《物联网技术与应用开发》课件第9章.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《《物联网技术与应用开发》课件第9章.ppt》由用户(momomo)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 物联网技术与应用开发 联网 技术 应用 开发 课件
- 资源描述:
-
1、第第9章章 物联网数据融合技术物联网数据融合技术 9.1 数据融合概述9.2 数据融合的原理9.3 数据融合技术与算法9.4 物联网数据管理技术 9.1 数据融合概述数据融合概述9.1.1 数据融合简介数据融合简介数据融合(Data Fusion)一词最早出现在20世纪70年代,并于20世纪80年代发展成一项专门技术。数据融合技术最早被应用于军事领域,1973年美国研究机构就在国防部的资助下,开展了声呐信号解释系统的研究。现在数据融合的主要应用领域有多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别、工业控制、海洋监视和管理等。在遥感中,数据融
2、合属于一种属性融合,它是将同一地区的多源遥感影像数据加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判断等。相对于单源遥感影像数据,多源遥感影像数据所提供的信息具有以下特点:(1)冗余性:指多源遥感影像数据对环境或目标的表示、描述或解译结果相同。(2)互补性:指信息来自不同的自由度且相互独立。(3)合作性:不同传感器在观测和处理信息时对其他信息有依赖关系。(4)信息分层的结构特性:数据融合所处理的多源遥感信息可以在不同的信息层次上出现,这些信息抽象层次包括像素层、特征层和决策层,分层结构和并行处理机制还可保证系统的实时性。多源遥感影像的实质是在统一地理坐标系中将对同一目标检测的多
3、幅遥感图像数据采用一定的算法,生成一幅新的、更能有效表示该目标的图像信息。多源遥感影像的目的是将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合,消除多传感器信息之间可能存在的冗余和矛盾,加以互补,改善遥感信息提取的及时性和可靠性,提高数据的使用效率。9.1.2 物联网中的数据融合物联网中的数据融合数据融合是针对多传感器系统而提出的。在多传感器系统中,由于信息表现形式的多样性、数据量的巨大性、数据关系的复杂性以及要求数据处理的实时性、准确性和可靠性,都已大大超出了人脑的信息综合处理能力,在这种情况下,多传感器数据融合技术应运而生。多传感器数据融合(Multi-Sensor Data
4、Fusion,MSDF),简称数据融合,也被称为多传感器信息融合(Multi-Sensor Information Fusion,MSIF)。它由美国国防部在20世纪70年代最先提出,之后英、法、日、俄等国也做了大量的研究。近40年来数据融合技术得到了巨大的发展,同时伴随着电子技术、信号检测与处理技术、计算机技术、网络通信技术以及控制技术的飞速发展,数据融合已被应用在多个领域,在现代科学技术中的地位也日渐突出。1数据融合的定义数据融合的定义简洁地表述为:数据融合是利用计算机技术对时序获得的若干感知数据,在一定准则下加以分析、综合,以完成所需决策和评估任务而进行的数据处理过程。数据融合有三层含义
5、:(1)数据的全空间,即数据包括确定的和模糊的、全空间的和子空间的、同步的和异步的、数字的和非数字的,它是复杂的、多维多源的,覆盖全频段。(2)数据的融合不同于组合,组合指的是外部特性,融合指的是内部特性,它是系统动态过程中的一种数据综合加工处理。(3)数据的互补过程,数据表达方式的互补、结构上的互补、功能上的互补、不同层次的互补,是数据融合的核心,只有互补数据的融合才可以使系统发生质的飞跃。数据融合示意图如图9.1所示。图9.1 数据融合示意图数据融合的实质是针对多维数据进行关联或综合分析,进而选取适当的融合模式和处理算法,用以提高数据的质量,为知识提取奠定基础。2数据融合研究的主要内容数据
6、融合是针对一个网络感知系统中使用多个和多类感知节点(如多传感器)展开的一种数据处理方法,研究的内容主要包含以下几个方面。(1)数据对准。(2)数据相关。(3)数据识别,即估计目标的类别和类型。(4)感知数据的不确定性。(5)不完整、不一致和虚假数据。(6)数据库。(7)性能评估。3物联网数据融合的意义和作用物联网是利用射频识别(RFID)装置、各种传感器、全球定位系统(GPS)、激光扫描器等各种不同装置、嵌入式软硬件系统,以及现代网络及无线通信、分布式数据处理等诸多技术,能够协作地实时监测、感知、采集网络分布区域内的各种环境或监测对象的信息,实现包括物与物、人与物之间的互相连接,并且与互联网结
