近年来，随着国家农业计算机化进程的不断推进，多传感器数据融合技术在农业领域的应用越来越受到研究者的关注。猪业是湖南省的传统优势产业：多传感器数据融合技术监测研究生养猪环境，提高信息和科学水平我省的养猪业。本文中，该研究基于监测猪的生殖环境，以及猪舍中的温度，湿度，氨和二氧化碳浓度。阶段多传感器数据融合模型用于合并观测数据，最后获得实验。猪场的实际情况进行全面评估，并发布相应的环境控制通知，确保猪在适当的环境中生长。键词：多传感器数据融合，模糊，DS证据理论，猪中图分类号：TP14文献标识码：A文章编号：1006-060X（2016）03-0090-06Résumé：近年来在中国，研究人员越来越关注多传感器数据融合技术在农业中的应用。猪业是湖南省传统的上游产业，正在研究猪养殖环境监测的多传感器数据融合技术，有助于提高养猪环境监测的信息和科学水平。南省养猪业。使用两步多传感器数据融合模型处理观察到的数据，并获得了实验猪场探索和环境监管建议的综合判断，以确保猪可以生活在合适的环境中。键词：多传感器，数据融合，模糊集，DS证据理论，数据融合技术在养猪业中的应用在环境监测中，系统的稳定性得到改善，可以获得更准确的结果。单个传感器监测相比得到。模糊理论中，隶属度表示元素对特定类的隶属度，这个定义与DS证据理论的基本概率分布函数非常相似。据融合模型多传感器两级本文提出认为隶属函数计算的基本概率分布函数，并提供证据作为概率分布函数的基础的融合度的权重。
DS证据理论用于熔化，从Jousselme距离用于改善冲突的比例因子和证据之间的矛盾按比例分配到框架的识别元素和的最后结论通过实验证明了融合模型的有效性。级数据融合模型设计了一个两级数据融合模型，用于检测和测试猪的繁殖环境。一级处理由传感器获得的原始数据并定义整个最佳熔化过滤相对准确和有效的数据。二级首先通过计算隶属度的模糊度来计算基本概率分布函数，然后利用改进的DS证据理论合并证据，得出模糊性状态的最终决策。化环境。1 [1]显示了猪饲养环境中多传感器数据融合的两级模型。一级集成：首先，由于传感器由于其自身结构和环境因素而可能不准确和偏差，因此不准确数据的直接融合可能导致错误的最终决策。计第一个数据预处理层，计算传感器观测值之间的绝对距离，并根据专家的经验获得正常的绝对距离变化范围在短测量范围内，不稳定的读数传感器无效，并定义了最佳合并集。一步缩小合并数据的范围，减少计算次数，同时提高合并的准确性。旦获得最佳合并集，就计算传感器之间的兼容性，将权重分配给传感器，并对相同的观察结果执行数据级合并。次整合：DS证据理论具有良好的处理不确定和不完整信息的能力，它不需要先验目标概率，它可以将目标框架和识别信息转化为数学模型并在整个证明间隔内照顾它们。虑到DS证据理论用于融合，这种情况描述了模糊问题[2]。DS理论本身在数据处理中存在一些缺点，本文利用基本概率分布函数的主观问题，通过计算归属度来计算基本概率分布函数。糊。证据冲突很大的情况下，合并的结果是不合理的。文件改进了冲突因素并减少了冲突对最终决定的影响。
一级合并算法使用模糊集合理论执行第一层合并，过滤传感器获取的数据，并执行数据级合并，以确保第二次合并的准确性层。此，该层熔化的目的是获得传感器的rms读数值的邻域并通过评估传感器的稳定性和传感器之间的熔合程度来确定单个传感器的重量。于监测猪饲养可能存在传感器故障，观察数据的直接融合可能会影响结果的准确性，因此在[3]中定义的最佳融合的基础上进行了改进。]。于传感器观测数据在短时间内变化不大，因此首先使用观察的绝对距离来评估传感器观测数据。据专家的一般经验，在T = |期间tp-tq | （p，q∈[1，n]），距传感器观察的绝对距离改变Dt = |如果（tp）-Si（tq）|超过一定范围。1显示了在一定范围内每个观察到的环境影响因子的距离的正常绝对变化范围。
