一种面向多传感器的信息融合方法及装置

技术领域

本申请涉及信息处理技术领域，尤其涉及一种面向多传感器的信息融合方法及装置。

背景技术

随着物联网技术的迅猛发展，越来越多的设备能够相互连接和通信。这使得能够在智慧城市环境中布置多个不同种类的传感器，以进行环境信息的采集。通过对这些数据进行处理，为智慧城市环境监测、运营管理和决策提供了更可靠和全面的支持。

在这种背景下，对多源异构数据的融合处理成为智慧城市物联网发展的重要方。然而，随着监测场景的不断增加，数据规模呈现出海量性，数据来源和格式多样且异构，数据时效性也很重要，同时还面临着数据不确定性的问题。这些因素会导致数据之间存在冗余和矛盾，降低不同单位数据格式之间海量数据融合的效率。

发明内容

本申请提供一种面向多传感器的信息融合方法及装置，本申请的技术方案如下：

根据本申请实施例的第一方面，提供一种面向多传感器的信息融合方法，包括：

对传感层数据进行基于产生式规则的时空预处理算法处理得到预处理数据；其中，所述传感层数据通过多个传感器获取；

利用神经网络多分类器对所述预处理数据进行特征层融合得到特征融合数据；

利用支持度修正迭代融合方法对所述特征融合数据进行决策层融合得到决策层数据；

将所述决策层数据进行决策上传。

根据本申请实施例的第二方面，提供一种动态不确定场景下认知工业物联网的资源分配装置包括：

数据预处理模块，用于对传感层数据进行基于产生式规则的时空预处理算法处理得到预处理数据；其中，所述传感层数据通过多个传感器获取；

特征融合模块，利用神经网络多分类器对所述预处理数据进行特征层融合得到特征融合数据；

决策层融合模块，利用支持度修正迭代融合方法对所述特征融合数据进行决策层融合得到决策层数据；

决策层数据上传模块，将所述决策层数据进行决策上传。

根据本申请实施例的第三方面，提供一种非易失性存储设备包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现第一方面提供的方法。

根据本申请实施例的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面提供的方法。

有益效果：

本申请提供了一种面向多传感器的信息融合方法及装置，对传感层数据进行基于产生式规则的时空预处理算法处理得到预处理数据；其中，所述传感层数据通过多个传感器获取；利用神经网络多分类器对所述预处理数据进行特征层融合得到特征融合数据；利用支持度修正迭代融合方法对所述特征融合数据进行决策层融合得到决策层数据；将所述决策层数据进行决策上传。本申请通过多层次融合框架消除了海量多源异构数据间的冗余和矛盾得到了更可靠的决策结果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理，并不构成对本申请的不当限定。

图1是根据一示例性实施例示出的一种面向多传感器的信息融合方法的步骤示意图。

图2是根据一示例性实施例示出的一种基于产生式规则的数据预处理方法示意图。

图3根据一示例性实施例示出的用于剔除异常值的箱线图四分位距示意图。

图4是根据一示例性实施例示出的一种面向多传感器的信息融合装置的结构示意图。

具体实施方式

为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

图1为本申请一示例性实施例提供的一种面向多传感器的信息融合方法的流程示意图。如图1所示，面向多传感器的信息融合方法具体包括：

S1，对传感层数据进行基于产生式规则的时空预处理算法处理得到预处理数据，其中，所述传感层数据通过多个传感器获取的异构数据。

具体的，在设备进行数据融合前，由于各传感器采集数据类型各不相同，为保证结果的可靠性，需要对原始数据进行预处理。

传感层数据为多个传感器采集到的数据，示例性的，由多个传感器采集包括PM2.5、PM10、SO2、CO、NO2、O3等数据中的至少一种。

一些实施例中，基于产生式规则的预处理算法主要依据输入类型的不同来选择不同的数据预处理算法。本申请用一个产生式系统来描述该过程。产生式系统由三部分组成：产生式规则库21、推理机22和动态数据库23，本申请的产生式规则其结构如图2所示。

产生式规则库21为一产生式规则集，由一系列规则组成，根据输入数据的不同来判断其数据类型。一个产生式规则集中的规则，按其逻辑关系，形成一个称为推理网络的结构图。示例性的，所述产生式规则库中，包括了NO

