农业系统传感器组专用复合滤波型校正方法.pdf

上传人:大师****2 文档编号:4080850 上传时间:2018-08-14 格式:PDF 页数:12 大小:1.06MB
返回 下载 相关 举报
摘要
申请专利号:

CN201410614338.6

申请日:

2014.11.04

公开号:

CN104467738A

公开日:

2015.03.25

当前法律状态:

授权

有效性:

有权

法律详情:

授权|||实质审查的生效IPC(主分类):H03H17/02申请日:20141104|||公开

IPC分类号:

H03H17/02

主分类号:

H03H17/02

申请人:

国睿集团有限公司

发明人:

赵爽; 温建武; 雷万保

地址:

210019江苏省南京市建邺区江东中路359号

优先权:

专利代理机构:

南京苏科专利代理有限责任公司32102

代理人:

周海斌; 何朝旭

PDF下载: PDF下载
内容摘要

本发明涉及农业系统传感器组专用复合滤波型校正方法,包括:设传感器组及测量值参数向量;构建传感器下行关联度函数F,并运算得出可关联矩阵P;设虚拟传感器消除病态节点;对参数向量进行迭代处理,并作归一化处理;从所得目标向量获取各传感器权重系数,并对权重系数最大的若干个传感器进行测量数据融合处理,获得传感器组的最终测量值和测量方差。本发明方法能获得可靠的测量数据,且具有较高的精确度。

权利要求书

权利要求书1.  一种农业系统传感器组专用复合滤波型校正方法,其特征是,包括以下步骤:第一步、传感器组为e=[e1,e2,...,en],其中e1,e2,...,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n×1=(w(e1),w(e2),...,w(en))T,且w(e1),w(e2),...,w(en)中至少一个不为零;设置校正阈值ζ;转第二步;第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由所述传感器下行关联度函数F按行归一化运算得出可关联矩阵P;转至第三步;第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0);将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步;第四步、令参数向量令修正后转换矩阵P′(n+1)×(n+1)=((P cn*1)(r1*n 0))T;令之后按公式w′(e)(n+1)×1(k)=(P(n+1)×(n+1)′)T×w′(e)(n+1)×1(k-1)]]>进行迭代,k为迭代次数,w′(e)(n+1)×1(k)]]>为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量w′(e)(n+1)×1(k)=(w′(e0),w′(e1),...,w′(en))T;]]>设w(P)(e)(n+1)×1=(w(P)(e0),w(P)(e1),...,w(P)(en))T为归一化参数向量,其中i∈{0,1,2,...,n},j∈{0,1,2,...,n};所述w(P)(e)(n+1)×1即为目标向量;转至第五步;第五步、以目标向量w(P)(e)(n+1)×1中w(P)(e1),w(P)(e2),...,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以所述m个传感器的测量值为校正初始数据;转至第六步;第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。2.  根据权利要求1所述农业系统传感器组专用复合滤波型校正方法,其特征是,还包括位于第一步之前的前置步:根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。3.  根据权利要求1所述农业系统传感器组专用复合滤波型校正方法,其特征是,第二步的具体过程为:传感器下行关联度函数F=(rij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若存在传感器ei指向传感器ej的关联,则令rij=|ei→ej|,即ei指向ej的关联的数量,否则令rij=0;令Fi=|ri.|=Σjrij;令可关联矩阵P=(tij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若Fi>0,则令tij=rij/Fi,否则令tij=0;转至第三步。4.  根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第三步中,虚拟传感器的测量值w(e)0等于w(e1),w(e2),...,w(en)之一,或者等于w(e1),w(e2),...,w(en)的平均值。5.  根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第五步中,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数。6.  根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第六步中,所述预定的加权最小二乘法包括:Ⅰ、构建所述m个传感器的测量方程Y=Hx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y=(y1,......,ym)T;,x为测量估计参数;H为m维常向量、且H=[1,1,1,......,1]T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f=(f1,......,fm)T;转至Ⅱ;Ⅱ、采用加权最小二乘的估计准则J=(Y-Hx)TΛ(Y-Hx)   式一其中,Λ为加权因子、且为正定对角加权阵,Λ=diag(Λ1 Λ2 … Λm);将J取极小值,对J求x偏导,使转至Ⅲ;Ⅲ、以所述m个传感器的测量噪声为相互独立的白噪声,则对于所述m个传感器中的第i个传感器而言,E[fi]=0,E[fi2]=E[(x-yi)2]=σi2,E[ ]为方差,σi2为第i个传感器的测量方差;转至Ⅳ;Ⅳ、以为x的状态估计量,采用E[(x-x‾)2]=Σi=1m[ΛiΣi=1mΛi]2σi2]]>    式二其中,Λi为与第i个传感器相应的加权因子;将式二取极小值,对式二求Λi偏导数,得(i=1,2,…,m);转至Ⅴ;Ⅴ、采用由式一得出的x‾=(HTΛH)-1HTΛf=Σi=1mΛiyiΣi=1mΛi]]>   式三;采用由式二得出的E[(x-x‾)2]=1Σi=1m1σi2]]>   式四;按式三所得数值即为所述传感器组的最终测量值;按式四所得数值即为所述传感器组的测量方差。

