融合狀態(tài)估計(jì)，然后基于支持度函數(shù)對(duì)來自不同局部區(qū)域內(nèi)數(shù)據(jù)進(jìn)行一致性分析，確保了信息的一致性和有效性。文獻(xiàn)[5]提出了一種基于三層架構(gòu)的上下文感知、自我優(yōu)化和自適應(yīng)系統(tǒng)；最低層傳感器收集異構(gòu)數(shù)據(jù)，中間層結(jié)合上下文信息利用動(dòng)態(tài)貝葉斯原理處理測量數(shù)據(jù)的不準(zhǔn)確性并推理估計(jì)，最高層通過采集傳感器集數(shù)據(jù)實(shí)現(xiàn)自由優(yōu)化過程達(dá)到提高監(jiān)測值的精度；結(jié)合卡爾曼濾波的優(yōu)化貝葉斯估計(jì)也被用于改善多傳感器數(shù)據(jù)的不確定性和不一致性問題[6]。為了提高多傳感器測量的準(zhǔn)確性，文獻(xiàn)[7]提出了一種基于偏好聚合形式的區(qū)間投票的方法；允許從狹窄的不確定性邊界內(nèi)相鄰多傳感器獲得不準(zhǔn)確的測量數(shù)據(jù)來確定測量參數(shù)的校正值，實(shí)現(xiàn)較好的測量準(zhǔn)確度。針對(duì)各種傳感網(wǎng)絡(luò)模型中存在的錯(cuò)誤、無用及冗余數(shù)據(jù)進(jìn)行優(yōu)化，引入模糊推理系統(tǒng)進(jìn)行數(shù)據(jù)融合提高精確性和融合質(zhì)量[8-9]。文獻(xiàn)[10]采用支持向量回歸機(jī)方法將各傳感器陣列數(shù)據(jù)進(jìn)行融合以提高數(shù)據(jù)的準(zhǔn)確性。文獻(xiàn)[11]提出了一種改進(jìn)型分批估計(jì)的自適應(yīng)加權(quán)融合算法，根據(jù)容許函數(shù)閾值剔除誤差較大的數(shù)據(jù)，利用改進(jìn)型分批估計(jì)最優(yōu)估計(jì)值，依據(jù)權(quán)值最優(yōu)分配原則對(duì)每組傳感器數(shù)據(jù)進(jìn)行組內(nèi)自適應(yīng)加權(quán)融合，從而計(jì)算精確值。本文在借鑒分批估計(jì)算法的基礎(chǔ)上，考慮受到環(huán)境因素影響造成監(jiān)測偏差程度，提出了一種數(shù)據(jù)預(yù)處理與改進(jìn)型分批估計(jì)加權(quán)融合相結(jié)合的算法。首先，該算法根據(jù)格羅貝斯準(zhǔn)則一致性檢驗(yàn)剔除疏失誤差數(shù)據(jù)；其次，引入環(huán)境因子改進(jìn)分批估計(jì)算法計(jì)算當(dāng)前最優(yōu)監(jiān)測值；最后，針對(duì)不同方位誤差分布不均勻特點(diǎn)，提出了權(quán)值最優(yōu)分配原則實(shí)現(xiàn)自適應(yīng)加權(quán)融合。

1 量測數(shù)據(jù)融合模型

無線傳感網(wǎng)絡(luò)終端節(jié)點(diǎn)數(shù)據(jù)采集完成后得到原始測量序列Xi={xi1,xi2,…,xik}，k為每個(gè)傳感器周期內(nèi)測量次數(shù)。量測數(shù)據(jù)融合過程如圖1所示。

圖1 量測數(shù)據(jù)融合模型

2 量測數(shù)據(jù)預(yù)處理

實(shí)際測量中，必然存在著疏失誤差。智能家居安全監(jiān)測中，利用帶有疏失誤差的量測結(jié)果判別預(yù)警結(jié)果是可靠的。因此，對(duì)于誤差偏大、錯(cuò)誤的量測數(shù)據(jù)應(yīng)該及時(shí)予以剔除，從而拒絕因疏失誤差而導(dǎo)致誤判的情況。采用格羅貝斯判據(jù)準(zhǔn)則[12-13]進(jìn)行數(shù)據(jù)一致性的檢驗(yàn)。具體方法描述如下。

