劉小飛， 李美滿， 詹志炬

（廣東理工職業(yè)學(xué)院人工智能學(xué)院， 廣州 510091）

0 引 言

近年來，國家加強(qiáng)海洋強(qiáng)國戰(zhàn)略的實(shí)施，持續(xù)推動(dòng)海洋經(jīng)濟(jì)的發(fā)展，提高海洋生態(tài)環(huán)境的保護(hù)。 其中，調(diào)整和優(yōu)化海洋傳統(tǒng)產(chǎn)業(yè)，推動(dòng)海洋產(chǎn)業(yè)科技創(chuàng)新，實(shí)施“互聯(lián)網(wǎng)＋”現(xiàn)代漁業(yè)行動(dòng)，提升海洋漁業(yè)信息化水平成為發(fā)展的重點(diǎn)。 海洋牧場的建設(shè)成為了海洋漁業(yè)資源可持續(xù)發(fā)展、海洋生態(tài)環(huán)境保護(hù)的重要舉措［1－2］。 海洋牧場是指在一定的海域內(nèi)，利用自然的海洋生態(tài)環(huán)境，通過人工魚礁、增殖放流等措施，對(duì)魚、蝦、貝、藻等海洋生物資源進(jìn)行有計(jì)劃、有目的的海上放養(yǎng)，實(shí)現(xiàn)漁業(yè)資源可持續(xù)利用的漁業(yè)模式［3］。 海洋牧場在中國海洋漁業(yè)轉(zhuǎn)型升級(jí)中扮演著重要的角色，為漁業(yè)資源持續(xù)穩(wěn)定增長提供了重要保障［4］。

在海洋牧場中，水質(zhì)、氣象、水文等狀況直接影響著水生生物的分布和生長，是決定海洋牧場水產(chǎn)品產(chǎn)量和質(zhì)量的關(guān)鍵因素。 對(duì)海洋牧場進(jìn)行監(jiān)測，能夠及時(shí)了解和掌握海洋牧場環(huán)境和資源質(zhì)量及發(fā)展趨勢的全過程。 通過監(jiān)測獲得的各項(xiàng)指標(biāo)和數(shù)據(jù)，為海洋牧場的管理提供科學(xué)的依據(jù)。 目前，國內(nèi)學(xué)者在海洋牧場的環(huán)境監(jiān)測方面開展了一系列研究。 如：花俊等［5］針對(duì)海洋牧場的水質(zhì)狀況設(shè)計(jì)了一套海洋牧場遠(yuǎn)程水質(zhì)監(jiān)測系統(tǒng)，針對(duì)溶解度、溫度、濁度、pH 值等關(guān)鍵水質(zhì)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測。 邢旭峰等［6］設(shè)計(jì)了一套海洋牧場環(huán)境信息綜合監(jiān)測系統(tǒng)，利用自制的浮標(biāo)平臺(tái)，對(duì)海洋牧場的環(huán)境因子和水下生物進(jìn)行實(shí)時(shí)監(jiān)測。 石堯等［7］提出了一種海洋牧場多參數(shù)智能監(jiān)測系統(tǒng)，對(duì)海洋牧場中的水溫、pH 值、濁度進(jìn)行監(jiān)測。 張娜等［8］設(shè)計(jì)了一套基于物聯(lián)網(wǎng)的水質(zhì)監(jiān)測系統(tǒng)，對(duì)水質(zhì)中的pH 值進(jìn)行監(jiān)測，提升了pH 值采樣的精度。 謝鑫剛等［9］設(shè)計(jì)了海洋牧場自動(dòng)監(jiān)測系統(tǒng)，利用浮標(biāo)和無人船，對(duì)海洋牧場的多環(huán)境因子和水下生物進(jìn)行長時(shí)間的實(shí)時(shí)監(jiān)測。 以上研究均是針對(duì)海洋牧場中單個(gè)環(huán)境因子進(jìn)行監(jiān)測，獲取的是單一傳感器的數(shù)據(jù)。 然而，在海洋牧場中，生態(tài)環(huán)境影響是由多個(gè)環(huán)境因子累積而成，而不是由單個(gè)環(huán)境因子進(jìn)行簡單的疊加，僅通過對(duì)獲取的單一環(huán)境因子監(jiān)測數(shù)據(jù)進(jìn)行分析存在著一定的局限性。 因此，研發(fā)應(yīng)用于監(jiān)測海洋牧場多個(gè)環(huán)境因子，并對(duì)獲取的數(shù)據(jù)進(jìn)行融合，為海洋牧場養(yǎng)殖提供科學(xué)數(shù)據(jù)的實(shí)時(shí)監(jiān)測系統(tǒng)，具有重要的現(xiàn)實(shí)意義。

