数据融合范文10篇

数据融合范文篇1

关键词:数据融合传感器无损检测精确林业应用

多传感器融合系统由于具有较高的可靠性和鲁棒性,较宽的时间和空间的观测范围,较强的数据可信度和分辨能力,已广泛应用于军事、工业、农业、航天、交通管制、机器人、海洋监视和管理、目标跟踪和惯性导航等领域[1,2]。笔者在分析数据融合技术概念和内容的基础上,对该技术在林业工程中的应用及前景进行了综述。

1数据融合

1.1概念的提出

1973年,数据融合技术在美国国防部资助开发的声纳信号理解系统中得到了最早的体现。70年代末,在公开的技术文献中开始出现基于多系统的信息整合意义的融合技术。1984年美国国防部数据融合小组(DFS)定义数据融合为:“对多源的数据和信息进行多方的关联、相关和综合处理,以更好地进行定位与估计,并完全能对态势及带来的威胁进行实时评估”。

1998年1月,Buchroithner和Wald重新定义了数据融合:“数据融合是一种规范框架,这个框架里人们阐明如何使用特定的手段和工具来整合来自不同渠道的数据,以获得实际需要的信息”。

Wald定义的数据融合的概念原理中,强调以质量作为数据融合的明确目标,这正是很多关于数据融合的文献中忽略但又是非常重要的方面。这里的“质量”指经过数据融合后获得的信息对用户而言较融合前具有更高的满意度,如可改善分类精度,获得更有效、更相关的信息,甚至可更好地用于开发项目的资金、人力资源等[3]。

1.2基本内容

信息融合是生物系统所具备的一个基本功能,人类本能地将各感官获得的信息与先验知识进行综合,对周围环境和发生的事件做出估计和判断。当运用各种现代信息处理方法,通过计算机实现这一功能时,就形成了数据融合技术。

数据融合就是充分利用多传感器资源,通过对这些多传感器及观测信息的合理支配和使用,把多传感器在空间或时间上的冗余或互补信息依据某些准则进行组合,以获得被测对象的一致性解释或描述。数据融合的内容主要包括:

(1)数据关联。确定来自多传感器的数据反映的是否是同源目标。

(2)多传感器ID/轨迹估计。假设多传感器的报告反映的是同源目标,对这些数据进行综合,改进对该目标的估计,或对整个当前或未来情况的估计。

(3)采集管理。给定传感器环境的一种认识状态,通过分配多个信息捕获和处理源,最大限度地发挥其性能,从而使其操作成本降到最低。传感器的数据融合功能主要包括多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测[4]。

根据融合系统所处理的信息层次,目前常将信息融合系统划分为3个层次:

(l)数据层融合。直接将各传感器的原始数据进行关联后,送入融合中心,完成对被测对象的综合评价。其优点是保持了尽可能多的原始信号信息,但是该种融合处理的信息量大、速度慢、实时性差,通常只用于数据之间配准精度较高的图像处理。

(2)特征层融合。从原始数据中提取特征,进行数据关联和归一化等处理后,送入融合中心进行分析与综合,完成对被测对象的综合评价。这种融合既保留了足够数量的原始信息,又实现了一定的数据压缩,有利于实时处理,而且由于在特征提取方面有许多成果可以借鉴,所以特征层融合是目前应用较多的一种技术。但是该技术在复杂环境中的稳健性和系统的容错性与可靠性有待进一步改善。

(3)决策层融合。首先每一传感器分别独立地完成特征提取和决策等任务,然后进行关联,再送入融合中心处理。这种方法的实质是根据一定的准则和每个决策的可信度做出最优的决策。其优点是数据通讯量小、实时性好,可以处理非同步信息,能有效地融合不同类型的信息。而且在一个或几个传感器失效时,系统仍能继续工作,具有良好的容错性,系统可靠性高,因此是目前信息融合研究的一个热点。但是这种技术也有不足,如原始信息的损失、被测对象的时变特征、先验知识的获取困难,以及知识库的巨量特性等[5,6]。

1.3处理模型

美国数据融合工作小组提出的数据融合处理模型[7],当时仅应用于军事方面,但该模型对人们理解数据融合的基本概念有重要意义。模型每个模块的基本功能如下:

数据源。包括传感器及其相关数据(数据库和人的先验知识等)。

源数据预处理。进行数据的预筛选和数据分配,以减轻融合中心的计算负担,有时需要为融合中心提供最重要的数据。目标评估。融合目标的位置、速度、身份等参数,以达到对这些参数的精确表达。主要包括数据配准、跟踪和数据关联、辨识。

态势评估。根据当前的环境推断出检测目标与事件之间的关系,以判断检测目标的意图。威胁评估。结合当前的态势判断对方的威胁程度和敌我双方的攻击能力等,这一过程应同时考虑当前的政治环境和对敌策略等因素,所以较为困难。

处理过程评估。监视系统的性能,辨识改善性能所需的数据,进行传感器资源的合理配置。人机接口。提供人与计算机间的交互功能,如人工操作员的指导和评价、多媒体功能等。

2多传感器在林业中的应用

2.1在森林防火中的应用

在用MODIS(ModerateResolutionImagingSpectroradiometer)数据测定森林火点时的20、22、23波段的传感器辐射值已达饱和状态,用一般图像增强处理方法探测燃烧区火点的结果不理想。余启刚运用数据融合技术,在空间分辨率为1000m的热辐射通道的数据外加入空间分辨率为250m的可见光通道的数据,较好地进行了不同空间分辨率信息的数据融合,大大提高了对火点位置的判断准确度[8]。为进一步提高卫星光谱图像数据分析的准确性与可靠性,利用原有森林防火用的林区红外探测器网,将其与卫星光谱图像数据融合,可以使计算机获得GPS接收机输出的有关信息通过与RS实现高效互补性融合,从而弥补卫星图谱不理想的缺失区数据信息,大大提高燃烧区火点信息准确度和敏感性。

2.2森林蓄积特征的估计

HampusHolmstrom等在瑞典南部的试验区将SPOT-4×S卫星数据和CARABAS-IIVHFSAR传感器的雷达数据进行了融合,采用KNN(knearestneighbor)方法对森林的蓄积特征(林分蓄积、树种组成与年龄)进行了估计[9]。

KNN方法就是采用目标样地邻近k个(k=10)最近样地的加权来估计目标样地的森林特征。研究者应用卫星光谱数据、雷达数据融合技术对试验区的不同林分的蓄积特征进行估计,并对三种不同的数据方法进行误差分析。试验表明,融合后的数据作出的估计比单一的卫星数据或雷达数据的精度高且稳定性好。

2.3用非垂直航空摄像数据融合GIS信息更新调查数据

森林资源调查是掌握森林资源现状与变化的调查方法,一般以地面调查的方法为主,我国5年复查一次。由于森林资源调查的工作量巨大,且要花费大量的人力、物力和资金。国内外许多学者都在探索航空、航天的遥感调查与估计方法。

TrevorJDavis等2002年提出采用非垂直的航空摄影数据融合对应的GIS数据信息实现森林调查数据的快速更新,认为对森林资源整体而言,仅某些特殊地区的资源数据需要更新。在直升飞机侧面装上可视的数字摄像装置,利用GPS对测点进行定位,对特殊地区的摄像进行拍摄,同时与对应的GIS数据进行融合,做出资源变化的估计或影像的修正[10]。

试验表明,融合后的数据可以同高分辨率矫正图像相比,该方法花费少,精度高,能充分利用影像的可视性,应用于偏远、地形复杂、不易操作、成本高的区域,同时可避免遥感图像受云层遮盖。

3数据融合在林业中的应用展望

3.1在木材检测中的应用

3.1.1木材缺陷及其影响

木材是天然生长的有机体,生长过程中不可避免地有尖削度、弯曲度、节子等生长缺陷,这些缺陷极大地影响了木材及其制品的优良特性,以及木材的使用率、强度、外观质量,并限制了其应用领域。在传统木制品生产过程中,主要依靠人的肉眼来识别木材缺陷,而木材板材表面缺陷在大小、形状和色泽上都有较大的差异,且受木材纹理的影响,识别起来非常困难,劳动强度大,效率低,同时由于熟练程度、标准掌握等人为因素,可能造成较大的误差。另外在集成材加工中,板材缺陷的非双面识别严重影响了生产线的生产节拍。因此必须开发一种能够对板材双面缺陷进行在线识别和自动剔除技术,以解决集成材加工中节子人工识别误差大、难以实现双面识别、剔除机械调整时间长等问题。

3.1.2单一传感器在木材检测中的应用

对木材及人造板进行无损检测的方法很多,如超声波、微波、射线、机械应力、震动、冲击应力波、快速傅立叶变换分析等检测方法[11,12]。超声技术在木材工业中的应用研究主要集中在研究声波与木材种类、木材结构和性能之间的关系、木材结构及缺陷分析、胶的固化过程分析等[13]。

随着计算机视觉技术的发展,人们也将视觉传感器应用于木材检测中。新西兰科学家用视频传感器研究和测量了纸浆中的纤维横切面的宽度、厚度、壁面积、壁厚度、腔比率、壁比率等,同时准确地测量单个纤维和全部纤维的几何尺寸及其变化趋势,能够区分不同纸浆类型,测定木材纤维材料加固结合力,并动态地观察木材纤维在材料中的结合机理。

新西兰的基于视觉传感器的板材缺陷识别的软件已经产业化,该软件利用数码相机或激光扫描仪采集板材的图像,自动识别板材节子和缺陷的位置,控制板材的加工。该软件还具有进行原木三维模型真实再现的计算机视觉识别功能,利用激光扫描仪自动采集原木的三维几何数据。

美国林产品实验室利用计算机视觉技术对木材刨花的尺寸大小进行分级,确定各种刨花在板中的比例和刨花的排列方向;日本京都大学基于视觉传感器进行了定向刨花板内刨花定向程度的检测,从而可以通过调整定向铺装设备优化刨花的排列方向来提高定向刨花板的强度。

在制材加工过程中,利用计算机视觉技术在线实时检测原木的形状及尺寸,选择最佳下锯方法,提高原木的出材率。同时可对锯材的质量进行分级,实现木材的优化使用;在胶合板的生产过程中,利用计算机视觉技术在线实时检测单板上的各种缺陷,实现单板的智能和自动剪切,并可测量在剪切过程中的单板破损率,对单板进行分等分级,实现自动化生产过程。Wengert等在综合了大量的板材分类经验的基础上,建立了板材分级分类的计算机视觉专家系统。在国内这方面的研究较少,王金满等用计算机视觉技术对刨花板施胶效果进行了定量分析[14]。

X射线对木材及木质复合材料的性能检测已得到了广泛的应用,目前该技术主要应用于对木材密度、含水率、纤维素相对结晶度和结晶区大小、纤维的化学结构和性质等进行检测,并对木材内部的各种缺陷进行检测。

3.1.3数据融合在木材检测中的应用展望

单一传感器在木材工业中已得到了一定程度的应用,但各种单项技术在应用上存在一定的局限性。如视觉传感器不能检测到有些与木材具有相同颜色的节子,有时会把木板上的脏物或油脂当成节子,造成误判,有时也会受到木材的种类或粗糙度和湿度的影响,此外,这种技术只能检测部分表面缺陷,而无法检测到内部缺陷;超声、微波、核磁共振和X射线技术均能测量密度及内部特征,但是它们不能测定木材的颜色和瑕疵,因为这些缺陷的密度往往同木板相同。因此,一个理想的检测系统应该集成各种传感技术,才能准确、可靠地检测到木材的缺陷[15,16]。

基于多传感器(机器视觉及X射线等)数据融合技术的木材及木制品表面缺陷检测,可以集成多个传统单项技术,更可靠、准确地实时检测出木材表面的各种缺陷,为实现木材分级自动化、智能化奠定基础,同时为集裁除锯、自动调整、自动裁除节子等为一身的新型视频识别集成材双面节子数控自动剔除成套设备提供技术支持。

3.2在精确林业中的应用

美国华盛顿大学研究人员开展了树形自动分析、林业作业规划等研究工作;Auburn大学的生物系统工程系和USDA南方林业实验站与有关公司合作开展用GPS和其他传感器研究林业机器系统的性能和生产效率。

目前单项的GPS、RS、GIS正从“自动化孤岛”形式应用于林业生产向集成技术转变。林业生产系统作为一个多组分的复杂系统,是由能量流动、物质循环、信息流动所推动的具有一定的结构和功能的复合体,各组分间的关系和结合方式影响系统整体的结构和功能。因此应该在计算机集成系统框架下,有效地融合GPS、GIS、RS等数据,解决这些信息在空间和时间上的质的差异及空间数据类型的多样性,如地理统计数据、栅格数据、点数据等。利用智能DSS(决策支持系统)以及VRT(可变量技术)等,使林业生产成为一个高效、柔性和开放的体系,从而实现林业生产的标准化、规范化、开放性,建立基于信息流融合的精确林业系统。

南京林业大学提出了“精确林业工程系统”[17]。研究包括精确林业工程系统的领域体系结构、随时空变化的数据采集处理与融合技术、精确控制林业生产的智能决策支持系统、可变量控制技术等,实现基于自然界生物及其所赖以生存的环境资源的时空变异性的客观现实,以最小资源投入、最小环境危害和最大产出效益为目标,建立关于林业管理系统战略思想的精确林业微观管理系统。

[参考文献]

[1]高翔,王勇.数据融合技术综述[J].计算机控制与测量,2002,10(11):706-709.