说明书

说明书农业系统传感器组专用复合滤波型校正方法
技术领域
本发明涉及一种农业系统传感器组专用复合滤波型校正方法,属于农业模型技术领域。
背景技术
据申请人所知,在当前的农业系统中,无线传感器网络是由大量传感器节点组成的。有的传感器采取一种称为“后校准”的方法,通过比较来自某一个传感器的原始值和从第二个传感器获取的传感器值,周期性的校准之前获得的传感器值,根据第一、第二校准与原始传感器值的获取时间的接近度,通过加权平均值将第一、第二校准应用于传感器值。
在现有的农业系统中,由于来自于传感器网络的数据通常在时间和空间上存在着相互的联系,这是由于散布传感器节点时,同一个区域的节点间有时距离较近,相同类别的传感器节点上测量的信息会引起数据冗余现象。
由于多个传感器节点同时工作,存在个别传感器节点失效、受到干扰或失去对目标覆盖的情况,这时就需要采取正确的校正方法,得到足够的目标信息,从而使系统的可靠性增强,信息置信度提高。
同时,因受传感器自身因素和环境的影响,多传感器对某一参数测量时,可能会有不同的测量结果,在对测量数据进行处理时,确定各传感器之间的相关性并采用正确的校正方法是至关重要的。而对于有限次测量,常规方法采用算术平均值法表示测量结果,此法虽然能够在一定程度上改善测量结果,但不是最好的表示方法。应用最小二乘法原理的校正方法虽然可消除常规方法带来的测量不确定性,获得更可靠的实测结果,但是一般的最小二乘算法估计精度不高,亟需研制出能提高估计精度的校正方法。
发明内容
本发明所要解决的技术问题是:针对现有技术存在的问题,提供一种农业系统传感器组专用复合滤波型校正方法,能获得可靠的测量数据,且具有 较高的精确度。
本发明解决其技术问题的技术方案如下:
一种农业系统传感器组专用复合滤波型校正方法,其特征是,包括以下步骤:
第一步、传感器组为e=[e1,e2,...,en],其中e1,e2,...,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n×1=(w(e1),w(e2),...,w(en))T,且w(e1),w(e2),...,w(en)中至少一个不为零;设置校正阈值ζ;转第二步;
第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由所述传感器下行关联度函数F按行归一化运算得出可关联矩阵P;转至第三步;
第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0);将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步;
第四步、令参数向量令修正后转换矩阵P(n+1)×(n+1)=Pcn*1r1*n0T;]]>w(e)(n+1)×1(0)=w(e)(n+1)×1,]]>之后按公式w(e)(n+1)×1(k)=(P(n+1)×(n+1))T×w(e)(n+1)×1(k-1)]]>进行迭代,k为迭代次数,w(e)(n+1)×1(k)]]>为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量w(e)(n+1)×1(k)=(w(e0),w(e1),···,w(en))T;]]>
设w(P)(e)(n+1)×1=(w(P)(e0),w(P)(e1),...,w(P)(en))T为归一化参数向量,其中i∈{0,1,2,...,n},j∈{0,1,2,...,n};所述w(P)(e)(n+1)×1即为目标向量;转至第五步;
第五步、以目标向量w(P)(e)(n+1)×1中w(P)(e1),w(P)(e2),...,w(P)(en)的数值为权重系 数,从传感器的各传感器中选出权重系数最大的m个传感器,以所述m个传感器的测量值为校正初始数据;转至第六步;
第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。
本发明进一步完善的技术方案如下:
优选的,还包括位于第一步之前的前置步:根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。
优选地,第二步的具体过程为:传感器下行关联度函数F=(rij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若存在传感器ei指向传感器ej的关联,则令rij=|ei→ej|,即ei指向ej的关联的数量,否则令rij=0;令令可关联矩阵P=(tij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若Fi>0,则令tij=rij/Fi,否则令tij=0;转至第三步。
优选地,第三步中,虚拟传感器的测量值w(e)0等于w(e1),w(e2),...,w(en)之一,或者等于w(e1),w(e2),...,w(en)的平均值。
优选地,第五步中,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数。
优选的,第六步中,所述预定的加权最小二乘法包括:
