面向森林防火的无线传感器网络数据融合技术研究

发布时间：2020-07-15 23:52

【摘要】：森林火灾会给人们的生命和财产安全造成严重的威胁,林火监测是预防火灾发生的重要手段。但现有的林火监测技术普遍存在监测周期长、监测灵敏度低、实施难度大等不足,无法满足人们对林火监测的需求。无线传感器网络(Wireless Sensor Network,WSN)凭借其成本低廉、灵活性好、自动化程度高等优点,在森林防火方面具有较好的应用前景。数据融合技术在处理WSN数据智能处理方面具有明显的优势。因此,本文将针对WSN在森林火灾监测中的应用进行研究。论文在分析了火灾发展过程特征的基础上,选取温度、烟雾浓度及CO浓度作为本文林火监测的参考指标,提出一种基于WSN的两级数据融合方法,提高林火监测的及时性和准确性,论文的主要工作如下:1.第一级数据融合的主要目的是完成火灾预判和数据去冗余。基于对火灾过程特征的分析,本文提出火灾支持度概念,并在此基础上提出一种基于火灾支持度加权的数据融合算法。传统的数据去冗余算法是在同类传感器上进行数据融合,对初期火灾的识别灵敏度较低。本文针对这一问题提出一种基于火灾支持度加权的融合算法,该算法可以对异类传感器数据进行融合,并考虑被监测指标的变化特征,能有效提高初期火灾探测的灵敏度,从而提高火灾识别的及时性。2.在第二级数据融合中,本文在分析了单一D-S证据理论或粗糙集理论应用于林火监测中存在的不足的基础上,提出一种结合D-S证据理论和粗糙集理论的数据融合算法。论文从理论角度证明了算法的可行性,同时还对D-S证据理论中存在的证据冲突问题及粗糙集理论中存在的数据离散化问题给出解决方案。新算法可以弥补D-S证据理论初始函数赋值易受主观性影响的缺陷以及粗糙集理论决策解决不确定的缺陷,得到更加客观,有说服力的决策结果。3.通过对中国标准试验火数据进行仿真,证明本文所提出的数据融合算法在林火监测的及时性和准确性上均有一定提高。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP212.9;TN929.5;S762.3
【图文】：

框图,功能分类,模型简化,信息融合

图 2.1 信息融合系统 6 级功能分类模型简化框图上图中的数据融合分类模型为 6 级融合模型，其融合功能主要包括信源预处理、检测级融合、位置级融合、目标识别级融合、态势估计、威胁估计以及精细处理。在实际应用中，根据实际应用场景和要求的不同可对模型进行相应的调整。检测级融合的融合过程发生在信号层面或者在监测判决层。在经典的多传感器检测中，传感器节点将自身采集到的所有数据直接上传至数据处理中心，由处理中心利用相应的算法对所有数据进行处理并完成最优目标检测的任务；在分布式检测系统中，各传感器节点先对自身采集到的数据进行一定规则的预处理，然后将处理过的信息传送至数据处理中心，数据处理中心对这些信息进行处理并得出全局决策判决；位置级融合是直接在观测报告或测量点迹上进行的融合或在各个传感器状态估计上进行的融合，例如对传感器时间和空间上的融合就是一种位置级融合，位置级数据融合在进行数据分析利用时有着十分重要的作用；目标识

数据级,融合模型

图 2.2 数据级融合模型特征级融合征级融合处理的是传感器数据抽象后提取出的特征向量，如图 2.4 融合过程中，首先要对传感器收集到的数据进行特征提取，之后对征进行关联处理，在特征关联的基础上进行属性判决。特征级融合传输量，实时性较强。并且特征级融合可以对多个不同类型的数据因而能够比较准确的对数据采集对象进行描述。但是，在对原始数取的过程中，不可避免的会过滤掉某些有用的信息，对融合结果的一些影响。

模型图,模型,特征关联,采集对象

图 2.2 数据级融合模型2. 特征级融合特征级融合处理的是传感器数据抽象后提取出的特征向量，如图 2.4 所级融合过程中，首先要对传感器收集到的数据进行特征提取，之后对特征进行关联处理，在特征关联的基础上进行属性判决。特征级融合的传输量，实时性较强。并且特征级融合可以对多个不同类型的数据，因而能够比较准确的对数据采集对象进行描述。但是，在对原始数提取的过程中，不可避免的会过滤掉某些有用的信息，对融合结果的有一些影响。

【参考文献】