楊秀蓮，李 娟，王夢杰，呂 楊，孫秀慧，戴洪德

(1.魯東大學(xué) 數(shù)學(xué)與統(tǒng)計(jì)科學(xué)學(xué)院統(tǒng)計(jì)系，山東 煙臺 264025；2.海軍航空大學(xué) 航空基礎(chǔ)學(xué)院，山東 煙臺 264001)

0 引言

慣性傳感器是實(shí)現(xiàn)高精度行人導(dǎo)航的重要技術(shù)[1]。隨著科學(xué)技術(shù)的發(fā)展，我國行人導(dǎo)航的研究取得了飛速的發(fā)展，基于微機(jī)電系統(tǒng)(MEMS,micro-electro-mechanical system)慣性傳感器的行人定位由于其極強(qiáng)的環(huán)境適應(yīng)性和抗干擾性而得到了廣泛的研究[2-3]。慣性導(dǎo)航系統(tǒng)可由MEMS陀螺儀、加速度計(jì)和磁強(qiáng)計(jì)等多種慣性傳感器組合構(gòu)建。慣性導(dǎo)航系統(tǒng)具備了體積小、質(zhì)量輕、成本低、部署方便、可靠性高和易于集成的特點(diǎn)，使得慣性系統(tǒng)可以獨(dú)立實(shí)現(xiàn)人體的定位導(dǎo)航，可用于復(fù)雜的室內(nèi)外環(huán)境使用，能為人們提供更多工作生活的便利。因此，針對MEMS慣性傳感器的導(dǎo)航技術(shù)研究對我國行人導(dǎo)航的發(fā)展具有重要的意義。

應(yīng)用在行人導(dǎo)航的MEMS慣性傳感器可分為單軸慣性傳感器、雙軸慣性傳感器和三軸慣性傳感器3種組裝系統(tǒng)。目前，研究行人運(yùn)動狀態(tài)研究領(lǐng)域中所采取的慣性導(dǎo)航系統(tǒng)不盡相同，Rebeiz和Judy在研究人體運(yùn)動狀態(tài)采取了用三維加速度傳感器作為采集人體運(yùn)動信息的有效設(shè)備器件[4-5]。Padgaonkar在研究人體運(yùn)動狀態(tài)時(shí)分別采用了包括一維加速度計(jì)、二維加速度計(jì)和三維加速度計(jì)組合的傳感器系統(tǒng)[6]。Giansanti針對六維或九維加速度計(jì)的行人導(dǎo)航組合測試系統(tǒng)進(jìn)行了深入探究[7]。Prasa在研究人體運(yùn)動狀態(tài)嘗試采取十二維加速度計(jì)進(jìn)行分析[8]。Rehbinder和Hu在研究人體運(yùn)動狀態(tài)時(shí)采取了基于MEMS加速度計(jì)和MEMS陀螺儀組裝的二維傳感器，但最終實(shí)驗(yàn)結(jié)果存在角度漂移問題[9]。隨著慣性人體運(yùn)動研究得到廣泛的關(guān)注，結(jié)合科技技術(shù)的日益發(fā)展，Morris等研究者提出了在三維空間中研究人體運(yùn)動狀態(tài)[10]。Bachmann在研究人體運(yùn)動狀態(tài)采取了九維慣性導(dǎo)航系統(tǒng)[11]。

通過查閱國內(nèi)外相關(guān)文獻(xiàn)可發(fā)現(xiàn)，有大量研究者均基于高維組合傳感器研究行人慣性導(dǎo)航系統(tǒng)，但傳感器數(shù)量的組合安裝大多依賴研究者的主觀經(jīng)驗(yàn)，當(dāng)采用傳感器的數(shù)目大于實(shí)際最優(yōu)檢測效果數(shù)目時(shí)，優(yōu)化傳感的方法選擇的傳感器會表現(xiàn)出明顯的優(yōu)異性，以此可避免過多傳感器配置將引入的冗余信息。本文將集成了三軸陀螺儀、三軸加速度計(jì)的MEMS慣性傳感器作為導(dǎo)航元件，基于Foxlin[12]系統(tǒng)闡述的腳綁慣性傳感器的行人步態(tài)區(qū)間測試思想，研究X、Y、Z各軸向加速度及角速度組合的行人步態(tài)狀態(tài)識別，最終根據(jù)行人運(yùn)動狀態(tài)的識別效果實(shí)現(xiàn)慣性傳感器配置優(yōu)化，給出最優(yōu)組合的慣性傳感器配置。

