石征錦，王博倫，謝 峰，劉子弘

(沈陽理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽 110159)

針對(duì)傳統(tǒng)溫室系統(tǒng)高度依賴人工操作、對(duì)作物生長周期及能量供需控制能力較差等缺陷，提出利用無線傳感器對(duì)多種、多路數(shù)據(jù)采集并智能控制的新一代智能高效溫室解決方案[1]。作物生長環(huán)境復(fù)雜多變，傳感器陣列采集獲取多路異構(gòu)數(shù)據(jù)集，中心控制器能否及時(shí)接收精準(zhǔn)的采集數(shù)據(jù)并及時(shí)將相應(yīng)反應(yīng)動(dòng)作信號(hào)傳達(dá)至執(zhí)行機(jī)構(gòu)十分重要[2]。由于傳感器測量誤差及無線傳輸能力的限制，系統(tǒng)整體控制實(shí)時(shí)性及效果呈現(xiàn)明顯不足，直接影響作物在全生命周期的健康指數(shù)，降低其成活率及優(yōu)育率。

對(duì)于溫室無線傳感器網(wǎng)絡(luò)中復(fù)雜多數(shù)據(jù)采集傳輸問題，采用數(shù)據(jù)融合方法進(jìn)行分布式處理，降低系統(tǒng)對(duì)無線傳輸及中心控制器數(shù)據(jù)處理能力需求，該問題歸類于多數(shù)據(jù)融合技術(shù)[3-4]。針對(duì)不同應(yīng)用背景，多數(shù)據(jù)融合技術(shù)路線眾多[5]。李昕等[6]在面向工業(yè)環(huán)境溫濕度數(shù)據(jù)采集中提出一種基于模糊邏輯的多傳感器融合方法，通過實(shí)驗(yàn)證明了該方法具有較強(qiáng)的實(shí)用性能；萬樹平[7]在多傳感器數(shù)據(jù)特征值融合中提出利用統(tǒng)計(jì)理論中的最小絕對(duì)偏差估計(jì)方法，在自適應(yīng)權(quán)值的基礎(chǔ)上，通過求解條件極值問題得到融合權(quán)值并得出融合結(jié)果，該方法穩(wěn)定性較好；劉尖學(xué)[8]在面向設(shè)備能量受限、數(shù)據(jù)冗余量較大的可穿戴無線傳感網(wǎng)絡(luò)中提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法，實(shí)驗(yàn)表明該方法可在保證較高網(wǎng)絡(luò)預(yù)測準(zhǔn)確度的同時(shí)有效降低網(wǎng)絡(luò)節(jié)點(diǎn)能耗。

針對(duì)溫室無線傳感器網(wǎng)絡(luò)中異類共存、采集數(shù)據(jù)量較大且硬件以高性價(jià)比設(shè)備為主的現(xiàn)狀，提出卡爾曼濾波器(Kalman Filter)與徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)下支持向量機(jī)(Support Vector Machine，SVM)相結(jié)合的多數(shù)據(jù)融合處理模型。利用信息融合思想，通過信息采集、預(yù)處理、分類融合等步驟完成對(duì)多維、異類傳感器采集的離散數(shù)據(jù)集在感知層進(jìn)行數(shù)據(jù)信息分類與優(yōu)選[9]。該方法可在復(fù)雜工況環(huán)境下，對(duì)無線傳感器物理數(shù)據(jù)采集系統(tǒng)進(jìn)行優(yōu)化，并降低對(duì)硬件設(shè)備處理性能的負(fù)荷需求，提高系統(tǒng)整體通訊效率。

1 多傳感器數(shù)據(jù)融合原理

多傳感器數(shù)據(jù)融合為多維度數(shù)據(jù)處理過程，對(duì)多路同類或異類傳感器數(shù)據(jù)集進(jìn)行自動(dòng)檢測、關(guān)聯(lián)、相關(guān)及組合等方式處理，可有效克服單傳感器的局限性并對(duì)目標(biāo)物以穩(wěn)定、可靠的現(xiàn)實(shí)狀態(tài)估值反映[10]。由于各傳感器的不確定性，數(shù)據(jù)融合過程實(shí)則為對(duì)傳感器矩陣采集數(shù)據(jù)集的推理分類、選擇與決策輸出過程。

智能溫室中需要多點(diǎn)采集溫度、濕度、光照強(qiáng)度及二氧化碳濃度等物理數(shù)值，并通過無線通訊ZigBee技術(shù)樹狀網(wǎng)絡(luò)對(duì)數(shù)據(jù)處理并傳輸至中央控制系統(tǒng)。無線傳感器樹狀拓?fù)鋱D如圖1所示。

