陳浩男　馬斌　王長濤　劉釗　溥博文

摘 要： 針對建筑環(huán)境CPS數據級融合可靠性的問題，采用線性最小方差估計的方法對傳統(tǒng)自適應加權融合算法進行改進，不僅減小了均方誤差，而且使得融合結果可靠性更高。在數據融合前進行限幅處理，判斷數據是否異常，對異常數據的加權因子進行配置處理，既提高了數據的篩選性，又保證了系統(tǒng)數據融合結果的可靠性。仿真實驗表明了該方法的有效性。

關鍵詞： 建筑環(huán)境； 信息物理融合系統(tǒng)； 數據級融合； 自適應加權融合算法； 線性最小方差； 限幅濾波

中圖分類號： TN911.23?34； TP274+.2 文獻標識碼： A 文章編號： 1004?373X（2015）01?0096?04

Abstract： For problem of CPS data level fusion reliability in built environment， the way of linear minimum variance estimation is used to improve the tradition adaptive weighted fusion algorithm， which not only reduces the mean square error， but also makes the fusion result more reliable. The amplitude limiting process should be carried out before data fusion， so as to determine whether data is abnormal and allocate weighting factor of the abnormal data， which can improve the filtration ability of the data and ensure the reliability of the data fusion result. The simulation experiment indicated the effectiveness of the way.

Keywords： built environment； cyber?physical systems； data level fusion； adaptive weighted fusion algorithm； linear minimum variance； amplitude limiting filtering

0 引 言

建筑環(huán)境CPS數據級融合的可靠性是對建筑環(huán)境能否做出正確評價以及決策的一個重要保證，很多時候衡量這一標準的重要指標是均方誤差，均方誤差越小，說明融合估計結果越好。傳統(tǒng)建筑環(huán)境數據級融合采用了一些估計方法來減少均方誤差，只注重對已經接收到的數據進行處理來提高融合的可靠程度，卻往往忽略接收到的數據是否有處理的價值。信息物理融合系統(tǒng)（Cyber?Physical Systems）[1?3]是在環(huán)境感知的基礎上，將通信、計算和控制進行深度融合的可控可信可擴展的網絡化系統(tǒng)，檢測數據的可靠性將直接影響CPS的運行效果。如何判斷傳感器是否異常，進一步減小均方誤差，以及解決傳感器工作異常的問題，對于提高建筑環(huán)境CPS數據級融合的可靠性是十分必要的。

目前國內外的學者研究建筑環(huán)境系統(tǒng)數據級融合的算法主要有加權融合算法、加權平均法[4]、自適應加權融合算法[5]、貝葉斯推理算法[6]等。其中加權融合算法實現容易，但加權因子不好確定，一般都根據經驗來賦值[7]。加權平均法操作同樣簡單，但誤差較大不適合高精度的數據融合[8]。自適應加權融合算法可以不需要任何先驗知識的前提下進行融合，該輸出值均方誤差較小[9]，在一定的程度上，提高了數據級融合的可靠性，但對融合數據的篩選性較差。貝葉斯推理算法適用于在具有可加高斯噪聲等不確定性信息時的處理，但是該算法定義先驗似然函數比較困難、缺乏不確定性能力[10]。

以上算法均不能滿足建筑環(huán)境CPS數據級要求，針對這種情況，本文利用線性最小方差估計的方法，結合自適應加權融合算法的特點，將二者進行融合。融合后的算法相對于原自適應加權融合算法均方誤差減小，融合精度更高。并將改進后的融合算法與限幅處理思想相結合，來判斷傳感器檢測到的數據是否異常，據此改變融合算法中相對應的加權因子。這樣，在一定程度上保證了建筑環(huán)境CPS數據級融合輸出的可靠性。

1 傳統(tǒng)自適應加權融合算法簡介

自適應加權融合算法的優(yōu)點是對即時采集的數據進行處理，在無偏估計準則下，該算法可以在不知道傳感器測量數據的任何先驗知識的條件下，單靠傳感器提供的即時數據，就能使融合出的數據融合值均方誤差較小[11]。

3 限幅處理法

限幅濾波法是判斷被測信號的變化，據此消除緩變信號中的尖脈沖干擾。其基本思想為，根據已有的時域采樣結果，將本次采樣值與上次采樣值進行比較，差值超出允許范圍的，就認定該值異常[12]。

本文利用這一思想對采集數據進行處理。在假設傳感器失靈的總數不會超過整個傳感器數目的一半的基礎上，將不同傳感器測量的即時數據進行相互比較，如果它們的差值小于規(guī)定的允許范圍，則認為各傳感器均正常工作，可以將它們采集到的數據進行正常的處理；一旦發(fā)現有差值大于規(guī)定的允許范圍的情況，則表示有傳感器出現異常情況。

4 限幅處理與改進后的自適應加權算法的

融合算法

數據融合過程中很多時候會發(fā)生傳感器異常導致采集數據偏差很大，針對這一問題，本文采用了限幅處理法補充改進后的自適應加權融合算法，使其可以在融合前發(fā)現異常數據，并且改變對應的加權因子，從而保證了數據級融合數據的可靠性。

4.1 結構與流程

限幅處理與改進后的自適應加權算法融合后形成了新的算法，新算法可以解決如何提前發(fā)現并且處理因傳感器異常導致的采集的數據偏差較大的問題。算法的整體結構如圖3所示。

