文摘
多传感器信息融合技术是一种先进的加工方法,不同于经典的数据处理技术。功能和操作精度,为了使一个有效的环境质量综合评价,环境监测系统由NB-IoT技术和传感器技术是用来进行多传感器数据融合研究收集到的环境因素如温度、湿度、甲醛、PM2.5和烘焙。同时,采用两级并行融合方法对环境质量进行评估。在数据融合之前,使用中值滤波来消除异常数据。然后,卡尔曼滤波算法融合多组类似的传感器获得的最佳值。最后,使用模糊综合评价方法融合不同类型的传感器在决策层面,重量的价值是由熵法和高斯隶属函数。不同的环境场景测试通过使用上面的算法,和仿真结果表明,多传感器数据融合可以获得更丰富有效的环境信息,克服单因素的简单性和限制传感器对环境质量评估,并改善整体环境质量评估的可靠性和准确性。
1。介绍
随着全球经济的快速发展,中国的经济改革开放以来呈指数级增长40多年前(1]。同时,落后于经济增长,中国的环境污染问题也称赞对方,,它正变得越来越严重2]。环境污染的主要原因是大气中含有大量的有害物质(3]。为了更好地实现生态的可持续发展,有必要使用先进的监控工具和环境监测技术的过程中监测、预防和治理环境(4]。因此,针对当前的环境污染问题,迫在眉睫的是增加环境的监测和积极发展环境的监测技术5]。随着物联网技术的快速发展,环境监测也饲养。嵌入先进的物联网技术在环境监测中,并使用多传感器融合技术来组织和分析全面、准确的数据收集的各种传感器。目的是为了准确地发现问题,在当前环境下,和及时的预防和控制,提高环境监测质量和监测效率(6]。目前,西方发达国家如美国和英国已经有相对完整的环境监测系统(7]。美国在1980年代推出环境卫星确定全球环境质量的状态8]。日本建立了环境空气自动监测局区域空气质量监测。我国在2008年发射了两个环境与灾害监测卫星。机载大气和水环境污染监测系统由安徽光学和力学研究所、中国科学院、实现区域大气环境监测。在文献[9),自适应加权融合技术是用于监测土壤环境。在文献[10),自适应加权算法和模糊神经网络算法用于监测环境。在[11),加权最小二乘法用于多传感器融合。文献[12)使用二阶自适应权重多传感器信息融合的粒子滤波方法。文献[13使用贝叶斯方法进行数据融合。土壤和地下水污染情况在我的国家是严重的。只有在东部平原和沿海地区,有成千上万的潜在污染网站,许多有机污染的网站,特别是有机溶剂污染如氯化烃和芳烃。
多传感器信息融合的基本原理(MSIF)技术就像大脑处理信息获得的所有感应人体的器官14]。统一和合理利用每一个传感器的功能,合理分配每个传感器的计算单位,综合判断信息的有效性和准确性(15]。MSIF的实现需要安装几个类似的多个部分或完全互补的传感器的智能设备获得单一和不完整的信息,然后使用信息融合算法来发现可能潜在的大量的来自不同传感器的数据之间的联系(16]。去除冗余信息,形成一个完整的系统环境,准确理解(17]。由于其独特的优点,广泛应用于军事领域、经济领域、机器人智能领域,医学领域等信息融合的方法是最重要的一部分,多传感器信息融合(18,19]。由于其应用程序的复杂性和多样性,信息融合的研究内容非常丰富,涉及许多基本理论、卡尔曼滤波器和常用算法,参数模板方法,贝叶斯推理,自适应神经网络,等。传感器技术的发展已经相对成熟,并且有合适的传感器类型使用在不同的环境中,不同类型的数据和应用程序有不同的功能20.]。大多数的传感器获得的数据被用来获得系统的状态或感知周围的环境21]。如今,主流环境感知方法大致可以分为两种类型:基于图像的信息感知和搪塞过去信息感知根据传感器的工作原理22,23]。第一级卡尔曼滤波器的基础上,为了有效、合理地评估各种环境因素,模糊综合评价方法可以避免单一传感器的局限性,评价环境质量。
在多传感器信息融合技术,如果所有的传感器配置标准的时间戳,所有传感器的坐标系统转换成绝对或相对坐标系统。为了得到一个准确的描述环境中,同时使用多个传感器共同努力,也需要将收集到的信息数据融合中心(24]。经过一系列的数据处理,可以得到一个完整的描述。根据总体结构、多传感器信息融合可以分为三个类别:集中式、分布式和混合。集中式融合是信息传输测量获得的所有传感器直接统一的中央处理单元的处理(25]。在这种结构中,如果所有的传感器都配置了标准时间戳,所有传感器的坐标系统转换为绝对或相对坐标系统(26]。根据总体结构、多传感器信息融合可以分为三个类别:集中式、分布式和混合。集中式融合是信息传输测量获得的所有传感器直接向中央处理单元进行统一处理。丰富的原始信息,可以提供最准确的信息,其他不能融合层。需要处理传感器数据的数量是巨大的,处理成本高,时间长,实时性差。原始数据很容易被噪声污染。
