多传感器信息融合在温室湿度检测中的应用

　　引 言

　　从 20 世纪 80 年代，我国温室设施迅速发展，突破传统农作物种植受到的地理、气候等限制，实现了反季节生产[1]。环境控制和自动化生产是温室设施的关键技术之一。由于温室环境恶劣( 高温、高湿等) ，环境控制有时不能依靠人工作业，因此，需要自动化控制。自动控制系统可以提高温室的管理水平，而温室环境的检测系统是生产自动化的重要部分。

　　温室内的低温、高湿环境会引起农作物产生病害，也会影响农作物的生产质量。因此，需要研究温室内湿度的分布情况。根据研究，温室内湿度的分布是不均匀的，温室内靠近棚架两侧的泥土，由于棚外水分渗透渗出较多，加上棚膜上水滴的流淌湿度较大; 棚中部则比较干燥。因此，为了判别温室湿度的高低，需要采集多点湿度值进行融合，传统的方法是采用平均湿度进行判别。这种方法不能准确反映温室的湿度，例如: 在部分传感器受到干扰或者失效的情况下，就会使测量结果产生严重的误差。为此，本文提出多传感器信息融合的方法，对采集的数据进行融合。

　　1 信息融合的相关理论

　　多传感器信息融合是把多个相同类型或不同类型的传感器所提供的局部观察量加以综合，消除信息之间的冗余和矛盾，利用信息互补，形成对环境的相对完整一致的感知描述，从而提高智能系统决策的快速性和正确性，以及规划的科学性[2]。多传感器信息融合避免了单一传感器的局限性，例如，在对温室湿度进行采集的时候，会有部分传感器( I 类传感器) 对环境识别能力很强; 部分传感器( II 类传感器) 识别能力中等; 部分传感器( III 类传感器) 识别能力很低，有时会给出错误的识别信息。如果把这三类传感器采集的信息都作为特征向量的元素，让它们具有同等概率进行数据融合，必然影响采集结果的精确性，可能还会给出错误的信息。但仅仅使用 I 类传感器采集信息也存在问题: 一是可靠性下降了，如果传感器出现故障或者局部噪声干扰强烈，就不能够得到准确的采集结果，并且无法校对;二是很大程度地降低了信息的利用率，缺少 II 类传感器和III 类传感器中的有用信息。如果采用信息融合的技术，这样的问题将不存在，不仅可以充分利用各传感器的信息，还避免以同等信息熵来进行信息融合的情况。多传感器信息融合的过程如图 1 所示。

　　2 基于 FCM 算法^[3]的融合

　　FCM 算法把 n 个向量 xi( i = 1，2，…，n) 分为 c 个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。xi为传感器 i 测量的数据。