Ⅰ、构建所述m个传感器的测量方程Y=Hx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y=(y1,......,ym)T;,x为测量估计参数;H为m维常向量、且H=[1,1,1,......,1]T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f=(f1,......,fm)T;转至Ⅱ;
Ⅱ、采用加权最小二乘的估计准则J=(Y-Hx)TΛ(Y-Hx)    式一
其中,Λ为加权因子、且为正定对角加权阵,Λ=diag(Λ1 Λ2 … Λm); 将J取极小值,对J求x偏导,使转至Ⅲ;
Ⅲ、以所述m个传感器的测量噪声为相互独立的白噪声,则对于所述m个传感器中的第i个传感器而言,E[fi]=0,E[fi2]=E[(x-yi)2]=σi2,E[]为方差,σi2为第i个传感器的测量方差;转至Ⅳ;
Ⅳ、以为x的状态估计量,
采用E[(x-x‾)2]=Σi=1m[ΛiΣi=1mΛi]2σi2]]>    式二
其中,Λi为与第i个传感器相应的加权因子;
将式二取极小值,对式二求Λi偏导数,得(i=1,2,…,m);转至Ⅴ;
Ⅴ、采用由式一得出的x‾=(HTΛH)-1HTΛf=Σi=1mΛiyiΣi=1mΛi]]>    式三;
采用由式二得出的E[(x-x‾)2]=1Σi=1m1σi2]]>    式四;
按式三所得数值即为所述传感器组的最终测量值;按式四所得数值即为所述传感器组的测量方差。
与现有技术相比,本发明的有益效果如下:
本发明通过构建多个传感器之间的参数关联矩阵,计算出各传感器之间的权重分配,利用该权重分配并与加权最小二乘法相结合,构成复合滤波型校正方法,该方法可以大幅减少数据存储量,同时也避免由于个别传感器发生故障导致采集数据不准确,从而提高测量精度;此外,由于该加权最小二乘法所得融合数据和方差的实时性好,所以能更加准确地描述传感器参数, 使环境参数的测量结果更为精确,确保作物稳定生长。
附图说明
图1为本发明实施例方法的主体流程图。
图2为本发明试验案例中各传感器的相互关联关系。
图3为本发明试验案例中加入虚拟传感器后的传感器相互关联关系。
具体实施方式
下面参照附图并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。
实施例
如图1所示,一种农业系统传感器组专用复合滤波型校正方法,包括以下步骤:
前置步、根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。
第一步、传感器组为e=[e1,e2,...,en],其中e1,e2,...,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n×1=(w(e1),w(e2),...,w(en))T,且w(e1),w(e2),...,w(en)中至少一个不为零;设置校正阈值ζ;转第二步。
第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由传感器下行关联度函数F按行归一化运算得出可关联矩阵P;
具体过程为:传感器下行关联度函数F=(rij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若存在传感器ei指向传感器ej的关联,则令rij=|ei→ej|,即ei指向ej的关联的数量,否则令rij=0;令令可关联矩阵P=(tij)n×n,i∈{1,2,...,n},j∈{1,2,...,n};若Fi>0,则令tij=rij/Fi,否则令tij=0;
转至第三步。
第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0),w(e)0等于w(e1),w(e2),...,w(en)之一,或者等于w(e1),w(e2),...,w(en)的平均值;将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步。
第四步、令参数向量令修正后转换矩阵P(n+1)×(n+1)=Pcn*1r1*n0T;]]>w(e)(n+1)×1(0)=w(e)(n+1)×1,]]>之后按公式w(e)(n+1)×1(k)=(P(n+1)×(n+1))T×w(e)(n+1)×1(k-1)]]>进行迭代,k为迭代次数,w(e)(n+1)×1(k)]]>为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量w(e)(n+1)×1(k)=(w(e0),w(e1),···,w(en))T;]]>
设w(P)(e)(n+1)×1=(w(P)(e0),w(P)(e1),...,w(P)(en))T为归一化参数向量,其中i∈{0,1,2,...,n},j∈{0,1,2,...,n};w(P)(e)(n+1)×1即为目标向量;转至第五步。
