[发明专利]一种用于植物生长监测的WSN数据分层融合方法

摘要

本发明公开了一种适用于植物生长监测的WSN数据分层融合方法。将无线传感器网络划分成多个固定层级，减少数据传输量并逐层降低误差。首先运用格拉布斯准则剔除单个节点数据中的粗大误差，通过分批估计得到单位时间内该节点数据融合值，然后进行子层级别上的数据自适应加权融合，最后进行基站层级上的数据加权自适应融合。仿真实验结果表明，本方法融合结果比算术平均法和单一自适应加权算法更接近真实值。该方法能够减少数据传输量，且具有很好的可拓展性。

主权项

一种用于植物生长监测的WSN数据分层融合方法，其特征在于：包括以下步骤：1)单个传感器节点单位时间内采集数据，包括植物生长所需要监测的温度、土壤湿度、光照强度、CO₂浓度参数；2)运用格拉布斯准则剔除单个传感器节点在单位时间内采集数据的粗大误差；将剩余数据重复以上过程；3)将单个传感器节点数据去除粗大误差后进行分批估计：设第j组数据可分别表示为计算量与精准性的平衡；第j组平均值为：$\stackrel{\‾}{X_j}=\frac{1}{n_j}\underset{i=1}{\overset{n_j}{\Σ}}{x}_{ji},$对应的方差为：${\mathrm{\σ}}_j^2=\frac{1}{n_j-1}\underset{i=1}{\overset{n_j}{\Σ}}{(x_{ji}-\stackrel{\‾}{X_j})}^2,$单一节点数据同属于一批测量数据，可认为近似服从正态分布，由分批估计理论可得到第i个节点的最优融合方差为：${\mathrm{\σ}}_i^2={\left(\underset{j=1}{\overset{n}{\Σ}}\frac{1}{{\mathrm{\σ}}_j^2}\right)}^{-1},i=1,2...m,$由各组方差和平均值能够计算得知第i个节点融合值为：$X_i={\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{{\mathrm{\σ}}_j^2}\right)}^{-1}\underset{j=1}{\overset{n}{\Σ}}\frac{1}{{\mathrm{\σ}}_j^2}\stackrel{\‾}{X_j},i=1,2...m;$4)子层节点将单个传感器节点数据估计值进行加权自适应融合，然后转发给基站；设每个子层有m个节点，单个节点数据融合值记为X_i、方差为对每个子层内节点数据进行层内自适应加权融合；根据权值最优分配原则计算各节点估计值在组内的最优权值W_i，然后对X_i自适应加权融合处理，计算得到子层节点数据融合最优值和对应的方差；5)基站接收各个子层节点数据的融合值和方差，再次融合数据，设每个基站下设p个子层，基站级数据融合过程与子层融合过程基本相同；由上个步骤得到的子层数据方差σ_q，可计算获知各个子层的自适应加权因子W_q，结合子层数据融合值Y_q，最终可求得该时段内测量数据最优值Z。