本文根據(jù)海洋牧場科學(xué)管理及可持續(xù)發(fā)展的建設(shè)需求，利用傳感器技術(shù)實(shí)現(xiàn)了海洋牧場環(huán)境智能監(jiān)測系統(tǒng)。 該系統(tǒng)通過采集海洋牧場各類環(huán)境因子數(shù)據(jù)，不僅對(duì)單一環(huán)境因子同類數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，還對(duì)多環(huán)境因子異類數(shù)據(jù)進(jìn)行融合，最后將數(shù)據(jù)進(jìn)行實(shí)時(shí)呈現(xiàn)，并實(shí)現(xiàn)自動(dòng)預(yù)警的功能。 以此提高海洋牧場生態(tài)環(huán)境監(jiān)測的準(zhǔn)確性和可靠性，為科學(xué)管理提供依據(jù)，并提升海洋牧場漁業(yè)的產(chǎn)量和質(zhì)量。

1 系統(tǒng)總體架構(gòu)

海洋牧場環(huán)境監(jiān)測系統(tǒng)是一個(gè)集環(huán)境數(shù)據(jù)采集、數(shù)據(jù)傳輸、實(shí)時(shí)監(jiān)測、自動(dòng)預(yù)警、歷史數(shù)據(jù)查詢等功能于一體的海洋牧場智能監(jiān)測系統(tǒng)。 如圖1 所示，海洋牧場智能監(jiān)測系統(tǒng)由數(shù)據(jù)采集模塊、數(shù)據(jù)監(jiān)測終端、數(shù)據(jù)處理中心3 部分組成。 數(shù)據(jù)采集模塊位于系統(tǒng)的前端，由控制器、傳感器數(shù)據(jù)處理模塊和各類傳感器組成，主要進(jìn)行各類海洋牧場環(huán)境數(shù)據(jù)采集。 傳感器主要包括：（1）進(jìn)行水質(zhì)檢測的鹽度、濁度、葉綠素等傳感器；（2）進(jìn)行水文檢測的水溫、pH 值、溶氧等傳感器；（3）進(jìn)行氣象檢測的氣溫、氣壓、風(fēng)速等傳感器。一個(gè)控制器和傳感器數(shù)據(jù)處理模塊可以連接多個(gè)不同類型的傳感器，通過傳感器地址寄存器來區(qū)分傳感器的類型。 數(shù)據(jù)監(jiān)測終端每間隔一段時(shí)間將采集到的數(shù)據(jù)上傳到數(shù)據(jù)處理中心。 數(shù)據(jù)處理中心對(duì)采集的數(shù)據(jù)進(jìn)行過濾、清洗、融合，并將各個(gè)傳感器的數(shù)據(jù)和預(yù)警數(shù)據(jù)實(shí)時(shí)呈現(xiàn)在監(jiān)控大屏上。 用戶可以通過PC 端和手機(jī)端查看各項(xiàng)數(shù)據(jù)，并可進(jìn)行簡單的設(shè)置；管理員可以通過系統(tǒng)后臺(tái)對(duì)用戶、控制器、傳感器和牧場信息進(jìn)行管理和控制。

圖1 海洋牧場環(huán)境監(jiān)測系統(tǒng)拓?fù)鋱DFig. 1 Topology of marine ranch environmental monitoring system

2 系統(tǒng)硬件設(shè)計(jì)

