一种基于预测的及时加权传感器网络数据融合方法与流程

技术特征：

1.一种基于预测的及时加权传感器网络数据融合方法，其特征在于：包括以下步骤：

步骤S1：初始化处理：初始化融合决策值R₀,采用全部节点的平均值作为初始融合决策值R₀，具体采用下式：

$R_0={\Σ}_{i=1}^n{r}_{0i}/n;$

其中，R₀为初始化融合决策值，r_0i为传感节点i在初始化阶段的检测汇报值，n为场景中传感节点总数；

步骤S2：初始化每个传感加权值ω_0i：

采用下式计算每个传感节点的加权值ω_0i：

ω_0i＝ω_iP+Δω_0i；

其中，ω_iP为比例加权因子，它在初始化后几乎不变，是整个权值的重要参与因素；Δω_0i为初始化时的积分加权因子，也即时刻0时的积分加权因子，其在系统运行的过程中被动态调节，从而提高系统的自适应特性；所述初始化积分加权因子Δω_0i的值为0；

步骤S3：进入实时检测：通过Kalman滤波器预测：在获得了t-1时刻的融合值R_t-1后，系统通过Kalman滤波器预测t时刻的数据融合值E_t，从而为后续的及时时间控制做出准备；

步骤S4：计算数据融合结果：在t时刻，每收到一个传感节点i的汇报r_ti时都按下式计算粗略融合结果R’_t：

$R_t^{\′}={\Σ}_{i=1}^k{\mathrm{\ω}}_{ti}\·r_{ti}/{\Σ}_{i=1}^k{\mathrm{\ω}}_{ti};$

其中，k为当前获得的报告的传感节点的总数，k＜n，n为场景中所有传感节点的个数，ω_ti为t时刻传感节点i的加权值,r_ti为t时刻传感节点i的报告数据；

步骤S5：设置一个阈值λ，当粗略结果R’_t与Kalman滤波器预测的结果E_t之间的差小于阈值λ时，即：

||E_t-R′_t||＜λ；

将粗略结果R’_t作为t时刻的数据融合最终结果值R_t，并结束t时刻的数据融合计算，停止接收其他传感节点的后续报告；

S6:根据新获得的数据融合结果R_t，按下式修正加权值：

ω_ti＝ω_iP+Δω_ti；

其中，ω_iP为比例加权因子，它在初始化后几乎不变，是整个权值的重要参与因素；Δω_ti为t时刻的积分加权因子，其在系统运行的过程中被动态调节，从而提高系统的自适应特性；令t＝t+1,并返回步骤S3，进入下一时刻的计算。

2.根据权利要求1所述的一种基于预测的及时加权传感器网络数据融合方法，其特征在于：步骤S2中，所述比例加权因子ω_iP的计算在系统初始化确定了R₀后进行，依据各节点采集值与R₀之间的差确定，计算式如下：

d_i＝||r_0i-R₀||；

d_i-norm＝δ·(1-d_i/d_max)；

${\mathrm{\ω}}_{iP}=(1/\sqrt{2\mathrm{\π}}\mathrm{\σ})e^{-\frac{{(d_{i-norm}-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}};$

其中，d_i表示传感节点i的汇报值与初始化融合值R₀之间的差，d_i-norm为将d_i进行标准化操作得到的值，d_max为测试场景中最大的d_i值，δ为用户指定的数值调整系数，μ、σ为正态分布函数的参数，由用户指定。

3.根据权利要求1所述的一种基于预测的及时加权传感器网络数据融合方法，其特征在于：步骤S5中，t时刻的积分加权因子Δω_ti依赖于t时刻传感节点i的汇报值r_ti与融合值R_t之间的差值：

d_ti＝||r_ti-R_t||；

其中，r_ti为时刻t传感节点i的汇报值，R_t为时刻t计算出的融合值，计算出的d_ti为两者之间的差值；将所有的d_ti从小到大进行排序，并设定调整参数ε，当与传感节点i对应的d_ti位于队列的前ε位时，对应的Δω_ti可获得增量γ的奖励，即：

Δω_ti＝Δω_(t-1)i+γ；

当与传感节点i对应的d_ti位于队列的后ε位时，对应的Δω_ti可获得减量γ的惩罚，即：

Δω_ti＝Δω_(t-1)i-γ。

4.根据权利要求1所述的一种基于预测的及时加权传感器网络数据融合方法，其特征在于：所述传感节点由任意一种微控制器作为中央处理器构成，包括模拟或数字转换器及相应的传感器器件，并通过有线或无线的方式组成传感器网络。

5.根据权利要求4所述的一种基于预测的及时加权传感器网络数据融合方法，其特征在于：有线组网方式采用：RS-485总线、CAN总线、工业以太网或常规以太网方式；无线组网方式采用：ZigBee蜂窝式网络协议、2.4G RF射频网络方式、无线以太网WiFi方式或移动通信3G/4G网络方式。