7、合起来而形成的一个巨大的信息网络系统。这个巨大的信息网络系统是一个物联网系统,在这个物联网系统中,有大量感知数据需要选取适当的融合模式、处理算法进行综合分析,才能提高数据的质量,获得最佳决策和完成评估任务。这就是物联网数据融合的意义和作用。4物联网数据融合所要解决的关键问题和要求1)物联网数据融合所要解决的关键问题物联网数据融合所要解决的关键问题有以下几个:(1)数据融合节点的选择。融合节点的选择与网络层的路由协议有密切关系,需要依靠路由协议建立路由回路数据,并且使用路由结构中的某些节点作为数据融合的节点。(2)数据融合时机。(3)数据融合算法。2)物联网数据融合技术要求与以往的多传感器数据融
8、合有所不同,物联网具有它自己独特的融合技术要求:(1)稳定性。(2)数据关联。(3)能量约束。(4)协议的可扩展性。9.2 数据融合的原理数据融合的原理9.2.1 数据融合的基本原理数据融合的基本原理1数据融合的原理数据融合的原理数据融合中心对来自多个传感器的信息进行融合,也可以将来自多个传感器的信息和人机界面的观测事实进行信息融合(这种融合通常是决策级融合),提取征兆信息,在推理机作用下,将征兆与知识库中的知识匹配,做出故障诊断决策,提供给用户。在基于信息融合的故障诊断系统中可以加入自学习模块,故障决策经自学习模块反馈给知识库,并对相应的置信度因子进行修改,更新知识库。同时,自学习模块能根据
9、知识库中的知识和用户对系统提问的动态应答进行推理,以获得新知识、总结新经验,不断扩充知识库,实现专家系统的自学习功能。一般来说,遥感影像的数据融合分为预处理和数据融合两步。1)预处理预处理主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准。(1)几何纠正、大气订正及辐射校正的目的在于去除透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响。(2)影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。影像空间配准时遥感影像数据融合的前提空间配准一般可分为以下步骤:特征选择:在欲配准的两幅影像上,选择如边界、线状物交叉
10、点、区域轮廓线等明显的特征。特征匹配:采用一定配准算法,找出两幅影像上对应的明显地物点,作为控制点。空间变化:根据控制点,建立影像间的映射关系。插值:根据映射关系,对非参考影像进行重采样,获得同参考影像配准的影像。空间配准的精度一般要求在1至2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。2)数据融合根据融合目的和融合层次智能地选择合适的融合算法,将空间配准的遥感影像数据(或提取的图像特征或模式识别的属性说明)进行有机合成(如“匹配处理”和“类型变换”等),以便得到目标的更准确表示或估计。2数据融合的分类及方法1)数据融合的分类遥感影像的数据融合有三类
11、:像元(pixel)级融合、特征(feature)级融合、决策(decision)级融合,融合的水平依次从低到高。(1)像元级融合:是一种低水平的融合。像元级融合的流程:经过预处理的遥感影像数据数据融合特征提取融合属性说明。像元级融合模型如图9.2所示。图9.2 像元级融合模型像元级融合的优点:保留了尽可能多的信息,具有最高精度。像元级融合的局限性:效率低下。由于处理的传感器数据量大,所以处理时间较长,实时性差。分析数据受限。为了便于像元比较,对传感器信息的配准精度要求很高,而且要求影像来源于一组同质传感器或同单位的。分析能力差。不能实现对影像的有效理解和分析。纠错要求。由于底层传感器信息存在
12、不确定性、不完全性或不稳定性,所以对融合过程中的纠错能力有较高要求。抗干扰性差。像元级融合所包含的具体融合方法有代数法、IHS变换、小波变换、主成分变换(PCT)、K-T变换等。(2)特征级融合:是一种中等水平的融合。在这一级别中,先是将各遥感影像数据进行特征提取,提取的特征信息应是原始信息的充分表示量或充分统计量,然后按特征信息对多源数据进行分类、聚集和综合,产生特征矢量,而后采用一些基于特征级的融合方法融合这些特征矢量,作出基于融合特征矢量的属性说明。特征级融合的流程:经过预处理的遥感影像数据特征提取特征级融合融合属性说明。特征级融合模型如图9.3所示。图9.3 特征级融合模型(3)决策级