2.1 系統(tǒng)通信處理

控制端通過RJ－45 接口與傳感器數(shù)據(jù)處理模塊連接；傳感器數(shù)據(jù)處理模塊通過RS485 串口與繼電器控制模塊連通，對(duì)獲取的數(shù)據(jù)進(jìn)行上傳，繼電器控制模塊對(duì)各類傳感器進(jìn)行供電。 系統(tǒng)通訊結(jié)構(gòu)如圖2所示。 硬件之間通過Modbus 協(xié)議進(jìn)行通信，Modbus協(xié)議是應(yīng)用于電子控制器上的一種通用語言，在Modbus 網(wǎng)絡(luò)上進(jìn)行通信時(shí)，每個(gè)控制器根據(jù)設(shè)備的地址，識(shí)別發(fā)來的消息，不同的消息會(huì)產(chǎn)生不同的行動(dòng)。 設(shè)備插入網(wǎng)線并接入12V 電源，即可接入物聯(lián)網(wǎng)。 根據(jù)Modbus 協(xié)議的特點(diǎn)，控制端與傳感器之間采用主從方式，控制端作為主設(shè)備發(fā)送指令信息，傳感器獲得指令進(jìn)行回應(yīng)。 控制端每間隔一段時(shí)間發(fā)送MODBUS RTU 讀取命令，去讀取傳感器數(shù)據(jù)信息或控制傳感器。 每個(gè)MODBUS 幀包括地址域、功能域、數(shù)據(jù)域、錯(cuò)誤檢測域，每兩個(gè)字符之間的發(fā)送或接收的時(shí)間間隔有一定的要求，一般不能超過1.5 倍字符傳輸時(shí)間，否則傳輸就會(huì)產(chǎn)生錯(cuò)誤。 主發(fā)送指令包括：從設(shè)備傳感器地址、功能碼、起始寄存器地址、寄存器個(gè)數(shù)、CRC 校驗(yàn)；傳感器應(yīng)答包括：傳感器地址、功能碼、數(shù)據(jù)長度、數(shù)據(jù)、CRC 校驗(yàn)。 傳感器類型的不同，發(fā)送的控制指令也不同，如數(shù)值型傳感器在發(fā)送指令的同時(shí)，需要接收傳感器返回的指令數(shù)據(jù)；對(duì)于開關(guān)型傳感器，則僅發(fā)送開關(guān)型指令對(duì)傳感器進(jìn)行控制。

圖2 系統(tǒng)通信結(jié)構(gòu)圖Fig. 2 System communication structure

2.2 控制器硬件設(shè)計(jì)

如圖3 所示，控制器由單片機(jī)最小系統(tǒng)、繼電器控制輸出電路、RS485 接口驅(qū)動(dòng)電路、電源電路、單片機(jī)電源引腳、模擬量輸入電路、開關(guān)量檢測電路等組成。 其中，單片機(jī)最小系統(tǒng)是控制器的核心，控制著信號(hào)指令的發(fā)送和傳感器數(shù)據(jù)的傳輸；繼電器控制輸出電路，用來控制一些外部設(shè)備的開關(guān)，如傳感器電源，在不需要檢測的時(shí)候，可以關(guān)閉電源降低功耗。本項(xiàng)目中使用的傳感器大致分為3 類：

圖3 控制器電路圖Fig. 3 Controller circuit diagram

（1）開關(guān)型傳感器：此類傳感器通過開關(guān)量檢測電路控制，如補(bǔ)光傳感器。

（2）模擬量輸出型傳感器：傳感器將信號(hào)轉(zhuǎn)換為電壓信號(hào)輸出，模擬量輸入電路將電壓信號(hào)進(jìn)行處理，然后通過AD 轉(zhuǎn)換讀入單片機(jī)，再換算成對(duì)應(yīng)的溫度、壓力值。

（3）數(shù)值輸出型傳感器：在此項(xiàng)目中通過RS485 串口通信和Modbus 協(xié)議將對(duì)應(yīng)的傳感器數(shù)據(jù)讀入單片機(jī)，再進(jìn)行換算成對(duì)應(yīng)的環(huán)境檢測值。

