多传感器数据融合在温室智能控制中的应用研究

多传感器数据融合在温室智能控制中的应用研究作者：武晓嘉杨盘洪来源：《消费导刊·理论版》2008年第10期[摘要]多传感器数据融合技术是近几年发展起来的一门新兴技术，在军事和工农业中有着广阔的应用前景。

本文简述了多传感器数据融合结构和方法及D-S证据理论的基本内涵，提出一种基于D-S理论和专家系统的混合算法，并将这种算法应用于智能温室的控制当中。

通过对实时温室环境参数的采集和融合，可获得精确的监测结果，从而为专家系统进行温室参数控制创造了有力条件。

实验表明，这种方法提高了温室环境参数测控的决策准确性，可显著改善温室环境的控制效果。

[关键词]多传感器数据融合 D-S理论专家系统温室控制识别框架作者简介：武晓嘉（1980—），男，就读于太原理工大学，获工学硕士学位，毕业后在太原科技大学任教，讲师，主要从事信息融合处理方面的研究。

一、引言数据融合即多传感器的信息融合，它是20世纪80年代形成和发展起来的一种自动化信息综合处理技术，最早产生于军事领域。

现已是多学科、多领域所共同关心的高层次具有共性的关键技术。

近年来在农业生产领域的许多方面，例如：自主车辆导航系统，遥感系统（RS）以及农业资源和环境的观测和监控等都采用了这种技术。

随着多传感器融合技术应用领域的不断扩展，多传感器融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息[1]， [2]。

二、融合技术概述（一）融合原理和过程多传感器融合的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上可冗余或可互补的数据，依据某种准则进行组合，以获得对被测对象的一致性解释和描述，从而实现对应的决策和估计。

在多传感器融合系统中，各种传感器的数据可以具有不同的特征，可能是实时的或非实时的、模糊的或确定的、互相支持的或互补的，也可能是互相矛盾或竞争的。

它与单传感器数据处理或低层次的多传感器数据处理方式相比，能更有效地利用多传感器资源。

单传感器数据处理或低层次的多传感器数据处理只是对人脑信息处理的一种低水平模仿，不能像多传感器融合系统那样可以更大程度地获得被测目标和环境的信息。

多传感器融合与经典的信号处理方法也存在本质的区别，多传感器融合系统所处理的多传感器数据具有更复杂的形式，而且可以在不同的信息层次上出现，包括数据层、特征层和决策层[3]。

融合过程：数据融合过程主要包括多传感器(信号获取)、数据预处理、数据融合中心(特征提取、数据融合计算)和结果输出等环节，其过程如图1所示：图1 多传感器数据融合过程由于被测对象多半为具有不同特征的非电量，如温度、湿度和光照度等，首先要将它们转换成电信号，然后经过A/D变换将它们转换为能由计算机处理的数字量。

数字化后的电信号由于环境等随机因素的影响，不可避免地存在一些干扰和噪音信号，通过预处理以滤除数据采集过程中的干扰和噪音得到有用信号，经过预处理后的有用信号经过特征提取，提取被测对象的某一特征量进行多传感器融合，输出融合结果。

（二）融合算法数据融合作为一种数据综合处理技术，实际上是许多传统学科和新技术的集成和应用。

传统的多传感器融合方法主要有简单滤波法、加权平均法、产生式规则法、贝叶斯估计法、D-S 证据推理法等，近年来还提出许多新的融合方法，包括专家系统、神经网络、模糊理论等。

本文提出一种基于证据理论和专家系统的融合方法，用于温室环境的智能控制。

D-S证据推理方法是贝叶斯方法的一种扩展.它不需要验前概率.它可以处理冗余和互补的数据。

D-S证据理论中最基本的概念是识别框架，记为Θ。

Θ表示论域中所有可能命题的集合，即传感器监测的所有目标的总集;各命题都用Θ的子集表示，Θ的幂集(2Θ)构成了命题集合Ω(Θ)。

通过传感器获得的信息特征度量作为证据，并且通过基本概率分配m对所有命题赋予一个可信度，基本概率分配m是满足两个条件：对于两个证据的基本概率分配m1、m2融合为新的基本概率分配，可利用D-S合成规则来完成：基本概率分配m(A)表示对集合A的精确信任程度;似然测度Pl(A)反映可能性，它是置信区间上限函数;信任测度Bel(A)反映必然性，它是置信区间下限函数。

