推荐星级:
- 1
- 2
- 3
- 4
- 5
基于改进型支持度函数的畜禽养殖物联网数据融合方法
资料介绍
物联网技术已广泛应用在畜禽养殖中,针对畜禽养殖物联网中数据异常实时检测以及多源感知数据融合的需求,该文提出了一种畜禽养殖物联网数据融合模型.首先对传感器采集到的原始数据进行一致性检测,确保数据准确性;其次针对来自同类型传感器的多源同构数据,采用基于改进型支持度函数的加权算法进行数据融合处理,提高融合数据准确度;最后根据畜禽养殖物联网编码规则和数据组织格式,对畜禽养殖过程中的异构感知数据进行统一描述并转换为标准数据格式,为数据分析和应用提供数据基础.该文采用实际生产中的生猪养殖物联网数据进行试验,结果表明:在数据一致性检测阶段,异常数据检测率为96.67%,保证了数据质量;在多源同构数据融合计算中,该文提出的改进型支持度函数与高斯型、新型2种支持度函数相比融合方差最小,为0.1925,能够有效提高数据融合准确度,满足畜禽养殖物联网数据分析要求.
部分文件列表
文件名 | 大小 |
基于改进型支持度函数的畜禽养殖物联网数据融合方法.pdf | 1M |
部分页面预览
(完整内容请下载后查看)第33 卷 增刊1
2017 年 2 月
农 业 工 程 学 报
Vol.33 Supp.1
Feb. 2017
Transactions of the Chinese Society of Agricultural Engineering
239
基于改进型支持度函数的畜禽养殖物联网数据融合方法
段青玲1,2,肖晓琰1,刘怡然1,张 璐1,王 康1
(1. 中国农业大学信息与电气工程学院,北京 100083;2. 北京市农业物联网工程技术研究中心,北京 100097)
摘 要:物联网技术已广泛应用在畜禽养殖中,针对畜禽养殖物联网中数据异常实时检测以及多源感知数据融合的需求,
该文提出了一种畜禽养殖物联网数据融合模型。首先对传感器采集到的原始数据进行一致性检测,确保数据准确性;其
次针对来自同类型传感器的多源同构数据,采用基于改进型支持度函数的加权算法进行数据融合处理,提高融合数据准
确度;最后根据畜禽养殖物联网编码规则和数据组织格式,对畜禽养殖过程中的异构感知数据进行统一描述并转换为标
准数据格式,为数据分析和应用提供数据基础。该文采用实际生产中的生猪养殖物联网数据进行试验,结果表明:在数
据一致性检测阶段,异常数据检测率为96.67%,保证了数据质量;在多源同构数据融合计算中,该文提出的改进型支持
度函数与高斯型、新型2 种支持度函数相比融合方差最小,为0.192 5,能够有效提高数据融合准确度,满足畜禽养殖物
联网数据分析要求。
关键词:数据融合;传感器;测量;数据格式;改进型支持度函数;物联网;畜禽养殖
doi:10.11975/j.issn.1002-6819.2017.z1.036
中图分类号:TP274
段青玲,肖晓琰,刘怡然,张 璐,王 康. 基于改进型支持度函数的畜禽养殖物联网数据融合方法[J]. 农业工程学报,
2017,33(增刊1):239-245. doi:10.11975/j.issn.1002-
文献标志码:A
文章编号:1002-6819(2017)-Supp.1-0239-07
Duan Qingling, Xiao Xiaoyan, Liu Yiran, Zhang Lu, Wang Kang. Data fusion method of livestock and poultry breeding internet
of things based on improved support function[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of
the CSAE), 2017, 33(Supp.1): 239-245. (in Chinese with English abstract)
doi:10.11975/j.issn.1002-6819.2017.z1.036
可最大程度保持原始数据信息的完整性,本文主要针对
物联网数据层融合技术进行研究。
0 引 言
物联网技术已广泛应用到中国畜禽养殖生产中[1-2]。