推理机22即为控制执行机构，负责产生式规则的前提条件测试或匹配、规则的调度与选取，规则体的解释和执行。即推理机实施推理，并对推理进行控制，它也就是规则的解释程序。

动态数据库23包括数据库和算法库，其中，所述数据库包括全局数据库、综合数据库和上下文等等，它是一个动态数据结构，用于存放初始事实数据、中间结果和最后结果等；算法库用于存储时空预处理算法。

示例性的，时空预处理算法包括用于异常值检测的四分位距算法、用于时间准配的最小二乘规则以及用于去噪的卡尔曼滤波算法等中的至少一种。

一些实施例中，若时空预处理数据为在时间维度上单传感器采集到的数据，则采用四分位距算法以及卡尔曼滤波算法，去除异常值并减小数据之间的噪声；若数据为时空维度上不同传感器之间采集到的异构数据，则采用时间准配的最小二乘规则算法处理数据，目的在于将不同采集频率的传感器采集到的数据进行适配。

一些实施例中，若数据为通用传感器采集的数据，则采用四分位距算法来检测异常值。

如图3所示，本申请所涉及的四分位距算法通过将数据集分成四分位数来测量可变性。数据按升序排序，并分成4个相等的部分。Q1、Q2、Q3称为第一、第二和第三四分位数，是分隔4个相等部分的值。其中，

Q1代表数据的第25个百分点；Q2代表数据的第50个百分点；Q3：代表数据的第75个百分点。

IQR是第一和第三个四分位数之间的范围，即IQR＝Q3–Q1。低于Q1–1.5*IQR或高于Q3+1.5*IQR的数据点是异常值。

四分位差反映了中间50％数据的离散程度，其数值越小，说明中间的数据越集中；其数值越大，说明中间的数据越分散。该方法可以有效的检测数据中的异常值，找到异常值后利用均值或者是中值来代替异常值完成异常值滤除操作。

一些实施例中，在多传感器数据融合中，由于参与融合的各个传感器精度不同，其对目标的测量周期不同步，且具有不同的传输时延等原因，导致融合中心接收到的不同传感器的测量数据存在数据异步问题，这些测量数据不能反映目标同一时刻的运动状态。因此，在对多传感器数据融合前，应该对多传感器数据进行时间配准的处理，否则，对未经配准的多传感器数据进行融合处理，可能得到比单一传感器更差的结果，甚至会产生一些不真实的虚假信息。也就是说，时间配准的意义在于：对各传感器采集的目标观测数据采取一定的算法，将各测量值推算到统一的观测时间点上。

基于上述原因，本申请基于最小二乘法的非同步信息之间的时间配准补偿，以便于将数据压缩“对齐”到任意时刻。具体的，

假设第一传感器和第二传感器的采样周期分别为τ和T，且两者之比为整数，即n＝τ/T。若第一传感器对目标状态最近一次更新时间为(k-1)/τ，下次更新时间为k＝[(k-1)/τ+nT]。这就意味着在连续两次目标状态更新之间，第二传感器有n次测量值。因此采用最小二乘规则，将这n次测量值融合成一个虚拟的测量值，作为k时刻第二传感器的测量值，再与第一传感器的测量值进行融合。

在一些实施例中，用Z

其中，v

一些实施例中，将所述向量形式化：Z

其中

利用最小二乘原理，引入函数

因此可得最小二乘解为：

以及相应的方差阵估值为：

对第二传感器k时刻的n个测量值，融合以后的测量值为：

测量噪声方差为：

其中：c

本申请的最小二乘时间配准算法采用测量值残差的平方和最小作为性能准则，将高速率的传感器的各测量数据拟合到低速率传感器的时间点上，在利用该虚拟的测量值与低速率传感器的测量值进行融合。由于该算法将第二传感器的数据进行了压缩，减小了融合的数据量，因此，该算法运算比较简单，配准精度较高。

一些实施例中，卡尔曼滤波方法是关于线性滤波与预测问题的方法，能够根据量测信息实时的对目标进行估计与修正，具体的，

离散卡尔曼滤波系统方程，状态方程为：

X(k+1)＝Φ(k+1|k)X(k)+G(k)w(k)

量测方程为：

Z(k)＝H(k)X(k)+v(k)