3 系統(tǒng)數(shù)據(jù)融合關(guān)鍵技術(shù)研究

3.1 數(shù)據(jù)融合模型

傳感器在采集數(shù)據(jù)的過程中，受到傳感器精度、傳輸誤差、環(huán)境噪聲和人為干擾等因素的影響，使其獲得的數(shù)據(jù)存在不確定性。 在實(shí)際的數(shù)據(jù)測試中，傳感器所處的位置不同，獲取同一環(huán)境因子的值也會(huì)存在一定的偏差。 為了減少測量帶來的偏差，提高數(shù)據(jù)的準(zhǔn)確性，一方面通過改進(jìn)傳感器的設(shè)計(jì)工藝，提升其測量的精度；另一方面，通過對(duì)獲得的檢測數(shù)據(jù)進(jìn)行融合處理，得到比單一數(shù)據(jù)更準(zhǔn)確的數(shù)據(jù)和結(jié)果。 多源數(shù)據(jù)的融合按照數(shù)據(jù)融合的層級(jí)分為數(shù)據(jù)級(jí)融合、特征級(jí)融合、決策級(jí)融合。 數(shù)據(jù)級(jí)融合就是對(duì)傳感器獲得的原始數(shù)據(jù)進(jìn)行融合處理；特征級(jí)融合是在數(shù)據(jù)級(jí)融合的基礎(chǔ)上，提取特征信息，對(duì)各組信息進(jìn)行融合；決策級(jí)融合是高層次的融合，進(jìn)行局部融合處理［10］。 本項(xiàng)目根據(jù)源數(shù)據(jù)的特點(diǎn)和用戶的需求，主要進(jìn)行數(shù)據(jù)融合和特征融合，數(shù)據(jù)融合模型如圖4 所示。 首先對(duì)單個(gè)傳感器獲得海洋牧場環(huán)境因子數(shù)據(jù)進(jìn)行預(yù)處理，去除臟數(shù)據(jù)和異常數(shù)據(jù)之后，對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)級(jí)融合，獲得更為準(zhǔn)確的單環(huán)境因子數(shù)據(jù)。 最后，將數(shù)據(jù)級(jí)融合后的單環(huán)境因子數(shù)據(jù)作為輸入進(jìn)行特征級(jí)融合，形成關(guān)于海洋牧場環(huán)境檢測的決策數(shù)據(jù)。 決策數(shù)據(jù)主要包含正常、預(yù)警、警報(bào)3 種數(shù)據(jù)，以此來提高海洋牧場環(huán)境數(shù)據(jù)測量的準(zhǔn)確性和預(yù)警的正確性。

圖4 數(shù)據(jù)融合模型Fig. 4 Data fusion model

3.2 基于信任度模型的同類傳感器數(shù)據(jù)融合

在海洋牧場環(huán)境監(jiān)測中，通過部署多個(gè)控制器對(duì)不同目標(biāo)區(qū)域進(jìn)行監(jiān)測，每個(gè)控制節(jié)點(diǎn)最多可以集成16 種不同類型的傳感器。 同類傳感器數(shù)據(jù)融合，是對(duì)監(jiān)測同一海洋牧場環(huán)境因子的多個(gè)傳感器獲得的數(shù)據(jù)進(jìn)行融合，可以避免部分傳感器的監(jiān)測失靈或出現(xiàn)偏差對(duì)監(jiān)測值的影響。 目前，傳感器數(shù)據(jù)融合的常用方法有基于隨機(jī)類方法的加權(quán)平均法、多貝葉斯估計(jì)法，以及基于人工智能類的神經(jīng)網(wǎng)絡(luò)、模糊邏輯理論等方法［11］。 針對(duì)同類多個(gè)傳感器數(shù)據(jù)融合的問題，本項(xiàng)目采用基于信任度模型的同類多傳感器數(shù)據(jù)融合方法。 對(duì)每個(gè)傳感器采集的數(shù)據(jù)定義一個(gè)可信區(qū)間，若數(shù)據(jù)不在可信區(qū)間內(nèi)，則不能被融合；若某些數(shù)據(jù)在可信區(qū)間內(nèi)且相互接近，則可以融合。 算法的基本思路是，定義一種模糊型指數(shù)信任度函數(shù)，對(duì)傳感器測試所得數(shù)據(jù)進(jìn)行量化，通過矩陣度量各傳感器的數(shù)據(jù)得到一個(gè)綜合信任度，最后分配測得數(shù)據(jù)在融合過程中所占權(quán)重，具體實(shí)現(xiàn)過程如下：

（1）設(shè)多個(gè)傳感器測量同一環(huán)境因子，第i個(gè)傳感器獲得數(shù)據(jù)為xi，第j個(gè)傳感器獲得數(shù)據(jù)為xj。 如果xi的真實(shí)性越高，xi的信任度就越高。

（2）定義一個(gè)信任度函數(shù)bij，表示xi被xj信任程度。

其中，0 ≤f≤1，融合上限mij ＞0。

（3）避免受主觀因素的左右，定義指數(shù)函數(shù)bij，設(shè)當(dāng)xi和xj兩個(gè)傳感器的差值大于上限值M，兩傳感器之間不再信任，則bij＝0。

（4） 設(shè)對(duì)同一環(huán)境因子測量的傳感器有n個(gè)，根據(jù)以上信任度函數(shù)bij，可以得到信任度矩陣B。

在矩陣B中，對(duì)于第i行元素，若值較大，則表示第i個(gè)傳感器測試的數(shù)據(jù)為真實(shí)數(shù)據(jù)的可能性較大；反之，真實(shí)數(shù)據(jù)的可能性較小。