物联网数据层融合技术主要包括 3 个内容:数据一
致性检测、多源同构数据融合和多源异构数据整合。数
据一致性检测[17]是指对畜禽养殖物联网中由于网络故障
等因素造成的异常数据进行检测并剔除,何欢[18]采用递
归神经网络检测概念漂移方法进行异常数据检测;Hill
等[19]利用BP 神经网络模型计算预测均值及置信区间,通
过与发电厂中风速实际测量值比较进行异常分类。多源
同构数据融合是对同类型传感器采集的数据进行融合,
主要采用数理统计和机器学习等方法[20-23],蔡振江等[24]
采用基于均值的分批估计算法,在没有其他概率统计知
识前提下实现较高精度的融合估计;Yager[25]通过支持度
函数计算最优权重根据幂均方算子进行数据融合,该方
法适合于实时数据融合,但其提出的支持度函数运算较
复杂,不适用于无线传感器网络系统;熊迎军等[7]对支持
度函数算法进行了改进,提出了新型支持度函数对温室
物联网进行实时数据融合,降低运算复杂度,但对畜禽
养殖实际生产来说数据融合准确度有待提高。多源异构
数据整合是根据中间件数据转换标准对不同类型传感器
采集的结构不一致的数据进行融合,目前的研究主要集
中在采用空间数据库及时空数据库的有关方法对异构传
感器采样数据进行统一表示,解决传感器数据的异构性
和时空相关性的问题[26-27]。Gonzalez 等[28]提出了一个存
储RFID(radio frequency identification)海量数据的模型
RFID-Cuboids;Fan 等[ 2 9 ] 设计了一种基于 Web
物联网中的感知设备持续不断地采集畜禽养殖圈舍中温
度、湿度、有害气体等环境数据以及动物体温、体重等
个体生长数据[3-4],这些数据具有实时、多源、异构的特
点[5]。在畜禽养殖实际生产中由于传感器性能不稳定、传
输网络噪声等因素经常会导致异常数据的产生,需要对
原始数据进行实时一致性检测[6];养殖舍内各环境值分布
不均匀,为了能够综合评价畜禽养殖环境,对设备自动
控制提供准确依据,需要多个同类型传感器测量并进行
融合处理[7];为了保障在畜禽养殖过程中物联网感知数据
能够共享,需要对大量不同类型感知数据进行整合。因此,
畜禽物联网感知数据融合技术已成为当前研究重点之一。
“数据融合”一词出现在 20 世纪 70 年代初期,是
指对多源数据进行综合处理获取确定性信息的过程[8],主
要应用在军事领域、机器人系统、生物医学和工业控制
等领域[9-13],目前在物联网领域也有所应用。根据数据融
合的层次,数据融合可分为数据层融合[14]、特征层融合[15]
和决策层[16]融合。其中数据层融合是数据融合的基础,
收稿日期:2016-11-14
修订日期:2017-01-23
基金项目:国家高技术研究发展计划(863 计划)资助项目(2013AA102306);
山东省自主创新资助项目(2014XGA13054)
作者简介:段青玲,女,河南卫辉人,教授,博士生导师,主要从事智能信
息处理研究。北京 中国农业大学信息与电气工程学院,100083。
Email:
万方数据
农业工程学报()
2017 年
240
Service 的物联网数据管理框架;丁志明等[30]提出一种管
理物联网海量感知数据的数据库集群系统框架,建立分
布式的全局关键字索引和全局时空索引,支持高效率的
关键字查询和时空查询,为物联网海量异构感知数据的
存储与查询处理提供了一种可行的解决方案。
式中M (Dt ) 表示通过回归预测方法计算得到的某时刻测
量估计值,R 表示经验风险,用损失函数[19]来计算,即平
方训练误差。
对t 时刻传感器i 测量值进行估计后,需要利用模型
偏差,确定概率为p 的预测区间PI(prediction interval)
目前,融合算法已有一些研究应用,但是还不能满
足畜禽养殖物联网中感知数据一致性实时检测和数据融
合准确度的需求。基于此,本文提出一种畜禽养殖物联
网数据融合模型,首先对传感器采集到的原始数据进行
一致性检测,然后对同类型传感器数据即多源同构数据,
进行加权融合处理,最后制定了畜禽养殖物联网感知设
备标识编码规则,对畜禽养殖物联网的异构感知数据进