1 慣性行人導(dǎo)航實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

1.1 實(shí)驗(yàn)系統(tǒng)結(jié)構(gòu)

慣性行人導(dǎo)航系統(tǒng)由電源、慣性傳感器、導(dǎo)航計(jì)算機(jī)和顯控設(shè)備構(gòu)成[13]。電源用于向整個(gè)系統(tǒng)供電，慣性傳感器用于獲取并輸入行人運(yùn)動的運(yùn)動數(shù)據(jù)，導(dǎo)航計(jì)算機(jī)是對傳感器輸入的數(shù)據(jù)進(jìn)行解算并將導(dǎo)航結(jié)果輸出到顯控設(shè)備，顯控設(shè)備用于輸出導(dǎo)航結(jié)果以及輸入指令控制導(dǎo)航計(jì)算機(jī)。系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

圖1 慣性行人導(dǎo)航系統(tǒng)硬件結(jié)構(gòu)

基于系統(tǒng)的硬件結(jié)構(gòu)圖，利用計(jì)算機(jī)代替導(dǎo)航計(jì)算機(jī)和顯控設(shè)備，并利用計(jì)算機(jī)的電源為慣性傳感器供電，實(shí)現(xiàn)了一個(gè)將MEMS傳感器安裝于腳跟部位的慣性行人導(dǎo)航系統(tǒng)[14]，實(shí)驗(yàn)系統(tǒng)實(shí)物如圖2所示。

圖2 慣性行人導(dǎo)航系統(tǒng)實(shí)物模型

1.2 MEMS慣性傳感器

本文利用荷蘭Xsens公司生產(chǎn)的Mti-G-710系列MEMS慣性傳感器作為導(dǎo)航元件。在行人導(dǎo)航狀態(tài)檢測實(shí)驗(yàn)時(shí)，慣性傳感器可分為3個(gè)軸方向，其中行人前進(jìn)方向?yàn)閄軸，左側(cè)方向?yàn)閅軸，朝上方向?yàn)閆軸。其實(shí)物圖和內(nèi)部結(jié)構(gòu)如圖3所示。

圖3 Mti-G-710系列MEMS慣性傳感器

Mti-G-710系列MEMS慣性傳感器尺寸小、重量輕，可以通過RS232接口將三軸角速度、加速度以及磁場強(qiáng)度信息實(shí)時(shí)輸出，其物理指標(biāo)如表1所示。

表1 MEMS慣性傳感器物理指標(biāo)

Mti-G-710系列MEMS慣性傳感器中陀螺儀、加速度計(jì)和磁強(qiáng)計(jì)的性能指標(biāo)如表2所示。

表2 MEMS慣性傳感器性能指標(biāo)

2 行人導(dǎo)航腳部運(yùn)動狀態(tài)實(shí)驗(yàn)分析

2.1 行人行走狀態(tài)腳部運(yùn)動分析

根據(jù)人體運(yùn)動學(xué)可將行人行走過程中足部的變化用步態(tài)來進(jìn)行描述[15]，根據(jù)行人步行過程存在周期性的步態(tài)更迭特點(diǎn)，因此可將每個(gè)運(yùn)動周期分為兩個(gè)區(qū)間，一個(gè)是全腳掌著地時(shí)的零速區(qū)間，另外一個(gè)是包括抬腳跟、空中擺動和腳跟著地3個(gè)部分的非零速區(qū)間。因?yàn)樽悴窟\(yùn)動具有靜止-運(yùn)動-靜止交替變化特點(diǎn)，所以安裝在腳跟部位的慣性傳感器MIMU輸出的行人腳部運(yùn)動數(shù)據(jù)會呈現(xiàn)出與行走頻率一致的周期性變化規(guī)律，可大體將行人的一個(gè)步行周期分為抬腳跟、空中擺動、腳跟著地和全腳掌著地4個(gè)過程。課題組前期研究中，分析得到行人行走時(shí)步態(tài)更迭狀態(tài)如圖4所示[16]。