[2]龚元明,萧德云,王俊杰.多传感器数据融合技术(上)[J].冶金自动化,2002(4):4-7.

[3]钱永兰,杨邦杰,雷廷武.数据融合及其在农情遥感监测中的应用与展望[J].农业工程学报,2004,20(4):286-290.

[4]高德平,黄雪梅.多传感器和数据融合(一)[J].红外与激光工程,1999,28(1):1-4.

[5]王耀南,李树涛.多传感器信息融合及其应用综述[J].控制与决策,2001,16(5):518-52.

[6]许军,罗飞路,张耀辉.多传感器信息融合技术在无损检测中的应用研究[J].无损检测,2000,22(8):342-344.

[7]WhiteFE.Datafusionlexicon:DatafusionsubpanelofthejointdirectorsoflaboratoriestechnicalpanelforC3[R].SanDiego,1991.

[8]余启刚.数据融合技术在“3S”森林防火中的应用[J].森林工程,2003,19(4):5-6.

[9]HampusHolmstrom,biningremotelysensedopticalandradardatainKNN-estimationofforest[J].ForestScience,2003,49(3):409-418.

[10]TrevorJDavis,BrianKlinkenberg,PeterKellerC.Updatinginventory:Usingobliquevideogrammetry&datafusion[J].JournalofForestry,2002,100(2):45-50.

[11]杨春梅,胡万义,白帆,等.木材缺陷检测理论及方法的发展[J].林业机械与木工设备,2004,32(3):8-10.

[12]胡英成,顾继友,王逢瑚.木材及人造板物理力学性能无损检测技术研究的发展与展望[J].世界林业研究,2002,15(4):39-46.

[13]肖忠平,卢晓宁,陆继圣.木质材料X射线与超声检测技术研究的发展与展望[J].木材加工机械,2004,15(1):25-27.

[14]王金满,周秀荣.刨花板施胶效果计算机视觉分析方法[J].东北林业大学学报,1994,22(3):25-26.

[15]KlinkhachornP.Prototypinganautomatedlumberprocessingsystem[J].ForestProductsJournal,1993(2):11-18.

数据融合范文篇2

关键词：数据融合传感器无损检测精确林业应用

多传感器融合系统由于具有较高的可靠性和鲁棒性，较宽的时间和空间的观测范围，较强的数据可信度和分辨能力，已广泛应用于军事、工业、农业、航天、交通管制、机器人、海洋监视和管理、目标跟踪和惯性导航等领域。笔者在分析数据融合技术概念和内容的基础上，对该技术在林业工程中的应用及前景进行了综述。

一、数据融合

1.1概念的提出

1973年，数据融合技术在美国国防部资助开发的声纳信号理解系统中得到了最早的体现。

70年代末，在公开的技术文献中开始出现基于多系统的信息整合意义的融合技术。1984年美国国防部数据融合小组(DFS)定义数据融合为：“对多源的数据和信息进行多方的关联、相关和综合处理，以更好地进行定位与估计，并完全能对态势及带来的威胁进行实时评估”。

1998年1月，Buchroithner和Wald重新定义了数据融合：“数据融合是一种规范框架，这个框架里人们阐明如何使用特定的手段和工具来整合来自不同渠道的数据，以获得实际需要的信息”。

Wald定义的数据融合的概念原理中，强调以质量作为数据融合的明确目标，这正是很多关于数据融合的文献中忽略但又是非常重要的方面。这里的“质量”指经过数据融合后获得的信息对用户而言较融合前具有更高的满意度，如可改善分类精度，获得更有效、更相关的信息，甚至可更好地用于开发项目的资金、人力资源等。

1.2基本内容

信息融合是生物系统所具备的一个基本功能，人类本能地将各感官获得的信息与先验知识进行综合，对周围环境和发生的事件做出估计和判断。当运用各种现代信息处理方法，通过计算机实现这一功能时，就形成了数据融合技术。

数据融合就是充分利用多传感器资源，通过对这些多传感器及观测信息的合理支配和使用，把多传感器在空间或时间上的冗余或互补信息依据某些准则进行组合，以获得被测对象的一致性解释或描述。数据融合的内容主要包括：

(1)数据关联。确定来自多传感器的数据反映的是否是同源目标。

(2)多传感器ID/轨迹估计。假设多传感器的报告反映的是同源目标，对这些数据进行综合，改进对该目标的估计，或对整个当前或未来情况的估计。

(3)采集管理。给定传感器环境的一种认识状态，通过分配多个信息捕获和处理源，最大限度地发挥其性能，从而使其操作成本降到最低。传感器的数据融合功能主要包括多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测。

根据融合系统所处理的信息层次，目前常将信息融合系统划分为3个层次：

(l)数据层融合。直接将各传感器的原始数据进行关联后，送入融合中心，完成对被测对象的综合评价。其优点是保持了尽可能多的原始信号信息，但是该种融合处理的信息量大、速度慢、实时性差，通常只用于数据之间配准精度较高的图像处理。

(2)特征层融合。从原始数据中提取特征，进行数据关联和归一化等处理后，送入融合中心进行分析与综合，完成对被测对象的综合评价。这种融合既保留了足够数量的原始信息，又实现了一定的数据压缩，有利于实时处理，而且由于在特征提取方面有许多成果可以借鉴，所以特征层融合是目前应用较多的一种技术。但是该技术在复杂环境中的稳健性和系统的容错性与可靠性有待进一步改善。

(3)决策层融合。首先每一传感器分别独立地完成特征提取和决策等任务，然后进行关联，再送入融合中心处理。这种方法的实质是根据一定的准则和每个决策的可信度做出最优的决策。其优点是数据通讯量小、实时性好，可以处理非同步信息，能有效地融合不同类型的信息。而且在一个或几个传感器失效时，系统仍能继续工作，具有良好的容错性，系统可靠性高，因此是目前信息融合研究的一个热点。但是这种技术也有不足，如原始信息的损失、被测对象的时变特征、先验知识的获取困难，以及知识库的巨量特性等。

1.3处理模型

美国数据融合工作小组提出的数据融合处理模型，当时仅应用于军事方面，但该模型对人们理解数据融合的基本概念有重要意义。模型每个模块的基本功能如下：

数据源。包括传感器及其相关数据(数据库和人的先验知识等)。

源数据预处理。进行数据的预筛选和数据分配，以减轻融合中心的计算负担，有时需要为融合中心提供最重要的数据。目标评估。融合目标的位置、速度、身份等参数，以达到对这些参数的精确表达。主要包括数据配准、跟踪和数据关联、辨识。

态势评估。根据当前的环境推断出检测目标与事件之间的关系，以判断检测目标的意图。威胁评估。结合当前的态势判断对方的威胁程度和敌我双方的攻击能力等，这一过程应同时考虑当前的政治环境和对敌策略等因素，所以较为困难。

处理过程评估。监视系统的性能，辨识改善性能所需的数据，进行传感器资源的合理配置。人机接口。提供人与计算机间的交互功能，如人工操作员的指导和评价、多媒体功能等。

二、多传感器在林业中的应用

2.1在森林防火中的应用

在用MODIS(ModerateResolutionImagingSpectroradiometer)数据测定森林火点时的20、22、23波段的传感器辐射值已达饱和状态，用一般图像增强处理方法探测燃烧区火点的结果不理想。余启刚运用数据融合技术，在空间分辨率为1000m的热辐射通道的数据外加入空间分辨率为250m的可见光通道的数据，较好地进行了不同空间分辨率信息的数据融合，大大提高了对火点位置的判断准确度。为进一步提高卫星光谱图像数据分析的准确性与可靠性，利用原有森林防火用的林区红外探测器网，将其与卫星光谱图像数据融合，可以使计算机获得GPS接收机输出的有关信息通过与RS实现高效互补性融合，从而弥补卫星图谱不理想的缺失区数据信息，大大提高燃烧区火点信息准确度和敏感性。

2.2森林蓄积特征的估计

HampusHolmstrom等在瑞典南部的试验区将SPOT-4×S卫星数据和CARABAS-IIVHFSAR传感器的雷达数据进行了融合，采用KNN(knearestneighbor)方法对森林的蓄积特征(林分蓄积、树种组成与年龄)进行了估计。

KNN方法就是采用目标样地邻近k个(k=10)最近样地的加权来估计目标样地的森林特征。研究者应用卫星光谱数据、雷达数据融合技术对试验区的不同林分的蓄积特征进行估计，并对三种不同的数据方法进行误差分析。试验表明，融合后的数据作出的估计比单一的卫星数据或雷达数据的精度高且稳定性好。

2.3用非垂直航空摄像数据融合GIS信息更新调查数据

森林资源调查是掌握森林资源现状与变化的调查方法，一般以地面调查的方法为主，我国5年复查一次。由于森林资源调查的工作量巨大，且要花费大量的人力、物力和资金。国内外许多学者都在探索航空、航天的遥感调查与估计方法。

TrevorJDavis等2002年提出采用非垂直的航空摄影数据融合对应的GIS数据信息实现森林调查数据的快速更新，认为对森林资源整体而言，仅某些特殊地区的资源数据需要更新。在直升飞机侧面装上可视的数字摄像装置，利用GPS对测点进行定位，对特殊地区的摄像进行拍摄，同时与对应的GIS数据进行融合，做出资源变化的估计或影像的修正。

试验表明，融合后的数据可以同高分辨率矫正图像相比，该方法花费少，精度高，能充分利用影像的可视性，应用于偏远、地形复杂、不易操作、成本高的区域，同时可避免遥感图像受云层遮盖。

三、数据融合在林业中的应用展望

3.1在木材检测中的应用

3.1.1木材缺陷及其影响

木材是天然生长的有机体，生长过程中不可避免地有尖削度、弯曲度、节子等生长缺陷，这些缺陷极大地影响了木材及其制品的优良特性，以及木材的使用率、强度、外观质量，并限制了其应用领域。在传统木制品生产过程中，主要依靠人的肉眼来识别木材缺陷，而木材板材表面缺陷在大小、形状和色泽上都有较大的差异，且受木材纹理的影响，识别起来非常困难，劳动强度大，效率低，同时由于熟练程度、标准掌握等人为因素，可能造成较大的误差。另外在集成材加工中，板材缺陷的非双面识别严重影响了生产线的生产节拍。因此必须开发一种能够对板材双面缺陷进行在线识别和自动剔除技术，以解决集成材加工中节子人工识别误差大、难以实现双面识别、剔除机械调整时间长等问题。

3.1.2单一传感器在木材检测中的应用

对木材及人造板进行无损检测的方法很多，如超声波、微波、射线、机械应力、震动、冲击应力波、快速傅立叶变换分析等检测方法。超声技术在木材工业中的应用研究主要集中在研究声波与木材种类、木材结构和性能之间的关系、木材结构及缺陷分析、胶的固化过程分析等。

随着计算机视觉技术的发展，人们也将视觉传感器应用于木材检测中。新西兰科学家用视频传感器研究和测量了纸浆中的纤维横切面的宽度、厚度、壁面积、壁厚度、腔比率、壁比率等，同时准确地测量单个纤维和全部纤维的几何尺寸及其变化趋势，能够区分不同纸浆类型，测定木材纤维材料加固结合力，并动态地观察木材纤维在材料中的结合机理。

新西兰的基于视觉传感器的板材缺陷识别的软件已经产业化，该软件利用数码相机或激光扫描仪采集板材的图像，自动识别板材节子和缺陷的位置，控制板材的加工。该软件还具有进行原木三维模型真实再现的计算机视觉识别功能，利用激光扫描仪自动采集原木的三维几何数据。

美国林产品实验室利用计算机视觉技术对木材刨花的尺寸大小进行分级，确定各种刨花在板中的比例和刨花的排列方向；日本京都大学基于视觉传感器进行了定向刨花板内刨花定向程度的检测，从而可以通过调整定向铺装设备优化刨花的排列方向来提高定向刨花板的强度。

