陳 英, 董思羽

(南昌航空大學(xué) 軟件學(xué)院, 南昌 330063)

傳感器網(wǎng)絡(luò)具有收集、 處理和傳輸數(shù)據(jù)等功能. 多傳感器數(shù)據(jù)融合技術(shù)可提高處理數(shù)據(jù)的準(zhǔn)確性和可靠性, 目前已有許多研究成果: 文獻(xiàn)[1]利用支持向量機(jī), 提出了一種異常值檢測(cè)的隱私保護(hù)協(xié)議; 文獻(xiàn)[2]基于加權(quán)融合方法, 提出了一種反饋信任模型計(jì)算節(jié)點(diǎn)權(quán)重的融合方法； 文獻(xiàn)[3]利用Kalman濾波算法, 在TEEN(threshold-sensitive energy efficient sensor network protocol)路由協(xié)議的基礎(chǔ)上提出了一種新的融合方案; 文獻(xiàn)[4]考慮多元時(shí)空關(guān)系, 提出了一種基于多元回歸方程的數(shù)據(jù)融合算法； 文獻(xiàn)[5-7]利用Kalman濾波算法對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行濾波融合; 文獻(xiàn)[8]結(jié)合距離評(píng)價(jià)技術(shù)和最大關(guān)聯(lián)與最小冗余的耦合特征選擇方案獲取最優(yōu)特征集, 提出了一種基于深度結(jié)構(gòu)融合多傳感器數(shù)據(jù)的方案; 文獻(xiàn)[9-10]利用神經(jīng)網(wǎng)絡(luò)的自組織學(xué)習(xí)能力和模糊邏輯推理能力進(jìn)行數(shù)據(jù)融合, 提高了數(shù)據(jù)精度; 文獻(xiàn)[11]針對(duì)無(wú)法有效處理證據(jù)沖突的問(wèn)題, 提出了一種基于改進(jìn)證據(jù)理論的融合學(xué)習(xí)向量化神經(jīng)網(wǎng)絡(luò)和決策樹(shù)的集成診斷模型, 通過(guò)進(jìn)一步?jīng)Q策融合, 實(shí)現(xiàn)對(duì)軸承的故障診斷; 文獻(xiàn)[12]使用粗糙集和反向傳播網(wǎng)絡(luò), 提高了多傳感器處理數(shù)據(jù)的精度和準(zhǔn)確度; 文獻(xiàn)[13]提出了自適應(yīng)的模糊Kalman融合算法, 提高了GPS(global position system)定位數(shù)據(jù)的精度; 文獻(xiàn)[14]提出了一種基于證據(jù)的信念發(fā)散度測(cè)度和信念熵的多傳感器數(shù)據(jù)融合方法, 克服了對(duì)高度沖突數(shù)據(jù)進(jìn)行融合時(shí)可能會(huì)出現(xiàn)違反常規(guī)結(jié)果的情況; 文獻(xiàn)[15]利用模糊集對(duì)多傳感器數(shù)據(jù)進(jìn)行融合, 降低了傳感器數(shù)據(jù)的不確定性; 文獻(xiàn)[16]基于連續(xù)隱Markov模型對(duì)運(yùn)動(dòng)控制和體感傳感器數(shù)據(jù)進(jìn)行融合算法設(shè)計(jì), 實(shí)驗(yàn)結(jié)果表明, 該算法能有效降低傳感器數(shù)據(jù)的不確定性, 并在此基礎(chǔ)上提出了手語(yǔ)識(shí)別框架; 文獻(xiàn)[17]利用隨機(jī)有限集在對(duì)多傳感器數(shù)據(jù)進(jìn)行融合的同時(shí), 對(duì)后續(xù)的傳感器數(shù)據(jù)也進(jìn)行了預(yù)測(cè). 上述這些單一的數(shù)據(jù)融合方法可部分達(dá)到融合的目的, 但魯棒性較低, 融合結(jié)果缺乏穩(wěn)定性和準(zhǔn)確率. 如： Kalman濾波法不能滿足實(shí)時(shí)性； 小波技術(shù)在實(shí)際應(yīng)用中去噪效果較差； 加權(quán)均值法雖然實(shí)現(xiàn)計(jì)算簡(jiǎn)單, 但實(shí)時(shí)性較低. 而且部分算法未考慮到時(shí)間序列上傳感器收集數(shù)據(jù)的波動(dòng)性, 未體現(xiàn)數(shù)據(jù)融合的準(zhǔn)確性. 因此, 本文將多種融合技術(shù)和方法進(jìn)行綜合運(yùn)用, 結(jié)合小波技術(shù)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn), 利用傳感器的可信度進(jìn)行數(shù)據(jù)融合. 實(shí)驗(yàn)結(jié)果表明, 本文方法體現(xiàn)了整個(gè)時(shí)間序列上數(shù)據(jù)的波動(dòng)和傳感器的穩(wěn)定性, 提高了數(shù)據(jù)精確度和融合結(jié)果的可靠性.

