劉 倩，張向飛，丁永生，2，郝礦榮，2

(1.東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，上海 201620;2.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620)

物聯(lián)網(wǎng)是通過(guò)射頻識(shí)別、全球定位系統(tǒng)、激光掃描器等信息傳感設(shè)備，按約定協(xié)議，把任何物品與互聯(lián)網(wǎng)連接起來(lái)，進(jìn)行信息交換和通信，以實(shí)現(xiàn)智能化識(shí)別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)［1-3］。物聯(lián)網(wǎng)為農(nóng)田信息獲取提供了嶄新的思路，將傳感器節(jié)點(diǎn)布設(shè)于農(nóng)田等目標(biāo)區(qū)域，網(wǎng)絡(luò)節(jié)點(diǎn)大量實(shí)時(shí)、精確地采集溫度、濕度、光照、氣體濃度等環(huán)境信息，這些信息在數(shù)據(jù)匯聚節(jié)點(diǎn)匯集，網(wǎng)絡(luò)對(duì)匯集的數(shù)據(jù)進(jìn)行分析，幫助生產(chǎn)者有針對(duì)性地投放農(nóng)業(yè)生產(chǎn)資料等，從而更好地實(shí)現(xiàn)耕地資源的合理高效利用和農(nóng)業(yè)現(xiàn)代化精準(zhǔn)管理，推進(jìn)農(nóng)業(yè)生產(chǎn)的高效管理，提升農(nóng)業(yè)生產(chǎn)效能［4-5］。面向農(nóng)業(yè)物聯(lián)網(wǎng)的多環(huán)境信息融合的監(jiān)測(cè)判別就是在此基礎(chǔ)上的一次實(shí)踐。

信息融合是利用已有的知識(shí)經(jīng)驗(yàn)來(lái)處理從未知世界得到的來(lái)自不同領(lǐng)域的數(shù)據(jù)，強(qiáng)調(diào)通過(guò)分析來(lái)自多個(gè)傳感器或多個(gè)數(shù)據(jù)源的信息對(duì)目標(biāo)進(jìn)行識(shí)別估計(jì)或做出某種綜合判斷。數(shù)據(jù)挖掘主要是通過(guò)統(tǒng)計(jì)或人工智能的方法從大量原始數(shù)據(jù)集合中推測(cè)尋找數(shù)據(jù)間復(fù)雜的潛在關(guān)系或蘊(yùn)涵的模型。本文采用模糊推理方法對(duì)采集的環(huán)境信息進(jìn)行決策級(jí)的融合分類(lèi)，并引入由關(guān)聯(lián)規(guī)則挖掘所得的知識(shí)庫(kù)，定量地分析多種環(huán)境信息的協(xié)調(diào)關(guān)系，從而進(jìn)行多環(huán)境信息融合的監(jiān)測(cè)判別，這不僅是監(jiān)測(cè)農(nóng)業(yè)環(huán)境的有效手段，而且可為動(dòng)態(tài)地控制環(huán)境的各項(xiàng)指標(biāo)提供依據(jù)。

1 面向農(nóng)業(yè)物聯(lián)網(wǎng)的環(huán)境指標(biāo)判別模型

基于多環(huán)境信息融合的監(jiān)測(cè)判別關(guān)鍵是采用合適的分類(lèi)融合算法，將采集來(lái)的多種環(huán)境信息與知識(shí)庫(kù)中的典型關(guān)聯(lián)規(guī)則相結(jié)合，進(jìn)行決策級(jí)融合分類(lèi)以反映農(nóng)田環(huán)境的狀態(tài)，同時(shí)建立和諧的人機(jī)交互環(huán)境，從而對(duì)農(nóng)田的環(huán)境狀況進(jìn)行監(jiān)測(cè)控制。