設(shè)某一傳感器節(jié)點(diǎn)i，某一采集周期內(nèi)多次測量得到的量測序列為：Xi={xi1,xi2,…,xik}。其中，k為每個(gè)傳感器周期內(nèi)測量次數(shù)。同時(shí)，設(shè)該原始數(shù)據(jù)服從正態(tài)分布，計(jì)算可得

(1)

(2)

(3)

根據(jù)順序統(tǒng)計(jì)原理，可知格羅貝斯統(tǒng)計(jì)量的確切分布。在給定顯著水平α后，通常取值為α=0.05或α=0.01，通過查表法找出格羅貝斯統(tǒng)計(jì)量的臨界值gi(k,α)。因此，由量測數(shù)據(jù)序列Xi服從正態(tài)分布，可知：

(4)

P[gij≥gi(k,α)]=α

(5)

3 改進(jìn)型分批估計(jì)融合算法

完成了對(duì)疏失數(shù)據(jù)的剔除工作，得到具有一致性的量測數(shù)據(jù)序列。針對(duì)單傳感器的一致性量測序列，它們之間必然有著關(guān)聯(lián)性，具備高度重復(fù)性，這是其一。其二，對(duì)于單點(diǎn)傳感器以及整個(gè)系統(tǒng)而言，只需獲取一個(gè)監(jiān)測結(jié)果。因此，對(duì)具有一致性量測數(shù)據(jù)序列進(jìn)行監(jiān)測值融合估計(jì)，高效地反映當(dāng)前傳感器的狀態(tài)是很有必要的。對(duì)此，分批估計(jì)融合是一種簡單可靠的可行方案。但在實(shí)際測量使用過程中，傳感器測量受到復(fù)雜環(huán)境因素影響多變，可能存在均方差偏大的一致性檢驗(yàn)數(shù)據(jù)，特別是與電子設(shè)備本身的電氣特性，以及不同方位受實(shí)時(shí)壞境,如輕微震動(dòng)、受潮等諸多不可預(yù)期的因素有一定關(guān)系，因此通過引入環(huán)境因子來克服由此造成的誤差，即根據(jù)檢測區(qū)域環(huán)境的特點(diǎn)，選擇性地去除一定比例的最大最小值，有利于提高精確度，而傳統(tǒng)分批估計(jì)采用簡單算術(shù)均值計(jì)算在該方面具有一定的局限性。對(duì)此，依據(jù)順序統(tǒng)計(jì)理論和實(shí)踐經(jīng)驗(yàn)，去除部分最大最小值后的均值分析，顯得更加可靠和準(zhǔn)確，更能夠反映數(shù)據(jù)的集中情況。

其中，兩組元素個(gè)數(shù)分別為p和q，且滿足p+q=k′。分別計(jì)算各組的算術(shù)平均值和方差，如下：

(6)

(7)

(8)

(9)

式中，ρ表示環(huán)境因子，指最優(yōu)去除最大最小百分比。

故此，根據(jù)文獻(xiàn)[2]，利用分批估計(jì)理論可以求出該組傳感器量測數(shù)據(jù)序列最優(yōu)融合監(jiān)測估計(jì)值為

(10)

分批估計(jì)數(shù)據(jù)融合監(jiān)測值的方差為

(11)

至此，考慮傳感器受惡劣因素影響導(dǎo)致量測值波動(dòng)較大，通過引入環(huán)境因子ρ，對(duì)單個(gè)傳感器經(jīng)一致性檢驗(yàn)后的測量數(shù)據(jù)序列進(jìn)行分批估計(jì)，給出了最優(yōu)融合監(jiān)測值及總方差。

