数据融合系统（共12篇）
数据融合系统 篇1
0 引言
航空发动机转子系统作为航空发动机主要构成部分，为发动机提供动力保障。然而飞行器在飞行过程中会发生喘振，会突突作响，严重时会出现放炮声。这是一种低频(通常是几赫兹或几十赫兹)高振幅的压力振荡现象。在压气机里的气流原本是平稳流动的，当喘振时其气流速度产生周期性突变，压力发生剧烈脉动，压气机的出口压力急速下降，气流出现倒流现象，涡轮后的温度突然升高，严重时会烧坏涡轮并损坏发动机。这是发动机工作时绝不允许出现的状态。
采用双转子结构为的就是防止喘振现象。这样做的最大特点是把多级轴流压气机分成两个独立的转速不同的转子，各自由自己的涡轮带动。这是通过两个转子的转速不同，自动调节压气机前后两个转子的工作状况。当整台发动机转速下降时前面的低压压气机的转速下降得多一些，后面的高压压气机的转速降得少一些，即高压压气机能在稍高的转速下，提高高压压气机的流通能力，使由低压压气机流出的气流全部顺利地通过高压压气机。这种防喘方法是很有效的，因此在高增压比的发动机的压气机设计中，双轴结构得到了广泛的应用。
我们对转子系统的安全检测同样被广泛地运用于航空发动机中，避免在飞行过程中发生故障，产生不必要的人员和财产的损失。然而在故障早期阶段，故障特征的出现具有不确定性。为了提高航空发动机诊断系统上的准确性，我们在航空发动机诊断系统中运用数据融合技术，消除信息源本身固有随机性和噪声影响，在综合反映系统状态的同时，保证所得结果具有较高的可靠性。
1 数据融合的原理
数据融合是利用计算机技术对若干传感器获得的空间和时间观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程，数据融合中心通过多传感器获得观测对象的特征信号以提取征兆，并进行多层面的关联组合、数据选择，从而获得对观测对象的各方面的信息更可靠的认识和潜在的发展趋势的态势评估[1]。数据融合分为两层：低处理层和高处理层。低处理层包括：直接处理数据，目标检测、分类与识别，目标跟踪等;高处理层包括态势估计与融合结果的进一步调整[1]。数据融合的实现过程如图一所示：
级别0：对输入数据的先处理，满足后面的估计与处理器对计算量和计算顺序的要求;
级别1：通过传感器获得估计信息进行融合，以便获得更加精确的估计;
级别2：辅助实时实现态势估计;
级别3：辅助实时实现威胁评估;
级别4：通过对估计的修正，评价是否需要其他信息的补充，以及是否需要修改算法获得更加可靠的结果。
2 典型数据融合方法介绍
数据融合方法结构有多种不同的分类方法。在前处理的条件下，融合结构被分为像素级融合、特征级融合和决策级融合等。
证据理论作为决策级融合的一种重要方法，本文对其做简要的介绍。
证据理论即Dempster-Shafer，是由Dempster于1967年首先提出，在1976由他的学生shafer进一步发展起来的并系统形成的一种推理理论[3]。D-S证据理论在证据中引入了不确定性，建立了基本概率赋值函数(Basic probability assignment function)、信任函数Belief function)、似然函数(Plausibility function)等公理，它是在一个识别框架(frame of discommend)U=(a1,a2,a3,…,an)中进行一系列的计算，U中的元素满足相互排斥的条件，设2U为U的一个幂集，则有：
定义1：基本概率赋值函数
m(A)是集合2U～[0,1]的映射，如果函数m满足：其中m(A)称为事件A的基本概率赋值，它为对事件A的支持度，Φ为空集，前者表示对不可能命题Φ的支持度为零，后者表示对所有子集的U的集合2U中的全部元素的支持度之和为1，基本反映了A本身信任度。
