劉 磊，周 虎，韓美林，周 佩

(1.商洛市氣象局，陜西 商洛 726000；2.商洛市消防救援支隊，陜西 商洛 726000；3.商洛學院 電子信息與電氣工程學院，陜西商洛 726000)

秦嶺山區(qū)面積廣闊，地勢復雜，交通不便，技術人員無法經(jīng)常前往現(xiàn)場對環(huán)境狀況進行監(jiān)測。無線傳感網(wǎng)技術可以實現(xiàn)同時在時間和空間上對大范圍環(huán)境信息的監(jiān)測，為森林生態(tài)環(huán)境監(jiān)測提供了新的思路[1]。目前，雖然多傳感器數(shù)據(jù)融合算法研究已經(jīng)取得了很大的進展，但是如何保證融合精度和可靠性依舊是研究的重點。因此，本文借助傳感器多方位采集森林生態(tài)環(huán)境參數(shù)，將測量數(shù)據(jù)進行有效融合，以形成目標區(qū)域的生態(tài)環(huán)境分析結果[2]。

1 系統(tǒng)數(shù)據(jù)融合整體結構設計

目標區(qū)域環(huán)境特征參數(shù)由布置在林內(nèi)的多個傳感器節(jié)點監(jiān)測獲得，因而如何將多個傳感器的海量數(shù)據(jù)進行有效融合是關鍵[3]。采用同類傳感器數(shù)據(jù)級融合和異類傳感器決策級融合，即2級融合[4]進行數(shù)據(jù)融合。同類傳感器數(shù)據(jù)級融合是將表示某一環(huán)境特征的同類傳感器的多個測量數(shù)據(jù)進行融合，當其中某個傳感器出現(xiàn)異常，其他的傳感器可以及時修正。這樣即使單個傳感器出現(xiàn)故障，整個系統(tǒng)的監(jiān)測功能也不會受到影響。異類傳感器決策級融合是將異類傳感器采集到的表示不同環(huán)境特征的數(shù)據(jù)進行融合[5]。由于本系統(tǒng)為利用多傳感器進行的多參數(shù)監(jiān)測結構，故按傳感器類型設計為2層數(shù)據(jù)融合分析模型結構[6]。多傳感器2層數(shù)據(jù)融合分析模型結構如圖1所示。第1層是同類傳感器的數(shù)據(jù)級融合，為了提高測量數(shù)據(jù)的精度，采用加權最小二乘法對來自不同節(jié)點的同類傳感器進行數(shù)據(jù)融合；第2層是決策級融合，將經(jīng)過第1層數(shù)據(jù)融合的數(shù)據(jù)利用神經(jīng)網(wǎng)絡構建幾種環(huán)境特征參數(shù)對目標區(qū)域環(huán)境狀況進行綜合評判，最終獲得目標區(qū)域的生態(tài)環(huán)境分析結果[7]。

圖1 多傳感器2層數(shù)據(jù)融合分析模型結構

2 基于加權最小二乘法的同類傳感器數(shù)據(jù)融合算法設計

2.1 同類傳感器數(shù)據(jù)融合

智能區(qū)域監(jiān)控系統(tǒng)通過布置多個傳感器節(jié)點對目標監(jiān)控區(qū)域進行實時監(jiān)測，每個傳感器節(jié)點上都集成了多個溫度傳感器、濕度傳感器、煙霧傳感器、光照傳感器、CO2傳感器和pH傳感器[8]。同類傳感器數(shù)據(jù)融合就是將描述同一環(huán)境參數(shù)的多個傳感器數(shù)據(jù)進行融合，再進入下一級決策級融合。同類傳感器數(shù)據(jù)融合模型如圖2所示。