D-S证据理论用信任测度与似然测度刻画不确定性，由确定性和可能性区分不确定与不知道。

在建立命题和集合间一一对应的基础上，将命题的不确定性问题转化成集合的不确定性问题进行处理，置信区间就描述了命题的不确定性[4]-[5]。

专家系统是人工智能的一个分支，主要目的是要使计算机在各个领域中起人类专家的作用。

它是一种智能程序子系统，内部具有大量专家水平的领域知识和经验，能利用人类专家可用的知识和解决问题的方法来解决该领域的问题。

它是一种计算机程序，可以用专家的水平（有时超过专家）完成一般的、模仿人类的解题策略，并与这个问题所特有的大量实际知识和经验知识结合起来。

专家系统一般由知识库、数据库、推理机、解释部分、知识获取部分等五部分组成，其核心是知识库和推理机。

专家系统的工作方式可简单地归结为：运用知识，进行推理。

其基本框架如图2所示[6]-[10]。

图2 专家系统基本框架三、基于多传感器融合的温室环境智能控制环境控制技术是温室技术的核心。

现代大型温室中，所有环境因子如室内温、光、气、湿、热、营养液养分状况与温度、植物根部环境温湿度等因子的监测、传感、调节，都由计算机进行综合管理，实行自动控制。

温室环境控制的目的是依据不同作物本身的生理特性，部分或全部克服外界气候环境和客观条件的制约，以营造出不同作物最佳的生长环境。

目前，温室环境控制大多采用工控系统。

一方面成本较高，不能满足设施农业中低成本的要求；另一方面，在其研制开发中主要侧重于计算机技术本身，没有农业专家的参与，缺乏包含各种作物自身生理信息的专家系统，使其在管理应用上存在着一定的局限性。

本文采用证据理论和专家系统相结合的方法对温室的温度、湿度和光照度三个主要环境参数进行融合处理。

根据温室环境可能出现的情况，由专家知识定义出合理的识别框架，并对经过局部融合的数据进行基本概率分配的赋值，从而满足了D-S理论的初始条件。

经D-S理论证据组合规则融合后，将全局融合结果送入专家系统的知识库，结合领域专家的经验，作为专家系统推理的依据，对温室环境的现状做出精确的判断，并采用适当的措施对环境参数进行调节，从而得到作物生长所需的环境条件。

系统融合结构如图3所示：图3 系统融合结构框图四、仿真结果本文针对温室番茄栽培的具体环境条件，对融合算法进行了仿真实验。

番茄属于阳性植物，它必须在完全光照下生长，具有较高的光补偿点和饱和点，对光照强度要求高，光照不足会严重影响其产量和品质。

本文采集了温室番茄栽培11月份的一组环境数据，考虑到冬季温室番茄对环境因子的特殊要求以及冬季温室环境自身的特点（如冬季温室温度一般偏低，温室内湿度一般偏高，光照度一般不足等），结合领域专家的经验知识，可构造如下识别框架：T1={适宜，即温度：20-30℃，湿度：60%-85%，光照度：400-600W/m2}T2={温度偏低}T3={温度偏低，湿度偏高}T4={温度偏低，光照度不足}T5={温度偏低，湿度偏高，光照度不足}取下午16:20:00的一组温室参数（温度：20.5℃，湿度：83.5%，光照度：140 W/m2）进行证据理论的融合实验。

融合结果如表1，表2所示。

由表4-9和表4-10可以看出，明显减小，这说明数据融合降低了系统的不确定性，同时使融合后的基本可信度函数比融合前具有更好地可区分性。

表1显示温度和湿度融合后，A类的基本可信度函数值最大，而且比融合前温度和湿度各自的基本可信度函数值大，差距更明显。

表2显示温度和光照度融合后，D类的基本可信度函数值最大。

综合考虑两表的融合结果，我们可以判定温室目前环境应是光照度不足，需进行温室补光。

专家系统决策过程所调用规则如下：补光： IF 光照度〈400 W/m2 ，THEN 自动打开光源实验结果表明，该方法显著提高了温室环境监控的精确性，从而可以更好的控制温室作物的生长。

表1 温度与湿度融合表2温度与光照度融合参考文献[1]D. L. Hall， J. Llinas，“An Introduction to Multisensor Data Fusion”， Proceedings of the IEEE， Vol. 85， No. 1， January 1997， pp.6-23[2] P. K. Varshney，“Multisensor data fusion”，Electronics & Communication Engineering Journal， December 1997， pp.245-253[3]腾召胜，罗隆福，童调生，智能检测系统与数据融合，北京，机械工业出版社，2000，8，201-240[4] Wu YongGe， Yang JingYu， Liu Ke etc.， On The Evidence Inference Theory，Information Sciences， 1996， 89，.245-260.[5]段新生，证据理论与决策、人工智能，北京，中国人民大学出版社，1993.3，13-34[6]Yang Panhong， Wu Jianning， The Research and Architecture of Agriculture Expert Decision System，ICEMI’2003，2，1800～1803[7]Wick，Michael R，Expert system explanation in retrospect; a case stydy in the evolution of expert system explanation，Journal of Systems and Software，Oct，1992，19(2)，159-169，164-1212[8]Araki，Kenji; Ohashi， Katsuhiro;Yamamoto， Ryuichi; Minagawa， Kazushi; Sakamoto， Norihiro; Yoshihara， Hiroyuki; Medical Markup Language (MML) for xml-based Hospital Information Interchange; Journal of Medical Systems， 24（3），195-211[9]Joseph Giarratano， Gary Riley， Expert Systems Principles and Programming， Third Edition， American: Thomson Learning Publishing Company，2002[10]Liebowitz，Jay，Strategies for successful expert system inception， management， and insitutionalization，ISA Transactions ，1992，31(2)，9-17，0019-0578“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文”。