行统一描述,并转换为标准数据格式,为后续的数据分
析和服务提供数据支撑。
PI = x t /2,k-1 s 11/ k
(2)
式中x 表示预测值,t /2,k-1 表示置信水平为 p(p=1-/2)
自由度为(k-1)的t 分布函数,α 为分位点,根据概率 p 计
算得到,s 为k 个样本的标准偏差。
当t 时刻的传感器i 实际测量值落入预测区间内,则
判定该数据为正常;否则判断该数据异常,并做替换处
理,即用预测值代替被标记异常的实际测量值。
1.2 基于改进型支持度函数的多源同构数据融合
在畜禽养殖实际生产中,养殖舍内各环境监测值分
布并不均匀,以种猪场温度监测为例,每个圈舍包括多
个分栏,猪舍面积较大,一般在200~300 m2 之间,舍内
各点存在一定温差。风机、水帘等设备通常根据某一阀
值进行集中控制,因此需要在舍内部署多个同类型传感
器(例如:温度传感器组)监测环境并进行融合计算得
到一个均衡值,为设备的自动控制提供准确依据。针对
同类型传感器数据结构相同的特点,本文采用基于改进
型支持度函数的加权算法进行同构数据融合,其中改进
型支持度函数可以减小同类传感器数据融合方差,提高
融合准确度,使感知数据融合效果达到最优。
1 畜禽养殖物联网数据融合方法
畜禽养殖物联网数据融合处理流程如图 1 所示。主
要包括以下步骤:
1)采用基于滑动窗口的回归预测方法对物联网传感
器采集到的原始数据进行一致性检测,剔除异常数据;
2)利用基于支持度函数的加权融合算法对同类型传
感器数据进行融合处理,为了提高数据融合准确度,本
文提出了改进型支持度函数;
3)根据制定的畜禽养殖物联网感知设备编码规则和
数据转换等标准,对多源异构感知数据进行统一描述,
提供标准数据组织格式,供数据分析使用。
多源同构加权融合方法如图 2 所示,首先对同类型
传感器组t 时刻采集到的数据进行数据一致性检测,得到
一组该时刻平滑处理后的数据 X (t), X (t),, X (t) ,
然后采用改进型支持度函数计算该组传感器数据对应的
1
2
N
权重 w (t), w (t), w (t) ,通过加权算法求得融合后的
1
2
N
数值。
图1 畜禽养殖物联网数据融合流程
Fig.1 Livestock and poultry breeding internet
of things data fusion process
注:{X1(t), X2(t),…,XN(t)}为t 时刻N 个传感器的测量值;{w1, w2,…,wN}为t
时刻N 个传感器的测量值对应的权重;X(t)为t 时刻N 个传感器的测量值融
合后的值。
1.1 感知数据一致性检测
Note: {X1(t), X2(t),…,XN(t)} are N sensor measurements for moment t; {w1,
w2,…,wN} are weight of N sensor measurements for moment t; X(t) is fused
value of N sensor measurements for moment t.
畜禽养殖物联网中,由于传感器性能不稳定、传输
网络噪声等因素经常会导致异常数据的产生,为保证数
据质量,本文采用基于滑动窗口的回归预测方法对原始
数据进行一致性检测。
图2 基于改进型支持度函数的多源同构数据融合方法
Fig.2 Multi-source isomorphism data fusion method based on
improved support function
首先选取传感器 i 最近的 q 个历史数据作为滑动窗
口,通过回归预测方法估计数据流中某一时刻传感器测
量值,然后计算预测区间,最后根据实际测量值是否落
入该区间判断其异常情况并进行替换处理。设t 时刻传感
器i 采集数据为Xi(t)
1.2.1 支持度函数分析
在同构感知数据加权融合算法中通过支持度函数计
算某时刻同类型传感器测量值对应的最优权重,其中支
持度函数[25] sup(m,n) 表示某2 个数值n 和m 之间相互的
Xi (t) = M (Dt ) R
(1)
支持程度,即接近程度,需要满足以下 3 个必要条件:
万方数据
全部评论(0)