[发明专利]基于多传感器融合的分布式周界安防环境感知系统

权利要求书

1.基于多传感器融合的分布式周界安防环境感知系统，其特征在于：该系统的具体实现步骤包括

步骤一：建立多传感器感知单元；

步骤二：通过将微控制器连接传感器，分别对各个传感器进行数据采集；

步骤三：总结实验结果，提出改进方法；

步骤四：将步骤二中得到的一部分采集数据建立样本标签，制作数据集；

步骤五：构造多传感器融合算法，模型采用1维卷积进行特征提取，多层感知器进行分类预测；将步骤四中带标签数据放入模型进行样本训练；

步骤六：将步骤五中得到的模型转译，配合着步骤二中得到的另一部分采集数据，完成加载权重数据并进行分类预测；并通过不断的迭代训练，最终得到理想的模型及权重数据，降低系统的误报漏报率。

2.根据权利要求1所述的基于多传感器融合的分布式周界安防环境感知系统，其特征在于：步骤一具体为

所述的传感器包括对称设置的2个无线传感器、1个微波雷达传感器、1个6轴运动传感器和1个ARM内核微控制器；

2个无线传感器分别为第一无线传感器和第二无线传感器；

无线传感器、微波雷达传感器和6轴运动传感器用于采集周界附近的环境信息，ARM内核微控制器用于对采集的数据进行分析计算，判断出周界附近的物体类型以及是否有异常行为；

所述的雷达传感器进行5-8米的远距离探测，所述的无线传感器进行近距离探测，用于填补微波雷达传感器的死角；所述的6轴运动传感器进行接触探测。

3.根据权利要求2所述的基于多传感器融合的分布式周界安防环境感知系统，其特征在于：步骤二中微控制器与传感器的连接方式为

ARM内核微控制器的型号为STM32F407；第一无线传感器与ARM内核微控制器的USART1相连，第一无线传感器的5脚、6脚对应的ARM内核微控制器引脚号为PA10、PA9；第二无线传感器与ARM内核微控制器的USART3相连，第二无线传感器的5脚、6脚对应的ARM内核微控制器引脚号为PB10、PB11；

微波雷达传感器输出2脚与ARM内核微控制器的输入捕获I/O口相连，对应ARM内核微控制器的引脚号为PA0；

6轴运动传感器与ARM内核微控制器通过IIC接口连接，用于进行寄存器的配置、数据的读取；6轴运动传感器的23、24脚对应的ARM内核微控制器引脚为PB9、PB8；6轴运动传感器的12脚为控制引脚，与ARM内核微控制器的PC0引脚相连。

4.根据权利要求3所述的基于多传感器融合的分布式周界安防环境感知系统，其特征在于：步骤三具体为

针对无线传感器的通信传输原理，将原有的单一无线传感器增加到两个，组成多输入多输出的收发通信系统；

将无线传感器与电路板呈45°安装；

在一条顺序排列的总线上，由原来的顺序收发，改为交叉收发形式，用于使形成的感知场覆盖范围更全面。

5.根据权利要求4所述的基于多传感器融合的分布式周界安防环境感知系统，其特征在于：步骤四具体为

将实验得出各传感器和人为入侵的频率范围，进行不同速度、方向和大小的实验，优化采样频率以配合系统整体的分析效果；

样本制作：由于样本数据来自传感器，在自然环境下，模拟入为入侵过程，通过人的走近、走远、慢走、快走、垂直走入、斜向走入连续采集数据，并给每条数据加入时间标签，设备ID号；考虑到工程因素，样本的制作较为繁琐，假设单隐藏层的多层感知器有I个输入节点，H个隐藏节点和O个输出节点，网络的权重系数总数为：

SUM＝(I+1)*H+(H+1)*O (1)。

6.根据权利要求5所述的基于多传感器融合的分布式周界安防环境感知系统，其特征在于：步骤五具体为

在所述的ARM内核微控制器引入神经网络，建立适用于时间序列数据的特征提取和分类网络模型，运用大数据训练的方式得出权重文件，再将模型转译成微控制器能运行的C程序，最后移植到微控制内部，对新的传感器数据进行推理运算，得出分类预测结果。

7.根据权利要求6所述的基于多传感器融合的分布式周界安防环境感知系统，其特征在于：所述的神经网络建立过程包括

1)构建特征提取网络：

①、输入数据为3轴数据，每轴为1s的数据，采样频率设置为20Hz，数据量为60；

②、卷积层1，设卷积核长度为10，通道为3，步长为1，卷积后数据由20×3变为11×1；14个卷积核，输出11×14；

③、卷积层2，设卷积核长度为10，通道为14，步长为1，卷积后数据由11×14变为2×1；14个卷积核，输出2×14；

④、全局平均池化，每个通道取平均值，14个通道，输出14个数值；

⑤、Dropout层：为防止过拟合，随机丢弃50％的数据，最后剩余7个值，作为多层感知机的输入；

2)构建分类网络：

隐藏层和隐藏神经元设计：多层感知器只建立一层隐藏层，隐藏层的神经元个数为11个；输出层为2分类，故有2个神经元；

3)激活函数：采用改进的ReLU函数RReLU，随机纠正线性单元，负值的斜率在训练中是随机的，在之后的测试中变为固定；在训练环节中，a_ji是从一个均匀的分布U(l，u)中随机抽取数值；其公式如下：