其中，X(k+1)为k+1时刻系统的状态估计向量，Φ为系统的状态转移矩阵，G(k)为状态噪声加权矩阵，w(k)为系统噪声向量，Z(k)为k刻的量测向量，H(k)为量测转移矩阵，v(k)为k时刻的量测噪声向量。

卡尔曼滤波要求w(k)和v(k)为互不相关的零均值高斯白噪声序列，且满足：

其中，Q(k)和R(k)分别为k的状态噪声矩阵和量测噪声矩阵，δ

S2，利用神经网络多分类器对所述预处理数据进行特征层融合得到特征融合数据。

在智慧城市环境监测系统中，数据来自于多种不同的传感器，海量的数据中存在着冗余和矛盾，因此采用神经网络多分类器对多传感器数据进行融合，得到环境整体评估结果。

示例的，神经网络多分类器包括反向传播神经网络(Back Propagation，BP)、径向基函数神经网络(Radial Basis Function Neural Network，RBF)和极限学习机神经网络(Extreme Learning Machines，ELM)中的至少一种。其中，BP神经网络通过反向传播算法进行权值和阈值的调整，具有强大的非线性建模能力。RBF神经网络基于径向基函数对输入数据进行建模，表现出良好的泛化性能。ELM神经网络则采用随机初始化隐藏层权值的方式，快速地求解输出层权值。上述三种神经网络算法在多分类问题中都有着卓越的表现，通过集成这三个分类器的预测结果，可以充分利用它们各自的特点和优势，从不同的角度对数据进行挖掘以及特征提取，并提高多分类任务的准确性和鲁棒性。

S3，利用支持度修正迭代融合方法对特征融合数据进行决策层融合得到决策层数据。

一些实施例中，将利用支持度修正迭代融合方法对特征融合数据决策层融合到DS证据理论组合规则中，得到决策层数据。

在证据理论中，所有研究对象的全体称为一个辨识框架，框架中元素取值都是离散的，并且两两互斥，每个元素称为一个基元，由框架中所有子集构成的集合称为框架的幂集。证据理论的核心问题就是:已知待辨识框架，根据给定信息判断框架中一个未定的元素属于0中某个子集的程度，由此引如入了证据理论的基础—基本概率指派函数(basicprobability assignment，BPA)。定义如下:

定义1Θ为一待辨识框架，Θ＝{μ

定义2在识别框架Θ＝{μ

其中：

K的大小反映的是两条证据之问的冲突程度，常称为冲突系数，取值范围为[0，1]。其越接近于1，表示两条证据之间冲突越大；反之，越接近于0，表示冲突越小。系数1/1-K为归一化因子，目的在于防止将非零值赋给空集。

在证据冲突较小时，DS证据理论组合规则能够将证据置信度不断地向确定性较高的命题集中，但是在证据冲突较大或者完全对立时，由于DS证据理论将冲突全部丢弃，失去了其融合能力，合成结论往往有悖于实际情况。本申请针对DS证据理论的冲突性以及计算量爆炸的问题，采取了利用支持度修正迭代融合的方法解决上述问题。

从数据源层面出发,利用节点误差数据波动性,引入节点信任度修正参数对误差数据产生的证据冲突进行修正,从源头上降低证据冲突的概率。示例性的，

S31,将各个节点的特征融合数据利用方差进行证据修正,并利用DS理论将各个证据数据融合,得到n组初始证据；

S32,将所述初始证据融合后得到修正证据,将所述修正组证据作为迭代算法的初始参照证据。

S33,通过计算所述n组初始证据融合结果之间的距离、夹角余弦以及冲突量，得到每条初始证据的折扣因子；

S34,采用所述折扣因子重新修正证据体,再进行融合,不断迭代直到达到预设精度,得到最终融合结果。

一些实施例中，当前共有n组初始证据

得到所述最终融合结果的方法包括：

S41,计算

其中：

S42,计算

S43,计算

其中：a,b,c分别表示单一属性的重要程度调节参数。

S44,对证据支持度参数

S45,利用修正权值

S46,依次迭代直至

针对智慧城市环境监测场景汇总海量多源异构数据的不同特点，建立层次化的融合模型。将无线传感器网络采集到的大量原始数据进行网内处理，消除多传感器信息之间存在的冗余信息，降低数据的冗余和冲突，增强数据的可信度以及融合结果的可靠性。