在制材加工过程中，利用计算机视觉技术在线实时检测原木的形状及尺寸，选择最佳下锯方法，提高原木的出材率。同时可对锯材的质量进行分级，实现木材的优化使用；在胶合板的生产过程中，利用计算机视觉技术在线实时检测单板上的各种缺陷，实现单板的智能和自动剪切，并可测量在剪切过程中的单板破损率，对单板进行分等分级，实现自动化生产过程。Wengert等在综合了大量的板材分类经验的基础上，建立了板材分级分类的计算机视觉专家系统。在国内这方面的研究较少，王金满等用计算机视觉技术对刨花板施胶效果进行了定量分析。

X射线对木材及木质复合材料的性能检测已得到了广泛的应用，目前该技术主要应用于对木材密度、含水率、纤维素相对结晶度和结晶区大小、纤维的化学结构和性质等进行检测，并对木材内部的各种缺陷进行检测。

3.1.3数据融合在木材检测中的应用展望

单一传感器在木材工业中已得到了一定程度的应用，但各种单项技术在应用上存在一定的局限性。如视觉传感器不能检测到有些与木材具有相同颜色的节子，有时会把木板上的脏物或油脂当成节子，造成误判，有时也会受到木材的种类或粗糙度和湿度的影响，此外，这种技术只能检测部分表面缺陷，而无法检测到内部缺陷；超声、微波、核磁共振和X射线技术均能测量密度及内部特征，但是它们不能测定木材的颜色和瑕疵，因为这些缺陷的密度往往同木板相同。因此，一个理想的检测系统应该集成各种传感技术，才能准确、可靠地检测到木材的缺陷。

基于多传感器(机器视觉及X射线等)数据融合技术的木材及木制品表面缺陷检测，可以集成多个传统单项技术，更可靠、准确地实时检测出木材表面的各种缺陷，为实现木材分级自动化、智能化奠定基础，同时为集裁除锯、自动调整、自动裁除节子等为一身的新型视频识别集成材双面节子数控自动剔除成套设备提供技术支持。

3.2在精确林业中的应用

美国华盛顿大学研究人员开展了树形自动分析、林业作业规划等研究工作；Auburn大学的生物系统工程系和USDA南方林业实验站与有关公司合作开展用GPS和其他传感器研究林业机器系统的性能和生产效率。

目前单项的GPS、RS、GIS正从“自动化孤岛”形式应用于林业生产向集成技术转变。林业生产系统作为一个多组分的复杂系统，是由能量流动、物质循环、信息流动所推动的具有一定的结构和功能的复合体，各组分间的关系和结合方式影响系统整体的结构和功能。因此应该在计算机集成系统框架下，有效地融合GPS、GIS、RS等数据，解决这些信息在空间和时间上的质的差异及空间数据类型的多样性，如地理统计数据、栅格数据、点数据等。利用智能DSS(决策支持系统)以及VRT(可变量技术)等，使林业生产成为一个高效、柔性和开放的体系，从而实现林业生产的标准化、规范化、开放性，建立基于信息流融合的精确林业系统。

南京林业大学提出了“精确林业工程系统”。研究包括精确林业工程系统的领域体系结构、随时空变化的数据采集处理与融合技术、精确控制林业生产的智能决策支持系统、可变量控制技术等，实现基于自然界生物及其所赖以生存的环境资源的时空变异性的客观现实，以最小资源投入、最小环境危害和最大产出效益为目标，建立关于林业管理系统战略思想的精确林业微观管理系统。

[参考文献]

数据融合范文篇3

关键词虚拟数据仓库；数据中心；联邦；信息门户；元数据

1引言

随着信息技术的飞速发展，国内外各大石油公司的竞争已经表现在信息技术应用的竞争，都在设法借助信息技术的力量，寻找新的增长点，从石油天然气行业的上、中、下游陆续建立了各类信息系统，历经数十年，投资数十亿美金不等。

另一方面，国内大多数油气田，现有的信息系统多为自主开发和部分引进系统。已经完成的各类专业应用软件、专业数据库系统和数据仓库等分别建立在不同的平台上，数据源各异，信息标准不一、相互独立，信息来源渠道分散并分别集中在不同的层次，相互间难以实现不同层次信息交换；这些系统不仅各自独立，分散，甚至存在某些数据重复建设的情况，数据冗余严重，同一份数据重复出现在多个应用系统中，存在数据不一致的风险。

数据中心（数据融合平台）通过将油田各应用系统有机集成和业务重组，最终构建一个统一的、标准的、集成的、能够包容各业务流程的数据中心体系架构和数据交换和共享平台，支持分散的、松藕合的分布式应用集成。大大地避免油田在信息系统方面重复建设，重复投资，为油田节省大量的资金。

然而，各大油田对数据融合平台建设目标和建设内容的理解各不相同。所采用的技术也是五花八门，这样实现的数据中心往往运行效率不高、对原有系统改动大（有的甚至直接放弃原系统）、难于推广，这势必会严重影响数据中心的全局应用。

在本文中我们试图通过分析影响数据中心建设的若干关键技术因素及解决方案，得到一个具有普遍意义的、先进、高效的数据融合平台架构。

2关键技术因素分析

2.1如何有效整合大量异构、异平台数据源

随着油田信息化建设的深入进行，大量的信息系统被开发并投入运行，由此而产生出了大量的同构异数据库、异构异平台的不同数据源，在这些数据源中有些是结构化的、有些则是文档、曲线数据等非结构化数据，还包括OA、ERP、纸制文档等一大批数据源。如不能有效整合和管理这些数据，将很容易造成数据遗失和管理混乱。

然而，如何有效整合如此庞大、复杂的数据源呢？是将所有数据集中到一个大库中统一管理？还是采用分布式技术建立统一访问平台？如何在各数据源的基础上实现综合、分析、挖掘？这些问题都将成为油田数据中心建设所面临的难题。

2.2如何为用户提供统一的登录及安全可靠的数据访问平台

油田数据中心建设用户提供统一的登录及安全访问的目的是为了解决以下几大问题：

（1）各系统之间互不兼容，数据信息不能共享。

（2）用户使用不同系统时，需要在不同系统中不停登录切换，效率低下。

（3）管理人员需要记忆一大堆的用户名和密码。

（4）不同系统需要很多不同专业的人员更新维护，维护成本很高。

针对上述问题，目前行业内提出了很多解决方案，但是在实施中如何选择最优的方案以解决面临的诸多难点问题：

（1）如何解决灵活性适应性差，花费大量时间建立的信息系统不能适应需求的变化，一旦需求改变，就将不断修改程序甚至全部重建，增加时间和资金投入的问题。

（2）如何建立起全局的安全访问目录，为用户提供灵活、方便、安全的数据服务。

（3）如何有效集成大量图形、图表工具，为不同角色、管理级别的用户提供直观、灵活的查询界面。

（4）个性化服务问题，即为用户定制访问首页及访问内容。

2.3如何有效管理元数据

元数据的定义一般泛称为：Dataaboutdata（管理数据的数据）。元数据的具体定义和应用随学科不同和应用领域不同而异。在石油领域，元数据是描述一个具体的油田数据库数据资源对象（数据集或数据），并能对这个对象进行定位管理，且有助于它的发现与获取的数据。

从元数据的定义可以看出，所谓元数据就是要定义一种管理数据的格式或数据字典，与此同时数据之间的关联也应定义在元数据中。然而在具体实施中却存在着一系列难点问题需要解决，例如：

（1）在石油领域里需要定义怎样的数据格式？

（2）元数据的规模有多大？

（3）如何将元数据的定义与数据源进行抽取、过滤、转换、映射关联在一起，从而实现元数据定义的自动化？

（4）如何为元数据管理提供完整易用的操作界面（甚至是图形化的界面）？

2.4如何充分利用企业现有硬、软件资源及网络资源

企业现有服务器、网络资源往往得不到充分的利用，如何高效的组织企业现有硬、软件环境为生产应用服务，这也是数据中心建设中急需解决的一大问题。

实施中可能遇到的难点问题包括：

（1）如何评估企业现有硬件、网络资源的使用效率？

（2）如何根据数据中心运行需求来优化配置企业现有资源？

（3）网络及硬件设备管理规范。

2.5如何从海量数据中整理、挖掘出有价值的数据仓库模型

建设面向主题的数据仓库首先面临的问题就是如何区分决策关键数据。其次是主题分类的问题，不同的专业需要不同的决策数据，需要建立不同的数据仓库模型，这一点不同于研究院现有的数模和建模，需要在庞杂的业务数据中不断挖掘出新的、不同规模的主题和仓库模型，并为这些主题建立起专业分类以方便管理，随着应用的深入能够被发掘出来的主题会越来越多、越来越细。最后，怎样把这样大量的数据转换成可靠的、商用的信息以便于决策支持的问题也是数据仓库建设中必须要解决。

3数据整合平台的总体技术架构设计

3.1数据融合平台系统设计思想

通过上述关键技术因素分析，我们明确了所要解决的主要目标问题，在此基础上我们进一步提出数据融合平台系统设计思想和关键技术路线。

1）数据融合平台建设是一个庞大的系统工程，需要分阶段、分步骤实施。从上述关键技术因素分析中我们可以提炼出系统建设的三个主要层次，即：首先要完成数据中心所需数据的分析、整理工作，从而制度出统一的数据标准和元数据规范；其次是已数据标准为基础建立数据交换与共享平台；最后建立项目数据库和数据挖掘、知识管理环境。

2）数据融合平台需要建立在一个高效率、高稳定、高可扩展性以及高安全的运行环境中，因此作为目前技术主流的J2EE符合此类大型系统的设计需要，它具有可靠、稳定、跨平台的诸多优势。另一方面，数据融合平台需要一套完整的而有机结合的技术解决方案，要解决包括异构、异平台乃至非结构化数据的有机融合、符合个性化和安全要求的信息门户与数据交换平台的有机整合、知识管理、数据挖掘环境与数据交换平台的有机整合。在众多J2EE平台中，只有IBM方案能够有效满足上述三大结合的需要，其主流产品WebSphereII、WebspherePortal、DW9已被广泛运用于电力、银行等大型企业数据整合系统中并具有较高的性价比。

3）针对数据集中还是分布的问题，我们提出的虚拟数据仓库体系架构有效结合了集中式和分布式优点，既能够保证原有系统不会因为数据集中而影响使用，又能够通过ETL从虚拟数据仓库中导出项目数据到项目数据库中。有效满足了用户对数据的各类需求。

4）需要建立一个可扩展的集成数据挖掘、知识管理、OLAP等多种分析工具在内的项目环境为知识发现提供基础运行平台。

5）需要建立以数据中心为核心的服务器群集环形网络架构体系及数据存储NAS和SAN混合架构。服务器群集环形网络架构体系包含群集件和负载平衡管理，可以定义规则使之在正常工作时和应对故障时自动为每个服务分配处理资源。

3.2虚拟数据仓库总体技术架构

下面我们给出虚拟数据仓库总体技术架构，本架构全面覆盖了五大技术因素，并有机融合了目前国际领先、成熟的技术、产品包括联邦技术、门户技术、元数据管理、数据评分及多维数据分析技术，服务器群集环形网络架构体系及数据存储NAS和SAN混合架构等。

图1虚拟数据仓库总体技术架构

技术架构分析：

本技术架构由两大资源管理平台构成：

石油数据资产化管理与应用系统平台

专业应用和综合应用数据资源平台

（上图中两大平台所涉及领域用白色虚线区分）

石油数据资产化管理与应用系统平台主要内容介绍：

1）目前分散在各部门的数据库系统（包括勘探、开发、生产调度等）在物理位置上保持现状，但在逻辑上和管理上统一纳入分布式数据库系统管理范畴。它们的数据源采集流程及数据质量保障则纳入标准化体系，对录入数据进行数据整理、质量审核、数据加载。

2）虚拟数据仓库体系建立在分布式数据管理系统基础之上，提供索引编目、安全管理、元数据管理、权限管理、空间数据集成、数据抽取等服务。

3）数据中心数据管理门户为虚拟数据仓库管理人员提供统一的登陆和管理操作界面。

4）企业应用门户提供数据资源需求用户统一的登陆、检索界面。

专业应用和综合应用数据资源平台主要内容介绍：

1）数据需求者根据需求，通过虚拟数据仓库抽取出所需要的数据建立数据集市。

2）根据以建立的数据集市提供用户数据挖掘、高级检索、OLAP所需的相关工具支持。

3）数据集市还包含地震、测井等大体数据。

4油田数据整合关键技术

4.1联邦技术

联邦是指对跨越多个数据资源的数据关联查询的技术。通过实现该技术从而支持不同数据库表之间（甚至文本文件间）数据的关联查询。整合不同数据（分布式和大型机，结构化和非结构化，公共和私有），在处理使其如同是在单个数据源中。联邦技术能够统一地访问以任何格式（结构化的和非结构化的）存储的任何数字信息。通过采用数据联邦，可在不影响现有应用的前提下，将各类系统的数据源通过联邦的方式映射到一个逻辑的数据库中。联邦的特性：●透明性。所有信息源看起来就像是一个信息源。