定义2：信任函数
称Bel为信任函数，称Bel(A)为命题A的信任度，表示对A的全部信任。
定义3：似然函数
则称Pl为似然函数，称Pl(A)为命题A的似然度。
D-S处理步骤：
(1)建立识别框架，记作U，则2u是U的一个幂集，且2U∈[0,1];
(2)构造信任区间的下限Bel(X),信任函数
(3)得到信任函数，运用证据理论对聚类分析后得到的故障两两进行数据融合，得到故障向量;
(4)根据故障原因向量得到各元素的故障概率，根据故障概率判断故障原因。
3 国内外数据融合研究动态
Lawrence A.Klein教授于1993年编著的《Sensor and Data Fusion Concepts and Applications》将数据融合的概念系统地进行梳理，并详细地介绍了D-S证据理论和如何使用D-S证据理论来融合两个或更多个传感器的概率分配值[2]。
在数据融合系统的设计与开发问题上，David L.Hall和Ed Waltz论述了获取数据融合系统需求的系统方法和论述了设计与开发数据融合系统的实现实验，这些在自动推理、分布式协同问题求解、航空电子信息融合体系结构和数据关联等方面等到了广泛的运用[3]。
鲁峰、黄金泉等人在航空发动机部件性能故障诊断方法研究将D-S利用模糊逻辑调整决策权重以进行D-S证据理论的决策融合诊断，从而有效地提高了部件故障诊断精度[4]。
陈果、陈立波等人在一种磨损故障融合诊断新方法及其应用中提出了一种基于D-S证据理论的磨损故障融合诊断方法，并进行了实际诊断案例分析，等到了验证[5]。
李轶、靳新在D-S算法在信息融合中的研究与实现中对D-S算法在目标识别问题中进行了较全面深入的研究，并且从信息融合角度对D-S证据理论进行了实现和验证[6]。
杨建平在证据理论早期故障诊断信息融合中的应用研究中把D-S证据应用到航空发动机信息融合的早期故障诊断中，建立了对应证据理论对早期故障进行诊断的模型[7]。
4 结束语
本文叙述了数据融合的原理和典型方法，介绍了国内外对航空发动机数据融合的研究发展概况，为此方法运用于航空发动机故障诊断打下了充实的理论基础，通过其他数据融合方法的实现验证了对其运用于航空发动机的可实现性和有效性。
参考文献
[1]朱泽君,黄涛,刘曦霞,等.多传感器数据融合技术研究现状及发展方向[J].舰船电子工程,2009,29(2):13-16.
[2]Lawrence A.Klein.Sensor and Data FusionConcepts and Applications[M].SPIE Optical Engineer-ing Press,Bellingham,Washington.
[3]David L.Hall,James Llinas.Handbook ofMultisensor Data Fusion[M].CRC PRESS.Washing-ton.2001.
[4]鲁峰,黄金泉.航空发动机部件性能故障诊断方法研究[J].航空动力学报.2009,24(7):1649-1653.
[5]陈果,陈立波.一种磨损故障融合诊断创新方法及其应用[J].机械科学与技术.2009,28(9):1157-1161.
[6]李轶,靳新.D-S算法在信息融合中的研究与实现[J].信息技术,2001,(1):18-22.
[7]杨建平.证据理论及其在早期故障诊断信息融合中的应用研究[D].成都:电子科技大学,2008.
数据融合系统 篇2
国内多源遥感数据融合研究综述
本文主要针对广泛应用的多源遥感数据融合方法,如IHS变换、主成分变换、小波变换法、神经网络法等进行简要介绍.概括了国内学者的主要研究成果,指出了遥感图像融合技术的`关键是图像之间的空间配准,发展方向是多源遥感数据融合模型的普遍适用性.