圖4 行人行走步態(tài)分析

2.2 基于慣性傳感器輸出的行人步態(tài)分析

根據(jù)慣性行人導(dǎo)航實(shí)驗(yàn)系統(tǒng)獲取行人行走過程中慣性傳感器輸出的腳步慣性步態(tài)數(shù)據(jù)，可尋找行人步態(tài)與慣性傳感器輸出值的對應(yīng)關(guān)系。分別探究行人縱向、前向、垂向的加速度和角速度速度變化，可檢測出行人步態(tài)的零速區(qū)間。實(shí)驗(yàn)設(shè)計(jì)行人在水平路面上沿直線行走過程中，慣性傳感器中加速度計(jì)和陀螺儀計(jì)輸出的9個(gè)步態(tài)周期的運(yùn)動規(guī)律如圖5和圖6所示。

圖5 行人行走過程中加速度計(jì)輸出值

圖6 行人行走過程中陀螺儀計(jì)輸出值

從圖5和圖6可明顯看出，行人行走過程中三軸加速度計(jì)和三軸陀螺儀計(jì)輸出值均呈現(xiàn)出明顯的周期性變化規(guī)律，每個(gè)周期內(nèi)加速度與角速度的幅值變化規(guī)律可大體包括：幅值波動相對穩(wěn)定區(qū)間和幅值波動較大區(qū)間。該變化規(guī)律與圖4分析的行人行走的步態(tài)周期有著明顯的關(guān)聯(lián)性。圖5和圖6中加速度和角速度幅值變化穩(wěn)定段即為行人步態(tài)的零速區(qū)間，該區(qū)間由于行人腳部步態(tài)處于全腳掌著地的靜止?fàn)顟B(tài)，所以慣性傳感器輸出的加速度和角速度趨向平穩(wěn)；加速度和角速度幅值變化較大階段即為行人步態(tài)的非零速區(qū)間，該區(qū)間由于行人腳部步態(tài)處于抬腳跟、空中擺動的運(yùn)動狀態(tài)，所以慣性傳感器輸出的加速度和角速度呈現(xiàn)不穩(wěn)定的幅值波動。

2.3 多種聚類模型的行人運(yùn)動狀態(tài)識別分析

聚類分析指將無標(biāo)簽的數(shù)據(jù)集劃分為不同簇的過程，是一種無監(jiān)督的分類方法[17]。聚類算法在統(tǒng)計(jì)學(xué)、數(shù)據(jù)挖掘、模式類別等研究領(lǐng)域廣泛使用，是一種非常重要的數(shù)據(jù)分類研究工具[18]。聚類的標(biāo)準(zhǔn)是使簇內(nèi)樣本相似度盡可能大、簇間樣本相似度盡可能小。因此，對高維慣性行人導(dǎo)航的空間數(shù)據(jù)對象劃分可通過聚類目標(biāo)函數(shù)的優(yōu)化問題來解決。

許多研究人員運(yùn)用各種聚類對導(dǎo)航系統(tǒng)的優(yōu)化做出了貢獻(xiàn)，陳淼證明了在一個(gè)復(fù)雜的室內(nèi)環(huán)境，自組織映射算法可以將高維變量映射到一個(gè)一維或二維的平面上，從而提高系統(tǒng)的實(shí)時(shí)定位性[19]。傳統(tǒng)的室內(nèi)定位方法采用標(biāo)準(zhǔn)高斯模型對參考點(diǎn)上接收的信號強(qiáng)度進(jìn)行建模[20]。胡葉證明了K均值聚類可以有效識別運(yùn)動狀態(tài)[21]。

本文擬采取K均值聚類(K-means)、自組織映射(SOM)、混合高斯聚類算法(EM-GMM)3種較為經(jīng)典聚類算法識別行人的運(yùn)動狀態(tài)。綜合對比各聚類算法分類效果，最終實(shí)現(xiàn)最優(yōu)行人運(yùn)動狀態(tài)檢測。

1)K-Means算法：

K-Means算法是最經(jīng)典的聚類算法之一，處理高維數(shù)據(jù)集有較高的效率且具有可伸縮性[22]，是一種非常重要的數(shù)據(jù)劃分研究算法。對于給定的原始三軸加速度和角速度數(shù)據(jù)集，每個(gè)樣本包含P個(gè)變量，記Xik表示數(shù)據(jù)集中第k個(gè)變量第i次觀測值,i=1,2,…,n，k=1,2,…,p?；贙-Means算法進(jìn)行行人步態(tài)零速識別的具體算法步驟為：

