文摘

为了控制草原生态环境,多源数据融合技术的应用方法提出了土地生态建设指标。由于草原环境监测的高要求,使用传统的技术监测草地环境条件缺乏一定的有效性,投资成本高,消耗大量的人力和物力。使用传感器动态监测草地环境有利于监测环境的科学技术水平。通过理解三种融合方法的融合原理和过程,自适应加权平均法、BP神经网络和d - s证据理论,坝上草原生态能源大数据平台的建设提出了基于多源数据融合。两级数据融合模型提出了基于草原环境监测。几个环境参数在实验环境中监控,和二级融合模型的有效性验证了两个评价指标,平均绝对百分比误差和腐蚀的错误。这表明,BP神经网络和d - s证据理论的组合可以提高系统性能。它提供了更全面的监测草原生态环境的可能性。

1。介绍

近年来,数据融合技术广泛应用于军事和民用领域。随着中国信息化的不断发展,学者们开始多源数据融合技术应用于环境监测。在地球的生态环境,草原生态,作为一个重要组成部分,为畜牧业的发展奠定了坚实的基础。研究多源数据集成技术在牧场监测的背景有助于有效地管理牧场牧场保护环境,是一个有价值的科学指南(1,2]。改革开放后,一些成果已经在畜牧业经济的发展,但在其非凡的成就,它是草原生态为代价获得的。草原生态系统的破坏的主要原因如下。(1)全球变暖:草原环境的迅速恶化的罪魁祸首是连续干旱的草原。大部分的草原生态地区的年降雨量小于一年一度的蒸发,从而增加草原沙化和退化的风险,大大减少了植被覆盖率。(2)合理利用草原:随着人口的增加,由自己的利益驱动,是很常见的天然牧场变成粮食领域。然而,由于风力侵蚀和土壤肥力的降低,它非常不同于预期的经济效益。因此,大部分土地是被遗弃,草原的面积逐渐减少。

然而,这是可喜的,问题的严重性已经吸引了人们的注意力。为了实现草原生态的恢复,制定的一系列应对措施,其中最重要的是要监控草原环境。传统草原环境监测使用单个传感器收集数据的各种环境因素,但由于其不稳定性,如果传感器失败,数据可能会丢失,导致整个系统的瘫痪。现在,人们使用多个传感器来接收这些数据。使用多个传感器采集的信息明显提高了系统的生存能力,但是测量之间的冗余信息是高,所以这些数据需要处理3]。考虑全面,这个话题介绍了多源数据融合技术深入草原环境监测和研究的相关理论和关键技术的多源数据融合在草原环境监测。最终结果能准确反映草原环境的情况;这是一个参考[牧场科学管理和治理措施4]。

2。文献综述

数据融合技术开始发展逐渐在最近30年里,仍然没有确切的概念。金提出的定义(联合)1991年,如今已被广泛使用。它使数据融合的定义,从多方面和多层次的角度来看,以提高特征估计的准确性和完全评估战场情况和威胁5]。1973年,在美国研究机构开始研究声纳信号。这项研究被认为是最早的研究与信息融合6]。在未来,相关融合技术应运而生。直到1970年代末,多源信息融合的概念出现在出版的文献。1988年,信息融合技术是由美国国防部列为发展和研究的关键技术之一在1990年代(7]。C3技术委员会(TPC3)在金已经建立了一个专业团体组织、指导相关工作。1991年,美国使用数据融合技术在军事电子系统。早在1973年,相关机构开始研究声纳信号系统。1984年,美国建立了一个专家小组来做研究。1988年,数据融合是包含在加速发展的计划和研究由美国(8]。关于这方面的研究起步相对较晚。直到1980年代后期,研究相关技术开始一个接一个的报道,并对它的理解有不同的看法。主要配方数据合成、编译、收集和融合。尽管中国起步较晚,发展比较快。在1990年代初,在中国引起了激烈的争论,促使高校和科研院所开始研究。到21世纪中叶,进一步重视的技术状态,所以各种流行的研究之后9]。尽管中国起步较晚,近年来,其应用和改进算法取得了令人瞩目的成就。一些研究人员探索煤矿安全监测的层次融合模型,确定了分层融合模型,确定隶属度和相应的重量通过使用层次分析法,特征层融合利用模糊评价方法,然后利用d - s证据理论融合,以便选择适当的算法进行计算和处理根据不同输入数据的类型。此外,针对桥梁健康监测的问题,采用BP神经网络在数据识别的优势,开发了一个三层BP神经网络模型。为了避免陷入局部最小值,附加动量法用于训练功能。最后,仿真实验比较了多传感器和单传感器数据融合分析结果(10,11]。

