版权信息 主管单位：中国电力企业联合会 主办单位：中国电力教育协会 国际标准刊号：ISSN 1007-0079 国内统一刊号：CN 11-3776/G4 联系我们
|
物联网数据融合分析
摘要: 物联网促进了社会生产效率的提高，使人们的生活更加便捷。随着数据信息量的急剧膨胀，对传感器和相应的处理设备的结构采用数据融合技术进行科学组织调配，对于数据的进一步处理是十分必要的。同时云技术的不断推广，促使物联网融合技术成为研究的热点。本文对物联网的数据融合技术进行了介绍，对融合技术的模型和算法进行了分析，对物联网数据融合具有一定的参考意义。
关键词：物联网；数据融合；模型
一 概述。
物联网使物与物之间的互联成为了现实，使得实物与信息系统的距离缩小了。传感器网、个域网以及RFID可以接入物联网的异构融合网络，最终形成统一互联的多功能网络。异构网络在物联网中产生数量庞大的冗余信息，占用了大量的网络资源，异构数据的整合成为亟需解决的问题，而数据融合是解决这一问题的有效手段。融合处理物联网中的感知信息，筛选有价值的信息进行传输，节约了系统资源，物联网的整体性能得到改善。本文对数据融合的模型进行了分析，对数据融合的算法进行了简单介绍。
二 物联网数据融合的模型和算法。
数据融合的研究已经持续了较长的时间，其主要通过自动化技术采集对象信息，并通过相应的处理手段，最终获得决策所需的特征信息。数据融合军事角度的定义为，数据融合是多方面、多层次的处理过程，其主要功能在于对来源不同的数据进行检测分析，从而获得更准确的身份和状态估计，从而对战场态势做出科学准确的评价。[1]在工业应用中，数据融合提高了传感器的抗干扰能力，信息的准确度得到提高。数据融合在多个领域发挥着重要作用。
2.1数据融合的类别。
按照级别划分，数据融合可分为数据级、特征级以及决策级三级融合。
1 数据级的融合分析。
数据级融合是最基础的融合，其在原始数据基础上直接进行融合，对传感器未经处理的数据进行分析处理。数据层融合处理通常采用集中式融合体系。由于对传感器数据只是进行了数值处理，因此具有精度高，数据损失小的特点。但由于面对的数据量庞大，其计算量较大，实时性不好。而且传感器的测量干扰也会被带入融合计算中，因此，系统必须配置滤波功能，且对传感器抗干扰能力要求较高。[2]
2 特征级的融合分析。
特征级融合的层次相对较高，首先提取传感器信息的特征，然后处理分析提取的特征信息。特征级融合使信息压缩得以实现，数据处理的实时性提高，提取的特征值提供了决策分析所需的数据信息。但可能会忽略一些可能有用的信息，从而对融合性能造成一定影响。集中式和分布式是特征级融合的常用融合体系。特征融合包括目标状态和目标特性两类融合。其中目标状态融合在追踪多传感器追踪中应用较多，目标特性融合在模式识别中应用较多。
3 决策级融合分析。
决策级融合属于较高级别的融合，其对同一目标采用多种传感器进行监测，在本地完成传感器数据的特征信息提取、识别以及判断等初步分析。利用关联处理实现决策层的数据融合，得到最终的判断结果。决策级融合损失了大量的数据，但是节省了大量的系统资源，只需很小的通信量，具有较强的实时性。
2.2 物联网数据融合的架构。
数据的异构性决定了物联网数据处理过程中需要建立相应的组织模型，其重要有中心型、分布式、点对点以及混合型集中。其中中心型组织具有较高的数据分析效率，但其存储能力较差，适用于数据量小、时效性要求高的场合。分布式组织系统可以通过增加节点数量提高系统存储能力，但分散的数据存储导致处理时间加长，因此该类型适于时效性低数据量大的系统。点对点组织结构简单，而混合型兼具分布式型和中间型的优点，但网络构建较为复杂。[3]
2.3 物联网数据融合的基本模型。
1 情报环融合模型。