第五步、以目标向量w(P)(e)(n+1)×1中w(P)(e1),w(P)(e2),...,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以m个传感器的测量值为校正初始数据,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数;转至第六步。
第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。
具体而言,第六步中,预定的加权最小二乘法包括:
Ⅰ、构建m个传感器的测量方程Y=Hx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y=(y1,......,ym)T;,x为测量估计参数;H为m维常向量、且H=[1,1,1,......,1]T,f为由m个传感器测量噪声值组成的m维测量 噪声向量、且f=(f1,......,fm)T;转至Ⅱ;
Ⅱ、采用加权最小二乘的估计准则J=(Y-Hx)TΛ(Y-Hx)    式一
其中,Λ为加权因子、且为正定对角加权阵,Λ=diag(Λ1 Λ2 … Λm);将J取极小值,对J求x偏导,使转至Ⅲ;
Ⅲ、以m个传感器的测量噪声为相互独立的白噪声,则对于m个传感器中的第i个传感器而言,E[fi]=0,E[fi2]=E[(x-yi)2]=σi2,E[]为方差,σi2为第i个传感器的测量方差;转至Ⅳ;
Ⅳ、以为x的状态估计量,
采用E[(x-x‾)2]=Σi=1m[ΛiΣi=1mΛi]2σi2]]>    式二
其中,Λi为与第i个传感器相应的加权因子;
将式二取极小值,对式二求Λi偏导数,得(i=1,2,…,m);转至Ⅴ;
Ⅴ、采用由式一得出的x‾=(HTΛH)-1HTΛf=Σi=1mΛiyiΣi=1mΛi]]>    式三;
采用由式二得出的E[(x-x‾)2]=1Σi=1m1σi2]]>    式四;
按式三所得数值即为传感器组的最终测量值;按式四所得数值即为传感器组的测量方差。
试验案例:
涉及的传感器组由6个溶解氧传感器组成,需要利用这6个传感器的信息得到真实的溶解氧信息。具体步骤如下:
(1)前置步、经判断,这6个传感器测量值均在预设数值范围内,无需剔除;转至第一步。
(2)第一步、传感器组为e=[e1,e2,...,e6],参数向量w(e)6×1=(1,1,...,1)T,ζ=0.001;转至第二步。
(3)第二步、按图2所示关系,传感器下行关联度函数F为:
F=001100000110000010000010000001000000]]>据此按行归一化运算得出可关联矩阵P为:
P=001/21/2000001/21/20000010000010000001000000]]>转至第三步。
(4)第三步、设置虚拟传感器S后的关联关系如图3所示,虚拟传感器S的测量值w(e0)=1;转至第四步;
(5)第四步、修正后转换矩阵为:
P7×7=01/21/200000001/21/20000001/21/200000010000001000000011000000,]]>
令迭代起始向量w(e)7×1(0)=w(e)7×1=[1,1,1,1,1,1,1]T,]]>然后按公式w(e)7×1(k)=(P7×7)T×w(e)7×1(k-1),]]>对参数向量进行迭代:
第214次迭代所得参数向量为w(e)7×1(214)=[1.4742,0.7370,0.7370,0.3682,]]>0.7366,1.4731,1.4737]T,]]>且未满足迭代条件,继续迭代处理。
第215次迭代,迭代后参数向量为w(e)7×1(215)=[1.4737,0.7371,0.7371,]]>0.3685,0.7370,1.4734,1.4731]T,]]>此时|w(e)7×1(215)-w(e)7×1(214)|=0.000976<0.001,]]>迭代结束。
设w(P)(e)7×1=(w(P)(e0),w(P)(e1),...,w(P)(e6))T为归一化参数向量,其中i∈{0,1,2,...,6},j∈{0,1,2,...,6};经计算可得,w(P)(e)7×1=[0.2105,0.1053,0.1053,0.0526,0.1053,0.2105,0.2104]。转至第五步。
(6)第五步、由于目标向量w(P)(e)7×1中w(P)(e0)对应的是虚拟传感器S,不应作为校正对象,因此直接剔除该项。然后,以目标向量w(P)(e)7×1中w(P)(e1),w(P)(e2),...,w(P)(e6)的数值为权重系数,利用二八原则取其中最重要的20%,即0.2×6=1.2,然后向上取整运算所得整数为2,即取2个权重系数最大的传感器,也即取第5个和第6个传感器的测量值为校正初始数据;转至第六步。
(7)第六步、以预定的加权最小二乘法对校正初始数据进行处理,得:传感器组的最终测量值为1.0050,测量方差为0.07。
与此同时,本试验案例若采用常规算术平均估计方法,所得传感器测量值为0.9333(实际传感器参数设置为1),由此可以看出本实施例方法的实施效果确实优于现有常规方法。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。