(1)預(yù)先在數(shù)據(jù)集中隨機(jī)選取k個(gè)初始聚類中心,計(jì)算其余數(shù)據(jù)對象與聚類中心的歐氏距離?；赬、Y、Z軸加速度和角速度六維變量，則樣本點(diǎn)的歐式距離公式如下：

(1)

其中:D表示樣本間的距離，xi和xj為樣本點(diǎn),表示三維空間X、Y、Z軸的加速度或者角速度數(shù)據(jù)點(diǎn);k為樣本特征的維數(shù)；xik與xjk表示樣本中不同變量。

(2)找出離目標(biāo)數(shù)據(jù)對象最近的聚類中心,并將數(shù)據(jù)對象劃分到聚類中心所對應(yīng)的簇中。一般情況下，聚類類別數(shù)是未知的，此處假定數(shù)據(jù)集包含k個(gè)類別C1,C2,...,Ck,迭代次數(shù)為m，則K-means聚類算法的聚類準(zhǔn)則函數(shù)選擇誤差平方和準(zhǔn)則函數(shù)的計(jì)算公式如下：

(2)

其中:p表示類Ci中所有樣本個(gè)體，Mi表示類Ci中所有樣本的算數(shù)平均值。Jm表示數(shù)據(jù)樣本被聚類成k個(gè)簇時(shí)的誤差平方和，即聚類結(jié)果誤差的大小。當(dāng)誤差平方和不再變化或目標(biāo)函數(shù)收斂時(shí)，樣本與聚類類別中心之間的距離的平方之和可達(dá)到最小。

(3)計(jì)算各簇中數(shù)據(jù)的平均值設(shè)定為新的聚類中心,然進(jìn)行下一次迭代,直到聚類中心不再變化或達(dá)到最大的迭代次數(shù)停止。

2)SOM算法：

自組織特征映射(SOM，self-organizing feature map)[23]是由芬蘭學(xué)者Kohonen于1981年提出的一種特殊的神經(jīng)網(wǎng)絡(luò)模型。SOM對行人步態(tài)的零速檢測分類訓(xùn)練步驟如下：

(1)首先給SOM網(wǎng)絡(luò)個(gè)訓(xùn)練參數(shù)賦予小的隨機(jī)數(shù)初始值。

(2)從三軸加速度和三軸角速度數(shù)據(jù)集中選取輸入樣本Xi={x1,x2,…xn}。

(3)計(jì)算權(quán)向量與輸入樣本間的歐式距離，其歐式距離公式如下：

(3)

(4)選擇最小距離的樣本點(diǎn)作為最合適的神經(jīng)元i(x)=minDij。

(5)調(diào)整輸出層領(lǐng)域Ng(t)內(nèi)的各個(gè)神經(jīng)元與輸入層神經(jīng)元之間的鏈接權(quán)，其公式如下：

wij(t+1)=wij(t)+η(t)×(xj-wij(t))

(4)

(5)

wij(t+1)=wij(t),j?Ng(t)

(6)

式中，T為總學(xué)習(xí)次數(shù)；wij(t+1)表示t+1時(shí)刻輸入神經(jīng)元i與輸出神經(jīng)元j之間的連接權(quán)；Ng(t)表示t時(shí)刻以獲取神經(jīng)元g為中心的領(lǐng)域范圍。

(6)更新學(xué)習(xí)率和領(lǐng)域。更新函數(shù)如下所示：

(7)

(8)

(7)依次輸出加速度和角速度訓(xùn)練樣本。當(dāng)數(shù)據(jù)集再次選取一個(gè)未訓(xùn)練的樣本時(shí)，將其傳送給輸入層，然轉(zhuǎn)到步驟(3)，直到全部樣本訓(xùn)練結(jié)束。

(8)增加學(xué)習(xí)步。此時(shí)令t=t+1，再轉(zhuǎn)到步驟(2)，直至步長t=T時(shí)停止。

3)EM-GMM算法:

將原始整個(gè)三軸加速度和角速度樣本數(shù)據(jù)記為Y={X,Z}。其中X={x1,x2,…,xn}為加速度或角速度觀測數(shù)據(jù)，Z={z1,z2,…,zn}為隱含變量。則原始數(shù)據(jù)對數(shù)似然函數(shù)中的極大參數(shù)值為：