圖1為面向農(nóng)業(yè)物聯(lián)網(wǎng)的多環(huán)境信息融合的監(jiān)測(cè)判別模型框架，通過(guò)分布在農(nóng)田的環(huán)境信息傳感器采集各種環(huán)境信息，將之與從數(shù)據(jù)庫(kù)等媒介中挖掘出的典型關(guān)聯(lián)規(guī)則傳輸?shù)街醒胩幚砟K進(jìn)行信息融合，最后將監(jiān)測(cè)結(jié)果送到用戶交互界面。

圖1 多環(huán)境信息融合監(jiān)測(cè)判別模型框架

2 基于關(guān)聯(lián)規(guī)則和模糊推理的信息融合算法

2.1 關(guān)聯(lián)規(guī)則理論

關(guān)聯(lián)規(guī)則的挖掘問(wèn)題可形式化地描述如下:設(shè)I= {i1，i2，…，im}是項(xiàng)集合，T= {t1，t2，…，tm}是事務(wù)集合，其中Ati∈I(1≤i≤n)。A?B稱(chēng)為T(mén)中的關(guān)聯(lián)規(guī)則，其中A?I，B?I，A∩B=C。在事務(wù)集合T中，包含A∪B的事務(wù)占全部事務(wù)的百分比稱(chēng)為T(mén)中關(guān)聯(lián)規(guī)則A?B的支持度記為support(A?B)=P(A∪B);包含A∪B事務(wù)占包含A事務(wù)的百分比稱(chēng)為T(mén)中關(guān)聯(lián)規(guī)則A?B的置信度，記為 confidence(A?B)=P(A|B)。設(shè)min_sup是最小支持度閾值，min_conf是最小置信度閾值。若事務(wù)集合T中的關(guān)聯(lián)規(guī)則A?B同時(shí)滿足support=(A?B)≥min_sup和confidence=(A?B)≥min_conf，則A?B稱(chēng)為T(mén)中的強(qiáng)關(guān)聯(lián)規(guī)則。包含k個(gè)項(xiàng)的集合稱(chēng)為k-項(xiàng)集，如果項(xiàng)集滿足最小支持度，則稱(chēng)其為頻繁項(xiàng)集，頻繁k-項(xiàng)集的集合通常記作Lk。

目前有多種產(chǎn)生頻繁項(xiàng)集的算法，最著名的是Agrawal等［6-8］提出的 Apriori算法。Apriori算法使用逐層搜索的迭代方法，k-項(xiàng)集用于搜索 (k+1)-項(xiàng)集，利用“任意頻繁項(xiàng)集的子集都是頻繁項(xiàng)集，任意弱項(xiàng)集的超集都是弱項(xiàng)集”這一性質(zhì)掃描事務(wù)集合。

Apriori算法由兩部分組成。首先使用候選項(xiàng)集找出頻繁項(xiàng)集，基于頻繁k-項(xiàng)集Lk，采用自連接方法產(chǎn)生所有可能頻繁的 (k+1)-項(xiàng)集，即候選 (k+1)-項(xiàng)集Ck+1，再掃描1次事務(wù)集合，統(tǒng)計(jì)Ck+1中每個(gè)候選的支持度，并與最小支持度閾值相比，形成頻繁 (k+1)-項(xiàng)集Lk+1;接著由頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則，對(duì)于每個(gè)頻繁項(xiàng)集L，產(chǎn)生L的所有非空子集，對(duì)于L的每個(gè)非空真子集Lu，如果L的支持度除以Lu的支持度大于等于最小置信度閾值，則輸出規(guī)則Lu? (L-Lu)。

2.2 模糊推理理論

模糊推理是采用模糊邏輯并實(shí)現(xiàn)由給定的輸入到輸出的映射過(guò)程，具體表現(xiàn)為運(yùn)用模糊語(yǔ)言規(guī)則，對(duì)已知的模糊判斷或模糊命題進(jìn)行推導(dǎo)而得出新的近似模糊判斷結(jié)論的過(guò)程。模糊推理步驟主要包括:輸入變量模糊化;在模糊規(guī)則前件中應(yīng)用模糊算子;根據(jù)模糊蘊(yùn)含運(yùn)算由前提推斷結(jié)論;模糊合成;輸出變量反模糊化［9］。