农业系统传感器组专用复合滤波型校正方法.pdf_第1页
第1页 / 共12页
农业系统传感器组专用复合滤波型校正方法.pdf_第2页
第2页 / 共12页
农业系统传感器组专用复合滤波型校正方法.pdf_第3页
第3页 / 共12页
点击查看更多>>
资源描述

《农业系统传感器组专用复合滤波型校正方法.pdf》由会员分享,可在线阅读,更多相关《农业系统传感器组专用复合滤波型校正方法.pdf(12页珍藏版)》请在专利查询网上搜索。

1、(10)申请公布号 (43)申请公布日 (21)申请号 201410614338.6(22)申请日 2014.11.04H03H 17/02(2006.01)(71)申请人国睿集团有限公司地址 210019 江苏省南京市建邺区江东中路359号(72)发明人赵爽 温建武 雷万保(74)专利代理机构南京苏科专利代理有限责任公司 32102代理人周海斌 何朝旭(54) 发明名称农业系统传感器组专用复合滤波型校正方法(57) 摘要本发明涉及农业系统传感器组专用复合滤波型校正方法,包括:设传感器组及测量值参数向量;构建传感器下行关联度函数F,并运算得出可关联矩阵P;设虚拟传感器消除病态节点;对参数向量进。

2、行迭代处理,并作归一化处理;从所得目标向量获取各传感器权重系数,并对权重系数最大的若干个传感器进行测量数据融合处理,获得传感器组的最终测量值和测量方差。本发明方法能获得可靠的测量数据,且具有较高的精确度。(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书2页 说明书7页 附图2页(10)申请公布号 CN 104467738 A(43)申请公布日 2015.03.25CN 104467738 A1/2页21.一种农业系统传感器组专用复合滤波型校正方法,其特征是,包括以下步骤:第一步、传感器组为ee1,e2,.,en,其中e1,e2,.,en分别为相应的传感器。

3、,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n1(w(e1),w(e2),.,w(en)T,且w(e1),w(e2),.,w(en)中至少一个不为零;设置校正阈值;转第二步;第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由所述传感器下行关联度函数F按行归一化运算得出可关联矩阵P;转至第三步;第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0);将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步;第四步、令参数向量令修正后转换矩阵P(n+1)(n+1)(P cn*1)(r1*n0)T。

4、;令之后按公式进行迭代,k为迭代次数,为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量设w(P)(e)(n+1)1(w(P)(e0),w(P)(e1),.,w(P)(en)T为归一化参数向量,其中i0,1,2,.,n,j0,1,2,.,n;所述w(P)(e)(n+1)1即为目标向量;转至第五步;第五步、以目标向量w(P)(e)(n+1)1中w(P)(e1),w(P)(e2),.,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以所述m个传感器的测量值为校正初始数据;转至第六步;第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出。

5、传感器组的最终测量值和测量方差,校正结束。2.根据权利要求1所述农业系统传感器组专用复合滤波型校正方法,其特征是,还包括位于第一步之前的前置步:根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。3.根据权利要求1所述农业系统传感器组专用复合滤波型校正方法,其特征是,第二步的具体过程为:传感器下行关联度函数F(rij)nn,i1,2,.,n,j1,2,.,n;若存在传感器ei指向传感器ej的关联,则令rij|eiej|,即ei指向ej的关联的数量,否则令rij0;令Fi|ri。

6、.|jrij;令可关联矩阵P(tij)nn,i1,2,.,n,j1,2,.,n;若Fi0,则令tijrij/Fi,否则令tij0;转至第三步。4.根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特权 利 要 求 书CN 104467738 A2/2页3征是,第三步中,虚拟传感器的测量值w(e)0等于w(e1),w(e2),.,w(en)之一,或者等于w(e1),w(e2),.,w(en)的平均值。5.根据权利要求1或2或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第五步中,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数。6.根据权利要求1或2。

