果园传感器网络数据滤波算法研究.pdfVIP

2 农业工程学会 2011 年 个输入值的权重，n 为滤波掩码的宽度。滤波的结果因 更新阶段： 为引入了前后值对当前值的影响，所以可以在宏观上 达到一种使数据的整体变化趋势变得柔和平滑的效 果，使原本杂乱的数据观察起来具有更明显的统计学 意义。 2.3 卡尔曼滤波 卡尔曼滤波算法是一种自适应滤波算法，功能强大， 可以用来做滤波，也可以用来做预测。它的自适应性就 3 果园传感器网络数据分析 在于它是一种迭代式算法，每次操作都是在上一次过程 为对比滤波效果，分别采用阈值滤波、线性平滑滤 结果的基础上进行处理数据，并更新参数。正因为它的 波和卡尔曼滤波对一组数据进行处理，结构如下： 迭代性，自适应性，所以用它来对大量的数据进行处理 时，会比较简单方便，而且结果也会随着数据量的增加 逐步趋于稳定，同时趋向于准确。[7-10] 在本研究中采用卡尔曼滤波算法去除环境因素对数 据的影响。卡尔曼滤波器的操作包括两个阶段：预测与 更新。在预测阶段，滤波器使用上一状态的估计，做出 对当前状态的估计。在更新阶段，滤波器利用对当前状 态的观测值优化在预测阶段获得的预测值，以获得一个 更精确的新估计值。 预测阶段： 图 2 原始数据 更新阶段： 其中， 为k 时刻状态的预测值， 为k 时 刻误差用于衡量预测值的精度。 为测量余量， 测量 图 3 阈值滤波结果 余量的误差估计值， 为卡尔曼增益系数， 为更新后 的状态预测值， 为更新后的误差估计值， 为k 时刻 的观测值。 由于各测量值相互间的关系非常复杂，很难建立模 型去估计各个参数的影响因子，我们假定其相互独立。 由于果园传感器网络为观测型系统，不会对果园环境产 生影响因此 ，且F 、H 、R 和Q 为常数。由于 测量间隔较短，两次测量值可预测变化忽略不计，因此 设F=1 。 图 4 线性滤波结果 其中 为单位时间的噪声扰动， 为测量间隔。由 此可知扰动对预测精度的影响Q ： 其中 为环境扰动的标准差。由于模型较为简单， 不考虑观察误差，令 ， 。 至此用于果园传感器网络的卡尔曼滤波器的全部参 数均已获得，计算公式如下： 预测阶段： 图 5 卡尔曼滤波结果 网络预印版 第一作者等：论文题名 3 通过与原始数据进行对比可以发现： 设计与开发[J].农业工程学报,2010,26(14):94-97 经过阈值滤波算法处理后的数据，过滤了原始数据中的 [ 3 ] 高 峰,俞 立,王 涌,卢尚琼,张文安,于莉洁.无线传感器网 异常数据，所有的数据所有的数据都基本落在一个区间 络作物水分状况监测系统的上位机软件开发[J].农业工 里。经过平滑线性滤波算法处理后的数据不再参差不齐， 程学报,2010,26(5):175-181 [ 4 ] 韩安太,郭小华,吴秀山.温室环境控制无线传感器网络的 而是变得很整齐，很有规律，利于进一步的观察分析； 服务质量管理[J].农业工程学报,2010,26(1):216-220 经过卡尔曼滤波算法处理后的数据。数据变化趋势确实