●异构性。从不同数据源整合数据。

●可扩展性和工具化。可以访问任何数据源。

●可以通过标准的分析、报告和开发工具来无缝利用的高级功能。查询接口提供了基于标准的完整功能——包括对后端数据源中缺少能力的补偿。

●避免需要对现有数据源和应用程序进行更改的自主性。

●其性能可以满足实际应用程序和可能应用程序的需要，包括高级查询优化技术、本地数据访问以及透明缓存支持。

联邦的技术组织结构：

图2联邦技术组织结构

图2中：联邦服务器（FederatedDatabaseServer）通过称为包装器（Wrapper）的软件模块与数据源进行通信。对于上述各类数据源，WebSphereII提供专用的wrapper，每个wrapper实现异构数据源的SQL处理，支持异构数据库间数据类型的转换和函数的转换。对关系型数据库数据源而言，包装器通过安装在信息整合平台的该数据库的客户端与其进行交互。对非关系型数据源，包装器直接进行数据访问。包装器从信息整合服务器接受数据访问指令，进行转换为数据源所支持的SQL，通过数据源的客户端提交执行。然后将结果返回给信息整合服务器处理。

4.2Portlet技术

基于IBMWebspherePortal技术实现的油田信息门户平台能够高效地把各种应用系统、数据资源和互联网资源统一集成到通用门户之下，根据每个用户使用特点和角色的不同，形成个性化的应用界面，并通过对事件和消息的处理传输把用户有机地联系在一起。简单而言，门户平台是能够充分满足用户个性化需求，使得用户能够以自己的方式交互访问相关信息、应用软件以及业务流程的集成平台。该平台主要技术特点包括：

●多平台系统的单点登录集成框架

在统一的浏览器环境下，通过一次身份认证，即可按照各自的权限存取不同的应用系统，动态浏览企业内部管理信息、外部经营管理信息。

●多平台系统内容集成框架

在统一的浏览器环境下，通过与原有应用系统(如OA系统、ERP系统、勘探信息系统，开发信息系统等)进行集成，在保留现有系统的前提下，使得通过统一的门户能够进入这些应用系统，并可以portlet形式集成原有应用系统的内容。

●强大的文档搜索功能

石油行业的各种文档形式多样，格式可能是文本、XML、Word文档、PDF及PPT文件，存储在文件系统、内容资料库、数据库及邮件系统中，并且安全级别各不相同。因此，该系统提供区别于其他搜索引擎的专有引擎来搜索各种文档。

●与ERP工作流、原始报表和水晶报表系统无缝集成

在统一的浏览器环境下，在各自的使用权限下通过portlet集成展现ERP工作流的审批过程及各种报表，统计图表。

●用于协同工作的信息即时交流平台

在该门户系统上工作的同时，用户可看到其他在线的人员，然后通过内部邮件系统、在线聊天等手段与之交流，提高工作效率。

●用户的个性化定制

在该门户系统上工作时，可自定义页面，在自己的页面上添加经常关注的信息，或经常要使用的集成的各种应用系统。

●强大的安全管理平台

在基于LDAP的技术上，提供基于角色的用户安全管理功能，使得各级用户只能浏览权限范围内的信息，确保系统安全运行。整个系统，只需要一次登录，即可访问所有具有权限的信息和功能。用户口令实现集中管理。

4.3元数据管理

首先，油田各类数据库可以利用元数据技术规范化其现有的数据资源。每个专业领域建立自己的元数据标准，各专业子库按照这种标准的格式向外数据。这样，用户可以通过元数据标准提高数据查询和使用的效率和准确性。其次，这些元数据将记录有关于数据的所有上下文资料，数据管理者可以通过这些元数据对数据资源进行有效的管理，数据的使用者可以根据这些元数据了解数据资源的背景资料等信息。最后，元数据的使用能够进一步的消除各个数据资源之间的语义的独立性和异构性，能够达到一定限度的数据整合和交换。

图3油田元数据管理

油田元数据网格服务包括三个主要过程：用户通过元数据网格服务到元数据库中检索元数据；用户根据元数据到网格应用数据库中查询获取数据；网格应用数据库中新增数据库、表、字段、某些特殊记录时，向元数据网格数据库与之相关的信息、资料。

4.4数据挖掘与知识发现技术

总体框架中描述的专业应用及综合应用平台需要包括从后台数据整理、分析到前端图形图表展现的全面技术支撑。

IBMDB2DWE（DataWarehouseEdition）是面向商业智能应用的软件产品包，它包含十多个工具，给商业智能提供了全面、坚实的支持。其中，DB2Alphablox是新版DWE的亮点，它是一套基于Java开发的分析组件。

图4IBMDB2DWE产品分布

DB2Alphablox支持标准的J2EE应用程序开发模型，从而提供了可实现应用程序交付的全面开发范例，这为应用程序开发人员提供了定制用户界面和添加自己商业及应用程序逻辑的灵活性。通过DB2Alphablox，用户将获取功能强大的报表生成、图形化分析、无限制的信息“钻取”等多种体验。DB2CubeViews是DB2通用数据库的附加功能部件，它增强了DB2，使DB2作为开发和部署商业智能产品和应用程序的平台，特别值得一提的是，DB2CubeViews有助于加速位于DB2上的OLAP解决方案和应用程序的开发和管理。

该技术主要特性包括：

DB2UDBV9.1中的DataWarehouse特性包括：

●用于大量可伸缩性的DatabasePartitioningFeature。

●用于提高DBA效率和所有规模的数据库的自动管理。

●多维数据集群--在OLAP和其他查询中使用的数据的优化存储选项。

●为仓库查询提供Cube似的性能的具体化查询表。

●帮助维护实时仓库的OnlineUtilities。

●DesignAdvisor，使得易于为高性能的分析工作负荷设计优化的一组仓库对象（包括MQT、索引、分区和MDC）。

●用于高级分析的内置功能，包括回归、协方差、柱状图和移动窗口。

5总结

本文针对五大关键技术因素提出的油田异构数据源整合虚拟数据仓库系统，使得企业能够多种业务应用系统、多种异构数据源并存，实现异构数据源的动态及时互访，以及信息的挖掘与综合利用，既保护了企业的原有信息化投资，又提供了应用系统由旧向新、系统平台由低向高平滑过渡，能够满足企业低成本、阶段性、可扩展性信息系统建设的需要。

参考文献

[1]陈长清，等.异构平台的数据仓库与数据开采技术DB/OL；http：//

[2]仇丽青，等.面向Web的数据仓库体系设计J.计算机应用研究，2004，(9)

[3]MobasherB，JainN，HanE，SrivastavaJ.Webmining：PatterndiscoveryfromworldwidewebtransactionsR.TechnicalReportTR96-050，UniversityofMinnesota，Dept.ofComputerScience，Minneapolis，1996

[4]IBM，IBM联邦数据库技术.

http：//www-/

[5]IBM，WS技术白皮书.

ttp：//www-/developerworks/

[6]刘启原，刘怡.数据库与信息系统的安全[M].科学出版社，2000，1.20-28

[7]毛锋.数字油田的理论.设计与实践[M].北京：科学出版社，2001.65-106

[8]罗广华，熊华平.油田开发数据仓库的建立[J].大庆石油地质与开发，2002，(02).34-35

数据融合范文篇4

|

数据融合范文篇5

关键词:铁路交通;信息预测;数据融合;神经网络

在城市地铁交通中,各车站交通流量信息(如候乘数量、下车数量等)的准确预测有利于地铁运行高效、及时地调度,从而既达到增加效益的经济目的,又可以更好地满足人们的乘车需求。传统的预测方法有回归分析算法以及Kalman滤波等。这些方法假定过程是平稳的,系统是线性的,系统的干扰是白噪声,因此在线性系统平稳的随机时间序列预测中能够获得满意的结果。然而,交通问题是有人参与的主动系统,具有非线性和扰动性强的特征,前述方法难以奏效,表现为以下缺点:①每次采样的数据变化较小时适用,数据变化大误差就大;②预测值的变化总是滞后于实测值的变化;③无法消除奇异信息的影响。基于小波分析的动态数据预测方法以小波变换后的数据进行预测,克服了传统预测方法不能消除奇异信息的缺点,有效地预测动态的流量信息[1]。但该方法只能对单个的数据序列进行处理,而事实上能够用于预测的数据可以是多方面的。

数据融合(Data2Fusion)技术起源并发展于军事领域,主要用于目标的航迹跟踪、定位与身份识别以及态势评估等[2]。传统的数据融合技术大多采用概率理论(如Bayes决策理论)对多种信息的获取与处理进行研究,从而去掉信息的无用成分,保留有用成分[3]。在信息处理中,分别运用各种体现数据不同属性特征的方法处理(如预测)后进行融合是一个有待深入研究的问题。为了充分利用各方面已有的数据,获得可靠的交通流量动态预测,本文借鉴数据融合的基本思想,提出了在数据处理方法上的融合预测方法。

1流量融合预测模型

1.1预测模型的结构

由于预测对象的复杂性,为了表现与预测对象相关联的其他对象或属性,每个关联对象(属性)用一个时间序列来表示,作为预测对象的相关序列。所有用于预测的相关序列构成预测对象的相关序列集。由于在预测中具有不同的作用,各相关序列将使用不同的处理和预测方法。在相关序列集上的地铁客流量融合预测模型结构,如图1所示。

下面针对城市地铁车站客流量的预测进行论述。

1.2构造相关序列集

为了预测车站(序号为0)在第i天t时刻的流量^F0i(t)(实测值为F0i(t)),设t时刻^F0i(t)的相关时间序列集为f(t)={fj(t),1≤j≤n}(1)式中,fj(t)为t时刻^F0i(t)的相关时间序列;n为相关时间序列数。

为了获得精确的预测,可以根据关联特性构造任意多个相关时间序列。本文意在阐明本算法的基本思想,将流量数据仅仅构造为3类相关序列:当前序列、历史序列和邻站序列。

当前序列预测时刻t之前本站最近k次流量按时间先后记录下来的数据构成的时间序列为当前序列,即

f1(t)={F0i(t-l),1≤l≤k}(2)

该序列数据的主要影响因素是时刻,同时还受人为、气温、天气等其他扰动因素的影响,数据分布的非线性特性较大,频带较宽。第l班列车的流量如图2所示。

历史序列同为工作日或同为节假日的相邻数天,其流量曲线形状相对类似,流量曲线相似的日期在预测中具有较大的参考意义。本站最近m天在时刻t的流量按日期先后记录下来的数据构成的时间序列为历史序列,即f2(t)={F0i-p(t),1≤p≤m}(3)工作日和节假日流量差别较大,可将它们分类处理。该序列整体分布较平稳,有震荡,但频带较窄。第p个工作日在时刻t的流量如图3所示。

邻站序列图4为本站与邻近2个车站24h的流量曲线经DB2小波3层变换后的近似分量,可见各分量关联性较大。如果根据以前的数据将各邻近车站相互关系解算出来,就可以利用这种函数关系预测时刻t在本站的流量。最近m天在时刻t的流量按日期先后记录下来的各邻站历史序列为本站的邻站序列,即

qf2+q(t)={Fi-p(t),1≤p≤m,1≤q≤s}(4)

q式中,Fi-p(t)表示第q个邻近站的第(i-p)天的流量;s表示邻近站数。

1.3相关序列的预测

由于各相关序列在预测中具有不同的影响,且分布规律和特点差异较大,因而各序列使用不同的预测方法。本文对当前序列进行小波分解后用Kalman预测,对历史序列直接进行Kalman预测,对邻站序列用幂级数多项式进行拟合。

1.3.1小波分析

根据设置的分解指数η对序列进行小波N尺度分解,得到一组低频信号和N组高频信号,对这N+1组信号分别用Mallat塔式算法重构到原尺度上,得到N+1组在原始尺度上的经过分解重构处理的信号。分别对信号用Kalman滤波进行预测,得到N+1个预测值,再将这N+1个预测值用权系数合成最终的预测值。具体算法请参见文献[1]。

1.3.2Kalman滤波离散线性Kalman滤波方程为

F(t)=Φ(t-1)F(t-1)+W(t-1)(5)式中,Φ(t)为系统状态转移量;W(t)为系统误差。Kalman滤波通过t-1时刻的状态F(t-1)估计t时刻的状态F(t)。具体算法请参见文献[1]。

1.3.3多项式拟合

分别对各邻站序列用幂级数多项式拟合本站数据,拟合模型如下

n

i

p

^Fp(t)=αp,i(t)F(t)(6)

i=0

i

6式中,Fp(t)为对第p个邻站在时刻t的流量的i次i幂;αp,i(t)为Fp(t)的系数。当n=2时,上述拟合算法简化为线性回归模型。

1.4流量的融合预测设预测对象共有n个相关的时间序列fi(t),经过预处理分别为fi(t),融合预测模型可表示^F(t)在f(t)上的映射,即^F(t)=ζ(f(t))=ζ(f1(t),f2(t),fn(t))(7)式中,ζ(·)表示映射关系。特别地,式(7)可简化为如下的线性映射组合^F(t)=αi(t)ξ(fi(t))(8)i=16