过去,大量数据的融合主要是实现了离线处理后实时存储。然而,随着传感器技术的发展,传感器的测量精度越来越高。摘要环境监测系统的设计结合了窄带物联网(NB-IoT)技术和两级并行融合技术来评价环境质量(27]。前一级融合,消除异常数据的中值滤波算法来提高数据精度,然后,卡尔曼滤波算法用于执行第一级融合五项环境因素为二级提供准确而有效的数据融合(28]。第二级融合使用模糊综合评价方法来融合各种传感器值后在决策级融合之前的水平,避免了环境质量监测的单身,克服了不准确的缺陷由单一因素(环境评价29日]。多传感器融合算法提高窄带的准确性基于物联网——(NB-IoT)环境监测系统,为用户提供了方便的查看环境监测实时数据平台和理解环境条件。
2。NB-IoT环境监测系统的体系结构
本文使用STM32F103C8T6作为主要控制芯片和获得各种传感器模块采集的数据通过软件和硬件的结合。使用NB-IoT技术将多种传感器数据发送到云平台,实时查看监测数据通过云平台,提取数据,执行数据融合处理。尽管信息融合技术已经逐步发展自1970年代初以来,没有统一的算法,可以满足所有的使用场景。根据算法的概念,它主要分为三类:物理模型,基于参数模型,cognitive-based模型。物联网技术的快速发展给环境监测带来了活力,注入了新的活力。环境监测系统设计通过使用物联网技术可以有效地提高监控系统的实时性和有效性,与彼此分享收集到的数据和信息,并提供一个强有力的保证环境监测(30.]。压缩所提供的原始数据,以减少干扰噪声,这是更适合于实时处理。特征向量组合分类之前进行相关数据融合。整个环境监测温度和湿度传感器提供的数据是DHT22,甲醛传感器ZE08-CH2O,尘埃(PM2.5)传感器ZPH01,和总挥发性有机化合物(TVOC)传感器KQM2008A,和数据上传到中国移动(OneNET)使用NB-IoT技术的环境监测系统的硬件结构如图1。
温度和湿度传感器DHT22使用单总线通信传输40位数据,包括温度和湿度整数,小数和奇偶校验。与DHT11相比,优点是收集量可以达到小数点后,响应速度快,抗干扰能力强。它还适用于特殊的数字模块采集技术,以确保其可靠性和稳定性。设计验证功能的软件程序,以确保输出数据的准确性。一维数据融合不能满足应用在复杂的场景中,同时也限制了系统的功能。多传感器数据融合技术的未来发展应该开发向multitype传感器、多维融合、多策略融合适应简单到复杂的应用场景,提高系统鲁棒性和稳定性。
甲醛传感器ZE08-CH2O与电化学检测技术设计,内置温度补偿电路具有高稳定性和分辨率小于0.012 5 mg / m3。采用通用异步接收发送器(UART)的通信协议,也输出显示准确的数据检查功能。灰尘传感器ZPH01极高的敏感性和长期稳定,其中粉尘的最小粒子产出能力是1μ米、UART通信方法和配备校准值。总挥发性有机化合物(TVOC)传感器KQM2008A集成了12位高精度数模转换。模块使用傅里叶变换和分离算法抑制漂移,提高精度和输出通过UART准确数据。最后,收集到的数据是使用多传感器融合技术评价的利弊监控整个系统的环境质量。多传感器融合技术校准的数据信息,相关性,识别和评估。信息处理的程度从低到高分为三个层次:数据级融合、部件级融合和决策级融合。为了更好地使用多传感器融合技术,它是必要的,以确定融合结构,和融合的基本结构分为三种类型,即串行融合,并行融合,混合融合(31日]。根据融合结构的类型,结合本文设计的环境监测系统的方式收集数据,整个系统的多传感器融合算法模型设计为两级并行融合,融合模型如图2。
3所示。同质传感器融合算法