到的最优融合集是数据过滤后的数据合并样本集。算最佳融合组件中传感器的重量需要考虑传感器本身的稳定性以及当前传感器之间观察的兼容性。过在小的时间间隔内计算Si（tn）（i∈[1，n]）的方差，可以评估传感器本身的稳定性。数函数用于转换[0，1]范围内的传感器之间的兼容性。测数据和融合的最佳浓度之间的差为低时，对数函数的变换之后的结果可以是负的和观测数据的平方由距离的的两个点之间的式刻平面几何。目前的情况下，热敏元件如果Ci（t）更大（即，传感器之间的融合程度高，观察到的数据接近）并且σi更大（即，即：单个传感器的稳定性在短时间内是好的，观测数据波动小），传感器的观测数据越可靠，必须分配的重量越多。
果Ci（t）越小且σi越小，来自传感器的观测数据越不可靠，则应分配越多的重量。一个数据级合并层是类似传感器的融合：多次收集的传感器数据合并到最接近实际情况的数据中，从而在第二级准备合并。DS证明理论应用于第二层合并算法的难点在于将目标数据和原始数据转换为可以推理的信任分布函数的基值[4]。模糊集理论中，隶属函数A（x）取值[0，1]，用于表示x到A的隶属度。类似于概率分布函数。于DS证据理论的置信区间。划分中，证明间隔包括支持间隔和不确定区间。虑使用模糊隶属函数来计算证明对支持范围的归属程度和属于不确定区间的归属程度，将两者相加以得到理论DS。本概率分布在。用证据距离公式计算证明的合并程度，然后对初步基线概率分布函数进行加权和平均以获得新的基本概率分布函数。个对应于传感器组和θ在观察到相应的环境影响因子的所述特征值的环境因素的观测值（温度，湿度，氨的浓度，二氧化碳浓度）识别框架（包括：特征值，不确定特征值），σ是第i个传感器组中相应环境影响因子传感器的最大偏差特性。每个传感器组中的温度，湿度，氨浓度和二氧化碳浓度分别加到识别框架的每个焦点的置信度，然后进行标准处理。些数据组。得初步的基本粘附功能。
们的结论是初步的概率分布函数的基础上体现支持的结果，从为每个提案的识别范围的数据合并的程度，同时考虑到证据之间的支持度。传感器观察到的值表示的证据必须具有不同的权重。果证据得到其他证据的证实，则证据更可信，并且必须获得更高的权重值，并且必须增加对最终合并结果的影响。[5]由于基本概率分布函数是考虑置信度的关键，DS信托理论，它应该体现的基本概率分布函数的重量和分配通过计算样张之间的融合程度来证明重量。于DS证据理论的改进，准确衡量证据冲突是利用证据方法综合冲突证据的前提。DS合成规则中的冲突因子k表示与合成证明相交的焦点的基本概率分布函数的乘积之间的冲突，但是当两个焦点相交时通过该方法计算的冲突。是空的，不一样。
因素认为在这种情况下焦炭的两个元素之间没有冲突，这显然是不合理的[7]。此，考虑改进DS摘要规则中的冲突因素。究领域一般使用Jousselme距离函数和pignistique概率进行改进，但经验表明[8]，当证明不同类别时，也就是说证明是完全矛盾的，使用这两种距离计算方法获得的距离不是最大值。据之间距离的描述不够精确。的问题远证据，距离Jousselme的公式表示距离Jousselme：分析，为什么距离Jousselme不正确地测量的证据所不同的是恒定1/2公式不合适[9]，分母必须与m1，m2的值有关，而不仅仅是常数。M1，m2是对应于证明的基本概率分布函数，因此：m1，m2∈[0，1]，经过分析，公式的分子范围也必须在[0，1]的范围内。]，即：提出了详尽的距离Jousselme与国内外研究人员的研究成果的改良配方，而两个因素的扩散可能导致测量偏差的问题，加法方法用作冲突的度量，考虑到冲突因子的范围应该是[在0，1]，归一化和除法2被归一化。是，示于式式（15）：实验验证研究的实验猪栏是在人工气候室中的猪养殖示范基地猪屈原管理区湖南省岳阳市。屋的长度，宽度和高度分别为3，04，284和3，16米。境温度和湿度监测数据由BMW-RHTA-S分离式温度和湿度变送器，BMG保护性二氧化碳传感器的二氧化碳浓度收集。过MIC-800-NH3氨智能检测器测定CO2-NDIR和氨浓度。实验主要监测养猪环境中的温度，湿度，氨浓度和二氧化碳浓度。共有五组传感器安装在谷仓中，位于猪舍的四个角落和中心。于传感器本身的质量不稳定，实验组和手表组是针对每组传感器定义的。验组和备用组有三个传感器：温度和湿度传感器，氨气检测器和二氧化碳检测器。了验证双层数据融合模型的融合效果，在实验猪舍中进行了实验。2015年3月观察猪舍的环境数据，每10分钟保存一次。