S4、将所述决策层数据进行决策上传。

具体的，根据对层次化融合后的结果进行决策，并将结果进行上传和显示，实时检测采集的数据的变化情况。

将决策结果通过窄带物联网NB-IoT上传至云端；云端具有可视化界面，可实时监测当前环境的状态，并将异常信息上报至相应的部门，便于执行对应的操作。

一些实施例中，对来自空气质量应用场景数据进行融合，首先使用历史空气质量指数AQI数据对S2中所提到的神经网络多分类器进行训练获得三种模型用以构建空气质量应用场景下的多层次融合框架，其次将融合框架应用于实际场景中。在实际应用中，先是将空气质量传感器采集到的数据通过S1的产生式规则的时空预处理算法，获得高质量的预处理数据，其次将预处理数据通过S2的神经网络多分类器获得多组特征融合数据，再将这多组特征融合数据通过S3支持度修正迭代融合的方法将多组特征证据进行迭代融合，最终将融合后的结果上传至云端。

本申请提供了一种面向多传感器的信息融合方法，对传感层数据进行基于产生式规则的时空预处理算法处理得到预处理数据；其中，所述传感层数据通过多个传感器获取；利用神经网络多分类器对所述预处理数据进行特征层融合得到特征融合数据；利用支持度修正迭代融合方法对所述特征融合数据进行决策层融合得到决策层数据；将所述决策层数据进行决策上传。本申请通过多层次融合框架消除了海量多源异构数据间的冗余和矛盾得到了更可靠的决策结果。

一些实施例中，选择某市2013年以来的历史AQI数据集，部分数据集如表1所示，这里假设了在环境中部署了六种传感器，分别用于监测环境中的PM2.5、PM10、SO2、CO、NO2、O3。并将数据集划分成训练集、测试集与验证集，将上述六种传感器数据作为输入，质量等级或AQI作为标签。之后使用训练集与验证集的数据对三种神经网络分类器分别进行训练与建模，使用测试集数据模拟真实环境对多层次融合框架进行测试。

表1历史AQI数据

将测试集数据按照多层次融合框架算法进行层次化融合，并将决策层融合结果与单分类器的输出结果的正确率进行对比。下表为决策正确率的对比。

表2效果对比表

下面两个表展示了决策层综合考虑三种分类器的输出结果并最终获得了正确分类的情况。

表3对证据修正的对比

表4对证据修正的对比

通过上述实例仿真对数据的多层级融合，消除了数据间的冗余与矛盾，最终获得了更可靠的决策结果。

使用多层次融合框架对测试集数据进行融合，首先对原始数据进行预处理，其次将六维异构数据输入三个神经网络多分类器进行特征层融合，并获得三组原始证据。然后分别对这三组证据进行决策层融合，获得最终一组证据。通过对这四组证据的正确率对比如表2所示，并且参考表3和表4，结果表明，通过本申请涉及的面向多传感器的信息融合方法的融合结果正确率高，消除了数据之间的冗余与矛盾，最终获得了更可靠的决策结果。

图4为本申请一示例性实施例提供的一种面向多传感器信息融合装置的结构示意图。如图4所示，本申请提供的一种面向多传感器信息融合装置包括：

数据预处理模块，用于对传感层数据进行基于产生式规则的时空预处理算法处理得到预处理数据；其中，所述传感层数据通过多个传感器获取；

特征融合模块，利用神经网络多分类器对所述预处理数据进行特征层融合得到特征融合数据；

决策层融合模块，利用支持度修正迭代融合方法对所述特征融合数据进行决策层融合得到决策层数据；

决策层数据上传模块，将所述决策层数据进行决策上传。

本申请实施例提供的装置可以具体用于执行上述图1对应方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。

本发明实施例还提供一种非易失性存储设备包括：处理器，以及与处理器通信连接的存储器；

存储器存储计算机执行指令；

处理器执行存储器存储的计算机执行指令，以实现上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。该电子设备可以为上述提及的服务器。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。

本申请实施例还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。

本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

在一些可能的实施方式中，根据本申请的电子设备可以包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的运营数据管理方法。例如，处理器可以执行如运营数据管理方法中的步骤。

应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。

此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器，使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。