文摘
当多传感器自适应加权融合算法融合被噪声严重干扰的数据来源,其融合精度,数据平滑和算法稳定性将降低。为了克服这个缺点,提出了对一种改进的算法优化收购融合数据来源与离散卡尔曼滤波技术,从而减少噪声对融合性能的负面影响。为了验证改进算法的有效性,本文模拟土壤水分数据融合的融合过程样本。结果证明,在相同的情况下,改进后的算法具有更强的噪声抑制能力和更好的性能在融合精度,数据平滑和算法的稳定性与一般算法。
1。介绍
重量多传感器自适应融合算法(或简单的自适应权重融合算法)是广泛应用于各种测量场合作为一个常用的数据融合算法。以获得数据的各种土壤水分的智能节水灌溉系统为例(1),自适应算法(2- - - - - -12]融合测量数据(如湿度和温度)的多个相同类型的传感器(13,14)减少单个传感器的数据模棱两可,提高数据的可信度。然而,传感器的测量数据污染领域由于恶劣的工作环境导致传统的影响融合精度和数据平滑自适应权重融合算法在一定程度上。针对这个问题,本文改进了自适应权重基于离散卡尔曼滤波的数据融合算法。这是由美国卡尔曼在1960年。它最初只用于线性系统;多年以后,人们设计了新的卡尔曼滤波理论的非线性系统。作为人工神经网络的发展,智能算法,和信息技术,人们开始将使用它们。这是一个递归线性最小方差估计方法,它可以处理相关的测量值仅一些州,以获得最低的状态估计估计误差(15- - - - - -17]。如图1,改进后的算法(17]在主机上运行系统和融合的原始测量数据(包括噪声)(18- - - - - -25),被发送到主机通过ZigBee无线传感器(26- - - - - -33网络(WSN)无线个域网。融合数据用作灌溉控制的决定。然后在此基础上,灌溉致动器驱动执行灌溉操作。计算机仿真结果表明,改进的自适应权重融合算法不仅继承了所有preimproved算法的优点,而且还具有较强的噪声抑制能力,更高的数据平滑,融合精度高于preimproved算法。
2。离散卡尔曼滤波算法
2.1。离散卡尔曼滤波原理
土壤水分数据(34- - - - - -38)转换成数字量后用二进制代码表示的D / A转换和打包在一个无线个域网数据帧,数据帧是通过无线个域网传感器网络传送到主机。由于开关频率的限制,数据传输模式的D / A转换器,注定是抽样只会表现在一系列离散的时刻。因此,收集土壤水分数据的过程可以抽象为一个离散过程如以下所述: 其中第一个方程是数据采集系统的状态方程,系统状态在时间吗 ,和系统状态转移矩阵,在单一的模型是一个常数。第二个方程是测量方程,测量值在时间吗 ,和H测量系统的测量矩阵,H在单一的模型是一个常数。过程噪声和是测量噪声。工程、零均值高斯白噪声通常是应用于模拟和 ,和这两个参数的协方差和 ,他们是互不相关的。也就是说,下面的 , 是
在测量系统的初始状态,统计特征设置如下: 。基于前面的系统状态,我们可以得到的
当前系统状态的估计价值,然后呢是最优估计的结果之前的状态。
在获得估计价值系统的当前状态,结合测量值当前时间的最优估计值获取当前时间的系统状态 在哪里是卡尔曼滤波增益矩阵,使估计误差方差矩阵非常小。找到 ,以下公式定义:
方程(5前的系统估计误差测量数据,即 ,得到和方程(6)后系统估计误差是获得。用(1)和(5)(6),获得以下:
然后,估计误差的方差矩阵可以表示为
定义:
上述定义相对应的估计协方差矩阵 。另外,因为
自的目的是最小化估计误差方差矩阵 ,因此,可以通过公式转换(12)
它可以从(13),如果保持到最低限度,对应应如下:
在这个时候,错误相关矩阵用来测量的准确性估计价值可以写成
