在计算机机房环境监控系统是基于技术ZigBee.Selon无线传感器网络的限制的设计和功能的监视网络的多个传感器，知识大约数据融合研究多传感器和模糊数学D数据融合技术？ S适用于计算机。系统网络中，为了确保无线传感器的稳定性和所收集数据的准确性，系统加入了智能识别过程。践表明，该研究已达到预期目标。房监控系统;多传感器;数据融合; ZigBee技术中图分类号：TN948.64？ 34文件编号：A货号：1004？ 373X（2016）24？ 0116？多传感器检测技术，计算机salleZHAO LingyunAbstract监测系统的04Application：提出了基于ZigBee技术的计算机机房环境监控系统的设计中，根据网络限值无线传感器本身和协作多传感器在监控网络中工作的特点。据融合是广泛研究和数据融合技术D的主题？ S用于模糊数学监测系统。
了确保无线传感器的稳定性和所收集数据的准确性，在系统中增加了智能决策过程。键词：机房监控系统;多传感器;数据融合; ZigBee技术用于计算机房监控系统的多传感器检测和信息融合技术湿度，温度，烟雾和电源电压，电流采集，实时数据和集成系统控制。本文研究的机房监控系统采用无线监控网络基于ZigBee技术，机房环境的实时监测，并通过传感器收集到的信息下载中央处理模块进行进一步处理。线网络的基本结构如图1所示。统中无线监控的终端节点主要由传感器，控制器，射频通信模块和电力系统组成。据机房环境的特点，传感器分为温湿度传感器，水浸检测传感器，烟雾传感器，传感器检测供电电压等系统中的传感器类型复杂且多种多样，收集的信息量很重要，每个传感器收集的信息都是强耦合的。传感器信息融合[1]（多传感器融合信息融合）是指来自多个传感器的多级，多方面数据处理。导致了这些传感器无法生成的重要信息，无法达到更精确的目标。可靠的识别。今，随着科学技术的发展，对信息融合的要求也越来越高，主要的技术整合是利用计算机技术自动优化分析和使用在某些条件下按时间顺序获得的完整的多传感器观测信息。理做出所需决策和相关任务的信息的过程。们可以看到，基于多个传感器的信息融合时，处理对象是多源信息和所述心脏是协调和优化完整的数据处理。据融合目前有许多分类方法[2]。据熔融法，它可以根据信号处理的领域被划分为的统计方法，人工智能的方法等，被分类，分为时域，频域和空域，分为低，中和基于合并级别和合并顺序的高级。且根据合并级别和相关信息，恒温阀芯可以推断出合并级别。可以分为数据级别，功能级别和决策级别。这些中，最后三个分类方法被更广泛地使用和三种融合方法性能[3]进行比较，如表1所示。合级融合比较表的表1三种方法性能无线传感器网络主要由监控区内部署的大量微传感器组成：能够检测，计算和通信的传感器，它们构成了无线网络系统。标是从目标区域收集和收集信息，并将获得的信息传输给买方。于其高灵活性和低功耗，无线传感器网络广泛应用于军事，灾害预警和救援，空间监视和防火墙。康。
而，无线传感器网络也有缺点：第一，通信能力有限，一般为几十，几百米之间，工作环境的关键是普遍较差，在沟通过程中，往往取决于地形，温度，磁场等因素。次，计算能力有限，节点的核心往往集成在处理器和低端内存中，恒温阀芯如8/16位MCU，这些设备只有较低的处理能力，能量供应有限，节点通常由电池供电每个节点的运行时间很长，节点提供的能量在放置在目标环境时非常有限;最后，传输数据具有强大的方向，并且网络的节点通常遵守传输协议的规定。旦中间节点发生故障并且不再能够从较低节点接收数据，传输方向可能导致端点数据丢失。据融合技术在传感器网络中的作用是巨大的，主要是在节约能源，提高信息的准确性和收集效率方面。据融合算法在信息时代，传感器网络的数据融合技术得到了广泛的应用，大多数数据融合算法都对某些传感器测量数据做出了假设，如将统计独立的高斯噪声添加到传感器的测量模型中。设传感器的测量误差在统计上是独立的。
