一种用于植物生长监测的wsn数据分层融合方法
【专利摘要】本发明公开了一种适用于植物生长监测的WSN数据分层融合方法。将无线传感器网络划分成多个固定层级，减少数据传输量并逐层降低误差。首先运用格拉布斯准则剔除单个节点数据中的粗大误差，通过分批估计得到单位时间内该节点数据融合值，然后进行子层级别上的数据自适应加权融合，最后进行基站层级上的数据加权自适应融合。仿真实验结果表明，本方法融合结果比算术平均法和单一自适应加权算法更接近真实值。该方法能够减少数据传输量，且具有很好的可拓展性。
【专利说明】
一种用于植物生长监测的WSN数据分层融合方法
技术领域
[0001] 本发明涉及无线传感器网络数据融合处理领域，具体涉及一种用于植物生长监测 的WSN数据分层融合方法。
【背景技术】
[0002] 物联网尤其是无线传感技术现已广泛应用于农业生产，工业制造以及物流运输等 方面，将无线传感技术应用于农业生产，尤其是农作物生长环境监测领域，可以有效降低人 力物力的消耗和对土壤生态环境的影响[1]。在农作物生长环境监测中，无线传感器网络监 测面积大、数据传输距离远，且传感器节点大多为电池供电，连续工作寿命受限。同时农作 物生长环境变化缓慢、实时性要求低，如果将不经处理的数据直接发送给上位机处理，不仅 浪费能量，而且不利于数据利用，甚至造成网络拥塞和瘫痪。
[0003] 无线传感网络数据融合技术可以有效去除冗余信息，提高数据的准确度和精度， 节省传感器节点能量，达到延长网络寿命的目的，因此能够有效地解决以上问题。无线传感 器网络数据融合技术已经成为是众多科技工作者的研究热点。如为提高多传感器检测系统 预警精度，提出在数据层、特征层、决策层分别进行数据融合的多传感器分层数据融合模 型。以及提出单个传感器数据融合，再进行传感器间数据加权自适应融合的方法，但去除粗 大误差时计算方法较为复杂，且传感器间数据融合全部在同一节点完成，使该节点负担较 重。还有研究人员提出采用移动代理进行分层数据融合，在每层采用不同的融合算法。无线 传感器节点和路由器的能量有限且处理性能较弱，因而数据融合算法应当尽量简洁，易于 实现。自适应加权数据融合算法无需传感器系统的先验知识，依靠传感器采集的测量数据 即可实现较高精度的融合估计，且计算方法简便。
【发明内容】
[0004] 本发明要解决的技术问题是:提供一种用于植物生长监测的WSN数据分层融合方 法，以解决现有技术存在的问题。
[0005] 本发明的技术方案是:一种用于植物生长监测的WSN数据分层融合方法，包括以下 步骤：
[0006] 1)单个传感器节点单位时间内采集数据，包括植物生长所需要监测的温度、土壤 湿度、光照强度、C0 2浓度参数；
[0007] 2)运用格拉布斯准则剔除单个传感器节点在单位时间内采集数据的粗大误差;将 剩余数据重复以上过程；
[0008] 3)将单个传感器节点数据去除粗大误差后进行分批估计：
[0009] 设第」组数据可分别表不为Xjl，Xj2，Xj3，Xj4··· Χ%，4 < η」< 7，计算量与精准性的平 衡；
[0010] 第j组平均值为：
[0011]
[0012] 对应的方差为：
[0013]
[0014] 单一节点数据同属于一批测量数据，可认为近似服从正态分布，由分批估计理论 可得到第i个节点的最优融合方差为：
[0015]
[0016] 由各组方差和平均值能够计算得知第i个节点融合值为：
[0017]
[0018] 4)子层节点将单个传感器节点数据估计值进行加权自适应融合，然后转发给基 站;设每个子层有m个节点，单个节点数据融合值记为&、方差为，对每个子层内节点数据 进行层内自适应加权融合;根据权值最优分配原则计算各节点估计值在组内的最优权值 W,，然后对&自适应加权融合处理，计算得到子层节点数据融合最优值和对应的方差；
[0019] 5)基站接收各个子层节点数据的融合值和方差，再次融合数据，设每个基站下设p 个子层，基站级数据融合过程与子层融合过程基本相同；由上个步骤得到的子层数据方差 〇q，可计算获知各个子层的自适应加权因子W q，结合子层数据融合值Yq，最终可求得该时段 内测量数据最优值Z。
[0020] 所述的运用格拉布斯准则剔除单个传感器节点在单位时间内采集数据的粗大误 差:设某节点单位时间内的测量数据分别为X1， X2X3，…，Xl，…，xk，则此节点测量数据算术平 均值：
[0021] f .-i
[0022] 第i个测量值的残余误差为：