4 自適應(yīng)加權(quán)融合算法

盡管對(duì)于單傳感器數(shù)據(jù)測量準(zhǔn)確性和可靠性提出了解決方案，然而，往往在局部區(qū)域內(nèi)部署著多個(gè)同類型的傳感器節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)因方位、環(huán)境、噪聲干擾不同，感測值是不一樣的。因此，每個(gè)傳感器量測數(shù)據(jù)的準(zhǔn)確性存在差異，量測誤差隨機(jī)性大，分布不均勻。那么，如何有效區(qū)別對(duì)待各個(gè)傳感器的數(shù)據(jù)差異，提高數(shù)據(jù)融合監(jiān)測結(jié)果的可信度，是必然要解決的問題。本文采用權(quán)值最優(yōu)分配原則，自適應(yīng)加權(quán)融合，為每個(gè)傳感器數(shù)據(jù)自適應(yīng)尋找其最優(yōu)權(quán)值，使得總均方誤差最小，從而得到該監(jiān)測目標(biāo)的最優(yōu)估計(jì)值[14-16]。自適應(yīng)加權(quán)融合計(jì)算模型如圖2所示。

圖2 自適應(yīng)加權(quán)融合計(jì)算模型

(12)

融合后的總均方差為

(13)

(14)

通過自適應(yīng)權(quán)值分配，即可使得量測方差越大，獲得權(quán)值越低，否則相反。

5 實(shí)驗(yàn)結(jié)果與分析

在火災(zāi)監(jiān)測狀態(tài)正常情況下，室內(nèi)環(huán)境傳感器數(shù)據(jù)采集受環(huán)境因素干擾小且可能性較低，數(shù)據(jù)測量表現(xiàn)較為穩(wěn)定；若有火情發(fā)生或處于萌芽階段，室內(nèi)環(huán)境監(jiān)測區(qū)域環(huán)境變化迅速多樣且復(fù)雜，對(duì)傳感器自身及其測量產(chǎn)生不利影響，造成測量數(shù)據(jù)偏差相對(duì)較大。為此，提出了一種數(shù)據(jù)預(yù)處理與基于環(huán)境因子的改進(jìn)型分批估計(jì)相結(jié)合的方法。與此同時(shí)，該環(huán)境下，不同方位受影響程度不同，呈現(xiàn)出測量數(shù)據(jù)分布不均勻等特點(diǎn)，本文提出了綜合評(píng)價(jià)多傳感器測量數(shù)據(jù)，自適應(yīng)加權(quán)融合方法，使得測量方差越大，獲得權(quán)值越低。

5.1 算法時(shí)間復(fù)雜度分析

本文利用一致性檢驗(yàn)方法剔除異常數(shù)據(jù)，計(jì)算均值方差求臨界值及誤差比較均為單層循環(huán)，故一致性檢驗(yàn)方法時(shí)間復(fù)雜度約為O(k)。通過分批估計(jì)融合算法求單傳感器最優(yōu)監(jiān)測值的主要計(jì)算為分組排序和求均值方差，排序方法采用兩層嵌套循環(huán)，時(shí)間復(fù)雜度為O(k2)。自適應(yīng)加權(quán)融合算法的主要操作為計(jì)算n個(gè)傳感器的權(quán)值，為單層循環(huán)，時(shí)間復(fù)雜度為O(n)。一般地，n<

5.2 火災(zāi)監(jiān)測實(shí)驗(yàn)數(shù)據(jù)分析

為了驗(yàn)證所提改進(jìn)算法的有效性，通過模擬數(shù)據(jù)進(jìn)行仿真分析。表1為以52 ℃為基值的40個(gè)監(jiān)測數(shù)據(jù)樣本，并設(shè)環(huán)境噪聲等因素干擾為10%以內(nèi)，另外設(shè)置一定比例的異常值。為了說明方便，不妨設(shè)序列為X1={x11,x12,…,x1j,…,x1(40)}。

表1 室內(nèi)溫度監(jiān)測數(shù)據(jù)樣本

5.2.1 數(shù)據(jù)預(yù)處理結(jié)果分析

通過對(duì)表1數(shù)據(jù)進(jìn)行計(jì)算，可得均方差：

對(duì)于序列X1存在：|ε11|=4.48>3.80768。

所以x11=46.91為可疑值，判定為疏失誤差數(shù)據(jù)，應(yīng)予以剔除。剔除完成之后，該組均余下39個(gè)數(shù)據(jù)。經(jīng)驗(yàn)證，對(duì)于所有X1j(2≤j≤40)，均滿足g1j

