【文章內(nèi)容簡介】 術(shù)的應用規(guī)模將不斷擴大。隨著農(nóng)業(yè)物聯(lián)網(wǎng)企業(yè)和標準的不斷完善，農(nóng)業(yè)物聯(lián)網(wǎng)將朝著協(xié)同化方向發(fā)展，形成不同農(nóng)業(yè)產(chǎn)業(yè)物體間、不同企業(yè)間乃至不同地區(qū)不同國家間的農(nóng)業(yè)物聯(lián)網(wǎng)信息的互聯(lián)互通操作，應用模式從閉環(huán)走向開環(huán)，最終形成可服務于不同應用領(lǐng)域的農(nóng)業(yè)物聯(lián)網(wǎng)應用體系。隨著云計算與云服務技術(shù)的發(fā)展，農(nóng)業(yè)物聯(lián)網(wǎng)感知信息將在真實世界和虛擬世界之間智能化流動，相關(guān)農(nóng)業(yè)感知信息服務將會隨時接入、隨時獲得。總體來講，農(nóng)業(yè)物聯(lián)網(wǎng)將朝著更透徹的感知、更全面的互聯(lián)互通、更深入的智慧服務和更優(yōu)化的集成趨勢發(fā)展。第三章 系統(tǒng)的數(shù)據(jù)融合處理3. 1數(shù)據(jù)融合的原理及意義3. 1973年，美國國防部資助開發(fā)了吉納信號理解系統(tǒng)，該系統(tǒng)是數(shù)據(jù)融合最早的雛形，標志著數(shù)據(jù)融合技術(shù)最早在軍事領(lǐng)域出現(xiàn)，此后，隨著計算機技術(shù)和通信技術(shù)緊密地互相結(jié)合并快速發(fā)展，數(shù)據(jù)融合技術(shù)被廣泛應用于軍事、民用和科研領(lǐng)域的數(shù)據(jù)處理，并且在數(shù)據(jù)處理的實際應用中，數(shù)據(jù)融合技術(shù)得到了極大的發(fā)展。 數(shù)據(jù)融合技術(shù)是應用在數(shù)據(jù)處理方面的多學科交叉的新技術(shù)，其研究的內(nèi)容具有多樣性的特點，對從信息源獲得的可用信息可以進行多種綜合處理，并且數(shù)據(jù)融合技術(shù)的分析和決策方法涉及多個知識領(lǐng)域，所以到目前為止，數(shù)據(jù)融合并沒有一個統(tǒng)一的定義，根據(jù)資料，數(shù)據(jù)融合技術(shù)可以較為貼切的歸納為:數(shù)據(jù)融合技術(shù)是一種信息處理技術(shù)，對按時序獲得的觀測信息，使用計算機在特定準則下加以自動分析、綜合，以完成所需的決策和評估任務。數(shù)據(jù)融合處理的數(shù)據(jù)可以來自多個不同的信息源，對數(shù)據(jù)的處理方法可以來自不同科研領(lǐng)域的不同技術(shù)，數(shù)據(jù)融合的原理可以概括如下:首先，采集觀測目標數(shù)據(jù)，即應用傳感器等感知技術(shù)獲得最原始的信息或數(shù)據(jù)，采集到的觀測數(shù)據(jù)形式有多種，通常是時間函數(shù)數(shù)據(jù)、輸出矢量、成像數(shù)據(jù)和屬性說明等。其次，提取特征矢量，即對用感知技術(shù)采集到的觀測數(shù)據(jù)進行特征提取，得到感知數(shù)據(jù)的特征矢量。再次，模式識別處理，這一處理過程是針一對所獲得的特征矢量進行，該過程采用諸如匯聚算法等統(tǒng)計模式識別算法對所獲得的特征矢量進行處理，得到各個傳感器關(guān)于目標的目標屬性判決。然后關(guān)聯(lián)，關(guān)聯(lián)過程是針對傳感器獲得的數(shù)據(jù)而進行的，針對不同的目標，傳感器節(jié)點會獲得不同的數(shù)據(jù)，將所有傳感器采集獲得的數(shù)據(jù)按照統(tǒng)一目標分組，這一過程即為關(guān)聯(lián)。