物聯(lián)網數據采集誤差優(yōu)化算法

院系：計算機學院專業(yè)：軟件工程班級：2009級B班姓名：王琴學號：20092111227指導老師：郭占龍論文題目：基于物聯(lián)網數據采集誤差優(yōu)化算法本論文主要介紹的一共分四章節(jié)：1.緒論1.1研究背景與意義1.2EPC物聯(lián)網1.3物聯(lián)網數據處理的現狀2.數據融合2.1物聯(lián)網數據融合的意義和作用2.2數據融合研究的主要內容2.3數據融合的體系結構2.4多傳感器信息融合的三種層次2.5基于多傳感器數據融合3.數據融合算法理論研究3.1傳感網數據傳輸及融合技術3.2融合算法分類4.基于加權融合和檢測概率的算法研究4.1基于加權融合算法提出的一種改進的加權融合算法4.2歸一化加權平均算法4.3多傳感器數據自適應加權融合估計算法4.4基于檢測概率的物聯(lián)網信息融合算法1.1研究背景與意義

物聯(lián)網的定義：

物聯(lián)網（InternetofThings）是利用無線射頻識別(RFID)裝置、各種傳感器、全球定位系統(tǒng)（GPS）等能夠存儲物體信息的標識，以及現代網絡及無線通信、分布式數據處理等諸多技術，能夠協(xié)作地實時監(jiān)測、感知、采集網絡分布區(qū)域內的各種環(huán)境或監(jiān)測對象的信息，并通過無線網絡的方式將其即時信息發(fā)送到后臺信息處理系統(tǒng)，而各大信息系統(tǒng)可以互聯(lián)形成一個龐大的網絡。從而可以達到對物品進行實施跟蹤、監(jiān)控等智能化管理的目的，實現包括物與物、人與物之間的互相連接和信息溝通。物聯(lián)網的特征：

目前國際上對物聯(lián)網的研究逐漸明朗起來，最典型的解決方案有歐美的EPC系統(tǒng)和日本的UID系統(tǒng)，這里著重介紹EPC物聯(lián)網。最具有代表性的物聯(lián)網就是EPC物聯(lián)網，EPC系統(tǒng)是一個先進的、綜合性的和復雜的系統(tǒng)，EPC物聯(lián)網系統(tǒng)由EPC編碼體系、RFID系統(tǒng)和信息網絡系統(tǒng)三個部分組成。1.2EPC物聯(lián)網EPC物聯(lián)網系統(tǒng)工作結構圖:EPC標簽讀寫器EPC中間件因特網ONSEPCISEPC編碼PMLEPCIP地址1.3物聯(lián)網數據處理的現狀

計算機科學發(fā)展的最終方向是數據的科學，因此物聯(lián)網處理的重點也是數據處理。目前，關于物聯(lián)網數據處理的研究基本上是基于以下兩個方面：(1)基于無線傳感器網絡數據處理(2)

基于云計算的物聯(lián)網數據處理2.數據融合1.數據融合的意義

在物聯(lián)網的前段組成中，傳感網為了獲得精確的數據，往往需要在監(jiān)測區(qū)內部署大量的傳感器節(jié)點，使傳感器節(jié)點的監(jiān)測范圍相互交疊，增強整個網絡所采集信息的魯棒性和準確性。在這種高覆蓋密度的區(qū)域中，距離相近的節(jié)點所傳輸的數據具有一定的冗余度。所有節(jié)點都將監(jiān)測到的數據發(fā)送到匯聚節(jié)點，會造成有限網絡帶寬資源的極大浪費。大量數據同時傳輸也會造成頻繁的沖突，降低通信效率。因此在大規(guī)模傳感網中，各個節(jié)點多跳轉傳輸感知數據到匯聚節(jié)點前，即所有感知節(jié)點的數據包傳送到某個節(jié)點線，需要對數據進行融合處理。

節(jié)點匯聚方式：2.2數據融合研究的主要內容1）數據對準2）數據相關3）數據識別，即估計目標的類別和類型4）感知數據的不確定性5）不完整、不一致和虛假數據6）數據庫7)性能評估2.3數據融合的體系結構數據融合應用領域的不同，則融合系統(tǒng)結構也會有所不同。

一級處理：包括數據和圖像的配準、關聯(lián)、跟蹤和識別。二級處理：包括勢態(tài)提取、勢態(tài)分析和勢態(tài)預測，統(tǒng)稱為勢態(tài)評估。三級處理：鑒于數據融合起源于軍事應用領域，威脅評估是針對敵方兵力對我方殺傷能力及威脅程度進行的評估，具體包括綜合環(huán)境的判斷、威脅等級的判斷等等多種形式的評估。四級處理：也成為優(yōu)化融合的處理過程，它包括優(yōu)化資源、優(yōu)化傳感器管理和優(yōu)化武器控制等，通過反饋自適應，從而提高系統(tǒng)的融合效果。

以上幾個級別并沒有時序關系，可以并行處理。多傳感器信息融合的三種層次結構（1）數據層融合圖傳感器1傳感器2傳感器3融合識別特征提取一致性解釋和描述物體

首先將全部傳感器的觀測數據融合，然后從融合的數據中提取特征向量，并進行判斷識別。這便要求傳感器是同質的(傳感器觀測的是同一物理現象)，如果多個傳感器是異質的(觀測的不是同一個物理量)，那么數據只能在特征層或決策層進行融合。數據層融合不存在數據丟失的問題，得到的結果也是最準確的，但是數據量、計算量大，對系統(tǒng)通信帶寬的要求很高。