（5） 用wi表示第i個(gè)傳感器測得數(shù)據(jù)xi在融合過程中所占權(quán)重，利用wi對(duì)xi進(jìn)行加權(quán)求和，得到數(shù)據(jù)融合的表達(dá)式如下：

（7）當(dāng)bij≥0，則信任度矩陣B為非負(fù)矩陣，該B矩陣中存在一個(gè)最大特征值λ ＞0，使得λA＝BA。 因此計(jì)算出λ及對(duì)應(yīng)的特征向量A，使得ai≥0，則W＝λA可以作為各傳感器測得數(shù)據(jù)間綜合信任程度的度量，即：

對(duì)wi進(jìn)行歸一化處理，得到

3.3 基于BP 神經(jīng)網(wǎng)絡(luò)的異類傳感器數(shù)據(jù)融合

在實(shí)際的海洋牧場環(huán)境監(jiān)測中，水質(zhì)、水文、氣象等數(shù)據(jù)由多個(gè)環(huán)境因子決定。 因此，需要對(duì)單個(gè)環(huán)境因子融合后的數(shù)據(jù)做進(jìn)一步的數(shù)據(jù)融合，根據(jù)融合后的結(jié)果來預(yù)測海洋牧場水質(zhì)、水文、氣象等狀況的好壞。 BP 神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。 通過樣本數(shù)據(jù)的訓(xùn)練，對(duì)訓(xùn)練結(jié)果與預(yù)想結(jié)果進(jìn)行誤差分析，不斷的修正權(quán)值和閾值，使輸出結(jié)果不斷的逼近期望值。 本項(xiàng)目采用BP 神經(jīng)網(wǎng)絡(luò)算法進(jìn)行異類傳感器的數(shù)據(jù)融合，在此僅考慮水質(zhì)、水文、氣象內(nèi)部數(shù)據(jù)的融合，不考慮水質(zhì)、水文、氣象環(huán)境因子之間的影響。 下面以水質(zhì)數(shù)據(jù)為例，介紹其融合過程。

（1）數(shù)據(jù)輸入：將融合后的水溫、鹽度、葉綠素、pH 值、溶氧、濁度等水質(zhì)數(shù)據(jù)指標(biāo)作為輸入，將融合后的水質(zhì)數(shù)據(jù)作為輸出。

（2）建立BP 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，BP 網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，在BP 網(wǎng)絡(luò)采用作為傳遞函數(shù)， 誤差反傳函數(shù)為其中Oi為網(wǎng)絡(luò)的計(jì)算輸出，Ti為期望輸出，不斷調(diào)整網(wǎng)絡(luò)權(quán)值和閾值使誤差函數(shù)E達(dá)到極小。

（3）模型求解：將水質(zhì)數(shù)據(jù)的各個(gè)環(huán)境指標(biāo)作為輸入層，節(jié)點(diǎn)數(shù)為6；輸出層為預(yù)測結(jié)果，節(jié)點(diǎn)數(shù)為3。 本文建立了一個(gè)3 層的BP 網(wǎng)絡(luò)的預(yù)測模型，模型中只有一個(gè)隱藏層、多個(gè)輸入、單個(gè)輸出。 參照經(jīng)驗(yàn)公式得出隱藏層神徑元的個(gè)數(shù)，公式中的n為輸入層神徑元個(gè)數(shù)，m為輸入層個(gè)數(shù)，a為［1，10］ 之間的常數(shù)。 本項(xiàng)目隱藏層神徑元選用5 個(gè)，選擇函數(shù)tansig 和logsig 分別作為隱藏層神徑元和輸出層神徑元的激勵(lì)函數(shù)。 通過上述模型計(jì)算，其結(jié)果即為融合后的水質(zhì)值，將計(jì)算出的水質(zhì)值與水質(zhì)“正常、預(yù)警、警報(bào)”3 種狀況的閥值進(jìn)行比較，最終得出海洋牧場水質(zhì)的預(yù)警結(jié)果。