式中,αi(t)为t时刻的序列fi(t)的权系数;ξ(fi(t))为以fi(t)为依据的局部预测值。为了确定上述算法中映射关系ζ(·),本文采用神经网络进行解算。

2模型的神经网络解算

神经网络是由大量简单的神经元以某种拓扑结构广泛地相互连接而成的非线性动力学系统[4]。神经网络在数据融合技术中具有无法替代的作用,通过神经网络对各相关序列的局部预测进行最终融合,具体过程如下。

2.1数据的局部处理

广州市地铁某站一个方向的流量数据是以每班列车到站上车的人数记录的(流量单位:人/班)。根据2002年5月1日2003年3月2日的流量数据,运用本文算法进行预测。按照1.2节的方法构造了4个相关序列:当前序列f1(t)、历史序列f2(t)以及相邻2个车站的邻站序列f3(t)和f4(t)。

2.2神经网络的设计

因为3层神经网络可以一致逼近任何非线性函数[5]。采用具有单隐层的3层神经网络作为模型,即输入层、隐层和输出层。

以各相关序列的局部预测值作为输入向量,实测值F(t)为期望输出,有4个输入节点,1个输出节点。隐层神经元数量关系到网络的训练速度和精度问题。对于一定数量的样本,需要一定数量的隐层神经元数,神经元少了,不能反映样本的规律;多了,则神经网络以过于复杂的非线性关系来拟合输入输出之间的关系,使得模型的学习时间大大增加。本例中,8个隐层神经元数是最好的。以误差平方和SSE(Sum2SquaredError)作为训练评价标准,SSE=pj(Ypj-Opj)2,其中Ypj和Opj分别为输出层第j个神经元的第p个样本的期望输出和实际输出(本例中j=1,p=60)。

用MATLAB的ANN工具箱构造神经网络。隐层神经元的激励函数为tansig函数(正切S型传递函数),输出层神经元的激励函数为purelin函数(线性传递函数),这样整个网络的输出可以取任意值。采取批处理学习方式和快速BP算法训练。

2.3神经网络的训练

将网络的训练标准SSE设为64(60组训练样本),利用上述样本对神经网络进行训练,训练6000次时网络的权值和阈值将达到最佳值,即达到了训练目标。神经网络训练目标接近过程,如图5所示。

从图5中可以看出,训练开始时,网络收敛速度较快,接近目标时收敛速度会减慢。可见,训练次数越多,得到的结果越好。当然,这是以训练时间的增长作为代价的。

3实验对比分析

采用本文算法和传统的Kalman算法分别对2003年3月2日的各整点时刻的流量进行预测。算法各时刻均通过训练后的神经网络预测,预测与实测结果的比较,如图6所示。

传统的Kalman滤波是直接在当前序列的基础上进行预测的,预测与实测结果的比较如图7所示。2种预测方法的误差指标对比见表1。

表1实验结果对比

比较可得,由于传统的Kalman预测方法只能以某一类序列的数据作为预测基础,无法利用其他序列信息,且对变化大的数据采样要求较高,因而具有较大的误差,而本文所述方法有效地克服了这些缺点。

4结论

通过分析城市地铁站客流量的相互关系和特点,在对流量信息进行以预测为目的相关序列集构造的基础上,提出了一种基于数据融合的预测模型。该预测模型不仅是一个多信息接收和处理的融合模型,而且还是一个动力学系统,网络的训练样本也是动态的,如果训练的次数适当,预测的精度也可以随之变化调整。实验结果表明,基于数据融合的预测与传统的预测方法相比,由于充分利用了所有预测信息,在预测的准确程度上有较大提高。

参考文献:

[1]李存军,等.基于小波分析的交通流量预测方法[J].计算机应用,2003,23(12):7—8.

[2]权太范.信息融合:神经网络模糊推理理论与应用[M].北京:国防工业出版社,2002.

[3]李洪志.信息融合技术[M].北京:国防工业出版社,1996.

数据融合范文篇6

关键词：SDN；校园网；负载均衡

智慧校园是数字化校园的延伸产物，是信息化技术发展的必然结果。目前，国内外高校都致力于建设智慧化校园，为此做出了大量的建设方案并实施了一系列的措施，目的就是更快更好的打造出一条适合自身发展的信息化建设道路。智慧校园全面提升了高校教学质量和管理水平，推动了高校信息化建设进程[1]。在信息化快速发展的时代，高校教师和学生在日常的教学与生活中对网络、计算机、智能手机以及多媒体设备的应用越来越广泛，教师的教学活动、学生的学习与生活以及管理人员的管理工作等需求使得高校工作需实现信息化与智慧化。针对高校信息化与智慧化建设落后的现状，提出大数据与云计算融合的高校智慧校园建设。

1关键技术

1.1大数据

信息化推动高校智慧校园建设过程中出现了大量的数据信息，这些数据呈现出容量大、结构多样化、种类多、冗余以及更新速度快等特点[2]。为了保证学校各项工作的正常运转，需要对这些数据进行采集、分析、处理与存储。采用大数据技术对海量的数据信息进行采集和深入挖掘，然后对挖掘出的有效数据进行分析与处理。在对数据进行处理时，采用的是分布式处理方式，最后对需要保存的数据信息进行存储以便随时进行查询。大数据技术的应用为提高高校的整体管理服务水平以及教学能力奠定了坚实的基础。大数据平台具备数据存储、信息收集、数据分析辅助决策、数据处理以及数据交换共享等功能，是所有数据的汇聚中心，是智慧校园建设的核心部分，为学校师生提供全面的信息化服务。利用大数据可以对教学资源进行共享，实现开放式教学，对学生进行分级教学或分层管理，实现精准化、差异化以及个性化教育[3-4]。大数据技术能够对学生的学业、心理、就业以及生活进行科学、合理、便捷且有效的管理。学校公共资源使用情况通过大数据技术可以实时方便地掌握，然后反馈给师生和用户，很大程度上促进了公共资源的有效利用。后勤管理是一项繁杂的工作，大数据能够对能耗进行监管，构建绿色校园，还可以对维修进行监管以便提高服务水平。此外，在辅助决策中大数据的应用也是非常广泛的。

1.2云计算

云计算是智慧校园建设中的关键技术之一，将校园中所用的计算资源通过网络实现统一的管理和调度，为师生和相关人员提供快捷、方便的服务。云计算提供的服务包括3个层次，分别是基础设施即服务、平台即服务以及软件即服务。基础设施即服务层可将基础设施资源和数据等分配给用户，具有大规模、低成本以及高效率等特点。平台即服务层可以向用户提供软件操作系统和数据库等软件开发和运行环境，特点主要有统一的平台架构和高效的数据处理能力等。软件即服务层可以将软件作为服务向用户提供，用户通过Internet租赁所需的软件服务，这种方式可以很大程度上降低软件使用成本，提高可靠性[5]。云计算按需提供服务，能够合理对资源进行动态配置，开放性、扩展性以及协同性更强。在云计算技术的应用下，高校师生只需要通过计算机和智能手机等多媒体设备就可以随时随地快速高效地使用和查询公共业务与服务。

2智慧校园建设

智慧校园旨在改善学校综合管理和服务环境，构建智能化、一体化的绿色安全校园生态，全面提高学校的信息化应用水平和教学服务水平。在深入调研并广泛收集用户需求和高校实际情况的基础上提出大数据与云计算融合的高校智慧校园，以延安大学为例，智慧校园主要包括网上办事大厅和智慧延安APP。

2.1网上办事大厅

对于高校一些常见业务和服务进行整合，通过整合实现学生一体化、教职工一体化、教学一体化以及公共信息服务一体化构建，为学校各类人员提供更具智慧的教学、管理及服务一体化的服务模式。其中，网上办事大厅就是在高校智慧校园建设中为用户提供常见业务和一体化服务。为方便高校师生和后勤保障人员等各类高校人员高效快速便捷地使用学校各类业务，可以将使用频率较高的业务通过“业务直通车”进行链接。通过大数据技术对业务使用频率与需求等进行采集、挖掘与分析，将人事系统、教务系统、科研系统、研究生系统、宿舍管理、一卡通平台、档案系统、正版化软件平台以及校园网自助服务等作为业务直通车的应用业务。同时对于使用频率较高的服务进行推荐，方便用户体验与应用。为提高高校一体化服务水平，可以根据用户角色不同将服务分为教师服务、学生服务以及游客服务。教师服务主要是针对教师提供的服务，包含教师教学、办公及生活中运用到的公共资源和服务，例如云计算资源使用申请、场地预约申请、报告会、研讨会及讲座、论坛网上审批、教工办公账号入网申请、家属区校园网账号申请、校园网电子邮箱开户申请以及校园新媒体备案登记等。学生服务的受众用户主要是学生，其中校园宣传品布展审批、学生证补办申请、陕西省家庭经济困难学生暨国家教育资助申请、大学生国家奖学金申请、延安大学国家助学金申请、学生学费减免申请、网络故障报修申请、学生临时困难补助申请以及延安大学“小红帽”勤工助学岗位设置申请等都属于学生服务类型。而游客服务可以根据游客需要后续逐渐增加服务内容，从而更好地满足用户需求。高校事务除了根据角色不同分为教师事务、学生事务以及游客事务这3类外，还可以根据部门不同进行分类。为了方便对自身的事务进行发起、审批以及查询，可以设置我的事务页面。对于一些常见问题可以设置常见问题页面，通过输入标题或内容进行查询。综上所述，网上办事大厅框架如图1所示，由首页、事务分类、我的事务以及常见问题构成。首页分为3部分，第一部分是一站式服务；第二部分包括业务直通车和推荐服务；第三部分根据用户角色将服务分为教师服务、学生服务以及游客服务。

2.2智慧延大

高校提供的应用和服务多种多样，为了快速查找用户所需的业务或服务可以对其进行分类，按照服务类型可分为办公服务、教学服务、资源中心、生活服务以及小工具等。其中，通知、站内信函、待办事项、办事大厅、智能客服、电话黄页、通讯录以及邮箱都属于办公服务。教学服务由学校简介、图书借阅、课表查询、四六级课程以及课程广场组成。资源中心包含图书、期刊、读书排行、学术检索、报纸、名师讲座、党建学习、网上报告厅以及馆藏查询。悦校、自助服务、校园网缴费、宿舍管理、网络报修、意见反馈、全景校园、我的云盘、资讯聚合以及失物招领属于生活服务。投屏、发签到、直播、表单采集以及速课制作归类为小工具。除了应用外，还可以给师生推荐一些热门的书籍方便阅读，对于学校的主要新闻、通知公告及学术动态同样应该方便查询与阅览，从而促进智慧校园建设。为了方便高校师生通过移动端完成学习、教学、生活以及管理等各项活动，推动高校智慧校园建设，设计针对延安大学的智慧延大APP，框架如图2所示。

3智慧校园展示

3.1网上办事大厅首页展示

本文主要对网上办事大厅首页进行展示，如图3所示。用户可以在“一站式服务”搜索框输入服务名称直接进行模糊搜索。通过“业务直通车”提供的人事系统、教务系统、科研系统、研究生系统、宿舍管理、一卡通平台、档案系统、正版化软件平台以及校园网自助服务等业务链接可以快速打开这些系统和页面，完成业务办理与查询等。推荐服务是在众多服务中选择使用率较高的服务进行推荐。教师服务、学生服务和游客服务是按照角色进行分类，为教师、学生及游客提供个性化与一体化服务。

3.2智慧延大APP展示

智慧延大APP包含首页、消息、笔记以及我4个页面，如图4所示。该APP与网上办事大厅提供的业务与服务有所不同，在办事大厅无法找的个性化服务在这里都可以找到。从图4可以直观看出智慧延大首页布局，第一部分是搜索框，用户可以输入所需内容的关键字等进行查找。第二部分显示了业务应用，通过点击“全部应用”可以进入应用页，该应用页根据服务类型不同分为办公服务、教学服务、资源中心、生活服务以及小工具，用户根据自己的需求点击相应服务与应用。第三部分推荐了一些热门的书籍，用户可以选择喜欢或感兴趣的书籍进行阅读，在阅读之后可以对书籍进行1星到5星的专题评分，对书籍进行评论、点赞以及转发。第四部分包括延大要闻、通知公告以及学术动态，以列表的形式显示要闻、通知以及学术动态信息，点击标题即可进入对应内容页，对相关内容进行阅览，方便师生了解学校时事动态。图4智慧延大首页

4结语

本文提出的智慧校园实现了无处不在的网络学习、融合创新的网络科研、透明高效的校务治理、准确无误的决策支持、丰富多彩的校园文化以及方便周到的校园生活，打造了方便快捷、安全有序且绿色环保的科研、教学及生活智慧化环境，促进学校的快速可持续发展。大数据与云计算融合的高校智慧校园对信息化的绩效导向、教育信息化转型发展以及校园智能管理等具有较好的推动作用，值得推广应用。

参考文献

[1]徐勇.大数据及云计算技术在智慧校园中的整合与应用研究[J].电脑知识与技术,2019,15(32):55-56.

