物聯網的智能農業監測系統畢業論文(編輯修改稿)

　

【文章內容簡介】 術的應用規模將不斷擴大。隨著農業物聯網企業和標準的不斷完善，農業物聯網將朝著協同化方向發展，形成不同農業產業物體間、不同企業間乃至不同地區不同國家間的農業物聯網信息的互聯互通操作，應用模式從閉環走向開環，最終形成可服務于不同應用領域的農業物聯網應用體系。隨著云計算與云服務技術的發展，農業物聯網感知信息將在真實世界和虛擬世界之間智能化流動，相關農業感知信息服務將會隨時接入、隨時獲得?？傮w來講，農業物聯網將朝著更透徹的感知、更全面的互聯互通、更深入的智慧服務和更優化的集成趨勢發展。第三章 系統的數據融合處理3. 1數據融合的原理及意義3. 1973年，美國國防部資助開發了吉納信號理解系統，該系統是數據融合最早的雛形，標志著數據融合技術最早在軍事領域出現，此后，隨著計算機技術和通信技術緊密地互相結合并快速發展，數據融合技術被廣泛應用于軍事、民用和科研領域的數據處理，并且在數據處理的實際應用中，數據融合技術得到了極大的發展。 數據融合技術是應用在數據處理方面的多學科交叉的新技術，其研究的內容具有多樣性的特點，對從信息源獲得的可用信息可以進行多種綜合處理，并且數據融合技術的分析和決策方法涉及多個知識領域，所以到目前為止，數據融合并沒有一個統一的定義，根據資料，數據融合技術可以較為貼切的歸納為:數據融合技術是一種信息處理技術，對按時序獲得的觀測信息，使用計算機在特定準則下加以自動分析、綜合，以完成所需的決策和評估任務。數據融合處理的數據可以來自多個不同的信息源，對數據的處理方法可以來自不同科研領域的不同技術，數據融合的原理可以概括如下:首先，采集觀測目標數據，即應用傳感器等感知技術獲得最原始的信息或數據，采集到的觀測數據形式有多種，通常是時間函數數據、輸出矢量、成像數據和屬性說明等。其次，提取特征矢量，即對用感知技術采集到的觀測數據進行特征提取，得到感知數據的特征矢量。再次，模式識別處理，這一處理過程是針一對所獲得的特征矢量進行，該過程采用諸如匯聚算法等統計模式識別算法對所獲得的特征矢量進行處理，得到各個傳感器關于目標的目標屬性判決。然后關聯，關聯過程是針對傳感器獲得的數據而進行的，針對不同的目標，傳感器節點會獲得不同的數據，將所有傳感器采集獲得的數據按照統一目標分組，這一過程即為關聯。最后，數據合成，該過程的合成不是簡單的數據組合，而是將數據進行綜合加工處理的數據融合，經融合后得到關于目標的一致性解釋與描述。3. 1 .2數據融合的意義 本系統的數據采集網絡采用基于ZigBee技術的無線傳感器網絡，數據融合對于無線傳感器網絡的意義可以表述如下: (1)減少冗余信息，降低能量消耗 為了增強采集數據的準確性并確保整個無線傳感器網絡的穩定性和魯棒性，無線傳感器節點需要大量且廣泛的分布于采集區域內，相鄰無線傳感器節點的采集區域可能重疊，從而導致相鄰傳感器節點發送的信息存在冗余性。曾有學者計算顯示，傳感器節點使用無線方式傳輸比特到100米遠所消耗的能量可供執行3000條指令[16]，在這種情況下，匯聚節點并未獲得更多的信息，反而使網絡消耗了更多的能量，因此，在保證精度的情況下，對傳感器節點采集到的感知數據信息進行融合處理，能夠大大降低無線通信過程中的數據傳輸，而處理器進行數據計算所消耗的能量，遠遠小于數據在通信過程中消耗的能量，所以在傳感器節點采集到數據之后到發送數據之前進行數據冗余處理，可以有效的減少無線傳輸過程中的數據傳輸量，達到去除冗余信息、降低能量消耗的目的。 (2)提高采集信息的準確性 無線傳感器節點負責采集影響農作物生長的環境參數信息，由于傳感器節點存在因成本和體積而導致的精度問題，加之進行數據采集時周圍環境因素的影響以及使用無線通信進行數據傳遞時容易受到干擾和破壞，單一傳感器節點獲得的數據信息往往存在不可靠性。使用數據融合技術，對采集同一信息的多個傳感器所采集到的數據進行數據融合處理，就可以有效提高所采集信息的精度和準確性。 (3)提高數據收集效率 對傳感器節點采集到的數據進行數據融合處理，減少了需要傳輸的數據量，從某種程度上降低了數據鏈路過程中的鏈路難度，減少了數據在無線通信過程中的沖突碰撞，減輕了網絡的傳輸擁塞，降低了數據的傳輸延遲，有效提高了數據收集效率。3. 2數據融合的分類 傳感器網絡中的數據融合技術可以有不同的分類方式，根據對傳感器數據的融合級別，數據融合技術可以被分為以下三類: (1)像素級融合 像素級融合是最初級的融合，在像素級融合中，每一個傳感器觀測物體，然后組合來自各傳感器的原始數據并進行特征識別，該過程通常是從原始數據中提取一個特征矢量，根據此特征矢量做出一致性解釋與描述。在像素級融合中，原始數據必須是匹配的，傳感器測量的是同一物理現象，如果傳感器不是同類的，則無法進行像素級融合，只能進行特征級融合或決策級融合。像素級融合的主要優點在于，它能夠提供其他融合層次不能提供的細微信息且不存在信息損失，具有較高的融合性能。像素級融合通常要求精確的傳感器配準和很高的傳輸帶寬。 (2)特征級融合 特征級融合屬于中級融合，在特征級融合中，每個傳感器觀測目標之后對各傳感器的觀測進行特征提取，產生特征矢量，最后融合這些特征矢量，并做出基于聯合特征矢量的屬性說明。特征級融合是像索級融合與更高級決策級融合的折中形式，特征級融合一般采用分布式或集中式的融合體系，特征級觸合可以對數據進行綜合融合。特征級融合的優點在于需要的通信帶寬小，但結果的精確性也在相應減小。由于特征級融合兼具了像索級融合與決策級觸合的優缺點，具有較大靈活性，在許多情況下很實用。(3)決策級融合決策級融合位于三層數據融合的最高層。在該層融合中，每個傳感器觀測目標，并提取感知數據的特征，形成特征矢量；然后使用模式識別處理等方法對得到的特征矢量進行處理，獲得各傳感器關于目標的說明。再按統一目標將各傳感器關于目標的說明數據進行分級，即關聯。最后采用融合算法合成已統一目標的各傳感器數據，得到該目標的一致性解釋與描述。決策級融合是面向應用的融合。決策級融合的主要優點是容錯性強、通信量小、抗干擾能力強。它的缺點是信息損失大、精確性差。上述的數據融合方法各有特點，在具體應用的過程中應該根據具體數據融合的目的和條件選擇合適的融合方法。 在物聯網的實際應用中，三個級別的數據融合技術可以綜合使用。有的應用中數據形式比較簡單，不需要進行像素級融合，就使用靈活的特征級融合手段，而有的應用要處理大量原始數據，則選用像素級融合。一個給定的系統，可能涉及多個級別的數據融合技術。3. 3數據融合的基本方法 在無線傳感器網絡系統的設計和實現過程中，并沒有一種通用的數據融合方法，對于傳感器網絡的數據融合，總是根據具體的實際應用背景，來選擇相應的融合算法。傳感器網絡數據融合的方法有很多，本文主要介紹幾種常用的數據融合方法。 (1)加權平均法 在所有的數據融合方法中，加權平均法是最簡單最直觀的方法，該方法將多個傳感器上傳的冗余信息進行加權平均計算，計算的結果作為最后的融合值，常用于處理數據源的數據具有較大差異的情況。加權平均融合算法的優點是信息丟失少，所以需要對原始數據進行融合的情況下常采用加權平均法，但是加權平均因為需要建立數據模型或統計特征，所以加權平均法的使用范圍有限。 (2)貝葉斯估計 貝葉斯估計算法是最早應用于不確定數據融合的一種推理方法，也是靜態數據融合中的一種常用方法，它的基本思想是在假設先驗概率的條件后，利用貝葉斯公式計算出后驗概率，然后根據后驗概率做出決策。在無線傳感器網絡中，傳感器節點作為不同的信息源，其信息被表示成不同的概率密度函數，以特定原則對這些概率密度函數進行組合，用假定條件進行數據融合處理，實現用條件概率來測量系統不確定性的目的。若多個傳感器監測目標一致，則可以直接對傳感器所獲得的感知信息進行融合，若多個傳感器根據不同的目標對統一物體進行描述，只能以間接方式采用貝葉斯估計進行數據融合。貝葉斯估計算法的特點是由數學公理推導，易于理解且計算量小，常用來處理一些不確定問題。貝葉斯估計的缺點是在實際中很難知道先驗概率，當假定的先驗概率與實際情況不相符時，獲得的推理結果性能比較差，因此，貝葉斯估計算法的適用范圍比較小。 (3)卡爾曼濾波 據資料記載，(Stanley Schmidt)首次實現了卡爾曼濾波器，并將其應用于解決阿波羅計劃的軌道預測，關于這種濾波器的論文由Kalman等發表?？柭鼮V波是一種遞歸的估計，它不需要任何有關的歷史數據信息，它的估計過程只與上一個相關狀態的估計值和當前狀態的實際值有關，是線性濾波最常用的處理方法。在無線傳感器網絡中，卡爾曼濾波器常常被用于動態環境下對感知數據的融合計算，通過遞推確定融合信息統計意義下的最優估計。遞推特性使得卡爾曼濾波非常適合應用在無海量信息存儲性能的系統中，在需要估計系統當前狀態又需要預報系統的未來狀態的情況下，也常常采用卡爾曼濾波對傳感器數據進行融合。卡爾曼濾波數據融合算法信息丟失較少，所以適合對原始數據進行融合，缺點是需要建立數學模型或統計特征，適用范圍有限。本系統對無線傳感器感知數據的處理方法采用了基于卡爾曼濾波原理的數據融合方法，關于卡爾曼濾波的內容將在下一節內容中詳細闡述。 (4)神經網絡法 神經網絡法也是由多個科研領域高度綜合、聯合應用、共同發展而形成的交叉學科，將神經網絡法應用于無線傳感器網絡節點的感知數據融合，模擬了人腦可以對大量信息進行識別存儲、可以對不同信息進行綜合分析、可以對各種復雜信息進行有層次系統性的自學習的功能，神經網絡可以對傳感器節點的感知數據以某種算法為依據進行學習，根據學習的結果對傳感器的感知數據進行處理并輸出信息，通過分配權值來完成數據融合操作以及對知識的獲取。神經網絡算法的優點是對先驗知識要求不高或者根本沒有要求，因此神經網絡法有較強的自適應能力，缺點是神經網絡算法的運算量大，規則難建立。 此外，常用的數據融合方法還包括DempsterShafer證據推理法、模糊邏輯法、統計決策理論和小波分析等。3. 4. 1 KDF算法的提出 本文設計的智能農業監測系統既可以應用于溫室或農業大棚等封閉環境，也可以應用在農業大田等露天環境，無論應用于哪種情況，本系統無線傳感器節點監測的都是一個相對穩定的環境，在該種環境下，存在在某一段時間內，被監測的目標數據無明顯變化的情況，即無線傳感器節點感知到的數據具有時間的相關性，使得單個傳感器節點監測獲得的數據存在冗余。