据不同的应用领域，数据融合算法可归纳如下[4]：它表明不同传感器采集的信息经过加权和平均。算方法简单实时，但必须以专家为基础。识定义了权重的价值并且是主观的。[m = j = 1Nwjmjj = 1Nwj]在公式（1）中，[wj]是由每个传感器收集的信息的加权值。叶斯估计算法。叶斯估计实际上使用概率的形式来表示各种不确定信息，并使用条件贝叶斯概率公式来处理。个独立决策都是空间样本的分区，最后，系统由某些规则组成。策但贝叶斯估计需要先验概率作为计算的基础，并需要密集计算。尔曼滤波算法。尔曼滤波器算法使用白高斯噪声来模拟系统系统噪声和传感器噪声。可以实时合并低级动态冗余数据，提供唯一的统计上最优的合并值，可提供实时性能。且不需要大量的存储空间。工神经元网络。工神经网络是在现代心理学家和模拟人脑功能机制的数学逻辑学家的基础上提出的。由大量基本上互连的处理单元连接，并且与计算传统数字计算机的过程根本不同。具有大规模并行仿真处理，连续时间动态和全局网络功能的特点。储和操作相结合。用神经网络进行数据融合允许最佳处理算法，分布式存储和实时并行处理。还避免了模式识别中的建模和特征提取，消除了模型不匹配和不正确的特征选择的影响，以及实时实现。定提高识别系统的性能。于证据的推理方法[5]。
d？ S是当今数据融合中的一种流行方法，它通过积累证据来缩小假设。先，证据分为两个或多个不相关的小系列，并用于分离目标区域。官，然后计划与Dempster的独特组合，并最终结合起来做出最后的判断。的特点是采用了多角度多方位的证据，并生成一个整体的信心来判断问题，使人们可以更高效，更可靠地判断问题。传感器阵列中，每个传感器应该是一组证据。并多个传感器的数据基本上是相同的条件判断，使用登普斯特组合规则的证据每个本体合并成的证据一个新的机构，并且该机构的证据的过程是熔化过程D数据？ S.但是，数据融合D？ S也有其自身的缺点，主要是因为数据融合是基于逻辑推理的原理。时，多通道传感器收集的所有证据也会导致信息错误，因为传感器受外部工作而不是方向漂移的影响。请D？ S到监控系统证据D的理论？ S D理论最基本的概念？ S在于建立一个识别框架，以[θ]的形式记录，而贝叶斯公式是[θ]中给出的。素使用事件，计算概率的过程是不同的，它引入了命题的概念？相信并认为事件及其相反事件的置信度总和可能小于1。证明理论中，[θ]的元素彼此不相容，并且框架的基本命题X满足以下公式：[m？ = 0X？ 2θm（X）= 1]（2）其中，[M（X）的基本概率分配或称为运动X质量函数，其对应于所述组中的应用[2θ]至[0.1] [θ]，也就是说[m：2θ，[0，1]]，X也成为[θ]中的焦点元素之一。[M（X）]表示的为提案X.支撑程度显然，对于空集支撑[η]为0，对于[θ]为1的所有子集的支持。这一点来看，命题是X的赋值与计算X的出现的概率相同。明理论的第二个公式是：[Bel？ = 0Bel（θ）= 1Bel（X）= Y？ Xm（Y）]（3）在等式（3）中，相同的[？ X？ Θ]，称为Bel（X）是命题X的完全置信度，基本概率分配函数可以推导如下：[m（X）= Y？ X（-1）X-Ybel（Y）]（4）第三次证明理论式：P1（X）= 1-BEL（X）P1（X）= X？ Y≠M（Y）]（5）其中，[P1（X）]是所提出的X的似然性，真实性和信心函数的函数表示相同的方向，也就是说，当建议命题X被发送，[PL（X）]为0并且在接收到命题X时，[PL（X）]等于1和式（5）[贝尔（X）≤PL（X）]也可以得到，使信任和真实性功能的功能可以由图2中的间隔来表示[[0，贝尔（X）]]被定义为的证据支持命题X的间隔，[Bel（X）]是证明区间的上限;区间[[0，PL（X）]]被定义为所提出的X间隔的合理性，也[PL（X）]为合理范围的上限，并且它也是拒绝区间的下限[[Pl（X），1]];区间[[Bel（X），Pl（X）]]是置信区间或中性证明区间，表示对命题X的态度既不支持也不支持对面。信区间是证据理论中讨论最多的区间：]] = 1，表明[[0，1]]的整个区间是置信区间，并且信息包含在命题X没有使用价值; ]表示命题X的概率; = 0]表示命题X根本不支持它;当= 1]时，表示该间隔是命题X的支持间隔，此时的支持是最大的。以从证据理论推导出（2），（3）和（5）：[贝尔（X） 贝尔（X）≤1]（6）[PL（X） PL（X）≥1（ 7）等式（6）和（7）表明的置信度和接收步骤，接收建议X的总和可以小于1和似然性的总和可以是大于一。Dempster组合规则证据理论D？ s定义的来自多个源的规则的组合，从两个来源规则的组合，可以被表示为：假定[BEL1]和[BEL2]是从证据[全部信任相同功能的部分上θ]，基本概率分配是[M1]和[M2]和提案（焦点元素）基团被相应的[X1，X2，…，值Xk]和[Y1，Y2，… ，Yk]，然后将两个度数命题组合成Bel置信度函数，如等式（8）所示。[m（Z）= Xi？ Yj = Zm1（Xi）m2（Yj）1-K，？ Z’ θ，Z？ 0，Z =？]在公式（8）中，假设[K = Xi？ Yjm1（Xi）m2（Yj）]，[K <1]，[i = 1，2，…，k]和[j = 1，2，…，k]。等式（8）中，m（Z）可确定一个基线概率分布时[0≤ķ<1]，其中[贝尔]是[BEL1]正交之和[BEL2]，表示为[Bel1⊕ BEL2。合置信度函数的提案称为组：当[K = 1]，我们认为，[M1]和[M2]不能被组合，公式（8）被称为经典组合规则登普斯特之间的冲突。外，提出的建议[X]和[Y j]的置信区间由[铝（X）= [贝尔（X），PL（X）]]和[铝（Y j）的= [贝尔（YJ）指定PL（YJ））〕〕，证据[X1]和[Y1]的组合后的范围为：[铝（Z1）= EL（X1）EL（Y1）= [1-ξ（1-BEL （X1））（1-贝尔（Y1），ξPl（Y1））〕〕在式（9）中，[ξ= {1- [贝尔（X1）贝尔（Y1）贝尔（X1）]贝尔（Y1） } – 1]。于合并多个认证的基础上，在融合后的概率分布是[M（Z）=m1⊕m2⊕… MN]，如下所示：[M（Z）=？ Xi = Zi = 1Ni（Xi）？夕？ 1Nmi I =（X）]（10）最后，需要判定标准来判断假想的命题或范围信任的或可接受的值身临其境的真实性和必须被拒绝，等对提案做出结论。融合数据室监控系统的监控系统应当监视设备机房24小时24.传感器通过不同的声音，主要是作为高斯分布的干扰，尽管系统可以区分和过滤噪音。外，数据合并的准确性仍然存在错误。了避免上述现象，系统开始通过预处理由所述传感器收集的数据，并且限定两个方程式（11）和（12）作为环境变量正常化式： CJ = CJ-CJ≤j≤nLvaljLvalj-MIN1]（11）[CJ ''= CJ-CJ-Hvaljmax1≤j≤nHvalj]（12）其中：[cj'j（-1.0）]是低于计算机房的正常环境值的标准化结果，例如：机房的环境温度; [Lvalj]用于表示第n个环境参数的正常范围的下限; [敏1≤Ĵ≤ÑCJ]可以是第j个感测元件的最小值，根据实际情况，这可以通过专家被写入，并[cj''∈（0.1）]为归一化结果大于计算机房环境的正常值; [Hvalj]是第j个元素的环境。常范围的设置，[MAX1≤Ĵ≤ÑCJ]的上限是第j个类别的感测元件的最大值，和专家可以根据实际情况进行人工配制。样，机房的环境因素可以划分在（-1，1）的范围内。机房环境满足正常值时，归一化结果为0，当环境设置低于或高于正常值时。