圖1 無線傳感器樹狀拓?fù)鋱D

多傳感器協(xié)同采集信息時(shí)存在交叉冗余性數(shù)據(jù)，同時(shí)傳感器精度較差時(shí)輸出多維度離散數(shù)據(jù)集，均可導(dǎo)致系統(tǒng)的處理能力及穩(wěn)定性降低[11]，故需要系統(tǒng)在采集、傳輸各階段對(duì)數(shù)據(jù)進(jìn)行分析和處理[12]。

分布式無線傳感器采集獲取數(shù)據(jù)子集Xab(t)={Rab1(t)，Rab2(t)，Rab3(t)，Rab4(t)}，在基于ZigBee技術(shù)的無線傳感器中利用Kalman濾波器對(duì)數(shù)據(jù)子集Xab(t)進(jìn)行預(yù)處理，提高傳感器采集精度，并通過基于RBF神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)訓(xùn)練學(xué)習(xí)，對(duì)數(shù)據(jù)進(jìn)行分類。數(shù)據(jù)融合過程為并聯(lián)型結(jié)構(gòu)[13]，可對(duì)所有數(shù)據(jù)子集同時(shí)進(jìn)行優(yōu)化并提取特征和分類處理，確保數(shù)據(jù)處理過程的效率及公平性。多傳感器數(shù)據(jù)融合模型結(jié)構(gòu)原理如圖2所示。

圖2 數(shù)據(jù)融合模型原理

2 單一傳感器數(shù)據(jù)融合預(yù)處理

利用卡爾曼濾波器進(jìn)行系統(tǒng)狀態(tài)估計(jì)可對(duì)單一傳感器采集數(shù)據(jù)樣本集進(jìn)行除噪聲線性優(yōu)化，并可對(duì)多數(shù)據(jù)集進(jìn)行整體篩選，去除異常數(shù)據(jù)，使各采集數(shù)據(jù)集回歸近似線性[14]。

卡爾曼濾波器利用反饋控制原理對(duì)狀態(tài)進(jìn)行估計(jì)，包含一個(gè)狀態(tài)轉(zhuǎn)移模型作狀態(tài)更新及一個(gè)測量模型反饋?zhàn)鳒y量更新，其原理如圖3所示。

圖3 卡爾曼濾波器原理圖

狀態(tài)轉(zhuǎn)移模型根據(jù)k-1時(shí)刻數(shù)據(jù)估算k時(shí)刻的狀態(tài)變量X及先驗(yàn)誤差協(xié)方差P(k∣k-1)，估算公式見式(1)和式(2)。

X(k∣k-1)=AX(k-1∣k-1)+BU(k)

(1)

式中：X為狀態(tài)變量；A、B為系統(tǒng)參數(shù)矩陣；U為目標(biāo)對(duì)象控制變量。

P(k∣k-1)=AP(k-1∣k-1)AT+Q

(2)

式中：P為狀態(tài)變量X的協(xié)方差；Q為系統(tǒng)過程協(xié)方差。

測量模型利用狀態(tài)觀測數(shù)據(jù)及前一刻估計(jì)值修正預(yù)測狀態(tài)，得到最佳狀態(tài)估值X(k∣k)、卡爾曼增益Kg(k)及修正后的預(yù)測誤差協(xié)方差P(k∣k)，分別見式(3)、式(4)及式(5)。

X(k∣k)=X(k∣k-1)+Kg(k)(Z(k)-HX(k∣k-1))

(3)

(4)

P(k∣k)=(1-Kg(k)H)P(k∣k-1)

(5)

式中：Z為狀態(tài)觀測數(shù)據(jù)；H為測量參數(shù)矩陣；R為測量噪聲[16]。

根據(jù)離散卡爾曼濾波原理可實(shí)現(xiàn)對(duì)單一傳感器采集的一維數(shù)據(jù)預(yù)處理?？紤]系統(tǒng)運(yùn)行環(huán)境較為復(fù)雜且傳感器以分布式列陣，傳感器采樣時(shí)可能在某時(shí)刻存在較大誤差，該點(diǎn)稱之為野點(diǎn)。為得到更加精準(zhǔn)的數(shù)據(jù)子集，需要對(duì)野點(diǎn)進(jìn)行識(shí)別與剔除。

若輸出數(shù)值集存在異常點(diǎn)，利用式(6)判別該點(diǎn)采集數(shù)據(jù)是否需要剔除。

(6)