13、融合:是最高水平的融合。融合的结果为指挥、控制、决策提供了依据。在这一级别中,首先对每一数据进行属性说明,然后对其结果加以融合,得到目标或环境的融合属性说明。决策级融合的流程:经过预处理的遥感影像数据特征提取属性说明属性融合融合属性说明。决策级融合模型如图9.4所示。图9.4 决策级融合模型决策级融合的优点:容错性强、开放性好、处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求,所以决策级融合的代价较高。2)数据融合的方法数据融合的方法主要有以下几种:(1)代数法:包括加权融合法、单变量图像差值法、图像比值法等。(2)图像回归法(Image Regression):首先假定
14、影像的像元值是另一影像的一个线性函数,通过最小二乘法来进行回归,然后再用回归方程计算出的预测值减去影像的原始像元值,从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正,因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。(3)主成分变换(PCT):也称为W-L变换,数学上称为主成分分析(PCA)。PCT是应用于遥感诸多领域的一种方法,包括高光谱数据压缩、信息提取与融合及变化监测等。PCT的本质是通过去除冗余,将其余信息转入少数几幅影像(即主成分)的方法,对大量影像进行概括和消除相关性。PCT使用相关系数阵或协方差阵来消除原始影像数据的相关性
15、,以达到去除冗余的目的。对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。PCT的优点是能够分离信息,减少相关,从而突出不同的地物目标。另外,它对辐射差异具有自动校正的功能,因此无须再做相对辐射校正处理。(4)K-T变换:即Kauth-Thomas变换,又形象地称为“缨帽变换”。它是线性变换的一种,它能使坐标空间发生旋转,但旋转后的坐标轴不是指向主成分的方向,而是指向另外的方向,这些方向与地面景物有密切的关系,特别是与植物生长过程和土壤有关。因此,这种变换着眼于农作物生长过程而区别于其他植被覆盖,力争抓住地面景物在多光谱空间的特征。通过K-T变换,既可以实现信息压缩,又可以帮
16、助解译分析农业特征,因此,有很大的实际应用意义。目前K-T变换在多源遥感数据融合方面的研究应用主要集中在MSS与TM两种遥感数据的应用分析上。(5)小波变换:是一种新兴的数学分析方法,已经受到了广泛的重视。小波变换是一种全局变换,在时间域和频率域同时具有良好的定位能力,对高频分量采用逐渐精细的时域和空域步长,可以聚焦到被处理图像的任何细节,从而被誉为“数学显微镜”。小波变换常用于雷达影像(SAR)与TM影像的融合。它具有在提高影像空间分辨率的同时又保持色调和饱和度不变的优越性。(6)IHS变换:三个波段合成的RGB颜色空间是一个对物体颜色属性描述的系统,而IHS色度空间提取出物体的亮度I、色度
17、H、饱和度S分别对应三个波段的平均辐射强度、三个波段的数据向量和的方向及三个波段等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。以TM和SAR为例,变换思路是把TM图像的三个波段合成的RGB假彩色图像变换到IHS色度空间,然后用SAR图像代替其中的I值,再变换到RGB颜色空间,形成新的影像。数据融合的方法还包括多贝叶斯估计法、D-S(Dempster-Shafer)证据推理法和人工神经网络法等,具体内容将在后面章节中进行介绍。遥感影像数据融合还是一门很不成熟的技术,有待于进一步解决的关键问题包括空间配准模型、建立统一的数学融合模型、提高数据预处理过程的精度、提高精确度与可信度
18、等。随着计算机技术、通信技术的发展,新的理论和方法的不断出现,遥感影像数据融合技术将日趋成熟,从理论研究转入到实际更广泛的应用,最终必将向智能化、实时化方向发展,并同GIS结合,实现实时动态融合,用于更新和监测。9.2.2 物联网中数据融合的层次结构物联网中数据融合的层次结构通过对多感知节点信息的协调优化,数据融合技术可以有效地减少整个网络中不必要的通信开销,提高数据的准确度和收集效率。因此,传送已融合的数据要比未经处理的数据节省能量,延长网络的生存周期。但对物联网而言,数据融合技术将面临更多挑战,例如,感知节点能源有限、多数据流的同步、数据的时间敏感特性、网络带宽的限制、无线通信的不可靠性和
