面向农业温室环境的ICDO-RBF多传感器数据融合方法

本发明属于多传感器数据融合，尤其涉及面向农业温室环境的icdo-rbf多传感器数据融合方法。

背景技术：

1、多传感器数据融合技术就是将多个传感器收集的信息整合处理和融合加工，削弱数据源中存在的不确定成份，最终得到一个有决策意义的数据结果。该技术已经在智慧农业信息处理、空间探测、目标跟踪和识别等领域应用，极大提高了系统测量、探测与识别能力。但目前温室专用传感器测量精度较低，而农业环境感知数据量大，冗余数据多，制约了数据为基础的农业环境预测及调控能力，因此多传感器数据融合方法显得尤为重要。目前多传感器数据融合方法可以分为两类：非智能的融合方法，如卡尔曼滤波法、贝叶斯估计法、dempster—shafer证据推理法、参数模板法、物理模型法、熵法、品质因素法、聚类分析法、估计理论法和专家系统法等；计算智能方法，如模糊集合理论、神经网络、粗集理论、小波分析理论、支持向量机和深度学习等。两类方法在温室场景的多传感器数据融合方面都取得了好的效果，但在数据处理精度与算法复杂度方面存在不足。近几年典型成果包括：利用贝叶斯方法进行多传感器数据融合，解决了传感器的异常观测问题，然而该方法涉及到无穷区间上的积分计算，故存在数值稳定性较差的问题；还有的现有技术在数据融合前引入了最优比例权重的概念，并使用二次加权方法，解决了传感器系统方差较大时对加权融合算法产生的不利影响，但融合精度仍有提升空间；现有技术一种基于反向传播神经网络的多传感器数据融合算法，取得良好的融合结果，但收敛速度较慢，且容易陷入局部最优；还有的现有技术通过fa-bp神经网络模型构建数据融合算法，但是融合结果稳定性受制于fa算法初始种群质量影响；现有技术一种改进的ds证据理论方法，减少不可靠证据的影响，加强了可靠证据的融合效果获得较好精度，但算法运行稳定性稍差。

2、上述关于多传感器数据融合方法的现有技术一定程度上改善了设施农业环境下多传感器数据融合的某一方面的问题，但感知数据精准度与融合效率仍然很难满足目前智慧农业，特别是设施农业的温室环境要求。所以，亟需提出了icdo-rbf神经网络多传感器数据融合方法。

技术实现思路

1、本发明的目的在于提出面向农业温室环境的icdo-rbf多传感器数据融合方法，拟利用最新的群益智算法icdo的精准搜索能力和rbf神经网络收敛速度较快、全局逼近能力强的特点设计高精度的多传感器数据融合算法，在兼顾运行速度的同时避免rbf神经网络参数扩展常数和最优基函数中心随机设置的缺陷，进一步提高数据融合的精度，多传感器数据融合方法精度高，相对误差低，稳健性好。

2、为实现上述目的，本发明提供了面向农业温室环境的icdo-rbf多传感器数据融合方法，包括：

3、获取待融合的农业温室环境的多传感器数据；

4、将待融合所述多传感器数据输入预设的融合模型，获取多传感器数据融合结果；其中，所述融合模型基于优化的径向基函数神经网络构建，并通过数据集进行训练获得，所述数据集包括：室外大气数据和室内温湿度数据。

5、可选地，优化所述径向基函数神经网络包括：

6、改进切诺贝利灾难优化器；

7、利用改进后的切诺贝利灾难优化器，对所述径向基函数神经网络进行优化。

8、可选地，改进所述切诺贝利灾难优化器包括：

9、引入佳点集初始化种群；

10、改进位置更新方程；

11、在局部开发阶段动态地引入拉普拉斯交叉算子。

12、可选地，所述佳点集为：

13、

14、其中，pn(k)表示佳集点，r表示佳点，k表示[1,n]的常数，n表示输入维度；

15、改进的位置更新方程为：

16、

17、其中，表示新的位置，vα表示α粒子位置，vβ表示β粒子位置，vγ表示γ粒子位置，xj和xi表示随机选择的个体且j≠i，表示个体学习因子，、均为[0，1]间的随机数，表示粒子在第t次迭代后，第i个粒子搜索得到的最优解，表示群体交流因子；