[2]胡春森.基于智慧校园的高校信息化教学管理研究:评《高校教学管理信息化建设》[J].新闻爱好者,2019(6):98.

[3]陈丽蓉.基于大数据的高校智慧校园建设探究[J].电脑知识与技术,2020,16(21):36-38.

[4]宣继涛.高校智慧校园建设中的大数据、云计算与物联网技术的融合分析探讨[J].教育现代化,2019,6(73):80-81.

数据融合范文篇7

关键词：大数据；广播电视编辑；研究现状；发展趋势

在大数据的时代背景下，网络信息技术与人们的生活联系日益密切，逐渐成为现代社会生活中必不可少的重要组成部分。在迎来重大发展机遇的同时，广播电视行业也面临着前所未有的压力，如何在大数据融合背景下保证信息的真实性、严肃性和客观性，如何保证广播电视媒体的权威性和公信力，是广播电视行业在大数据融合背景下所必须面临的问题。因此，这也就促进了广播电视编辑研究的进展，以期能够为广播电视行业的发展提供方向和动力。

1.大数据融合背景下广播电视编辑研究发展的现状分析

1.1广播电视编辑研究的层次比较浅

从目前我国广播电视编辑的相关研究成果可以看出，虽然大数据融合在我国得到了快速的发展，但是在广播电视编辑研究领域还停留在比较低水平的阶段。在研究的内容来看，大部分的研究著作只是对广播电视编辑的工作经验的总结，还有的只是对广播电视各个环节的工作流程和注意事项的总结，在理论研究方面缺乏深度和思考，没有从大数据融合背景下我国广播电视编辑的表层现象出发，透过现象分析出其内在的精华和本质，缺乏对深层原因和本质问题的探讨和研究。这样的研究和创作方式使得广播电视编辑研究的成果表现出明显的高重复率的特征，深层研究的缺乏使得广播电视行业的很多工作人员在从事相关的研究和分析工作时都选择从表层现象出发，对行业内部及发展情况的表象进行概括和总结，因而很多研究人员的研究内容都是互相重复的，仅仅局限于低层次的某些方面。因此可以看出，这样浅层次的研究方式是无法推动广播电视行业相关理论研究的进展的。一个领域，或者一个学科的研究工作的开展，必须建立在一个比较深层次的研究平台上。简单地说，其特点可以概括为以下几个方面：第一，研究的系统性和完整性。从当前我国广播电视研究的情况来看，大部分的研究工作还局限在对工作经验和行业现象的描述和总结上，而通常这些经验和现象都是比较片面、不完整的，无法反映广播电视行业的本质和核心问题，这样得来的研究成果也无法为广播电视行业的深化发展做出贡献。真正的研究工作要保证深入到问题的本质和核心，保证研究内容的完整性、逻辑性和深刻性。第二，从具体到抽象。一项理论研究成熟与否的重要标志就是要看其是否实现了从具体问题到抽象理论的升华。为了达成这一目标，研究人员在研究问题时要将涉及到的因素充分、全面考虑到，保证理论成果的得出是建立在大数据融合背景的基础之上，这样才能够保证该研究成果具有一般意义上的、普遍的指导意义。就大数据融合背景下广播电视编辑研究的情况来说，很多研究只是对现象和经验的描述和总结，并没有上升到抽象出其本质的高度，没有对广播电视编辑进行深入的探讨和分析。因此，总的来说，目前我国广播电视编辑在研究领域还处于初步阶段，仍停留在比较浅层次的水平。

1.2广播电视编辑研究的水平还比较低

除了研究层次比较浅之外，大数据融合背景下我国广播电视编辑的研究还表现出明显的低水平特征。这里的低水平主要是指当前广播电视编辑的研究工作在很大程度上受到传统理论框架的约束，尤其是报纸刊物的编辑理论。大数据融合背景下的广播电视编辑研究在很大程度上与传统的报纸编辑在研究的问题、得出的结论等方面有着相似的框架，因此，广播电视编辑研究也在很大程度上受到报纸编辑理论的影响，所以就导致当前的广播电视编辑研究总是会局限于对工作现象和工作经验的描述和总结上。但是需要认识到的是，广播电视行业本身具有较强的实践性，广播电视编辑研究的进展不光需要建立在对表象的总结和概括上，更需要在编辑的方式、编辑的内容和编辑的理论进行深层次的升华和抽象总结。简单地说，就是要在研究的过程中深刻把握不同媒体形式在编辑方面的共性和个性，这样才能保证研究成果的科学性和适用性。但是现实情况是，报纸编辑的理论研究要比广播电视编辑开始得早的多，因此在进行广播电视编辑理论的研究时不免会受到报纸编辑理论框架的影响。比如，在广播电视编辑方针的确定和在新闻策划的过程等方面，都能够或多或少看到报纸编辑方式的影响。因此，要正视当前广播电视编辑研究中存在的问题，要保证各项研究工作从广播电视编辑的层面出发，充分体现出广播电视这种媒体形式的特征。同时，这种研究的低水平性还表现在广播电视栏目自身的定位方面，很多研究人员在研究的过程中没有形成自身本位意识，因此在相关研究活动的设计和选择方面也缺乏创造性和先进性。

2.广播电视编辑研究的发展趋势分析

在大数据融合背景下，人们的生活水平得到了明显的提升，同样我国广播电视行业近年来也取得了显著的发展成就，以广播电视传媒为主的大众传媒与人们的生活越来越密切。在大数据融合背景下，大众传媒在人们的社会生活中被赋予了更加重要的意义，也正是这种变化和需求引导着广播电视编辑领域研究工作的不断推进，相关的研究也逐渐走向更深的层次。结合当下的时代背景以及广播电视行业发展的前景，本文所分析的广播电视编辑研究的发展趋势。

2.1注重内部的联系和协调

在当前我国广播电视编辑的研究中，分析法是一种比较常用的研究方法。分析法的应用，首先是要将广播电视编辑的过程划分为多个相对独立的环节和题目，然后展开分析。这样的研究方法虽然可以使得整个研究过程更具条理性和层次性，但是同时也导致了不同环节和部分之间缺少联系和协调，研究过程各个环节之间相对独立的状态也不利于广播电视编辑整体项目研究工作的进展，这一局限性会对广播电视编辑研究成果的质量产生不利影响。因此，在今后的研究工作中，必须对分析法的这一缺点进行改进，加强研究过程各环节和各部分之间的联系和协调，注重在逻辑方面的联系。同时，要注重改进广播电视编辑的技巧和方法，重视对相关稿件内容的修改和整理，通过改进编辑方式来提升编辑内容的质量，保证编辑内容的时效性和实践性。要在实际的研究工作中实现这一目标，需要从各个方面做出改进。研究人员要需要从以往采用独立分析的模式和习惯中跳脱出来，学会从整体和全局出发来进行各种编辑工作，在编辑的过程中要充分考虑实际需要，做到编辑理论和实践经验的结合，重点突出编辑过程中各部分、各环节之间的联系，提升整个编辑过程的协调性，进而保证广播电视编辑研究成果的整体性和系统性。

2.2进一步充实研究内容

这一趋势主要针对的是当前广播电视编辑研究中普遍存在的研究层次浅、研究内容重复率高的问题。通过进一步充实研究内容的方式，可以有效改善当前广播电视编辑研究中存在的问题，有效提升研究工作的成效和研究成果的质量。这就要求广播电视编辑的工作人员要融会贯通综合全面的知识，在原有的研究内容中加入社会学、心理学、历史学和政治学等方面的知识，提升广播电视编辑研究的深度和水平，进而开辟更加具有批判性和指导性的研究方向，充实广播电视编辑的研究内容。在信息化的时代背景下，大众媒体发展得越来越快，作为大众传媒的重要组成部分，广播电视媒体直面机遇和挑战，从理论研究和实践发展中不断做出改进和创新。

2.3进一步明确研究的价值取向

在广播电视媒体的发展中，除了本身研究方法和研究理论的改进之外，广播电视编辑研究价值取向的确定也直接影响着广播电视媒体的发展。在新的历史背景下，为了满足时展的要求和人们现实生活的需要，广播电视媒体必须在价值取向方面做出科学明确的选择才能够实现自身的创新与发展。首先，广播电视编辑的研究人员要注重加强自身的学习与发展，一方面要加强理论学习，掌握先进的广播电视编辑的方法和理论，另一方面要注重实践，在实践中开阔眼界，并通过理论和实践和结合来掌握更多的知识和经验。在这一过程中，研究人员要注重对各种研究方法和理论的实践效果进行科学评估和把握，在实践中发现了不足之处要及时采取措施进行修补和改进。在研究过程中不断积累研究方法和经验，逐步提升自身的理论研究水平，这样会逐步消除在广播电视编辑研究中受到的限制，便于开展更加深刻、更高水平的研究。

2.4运用大数据、云计算技术来构建

广播电视编辑云平台大数据融合背景下，要想更好的推动广播电视编辑工作的开展，可以借助大数据、云计算技术等来建设一个一体化、智能化、标准化、专业化、集约化的广播电视编辑云平台，支持各种系统平台、终端设备、通讯网络的自由接入，并形成一个覆盖全国城乡、自成体系、四通八达、面向全体成员的网络平台，使其逐渐发展成为国家教育云服务平台的主要部分。同时还需要加大管理运营模式、信息技术手段和云计算技术的探索创新，以更好的提升国家广播电视编辑的核心价值，更好的推动广播电视编辑工作的开展。

3.结论

总的来说，大数据融合背景下，我国广播电视编辑研究才刚刚起步，很多研究工作还处于浅层次、低水平的阶段。在今后开展各项研究时要正视这些问题，充分把握广播电视传媒发展所面临的时代背景和行业环境，从各个方面逐步做出改进，推动我国广播电视编辑研究发展到一个新的高度。

作者:康晓光 单位:牡丹江新闻传媒集团

参考文献

[1]王振宇.刍议广播电视编辑的现状及发展趋势[J].西部广播电视，2015（15）：139.

数据融合范文篇8

摘要：介绍了数据融合技术的基本概念和内容，分析了该技术在森林防火、森林蓄积特征的估计和更新、森林资源调查等方面的应用，提出该技术可应用于木材无损检测及精确林业。融合机器视觉、X射线等单一传感器技术检测木材及木制品，可以更准确地实时检测出木材的各种缺陷；集成GPS、GIS、RS及各种实时传感器信息，利用智能决策支持系统以及可变量技术，能够实现基于自然界生物及其赖以生存的环境资源的时空变异性的客观现实，建立基于信息流融合的精确林业系统。

多传感器融合系统由于具有较高的可靠性和鲁棒性，较宽的时间和空间的观测范围，较强的数据可信度和分辨能力，已广泛应用于军事、工业、农业、航天、交通管制、机器人、海洋监视和管理、目标跟踪和惯性导航等领域。笔者在分析数据融合技术概念和内容的基础上，对该技术在林业工程中的应用及前景进行了综述。

一、数据融合

1.1概念的提出

1973年，数据融合技术在美国国防部资助开发的声纳信号理解系统中得到了最早的体现。70年代末，在公开的技术文献中开始出现基于多系统的信息整合意义的融合技术。1984年美国国防部数据融合小组(DFS)定义数据融合为：“对多源的数据和信息进行多方的关联、相关和综合处理，以更好地进行定位与估计，并完全能对态势及带来的威胁进行实时评估”。

1998年1月，Buchroithner和Wald重新定义了数据融合：“数据融合是一种规范框架，这个框架里人们阐明如何使用特定的手段和工具来整合来自不同渠道的数据，以获得实际需要的信息”。

Wald定义的数据融合的概念原理中，强调以质量作为数据融合的明确目标，这正是很多关于数据融合的文献中忽略但又是非常重要的方面。这里的“质量”指经过数据融合后获得的信息对用户而言较融合前具有更高的满意度，如可改善分类精度，获得更有效、更相关的信息，甚至可更好地用于开发项目的资金、人力资源等。

1.2基本内容

信息融合是生物系统所具备的一个基本功能，人类本能地将各感官获得的信息与先验知识进行综合，对周围环境和发生的事件做出估计和判断。当运用各种现代信息处理方法，通过计算机实现这一功能时，就形成了数据融合技术。

数据融合就是充分利用多传感器资源，通过对这些多传感器及观测信息的合理支配和使用，把多传感器在空间或时间上的冗余或互补信息依据某些准则进行组合，以获得被测对象的一致性解释或描述。数据融合的内容主要包括：