作 者：李菲菲 作者单位：北京林业大学林学院刊 名：山西水土保持科技英文刊名：SOIL AND WATER CONSERVATION SCIENCE AND TECHNOLOGY IN SHANXI年，卷(期)：“”(2)分类号：V557+.2关键词：遥感数据源 数据融合技术 IHS变换 主成分变换 小波变换法
融合数据管理 篇3
据IDC统计，2010年，全球共生成了超过1泽字节（ZB）或100万拍字节（PB）的数据。2014年，预计该数字将增长至每年72ZB，其中一部分来自机器生成的数据。随着程序化贸易与金融交易系统以及智能电表和其它智能仪表的使用量不断增加，加之智能手机和平板电脑生成的大量呼叫详细记录（CDR），机器生成的数据正呈大幅增长态势。
与此同时，非结构化数据（如图像、音视频文件等）和半结构化数据（如电子邮件、日志等）的日益增长进一步增加了管理的复杂性，尤其是在确定最高效和最可靠的采集、保护、组织、访问、保管和防御性删除所有这些重要信息的方法之时。随着越来越多的企业被要求保管来自电子邮件、文档、富媒体文件等各种来源的数据，保管和保留数据的需求正变得日益复杂。
跨越大数据备份与归档断层
对于很多企业而言，备份和归档功能是在一个信息管理总战略中分别加以部署和管理的“孤岛”。鉴于很多原因，这样做并不明智。多个互不相干的硬件和软件产品通常负责管理这些数据孤岛，从而产生了必须加以保护和保管的重复的信息副本。除此之外，要求搜索和保管数据的法规压力通常也会催生更多的孤岛。最糟糕的情况是：无限延长信息资产的保留期，因为人们不能充分了解企业正在保存什么。
因此，大数据对话中的这两个要素之间产生了一个断层。Gartner指出，备份可以补充归档，反之亦然；但传统上，备份管理员和信息架构师没有共同语言，而且大多数工具和技术也只是为了满足这两种需求之一。
虽然备份和归档的目的不同，但它们的功能却类似：它们都创建原始数据的副本，用于恢复或保管等目的。鉴于此，Gartner等公司预测，能够整体地看待备份和归档功能将有助于大幅降低成本和提升风险管理水平。随着企业开始寻求可减少备份和归档副本并协调两者数据访问策略的解决方案，备份与归档融合这一概念正在兴起。
结成数据融合统一战线
考虑到预算和资源的短缺，虽然这并非因为管理层对信息管理或数据管制缺乏兴趣，秘诀似乎应该是“事半功倍”。实现这一目标的一个方法是统一备份和归档功能，但这需要组建跨职能团队，以确保满足所有利益相关方的业务需求。
首先，我们应该更好地了解应用、用户和关键业务流程访问数据的需求以及如何在数据的生命周期内使用它们。这需要负责数据恢复和发现的业务和IT利益相关方开展合作和协作。该团队应该审视用于移动、复制、分类和访问的数据，从而达到以备份、保留、恢复、发现和处理为目的的所有策略和做法。
初期审查的另一个结果通常是，突然意识到多个数据复本无处不在：在物理和虚拟服务器上，在公司各处的员工的计算机和移动设备上。我们不仅可以利用重复数据删除功能有效和高效地消减冗余数据复本的数量，而且可以获得一大好处：利用一个硬件和/或软件备份与归档通用基础设施。
将数据整合到单一数据存储单元中、可消除冗余副本和孤岛的单一数据存储库理念在很多方面都极具吸引力。一种能够采集数据、然后将其用于数据保护和保管目的的整体方法是将正确的数据交到正确的人手中的关键，后者可将这些数据转变为对于企业更加有意义和更能付诸实施的信息。
部署一个综合信息管理战略可对企业的各个层面产生深刻影响，其中也包括IT以外的领域。尤其是，企业团队将能通过点击“依法保留”的搜索结果，对内容进行保管。另一个好处是：通过消除冗余数据复本、及早获得对于证据的新的认识，降低诉讼风险和成本，同时确保捕获所有重要的案例数据，并运用一种具有针对性的方法减少所要审阅的数据量。
运用融合数据管理控制成本和风险