4 實(shí)驗(yàn)結(jié)果分析

4.1 樣本訓(xùn)練

使用Matlab 中的BP 神徑網(wǎng)絡(luò)工具進(jìn)行訓(xùn)練，以水質(zhì)數(shù)據(jù)融合為例，各參數(shù)設(shè)置見表1。 針對(duì)3種情況分別利用1 000 個(gè)樣本進(jìn)行訓(xùn)練，100 個(gè)樣本進(jìn)行驗(yàn)證。 在樣本訓(xùn)練過程中，在對(duì)應(yīng)“正?！睜顟B(tài)下，輸入向量M＝（M1，M2，M3，M4，M5，M6）。 其中M1－ M6 分別代表水溫、鹽度、葉綠素、 pH 值，溶氧、濁度正常狀態(tài)的樣本值。 輸出向量為N＝（1. 000， 0. 000，0. 000），訓(xùn)練目標(biāo)值為0.001，訓(xùn)練次數(shù)為1 000 次。 將輸出值與驗(yàn)證值進(jìn)行對(duì)比驗(yàn)證，判斷訓(xùn)練的效果；最后用訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)對(duì)海洋牧場中監(jiān)測的水質(zhì)數(shù)據(jù)進(jìn)行判斷。

表1 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Tab. 1 Parameter settings of neural network

4.2 結(jié)果分析

本項(xiàng)目通過在某海洋牧場進(jìn)行測試與試運(yùn)行，監(jiān)測平臺(tái)數(shù)據(jù)展示每隔15 min 獲取一次海洋牧場的監(jiān)測數(shù)據(jù)，由于獲取的數(shù)據(jù)量大，數(shù)據(jù)的存取采用非關(guān)系型數(shù)據(jù)庫mongodb 進(jìn)行存取，數(shù)據(jù)查詢時(shí)使用Redis 進(jìn)行數(shù)據(jù)緩存。 融合后的水質(zhì)、氣象、水文等各參數(shù)指標(biāo)實(shí)時(shí)呈現(xiàn)，控制設(shè)備的在線與離線情況實(shí)時(shí)展現(xiàn)，報(bào)警值以短信和平臺(tái)兩種形式展示，報(bào)警處理記錄實(shí)時(shí)在平臺(tái)中呈現(xiàn)。

以海洋牧場環(huán)境因子濁度為例，隨機(jī)連續(xù)獲取15 天的濁度數(shù)據(jù)，將同類傳感器融合的數(shù)據(jù)、人工檢測和單個(gè)傳感獲得的數(shù)據(jù)進(jìn)行對(duì)比。 結(jié)果表明，同類傳感器融合后的數(shù)據(jù)更接近于人工檢測獲得的數(shù)據(jù)，獲得數(shù)據(jù)的準(zhǔn)確性有了大幅度的提升。 傳感器檢測結(jié)果如圖5 所示。

圖5 傳感器檢測值對(duì)比Fig. 5 Comparison of sensor detection values

連續(xù)統(tǒng)計(jì)15 天內(nèi)海洋牧場的報(bào)警情況，對(duì)通過單個(gè)環(huán)境因子值和數(shù)據(jù)融合后的報(bào)警次數(shù)進(jìn)行分析。 如圖6 所示，數(shù)據(jù)融合后的報(bào)警正確性次數(shù)遠(yuǎn)高于通過單值進(jìn)行簡單判斷的次數(shù)，更接近于正確的報(bào)警次數(shù)。 因此，多傳感器的數(shù)據(jù)融合在海洋牧場環(huán)境監(jiān)測中取得了一定的效果。

圖6 報(bào)警情況對(duì)比Fig. 6 Comparison of alarm conditions

5 結(jié)束語

本文針對(duì)現(xiàn)有海洋牧場環(huán)境監(jiān)測的不足，研究基于多傳感數(shù)據(jù)融合的監(jiān)測平臺(tái)，利用信任度模型對(duì)同類傳感器數(shù)據(jù)進(jìn)行融合，利于BP 神經(jīng)網(wǎng)絡(luò)對(duì)異類傳感器的數(shù)據(jù)進(jìn)行融合。 目前該平臺(tái)已在海洋牧場中試運(yùn)行，并取得了一定效果。 但是，該平臺(tái)在性能和數(shù)據(jù)的準(zhǔn)確性方面還存在一些不足，下一步將繼續(xù)優(yōu)化模型，提高數(shù)據(jù)檢測的準(zhǔn)確性，為海洋牧場的科學(xué)管理提供更可靠的數(shù)據(jù)，以此來提高海洋牧場水產(chǎn)的產(chǎn)量和質(zhì)量。