3所示。研究方法

3.1。Multidata融合

多源数据融合(多源数据融合),也称为多传感器数据融合,是指来自多个传感器的数据的综合处理特定的目的,为了获得准确和可靠的评估或推理决策。根据这个定义,我们可以进一步澄清,这种技术使用计算机技术来协调和管理监控的信息传感器根据预期的目标和任务,构建相应的模型。然后,收集到的信息是统一的,选择和淘汰,分类和融合,从而达到全面和准确地判断对象的影响。多传感器数据融合技术的过程,见图1(12]。

数据融合有机结合新老技术。在数据融合技术中,学者们通常会利用概率论方法,数学方法,等等。如果融合方法划分,大致可以分为两类:一是基于概率理论,其中包括贝叶斯估计和卡尔曼滤波。另一种是基于非概率方法,如d - s证据理论、神经网络、模糊集理论。神经网络是一个融合方法,可以实现某一功能基于人类的理解和理解它的大脑神经网络(13]。它模拟大脑神经结构和功能。目前,神经网络从不同的角度进行分类。常见的是单层前馈多层前馈,Hopfield网络的反馈。最简单的网络结构可以构造一个非线性结构与多个输入,但只有一个输出(14]。

神经网络在数据融合中,被广泛使用。它的使用可以大致分为以下两种类型:一种是BP神经网络作为一种计算工具适用于现有的融合模型;另一种是数据融合方法应用于神经网络结构。当使用BP神经网络聚合数据,聚合过程可以分为以下三个阶段。第一步是构建一个适当的BP神经网络模型根据融合需求和数据特点,充分考虑神经元的特点和一些学习规则。第二步是建立各层次之间的对应关系,确定重量,以便高效的完成网络培训。第三步是将数据融合的帮助下训练神经网络,如图2。

d - s证据理论的操作是基于信任函数比概率论更适应不同的情况。此外,它有很强的灵活性,这是反映在区分不确定性和准确地显示证据收集过程(15]。d - s证据理论的数据融合模型,见图3。

进行处理的多个传感器采集的数据通过d - s证据理论的结合,它的基本过程是,首先,预处理数据从每个传感器(即。证据)。然后,计算基本概率分布值,信任程度,和可能性的证据,然后,重新计算概率分布的基本任务,可靠性和所有的证据下联合行动的可能性DS合成规则。最后,选择最大的假说的可靠性和可能性根据决策规则,并认为这是融合结果(16]。

3.2。二级为草原环境监测数据融合模型

在草原环境监测,由于大监控区域和大量的传感器节点,减少节点能耗数据融合的重要目的之一。在这项研究中提出的两级数据融合模型融合数据在簇头节点和网关节点,分别。多个传感器节点被安排在每个区域,然后,在每个地区选择簇头节点按照一定规则根据LEACH协议形成集群结构(17]。在草原环境监测网络的拓扑结构,传感器节点收集的环境参数数据,和簇头节点负责接收来自每个传感器节点在该地区的数据。从每个传感器节点接收数据后,簇头节点执行的第一级融化,然后传送到输出节点后的第一级融化。输出节点负责接收来自不同地区的数据并执行二级融化在收到每个区域的数据,获得最终的环境状态通过融合结果的综合分析18]。

有很多指标,可以评估草地环境条件。摘要环境监测指标确定土壤温度、土壤湿度、光照强度、二氧化碳浓度、风速,从而有效地解决这一问题缺乏系统的决策可信度造成的一个监测指标。草原环境的复杂性导致的复杂原因植被的健康成长。如果只使用一个融合结构,它将带来巨大的挑战获得全面、准确的信息(19]。本文设计了一种两级数据融合模型,如图4。一旦每个站点的簇头节点接收从每个传感器收集到的数据在该地区,他们首先使用加权平均方法适应融化的数据相同的传感器在该地区,然后总在本地使用BP神经网络方法。这是聚合的非齐次传感器数据在每个区域20.]。第一级冶炼结果然后发送到二级冶炼输出节点。过滤整个牧场环境(21]。

3.3。决策级融合的草原环境监测过程

使牧场监测的结果更准确,使用d - s证据理论在全球冶炼。当地聚集的结果通过BP神经网络是不确定的,和d - s证据理论提供了一个有效的方法来解决不确定性数据聚合。第一级的融化后,为每个地区可以获得当地的结论。d - s证据理论用于规范化为每个地区和巩固当地的判断结果决策水平。本文的具体方法冶炼过程基于d - s证据理论如下。