方程(15误差方程的迭代公式。因此,卡尔曼滤波的递归公式,不仅滤波器估计公式可以得到但也可以操作的误差分析。这是它的优势所在。如果迭代公式需要不断迭代,相关矩阵的递归公式错误来对应于应该获得的。减去两边方程(3),获得以下:
总之,离散卡尔曼滤波器的模型图所示2可以导出。
基于图2根据公式(3),(4),(14),(15)和(18),离散卡尔曼滤波算法的子程序模块可以在电脑上编程。程序流程图如图3。
3所示。自适应权重融合算法
3.1。原理的自适应融合算法
假设相同的未知数是观察到的传感器,和每个传感器的观测值(j= 1,2,…N)。的观测值jth传感器 在哪里重量和满足吗
相应的估计方差 在哪里代表每一个传感器的测量方差。为了找到时方程的方差(21)达到最小值时,下面的辅助构造函数
为W1,W2、…WN在方程(22),偏导数,分别获得,方程(20.)作为约束:
组织后,得到如下:
然后,条件极值为是
上述估计过程的真正价值是基于所有的测量数据得到的传感器在一个单一的测量过程。当状态的测量对象相对集中一段时间,为了提高估计精度,当估计的真正价值被执行时,以前的测量数据的平均值次可以使用:
估计,估计方程可以写成:
自是一个无偏估计的 ,它也是一个无偏估计的 。在这个时间是估计的总方差
一样的解决方案的过程 ,条件极值
从(30.),它可以得出结论,为测量的数量增加,总体方差的真正价值估计将会变得更小,从而实现估计精度提高的目的。
3.2。计算方法的
因为最优权重因子由方差决定每个传感器的通常是未知的,所以需要间接通过传感器提供的测量值,并根据下面找到它的算法。有两个不同的传感器和 ,测量值和 ,分别对应的观测错误 ,也就是说, 。因为的平均值 为零和不相关和不相关 , 是自相关系数 ,和相关系数之间的和 ,分别满足
的计算和 ,他们可以通过时域估计解决:集的时域估计价值在时间和的时域估计价值在时间 ;然后,
减少误差的平均值 ,即 ,通常是采取相反的 :
4所示。改进的自适应融合算法
4.1。当前算法的缺点
不难得出结论(25),(26)和(30.),这两个极端条件的估计误差和传感器的重量传感器的测量差异密切相关。传感器测量方差越小,越小条件极端的错误估计和相应的传感器的重量越大,反映传感器的特征权重是autoadaptive传感器测量方差。然而,正是因为直接影响传感器的测量这些参数方差;如果传感器测量方差频繁和严重的抖动,相应的传感器的重量肯定会有抖动,这将最终影响数据融合的效果。
土壤水分的测量为例,提供了三个湿度传感器同时测量土壤水分在一定地区,这个地区和土壤水分的真正价值是设置为21 rh %(经常被认为是在一段时间常数)。基于这一真实价值,高斯白噪声均值为0,方差为0.2,0.5,和0.7添加模拟不同程度的噪声污染的三个传感器,和100年融合过程是在计算机上模拟。
如图4改善前,因为autoadaptive重量融合算法直接利用noise-contaminated传感器的原始测量数据作为数据源,融合传感器的测量方差将经历严重的抖动引起的小样本(样本容量小于15)。严重的抖动之后,仍有一个相对频繁的小抖动,这也进一步导致了频繁的和随机抖动相应传感器的重量曲线在图5在一定范围内。尽管这种传感器重量抖动反映传感器的动态调整特征重量根据autoadaptive重量传感器测量方差融合算法,太多的抖动将最终影响融合的效果。如图6,频繁的和不规则的传感器重量抖动使平滑减少平滑数据。数据曲线有故障,收敛速度较慢(图中的融合曲线变得平坦经过60倍的融合)。
4.2。改善Autoadaptive体重融合算法