为了使整体融合算法更准确地评价环境质量的标准,满足多传感器数据融合技术,本文将建立5环境监测子系统获取环境数据,包括温度、湿度、甲醛、PM2.5,和TVOC,所以在第一级融合过程中,中值滤波函数添加到每种类型的传感器。目的是使每个传感器提高收集数据的准确性的前提下获得有效的值和有效地克服偶然因素引起的波动干扰。简单而直观的加权平均算法是一种直接操作传感器提供的数据源,并使用加权平均融合值。数据处理方法和传统方法的区别在多传感器数据融合可以体现在复杂的形式。和不同的信息水平有不同的复杂形式。贝叶斯估计也是一个低级数据融合方法,主要结合静态数据收集的传感器根据概率的原则。卡尔曼滤波器本身是非常依赖于系统模型的准确性。如果系统的状态和测量模型足够准确,卡尔曼滤波可以递归地提供最好的估计相结合的数据在统计意义上。而卡尔曼滤波主要用于熔断器低级实时动态多传感器冗余数据,这种方法使用递归的度量模型的统计特性和确定最佳融合和数据统计意义上的估计。因此,第一级融合将使用卡尔曼滤波算法。 Compared with the original data, the amount of information of the preprocessed data will be greatly reduced. The advantage of this is that it can effectively reduce the bandwidth requirements for information transmission. At the same time, the computational load of the fusion unit will be reduced so that more complex algorithms can be deployed without losing too much time. Kalman filter, also known as optimal autoregressive data processing algorithm, is a recursive estimation algorithm based on linear minimum variance of state variables. If the system has a linear dynamic model and the error between the system and the sensor conforms to a Gaussian white noise model, then Kalman filtering will provide the only statistically optimal estimate for the fused data. Due to the differences in the gas sensor itself and its environment, the noise frequency also changes, so when the frequency of some noise overlaps with the bandwidth of the desired signal, the classical filter for distinguishing the spectral response does not apply. In order to reduce the random measurement error caused by the quality of the sensor equipment and the aging of the components in the process of collecting data of the homogeneous sensor and reduce the noise pollution of the sensor caused by external factors such as temperature, humidity, air pressure, wind speed, and light changes, Mann filtering can well control the interference of noise on real data and provide statistically accurate and effective data for the second-level data fusion.