假设草原分为地区,区域1 BP当地融合后的结果记录 ,区域2 BP当地融合后的结果记录 ,等等;地区的结果在英国石油公司当地融合记录 ,和每个信任函数的焦点元素对应于每个地区的当地的判断结果。所有本地判决结果的识别框架,然后正常输出BP神经网络在每个地区获得每个焦点的元素。最后,d - s合成规则适用于融合获得草原环境的条件(22,23]。

在问题领域,任何命题属于幂集 。基本概率分配函数是定义在 ,和满足 在哪里称为一个空集,也指不可能的事件,是基本的赋值概率分布 ,和的基本概率值吗 。

在这个公式中,所有的子集令人满意的 被称为焦点的元素 。信心函数和概率函数在d - s证据理论中定义

对所有令人满意的条件 ,有 。请提供证据,可以来自多个来源的证据根据上面的d - s证据理论公式(24,25]。

4所示。结果分析

测试二级熔炼模型的有效性,草坪被选中,分为五个领域,贴上C1, C2, C3, C4, C0,分别。在每个地区,成千上万的土壤温度、土壤湿度、光照强度、风速、和二氧化碳浓度传感器节点和簇头节点安排。MATLAB仿真工具仿真实验的选择。所收集的数据用于实验。为了使实验普遍,180个样本是随机选择的各种传感器采集的数据的模拟在每个模拟实验中,剩下的20个样品作为模型试验方案。使用二级熔炼模型,数据预处理样本数据聚合成一线的化合物;融合的环境参数值在每个地区获得通过使用自适应加权平均法。例如,两个土壤温度传感器采集的数据区域测试,两个传感器节点标记为吗和 。在一个实验中,测量= 28.6°C= 27.79°C。节点获得的方差 和 ;对应的重量是 和 。在这个时候,融合的结果 。经过30实验,结果如图所示5。

从上述实验可以看出,某些节点采集的数据波动很大,但类似的传感器数据融合后的自适应加权平均方法,数据波动大并没有一个伟大的对实验结果的影响。这表明自适应加权平均融合后的数据更加真实和有效改善环境参数的准确性。每一个地区都有每个环境参数的融合价值主要通过融合、环境参数输入到神经网络进行训练,得到每个区域的基本概率分布值,然后使用d - s证据理论融合判决。

根据功能结构的二级融合模型和实验数据收集的形式,平均绝对百分比误差和相关系数选择全面评估二级融合模型的性能。计算公式见公式(4)和(5)。

平均绝对误差百分比:

相关系数:

在哪里是融合值,是真正的价值(每个传感器收集的数据),然后呢总价值。更好的性能模型,日军的绝对值越小,反之亦然:如果相关系数 ,更好的性能模型和系数越接近于1。BP神经网络,d - s证据理论,分别用于融合及其组合。10实验后,平均绝对百分比误差和相关系数。所示的比较数据6和7。

如图6的绝对平均误差,单独使用BP神经网络单元通常是大于使用单独的d - s证据理论组合。然而,两者的结合的平均误差远小于单独使用BP神经网络和d - s证据理论。分析的结果显示在图7中使用的相关系数,结合BP神经网络和d - s证据理论是接近1,其中大部分都大于0.5。这表明,BP神经网络和d - s证据理论的组合可以提高系统性能。这个测试证实了两级冶炼设计的准确性,和设计提高系统的精度,表明多传感器数据聚合的结果更符合实际情况。

5。结论

草原环境监测的基础上,本文研究了模型及相关融合多源数据融合的方法。主要的研究工作如下。(1)首先,介绍了国内外数据融合的研究现状,以及多源数据融合的基本概念和结构水平。(2)介绍了数据融合算法的优缺点和总结国内各领域的研究人员所使用的数据融合算法。(3)主观题的d - s证据理论中的基本概率分布函数,这通常是来自专家的经验,本文使用规范化的BP神经网络的输出来计算概率分布的基本功能。目前,它可以解决不确定性在当地聚合的BP神经网络,以及解决DS证据理论的主观误差概率分布的基本功能通过BP神经网络和降低不确定性的影响。(4)本文对双层多传感器数据供应模型进行验证测试。数据预处理的有效性检查,两级熔炼模型评估的有效性。数据预处理的合理性验证和二级融合模型的有效性评估。然后,验证了改进算法后的融合方法。

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

这项研究是由大学的基本科研业务基金项目河北省坝上草原生态建设战略研究大数据平台(2021 qnjs12);高校基本科研业务基金项目在河北,自动监测研究基于计算机视觉的交通道路异常(2022 qnjs11);和基本科研业务河北省高校基金项目,研究无损检测电气设备在办公大楼基于机器学习(2022 cxtd09)。