数据增长、有限的预算和资源正使得备份与归档融合成为当今最流行的发展趋势之一。CommVault的Simpana OnePass功能是业内首个基于一个一体化数据采集和通用基础设施的备份、归档和报告融合解决方案。它能够让您利用零足迹归档功能应对文件和电子邮件大幅增长的问题，并且不会增加任何管理费用。有了Simpana OnePass技术，您将能更好地管理您的信息，从而获得情报、降低成本和运营复杂性。
三种传统数据管理工作流与 Simpana OnePass 功能的比较
Simpana OnePass功能将数据管理整合到单一操作之中，让企业能够：通过单一操作扫锚、采集、备份和归档数据。将备份、归档和报告所需的总时间减少50%。减少对业务环境的影响，并提升服务器性能，将源端冗余数据最多减少90%。
CommVault Simpana管理的所有数据保存在ContentStore中，它是一个可扩展、与硬件无关的虚拟存储库，提供一个智能索引，可帮助用户找到他们所需的信息。IT企业可以使用ContentStore Mail减少技术支持部门的工作量。ContentStore Mail是一个微软插件，提供针对ContentStore中归档邮件的自助预览和检索功能。借助Simpana OnePass和ContentStore，企业可以优化归档和备份数据的采集、保管、处理和发现，从而满足各项合规要求。
利用一体化能力增强数据可见性、改进数据管理和减少存储足迹，优化文件和邮件的法律取证和审查，管理成本和容量，同时实现性能目标。
-EMILY WOJCIK
Emulex高性能NetFlow生成器
Emulex公司日前宣布推出新EndaceFlow3040 NetFlow 生成器。它是专门为高密度万兆以太网（10GbE）设计制造的，可以100%准确地生成最多4条以太网链路的NetFlow，链路速度最高可达每秒10Gb（10Gbps） 。这种高性能可以加快关键安全和网络问题的检测、识别和故障排除速度，提升企业数据中心的网络无故障正常运行时间，降低运营支出（OPEX）。
nlc202309040208
Doyle Research实验室首席分析师Lee Doyle表示：“随着越来越多地采用最新的数据中心技术，如10GbE、服务器虚拟化和软件定义网络，企业发现在自己网络中实施虚拟化变得越来越困难了。更严重的是许多原先在1Gbps速度下工作良好的工具，根本无法扩展到10Gbps环境。这种情况预示企业对于新环境下的安全监控、取证和网络性能管理等任务只能使用专门设计用于10Gbps或更高速度网络虚拟化的工具来完成。”
随着企业应用环境变得越来越复杂，NetOps和SecOps人员正在寻找新的方式来提高自己网络的可视性，从而确保网络安全、保证以网络为中心的应用高性能运行，以及检查网络是否符合服务水平协议（SLA）。现有的10GbE NetFlow生成器只能提供10GbE链路的取样数据，具备生成NetFlow功能的交换机和路由器也是如此。而且，用交换机和路由器生成NetFlow会影响它们的性能，特别是在发生拒绝服务攻击的时候。这种取样NetFlow无法提供解决重要网络问题所需的可视性。通过提供非取样NetFlow，EndaceFlowTM 3040可以在10GbE的网络环境中提供全面的可视性。
惠普 “IT新型态”基础设施管理平台
10月28日，惠普宣布推出业界首个面向惠普融合基础设施、以消费级IT产品为设计灵感的基础设施管理平台——惠普OneView。该平台可简化支撑数据中心所有流程的最基本步骤，让IT部门显著改善运营，同时降低成本并减少导致宕机的人为错误。
服务技术的发展，专业技术人员的大量涌入以及业务复杂性的增长，导致业务需求与传统IT供应间的差距日益加大。当前，许多企业不得不以过时的管理工具来交付并管理IT。
惠普OneView专为惠普BladeSystem、惠普ProLiant Generation 8（Gen8）和惠普ProLiant Generation 7而设计，采用领先的服务器和软件技术，可提供单一管理平台，加强整个数据中心IT部门的协作和沟通。
惠普OneView拥有直观的用户界面和简化日常任务的自动化智能特性，能够提高IT管理员的工作效率。将最常见的数据中心流程（包括如部署、升级、迁移和排除故障）从几小时或几天缩至几分钟。