18、拉普拉斯的密度函数和分布函数分别为：

19、

20、

21、其中，f(x)表示密度函数，b表示比例参数，x表示输入，a表示位置参数，f(x)表示分布函数。

22、可选地，利用改进后的切诺贝利灾难优化器，对所述径向基函数神经网络进行优化包括：

23、结合改进后的切诺贝利灾难优化器与k-均值聚类方法，搜索所述径向基函数神经网络的扩展常数和最优基函数中心。

24、可选地，利用所述数据集训练优化后的所述径向基函数神经网络包括：

25、步骤1.在所述数据集中，随机选择若干样本数据作为聚类中心；

26、步骤2.将所述数据集按最近邻规则分组，按照xp与聚类中心之间的欧式距离将xp分配到输入若干样本数据的各个聚类集合中；

27、步骤3.计算各个聚类集合中样本数据的均值，得到新的聚类中心；如聚类中心不再发生变化，则所得新的聚类中心为径向基函数神经网络最终的基函数中心，否则重复步骤2；

28、步骤4.基于预设方程，求解高斯函数的方差；

29、步骤5.运用径向基函数神经网络准确率指标进行适应度函数初始化；

30、步骤6.通过改进后的切诺贝利灾难优化器搜索径向基函数神经网络的最优网络参数；

31、步骤7.运用所述最优网络参数重新训练径向基函数神经网络；

32、步骤8.对重新训练后的径向基函数神经网络的输出，进行数据反归一化处理，获取数据融合结果。

33、可选地，所述预设方程为：

34、

35、其中，表示高斯函数的方差，表示样本的总数，i=1,2,3,…,h，h为隐含层节点数，j=1,2,3,…,m，d表示样本的期望输出值，yj表示输入样本对应的网络的第j个输出结点的实际输出结果，表示高斯函数的中心，||xp-ci||表示欧式范数。

36、可选地，所述高斯函数为径向基函数神经网络的激活函数；

37、所述高斯函数为：

38、

39、其中，xp表示第p个输入样本。

40、本发明具有以下有益效果：

41、本发明面向农业温室环境提出了一种icdo-rbf神经网络多传感器数据融合方法，主要目的是为实现多维数据的准确高效融合，改善传感器测量数据精度低、可靠性差的问题。通过引入佳点集、拉普拉斯交叉算子和修改位置更新方程改进cdo提高求解精度和速度，再与rbf神经网络建立了多维数据处理算法。实验结果表明，本融合方法对室内外环境的数据均能得到高精度的融合值，具有较好的适应能力及准确性。

技术特征：

1.面向农业温室环境的icdo-rbf多传感器数据融合方法，其特征在于，包括：

2.根据权利要求1所述的面向农业温室环境的icdo-rbf多传感器数据融合方法，其特征在于，

3.根据权利要求1所述的面向农业温室环境的icdo-rbf多传感器数据融合方法，其特征在于，利用改进后的切诺贝利灾难优化器，对所述径向基函数神经网络进行优化包括：

4.根据权利要求1所述的面向农业温室环境的icdo-rbf多传感器数据融合方法，其特征在于，利用所述数据集训练优化后的所述径向基函数神经网络包括：

5.根据权利要求4所述的面向农业温室环境的icdo-rbf多传感器数据融合方法，其特征在于，所述预设方程为：

6.根据权利要求5所述的面向农业温室环境的icdo-rbf多传感器数据融合方法，其特征在于，所述高斯函数为径向基函数神经网络的激活函数；

技术总结本发明提出了面向农业温室环境的ICDO‑RBF多传感器数据融合方法，包括：获取待融合的农业温室环境的多传感器数据；将待融合的所述多传感器数据输入至预设的融合模型，获取多传感器数据融合结果；其中，所述融合模型基于优化的径向基函数神经网络构建，并通过数据集进行训练获得，所述数据集包括：室外大气数据和室内温湿度数据。本发明所提出的多传感器数据融合方法精度高，相对误差低，稳健性好。技术研发人员：王骥,罗焕芝,周涛,王腾,付雷,麦仁贵,李雨阳,何子浩,陈嘉南,吴宏恩,刘侦龙受保护的技术使用者：广东海洋大学技术研发日：技术公布日：2024/7/29