19、网络的动态特性等。因此,物联网中的数据融合需要有其独特的层次性结构体系。1传感网感知节点的部署在传感网数据融合结构中,比较重要的问题是如何部署感知节点。目前,传感网感知节点的部署方式一般有三种类型:并行拓扑、串行拓扑和混合拓扑。最常用的拓扑结构是并行拓扑,在这种部署方式中,各种类型的感知节点同时工作;串行拓扑,其感知节点检测数据信息具有暂时性,实际上SAR(Synthetic Aperture Radar)图像就属于此结构;混合拓扑,即树状拓扑。2数据融合的层次划分数据融合大部分是根据具体问题及其特定对象来建立自己的融合层次。例如,有些应用将数据融合划分为检测层、位置层、属性层、态势评估和威胁
20、评估;有的根据输入/输出数据的特征提出了基于输入/输出特征的融合层次化描述。数据融合层次的划分目前还没有统一标准。根据多传感器数据融合模型定义和传感网的自身特点,通常按照节点处理层次、融合前后的数据量变化、信息抽象的层次,来划分传感网数据融合的层次结构。数据融合的一般模型如图9.5所示。图9.5 数据融合的一般模型9.3 数据融合技术与算法数据融合技术与算法9.3.1 传感器网络数据传输及融合技术传感器网络数据传输及融合技术如今无线传感器网络已经成为一种极具潜力的测量工具。它是一个由微型、廉价、能量受限的传感器节点所组成,通过无线方式进行通信的多跳网络,其目的是对所覆盖区域内的信息进行采集、处
21、理和传递。然而,传感器节点体积小,依靠电池供电,且更换电池不便,如何高效使用能量,提高节点生命周期,是传感器网络面临的首要问题。1传统的无线传感器网络数据传输1)直接传输模型直接传输模型是指传感器节点将采集到的数据通过较大的功率直接一跳传输到Sink节点上,进行集中式处理,如图9.6所示。这种方法的缺点在于:距离Sink节点较远的传感器节点需要很大的发送功率才可以达到与Sink节点通信的目的,而传感器节点的通信距离有限,因此距离Sink较远的节点往往无法与Sink节点进行可靠的通信,这是不能被接受的;且在较大通信距离上的节点需耗费很大的能量才能完成与Sink节点的通信,容易造成有关节点的能量很
22、快耗尽,这样的传感器网络在实际中难以得到应用。2)多跳传输模型多跳传输模型类似于Ad-Hoc网络模型,如图9.7所示。每个节点自身不对数据进行任何处理,而是调整发送功率,以较小功率经过多跳将测量数据传输到Sink节点中再进行集中处理。多跳传输模型很好地改善了直接传输模型的缺陷,使得能量得到了有效的利用,这是传感器网络得到广泛利用的前提。图9.6 直接传输模型 图9.7 多跳传输模型 该方法的缺点在于:当网络规模较大时,会出现热点问题,即位于两条或多条路径交叉处的节点,以及距离Sink节点一跳的节点(将它称之为瓶颈节点),如图9.7中的N1、N2、N3、N4,它们除了自身的传输之外,还要在多跳传
23、递中充当中介。在这种情况下,这些节点的能量将会很快耗尽。对于以节能为前提的传感器网络而言,这显然不是一种很有效的方式。2无线传感器网络的数据融合技术在大规模的无线传感器网络中,由于每个传感器的监测范围以及可靠性都是有限的,在放置传感器节点时,有时要使传感器节点的监测范围互相交叠,以增强整个网络所采集的信息的鲁棒性和准确性。那么,在无线传感器网络中的感测数据就会具有一定的空间相关性,即距离相近的节点所传输的数据具有一定的冗余度。在传统的数据传输模式下,每个节点都将传输全部的感测信息,这其中就包含了大量的冗余信息,即有相当一部分的能量用于不必要的数据传输。而传感器网络中传输数据的能耗远大于处理数据
24、的能耗。因此,在大规模无线传感器网络中,使各个节点多跳传输感测数据到Sink节点前,先对数据进行融合处理是非常有必要的,数据融合技术应运而生。1)集中式数据融合算法(1)分簇模型的LEACH算法。为了改善热点问题,Wendi Rabiner Heinzelman等提出了在无线传感器网络中使用分簇概念,其将网络分为不同层次的LEACH算法:通过某种方式周期性随机选举簇头,簇头在无线信道中广播信息,其余节点检测信号并选择信号最强的簇头加入,从而形成不同的簇。簇头之间的连接构成上层骨干网,所有簇间通信都通过骨干网进行转发。簇内成员将数据传输给簇头节点,簇头节点再向上一级簇头传输,直至Sink节点。图
25、9.8所示为两层分簇结构。这种方式可降低节点发送功率,减少不必要的链路和节点间干扰,达到保持网络内部能量消耗的均衡,延长网络寿命的目的。该算法的缺点在于:分簇的实现以及簇头的选择都需要相当一部分的开销,且簇内成员过多地依赖簇头进行数据传输与处理,使得簇头的能量消耗很快。为避免簇头能量耗尽,需频繁选择簇头。同时,簇头与簇内成员为点对多点的一跳通信,可扩展性差,不适用于大规模网络。图9.8 LEACH算法 图9.9 PEGASIS算法(2)PEGASIS算法。Stephanie Lindsey等人在LEACH的基础上提出了PEGASIS算法。此算法假定网络中的每个节点都是同构的且静止不动,节点通过
展开阅读全文