7、或3所述农业系统传感器组专用复合滤波型校正方法,其特征是,第六步中,所述预定的加权最小二乘法包括:、构建所述m个传感器的测量方程YHx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y(y1,.,ym)T;,x为测量估计参数;H为m维常向量、且H1,1,1,.,1T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f(f1,.,fm)T;转至;、采用加权最小二乘的估计准则J(Y-Hx)T(Y-Hx) 式一其中,为加权因子、且为正定对角加权阵,diag(12 m);将J取极小值,对J求x偏导,使转至;、以所述m个传感器的测量噪声为相互独立的白噪声,则对于所述m个传感器中的第i个传感器。

8、而言,Efi0,Efi2E(x-yi)2i2,E 为方差,i2为第i个传感器的测量方差;转至;、以为x的状态估计量,采用 式二其中,i为与第i个传感器相应的加权因子;将式二取极小值,对式二求i偏导数,得(i1,2,m);转至;、采用由式一得出的 式三;采用由式二得出的 式四;按式三所得数值即为所述传感器组的最终测量值;按式四所得数值即为所述传感器组的测量方差。权 利 要 求 书CN 104467738 A1/7页4农业系统传感器组专用复合滤波型校正方法技术领域0001 本发明涉及一种农业系统传感器组专用复合滤波型校正方法,属于农业模型技术领域。背景技术0002 据申请人所知,在当前的农业系统中。

9、,无线传感器网络是由大量传感器节点组成的。有的传感器采取一种称为“后校准”的方法,通过比较来自某一个传感器的原始值和从第二个传感器获取的传感器值,周期性的校准之前获得的传感器值,根据第一、第二校准与原始传感器值的获取时间的接近度,通过加权平均值将第一、第二校准应用于传感器值。0003 在现有的农业系统中,由于来自于传感器网络的数据通常在时间和空间上存在着相互的联系,这是由于散布传感器节点时,同一个区域的节点间有时距离较近,相同类别的传感器节点上测量的信息会引起数据冗余现象。0004 由于多个传感器节点同时工作,存在个别传感器节点失效、受到干扰或失去对目标覆盖的情况,这时就需要采取正确的校正方法。

10、,得到足够的目标信息,从而使系统的可靠性增强,信息置信度提高。0005 同时,因受传感器自身因素和环境的影响,多传感器对某一参数测量时,可能会有不同的测量结果,在对测量数据进行处理时,确定各传感器之间的相关性并采用正确的校正方法是至关重要的。而对于有限次测量,常规方法采用算术平均值法表示测量结果,此法虽然能够在一定程度上改善测量结果,但不是最好的表示方法。应用最小二乘法原理的校正方法虽然可消除常规方法带来的测量不确定性,获得更可靠的实测结果,但是一般的最小二乘算法估计精度不高,亟需研制出能提高估计精度的校正方法。发明内容0006 本发明所要解决的技术问题是:针对现有技术存在的问题,提供一种农业。

11、系统传感器组专用复合滤波型校正方法,能获得可靠的测量数据,且具有较高的精确度。0007 本发明解决其技术问题的技术方案如下:0008 一种农业系统传感器组专用复合滤波型校正方法,其特征是,包括以下步骤:0009 第一步、传感器组为ee1,e2,.,en,其中e1,e2,.,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n1(w(e1),w(e2),.,w(en)T,且w(e1),w(e2),.,w(en)中至少一个不为零;设置校正阈值;转第二步;0010 第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由所述传感器下行关联度函数F按。

12、行归一化运算得出可关联矩阵P;转至第三步;0011 第三步、设置虚拟传感器,并设虚拟传感器的测量值为w(e0);将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步;说 明 书CN 104467738 A2/7页50012 第四步、令参数向量令修正后转换矩阵令之后按公式进行迭代,k为迭代次数,为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量0013 设w(P)(e)(n+1)1(w(P)(e0),w(P)(e1),.,w(P)(en)T为归一化参数向量,其中i0,1,2,.,n,j0,1,2,.,n;所述w(。

13、P)(e)(n+1)1即为目标向量;转至第五步;0014 第五步、以目标向量w(P)(e)(n+1)1中w(P)(e1),w(P)(e2),.,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以所述m个传感器的测量值为校正初始数据;转至第六步;0015 第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。0016 本发明进一步完善的技术方案如下:0017 优选的,还包括位于第一步之前的前置步:根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量。

14、值不属于数值范围的传感器剔除出传感器组;转至第一步。0018 优选地,第二步的具体过程为:传感器下行关联度函数F(rij)nn,i1,2,.,n,j1,2,.,n;若存在传感器ei指向传感器ej的关联,则令rij|eiej|,即ei指向ej的关联的数量,否则令rij0;令令可关联矩阵P(tij)nn,i1,2,.,n,j1,2,.,n;若Fi0,则令tijrij/Fi,否则令tij0;转至第三步。0019 优选地,第三步中,虚拟传感器的测量值w(e)0等于w(e1),w(e2),.,w(en)之一,或者等于w(e1),w(e2),.,w(en)的平均值。0020 优选地,第五步中,利用二八原则。