（2）特征級融合物體傳感器1傳感器2傳感器3識別特征級融合一致性解釋和描述特征提取特征提取特征提取

特征層融合是指每種傳感器提供從觀測數據中提取的有代表性的特征，這些特征融合成單一的特征向量，然后運用模式識別的方法進行處理。這種方法對通信帶寬的要求較低，但由于數據的丟失導致其準確性也有所下降，其數據量、計算量都處于中等。(3)決策級融合

決策層融合是指在每個傳感器對目標做出識別后，將多個傳感器的識別結果進行融合，由于對傳感器的數據進行了濃縮，這種方法產生的結果相對而言最不準確，但它對通信帶寬的要求最低。該層的計算量最小，而且容錯性好，但系統(tǒng)的性能相對要低于其它層次的融合。傳感器1傳感器1傳感器1特征提取特征提取特征提取識別識別識別決策級融合一致性解釋與描述物體3數據融合算法理論研究數據融合技術運用了很多的融合算法以及高速、大吞吐量數據處理等支撐技術。數據融合算法是融合處理的基本內容，它是將多維輸入數據在不同融合層次上運用不同的數學方法,對數據進行聚類處理的方法。1.基于多傳感器的融合算法分類：加權融合算法；（重點介紹）參數估計理論；基于神經網絡融合方法；模糊理論:2.傳感網數據融合路由算法4.基于加權融合和檢測概率的算法研究由于各種算法的情況復雜多變，針對不同的網絡拓撲結構，不同的應用環(huán)境，將采取不同的優(yōu)化算法。在數據融合中，加權融合算法是較為成熟的一種融合算法，因此本文主要介紹和討論的是關于加權融合的一些基礎性的算法和部分基礎的檢測概率算法。主要包括以下幾種算法：1

基于加權融合算法提出的一種改進的加權融合算法；2歸一化加權平均算法；3多傳感器數據自適應加權融合估計算法；4基于檢測概率的物聯(lián)網信息融合算法；4.1基于加權融合算法提出的一種改進的

加權融合算法4.1.1多傳感器數據加權融合加權數據融合是多個傳感器對某一個環(huán)境中的同一特征參數的數據進行量測，兼顧每個傳感器的局部估計，按某一原則給每個傳感器制定權重，最后通過加權綜合所有的局部估計得到一個全局的最佳估計值。4.1.2加權平均融合算法文章首先介紹了一般情況下的加權融合算法；4.1.3改進的加權融合算法

再提出改進的加權融合算法采用二次加權的方法，并引入了最優(yōu)比例權重的概念，先對單個傳感器進行加權，再對整體進行加權，目的是使算法性能達到最優(yōu)，同時并提出單傳感器加權思想。4.2歸一化加權平均算法

如果某一系統(tǒng)使用有限的測量次數時，我們常規(guī)的測量平均值法對數據的處理只是將數據進行平均，對誤差的處理也只是將誤差平均化，因此得到的測量數據精度不高。歸一化的加權平均值算法是利用計算數據的加權值進行數據處理，與經典的數據融合方法相比，該算法具有計算量低、精度高的特點。由于該方法具有計算量小、電腦編程簡單等優(yōu)點、非常適合于緩慢變化的變量檢測，比如溫室中的溫度采集系統(tǒng)。4.3多傳感器數據自適應加權融合估計算法

傳感器數據自適應加權融合估計算法不要求知道傳感器測量數據的任何先驗知識,只是靠傳感器所提供的測量數據,就可融合出均方誤差最小的數據融合值。估計后的均方誤差不僅小于依靠單個傳感器估計的均方誤差,而且還小于采用多傳感器均值平均做估計的均方誤差。設有n個傳感器對某一對象進行測量,對于不同的傳感器都有各自不同的加權因子,我們的思想是在總均方誤差最小這一最優(yōu)條件下,根據各個傳感器所得到的測量值以自適應的方式尋找各個傳感器所對應的最優(yōu)加權因子,是融合后的值達到最小。第一步：計算最優(yōu)加權因子及所對應的均方誤差；第二步：驗證自適應加權融合估計算法的線性無偏最小方差性。4.4基于檢測概率的物聯(lián)網信息融合算法

在其他的一些信息融合算法中，我們只考慮了單個傳感器的方差和傳感網的均方差，卻沒有考慮物聯(lián)網是由大量的無線傳感器組成，它們的位置不確定的，對目標點的檢測權值也會因位置的變化而發(fā)生一些變化。若在監(jiān)測區(qū)域中存在障礙物，假設我們現在事先己經知道障礙物的具體位置和其形狀，基于視線可視的原則的上把可視信息建立到障礙物模型中去。有些類型的傳感器無法穿越障礙物，所以，我們應該考慮監(jiān)測區(qū)域中有障礙物的情況時的檢測概率。為了增強有障礙物情況下的監(jiān)測效率，使檢測數據更加精確，于是提出了此算法?？偨Y

物聯(lián)網的發(fā)展將會給我們的社會帶來翻天覆地的變化，在學習物聯(lián)網數據采集誤差優(yōu)化和數據融合知識的過程中，讓我對物聯(lián)網數據的處理的重要性有了很深刻的認識。本文通過對物聯(lián)網數據處理的現狀入手，對比當今數據處理的必要性，結合數據處理的多種融合算法，最終歸納總結出四種基于多傳感器上的加權融合算法，并對四種算法的不同的針對性應用環(huán)境，進行了介紹?？偟膩碚f，雖然四種算法同是基于加權融合算法基礎上，但彼此之間又有不同的應