圖2 同類傳感器數(shù)據(jù)融合模型

2.2 基于加權最小二乘法的同類傳感器數(shù)據(jù)融合

最小二乘法在數(shù)據(jù)處理時具有簡潔高效、誤差小、精度高的特點[9]。林內(nèi)布置的大量傳感器會采集到海量的數(shù)據(jù)。為了提高數(shù)據(jù)處理的速度和精度，首先對表示同一環(huán)境特征的數(shù)據(jù)采用加權最小二乘法融合，即同類傳感器數(shù)據(jù)融合。為了避免因某些傳感器異常而帶來誤差，在最小二乘法的基礎上對誤差較小的數(shù)據(jù)賦予較大的權重，對誤差較大的數(shù)據(jù)賦予較小的權重，得到同類傳感器數(shù)據(jù)融合函數(shù)模型。這樣，當某個傳感器出現(xiàn)異常時就可以降低其對系統(tǒng)的影響，既可以保證整個系統(tǒng)的穩(wěn)定性，還可以提高測量數(shù)據(jù)的精度[10]。基于加權最小二乘法同類傳感器數(shù)據(jù)融合計算流程如圖3所示。

圖3 基于加權最小二乘法同類傳感器數(shù)據(jù)融合計算流程

1)假設測量區(qū)域內(nèi)有n個傳感器，n個測量值構成的n維向量為Y，Y=[y1，y2，y3，…，yn]T，環(huán)境噪聲和傳感器噪聲為e=[e1，e2，e3，…，en]T，系統(tǒng)的真實測量值為x，則這n個傳感器對某一環(huán)境狀態(tài)參數(shù)檢測的方程為：

Y=Hx+e

(1)

式(1)中，H為n維常向量，H=[1，1，…，1]T。

(2)

(3)

(4)

由式(4)可知，估計值直接受傳感器測量誤差平方計算結果的影響。由式(3)可知，通過加權最小二乘法計算可得到數(shù)據(jù)融合的估計狀態(tài)方差為：

(5)

由式(5)可知，系統(tǒng)估計方差比任一傳感器的測量誤差都小。

4)考慮到實際處理器的運行能力有限，在數(shù)據(jù)處理時選用方差遞歸法。該方法可以在保證數(shù)據(jù)融合精確度的前提下，大幅地減少歷史數(shù)據(jù)的使用。此外，目標區(qū)域環(huán)境的特征參數(shù)獲取較為困難，為了保證系統(tǒng)的準確度，將測量結果的算術平均值作為傳感器測量數(shù)據(jù)的真實值[11]。測量結果的算術平均值為：

(6)

第i個傳感器的第m個測量結果的測量方差估計為：

(7)

將n個傳感器測量方差估計求和，聯(lián)合式(7)可得傳感器的測量方差為：

(8)

(9)

6)最后將輸出結果作為下級異類傳感器數(shù)據(jù)融合的輸入。

3 基于神經(jīng)網(wǎng)絡的異類傳感器多數(shù)據(jù)融合算法設計

3.1 基于神經(jīng)網(wǎng)絡的異類傳感器多數(shù)據(jù)融合模型

基于神經(jīng)網(wǎng)絡的異類傳感器多數(shù)據(jù)融合模型如圖4所示。

圖4 基于神經(jīng)網(wǎng)絡的異類傳感器多數(shù)據(jù)融合模型

為了完成對森林生態(tài)環(huán)境的監(jiān)測，同時滿足系統(tǒng)的實時性和準確性，利用BP神經(jīng)網(wǎng)絡完成異類傳感器多數(shù)據(jù)融合。雖然BP神經(jīng)網(wǎng)絡技術已應用于各領域，但其隱藏層的節(jié)點數(shù)卻完全依賴于經(jīng)驗，要想找到最優(yōu)網(wǎng)絡必須多次嘗試，算法耗時。同時BP神經(jīng)網(wǎng)絡也容易陷入局部最小值。本文采用局部傳遞函數(shù)的RBF神經(jīng)網(wǎng)絡，學習速度更快，數(shù)據(jù)適應性更強，更容易收斂，很容易找到最優(yōu)網(wǎng)絡。但是，RBF神經(jīng)網(wǎng)絡也存在一些問題，如模型的好壞取決于樣本數(shù)據(jù)的選擇，從輸入樣本集中選取的網(wǎng)絡隱藏層函數(shù)中心，無法準確描述系統(tǒng)輸入和輸出之間的關系。此外，選取的初始中心點數(shù)太多，往往會引起數(shù)據(jù)病態(tài)的現(xiàn)象。

3.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法(PSO)是一種隨機優(yōu)化算法，利用PSO的尋優(yōu)能力可以對隱含層神經(jīng)元中心、寬度及輸出連接權值進行調(diào)整，提升RBF神經(jīng)網(wǎng)絡函數(shù)逼近能力，在數(shù)據(jù)融合領域更具優(yōu)勢。