式中E為傳感器門限參數(shù)。

若式(6)為真，則該野點(diǎn)偏差較大，不具備統(tǒng)計(jì)學(xué)意義，需被剔除。

3 多傳感器數(shù)據(jù)特征推理

3.1 多傳感器數(shù)據(jù)子集相關(guān)性分析

多傳感器數(shù)據(jù)融合前需對(duì)各類傳感器數(shù)據(jù)集進(jìn)行分析，確定最佳分類融合方案。針對(duì)溫室的控制需求與控制目的，根據(jù)相互獨(dú)立且合理的原則，將加熱、加濕、通風(fēng)、補(bǔ)光、遮光和CO2濃度共六種控制辦法分為27組控制決策，如表1所示。

根據(jù)表1的控制決策，對(duì)目標(biāo)數(shù)據(jù)子集利用協(xié)方差方法，開展各傳感器數(shù)據(jù)(物理量)的相關(guān)性分析。物理環(huán)境采集樣本數(shù)據(jù)散點(diǎn)矩陣分析如圖4所示。

表1 模型對(duì)應(yīng)控制決策

圖4 物理環(huán)境采集樣本數(shù)據(jù)散點(diǎn)矩陣分析

為得到更加精準(zhǔn)的量化環(huán)境物理量方法，引入相關(guān)性系數(shù)，其計(jì)算方法見式(7)，四種環(huán)境物理量相關(guān)性系數(shù)計(jì)算結(jié)果見表2所示。

表2 四種環(huán)境物理量相關(guān)性系數(shù)

(7)

式中：r為相關(guān)性系數(shù)；σ、β為對(duì)比的兩組數(shù)據(jù)。

由表2可見，部分?jǐn)?shù)據(jù)子集之間線性相關(guān)性較低，故在模型中對(duì)多數(shù)據(jù)融合方法選用非線性回歸進(jìn)行處理。針對(duì)樣本數(shù)據(jù)子集特性，選擇加入高斯核函數(shù)的支持向量機(jī)方法對(duì)數(shù)據(jù)集進(jìn)行分類。

3.2 支持向量機(jī)核方法數(shù)據(jù)分類

智能溫室中央控制系統(tǒng)在接收多傳感器數(shù)據(jù)子集前，對(duì)各子集元素打亂后重新分類，利用支持向量機(jī)算法通過訓(xùn)練學(xué)習(xí)樣本對(duì)數(shù)據(jù)分類，得到具有一定特征的最優(yōu)超平面。

SVM的基本思路是在所有數(shù)據(jù)組成的集合w={(x1，y1)，(x2，y2)，…，(xn，yn)}空間中尋找最優(yōu)超平面。最優(yōu)超平面目標(biāo)函數(shù)為

(8)

使用拉格朗日函數(shù)對(duì)式(8)進(jìn)行對(duì)偶變化，得到最大化函數(shù)，見式(9)。

(9)

式中αi為拉格朗日乘法子。

對(duì)于多傳感器數(shù)據(jù)融合非線性問題，支持向量機(jī)加入核方法——徑向基函數(shù)，可使數(shù)據(jù)融合模型在多維度下對(duì)輸入數(shù)據(jù)進(jìn)行聚類，尋找最佳超平面。

在SVM中加入徑向基函數(shù)，見式(10)。

(10)

式中：K為空間內(nèi)任一點(diǎn)到中心點(diǎn)的歐氏距離；xc為空間中心點(diǎn)；γ為基函數(shù)參數(shù)，調(diào)整γ可改善SVM的分類精度。

加入RBF核函數(shù)后SVM的輸出值y的計(jì)算式為

(11)

根據(jù)表1中模型決策分類任務(wù)需求，經(jīng)過預(yù)處理的傳感器數(shù)據(jù)集組成SVM測試集與訓(xùn)練集。采用網(wǎng)格搜索法在設(shè)定范圍內(nèi)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，獲得重要參數(shù)c(懲罰系數(shù))與gamma(核參數(shù))。

將獲得的(c，gamma)參數(shù)組帶入面向測試集數(shù)組的SVM算法中計(jì)算識(shí)別準(zhǔn)確率Fc，并將結(jié)果進(jìn)行記錄、比較尋優(yōu)，得出最佳分類結(jié)果與支持向量機(jī)模型?；赟VM算法的溫室數(shù)據(jù)融合分類流程如圖5所示。