由于傳感器節點在數據傳輸的過程中消耗的能量最多，大量冗余信息的存在，會使傳感器網絡白白耗費掉大量能量，同時，由于傳感器節點本身的限制及進行數據采集時周圍環境的影響，使傳感器節點獲得的原始數據在精度方面與實際需要具有一定的差距。本文采用的數據融合思想是在傳感器節點處進行像素級的融合處理，該處理是在傳感器節點獲得感知數據后立即進行的數據融合計算，此時的感知數據還沒有進行任何算法的處理，這種融合的好處是:利用可用信息之間的相關性對原始數據進行綜合與分析并且對一定測量次數內獲得的有限的測量數據進行融合處理，可以有效的消除無線傳感器測量中的干擾及不確定性，從而獲得更加準確、更加可靠的測量數據，達到減少數據傳輸、節省能量的目的?；诖怂悸?，本文提出了基于卡爾曼濾波的數據融合算法(KDF)用于系統的數據融合處理。KDF算法是在傳感器節點采集數據之后到將數據傳輸至上位機之前加入一個數據處理過程，在該過程中，傳感器節點采集到的數據首先要與之前系統設定的閩值進行對比測算，若采集到的數據超出閩值設置范圍，進行報警提示，若采集到的數據在所設定閩值范圍內，則將傳感器節點采集到的數據通過卡爾曼濾波器進行濾波處理，去除環境噪聲和干擾的影響，最后將去除噪聲后的數據再通過數據融合模型進行處理。KUP在有效去除噪聲、得到更準確數據的同時，可以減少數據傳輸量，節省能耗。3. 4. 2卡爾曼濾波算法 前文己經對卡爾曼濾波做了簡要的介紹，在無線傳感器網絡中，因為傳感器節點獲得的數據可以看成是離散的數據，將卡爾曼濾波用于感知數據的濾波可以提供統計意義下的最優估計，并且卡爾曼濾波的過程只需要很小的存儲空間，這使得卡爾曼濾波非常適合應用在無線傳感器網絡中，所以本系統的數據采用卡爾曼濾波來處理?？柭鼮V波器是一個離散控制過程的系統，該系統可用一個線性隨機微分方程來描述: X (k)=AX(k一1)+BU(k)+W(k) () 再加上系統的測量值: Z(k)=HX(k)+V(k) ()公式(()和(()中，X(k)是k時刻的系統狀態，U(k)是k時刻對系統的控制量。A和B是系統參數。Z(k)是k時刻的測量值，H是測量系統的參數，對于多測量系統，A, B,H為矩陣。W(k)和V(k)分別表示過程噪聲和測量噪聲，被假設成高斯白噪聲，方差Q、R不隨系統狀態變化而變化。 假定現在的系統狀態是k，公式()至()是卡爾曼濾波過程的5個主要運算過程。 X(k I k一1) = AX(k一Ilk一1)+BU(k) ()其中，X(k1 I k1)是k1時刻的最優值，X(k I k 1)是根據X(k11 k1)得到的估計值，U(k)為現在狀態的控制量，如果沒有控制量，它可以為0. P(k I k一1)二AP(k1 I k1)A’十Q ()其中，P為X的協方差，P(k I k 1)是X(k I k1)對應的協方差，P(k1 I k1)是X(k一Ilk一1)對應的協方差，A’表示A的轉置矩陣，Q是系統過程的協方差。 X(kIk)=X(kIk一1) +Kg(k)(Z(k)一HX(k I k一1)) () Kg(k) = P(k I k一1)H39。/(HP(k I k一1)H39。+ R) ()式(()中心為卡爾曼增益，結合公式((), ()得到的估計值，再根據測量值Z(k)修正k時刻的估計值，得到k時刻的最優化估計值X(klk) o