最后，數(shù)據(jù)合成，該過程的合成不是簡單的數(shù)據(jù)組合，而是將數(shù)據(jù)進行綜合加工處理的數(shù)據(jù)融合，經(jīng)融合后得到關(guān)于目標的一致性解釋與描述。3. 1 .2數(shù)據(jù)融合的意義 本系統(tǒng)的數(shù)據(jù)采集網(wǎng)絡采用基于ZigBee技術(shù)的無線傳感器網(wǎng)絡，數(shù)據(jù)融合對于無線傳感器網(wǎng)絡的意義可以表述如下: (1)減少冗余信息，降低能量消耗 為了增強采集數(shù)據(jù)的準確性并確保整個無線傳感器網(wǎng)絡的穩(wěn)定性和魯棒性，無線傳感器節(jié)點需要大量且廣泛的分布于采集區(qū)域內(nèi)，相鄰無線傳感器節(jié)點的采集區(qū)域可能重疊，從而導致相鄰傳感器節(jié)點發(fā)送的信息存在冗余性。曾有學者計算顯示，傳感器節(jié)點使用無線方式傳輸比特到100米遠所消耗的能量可供執(zhí)行3000條指令[16]，在這種情況下，匯聚節(jié)點并未獲得更多的信息，反而使網(wǎng)絡消耗了更多的能量，因此，在保證精度的情況下，對傳感器節(jié)點采集到的感知數(shù)據(jù)信息進行融合處理，能夠大大降低無線通信過程中的數(shù)據(jù)傳輸，而處理器進行數(shù)據(jù)計算所消耗的能量，遠遠小于數(shù)據(jù)在通信過程中消耗的能量，所以在傳感器節(jié)點采集到數(shù)據(jù)之后到發(fā)送數(shù)據(jù)之前進行數(shù)據(jù)冗余處理，可以有效的減少無線傳輸過程中的數(shù)據(jù)傳輸量，達到去除冗余信息、降低能量消耗的目的。 (2)提高采集信息的準確性 無線傳感器節(jié)點負責采集影響農(nóng)作物生長的環(huán)境參數(shù)信息，由于傳感器節(jié)點存在因成本和體積而導致的精度問題，加之進行數(shù)據(jù)采集時周圍環(huán)境因素的影響以及使用無線通信進行數(shù)據(jù)傳遞時容易受到干擾和破壞，單一傳感器節(jié)點獲得的數(shù)據(jù)信息往往存在不可靠性。使用數(shù)據(jù)融合技術(shù)，對采集同一信息的多個傳感器所采集到的數(shù)據(jù)進行數(shù)據(jù)融合處理，就可以有效提高所采集信息的精度和準確性。 (3)提高數(shù)據(jù)收集效率 對傳感器節(jié)點采集到的數(shù)據(jù)進行數(shù)據(jù)融合處理，減少了需要傳輸?shù)臄?shù)據(jù)量，從某種程度上降低了數(shù)據(jù)鏈路過程中的鏈路難度，減少了數(shù)據(jù)在無線通信過程中的沖突碰撞，減輕了網(wǎng)絡的傳輸擁塞，降低了數(shù)據(jù)的傳輸延遲，有效提高了數(shù)據(jù)收集效率。3. 2數(shù)據(jù)融合的分類 傳感器網(wǎng)絡中的數(shù)據(jù)融合技術(shù)可以有不同的分類方式，根據(jù)對傳感器數(shù)據(jù)的融合級別，數(shù)據(jù)融合技術(shù)可以被分為以下三類: (1)像素級融合 像素級融合是最初級的融合，在像素級融合中，每一個傳感器觀測物體，然后組合來自各傳感器的原始數(shù)據(jù)并進行特征識別，該過程通常是從原始數(shù)據(jù)中提取一個特征矢量，根據(jù)此特征矢量做出一致性解釋與描述。在像素級融合中，原始數(shù)據(jù)必須是匹配的，傳感器測量的是同一物理現(xiàn)象，如果傳感器不是同類的，則無法進行像素級融合，只能進行特征級融合或決策級融合。像素級融合的主要優(yōu)點在于，它能夠提供其他融合層次不能提供的細微信息且不存在信息損失，具有較高的融合性能。像素級融合通常要求精確的傳感器配準和很高的傳輸帶寬。 (2)特征級融合 特征級融合屬于中級融合，在特征級融合中，每個傳感器觀測目標之后對各傳感器的觀測進行特征提取，產(chǎn)生特征矢量，最后融合這些特征矢量，并做出基于聯(lián)合特征矢量的屬性說明。