5.2.2 改進(jìn)性分批估計(jì)結(jié)果分析

表2 改進(jìn)型分批估計(jì)融合結(jié)果

可分別計(jì)算改進(jìn)前和改進(jìn)后的監(jiān)測估計(jì)值：

由此可見，改進(jìn)型分批估計(jì)方法估計(jì)得到的估計(jì)監(jiān)測值更接近真實(shí)值。需要說明的是，分批數(shù)可根據(jù)傳感器數(shù)據(jù)監(jiān)測次數(shù)大小而設(shè)定，若所獲得監(jiān)測數(shù)據(jù)較多時(shí)，分批次數(shù)越多，方差越小，優(yōu)點(diǎn)更明顯；若所獲得監(jiān)測數(shù)據(jù)較少時(shí)，分批次適當(dāng)減少，可獲得更好的實(shí)時(shí)性。同時(shí)，當(dāng)數(shù)據(jù)量較多時(shí)，可根據(jù)實(shí)際設(shè)定ρ的取值。針對(duì)不同的ρ的取值進(jìn)行計(jì)算分析，如圖3所示?？芍?，隨著ρ值的遞增，估計(jì)值盡管變化微小，但總體趨勢是更接近于真實(shí)值的。當(dāng)ρ達(dá)到一定的比例值時(shí)，估計(jì)值趨于穩(wěn)定。故依據(jù)順序統(tǒng)計(jì)理論和實(shí)踐經(jīng)驗(yàn)，可適當(dāng)?shù)厝コ糠肿畲笞钚≈岛蠓峙烙?jì)，具有更好的可靠性和準(zhǔn)確性，更能夠反映數(shù)據(jù)的集中情況。

圖3 ρ-估計(jì)值變化曲線圖

5.2.3 自適應(yīng)加權(quán)融合結(jié)果分析

采用上述方法，監(jiān)測并統(tǒng)計(jì)監(jiān)測區(qū)域內(nèi)5個(gè)不同方位傳感器的數(shù)據(jù)，進(jìn)行加權(quán)融合，結(jié)果如表3所示。

表3 自適應(yīng)加權(quán)數(shù)據(jù)融合結(jié)果

6 結(jié)束語

智能家居安全是人類進(jìn)行生產(chǎn)活動(dòng)的重要保障。數(shù)據(jù)監(jiān)測的準(zhǔn)確性和可靠性是實(shí)現(xiàn)安全火災(zāi)監(jiān)測準(zhǔn)確預(yù)警的關(guān)鍵基礎(chǔ)。數(shù)據(jù)融合是去除冗余、錯(cuò)誤和置信度差的數(shù)據(jù)的有效方法之一。對(duì)多源傳感器數(shù)據(jù)進(jìn)行預(yù)處理及有效的數(shù)據(jù)融合機(jī)制，修正偏差大的數(shù)據(jù)，刪除不可靠數(shù)據(jù)，去除冗余，融合高度重復(fù)的相關(guān)數(shù)據(jù)，是實(shí)現(xiàn)提高數(shù)據(jù)可靠性、精確性的有效途徑之一。為此，本文提出了一種數(shù)據(jù)預(yù)處理與改進(jìn)型分批估計(jì)加權(quán)融合相結(jié)合的算法。首先，該算法根據(jù)格羅貝斯準(zhǔn)則一致性檢驗(yàn)剔除疏失誤差數(shù)據(jù)；其次，引入環(huán)境因子改進(jìn)分批估計(jì)算法計(jì)算當(dāng)前最優(yōu)監(jiān)測值；最后，針對(duì)不同方位誤差分布不均勻特點(diǎn)，提出了權(quán)值最優(yōu)分配原則實(shí)現(xiàn)自適應(yīng)加權(quán)融合。實(shí)驗(yàn)結(jié)果表明，該算法得到的融合結(jié)果誤差小，能夠有效提高數(shù)據(jù)準(zhǔn)確性，降低冗余量，穩(wěn)定性能好。