3.3 基于PSO-RBFNN模型的建立

本文最終采用基于PSO-RBFNN模型的多傳感器數(shù)據(jù)融合算法，以解決無法準確描述系統(tǒng)輸入和輸出之間的關系和數(shù)據(jù)病態(tài)的問題?；赑SO-RBFNN模型的算法流程圖如圖5所示，具體步驟如下。

圖5 基于PSO-RBFNN模型的算法流程圖

1)歸一化處理樣本數(shù)據(jù)后，初始化粒子種群。選取m個粒子數(shù)，初始代數(shù)為t+1。各粒子初始速度隨機產(chǎn)生，且設各粒子初始速度為vi，粒子群的位置為xi，每個粒子個體最優(yōu)值為pi。

2)對m個pi值不同的粒子，訓練m個RBF神經(jīng)網(wǎng)絡參數(shù)和結構。采用最鄰近聚類算法，得到聚類個數(shù)和隱含層中心向量。

3)訓練RBF神經(jīng)網(wǎng)絡，得到神經(jīng)網(wǎng)絡的預測輸出f(x)，根據(jù)式(1)計算m個粒子的適應度，并排序。預測輸出為：

(10)

4)對粒子適應度值排序，根據(jù)粒子更新公式更新粒子的速度和位置，產(chǎn)生新種群。粒子更新公式為：

(11)

速度調(diào)整公式為：

(12)

5)若滿足系統(tǒng)要求，迭代結束，返回當前全局極值為最優(yōu)值ε值，跳轉(zhuǎn)執(zhí)行步驟(6)；否則t=t+1，跳轉(zhuǎn)執(zhí)行步驟(2)。

6)根據(jù)群體全局極值，得到最優(yōu)RBF神經(jīng)網(wǎng)絡的權值和閾值。

4 仿真結果

實驗中傳感器數(shù)據(jù)來源于布置在林內(nèi)的30個監(jiān)測點的6類傳感器。環(huán)境監(jiān)測站定點、定時測量數(shù)據(jù)，站內(nèi)安裝多參數(shù)自動監(jiān)測儀器，將監(jiān)測結果儲存。確定設計的神經(jīng)網(wǎng)絡輸入層節(jié)點個數(shù)為6，輸出節(jié)點為目標區(qū)域即森林生態(tài)環(huán)境指數(shù)，輸出層節(jié)點個數(shù)為1。在訓練過程中，PSO-RBFNN模型的均方根誤差隨神經(jīng)元增加而降低。使用Matlab對PSO-RBFNN模型進行仿真，PSO-RBFNN模型的測試結果如圖6所示。由圖6可以看出，模型的預測結果與期望輸出基本一致，誤差范圍較小。

圖6 PSO-RBFNN模型的測試結果

為了對比算法的有效性和準確性，采用BP神經(jīng)網(wǎng)絡對相同的測量數(shù)據(jù)進行仿真實驗。數(shù)據(jù)預處理之后，進行網(wǎng)絡參數(shù)設置，輸入節(jié)點為6種數(shù)據(jù)，輸出節(jié)點為森林生態(tài)環(huán)境指數(shù)，隱含層節(jié)點數(shù)為6個，傳遞函數(shù)選用tansig函數(shù)，學習算法選擇L-M算法。BP神經(jīng)網(wǎng)絡模型的測試結果如圖7所示。由圖7可以看出，基于BP神經(jīng)網(wǎng)絡模型的前期實際值和預測值誤差很小，但后期誤差較大。其原因在于測試集過大，BP陷入了局部極值的影響。

圖7 BP神經(jīng)網(wǎng)絡模型的測試結果

5 結論

針對環(huán)境監(jiān)測中傳感器的數(shù)據(jù)融合算法進行研究，設計的PSO-RBFNN模型在傳感器融合結果較好，融合曲線與真實曲線基本一致。與BP和RBF網(wǎng)絡的預測模型相比，基于PSO-RBFNN模型具有更高的準確性，可以有效完成環(huán)境監(jiān)測數(shù)據(jù)的融合與預測，在環(huán)境監(jiān)測數(shù)據(jù)融合的方面具有良好的應用前景。