特征級融合是像索級融合與更高級決策級融合的折中形式，特征級融合一般采用分布式或集中式的融合體系，特征級觸合可以對數(shù)據(jù)進行綜合融合。特征級融合的優(yōu)點在于需要的通信帶寬小，但結(jié)果的精確性也在相應減小。由于特征級融合兼具了像索級融合與決策級觸合的優(yōu)缺點，具有較大靈活性，在許多情況下很實用。(3)決策級融合決策級融合位于三層數(shù)據(jù)融合的最高層。在該層融合中，每個傳感器觀測目標，并提取感知數(shù)據(jù)的特征，形成特征矢量；然后使用模式識別處理等方法對得到的特征矢量進行處理，獲得各傳感器關(guān)于目標的說明。再按統(tǒng)一目標將各傳感器關(guān)于目標的說明數(shù)據(jù)進行分級，即關(guān)聯(lián)。最后采用融合算法合成已統(tǒng)一目標的各傳感器數(shù)據(jù)，得到該目標的一致性解釋與描述。決策級融合是面向應用的融合。決策級融合的主要優(yōu)點是容錯性強、通信量小、抗干擾能力強。它的缺點是信息損失大、精確性差。上述的數(shù)據(jù)融合方法各有特點，在具體應用的過程中應該根據(jù)具體數(shù)據(jù)融合的目的和條件選擇合適的融合方法。 在物聯(lián)網(wǎng)的實際應用中，三個級別的數(shù)據(jù)融合技術(shù)可以綜合使用。有的應用中數(shù)據(jù)形式比較簡單，不需要進行像素級融合，就使用靈活的特征級融合手段，而有的應用要處理大量原始數(shù)據(jù)，則選用像素級融合。一個給定的系統(tǒng)，可能涉及多個級別的數(shù)據(jù)融合技術(shù)。3. 3數(shù)據(jù)融合的基本方法 在無線傳感器網(wǎng)絡系統(tǒng)的設(shè)計和實現(xiàn)過程中，并沒有一種通用的數(shù)據(jù)融合方法，對于傳感器網(wǎng)絡的數(shù)據(jù)融合，總是根據(jù)具體的實際應用背景，來選擇相應的融合算法。傳感器網(wǎng)絡數(shù)據(jù)融合的方法有很多，本文主要介紹幾種常用的數(shù)據(jù)融合方法。 (1)加權(quán)平均法 在所有的數(shù)據(jù)融合方法中，加權(quán)平均法是最簡單最直觀的方法，該方法將多個傳感器上傳的冗余信息進行加權(quán)平均計算，計算的結(jié)果作為最后的融合值，常用于處理數(shù)據(jù)源的數(shù)據(jù)具有較大差異的情況。加權(quán)平均融合算法的優(yōu)點是信息丟失少，所以需要對原始數(shù)據(jù)進行融合的情況下常采用加權(quán)平均法，但是加權(quán)平均因為需要建立數(shù)據(jù)模型或統(tǒng)計特征，所以加權(quán)平均法的使用范圍有限。 (2)貝葉斯估計 貝葉斯估計算法是最早應用于不確定數(shù)據(jù)融合的一種推理方法，也是靜態(tài)數(shù)據(jù)融合中的一種常用方法，它的基本思想是在假設(shè)先驗概率的條件后，利用貝葉斯公式計算出后驗概率，然后根據(jù)后驗概率做出決策。在無線傳感器網(wǎng)絡中，傳感器節(jié)點作為不同的信息源，其信息被表示成不同的概率密度函數(shù)，以特定原則對這些概率密度函數(shù)進行組合，用假定條件進行數(shù)據(jù)融合處理，實現(xiàn)用條件概率來測量系統(tǒng)不確定性的目的。若多個傳感器監(jiān)測目標一致，則可以直接對傳感器所獲得的感知信息進行融合，若多個傳感器根據(jù)不同的目標對統(tǒng)一物體進行描述，只能以間接方式采用貝葉斯估計進行數(shù)據(jù)融合。貝葉斯估計算法的特點是由數(shù)學公理推導，易于理解且計算量小，常用來處理一些不確定問題。貝葉斯估計的缺點是在實際中很難知道先驗概率，當假定的先驗概率與實際情況不相符時，獲得的推理結(jié)果性能比較差，因此，貝葉斯估計算法的適用范圍比較小。 (3)卡爾曼濾波 據(jù)資料記載，(Stanley Schmidt)首次實現(xiàn)了卡爾曼濾波器，并將其應用于解決阿波羅計劃的軌道預測，關(guān)于這種濾波器的論文由Kalman等發(fā)表?？柭鼮V波是一種遞歸的估計，它不需要任何有關(guān)的歷史數(shù)據(jù)信息，它的估計過程只與上一個相關(guān)狀態(tài)的估計值和當前狀態(tài)的實際值有關(guān)，是線性濾波最常用的處理方法。在無線傳感器網(wǎng)絡中，卡爾曼濾波器常常被用于動態(tài)環(huán)境下對感知數(shù)據(jù)的融合計算，通過遞推確定融合信息統(tǒng)計意義下的最優(yōu)估計。遞推特性使得卡爾曼濾波非常適合應用在無海量信息存儲性能的系統(tǒng)中，在需要估計系統(tǒng)當前狀態(tài)又需要預報系統(tǒng)的未來狀態(tài)的情況下，也常常采用卡爾曼濾波對傳感器數(shù)據(jù)進行融合。卡爾曼濾波數(shù)據(jù)融合算法信息丟失較少，所以適合對原始數(shù)據(jù)進行融合，缺點是需要建立數(shù)學模型或統(tǒng)計特征，適用范圍有限。本系統(tǒng)對無線傳感器感知數(shù)據(jù)的處理方法采用了基于卡爾曼濾波原理的數(shù)據(jù)融合方法，關(guān)于卡爾曼濾波的內(nèi)容將在下一節(jié)內(nèi)容中詳細闡述。 (4)神經(jīng)網(wǎng)絡法 神經(jīng)網(wǎng)絡法也是由多個科研領(lǐng)域高度綜合、聯(lián)合應用、共同發(fā)展而形成的交叉學科，將神經(jīng)網(wǎng)絡法應用于無線傳感器網(wǎng)絡節(jié)點的感知數(shù)據(jù)融合，模擬了人腦可以對大量信息進行識別存儲、可以對不同信息進行綜合分析、可以對各種復雜信息進行有層次系統(tǒng)性的自學習的功能，神經(jīng)網(wǎng)絡可以對傳感器節(jié)點的感知數(shù)據(jù)以某種算法為依據(jù)進行學習，根據(jù)學習的結(jié)果對傳感器的感知數(shù)據(jù)進行處理并輸出信息，通過分配權(quán)值來完成數(shù)據(jù)融合操作以及對知識的獲取。神經(jīng)網(wǎng)絡算法的優(yōu)點是對先驗知識要求不高或者根本沒有要求，因此神經(jīng)網(wǎng)絡法有較強的自適應能力，缺點是神經(jīng)網(wǎng)絡算法的運算量大，規(guī)則難建立。 此外，常用的數(shù)據(jù)融合方法還包括DempsterShafer證據(jù)推理法、模糊邏輯法、統(tǒng)計決策理論和小波分析等。3. 4. 1 KDF算法的提出 本文設(shè)計的智能農(nóng)業(yè)監(jiān)測系統(tǒng)既可以應用于溫室或農(nóng)業(yè)大棚等封閉環(huán)境，也可以應用在農(nóng)業(yè)大田等露天環(huán)境，無論應用于哪種情況，本系統(tǒng)無線傳感器節(jié)點監(jiān)測的都是一個相對穩(wěn)定的環(huán)境，在該種環(huán)境下，存在在某一段時間內(nèi)，被監(jiān)測的目標數(shù)據(jù)無明顯變化的情況，即無線傳感器節(jié)點感知到的數(shù)據(jù)具有時間的相關(guān)性，使得單個傳感器節(jié)點監(jiān)測獲得的數(shù)據(jù)存在冗余。由于傳感器節(jié)點在數(shù)據(jù)傳輸?shù)倪^程中消耗的能量最多，大量冗余信息的存在，會使傳感器網(wǎng)絡白白耗費掉大量能量，同時，由于傳感器節(jié)點本身的限制及進行數(shù)據(jù)采集時周圍環(huán)境的影響，使傳感器節(jié)點獲得的原始數(shù)據(jù)在精度方面與實際需要具有一定的差距。