得该值时，结果将在（-1，0）或（0，1）的范围内。然，当结果出现在这两个时间间隔，它是一种不正常的情况：数据融合过程的总结果也从正常的值并最终报警监控系统偏离生成并且控制切换到正常值。是，如果传感器节点由于噪声或其他因素而不能正常传输数据并且在这两个范围内，则控制将失败。此，获得的归一化结果后，系统首先使用隶属函数的模糊数学到归一化的结果进行比较，以用于专家设定为[RI = J = 1nexp-CJ-值nj，j = 1，2，…，n]（13）其中：[ri]是机舱环境的点[i]的相似度之和; [cj]是由类似传感器之一获得的归一化结果; [nj]是专家定义的类似传感器之一。二，数据熔点在主控制基板定义，以确定是否模糊数学处理的结果进一步通过数据融合，这不仅提高了数据融合的精度确定，也系统的可信度和降低可靠性。
板和实时控制系统的计算量较高。线传感器网络的每个节点的智能区分负责捕获传感器信息，存储和传输数据以及与其他节点通信。于传输期间的高斯噪声，每个节点可能漂移。实上，每个传感器端节点将被放置在相对恶劣的环境中，如：温度传感器节点和湿度被放置在开关的工作，其中，周围温度高和干扰路由器强电磁，噪音。果，传感器节点易受软件和硬件损失的影响，导致系统故障或崩溃，包括错误检测信息（显着大于或小于检测值）。）被发送到主控制面板，这是最隐蔽和最隐蔽的。
果出现重大的错误丢失，这将破坏后续调整的处理步骤，并将对机房的监控产生严重后果。了解决这个问题，系统还在添加模糊数学的同时配置递归模式网络自动查询，以执行网络节点的智能识别过程。网络重新自我询问过程中，位于无线网络中的协调器节点附近的每个终端节点将形成小型虚拟网络。调器和终端节点是ZigBee无线网络的典型节点。图3所示，这个小型网络有9个节点。图3中可以看出，节点将相干检测信息发送到周围节点，并且周围节点的健康由周围节点的反馈结果确定。论协调器节点还是终端节点，该网络的节点都具有相同的通信状态。送的检测信息包括检测软件和硬件相关的内容，可以根据用户的需要进行定义。其他节点完成一致性检查时，它会发送响应消息，最初发送的节点会收集此信息以确定周围节点的运行状况。整个智能判别网络中，每个节点具有完整性阈值[wk]，其是指小网络检测到回合之后每个节点的健康信息的总和。该节点的健康信息不低于完整性阈值时，它将被视为正常节点。则，它们将被设置为错误节点，整个网络将从节点中删除任何信息。图3中，每个节点的完整性阈值被设置为2，并且当完整性信息的总和等于1时，它被定义为错误节点。智能自主识别无线通信网络后，网络将自动过滤坏节点，这将大大提高网络信息的可信度。之，计算机房的监控系统采用融合算法D？ S作为数据融合的主要手段。克服D数据合并应用程序的弱点？在该监控系统中，首先根据计算机房环境的实际情况确定最准确的成员资格。
功能的程度，收集并处理的数据作为一个综合的多维证据到计算机房间的环境监控的最佳监测结果，为了该数据的模糊数学处理，以实现有效的控制和调节科学电脑室。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com