例如，在16个服务器上配置管理程序，传统工具需要2小时50分钟的管理时间，惠普OneView只需要14分钟。回收虚拟局域网络，传统工具需要480个步骤，2小时以上，而使用惠普OneView只需4个步骤，30秒的管理时间。
惠普亚太及日本地区工业标准服务器与软件副总裁兼总经理Stephen Bovis表示：“社交媒体、IT消费化和不断变化的人口结构正在改变我们的工作方式，促使企业不得不应对其需求与传统IT供应之间越来越大的差距带来的挑战。当前基础设施的管理模式依然停留在旧时代，惠普OneView是从根本上变革数据中心内基础设施管理整体方案所迈出的第一步。”
LSI闪存解决方案
LSI公司日前宣布推出集成VMware虚拟化软件支持的LSI Nytro XD应用加速存储解决方案。该款带VMware支持的Nytro XD解决方案可将PCIe闪存卡与专门针对虚拟化环境而设计的智能主机缓存软件相结合。
虚拟化在企业中普遍存在，但可供IT部门部署的虚拟机（VM）数量却经常受到限制，其原因在于硬盘存取缓慢会引起存储I/O瓶颈问题。LSI Nytro XD解决方案可显著提高IOPS性能和虚拟机密度，有助于消除虚拟化环境中的存储瓶颈，而且对现有基础架构的影响也是最小的。
LSI Nytro XD解决方案可将访问最频繁的“热”数据智能地缓存到低延迟PCIe闪存存储器中，从而加速虚拟机中运行的应用的性能。LSI Nytro XD解决方案能够快速简便地与VMware vSphere、vCenter 和vMotion实现集成，并可通过本地VMware管理实现对系统管理的透明化。
LSI NytroXD解决方案为客户带来的优势包括：
·智能地将热数据自动缓存到PCIe 闪存存储器上，以更低成本加速现有SAN、DAS和NAS（仅VMware）存储设备的性能。
·虚拟机密度提高3倍，可实现服务器整合，减少机架空间需求，并降低功耗、制冷及许可成本。
·提高CPU利用率，使闲置的CPU支持更多的业务应用。
·将频繁的读取I/O操作从网路存储器中移除，可降低网络存储负载，从而留出存储空间以便让更多的IOPS性能用于完成写入操作。
无需为客户操作系统安装代理或驱动，不干扰当前IT运营。
多声呐雷达数据融合系统实现 篇4
1 融合系统的总体设计
整个系统由以下4部分组成: 数据存储与转发中心、显示与控制中心、数据融合中心、目标识别中心。系统的构成如图1所示。
1. 1 数据存储与转发中心
数据收集与管理分系统的主要功能是接收来自不同声呐站获得的数据以及来自雷达的海面目标信息, 分系统对上述数据进行收集、处理、存储、管理与分发。来自声呐站的数据又包含两类: 目标数据和听音数据。
1. 2 显示与控制中心
显示与控制分系统是软件的重要组成部分, 集操作, 监视与平台参数设置于一体, 同时也是各个分系统的信息显示与处理中心。系统的界面清晰友好, 操作便捷。显示控制中心界面由4部分组成, 如图2所示。
1. 3 数据融合中心
数据融合中心对接收到的数据进行融合, 分为两种不同类型的目标融合, 第一种融合为雷达与声呐的数据融合, 第二种为声呐的阵间融合。在经过融合后, 数据融合中心将融合后的目标发送给显示控制中心, 显示控制中心在接收到数据后对相应的目标进行显示。
1. 4 目标识别中心
目标识别中心负责识别目标的工作, 当显示与控制中心接收到识别指令的后会对数据收集与管理中心发出数据请求, 数据收集与管理中心会将相应目标的听音数据发送给显示控制中心, 显示控制中心再将目标的信息以及听音数据打包发送给目标识别中心, 当完成识别后目标识别中心将识别信息返回给目标显示与控制中心, 目标的识别信息将显示在目标的摘要信息栏中。
2 数据融合方法
2. 1 数据时间配准