本文采用的數(shù)據(jù)融合思想是在傳感器節(jié)點處進行像素級的融合處理，該處理是在傳感器節(jié)點獲得感知數(shù)據(jù)后立即進行的數(shù)據(jù)融合計算，此時的感知數(shù)據(jù)還沒有進行任何算法的處理，這種融合的好處是:利用可用信息之間的相關(guān)性對原始數(shù)據(jù)進行綜合與分析并且對一定測量次數(shù)內(nèi)獲得的有限的測量數(shù)據(jù)進行融合處理，可以有效的消除無線傳感器測量中的干擾及不確定性，從而獲得更加準確、更加可靠的測量數(shù)據(jù)，達到減少數(shù)據(jù)傳輸、節(jié)省能量的目的?；诖怂悸罚疚奶岢隽嘶诳柭鼮V波的數(shù)據(jù)融合算法(KDF)用于系統(tǒng)的數(shù)據(jù)融合處理。KDF算法是在傳感器節(jié)點采集數(shù)據(jù)之后到將數(shù)據(jù)傳輸至上位機之前加入一個數(shù)據(jù)處理過程，在該過程中，傳感器節(jié)點采集到的數(shù)據(jù)首先要與之前系統(tǒng)設(shè)定的閩值進行對比測算，若采集到的數(shù)據(jù)超出閩值設(shè)置范圍，進行報警提示，若采集到的數(shù)據(jù)在所設(shè)定閩值范圍內(nèi)，則將傳感器節(jié)點采集到的數(shù)據(jù)通過卡爾曼濾波器進行濾波處理，去除環(huán)境噪聲和干擾的影響，最后將去除噪聲后的數(shù)據(jù)再通過數(shù)據(jù)融合模型進行處理。KUP在有效去除噪聲、得到更準確數(shù)據(jù)的同時，可以減少數(shù)據(jù)傳輸量，節(jié)省能耗。3. 4. 2卡爾曼濾波算法 前文己經(jīng)對卡爾曼濾波做了簡要的介紹，在無線傳感器網(wǎng)絡中，因為傳感器節(jié)點獲得的數(shù)據(jù)可以看成是離散的數(shù)據(jù)，將卡爾曼濾波用于感知數(shù)據(jù)的濾波可以提供統(tǒng)計意義下的最優(yōu)估計，并且卡爾曼濾波的過程只需要很小的存儲空間，這使得卡爾曼濾波非常適合應用在無線傳感器網(wǎng)絡中，所以本系統(tǒng)的數(shù)據(jù)采用卡爾曼濾波來處理?？柭鼮V波器是一個離散控制過程的系統(tǒng)，該系統(tǒng)可用一個線性隨機微分方程來描述: X (k)=AX(k一1)+BU(k)+W(k) () 再加上系統(tǒng)的測量值: Z(k)=HX(k)+V(k) ()公式(()和(()中，X(k)是k時刻的系統(tǒng)狀態(tài)，U(k)是k時刻對系統(tǒng)的控制量。A和B是系統(tǒng)參數(shù)。Z(k)是k時刻的測量值，H是測量系統(tǒng)的參數(shù)，對于多測量系統(tǒng)，A, B,H為矩陣。W(k)和V(k)分別表示過程噪聲和測量噪聲，被假設(shè)成高斯白噪聲，方差Q、R不隨系統(tǒng)狀態(tài)變化而變化。 假定現(xiàn)在的系統(tǒng)狀態(tài)是k，公式()至()是卡爾曼濾波過程的5個主要運算過程。 X(k I k一1) = AX(k一Ilk一1)+BU(k) ()其中，X(k1 I k1)是k1時刻的最優(yōu)值，X(k I k 1)是根據(jù)X(k11 k1)得到的估計值，U(k)為現(xiàn)在狀態(tài)的控制量，如果沒有控制量，它可以為0. P(k I k一1)二AP(k1 I k1)A’十Q ()其中，P為X的協(xié)方差，P(k I k 1)是X(k I k1)對應的協(xié)方差，P(k1 I k1)是X(k一Ilk一1)對應的協(xié)方差，A’表示A的轉(zhuǎn)置矩陣，Q是系統(tǒng)過程的協(xié)方差。 X(kIk)=X(kIk一1) +Kg(k)(Z(k)一HX(k I k一1)) () Kg(k) = P(k I k一1)H39。/(HP(k I k一1)H39。+ R) ()式(()中心為卡爾曼增益，結(jié)合公式((), ()得到的估計值，再根據(jù)測量值Z(k)修正k時刻的估計值，得到k時刻的最優(yōu)化估計值X(klk) o