(9)

求其似然函數(shù)的概率：

(10)

選取高斯混合模型參數(shù)的初始值，求解最大后驗(yàn)概率估計(jì)：

(11)

根據(jù)選取的模型參數(shù)初始值，解出高斯混合模型對數(shù)似然函數(shù)的期望值：

EQ[logp(θ|Y,Q)|θ(i),Y] =

(12)

式中，Q表示不可觀測的隱含數(shù)據(jù)，θ(i)表示第i+1次迭代后驗(yàn)標(biāo)準(zhǔn)差。

通過迭代，最終得到樣本的參數(shù)估計(jì)值為：

(13)

(14)

(15)

行人步行狀態(tài)按速度快慢可劃分為慢速、常速、快速、慢跑、跑步5種運(yùn)動狀態(tài)?；趹T性傳感器輸出的行人步態(tài)數(shù)據(jù)作為初始樣本，將原始數(shù)據(jù)集進(jìn)行歸一化數(shù)據(jù)預(yù)處理，分別基于K-means、SOM、EM-GMM聚類算法進(jìn)行行人5種運(yùn)動狀態(tài)識別分析。

從無監(jiān)督學(xué)習(xí)聚類原理綜合評估指標(biāo)出發(fā)，依賴于聚類評價(jià)中的內(nèi)部度量指標(biāo)，針對本文建立的3個(gè)無監(jiān)督聚類模型，最終選取輪廓系數(shù)(SI)[24]、戴維森堡丁指數(shù)(DBI)[25]、卡林斯基-哈拉巴斯指數(shù)(CHI)[26]3個(gè)指標(biāo)及算法運(yùn)行時(shí)間進(jìn)行綜合對比，確定最優(yōu)化模型的聚類算法。具體詳細(xì)數(shù)據(jù)如表3所示。

表3 3種聚類算法評估對比表

從表3可知，根據(jù)對比分析的各聚類模型中K-means執(zhí)行時(shí)間最快；將其他3個(gè)評估指標(biāo)進(jìn)行定量分析可得出，針對平均輪廓系數(shù)對比，其中K-means聚類SI值最大，即K-means聚類模型的運(yùn)動狀態(tài)識別效果最佳。針對戴維森堡丁指數(shù)對比，也可看出K-means聚類模型的DBI值最小，其意味著類內(nèi)距離越小，同時(shí)類間距離越大，表明聚類效果越佳。針對卡林斯基-哈拉巴斯指數(shù)對比，K-means聚類模型遠(yuǎn)大于其他聚類模型的CHI值，表明聚類效果優(yōu)于其他模型?；谝陨?個(gè)指標(biāo)分析，綜合聚類精準(zhǔn)度和高效性，可得出K-means聚類模型為最優(yōu)行人導(dǎo)航狀態(tài)識別模型。

為了進(jìn)一步直觀展示K-means的聚類效果，利用主成分分析法將原始六維數(shù)據(jù)降維到二維可視空間中，第一主成分記為Dim1，第二主成分記為Dim2。行人在行走過程中5種不同運(yùn)動狀態(tài)聚類效果如圖7所示。

圖7 K-means聚類行人運(yùn)動狀態(tài)識別效果圖

由圖7可知，第一、第二主成分的最大特征值占6個(gè)特征值之和的比例分別為36.6%和32.1%，即二者包含了原數(shù)據(jù)約70%的信息，當(dāng)k=5時(shí)簇與簇之間分隔較為明顯。

3 基于K-means模型的傳感器優(yōu)化分析

3.1 二維、三維傳感器運(yùn)動狀態(tài)識別

本章將分析基于K-means聚類優(yōu)化方法進(jìn)行精簡傳感器，進(jìn)一步討論對傳感器精簡優(yōu)化后模型的有效性，實(shí)現(xiàn)傳感器的優(yōu)化配置的設(shè)置參數(shù)，為有效獲得行人導(dǎo)航狀態(tài)識別研究提供參考?；贙-means聚類算法對二維、三維的行人導(dǎo)航慣性傳感器配置輸出的數(shù)據(jù)集進(jìn)行自動分類，探討分類識別行人步行過程中的5種運(yùn)動狀態(tài)，即慢速、常速、快速、慢跑、跑步。二維傳感器組合聚類圖見圖8，三維傳感器組合聚類如圖9所示。