圖5 基于SVM算法的溫室數(shù)據(jù)融合分類流程

4 實(shí)驗(yàn)與測試

為驗(yàn)證模型融合處理能力，使用數(shù)據(jù)樣本對(duì)模型進(jìn)行分類訓(xùn)練。實(shí)驗(yàn)包括預(yù)處理能力測試與模型分類能力測試兩部分。

為降低硬件成本，物理數(shù)據(jù)采集所用傳感器均為較常見且性價(jià)比較高的型號(hào)，其中溫度測量選用DS18B20型，濕度測量選用HS1101型，光照度測量選用BH1750型，CO2濃度選用NDIR紅外吸收原理傳感器。采用Matlab對(duì)采集數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理后數(shù)值與原始數(shù)據(jù)進(jìn)行對(duì)比如圖6所示。

由圖6可見，經(jīng)過模型處理后的數(shù)據(jù)與原始采集數(shù)據(jù)相比，誤差有明顯改善且對(duì)野點(diǎn)的甄別較為敏感。預(yù)處理可將連續(xù)采集數(shù)據(jù)線性化，減少由于傳感器誤差導(dǎo)致的模型分類錯(cuò)誤與執(zhí)行機(jī)構(gòu)的誤操作，采集數(shù)值在閾值附近時(shí)尤為有效。

圖6 傳感器原始采集數(shù)據(jù)與預(yù)處理后數(shù)據(jù)

預(yù)處理后可得到一組準(zhǔn)確率較高的異構(gòu)溫室環(huán)境物理數(shù)據(jù)，對(duì)其進(jìn)行模型分類訓(xùn)練與測試。將數(shù)據(jù)導(dǎo)入Matlab，建立訓(xùn)練集、訓(xùn)練集標(biāo)簽、測試集及測試集標(biāo)簽共四組數(shù)據(jù)變量，其中訓(xùn)練集標(biāo)簽與測試集標(biāo)簽根據(jù)表1制定的系統(tǒng)控制決策選取設(shè)定。采用LIBSVM工具箱[15]在Matlab軟件環(huán)境下開展訓(xùn)練測試。

基于網(wǎng)格搜索[16]法面向訓(xùn)練集尋參，即在[2cmin，2cmax]范圍內(nèi)確定懲罰系數(shù)c、在[2gmin，2gmax]范圍內(nèi)確定核參數(shù)gamma，設(shè)定cmin=-20、cmax=20、gmin=-20、gmax=20，并設(shè)定c步進(jìn)值cstep=1與gamma步進(jìn)值gstep=1。

將獲得的(c，gamma)參數(shù)組帶入測試集，根據(jù)篩選原則(準(zhǔn)確率Fc>75%)確定有效(c，gamma)組合。有效SVM候選參數(shù)如表3所示。

表3 有效SVM候選參數(shù)

由表3可見，最優(yōu)(c，gamma)對(duì)為c=210=1024、gamma=2-5=0.03125，其準(zhǔn)確率為Fc=95.2624%，獲得分類模型。實(shí)際測試交叉驗(yàn)證準(zhǔn)確率結(jié)果表明，該模型具有較強(qiáng)的分類能力和泛化能力。將訓(xùn)練獲取的分類模型導(dǎo)入原有設(shè)備中，無需改變硬件設(shè)備即可高效完成數(shù)據(jù)分類任務(wù)，實(shí)現(xiàn)分布式數(shù)據(jù)處理，減少無線傳輸數(shù)據(jù)量，實(shí)現(xiàn)高效控制。

5 結(jié)論

建立了多數(shù)據(jù)融合模型，該模型結(jié)合了卡爾曼濾波器的數(shù)據(jù)預(yù)處理與基于支持向量機(jī)的非線性分類，采用該模型對(duì)實(shí)際應(yīng)用工況數(shù)據(jù)進(jìn)行分析。模型對(duì)數(shù)據(jù)組的訓(xùn)練結(jié)果表明：模型在預(yù)處理與數(shù)據(jù)分類方面具有較高可靠性；針對(duì)智能種植系統(tǒng)的控制需求與成本限制，通過該模型修正，高性價(jià)比傳感器設(shè)備可獲得較高感知精度；模型在感知層即可完成數(shù)據(jù)精簡處理，可有效降低對(duì)無線通信網(wǎng)絡(luò)硬件的帶寬需求。其可泛化應(yīng)用于各類多數(shù)據(jù)采集控制系統(tǒng)，依據(jù)模型分布采集、分布處理、分布決策的特性可針對(duì)靈活組網(wǎng)的低成本復(fù)雜無線傳感器網(wǎng)絡(luò)進(jìn)行有效優(yōu)化。