利用模糊推理可針對(duì)復(fù)雜系統(tǒng)建立擁有輸入輸出數(shù)據(jù)的模糊推理系統(tǒng)，同時(shí)還可與其他人工智能技術(shù)相結(jié)合形成智能融合型模糊推理系統(tǒng)。模糊推理信息融合過(guò)程為模擬人腦處理不確定性信息的過(guò)程，其基本思想可描述為:采用模糊集和隸屬函數(shù)描述多傳感器所獲信息;根據(jù)不同領(lǐng)域?qū)＜抑R(shí)建立不同的模糊規(guī)則;利用各種模糊邏輯算子在進(jìn)行模糊推理過(guò)程中實(shí)現(xiàn)多傳感器信息的融合處理;推導(dǎo)出模糊推理信息融合的最終結(jié)果。

3 結(jié)果與分析

3.1 數(shù)據(jù)預(yù)處理

從農(nóng)業(yè)數(shù)據(jù)庫(kù)中獲取10組環(huán)境信息與專(zhuān)家監(jiān)測(cè)判別指標(biāo)的分析數(shù)據(jù) (表1)。由于所有的分析數(shù)據(jù)均為非離散的數(shù)值屬性，故應(yīng)先進(jìn)行離散化處理 (表2)。預(yù)處理后的數(shù)據(jù)如表3所示。

表1 歷史數(shù)據(jù)

表2 各因子離散化等級(jí)

表3 預(yù)處理后的數(shù)據(jù)

3.2 基于Apriori的關(guān)聯(lián)規(guī)則挖掘

設(shè)min_sup=20%，min_conf=60%。根據(jù)Apriori算法編寫(xiě)程序，搜索原始數(shù)據(jù)表，得到滿足最小支持度閾值和最小置信度閾值的關(guān)聯(lián)規(guī)則(表4)。這些關(guān)聯(lián)規(guī)則的左邊為各種環(huán)境信息所對(duì)應(yīng)的等級(jí)值，右邊為監(jiān)測(cè)結(jié)果所對(duì)應(yīng)的等級(jí)值。

表4 關(guān)聯(lián)規(guī)則挖掘結(jié)果

3.3 基于模糊推理的信息融合

根據(jù)表2的各因子離散化等級(jí)，確定各種環(huán)境信息和監(jiān)測(cè)結(jié)果的隸屬函數(shù)，為保證基于模糊推理的信息融合的實(shí)時(shí)性和快速性，采用三角形隸屬函數(shù)。接著，將表4的關(guān)聯(lián)規(guī)則挖掘結(jié)果轉(zhuǎn)換成相應(yīng)的模糊規(guī)則，如關(guān)聯(lián)規(guī)則A1C1?E3可解釋為當(dāng)溫度信息屬于等級(jí)1，CO2濃度屬于等級(jí)1時(shí)，監(jiān)測(cè)結(jié)果屬于等級(jí)3，此時(shí)模糊規(guī)則可表示為If(A is A1)and(C is C1)then(E is E3)。

最后對(duì)基于模糊推理信息融合的多環(huán)境信息融合監(jiān)測(cè)判別進(jìn)行仿真研究，通過(guò)MATLAB語(yǔ)言編程來(lái)實(shí)現(xiàn)這一過(guò)程。用addvar函數(shù)定義基于模糊推理信息融合的各種環(huán)境信息的輸入變量和監(jiān)測(cè)結(jié)果的輸出變量，用addmf函數(shù)定義模糊推理系統(tǒng)輸入、輸出變量的隸屬函數(shù)，用 rulelist函數(shù)和addrule函數(shù)來(lái)定義模糊規(guī)則，至此，基于多環(huán)境信息融合監(jiān)測(cè)判別的模糊系統(tǒng)已經(jīng)設(shè)計(jì)完成。此外，還可利用showrule函數(shù)查看模糊推理系統(tǒng)的模糊規(guī)則，利用fuzzy函數(shù)調(diào)用模糊推理系統(tǒng)的圖形用戶界面，進(jìn)行信息融合的控制決策仿真，在圖形用戶界面下，還可以查看模糊推理的過(guò)程示意圖。通過(guò)命令窗口，利用evalfis函數(shù)進(jìn)行實(shí)時(shí)仿真，將實(shí)際監(jiān)測(cè)結(jié)果與仿真所得信息融合結(jié)果比較 (表5)，5組數(shù)據(jù)中僅1組結(jié)果有較大偏差，正確率達(dá)80%以上。

