日光温室无线传感器多数据融合方法技术

本发明专利技术公开了一种日光温室无线传感器多数据融合方法，通过无线传感器实时采集温室数据，利用格拉布斯判定准则进行数据预处理，再利用自适应加权平均融合算法，推导加权因子对数据进行融合计算，实现了北方日光温室实时数据融合，提高了实时数据精度。实验结果表明：格拉布斯判定准则能够有效的剔除粗大误差，其数据精度被提高8％；自适应加权平均数据融合能够明显的提高数据精度，融合后数据精度被提高6％，融合结果可准确的描述温室实时环境，为温室环境控制提供更加精准的基础数据。

【技术实现步骤摘要】

本专利技术设及传感器数据处理领域，具体设及一种日光溫室无线传感器多数据融合 方法。
技术介绍
我国北方地区冬季漫长，能满足农作物生长需要的时间很短，但是利用日光溫室 可W为农作物生长创建良好的环境，解决了长期困扰北方冬季蔬菜供应问题，为农民高效 生产低廉农作物带来了便利。随着北方日光溫室大棚技术的不断发展，对溫室环境监测和 控制已成为必然，在溫室内布置各类传感器实施监控对提高环境控制的精度和管理水平， 获得优质溫室产品并最终提高溫室经济效益起着举足轻重的作用。然而，由于溫室环境参 数的自然特性，其主要环境因子（溫度、湿度、光照等）分布是不均匀的，受多种因素的影 响，因此必须对多点采集的溫室信息进行数据融合。数据融合技术是利用计算机技术将来 自多个传感器或多源的观测信息进行分析、综合处理，从而得出决策和估计任务所需的信 息处理过程。应用运种方法对解决溫室多传感器采样数据中的二义性、数据缺失、综合评判 等问题，对溫室及时准确的获得各种有用信息，对溫室环境状况进行适时完整全面的描述， 对溫室环境实施调整W及控制都是非常重要的。 近年来有很多研究人员针对日光溫室如何提高数据精度的数据融合问题进行研 究，如基于哈夫曼树思想对数据进行融合的方法，需要对数据进行两遍扫描再分两种状态 对数据进行储存，其处理过程十分复杂；运用灰色系统理论的支持度函数并结合Ξ次指数 平滑法进行溫室数据融合计算可得到较高精度的融合结果，但是运种方法要求系统灵活且 处理数据时占用资源空间较大存在优化空间问题；采用计入均值的分批轨迹法对溫室环境 数据进行融合处理，仅需系统提供传感器采集的测量数据就可进行数据融合计算，但此方 法对传感器分组有很高的要求，若分组不当会导致最终融合结果出现偏差。
技术实现思路
为解决上述问题，本专利技术提供了一种日光溫室无线传感器多数据融合方法，通过 无线传感器实时采集溫室数据，利用格拉布斯判定准则进行数据预处理，再利用自适应加 权平均融合算法，推导加权因子对数据进行融合计算，实现了北方日光溫室实时数据融合， 提高了实时数据精度。 阳〇化]为实现上述目的，本专利技术采取的技术方案为： 日光溫室无线传感器多数据融合方法，包括如下步骤： S1、通过多个无线环境溫湿度传感器、无线光照传感器、无线±壤溫湿度传感器和 无线环境二氧化碳传感器采集溫室室内溫度、±壤溫度、室内相对湿度、±壤湿度、溫室室 内光照强度、溫室C〇2浓度、露点溫度、W及室外溫湿度参数； s2、采用格拉布斯判定准则对监测数据进行实时有效的粗大误差剔除： s21、设经测量得到变量χ,ι，x,2,......，X，。，通过W下公式算出其平均值X，和标准 差。i: s22、依据上述公式计算格拉布斯统计量Τ,，则有 阳〇1引（3) ； 若满足Τ，>=Τ(η，a),则认为该数据含有粗大误差值的异常值，应舍弃Τ对应的 测量值；其中T(n，a)为格拉布斯判定准则临界值，η为测量次数，a为显著水平，a取0.01 或0.05(详见表1);剔除后，重复（1)-(3)式，直至所有数据都满足格拉布斯判定准则不存 在新的异常数据； 表1格拉布斯准则临界值T (n，a)表 S3、采用自适应加权平均算法对步骤S2所得数据进行融合计算：[001引设有η个传感器对同一环境因子进行测量，η个传感器的方差分别为σ?,σL…,σΜ专感器数据分别为XI，而，...，X。;权值分别为W1，听，...，W。;则自适应加权 融合后的X值和权值满足(4)式中：巧3η个传感器在同一时刻采集环境因子的算术平均值，Wp为某一传感器的 加权值，Xp为该时刻传感器采集的数据[oow 其中，均方误差ο2为阳〇2引式中：Wq与Wp分别为同一时刻不同传感器的加权值，Xq与XP为同一时刻的不同传 感器采集的数据 各传感器采集数据为X的无偏估计，因此认为传感器数据彼此独立，所W有E =0，（P声q;p=1，2，…，η;q=1，2，…，η)则(巧 式中：为某一传感器均方误差由上式可知当均方误差最小时加权值Wp为(7) 阳0川此时对应的最小均方误差瑞η为 阳0巧脚。 本专利技术具有W下有益效果： 通过无线传感器实时采集溫室数据，利用格拉布斯判定准则进行数据预处理，再 利用自适应加权平均融合算法，推导加权因子对数据进行融合计算，实现了北方日光溫室 实时数据融合，提高了实时数据精度。【附图说明】图1为本专利技术实施例中自适应加权算法模型。图2(a)为本专利技术实施例中1号传感器采集溫度数据。 图2化）为本专利技术实施例中2号传感器采集溫度数据。图2(c)为本专利技术实施例中3号传感器采集溫度数据。 图2(d)为本专利技术实施例中4号传感器采集溫度数据。图2 (e)为本专利技术实施例中5号传感器采集溫度数据 图2(f)为本专利技术实施例中6号传感器采集溫度数据。 图3为本专利技术实施例中传感器采集数据处理对比图。图4(a)为本专利技术实施例中利用自适应加权算法融合的溫度数据与其平均算法融 合的结果在5:00-6:00的对比截图。图4(b)为本专利技术实施例中利用自适应加权算法融合的溫度数据与其平均算法融 合的结果在12:00-13:00对比截图。图4(c)为本专利技术实施例中利用自适应加权算法融合的溫度数据与其平均算法融 合的结果在15:00-16:00对比截图。 图4(d)为本专利技术实施例中利用自适应加权算法融合的溫度数据与其平均算法融 合的结果在19:00-20:00对比截图【具体实施方式】 为了使本专利技术的目的及优点更加清楚明白，W下结合实施例对本专利技术进行进一步 详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本专利技术，并不用于限定本发 明。 W48] 本具体实施例中自适应加权平均算法的模型如图1，图中XI，X2, ...，X。为多传感 器在同一时刻对同一环境因子的数据采集量；Wi，W2, ...，w。为该时刻各个传感器权值；X为 自适应加权融合后值。 阳0例实施例 阳化0] 选取沈阳农业大学北山实验基地的一栋日光溫室为研究对象，该溫室脊高2. 8m， 跨度为8m，长50m，室内无加热与强制通风设备，属于典型的北方日光溫室。 采集数据选取设备包括：无线环境溫湿度传感器，无线光照传感器，无线±壤溫湿 度传感器，无线环境二氧化碳传感器。无线传感器实验设备精度如表2所示。数据采当前第1页1 2 本文档来自技高网...