(1)数据关联。确定来自多传感器的数据反映的是否是同源目标。

(2)多传感器ID/轨迹估计。假设多传感器的报告反映的是同源目标，对这些数据进行综合，改进对该目标的估计，或对整个当前或未来情况的估计。

(3)采集管理。给定传感器环境的一种认识状态，通过分配多个信息捕获和处理源，最大限度地发挥其性能，从而使其操作成本降到最低。传感器的数据融合功能主要包括多传感器的目标探测、数据关联、跟踪与识别、情况评估和预测。

根据融合系统所处理的信息层次，目前常将信息融合系统划分为3个层次：

(l)数据层融合。直接将各传感器的原始数据进行关联后，送入融合中心，完成对被测对象的综合评价。其优点是保持了尽可能多的原始信号信息，但是该种融合处理的信息量大、速度慢、实时性差，通常只用于数据之间配准精度较高的图像处理。

(2)特征层融合。从原始数据中提取特征，进行数据关联和归一化等处理后，送入融合中心进行分析与综合，完成对被测对象的综合评价。这种融合既保留了足够数量的原始信息，又实现了一定的数据压缩，有利于实时处理，而且由于在特征提取方面有许多成果可以借鉴，所以特征层融合是目前应用较多的一种技术。但是该技术在复杂环境中的稳健性和系统的容错性与可靠性有待进一步改善。

(3)决策层融合。首先每一传感器分别独立地完成特征提取和决策等任务，然后进行关联，再送入融合中心处理。这种方法的实质是根据一定的准则和每个决策的可信度做出最优的决策。其优点是数据通讯量小、实时性好，可以处理非同步信息，能有效地融合不同类型的信息。而且在一个或几个传感器失效时，系统仍能继续工作，具有良好的容错性，系统可靠性高，因此是目前信息融合研究的一个热点。但是这种技术也有不足，如原始信息的损失、被测对象的时变特征、先验知识的获取困难，以及知识库的巨量特性等。

1.3处理模型

美国数据融合工作小组提出的数据融合处理模型，当时仅应用于军事方面，但该模型对人们理解数据融合的基本概念有重要意义。模型每个模块的基本功能如下：

数据源。包括传感器及其相关数据(数据库和人的先验知识等)。

源数据预处理。进行数据的预筛选和数据分配，以减轻融合中心的计算负担，有时需要为融合中心提供最重要的数据。目标评估。融合目标的位置、速度、身份等参数，以达到对这些参数的精确表达。主要包括数据配准、跟踪和数据关联、辨识。

态势评估。根据当前的环境推断出检测目标与事件之间的关系，以判断检测目标的意图。威胁评估。结合当前的态势判断对方的威胁程度和敌我双方的攻击能力等，这一过程应同时考虑当前的政治环境和对敌策略等因素，所以较为困难。

处理过程评估。监视系统的性能，辨识改善性能所需的数据，进行传感器资源的合理配置。人机接口。提供人与计算机间的交互功能，如人工操作员的指导和评价、多媒体功能等。

二、多传感器在林业中的应用

2.1在森林防火中的应用

在用MODIS(ModerateResolutionImagingSpectroradiometer)数据测定森林火点时的20、22、23波段的传感器辐射值已达饱和状态，用一般图像增强处理方法探测燃烧区火点的结果不理想。余启刚运用数据融合技术，在空间分辨率为1000m的热辐射通道的数据外加入空间分辨率为250m的可见光通道的数据，较好地进行了不同空间分辨率信息的数据融合，大大提高了对火点位置的判断准确度。为进一步提高卫星光谱图像数据分析的准确性与可靠性，利用原有森林防火用的林区红外探测器网，将其与卫星光谱图像数据融合，可以使计算机获得GPS接收机输出的有关信息通过与RS实现高效互补性融合，从而弥补卫星图谱不理想的缺失区数据信息，大大提高燃烧区火点信息准确度和敏感性。

2.2森林蓄积特征的估计

HampusHolmstrom等在瑞典南部的试验区将SPOT-4×S卫星数据和CARABAS-IIVHFSAR传感器的雷达数据进行了融合，采用KNN(knearestneighbor)方法对森林的蓄积特征(林分蓄积、树种组成与年龄)进行了估计。

KNN方法就是采用目标样地邻近k个(k=10)最近样地的加权来估计目标样地的森林特征。研究者应用卫星光谱数据、雷达数据融合技术对试验区的不同林分的蓄积特征进行估计，并对三种不同的数据方法进行误差分析。试验表明，融合后的数据作出的估计比单一的卫星数据或雷达数据的精度高且稳定性好。

2.3用非垂直航空摄像数据融合GIS信息更新调查数据

森林资源调查是掌握森林资源现状与变化的调查方法，一般以地面调查的方法为主，我国5年复查一次。由于森林资源调查的工作量巨大，且要花费大量的人力、物力和资金。国内外许多学者都在探索航空、航天的遥感调查与估计方法。

TrevorJDavis等2002年提出采用非垂直的航空摄影数据融合对应的GIS数据信息实现森林调查数据的快速更新，认为对森林资源整体而言，仅某些特殊地区的资源数据需要更新。在直升飞机侧面装上可视的数字摄像装置，利用GPS对测点进行定位，对特殊地区的摄像进行拍摄，同时与对应的GIS数据进行融合，做出资源变化的估计或影像的修正。

试验表明，融合后的数据可以同高分辨率矫正图像相比，该方法花费少，精度高，能充分利用影像的可视性，应用于偏远、地形复杂、不易操作、成本高的区域，同时可避免遥感图像受云层遮盖。

三、数据融合在林业中的应用展望

3.1在木材检测中的应用

3.1.1木材缺陷及其影响

木材是天然生长的有机体，生长过程中不可避免地有尖削度、弯曲度、节子等生长缺陷，这些缺陷极大地影响了木材及其制品的优良特性，以及木材的使用率、强度、外观质量，并限制了其应用领域。在传统木制品生产过程中，主要依靠人的肉眼来识别木材缺陷，而木材板材表面缺陷在大小、形状和色泽上都有较大的差异，且受木材纹理的影响，识别起来非常困难，劳动强度大，效率低，同时由于熟练程度、标准掌握等人为因素，可能造成较大的误差。另外在集成材加工中，板材缺陷的非双面识别严重影响了生产线的生产节拍。因此必须开发一种能够对板材双面缺陷进行在线识别和自动剔除技术，以解决集成材加工中节子人工识别误差大、难以实现双面识别、剔除机械调整时间长等问题。

3.1.2单一传感器在木材检测中的应用

对木材及人造板进行无损检测的方法很多，如超声波、微波、射线、机械应力、震动、冲击应力波、快速傅立叶变换分析等检测方法。超声技术在木材工业中的应用研究主要集中在研究声波与木材种类、木材结构和性能之间的关系、木材结构及缺陷分析、胶的固化过程分析等。

随着计算机视觉技术的发展，人们也将视觉传感器应用于木材检测中。新西兰科学家用视频传感器研究和测量了纸浆中的纤维横切面的宽度、厚度、壁面积、壁厚度、腔比率、壁比率等，同时准确地测量单个纤维和全部纤维的几何尺寸及其变化趋势，能够区分不同纸浆类型，测定木材纤维材料加固结合力，并动态地观察木材纤维在材料中的结合机理。

新西兰的基于视觉传感器的板材缺陷识别的软件已经产业化，该软件利用数码相机或激光扫描仪采集板材的图像，自动识别板材节子和缺陷的位置，控制板材的加工。该软件还具有进行原木三维模型真实再现的计算机视觉识别功能，利用激光扫描仪自动采集原木的三维几何数据。

美国林产品实验室利用计算机视觉技术对木材刨花的尺寸大小进行分级，确定各种刨花在板中的比例和刨花的排列方向；日本京都大学基于视觉传感器进行了定向刨花板内刨花定向程度的检测，从而可以通过调整定向铺装设备优化刨花的排列方向来提高定向刨花板的强度。在制材加工过程中，利用计算机视觉技术在线实时检测原木的形状及尺寸，选择最佳下锯方法，提高原木的出材率。同时可对锯材的质量进行分级，实现木材的优化使用；在胶合板的生产过程中，利用计算机视觉技术在线实时检测单板上的各种缺陷，实现单板的智能和自动剪切，并可测量在剪切过程中的单板破损率，对单板进行分等分级，实现自动化生产过程。Wengert等在综合了大量的板材分类经验的基础上，建立了板材分级分类的计算机视觉专家系统。在国内这方面的研究较少，王金满等用计算机视觉技术对刨花板施胶效果进行了定量分析。

X射线对木材及木质复合材料的性能检测已得到了广泛的应用，目前该技术主要应用于对木材密度、含水率、纤维素相对结晶度和结晶区大小、纤维的化学结构和性质等进行检测，并对木材内部的各种缺陷进行检测。

3.1.3数据融合在木材检测中的应用展望

单一传感器在木材工业中已得到了一定程度的应用，但各种单项技术在应用上存在一定的局限性。如视觉传感器不能检测到有些与木材具有相同颜色的节子，有时会把木板上的脏物或油脂当成节子，造成误判，有时也会受到木材的种类或粗糙度和湿度的影响，此外，这种技术只能检测部分表面缺陷，而无法检测到内部缺陷；超声、微波、核磁共振和X射线技术均能测量密度及内部特征，但是它们不能测定木材的颜色和瑕疵，因为这些缺陷的密度往往同木板相同。因此，一个理想的检测系统应该集成各种传感技术，才能准确、可靠地检测到木材的缺陷。

基于多传感器(机器视觉及X射线等)数据融合技术的木材及木制品表面缺陷检测，可以集成多个传统单项技术，更可靠、准确地实时检测出木材表面的各种缺陷，为实现木材分级自动化、智能化奠定基础，同时为集裁除锯、自动调整、自动裁除节子等为一身的新型视频识别集成材双面节子数控自动剔除成套设备提供技术支持。

3.2在精确林业中的应用

美国华盛顿大学研究人员开展了树形自动分析、林业作业规划等研究工作；Auburn大学的生物系统工程系和USDA南方林业实验站与有关公司合作开展用GPS和其他传感器研究林业机器系统的性能和生产效率。

目前单项的GPS、RS、GIS正从“自动化孤岛”形式应用于林业生产向集成技术转变。林业生产系统作为一个多组分的复杂系统，是由能量流动、物质循环、信息流动所推动的具有一定的结构和功能的复合体，各组分间的关系和结合方式影响系统整体的结构和功能。因此应该在计算机集成系统框架下，有效地融合GPS、GIS、RS等数据，解决这些信息在空间和时间上的质的差异及空间数据类型的多样性，如地理统计数据、栅格数据、点数据等。利用智能DSS(决策支持系统)以及VRT(可变量技术)等，使林业生产成为一个高效、柔性和开放的体系，从而实现林业生产的标准化、规范化、开放性，建立基于信息流融合的精确林业系统。公务员之家

南京林业大学提出了“精确林业工程系统”。研究包括精确林业工程系统的领域体系结构、随时空变化的数据采集处理与融合技术、精确控制林业生产的智能决策支持系统、可变量控制技术等，实现基于自然界生物及其所赖以生存的环境资源的时空变异性的客观现实，以最小资源投入、最小环境危害和最大产出效益为目标，建立关于林业管理系统战略思想的精确林业微观管理系统。

[参考文献]

[1]高翔，王勇.数据融合技术综述[J].计算机控制与测量，2002，10(11)：706-709.

[2]龚元明，萧德云，王俊杰.多传感器数据融合技术(上)[J].冶金自动化，2002(4)：4-7.

[3]钱永兰，杨邦杰，雷廷武.数据融合及其在农情遥感监测中的应用与展望[J].农业工程学报，2004，20(4)：286-290.

[4]高德平，黄雪梅.多传感器和数据融合(一)[J].红外与激光工程，1999，28(1)：1-4.