由于各个传感器传送的数据周期不同, 精度不同, 所以在数据融合中心接收到数据后会对数据进行时间配准, 并将数据统一[1]。本融合系统采用内插外推法, 即将高精度的观测数据推算到低精度的时间位置上[2]。具体方法如下: 在一段测量时间段内, 将传感器的测量数据按测量精度进行递增排序, 接着用高精度的观测数据向低精度的时间点进行内插、外推, 形成等间隔的数据。本系统采用了拉格朗日插值法[3]。
假设t1, t2, t3时刻测量到的数据为α1, α2, α3, 由于海面目标在采样间隔移动距离不大, 可以将问题转换为等间隔方式处理。假设要计算ts时刻的值, 设t2< ts= t2+ Δt < t3, 由拉格朗日插值法可以得到ts时刻的值为
2. 2 数据空间配准
在进行多传感器数据融合的时候, 各个传感器所测量的数据都是基于各自的坐标的[4]。例如声呐将根据自身为基准, 给出目标的方位角, 雷达将根据自身为基准, 给出对应的直角坐标。为了将数据更好的进行融合需要将不同类型的传感器所测量的数据转换到公共坐标上, 也就是进行空间配准。空间配准的准确程度, 极大的影响了融合系统的目标融合准确度, 以及工作效率[5]。
本融合系统采用了UT变换[6], UT变换有特点: 1不需要知道具体的非线性函数细节, 可以当做数据处理模块处理, 通用性强; 2经过处理后的数据可以达到2阶矩以上的精度; 3计算复杂度低, 不需要大量的时间开销和硬件开销。其一般的方法是: 将测量到的数据产生Sigma点集, 然后将这些点通过非线性函数产生另一组Sigma点集。最后通过转换后的点集进行加权综合, 得到变换后的均值和方差[7]。系统采用对称采样法, 假设测量量β的均值和自协方差分别为, 可以得到Sigma点集如式 ( 2) 。
其中{ yi} 表示经UT变换后Sigma点集。式 ( 1) 中, 相应的加权值为
其中。在得到对应的权之后, 可以计算我们想要得到的数据的均值以及方差值。
在计算后数据统一到雷达直角坐标系中, 然后再对目标进行融合, 在误差允许的范围内对同一目标进行合并。
本文介绍了一套基于多传感器的数据融合系统, 系统通过数据搜集与管理中心, 数据融合中心, 识别中心等的相互配合, 将处理后的结果显示在显示控制中心上。融合系统在进行时间配准时采用了拉格朗日插值法, 解决了各个传感器采样频率不统一的问题。在进行数据空间配准时采用了UT变换, 解决了传感器直接坐标不统一的问题。从而系统出色的完成了数据融合与信息显示的任务。
参考文献
[1]田兆春, 应甫成, 肖俊岭, 李可心.雷达组网数据融合中的数据预处理技术研究[M].in Proceedings of the 2nd Asia-Pacific Conference on Information Network and Digital Content Security (2011APCID) , 2011.
[2]彭焱, 徐敏毓, 金宏斌.多传感器数据融合系统中时间配准算法分析[J].雷达与对抗, 2005, 2 (2) :16-19
[3]林秀梅.浅析拉格朗日插值法的原理及其应用[J].吉林财贸学院学报, 1990, 3 (3) :49-53
[4]贺席兵, 敬忠良.多传感器数据融合中的数据配准研究[J].航空电子技术, 2001, 32 (2) :24-29
[5]陈非, 敬忠良, 姚晓东.空基多平台多传感器时间空间数据配准与目标跟踪[J].2001, 增刊 (1) :808-811
[6]杨争斌, 郭福成, 周一宇.基于UT变换的机动辐射源单站被动跟踪IMM算法[J].系统工程与电子技术, 2007, 29 (1) :5-8
数据融合系统 篇5
对自动相关监视与多雷达数据融合的关键技术进行综述. 将各种参与数据融合的监视信息进行统一, 保证了信息的`一致性; 选择ADS与多雷达数据融合的变更周期, 确保了数据的精度与可靠性; ADS与多雷达数据融合中的系统误差配准, 使融合的数据更加准确; 利用模糊聚类的方法使多雷达与自动相关监视数据关联, 使系统能够得到可靠的关联性能; 在复杂环境下对野值进行剔除, 提高了融合精度. 给出了ADS与多雷达航迹融合的方法, 生成飞行器最终的航迹.