机选择2个时间点的数据进行合并。提取的数据在表2和表3.在表中给出，角度1-4表明周围设猪舍的传感器组中，角度0表示位于在谷仓的中心的组的传感器，该传感器1至4（A）表示实验组的传感器，传感器1至4（B）表示等待组的传感器。了确定传感器的有效性，必要时应观察间隔为5 s的观测。于需要减少环境变化对传感器有效性的影响，有必要确保环境中各种因素的稳定性。在夜间睡眠一段时间后，环境因素相对稳定：数据于2015年3月1日0:00收集。果如表4所示。中tq代表最近5小时时间tp。考表1中的实验，我们可以估计实验组的Sensor2A氨传感器和应急组的sensor0B二氧化碳传感器发生了根本变化，实验组的Sensor0B氨传感器并且备用组的sensor0B二氧化碳传感器被确定为故障传感器。下面的计算中，将待机组Sensor2B的氨传感器的值作为Corner2观测值，并且总是使用实验组的传感器的观测值来计算其他值。计算最优融合集后，为集合传感器分配权重，第一级数据级合并的结果为：温度，湿度，氨浓度和二氧化碳浓度合并时间为2015年3月7日上午11点05分。别为：19.8°C，60.2％，4.1 mg / m3和3295 mg / m3; 2015年3月12日上午12:30融化的温度，湿度，氨浓度和二氧化碳浓度分别为18.1°C，64.2％和9.1％。Mg / m3和825.1mg / m3。据农业部NY / T 388-1999颁布的“家禽养殖场环境质量标准”的要求，仔猪的温度必须在27°C至32°C之间。对湿度不超过80％和猪必须是11和C之间17°在猪中的氨的浓度不超过25毫克/立方米和二氧化碳浓度不超过1500毫克/立方米[ 10。验猪舍中的猪为成年猪。据猪生长环境标准的要求和观察到的数据特征，结构鉴定框架为：= {δ1，δ2，δ3， δ4，δ5，δ6，δ7，δ7，δ8}，式中：δ1= {温度适宜，湿度适宜，氨浓度适宜，二氧化碳浓度适宜}; δ2= {温度适宜，湿度适宜，氨浓度适宜，二氧化碳浓度高}; δ3= {温度适宜，湿度偏斜高浓度的氨是合适的，二氧化碳的浓度是合适的}; δ4= {合适的温度，高湿度，氨浓度合适，二氧化碳浓度高}; δ5= {高温，合适的湿度，适当的氨浓度，合适的二氧化碳浓度}; δ6= {高温，适当的湿度，适当的氨浓度，高二氧化碳浓度}; δ7= {高温，高湿度，适当的氨浓度，适当的二氧化碳浓度}; δ8= {温度偏差高湿度，高，适宜的氨浓度，高浓度的二氧化碳};在计算基本概率分布函数和冲突因子之后，DS合成规则用于计算，第二层合并的结果在表5和表6中给出。表中实验融合数据于2015年3月7日11:05发布，似乎合并后的概率分布值被重新分配并逐渐累积到δ6，表明描述和情况δ6的实际值是最重要的。合要求，即高温，适当的湿度，适当浓度的氨和高浓度的二氧化碳。据第一层数据合并的结果，结果被认为是正确的。究的两级数据融合模型是可行的：在这种情况下，必须为猪圈处理温度降低和二氧化碳浓度。2015年3月12日12:30 am实验融合数据的结果（表6）显示合并后的概率分布值被重新分配并逐渐累积到δ5，这对应于描述帧中的δ5。前的情况是最一致的，即：高温，合适的湿度，适当浓度的氨和适当浓度的二氧化碳。据第一层数据合并的结果，结果被认为是正确的。时，应该冷却猪舍。论在对养猪环境进行监测的基础上，采用最优融合数据集选择实际观测数据，采用集中模糊函数获取概率分布函数。及证据的合并程度，以计算证据的合并程度。权值被分配给基本概率分布函数，以减少冲突证据对结果判断的影响。过引入Jousselme距离，DS合成规则中的冲突测量因子得到改善，并且再次分配冲突证明，从而仍然累积概率直到最终判断结果。验中描述的两阶段多传感器数据融合模型经过实验验证，准确确定了养猪场环境，证明了两级数据模型的有效性。许猪在适当的环境中生长。效降低猪的患病率是非常有帮助的。
本文转载自
热敏元件www.wisdom-thermostats.com