圖8 二維行人慣性導(dǎo)航系統(tǒng)不同組合K-means聚類圖

圖9 三維行人慣性導(dǎo)航系統(tǒng)不同組合K-means聚類圖

圖8(a)～(c)的聚類均存在大量離散點(diǎn)；圖8(d)～(f)的聚類各簇均較集中，離散點(diǎn)較少，可初步鑒定二軸向角速度聚類效果較二軸向加速度的聚類效果好。

在三維慣性傳感系統(tǒng)不同軸向的聚類效果中，圖9(b)的聚類各簇較集中，圖9(a)的聚類存在大量離散點(diǎn)，說明X、Y、Z三軸角速度組合的五簇聚類聚集效果較三維X、Y、Z三軸加速度組合的五簇聚類效果理想。

3.2 對比研究

為對比二維、三維與原始六維的行人運(yùn)動狀態(tài)識別效果，計(jì)算聚類綜合評估指標(biāo)SI如表4所示。

將表4的結(jié)果表現(xiàn)為折線圖，如圖10所示。

表4 聚類綜合評估SI指標(biāo)

圖10 二維、三維、六維綜合評估SI指標(biāo)比較

從聚類綜合評估SI指標(biāo)圖10比較可以看出，二維X、Z軸向角速度和Y、Z軸向角速度的空間組合在識別行人不同運(yùn)動狀態(tài)聚類效果最好，其SI值分別達(dá)到0.58和0.59；其次識別行人不同運(yùn)動狀態(tài)效果較為理想的為二維Z軸向的加速度和角速度和三維X、Y、Z軸向角速度組合，各簇被完全的分離為5種類別，簇聚類集中，且其SI值也分別達(dá)到0.56、0.51。反觀六維空間中三軸加速度和角速度組合的SI值未達(dá)到0.5，其行人運(yùn)動狀態(tài)識別聚類效果較不理想。綜合以上實(shí)驗(yàn)分析表明，在不同維傳感器識別行人不同運(yùn)動狀態(tài)中，二維、三維、六維SI指標(biāo)差別不大，綜合考慮六維可能出現(xiàn)的維數(shù)災(zāi)難問題，得出二維和三維行人慣性導(dǎo)航系統(tǒng)即可有效實(shí)現(xiàn)行人運(yùn)動狀態(tài)識別。

4 實(shí)驗(yàn)結(jié)論與分析

實(shí)驗(yàn)結(jié)果顯示，在K-means聚類、EM-GMM聚類和SOM聚類算法中，K-means的執(zhí)行時(shí)間最快，SI值最大，DBI值最小，CHI值也遠(yuǎn)大于其他兩種聚類，因此基于K-means聚類算法對行人運(yùn)動狀態(tài)識別過程進(jìn)行傳感器優(yōu)化。

基于K-means聚類模型探究了不同組合傳感器配置測試效果。實(shí)驗(yàn)結(jié)果顯示，二維Y、Z軸向角速度和三維X、Y、Z軸向角速度的空間組合在識別行人不同運(yùn)動狀態(tài)聚類

效果時(shí)，其SI值分別達(dá)到0.59和0.51；而六維空間中三軸加速度和角速度組合的SI值未達(dá)到0.5?？梢?，優(yōu)化后的二維和三維行人慣性導(dǎo)航系統(tǒng)即有效實(shí)現(xiàn)行人運(yùn)動狀態(tài)識別。

5 結(jié)束語

為實(shí)現(xiàn)較少傳感器即可完成行人導(dǎo)航狀態(tài)識別的目標(biāo)，設(shè)計(jì)慣性行人導(dǎo)航實(shí)驗(yàn)系統(tǒng)，針對二維、三維、六維行人導(dǎo)航慣性傳感器數(shù)據(jù)進(jìn)行傳感器優(yōu)化研究，提出了傳感器優(yōu)化選擇方案。

結(jié)論表明，基于二維、三維慣性行人導(dǎo)航傳感器信息即可實(shí)現(xiàn)行人狀態(tài)識別，充分體現(xiàn)了傳感器優(yōu)化選擇方案的經(jīng)濟(jì)性、便捷性、高效性。