数据融合范文篇9

关键词:数据融合技术;环境监测网络;应用分析

自改革开放以来，我国经济发展取得了十分显著成绩，但是随之而来的便是我们赖以生存的环境受到越来越严重的破坏。因此，为了改善我国环境质量，我国加大了环境治理力度，同时也为环境监测提出了更加严格的要求。在环境监测网络中，需要对很多数据进行分析与处理，以此来为后续环境治理工作的开展提供依据，而数据融合技术在其中有着较大的应用潜力，所以加大对数据融合技术的研究就显得很有必要。

1数据融合技术概述

1．1数据融合技术的含义。所谓数据融合技术，指的是通过采集数据信息，并加以综合分析，从而为接下来的决策提供必要的依据。对于数据融合技术来说，其在出现早期主要是应用在军事领域，并且随着智能技术的不断发展，将数据技术与智能化技术相结合，从而为数据融合技术的出现奠定了宝贵基础。在使用数据融合技术时，信息数据通过各类传感器进行采集，并最终汇聚到信息系统中进行处理，最终将信息以波形、数据的形式表现出来，使人们可以更加直观地看到数据信息，有助于提升工作效率。1．2数据融合的原理与过程。通常来说，数据融合分为两个阶段，即:数据预处理与数据融合。在数据预处理阶段，其可对遥感图像、大气等参数进行纠正，并调节与匹配立体空间。在调节、匹配遥感影像空间时，数据融合通常会根据特征、空间等信息来进行匹配，并采用现代化的算法来找出多幅图像中最为显著的特征，有助于更有效的构建不同影像中的映射关系，降低数据误差。在数据融合阶段，需要对多个传感器中的信息源数据进行收集，并予以融合、分析，有助于提升位置信息与环境数据的准确程度。环境监测人员可根据实际需求选择需要的数据进行进一步的计算，从而使数据信息更加精准，为后续工作的开展提供真实、可靠的数据支持，最大限度的提升环境监测质量。

2构建环境监测网络的意义

对于环境监测网络来说，其由三个模块构成，即:数据采集模块、数据通信模块与应用模块。其中，系统采集模块是由各个检测站点所组成，在数据采集过程中，监测站点会使用大量的硬件设备，以此来完成大气环境、水环境的数据信息采集工作，并通过数据通信模块将所搜集到的信息上传到数据库中，如果出现网络连接中断问题，则可在网络通信恢复后再次进行数据的传递，确保数据信息可以完整的上传到数据库中。环境监测系统需要采集的信息种类比较多，所以对网络的数据处理、分析能力会提出比较高的要求，所以为了提升环境监测网络的信息处理能力，则必须要在其中应用更为现代化的技术，确保环境监测数据可以得到妥善的处理与分析。

3数据融合技术在环境监测中应用存在的问题

当前，数据融合技术在环境监测网络中的发展十分迅速，但是也存在许多亟待解决的问题，具体为:3．1数据处理技术有待完善。在应用数据处理技术过程中，由于存在各种外部因素的作用，导致数据缺陷或者数据冲突等情况时常发生，致使数据信息的处理欠缺全面性，甚至会在数据处理阶段产生比较多的冗余信息，极大的增加网络数据传输压力，影响数据处理的效率与质量。3．2未构建起完善的数据融合环境质量评价体系。当前，由于基础评价指标比较少，历史收录数据不全面，往往会造成最终的评价结果欠缺全面性，难以将真实的外部环境质量表现出来。此外，环境监测网络目前主要对同类别的数据信息进行收集与分析，欠缺对图像、影像等多媒体信息的收集，致使监测人员难以如实的判断出真实的环境质量，进而会对接下来环境治理工作目标的制定造成直接影响。3．3环境监测数据质量有待提升。在对外部环境质量进行监测时，监测数据的质量控制手段目前还比较少，导致很难发现监测数据中是否存在问题。此外，对于所监测的数据来说，影响监测质量的因素比较多，仅通过抽查是无法全面的发现其中问题的，同时监测人员的专业素质也存在差异，更是加大了提升环境监测数据现场质量控制的难度。

4解决数据融合技术在环境监测网络中问题的建议

4．1提升数据采集效率。首先，根据需求来对环境信息进行归类与评价，对监测仪器的工作参数进行实时记录，识别并剔除失真数据，从而最大限度的提升监测数据的采集效益与质量。4．2优化监测网络结构。下大力气拓展分布式存储的应用范围，使信息处理效率以及网络可靠性得到最大限度的提升，同时增加区域数据传输节点的设置数量，同时努力提高固定区域监测数据的使用率。4．3推进监测数据公开。建设环境监测大数据平台，统一方法标准和数据格式，实现各级监测数据互联互通，通过终端软件、新媒体等形式环境质量信息并收集个人感官数据，真实、准确、全面、客观评价环境质量。4．4强化数据综合分析。积极组织监测人员参加数据分析培训讲座，努力提升监测人员的数据分析、深度挖掘数据的能力。

5结语

总之，生态环境质量关系到我国经济发展以及民众的健康，所以积极发掘数据融合技术的应用潜力，增加其在环境监测网络中的应用力度，可以极大的提升环境监测数据的准确性，同时也可为接下来环境治理工作的高质量开展提供必要的帮助。

参考文献:

［1］杨驰宇．我国环境预警监测方略刍议［J］．环境与可持续发展，2016，41(6):118-120．

［2］周觅，杨夕，张明慧．我国环境监测技术问题与解决措施［J］．中国资源综合利用，2017，35(6):82-86．

数据融合范文篇10

关键词：水质监测；鸿蒙嵌入式系统；调理电路；WiFi技术；云平台；多传感器数据融合

生活用水的卫生安全与人体健康密切相关，因此对生活用水进行水质监测具有重要意义[1]。随着技术的发展，水质监测领域已经取得了诸多研究成果[2-5]。目前，多数水质监测系统实现了数据的无线传输和实时监测，但仍然存在稳定性和可靠性较差、维护困难和未能准确分析水质情况等问题。针对上述问题，设计了一种基于鸿蒙操作系统（HarmonyOperatingSystem，鸿蒙OS）的多传感器数据融合的水质监测系统，该系统能够实现对水质的实时监测和分析，准确直观地获得水质情况。

1系统总体设计

水质监测系统结构如图1所示。该系统共分为三部分：（1）数据采集层：鸿蒙OS是整个终端的核心，其主要作用在于接收传感器的模拟信号，经AD转换和计算后通过内部集成的WiFi模块上传到数据中转层；（2）数据中转层：是一种基于WiFi协议的信息传输平台，终端节点连接上WiFi热点后，再使用MQTT协议连接阿里云IoT平台和人机交互软件；（3）人机交互层：用户和工程师站二者组成人机交互层，能够实现对终端设备的业务管理。

2系统硬件设计

微控制单元采用Hi3861V100（简称Hi3861）芯片，该芯片是一款高度集成的2.4GHzWiFi系统级芯片，集成了IEEE802.11b/g/n基带和射频（RadioFrequency,RF）电路。使用Hi3861芯片可简单、快速、低成本地实现设备控制和网络连接功能，适用于智能家电等物联网终端领域。为了将pH、TDS（Totaldissolvedsolids）和浊度敏感元件测得的模拟信号转换为便于ADC和单片机采集的信号，设计了三个检测参数的调理电路，其中pH和浊度使用ADS1118作为外置ADC，提升了检测精度。由于pH和TDS受温度影响较大，故使用DS18B20实现精准测温，进而对pH和TDS进行温度补偿。Hi3861芯片对四个检测参数进行信号处理后获得检测值，并通过OLED屏幕实时显示。电源部分采用220V转5V适配器供电。按键部分能够实现开关机、数据保持以及校准功能。数据采集终端硬件结构如图2所示。2.1pH调理电路设计pH是指溶液中的氢离子浓度指数，多用来指示溶液的酸碱性。在100kPa压强的状态下，pH=7的溶液呈中性，pH>7的溶液呈碱性，pH<7的溶液呈酸性[6]。系统采用雷磁的E-201-C复合pH电极，被测溶液的氢离子浓度变化会引起内参比电极电动势变化，且二者构成线性函数关系。pH调理电路如图3所示，其中U2部分为差分放大电路，U2输出的是放大后的差分信号。为了使放大后的信号在ADC芯片的输入范围，使用U1部分进行电压抬升。2.2TDS调理电路TDS即溶解性总固体，指水中溶解的各种离子、分子和化合物的总量，不包括悬浮物和溶解气体[7]。本文使用频率法对TDS进行测量，以555芯片为核心构成多谐振荡电路，可持续输出频率信号，根据频率和TDS的关系可求得TDS的值。TDS调理电路如图4所示。2.3浊度调理电路浊度是指样本水质溶液对发射的光线产生的阻碍大小，包括悬浮物对光的散射和溶质分子对光的吸收。浊度不仅与水中悬浮物的含量有关，还与它们的大小、形状以及折射系数有关[8]。系统采用TS-300B散射式浊度传感器，传感器由一个光敏二极管和一个发光二极管组成，二者收发红外线，最后输出电信号。浊度调理电路如图5所示，使用U1运算放大器，将电压跟随到输出，提高信号驱动能力。

3系统软件设计

3.1下位机软件设计鸿蒙OS的任务模块拥有32个优先级，可实现任务之间的通信和切换。鸿蒙OS中的任务是抢占式调度机制，高优先级任务可打断低优先级任务，低优先级任务须在高优先级任务阻塞或执行结束后才能够调度[9]。鸿蒙OS任务调度机制如图6所示。根据鸿蒙OS的特性以及实际需求，设置了3个不同优先级的任务：（1）水质检测任务：用于获取pH、TDS、浊度等水质检测参数并计算，然后在OLED屏幕上实时显示；（2）数据装载任务：用于将水质检测任务中的数据读取并装载，为网络通信任务做准备；（3）网络通信任务：将检测终端连接WiFi热点，再通过MQTT协议连接阿里云IoT平台。系统上电后，外设初始化和鸿蒙OS系统初始化，之后在主函数上建立新的任务来启动程序。鸿蒙OS下位机软件流程如图7所示。3.2上位机软件设计使用Qt编写了PC端上位机软件，软件开发的编程语言为C++[10]。上位机可通过MQTT协议连接阿里云IoT平台，并订阅阿里云IoT平台的消息，最后通过使用阿里云平台的数据流转功能将数据采集终端的检测数据发送到上位机软件，其可对接收到的数据进行处理和动态曲线显示。多个传感器的检测数据不但可以在上位机上实时显示，也可以通过隶属度中心法、加权平均法和D-S证据理论进行数据融合，获得科学的水质分析。上位机软件结合MySQL数据库可实现用户管理、数据存储和历史记录查询等功能。上位机软件的部分界面如图8所示。

4数据融合

数据融合是水质监测数据分析和处理的重要技术，它综合了分布在不同位置的多个同类或者异类传感器所提供的局部观测量，消除了多个传感器之间可能存在的信息冗余和矛盾，形成对水质情况相对完整的感知描述。本系统的数据融合框架共两层，如图9所示。融合框架的第一层将接收的pH、TDS和浊度通过隶属度中心法转化为隶属度，通过自适应加权将多个传感器的隶属度融合。融合框架的第二层将融合后的隶属度作为基本概率分配，使用D-S证据理论算法进行决策级融合处理。4.1隶属度中心法为直观、科学地了解水质情况，以饮用水水质标准为例，根据《生活饮用水卫生标准》（GB5749-2006）和专家经验，对饮用水水质标准设置了三个水质等级：适宜饮用（Ⅰ类）、可以饮用（Ⅱ类）和不宜饮用（Ⅲ类）。根据饮用水的水样特点和模糊规则，使用高斯隶属度函数计算水样中不同参数对应的隶属度值[11]，隶属度函数表达式为（1）式中：x为检测的水质参数数值；a为水质等级的特征参数σ为水质等级的特征最大偏差。4.2自适应加权平均法加权平均法可以按照某个原则给每个传感器的测量值分配权重，得到对一个目标事件的整体估计值。自适应加权平均法可以根据传感器的状态，自适应地改变权值，使权值分配更加准确。本方法可以有效处理数据冗余，且兼顾了每个传感器，具有较强的鲁棒性。通过下式可对隶属度的自适应进行加权：4.3D-S证据理论D-S证据理论是一种模糊推理理论，可以将多个证据的基本概率分配（BasicProbablityAssignment,BPA）进行数据融合，具有处理多源不确定信息的能力，因此在多传感器信息融合领域得到了广泛应用。D-S证据理论中的识别框架Θ包含了N个互斥且穷举命题，对于任意命题A，都属于幂集合2Θ。在2Θ中定义的BPA满足下式：

5仿真与实验

5.1仿真仿真1～3号终端节点的pH、TDS和浊度三个检测参数在某段时间内的数值。其中1号和2号传感器模拟了在Ⅰ类水质条件下的检测数据，3号传感器为设计的高冲突证据，以验证高冲突证据存在时数据融合决策的科学性，仿真数据和融合结果如图10所示。根据图10（d）的仿真结果，Ⅰ类水质的BPA在0.7左右，表明数据融合算法即使在有高冲突证据的情况下，融合结果仍符合常理。说明该算法解决了高冲突证据融合的缺陷，解决了在水质监测过程中由于某个传感器的故障导致数据融合结果有悖常理的问题。5.2实验以纯净水作为实验用水，使用三个数据采集终端实时监测纯净水质量，检测结果见表1所列。基于本文的数据融合算法，将表1数据进行数据融合，其结果见表2所列。从表2可以看出：融合前，三个水质指标中Ⅰ类水质BPA比其他类大；融合后，Ⅰ类水质的BPA高达0.8043，比其他类大，且相比融合前的BPA更大。由此可见，本文的数据融合算法更科学、效果更显著。

6结语