O 引言
信息融合⋯是将来自多传感器或多源的信 息和数据模仿专家的综合信息处理能力进行智能 化处理，从而得出更准确可信的结论．目前的粮情 测控系统对粮情信号(如温度)的采集往往由单 一的传感器来完成，即使采用多个(种)传感器也 仅是从各个不同的侧面孤立反映目标信息．实际
上，粮情是由温度、湿度、水分、虫、霉等因素共同
采用了两种方式：相关信息融合、互补信息融
△[2]
日 •
由图1可知，粮情测控的特征级融合是在特 征提取的基础上，在区域(局域)范围内对安全信 息进行有效判断，其融合结果作为下一级决策融 合的输入信息．
温度 特征融合库：特征级融合方法： 特征 特征融合模型库：专家知识库：
粮情安全特征库等 湿度
决定的，必须同时、综合考虑这些因素，才能获得
特 特 特征 征 征
／． j
充分反应粮情状况的结论，并由此得出处理建议
和控制措施．
1 粮情测控系统特征级信息融合结
构
由于粮情监测参数多、数据量大，采用单一的 数据融合结构很难获得丰富、全面、准确的环境信 息，因此必须要采用多个传感器组成多类传感器 集合来共同完成此监测任务．根据传感器采集信 息的多样性，粮情测控系统的多传感器信息融合
收稿日期：2009—04—27 基金项目：“十一五”国家科技支撑计划重点项目 (2008BADA8803) 作者简介：孔李军(198卜)。男，河南信阳人，硕士，主要从事计算
机控制．系统工程研究等．
分 提 水分 特 特
析 取 特征 征 征 特征级
害虫 级 级 决策输． 特征 融 决
△ 策
图1 粮情测控系统特征级信息融合结构
2 粮情测控特征级融合方法
2．1 特征级信息融合的特征匹配
由于粮情测控多传感器信息融合是将放置在 不同平台的多个传感器的监测信息、各种不同的 传感器之间的数据进行有效的数据融合，从而达 到正确监测储粮安全的目的．
特征匹配口1融合是多传感器数据无误差转 换必不可少的处理过程．在信息融合系统中，当传
感器没有进行适当的特征匹配时就会产生匹配误
差．匹配误差是一种系统误差，这种误差一旦引入 融合系统，将会导致融合结果的错误，以至于在多 传感器信号处理中产生幻象灾害．
在整个粮情测控信息融合系统中，各传感器
(隶属同一平台或不同平台)是互相独立的异步 工作，其采样率也不全相同．各平台的特征级融合 是在各自的参考坐标系里进行的，各平台特征级 融合信息异步地传向系统级决策融合中心．所以 在特征级融合前需要进行时间和空间匹配，以形 成时间和空间的测量一致性和统一性．
2．2粮情测控信息的特征匹配与合并
2．2．1 特征匹配 假设从监测系统获得的数据所表示的粮情安
全特征可在极坐标下表示为(p，a)，那么笛卡儿 坐标系下粮情安全特征的直线方程可表示为：
茗cos d+，，sin 01一p=0(p>0，一万≤口≤仃)
在笛卡儿坐标系下，用L表示特征直线，若 某一监测数据为：
u。=(d。，妒。)
则它到特征直线L的距离p。为：
p。=d。cos(妒。一a)，n=1，2，⋯，N
考虑测量噪声的影响，假设p。服从高斯白噪 声分布，由误差传递公式可得：
P：=盯：cos2(妒。一d)+盯：d：sin2(妒。一a) 尸。为对应的数据点“。=(d。，妒。)的标准差． 判断原始数据点Ⅱ。是否属于目标特征直线
的共线判定准则为： l瓮(矗•碧“：筹)≤‰c占，卜幔“ 其中p。，P。一。，P。+。，分别为数据点u。，M川，
“。+。的标准差，矗。和J|}：为加权系数，忆r(8)为设 定阈值．当“。满足上述共线准则说明其与相邻的
2i个点共线．当满足上述条件时，认为两个特征 是对同一粮情参量的描述．
2．2．2特征合并 特征匹配成功后可按如下公式进行合并：
￡。=P。((．Pr)-1L，+(P。)_1L。) P。=((P，)“+(P。)“)-1
由特征合并公式可以看出，合并特征考虑到
3 基于BAYES理论的粮情测控特 征级融合
3．1 Bayes网络的构建
Bayes网络H1也称为信念网、概率因果网，它 是用来表示变量集合的连续概率分布的图形模 式，是人工智能、概率理论、图论、决策理论相结合 的产物．Bayes网络提供了～种自然地表示因果 信息的方法，用来发现数据间的潜在关系．作为一
种知识表示和进行概率推理的框架，Bayes网络 在具有内在不确定性的推理和决策问题中得到了 广泛的应用．
机器学习是构造Bayes网络的重要方法． Bayes网络的学习，就是通过综合先验的专家知 识和数据库中的数据特征，构造网络结构和条件 概率表．具体地说，就是寻找某种Bayes网络，在 某种测度标准下与数据库中的数据达到最佳拟 合，通常使用遗传算法等启发式算法求取近似的 全局最优解，测度标准一般取最大的后验概率或 最小的描述长度．基于Bayes网络的推理模型突 破了确信因子等传统模型在一致性方面的局限 性．(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