1 相關(guān)理論

1.1 小波閾值去噪

小波變換將包含噪聲的信號(hào)分解為高頻分量和低頻分量, 低頻分量也稱為近似分量. 因?yàn)檐涢撝档玫降男〔ㄏ禂?shù)連續(xù)性較好, 具有使估計(jì)信號(hào)不產(chǎn)生附加震蕩的優(yōu)點(diǎn), 所以本文算法選用軟閾值進(jìn)行閾值處理. 若|s|≤λ, 則s=0, 否則s=s-λ, 其中:s為分層后獲取的分解系數(shù);λ為設(shè)定的閾值. 軟閾值處理公式為

(1)

小波閾值去噪步驟如下：

1)對(duì)包含噪聲的信號(hào)進(jìn)行小波變換, 通過(guò)對(duì)信號(hào)進(jìn)行層數(shù)分解, 得到一系列小波分解系數(shù);

2) 通過(guò)軟閾值函數(shù)對(duì)小波分解系數(shù)進(jìn)行閾值處理, 得到估計(jì)小波系數(shù);

3) 利用估計(jì)后的小波系數(shù)進(jìn)行小波重構(gòu), 重構(gòu)后的信號(hào)即為去噪后信號(hào).

1.2 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程如下.

1) BP神經(jīng)網(wǎng)絡(luò)初始化： 為各連接權(quán)值賦予初值, 確定誤差函數(shù)e、 計(jì)算精度ε和最大學(xué)習(xí)次數(shù)M, 采用Sigmoid函數(shù)為激勵(lì)函數(shù).

2) 計(jì)算隱含層各神經(jīng)元的輸入uj和輸出hj:

(2)

(3)

其中:θj為隱含層第j個(gè)神經(jīng)元閾值;wij為權(quán)重.

3) 計(jì)算輸出層第k個(gè)神經(jīng)元的輸入vk和輸出yk:

(4)

(5)

其中γk為輸出層第k個(gè)神經(jīng)元閾值.

4) 計(jì)算全局均方誤差：

(6)

其中:Ek為均方誤差;ε為預(yù)設(shè)精度.

1.3 可信度融合

將傳感器i和j的采樣數(shù)據(jù)si與sj之間差值的絕對(duì)值定義為絕對(duì)距離disij, 計(jì)算公式為

disij=|si-sj|.

(7)

定義1當(dāng)時(shí)間為t時(shí), 傳感器i和j的采樣數(shù)據(jù)si與sj的融合程度cij為

(8)

定義2當(dāng)時(shí)間為t時(shí), 樣本數(shù)據(jù)的融合度矩陣為

(9)

定義3當(dāng)時(shí)間為t時(shí), 傳感器i的一致融合度ui(t)計(jì)算公式為

(10)

定義4當(dāng)時(shí)間為t時(shí), 傳感器i的分布均衡度τi(t)計(jì)算公式為

(11)

定義5當(dāng)時(shí)間為t時(shí), 傳感器i的可信度系數(shù)ωi(t)計(jì)算公式為

ωi(t)=ui(t)×τi(t),

(12)

歸一化處理后得

(13)

所以在t時(shí)刻, 最終的融合結(jié)果表達(dá)式用可信度表示為

(14)

圖1 改進(jìn)融合方法對(duì)數(shù)據(jù)的預(yù)處理和融合過(guò)程

2 改進(jìn)的融合方法

本文改進(jìn)的融合方法對(duì)數(shù)據(jù)的預(yù)處理和融合過(guò)程如圖1所示. 改進(jìn)融合方法的融合過(guò)程步驟如下：

1) 通過(guò)拉依達(dá)準(zhǔn)則等對(duì)傳感器收集的數(shù)據(jù)進(jìn)行預(yù)處理, 包括數(shù)據(jù)的清洗、 替換異常值等;

2) 利用小波閾值去噪對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行去噪處理, 對(duì)小波分層后的高頻系數(shù)進(jìn)行閾值處理, 對(duì)獲取的低頻系數(shù)使用神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化;

3) 對(duì)變換和規(guī)約后的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化;

4) 通過(guò)傳感器的可信度進(jìn)行數(shù)據(jù)融合, 得到最后的融合結(jié)果.