情报环融合模型把数据融合等同于情报分析处理，其分为信息的处理和融合两部分。UK情报环是一种典型的情报环模型，把融合视为环状结构，分成采集、整理、评估以及分发四个阶段。采集阶段利用传感器和分析系统采集相应信息，整理阶段对采集的信息进行合并、简化以及压缩处理，为进一步的融合做好铺垫，评估阶段是融合模型的关键，该阶段负责对上阶段的信息进行分析并将结果传递到下一阶段，并对采集阶段机型指导，分发阶段把融合的数据结果发送给用户，用于决策或者修正融合过程。
图2.1 UK情报环融合模型
情报式的数据处理中，采用了中心控制、系统开发、时效性以及信息的客观性等多种情报原则，在客户需求出现变动时，模型可以及时进行调整，确保信息源正常工作，并不断对信息的采集和分析进行评价和分析，从而不断修正模型。这些特点确保了系统的保密性，但其应用场合比较有限。
2 JDL融合模型。
加强系统管理方、理论研究方、系统设计方以及系统评估方的交流和沟通是该模型的重要目标，从而确保融合系统的整体设计、系统开发以及系统运行的顺畅和高效。
图2.2 JDL融合模型
该模型主要由数据来源、数据初始处理、目标估计、态势估计、威胁估计、过程估计以及数据库和人机交互界面构成。系统传感器信息是数据的主要来源，数据初始处理模块对采集的数据进行偏差校正、坐标统一以及标准化等操作，目标评价首先对处理对象执行初步分析，然后进一步匹配关联传感器监测数据，从而确定对象的物理特征和身份信息，为进一步的融合提供信息支撑，态势估计对处理对象的关系以及变化情况进行评价，威胁估计，根据上级态势估计综合目标和环境情况，获取对象环境的潜在威胁。过程估计通过欧化配置传感器和资源以及信息收集和处理，改善系统数据融合性能。数据库为系统提供存储、调用、检索等数据处理支持。人机交互界面提供了系统的操作接口。
3 Boyd控制融合模型。
如图2.3所示，Boyd环包括观测阶段、调整阶段、决策阶段以及执行阶段四个阶段。观测阶段负责监测目标对象，采集信息；调整阶段主要识别目标对象，处理采集信息；决策阶段根据调整阶段的分析结果，制定应对策略；执行阶段实施策略相观测阶段提供融合策略。
图2.3Boyd控制环融合模型
Boyd控制融合模型以数据流向为基础，各阶段形成一个闭合循环，在模型运作过程中，数据逐步简化。该模型的整体结构比较简单，具有较强的时效性，但各阶段数据融合的相关问题也比较多，而且数据融合过程中忽略了各阶段之间的联系。
2.4 数据融合的常用算法。
数据融合可以处理较多的问题，比如数据偏差、错误数据、异构数据、数据内部联系、数据整定、处理策略、处理时间、动静态表现以及数据注册等。数据融合算法种类表多，通常，可以利用算法的基本原理进行类别划分，如利用信号处理和估计原理的算法、统计估算算法、信息论算法、决策论算法、人工智能算法以及几何算法等。
三结论
通过多种异构网络的接入，物联网将实际物体接入信息系统网络之中，使得现实世界和虚拟世界的距离拉近。本文结合物联网数据的空间和时间特性，从空间和时间属性上融合了物联网的异构数据，使物联网的时效性加强，物联网数据的冗余程度得到简化，运行消耗的带宽减小。本文主要对物联网数据融合的分类、分析模型以及计算算法进行了介绍，并对各种模型的特点进行了分析。有助于对物联网数据融合的初步认识。
参考文献：
[1] 孙其博,刘杰,黎鼻.物联网:概念架构与关键技术研究综述[J].北京邮电大学学报,2010,33(3):1-9.
[2] 潘泉,王增福,梁彦.信息融合理论的基本方法与进展[J].控制理论与应用,2012(10):599-615.
[3] 胡永利,孙艳丰,尹宝才.物联网信息感知与交互技术[J].计算机学报,2012(06):1147-1163. |