15、确定m的具体数值,即m为对0.2n向上取整运算所得整数。0021 优选的,第六步中,所述预定的加权最小二乘法包括:0022 、构建所述m个传感器的测量方程YHx+f,其中,Y为由m个传感器测量值组成的m维测量向量、且Y(y1,.,ym)T;,x为测量估计参数;H为m维常向量、且H1,1,1,.,1T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f(f1,.,fm)T;转至;0023 、采用加权最小二乘的估计准则J(Y-Hx)T(Y-Hx) 式一说 明 书CN 104467738 A3/7页60024 其中,为加权因子、且为正定对角加权阵,diag(12 m);将J取极小值,对J求x偏导。

16、,使转至;0025 、以所述m个传感器的测量噪声为相互独立的白噪声,则对于所述m个传感器中的第i个传感器而言,Efi0,Efi2E(x-yi)2i2,E为方差,i2为第i个传感器的测量方差;转至;0026 、以为x的状态估计量,0027 采用 式二0028 其中,i为与第i个传感器相应的加权因子;0029 将式二取极小值,对式二求i偏导数,得(i1,2,m);转至;0030 、采用由式一得出的 式三;0031 采用由式二得出的 式四;0032 按式三所得数值即为所述传感器组的最终测量值;按式四所得数值即为所述传感器组的测量方差。0033 与现有技术相比,本发明的有益效果如下:0034 本发明通。

17、过构建多个传感器之间的参数关联矩阵,计算出各传感器之间的权重分配,利用该权重分配并与加权最小二乘法相结合,构成复合滤波型校正方法,该方法可以大幅减少数据存储量,同时也避免由于个别传感器发生故障导致采集数据不准确,从而提高测量精度;此外,由于该加权最小二乘法所得融合数据和方差的实时性好,所以能更加准确地描述传感器参数,使环境参数的测量结果更为精确,确保作物稳定生长。附图说明0035 图1为本发明实施例方法的主体流程图。0036 图2为本发明试验案例中各传感器的相互关联关系。0037 图3为本发明试验案例中加入虚拟传感器后的传感器相互关联关系。具体实施方式0038 下面参照附图并结合实施例对本发明。

18、作进一步详细描述。但是本发明不限于所给出的例子。说 明 书CN 104467738 A4/7页70039 实施例0040 如图1所示,一种农业系统传感器组专用复合滤波型校正方法,包括以下步骤:0041 前置步、根据预设的传感器测量值最高限值和最低限值,判断传感器组的各传感器测量值是否属于由最高限值和最低限值构成的数值范围;将测量值不属于数值范围的传感器剔除出传感器组;转至第一步。0042 第一步、传感器组为ee1,e2,.,en,其中e1,e2,.,en分别为相应的传感器,n为传感器的数量;以传感器组的各传感器测量值组成参数向量w(e)n1(w(e1),w(e2),.,w(en)T,且w(e1。

19、),w(e2),.,w(en)中至少一个不为零;设置校正阈值;转第二步。0043 第二步、根据传感器组的各传感器间相互关系确定传感器下行关联度函数F;由传感器下行关联度函数F按行归一化运算得出可关联矩阵P;0044 具体过程为:传感器下行关联度函数F(rij)nn,i1,2,.,n,j1,2,.,n;若存在传感器ei指向传感器ej的关联,则令rij|eiej|,即ei指向ej的关联的数量,否则令rij0;令令可关联矩阵P(tij)nn,i1,2,.,n,j1,2,.,n;若Fi0,则令tijrij/Fi,否则令tij0;0045 转至第三步。0046 第三步、设置虚拟传感器,并设虚拟传感器的测。

20、量值为w(e0),w(e)0等于w(e1),w(e2),.,w(en)之一,或者等于w(e1),w(e2),.,w(en)的平均值;将虚拟传感器设置为无上行节点的各传感器的上行节点,同时将虚拟传感器设置为无下行节点的各传感器的下行节点;转至第四步。0047 第四步、令参数向量令修正后转换矩阵令之后按公式进行迭代,k为迭代次数,为第k次迭代后的参数向量;当时,迭代处理结束,并得到迭代处理后的参数向量0048 设w(P)(e)(n+1)1(w(P)(e0),w(P)(e1),.,w(P)(en)T为归一化参数向量,其中i0,1,2,.,n,j0,1,2,.,n;w(P)(e)(n+1)1即为目标向。