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要包括對(duì)數(shù)據(jù)進(jìn)行野值檢測(cè)、 缺失值填補(bǔ)和數(shù)據(jù)轉(zhuǎn)換等, 步驟如下：

1) 對(duì)收集數(shù)據(jù)使用拉依達(dá)準(zhǔn)則等檢測(cè)異常數(shù)據(jù), 用插值法對(duì)異常值或缺失值進(jìn)行填補(bǔ);

2) 對(duì)更改后的數(shù)據(jù)值進(jìn)行歸一化處理, 原始數(shù)據(jù)的歸一化關(guān)系為

(15)

其中:x為樣本原始數(shù)據(jù)值;xmax,xmin分別為樣本原始數(shù)據(jù)中的最大值和最小值;y為歸一化后映射在[ymin,ymax]內(nèi)的結(jié)果值;

3) 得到歸一化的樣本數(shù)據(jù)后, 對(duì)其進(jìn)行規(guī)約處理, 用較小的數(shù)據(jù)替換或估計(jì)原始數(shù)據(jù), 從而減少數(shù)據(jù)量.

2.2 基于可信度的小波和神經(jīng)網(wǎng)絡(luò)融合

基于傳感器可信度的小波和神經(jīng)網(wǎng)絡(luò)融合步驟如下：

1) 利用小波技術(shù)對(duì)樣本數(shù)據(jù)進(jìn)行分層處理, 得到各層的低頻系數(shù)和高頻系數(shù);

2) 先對(duì)得到的各部分高頻系數(shù)進(jìn)行閾值處理, 然后使用神經(jīng)網(wǎng)絡(luò)對(duì)低頻系數(shù)進(jìn)行優(yōu)化, 獲取優(yōu)化后的低頻系數(shù);

3) 用小波技術(shù)處理后的高頻系數(shù)對(duì)優(yōu)化后的低頻系數(shù)進(jìn)行重構(gòu);

4) 用樣本數(shù)據(jù)計(jì)算各時(shí)刻數(shù)據(jù)的融合度矩陣和傳感器的一致融合度, 并利用二者計(jì)算出傳感器的可信度；

5) 利用神經(jīng)網(wǎng)絡(luò)對(duì)各傳感器數(shù)據(jù)進(jìn)行優(yōu)化處理, 最終通過(guò)傳感器可信度獲得融合結(jié)果.

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)來(lái)源

本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)源于美國(guó)Berkeley-Inter實(shí)驗(yàn)室所提供的開(kāi)放數(shù)據(jù)集(http://db.csail.mit.edu/labdata/labdata.html), 該數(shù)據(jù)集共包含約230萬(wàn)條記錄, 使用gz格式壓縮后的文件大小約為34 MB, 解壓縮文件大小約為150 MB; 使用54個(gè)Mica2Dot傳感器, 傳感器的部署位置如圖2所示, 所有傳感器每31 s進(jìn)行一次數(shù)據(jù)采集, 采集的數(shù)據(jù)包括溫度(℃)、 濕度(校正后的相對(duì)濕度, 范圍為0～100%)、 光照度(lx)和電壓(2～3 V), 采集時(shí)間為2004-02-28—2004-04-05. 該數(shù)據(jù)集中某些Mica2Dot的數(shù)據(jù)存在丟失或截?cái)嗟那樾?

圖2 Berkeley-Inter實(shí)驗(yàn)室的傳感器部署示意圖

本文隨機(jī)選擇其中6個(gè)傳感器收集的部分?jǐn)?shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析處理, 樣本數(shù)據(jù)的屬性列于表1.