[0023]
[0024]对应的该组数据标准差为：
[0025]
[0026]查阅格拉布斯准则临界值表得到对应临界值go(n，a)，若第i个测量数据Xl满足如 下条件，即
[0027] Vi| ^go(n,a)o
[0028]则将 xjlj除。
[0029] 所述的步骤4)的具体计算方法为:设某子层内第i个节点的权值为
[0030]
[0031 ]在同一个子层内的所有节点权值满足条件
[0032]
[0033] 第q个子层节点融合值和方差分别为
；?.[0036] 所述的步骤5)的具体计算方法为:第q个子层自适应加权因子为
[0034]
[0035]
[0037] \ ^ -
J
[0038] p个子层的权值应满足条件
[0039]
[0040] 可得基站层级最终融合值为
[0041]
[0042] 本发明的有益效果:该方法相比以往算法融合精度高，稳定性好，简单易行，在满 足数据融合实时性要求的同时，提高了测量数据精准度。虽然增加了计算量，但是减少了数 据传输量，理论上可以节省无线传感器节点的能量，延长无线传感器网络的寿命。具有较好 的可拓展性，可根据无线传感网络规模大小调节网络分层，适当增加或减少网络层数。
【附图说明】
[0043] 图1为本发明数据融合架构；
[0044] 图2为本发明数据融合方法流程图；
[0045] 图3为本发明实施例中其他算法和本方法与真值的相对差值。
【具体实施方式】
[0046] 如图1-3所示，一种用于植物生长监测的WSN数据分层融合方法，包括如下具体步 骤：
[0047] 单个传感器节点单位时间内采集若干个数据，包括植物生长所需要监测的温度、 土壤湿度、光照强度、C02浓度等参数；
[0048] 运用格拉布斯准则剔除单个传感器节点在单位时间内采集数据的粗大误差；
[0049] 设某节点单位时间内的测量数据分别为X1，X2X3,…，Xl，…， Xk，则此节点测量数据 算术平均值：
[0050] -?：-1.
[0051 ]第i个测量值的残余误差为：
[0052]
[0053]对应的该组数据标准差为：
[0054]
[0055]查阅格拉布斯准则临界值表得到对应临界值go(n，a)，若第i个测量数据Xl满足如 下条件，即
[0056] |Vi| 彡g〇(n，a)o (4)
[0057] 则将Xl剔除。将剩余数据重复以上过程，直到所有数据满足要求为止。
[0058]表1部分格拉布斯准则临界值
[0059]
[0060] W早个传惣器T总数聒云除杻入误走；5近仃分批估计，
[0061 ] 设第并且数据可分别表示为幻^…印^片…巧~一彡如^^即每组至少有斗个数 据，至多有7个，此处考虑计算量与精准性的平衡。第j组平均值为：
[0062]
[0063] 对应的方差为：
[0064]
[0065]单一节点数据同属于一批测量数据，可认为近似服从正态分布，由分批估计理论 可得到第i个节点的最优融合方差为：
[0066]
[0067] 由各组方差和平均值能够计算得知第i个节点融合值为：
[0068]
[0069]子层节点将单个传感器节点数据估计值进行加权自适应融合，然后转发给基站。 设每个子层有m个节点，单个节点数据融合值记为Xi、方差为of，对每个子层内节点数据进 行层内自适应加权融合。根据权值最优分配原则计算各节点估计值在组内的最优权值A， 然后对t自适应加权融合处理，计算得到子层节点数据融合最优值和对应的方差；
[0070] 设某子层内第i个节点的权值为：
[0071] 、问~
，
[0072]在同一个子层内的所有节点权值满足条件：
[0073]
/=1[0074] 第q个子层节点融合值和方差分别为：
[0075]
[0076]
[0077] 基站接收各个子层节点数据的融合值和方差，再次融合数据，设每个基站下设p个 子层，基站级数据融合过程与子层融合过程基本相同。由上个步骤得到的子层数据方差〇 q， 可计算获知各个子层的自适应加权因子Wq，结合子层数据融合值Yq，最终可求得该时段内测 量数据最优值Z。
[0078]第q个子层自适应加权因子为：
[0079] v m j
[0080] p个子层的权值应满足条件：
[0081]
[0082] 可得基站层级最终融合值为：
[0083]
[0084] 实施例