21、量;转至第五步。0049 第五步、以目标向量w(P)(e)(n+1)1中w(P)(e1),w(P)(e2),.,w(P)(en)的数值为权重系数,从传感器的各传感器中选出权重系数最大的m个传感器,以m个传感器的测量值为校正初始数据,利用二八原则确定m的具体数值,即m为对0.2n向上取整运算所得整数;转至第六步。说 明 书CN 104467738 A5/7页80050 第六步、以预定的加权最小二乘法对校正初始数据进行处理,得出传感器组的最终测量值和测量方差,校正结束。0051 具体而言,第六步中,预定的加权最小二乘法包括:0052 、构建m个传感器的测量方程YHx+f,其中,Y为由m个传感器测量。

22、值组成的m维测量向量、且Y(y1,.,ym)T;,x为测量估计参数;H为m维常向量、且H1,1,1,.,1T,f为由m个传感器测量噪声值组成的m维测量噪声向量、且f(f1,.,fm)T;转至;0053 、采用加权最小二乘的估计准则J(Y-Hx)T(Y-Hx) 式一0054 其中,为加权因子、且为正定对角加权阵,diag(12 m);将J取极小值,对J求x偏导,使转至;0055 、以m个传感器的测量噪声为相互独立的白噪声,则对于m个传感器中的第i个传感器而言,Efi0,Efi2E(x-yi)2i2,E为方差,i2为第i个传感器的测量方差;转至;0056 、以为x的状态估计量,0057 采用 式二。

23、0058 其中,i为与第i个传感器相应的加权因子;0059 将式二取极小值,对式二求i偏导数,得(i1,2,m);转至;0060 、采用由式一得出的 式三;0061 采用由式二得出的 式四;0062 按式三所得数值即为传感器组的最终测量值;按式四所得数值即为传感器组的测量方差。0063 试验案例:0064 涉及的传感器组由6个溶解氧传感器组成,需要利用这6个传感器的信息得到真实的溶解氧信息。具体步骤如下:0065 (1)前置步、经判断,这6个传感器测量值均在预设数值范围内,无需剔除;转至第一步。0066 (2)第一步、传感器组为ee1,e2,.,e6,参数向量w(e)61(1,1,.,1)T,。

24、0.001;转至第二步。说 明 书CN 104467738 A6/7页90067 (3)第二步、按图2所示关系,传感器下行关联度函数F为:0068 据此按行归一化运算得出可关联矩阵P为:0069 转至第三步。0070 (4)第三步、设置虚拟传感器S后的关联关系如图3所示,虚拟传感器S的测量值w(e0)1;转至第四步;0071 (5)第四步、修正后转换矩阵为:0072 0073 令迭代起始向量然后按公式对参数向量进行迭代:0074 第214次迭代所得参数向量为且未满足迭代条件,继续迭代处理。0075 第215次迭代,迭代后参数向量为此时迭代结束。0076 设w(P)(e)71(w(P)(e0),。

25、w(P)(e1),.,w(P)(e6)T为归一化参数向量,其中说 明 书CN 104467738 A7/7页10i0,1,2,.,6,j0,1,2,.,6;经计算可得,w(P)(e)710.2105,0.1053,0.1053,0.0526,0.1053,0.2105,0.2104。转至第五步。0077 (6)第五步、由于目标向量w(P)(e)71中w(P)(e0)对应的是虚拟传感器S,不应作为校正对象,因此直接剔除该项。然后,以目标向量w(P)(e)71中w(P)(e1),w(P)(e2),.,w(P)(e6)的数值为权重系数,利用二八原则取其中最重要的20,即0.261.2,然后向上取整运算所得整数为2,即取2个权重系数最大的传感器,也即取第5个和第6个传感器的测量值为校正初始数据;转至第六步。0078 (7)第六步、以预定的加权最小二乘法对校正初始数据进行处理,得:传感器组的最终测量值为1.0050,测量方差为0.07。0079 与此同时,本试验案例若采用常规算术平均估计方法,所得传感器测量值为0.9333(实际传感器参数设置为1),由此可以看出本实施例方法的实施效果确实优于现有常规方法。0080 除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。说 明 书CN 104467738 A10。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 电学 > 基本电子电路


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1