并将其作为该时刻的合并数据;经过本步骤得到合并后的样 本数据z(k)，k=l，2,……，N;
[0031] 5)建立一个离散控制过程系统模型，用线性随机微分方程来对该系统进行描述， 如式(2)所示：
[0032] X(k)=A · X(k-l)+ff (2)
[0033] 式(2)中X(k)表示为在k时刻相对应的系统状态变量，X(k-l)表示为在k-1时刻相 对应的系统状态变量，Χ(〇)=Ζ(1);Α是系统参数矩阵，W表示系统噪声；
[0034] 6)利用式(3)、（4)、（5)、（6)、（7)进行系统的最优化观测估计，得到融合后的数据 信息；
[0035] X(k|k-l)=AXX(k-l |k-l)+ff (3)
[0036] P(k|k-l)=AXP(k-l|k-l)XA，+Q (4)
[0037] Kg(k)=P(k|k-l)XH，/(HXP(k|k-l)XH，） (5)
[0038] X(k|k)=X(k|k-l)+Kg(K)X(Z(k)-HXX(k|k-l)) (6)
[0039] P(k|k) = (I-Kg(k)XH)XP(k|k-l) (7)
[0040] 式中X(k I k-1)表示为由前一时刻状态变量通过估计而得出的结果，X(k_l I k-1)表 示为前一时刻状态变量所具有的观测估计值，P(k I k-1)是X(k I k-1)协方差值，P(k-11 k-1) 是X (k-11 k-1)协方差值，矩阵A '表示A的转置矩阵;Q表示系统噪声W的协方差值;Kg (k)为卡 尔曼增益;Η为全1的测量参数矩阵，Η'为Η的转置矩阵;X(k | k)是k时刻系统状态变量的最优 化观测估计，P(k|k)为X(k|k)的协方差，系数I为全1的系数矩阵；
[0041 ] 具体估计过程如下：
[0042] 1^=1时，分别利用式(3)、（4)计算乂仏|1^-1)、？仏|1^-1)4(0|0)为1^=1时刻的样本 数据Z(k);P(〇|〇)取0至1之间的值即可，这里P(0|0) = 0.5;然后利用式(5)计算卡尔曼增益 Kg(k)，再利用式(6)计算k时刻系统状态变量的最优化观测估计X(k | k);
[0043] 利用式(7)计算X(k|k)的协方差P(k|k);
[0044] 利用计算出的最优化观测估计X(k|k)和X(k|k)的协方差P(k|k)对式(3)、（4)中的 X(k-11 k-1)、P(k-l | k-Ι)进行更新，再利用式(5)、（6)、（7)计算下一时刻的最优化观测估计 x(k | k)和x(k | k)的协方差p(k | k);依此进行递归运算，直至求出所有k时刻的观测估计值X (k | k)，即融合处理后的数据信息。
[0045] 所述步骤二中，判断快递车车厢是否处于安全状态并输出报警信息的方法如下：
[0046] 对接收到的温度、烟雾浓度、一氧化碳气体浓度、乙醇气体浓度和甲烷气体浓度数 据进行比较判断；如果烟雾浓度数据大于设定的烟雾浓度阈值，且一氧化碳浓度大于设定 的一氧化碳浓度阈值，输出代表车厢出现火情的报警信息；如果烟雾浓度数据大于设定的 烟雾浓度阈值，且一氧化碳浓度低于设定的一氧化碳浓度阈值，输出代表车厢灰尘过多的 报警信息；
[0047] 在接收到的烟雾数据低于设定的烟雾浓度阈值的情况下，如果乙醇气体浓度数据 大于设定的乙醇气体浓度阈值，且温度高于设定的温度阈值，输出代表车厢有爆炸风险的 报警信息；如果乙醇气体浓度大于设定的乙醇气体浓度阈值，且温度低于设定的温度阈值， 输出代表车厢有可燃气体泄露报警信息，同时输出环境参数数据及车厢位置信息；
[0048]在烟雾浓度数据低于设定的烟雾浓度阈值，且乙醇气体浓度数据低于设定的乙醇 气体浓度阈值的情况下，如果甲烷气体浓度数据大于设定的甲烷气体浓度阈值，且温度数 据高于设定的温度阈值，输出代表车厢有爆炸风险的报警信息；如果甲烷气体浓度数据大 于设定的甲烷气体浓度阈值，且温度数据低于设定的温度阈值，输出代表车厢有可燃气体 泄露的报警信息，同时输出环境参数数据及车厢位置信息；
[0049]在烟雾浓度数据低于设定的烟雾浓度阈值，且乙醇气体浓度数据低于设定的乙醇 气体浓度阈值，同时甲烷气体浓度数据低于设定的甲烷气体浓度阈值情况下，输出环境参 数数据及车厢位置信息。