由圖3可以看出，在改進自適應加權融合算法的前面添加了限幅處理模塊，該模塊對傳感器檢測的數據進行比較檢測后，在一定的條件下可以通過各個檢測數據來判斷相對應的傳感器是否發(fā)生失靈異常。異常則修改相應的加權因子來保證融合輸出更加可靠的數據[Z（k）。]算法步驟如下：

（1） 用限幅處理法來檢測是否有傳感器失靈異常。有則找出相對應的傳感器，并在公式（4）中將對應的加權因子直接設定為零。

（2） 由公式（7）求出各個傳感器的均方方差[σ2i（k）。]

（3） 由公式（4）求出各個傳感器的最優(yōu)加權因子[Wi，i=1，2，…，n。]

（4） 由公式（1）求出最終多傳感器的融合結果[Z（k）]。

算法的流程圖如圖4所示。

4.2 仿真實驗

本文的限幅處理模塊算法滿足仿真2.2實驗環(huán)境條件，通過觀察加權因子和融合輸出值的輸出來驗證本文算法是否合理。

本文仍然選用3組數據來模擬濕度觸感器測量數據，并假設用來模擬濕度的估計真值為31，正常的誤差范圍[α≤2。]正常傳感器的誤差分別為0.6，0.36，失靈異常為3，選200個時刻作為采樣時刻。圖5，圖6分別為傳統(tǒng)無限幅處理自適應加權融合算法的加權因子和有限幅處理的自適應加權融合因子。

通過圖5，圖6比較可以看出，有限幅處理的自適應加權融合算法的傳感器3加權因子為零，這是因為通過限幅處理模塊的檢測，判斷出傳感器3工作異常，檢測的數據不可靠，系統(tǒng)自動將其加權因子設為零，阻止其繼續(xù)參與數據融合工作。無限幅處理的自適應加權融合算法不具備該功能，誤差數據仍參與輸出。

圖7～圖9分別為有異常的傳統(tǒng)自適應加權融合算法、有異常時無限幅處理模塊改進自適應加權融合算法和有異常時有限幅處理模塊的改進自適應加權融合算法的融合輸出圖。

通過圖7～圖9可以看出當傳感器異常時，原自適應加權融合算法輸出偏離估計真值較遠，是因為算法沒對異常數據處理，異常數據的加入使得均方誤差偏大，導致輸出可靠性不高。改進后的自適應加權融合算法相對于原自適應加權融合算法的輸出接近估計真值，可靠性有所提高，均方誤差也減小，因為異常數據的參與，仍然偏離估計真值，可靠性不最高。加入限幅處理模塊后的改進自適應加權融合算法即減小了均方誤差，且利用限幅處理模塊去掉了異常數據，提高了可靠性，使輸出更加貼近估計真值，可以應用在建筑環(huán)境中。

5 結 語

本文利用了線性最小方差估計方法的特點，并與自適應加權融合算法相結合，改變了原均方誤差的計算方法，使得改進后的均方誤差小于改進前，提高了融合精度、輸出穩(wěn)定性。并在此基礎上，添加了限幅處理模塊，可以對傳感器采集的數據做出處理，消除了誤差較大數據的影響，進一步提高了輸出數據的可信度，從而保證了在建筑環(huán)境下CPS數據級處理檢測數據的可靠性。

參考文獻

[1] 溫景容，武穆清，宿景芳.信息物理融合系統(tǒng)[J].自動化學報，2012，38（4）：507?517.

[2] 馬斌，李楠楠.基于人工神經元方式構建的信息物理融合系統(tǒng)[J].沈陽建筑大學學報：自然科學版，2012（3）：375?379.

[3] LEE E A. Cyber physical systems： design challenges [C]// 2008 11th IEEE International Symposium on Object Oriented Real?time Distributed Computing （ISORC）. Orlando， Fl： IEEE， 2008： 363?369.

[4] 劉海斌，宮峰勛.一種改進的多傳感器加權融合算法[J].電子產品世界，2009（12）：19?21.

[5] 崔翌立，戴逸松.多傳感器數據自適應加權融合估計算法的研究[J].計量學報，1998（1）：70?74.

[6] DURANT?WHYTE H F. Consistent integration and propagation of disparate sensor observations [J]. International Journal of Robotics Res，1987， 6（3）： 2?24.

[7] 鄧蘊昊，張納溫.一種改進的加權融合算法[J].彈箭與制導學報，2008（12）：311?313.

[8] 張雨，溫熙森.設備故障信息融合問題的思考[J].長沙交通學院學報，1999（4）：22?29.

[9] 金建華，闕沛文.多傳感器測量數據的切尾加權融合算法[J].儀器儀表學報，2002（6）：301?304.

[10] 張廷龍，王俊勇.多傳感器數據融合技術概述[J].艦船電子工程，2013（2）：41?44.

[11] 張曉亮，羅文廣.多傳感器數據融合技術在室內環(huán)境品質監(jiān)控系統(tǒng)中的應用[J].儀表技術與傳感器，2012（2）：103?105.

[12] 郭鐵梁，趙旦峰，錢晉希.OFDM水聲通信降低限幅噪聲的改進算法[J].計算機工程與應用，2013，49（14）：15?18.