它可以从分析部分找到4.1这个缺点的主要原因是融合算法所使用的数据源包含一个很大的噪音,影响传感器的测量方差。此外,在融合过程中,融合数据源中包含的噪声并没有被处理。这表明传感器测量方差图所示4总是摇在某个值没有显著下降后进入一个相对稳定的阶段。如果噪音的数据源可以抑制在某种程度上,传感器测量方差将会减少。它可以从方程(25)和(30.)的减少最终导致了条件极值整体估计方差的减少和增加的数量估计k这种下降的趋势将更加明显。
考虑到离散卡尔曼滤波算法的核心由只有5个公式和算法逻辑清晰(如图3),很容易被计算机编程。它还具有快速收敛的优点,稳定性好,精度高,内存开销和较低的项目。因此,离散卡尔曼滤波算法可以作为理想的数据预处理方法。发送的原始测量数据数据采集终端主机过滤如下。
设置jth (j= 1,2,…N)传感器N传感器在时间k(k≥1)原始测量值 ,最初的估计价值的滤波算法 ,和过滤值作为输出 ;然后,离散卡尔曼滤波公式可以写成
根据流程图如图3计算后,方程(37),(j= 1,2,…N;k= 1,2,3)用作数据源融合autoadaptive体重的融合来替换原来的 ,从而达到抑制噪声和减少的目的 。改进的融合算法如图7。
5。改进算法的仿真和分析
节中描述4.1,有3个湿度传感器(类型:RS485)来测量土壤水分在一定区域在同一时间。土壤水分的真正价值在这一刻将21 rh %(可以考虑一段时间常数),并在此基础上,真正价值高斯白噪声(白噪声发射器类型:Noisecom NC6000A / NC8000A)均值为零,方差为0.2,0.5,和0.7是补充道,分别模拟传感器的噪声污染。共有三套测量生成,和测量每组包含100倍。离散卡尔曼滤波是用于测量值的三组,三组的过滤测量值被用作数据源的autoadaptive体重融合算法,和过滤后的测量数据的方差(熔融数据源),如图8。离散卡尔曼滤波算法的初始参数(见表1从实验数据可以确定)。传感器的重量曲线和融合输出曲线的改进算法数据所示9和10。
如图8开始时,离散卡尔曼滤波算法,与预滤器传感器的测量值的方差(见图4),测量值的方差的三组传感器后显著降低过滤,和方差可以控制相对更快,维持在一个较低的水平(约30过滤后,下面的方差是0.1)。这表明传感器原始数据中包含的噪声明显抑制。因此,使用过滤三套传感器测量的融合数据源autoadaptive重量融合算法将大大降低(j= 1,2,3)。此外,由于测量值的方差曲线从传感器变得平滑过滤过滤时间的数量的增加,对传感器的影响体重的联系和融合输出方差频繁抖动造成的传感器可以更好地避免。如图9,改进后的算法具有更好的抑制能力的传感器重量抖动:平均15融合之后,每个传感器的体重没有明显的抖动,这避免了由于频繁抖动对融合精度的影响传感器的重量,从而极大地提高了融合精度和收敛速度。如图10之后,大约35融合,融合输出已经稳定,非常接近真正的价值,和融合输出曲线已相当高平滑度,实质上不发生抖动。这种改进算法明显优于改进前的算法如图6。
6。结论
本文使用离散卡尔曼滤波算法提高收购方法融合数据源的autoadaptive体重融合算法。传感器的原始测量数据离散卡尔曼过滤后被当作一个新的融合数据源,替代传统的方法,获得传感器直接测量数据融合数据来源。融合输出结果有更快的收敛速度,更好的数据平滑,和更高的比以往提高融合精度。改进算法可以避免干扰的干扰数据和变异数据,提供了一种新的时间序列数据融合方法在相同的空间,并为土壤数据的下一个研究奠定基础。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
确认
这项研究受到了陕西省科学技术厅项目(16 jk1100)和陕西省科学技术厅社会发展科技项目(2016 sf - 418)。