【技术保护点】
目光温室无线传感器多数据融合方法，其特征在于，包括如下步骤：S1、通过多个无线环境温湿度传感器、无线光照传感器、无线土壤温湿度传感器和无线环境二氧化碳传感器采集温室室内温度、土壤温度、室内相对湿度、土壤湿度、温室室内光照强度、温室CO2浓度、露点温度、以及室外温湿度参数；S2、采用格拉布斯判定准则对监测数据进行实时有效的粗大误差剔除：S21、设经测量得到变量xj1，xj2，......，xjn，通过以下公式算出其平均值xj和标准差σj：xj=1n×Σi=1nxji,i=1.2,...,n---(1)]]>σj=1n×Σi=1n(xji-xj‾)2---(2)]]>S22、依据上述公式计算格拉布斯统计量Tj，则有Tj=||xji-xj‾||σj---(3);]]>若满足Tj＞＝T(n，a)，则认为该数据含有粗大误差值的异常值，应舍弃T对应的测量值；其中T(n，a)为格拉布斯判定准则临界值，n为测量次数，a为显著水平，a取0.01或0.05；剔除后，重复(1)‑(3)式，直至所有数据都满足格拉布斯判定准则不存在新的异常数据；S3、采用自适应加权平均算法对步骤S2所得数据进行融合计算：设有n个传感器对同一环境因子进行测量，n个传感器的方差分别为传感器数据分别为x1，x2，...，xn；权值分别为w1，w2，...，wn；则自适应加权融合后的x值和权值满足x‾=Σp=1nwp×xp,]]>其中Σp=1nwp=1---(4)]]>式中：为n个传感器在同一时刻采集环境因子的算术平均值，wp为某一传感器的加权值，xp为该时刻传感器采集的数据其中，均方误差σ2为σ2=E[x-x‾]=E[Σp=1nwp2×(x-xp)2+2Σwp×wq(x-xp)×(x-xq)]---(5)]]>式中：wq与wp分别为同一时刻不同传感器的加权值，xq与xp为同一时刻的不同传感器采集的数据各传感器采集数据为x的无偏估计，因此认为传感器数据彼此独立，所以有E[(x‑xp)×(x‑xq)]＝0，(p≠q；p＝1，2，…，n；q＝1，2，…，n)则σ2=E[Σp=1nwp2×(x-xp)2]=Σp=1nwp2×σp2---(6)]]>式中：为某一传感器均方误差由上式可知当均方误差最小时加权值wp为wp=1/σp2×Σp=1n1σp2(p=1,2,...,n)---(7)]]>此时对应的最小均方误差为σmin2=1/Σp=1n1σp2(p=1,2,...,n)---(8).]]>...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈春玲，许童羽，崔琳，周云成，须晖，李天来，郑伟，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：辽宁;21