表1 樣本數(shù)據(jù)屬性

3.2 數(shù)據(jù)融合結(jié)果

溫度、 濕度和光照傳感器數(shù)據(jù)的融合結(jié)果如圖3所示， 其中： (A),(B),(C)分別為溫度、 濕度和光照全部實(shí)驗(yàn)數(shù)據(jù)的融合結(jié)果, 橫坐標(biāo)表示時(shí)間序列(數(shù)據(jù)量條數(shù)), 一個(gè)刻度表示31 s, 縱坐標(biāo)表示相應(yīng)時(shí)刻所對(duì)應(yīng)的數(shù)據(jù)值; (D)為放大(A)中編號(hào)為1050～1065時(shí)間段內(nèi)16個(gè)數(shù)據(jù)的融合結(jié)果, 黃色、 青綠色、 黑色、 綠色、 洋紅色、 藍(lán)色線段分別表示傳感器節(jié)點(diǎn)1～6在1050～1065時(shí)間段內(nèi)采集的數(shù)據(jù)曲線, 紅色曲線表示6個(gè)傳感器節(jié)點(diǎn)在1050～1065時(shí)間段內(nèi)采集數(shù)據(jù)融合后的曲線; (E)為放大(B)中編號(hào)為75～90時(shí)間段內(nèi)16個(gè)數(shù)據(jù)的融合結(jié)果, 黃色、 青綠色、 黑色、 綠色、 洋紅色、 藍(lán)色線段分別表示傳感器節(jié)點(diǎn)1～6在75～90時(shí)間段內(nèi)采集的數(shù)據(jù)曲線, 紅色曲線表示6個(gè)傳感器節(jié)點(diǎn)在75～90時(shí)間段內(nèi)采集數(shù)據(jù)融合后的曲線; (F)為放大(C)中編號(hào)為495～510時(shí)間段內(nèi)16個(gè)數(shù)據(jù)的融合結(jié)果, 黃色、 青綠色、 黑色、 綠色、 洋紅色、 藍(lán)色線段分別表示傳感器節(jié)點(diǎn)1～6在495～510時(shí)間段內(nèi)采集的數(shù)據(jù)曲線, 紅色曲線表示6個(gè)傳感器節(jié)點(diǎn)在495～510時(shí)間段內(nèi)采集數(shù)據(jù)融合后的曲線. 由圖4可見(jiàn), 本文的數(shù)據(jù)融合算法波動(dòng)性較小, 具有很好的穩(wěn)健性, 融合結(jié)果和原始數(shù)據(jù)貼近度較高.

圖3 溫度、 濕度、 光照數(shù)據(jù)的融合結(jié)果

本文采用均值、 方差、 極差和離散系數(shù)等評(píng)價(jià)指標(biāo)對(duì)4種數(shù)據(jù)融合算法(本文算法(A), 基于權(quán)值的融合方法(B), 基于小波的融合方法(C), 基于Kalman的融合方法(D))的穩(wěn)健性進(jìn)行評(píng)價(jià). 其中： 方差是衡量一組數(shù)據(jù)離散程度的度量; 極差表示統(tǒng)計(jì)資料中變異量數(shù)最大值與最小值之間的差距; 離散系數(shù)是測(cè)度數(shù)據(jù)離散程度的相對(duì)統(tǒng)計(jì)量, 用于比較不同樣本數(shù)據(jù)的離散程度. 上述評(píng)價(jià)指標(biāo)的數(shù)值越大, 說(shuō)明融合算法的穩(wěn)健性越差; 反之, 評(píng)價(jià)指標(biāo)的數(shù)值越小, 說(shuō)明融合算法的穩(wěn)健性越好. 溫度數(shù)據(jù)、 濕度數(shù)據(jù)和光照數(shù)據(jù)的比較結(jié)果分別列于表2～表4. 由表2和表3可見(jiàn), 對(duì)于溫度數(shù)據(jù)和濕度數(shù)據(jù), 本文的融合算法無(wú)論是針對(duì)全部數(shù)據(jù)還是局部數(shù)據(jù), 方差、 極差、 離散系數(shù)這3個(gè)評(píng)價(jià)指標(biāo)的數(shù)值均最小. 由表4可見(jiàn), 對(duì)于光照數(shù)據(jù), 本文的融合算法在針對(duì)全部數(shù)據(jù)時(shí), 方差、 極差、 離散系數(shù)這3個(gè)評(píng)價(jià)指標(biāo)的數(shù)值均最小; 而對(duì)于局部數(shù)據(jù), 方差、 極差、 離散系數(shù)這3個(gè)評(píng)價(jià)指標(biāo)的數(shù)值均最小. 綜合分析可知, 本文的融合算法無(wú)論是針對(duì)全部數(shù)據(jù)還是局部數(shù)據(jù), 性能均好于其他對(duì)比算法.

表2 不同算法對(duì)溫度數(shù)據(jù)的融合結(jié)果性能對(duì)比

表3 不同算法對(duì)濕度數(shù)據(jù)的融合結(jié)果性能對(duì)比

表4 不同算法對(duì)光照數(shù)據(jù)的融合結(jié)果性能對(duì)比

綜上所述, 本文在分析多種融合方法的基礎(chǔ)上, 提出了一種基于可信度的小波神經(jīng)網(wǎng)絡(luò)的融合算法, 該算法結(jié)合小波和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn), 利用傳感器的可信度對(duì)數(shù)據(jù)進(jìn)行融合. 實(shí)驗(yàn)結(jié)果表明, 本文算法的融合結(jié)果在方差、 極差和離散系數(shù)等評(píng)價(jià)指標(biāo)上均優(yōu)于其他對(duì)比算法, 在數(shù)據(jù)處理和融合上具有較好的穩(wěn)定性和可行性.