[0085] 在实验室内选定一个监测区域，由15个温度传感器节点和3个子层路由节点构成 无线传感网络，温度传感器节点编号1至15,每个节点单次实验采集10次数据，在不同温度 下进行5次实验，基准真值分别为13.5°(：，17.2°(：，20.8°(：，25.1°(：。3个子层节点标号为1至 3，每个子层节点连接5个普通节点，分别对应1-5号，6-10号，11-15号传感器节点。
[0086]以第五次实验数据为例展示实验数据处理过程，表2~表4分别为1~5号，6~10 号，11~15号温度传感器节点融合值、方差和权值，表5为1~3号子层测量数据融合值、方差 和权值。依据前文公式进行计算，得出第五次实验的最终数据融合值25.24°C。
[0087]]表2 1-5号传感器相关数据 [0088]
[0089] 表3 6-10号传感器相关数据
[0092]
[0093] 表5子层节点相关数据
[0094]
[0095]
[0096] 分别使用本文方法、算术平均法和分层自适应加权数据融合方法对实验数据进行 处理，如表6所示。为直观展示三种计算方法融合值与真值近似程度，将真值标准化为零，三 种计算方法得到的融合值以相对差值的形式在图2中表示。在第五次实验中，算术平均值比 自适应加权融合值更接近基准真值，但此种"接近"有较大不确定性，其余实验中自适应加 权融合结果比算术平均法结果更接近真实值。总体来看，自适应加权融合方法优于算术平 均法，本文方法优于分层自适应加权融合方法且更稳定，主要原因是分层自适应加权融合 方法最初没有剔除粗大误差，导致计算偏差较大。
[0097]表6三种算法数据融合值与真值对比（单位°C)
[0098]
[0099] 本实施例采用本发明提出的一种用于植物生长监测的WSN数据分层融合方法对实 验数据进行处理，并于单一的自适应加权融合算法和算数平均法进行比较，试验结果表明 本方法能够有效提高无线传感器网络数据融合精确度，而且稳定性好。
【主权项】
1. 一种用于植物生长监测的WSN数据分层融合方法，其特征在于： 包括以下步骤： 1) 单个传感器节点单位时间内采集数据，包括植物生长所需要监测的温度、土壤湿度、 光照强度、CO2浓度参数； 2) 运用格拉布斯准则剔除单个传感器节点在单位时间内采集数据的粗大误差;将剩余 数据重复以上过程； 3) 将单个传感器节点数据去除粗大误差后进行分批估计： 设第j组数据可分别表示为1/1 $2 1/3巧4 % 计算量与精准性的 ? ' f I . . . 9. ^ 9 平衡；单一节点数据同属于一批测量数据，可认为近似服从正态分布，由分批估计理论可得 到第i个节点的最优融合方差为：由各组方差和平均值能够计算得知第i个节点融合值为：4) 子层节点将单个传感器节点数据估计值进行加权自适应融合，然后转发给基站;设 每个子层有m个节点，单个节点数据融合值记为X 1、方差为#，对每个子层内节点数据进行 层内自适应加权融合;根据权值最优分配原则计算各节点估计值在组内的最优权值W1，然 后对X1自适应加权融合处理，计算得到子层节点数据融合最优值和对应的方差； 5) 基站接收各个子层节点数据的融合值和方差，再次融合数据，设每个基站下设p个子 层，基站级数据融合过程与子层融合过程基本相同；由上个步骤得到的子层数据方差〇 q，可 计算获知各个子层的自适应加权因子Wq，结合子层数据融合值Yq，最终可求得该时段内测量 数据最优值Z。2. 根据权利要求1所述的一种用于植物生长监测的WSN数据分层融合方法，其特征在 于:所述的运用格拉布斯准则剔除单个传感器节点在单位时间内采集数据的粗大误差:设 某节点单位时间内的测量数据分别为Xl，X2X3，…，Xi，…，Xk，则此节点测量数据算术平均值：第i个测量值的残余误差为：对应的该组数据标准差为：查阅格拉布斯准则临界值表得到对应临界值gQ(n，a)，若第i个测量数据X1满足如下条 件，即 Vi I彡go(n，a)o 则将Xi剔除。3. 根据权利要求1所述的一种用于植物生长监测的WSN数据分层融合方法，其特征在 于:所述的步骤4)的具体计算方法为:设某子层内第i个节点的权值为在同一个子层内的所有节点权值满足条件第q个子层节点融合值和方差分别为4. 根据权利要求1所述的一种用于植物生长监测的WSN数据分层融合方法，其特征在 于:所述的步骤5)的具体计算方法为:第q个子层自适应加权因子为P个子层的权值应满足条件可得基站层级最终融合值为
【文档编号】H04W52/02GK105933388SQ201610218537
【公开日】2016年9月7日
【申请日】2016年4月11日
【发明人】秦志远, 黄海松, 张慧
【申请人】贵州大学