卡尔曼滤波算法的主要步骤如下。(1)预报值的方程如下:
的公式, 是之前的状态,预测的结果是状态转移矩阵, 最优结果之前的状态,是输入控制项矩阵,当前状态控制数量。(2)的协方差矩阵方程预测值和真实值之间的误差如下:
的公式, 的协方差的预测结果之前的状态, 的协方差最优结果之前的状态,然后呢噪声协方差。(3)卡尔曼增益方程如下: 在哪里卡尔曼增益,是测量矩阵,然后呢是测量噪声协方差。(4)滤波器估计方程如下:
的公式, 是当前最优估计值,然后呢传感器的测量值。(5)协方差矩阵更新方程如下:
在哪里 是当前最优估计的协方差结果是单位矩阵。
根据上面的方程,总结了卡尔曼滤波算法的核心思想是计算当前最优值基于当前传感器的测量值和预测值和错误之前的一刻。
由于大量的异构传感器在此系统中,只有20套五套温度传感器采集的数据显示一级融合。温度传感器的温度值收集如表所示1。
通过对收集到的20组数据进行卡尔曼滤波,第一级融合温度传感器输出的结果。温度传感器值的卡尔曼滤波仿真结果如图3,误差比较结果如图4。
它可以看到从过滤结果图4第一阶段融合后,温度传感器的值是28.06°C,和20组数据的平均值是28.07°C。标准28°C的值是用来测量卡尔曼滤波算法的准确性和平均算法和卡尔曼滤波算法的优越性和准确性比较通过最终的结果。错误的结果比较图5也显示了卡尔曼滤波算法处理数据的能力。卡尔曼滤波后的误差小于测量值仅为0.21%,这表明卡尔曼滤波器算法满足第一个要求融合过程中的数据处理水平。
4所示。异构传感器融合算法
基本的原则是首先确定评价环境质量的因素;然后,确定每个因素的权重向量和它的会员获得模糊评价矩阵。最后,模糊操作进行模糊评价矩阵和因素权重向量和规范化,以及模糊综合评价的结果。对各种环境数据监测,人不感兴趣他们的价值观;他们关心的是带来的舒适环境的质量。因此,第一级卡尔曼滤波器的基础上,为了有效、合理地评估各种环境因素,模糊综合评价方法可以避免单一传感器的局限性,评价环境质量。模糊综合评价方法将定性评价转化为定量评价通过模糊数学隶属度理论,也就是说,事物或对象的综合评价受到各种因素的影响。
4.1。确定每个因素的权重
环境监测系统指标,权重是指温度的重要性,湿度、甲醛含量、PM2.5的内容,和TVOC环境质量评价的内容。模糊综合评价,权重对最终的评价结果有很大的影响。有时不同的权重导致完全不同的结论。因此,选择一个合适的方法来确定每个因素的权重是一个关键的一步环境评价体系。一般来说,选择层次分析法(AHP)确定权重,但是该算法是人类主观因素,主要包括个人偏向定性判断,使重量分布差。熵方法是指一个数学方法用于判断某个指数的分散度。在信息理论中,熵是系统的无序程度的量化。它可以测量原始数据所提供的信息的数量,每个指标所提供的信息量来确定指标权重。信息熵越小,信息的紊乱程度越低,越实用价值的信息综合评价,和更大的重量指数。即熵值方法可以深刻反映的熵值的效用价值指数信息,克服主观层次分析法的缺陷,提高了指标权重的可靠性和准确性。 Finally, the entropy value method is used to determine the weight. According to the algorithm steps of the entropy method, a mathematical model is established through MATLAB, and the data in Table2被替换成程序获取相关权重 ,重量值的顺序排列的温度、湿度、甲醛、PM2.5和烘焙。具体算法过程如下。(1)首先,表中的数据2一个矩阵的形式表示(2)根据数据归一化公式 (3)计算归一化数据的比例 (4)计算每个因素的熵值 (5)计算每个因子的信息熵冗余 (6)计算每个因素的权重
4.2。确定模糊关系矩阵
确定模糊关系矩阵的关键是确定隶属函数和隶属度的计算每个元素在评论通过隶属函数集。本文根据环境指标,选择高斯隶属函数求解,因为每个传感器值符合正态分布在每个评价集,其表达式如下:
的公式,每个传感器的值是一级融合后,是标准的价值的评价对应于每个传感器,的标准偏差评价集对应于每个传感器。
高斯隶属函数的仿真模型如图5,标准偏差 和 。
5。分析和验证的数据融合算法
收集网站被选在一楼霍英东中凯建设大学的农业和工程。五个环境监测系统是分开放置,每15分钟收集一次数据,4次共20组和数据表3。