[0050] 由于本发明中存在大量不同类型的传感器在同一时间对物理指标进行数据数据 采集，因此系统中存在相当数量的多源异构数据。传感器网络的节点数量较多且易受外界 干扰，出现突发故障在所难免;而且测量的物理参量具备一定的复杂性及多变性，因此，实 际测量值有时会出现疏失数据或误差较大的数据。为消除上述所论系统误差，本发明结合 皮尔逊相关运算对卡尔曼滤波算法进行了改进，即先利用皮尔逊相关运算对测量数据中的 异常数据进行修正，然后使用卡尔曼滤波算法进行监测数据的融合。
[0051] 本发明采用的数据融合算法是基于皮尔逊相关处理的卡尔曼滤波改进算法。卡尔 曼滤波算法是一种适用于计算机处理与进行实时计算的递推估计算法。该算法的递推估计 原理是:根据最小均方误差这一最佳估计准则同时构建输入数据与噪声变量的模型，并以 前一时刻的估计值和当前时刻的观测值为基础来进一步估计出当前时刻的状态变量值，即 为当前时刻状态变量的估计值。也就是说卡尔曼滤波的本质是：以"估计-实测-更正"的逻 辑思路进行递推。
[0052] 有益效果：
[0053] (1)实现了快递车运输中可能出现的危险预警，保障了快递车安全运输。
[0054] (2)驾驶员可得到监测数据实时查看服务和语音报警服务。
[0055] (3)采用皮尔逊相关处理的卡尔曼滤波改进算法，对监测数据进行数据融合处理， 提高了监测数据准确性与可靠性，减少了传输过程中的数据量，提高了传输效率，降低了数 据传输成本。
[0056] (4)对当前网络信号强度进行比较，将监测数据通过信号较强的3G或4G网络传送 至云服务器并存储，扩大了通信范围，提高了系统的安全性和抗毁性。
[0057] (5)能够根据对监测数据的分析，判断车厢内是否出现异常，若出现异常则进行语 音报警，从而使驾驶员能够及时采取措施对出现的异常状况进行处理，以有效控制险情。
【附图说明】
[0058] 下面结合附图和【具体实施方式】对本发明作进一步详细说明。
[0059] 图1本发明的快递车危险预警系统总体结构图。
[0060] 图2监测终端节点的结构图。
[0061] 图3协调器的结构图。
[0062] 图4网关结构图〇 [0063]图5报警装置结构图。
[0064]图6为本发明的主程序流程图。
[0065] 图7为本发明报警装置的功能流程图。
[0066] 图8为本发明数据融合算法的流程图。
[0067] 图9无干扰时数据融合算法结果对比图。
[0068] 图10有干扰时数据融合算法结果对比图。
[0069]图11为本发明数据存储的流程图。
【具体实施方式】
[0070]如图1所示，本发明的快递车危险预警系统包括布置在快递车车厢内的监测终端 节点，ZigBee协调器，ZigBee-3G/4G网关模块，云服务器，报警装置;监测终端节点布置在快 递车车厢内，通过传感器组对车厢内的环境参数和位置信息等进行周期性的定时监测，并 通过无线传输方式将采集到的监测数据信号发送给布置在驾驶室内的ZigBee协调器； ZigBee协调器将监测终端节点采集的监测数据汇总并通过串口线连接方式发送到ZigBee-3G/4G网关模块；由ZigBee-3G/4G网关模块对监测的数据信息进行数据融合操作，并对融合 后的数据信息进行Zigbee与3G/4G的数据帧格式转换和协议转换，再通过3G/4G网络将处理 过的监测数据信息上传至云服务器;云服务器接收由ZigBee-3G/4G网关模块传送来的监测 数据并将其存储到数据库中；同时，ZigBee-3G/4G网关模块将融合后的监测数据通过串口 线连接方式发送给报警装置;布置在驾驶室内的报警装置将监测数据信息实时显示在显示 屏上，并根据监测数据信息判断快递车车厢是否出现异常，若出现异常，则通过语音及告警 灯等对驾驶员告警。同时将报警信息实时传输给ZigBee-3G/4G网关模块并显示在显示屏 上;报警装置发出的报警信息同时实时传输给云服务器;若数据信息正常则将安全信息实 时传输给ZigBee-3G/4G网关模块并显示在显示屏上。
[0071] 1.监测终端节点
[0072]监测终端节点结构基本相同，主要包含传感器组和无线射频收发模块，如图2所 示。传感器组包括快递车车厢环境参数采集传感器组和快递车位置信息采集传感器;各传 感器采集的监测数据通过无线射频收发模块发送至ZigBee协调器。
[0073]根据我国《火灾分类》(GB/T 4968-2008)火灾根据可燃物的类型和燃烧特性可分 为6类。A类火灾指固体物质火灾，一般具有有机物质的性质，有机物质一旦出现燃烧时，会 产生一氧化碳为主要成份的有毒气体，通过温度、烟雾以及一氧化碳浓度即可以很容易的 检测出来。B类火灾指液体或可融化的固体物质火灾，此类物质一般