4 小結(jié)

本研究探討了將模糊推理的方法運(yùn)用到基于多環(huán)境信息融合的監(jiān)測(cè)判別，并引入關(guān)聯(lián)規(guī)則挖掘，將基于典型數(shù)據(jù)挖掘出的關(guān)聯(lián)規(guī)則轉(zhuǎn)換成相應(yīng)的模糊規(guī)則后，監(jiān)測(cè)識(shí)別率有明顯的提高。從關(guān)聯(lián)規(guī)則挖掘到信息融合分類(lèi)，再到最后的監(jiān)測(cè)判別，其中的Apriori算法在產(chǎn)生關(guān)聯(lián)規(guī)則的同時(shí)，由于要多次掃描數(shù)據(jù)庫(kù)并產(chǎn)生大量的候選集，故在算法的計(jì)算復(fù)雜度方面還有待改進(jìn);其次，測(cè)試數(shù)據(jù)量有待進(jìn)一步增加，從而使得測(cè)試結(jié)果更具精確性和說(shuō)服力;最后，在多環(huán)境信息融合監(jiān)測(cè)判別模型框架中，關(guān)聯(lián)規(guī)則挖掘之前的異構(gòu)數(shù)據(jù)庫(kù)數(shù)據(jù)集成和信息抽取，以及模糊推理信息融合后的人機(jī)交互界面均有待進(jìn)一步設(shè)計(jì)，從而完成整個(gè)系統(tǒng)的集成。

表5 實(shí)際監(jiān)測(cè)結(jié)果與信息融合結(jié)果的比較

［1］ Teixeira L，Hachem S，Issarny V，et al.Service oriented middleware for the internet of things:A perspective［M］ //Towards a Service-Based Internet.Springer Berlin Heidelberg，2011:220-229.

［2］ Kulkarni R V， Forster A， Venayagamoorthy G K.Computational intelligence in wireless sensor networks:A survey［J］.IEEE Communications Surveys ＆ Tutorials，2011，13(1):68-96.

［3］ Atzori L，Iera A，Morabito G.The internet of things:a survey ［J］.Computer Networks，2010，54:2787-2805.

［4］ 張飛舟，楊東凱，陳智.物聯(lián)網(wǎng)技術(shù)導(dǎo)論 ［M］.北京:電子工業(yè)出版社，2010:6.

［5］ 彭力.物聯(lián)網(wǎng)技術(shù)概論 ［M］.北京:北京航空航天大學(xué)出版社，2011:9.

［6］ Agrawal R，Srikant R.Fast algorithm for mining association rules［C］.Proceedings of the20th International Conference on Very Large Data Bases.Santiago Chile，1994:487-499.

［7］ Srikant R，Agrawal R.Mining quantitative association rules in large relational tables［C］.Proceedings of the ACM-SIGMOD Conference on Management of Data.Washington D C，1996:1-12.

［8］ Agrawal R，Imielinski T，Swami A.Mining association rules between sets of items in large databases［A］.Proceedings of the ACM SIGMOD International Conference on Management of Data，1993:207-216.

［9］ 丁永生.計(jì)算智能:理論、技術(shù)與應(yīng)用［M］.北京:科學(xué)出版社，2004.