根据上面的多传感器融合算法的步骤,每一个同质传感器的数据融合,卡尔曼滤波后,结果{温度:28.06°C,湿度:58.45% rh,甲醛:0.021毫克/ m3,PM2.5: 70.02μg / m3TVOC: 0.025毫克/ m3}。
二级融合决定了因素集 和评论 根据模糊综合评价算法的步骤。然后,确定每个因素的权重,计算 。然后,确定了模糊关系矩阵根据每个传感器的高斯隶属函数。
为了更好地验证系统融合算法的合理性和有效性,附近道路的环境条件中凯农业大学工程和房地产建筑的建设单位分别进行了测试。第一个测试的环境条件中凯农业工程大学附近公路口岸。卡尔曼滤波结果{温度:19.83°C,湿度:52.795% rh,甲醛:0.048 0 mg / m3,PM2.5: 92.82μg / m3TVOC: 0.047毫克/ m3}。由于收集到的数据的季节性变化,温度指数评估设定的标准值相应调整。计算标准偏差标准温度价值指数评价集 。根据公式(11),获得的温度指数的高斯隶属函数:
利用收集到的监测数据,融合算法是用来测量权向量各环境因素中凯农业大学附近的道路工程、和模糊关系矩阵如下。
根据公式(12),模糊综合评价结果向量 计算。“好”占比例相对较高。使用最大成员的原则,道路在这个区域的环境质量是更好的。该地区环境条件相比,公路的环境质量下降。为了反映算法的合理性和有效性,省级空气质量的监测数据实时发布系统网络比较如图6- - - - - -8,图6代表了PM2.5在24小时内的变化,图7代表伊拉克基地组织在24小时内的变化,人物8在一个星期内代表伊拉克基地组织的变化。
从数据可以看出6- - - - - -8环境指标监控由省环境监测中心车站SO2, NO2,有限公司,O3, PM10和PM2.5。它使用机能(空气质量指数)来确定环境质量,分为六个级别。在监测期间,该地区的环境质量是二级好,和环境质量的数据融合算法本文是好的,它可以反映系统算法的合理性和有效性。为了进一步提高融合算法的合理性和有效性,建设单位附近的一个建筑面积进行了测试,在卡尔曼滤波结果{温度:21.83°C,湿度:58.922% RH,甲醛:0.0618毫克/ m3,PM2.5: 180.95μg / m3TVOC: 0.0795毫克/ m3}。本文根据数据融合算法,权重向量 和模糊关系矩阵如下。根据公式(12),模糊综合评价结果向量 计算;使用最大隶属度原则,可以看出该地区环境质量更好。通过分析和验证上述三组实验数据,环境质量检测结果的可靠性通过应用多传感器融合模型在本文中是相对较高的。
6。结论
摘要环境监测系统由NB-IoT设计技术和多传感器技术是用于收集数据,如温度、湿度、甲醛浓度,PM2.5浓度,通过STM32F103C8T6单片机和TVOC浓度。首先,中值滤波是由各种传感器收集的数据上执行一级数据融合之前,为了消除异常数据造成的外部因素和卡尔曼滤波提供准确数据。卡尔曼滤波对数据执行同类传感器实现一级数据融合,目的是提供有效的二级融合数据的统计学意义。其中,卡尔曼滤波器是带来的误差相对较小。然后,使用模糊综合评价方法融合的数据异构传感器第二层次。每个索引的重量是由熵的方法,它可以解决人为因素造成的误差,隶属度是通过高斯隶属函数来解决。值的正态分布的特点,最终获得,和环境质量的综合评价结果终于获得。本文的研究成果将为环境提供一个有用的参考monitoring-related技术。智力是在现代社会工业发展的潮流和趋势。许多领域和学科参与多传感器数据融合技术与人工智能密切相关。 In the future, multisensor data fusion technology will also develop towards intelligence.
多传感器融合技术是一个多学科先进技术,及其发展方向需要满足当前工业发展和社会发展的需求,满足人们的日常工作、生活、生产的需要。是否用在军事、民用、科研、它可以发挥实际的优势。多传感器数据融合技术需要能够实现高速网络融合的前提下确保鲁棒性和准确性。在未来,多传感器数据融合技术仍需要硬件技术。的支持下不断优化算法计算速度,改善高速网络融合的能力。
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。
确认
作者要感谢广东省重点研究和发展项目:重金属污染的关键技术和应用在聚源控制金属矿区的主要平台项目(2019 b110207001)和广东省教育部,中国:土地复垦Vegention景观修复工程技术研究中心在大学广东省(2016 gczx001)的财政支持。