作 者：鲁鑫鹏 张金成 洪鼎松 张雷 作者单位：鲁鑫鹏,张金成(空军工程大学导弹学院)
洪鼎松,张雷(空军装备研究院雷达所)
大数据时代下的融合存储 篇6
存储需要敏捷和效率
在日前召开的“惠普融合存储新品发布会”上，《计算机世界》报总编辑许传朝在主持“话题讨论”时表示，数据已经成为企业生产力的重要组成部分，未来企业或商业变革就是基于数据的价值挖掘和商业模式创新。伴随而来的是数据给存储、处理和应用等信息系统带来的压力和挑战。
惠普亚太和日本地区副总裁、存储产品部总经理Mike Prieto认为，目前许多用户的存储系统都是按照10年甚至20年前的需求而设计的，并且主要是针对结构化数据而设计。但今天，数据量发生了天翻地覆的变化，带宽也增大了，虚拟化、私有云、公共云等纷纷出现，尽管原有的存储系统增加了许多功能，但这不足以应对我们面临的挑战。
Mike Prieto认为，这些新的变化要求系统具有全新的架构。对于存储来说，除了需要高性能外，另外两个因素也非常重要，那就是敏捷和效率。敏捷就是能够应对那些意料之外的高峰或低谷，同时应对不确定性，处理不同的和突发的工作负载，快速供给，提供适当的、动态的服务水平；效率就是指提高资源利用率，同时降低运维消耗。
这些都要通过整合服务器、存储以及网络来实现，为此，惠普提出了自己的解决方案：融合存储。
什么是融合存储？惠普的权威解释就是，融合存储是基于工业标准产品架构构建，利用先进的横向扩展存储软件，与跨越整个IT框架的通用管理工具相整合。惠普全新的融合存储架构从根本上改变了数据访问的方式，这是通过整合横向扩展存储软件、融合服务器和存储的硬件平台实现的。
融合存储产品新扩展
在惠普融合存储新品发布会上，全新的惠普P10000 3PAR存储系统正式亮相，这是3PAR投入惠普大家庭之后发布的首款新品，所以备受关注。而一款目前可应用于3PAR系统和LeftHand系统的联合存储软件Peer Motion更是引起了大家的兴趣。惠普存储产品部产品总监孙钢介绍说，Peer Motion软件具有业界首个点对点存储联合功能，支持从虚拟SAN到中高端存储系统，能帮助用户确保稳定的生产效率，并无中断地重新分配工作负载，通过联合工作负载均衡，来应对不可预测的环境；联合自动精简配置功能，可提高投资回报，并将应用数据转移到可用容量系统，并实现过程透明监控，降低未来的存储采购需求；联合资产管理，能够把数据无中断地从隐退阵列转移到新系统中，从而提高生产率，在存储资产更新过程中消除了宕机或服务中断。
惠普P10000 3PAR存储系统包含V400和V800（HP 3PAR V系列）两种型号。3PAR V系列是功能强大的关键业务存储系统，能够在单个高性能阵列上支持混合的、无法预测的多租户工作负载，也是惠普VirtualSystem和CloudSystem解决方案的核心技术，它集成了硬件、软件和服务，从而加快部署并帮助企业顺利迈入开放、混合的云环境。
链接
3PAR应用案例
成立于1835年的中山大学附属第二医院（也叫孙逸仙纪念医院）坐落在美丽的珠江旁，是中国最古老的西医医院。目前医院有本部、南院区、增城院区、南校区门诊部四个院区，开放床位2000张，每年门、急诊量220多万人次，手术台数3万台。目前，医院正处于高速发展时期，计划到2013年还将增加1000张床位。
业务的增长以及信息化的发展，在使医院的信息系统不断完善的同时，信息量也增长很快，每天产生的数据量经过压缩后达到十几GB，同时，这些数据需要保存的时间长，一般需要30年，同时安全性要求高。这些都使得该院的存储系统面临着严峻的挑战。
数据融合系统 篇7
近年来,电力企业信息化建设快速推进,各类信息系统不断投入使用,有效地支撑了电力安全生产和企业管理,成为电力企业发展的重要技术保障。 信息系统投入使用之后,数据不断积累,已经成为企业的宝贵资源。但信息系统在应用过程中还存在一些不足,主要表现在以下几个方面。
1)随着信息系统数量的不断增加,部分系统功能重复、数据冗余,导致用户在使用过程中需要重复录入,增加了日常的工作负担。
2)信息系统大多是基于专业分工的流程管控系统,缺乏公司级的整体协调,数据统计口径不统一, 跨专业数据共享比较困难。
3)信息系统操作步骤繁琐,界面风格不统一,操作易用化程度不高。
针对这些影响系统使用和数据融合的问题,企业需要转变信息化发展思路,注重统筹考虑和顶层设计,促进专业间的数据融合与共享,构建企业级的一体化信息平台。近年来,一些企业和科研机构陆续开展了信息系统数据融合与共享的相关研究和应用,主要通过数据仓库(Operation Data Storage, ODS)、公共信息模型(Common Information Model, CIM)、企业服务 总线(Enterprise Service Bus, ESB)等方式进行数据集成。文献 [1] 基于CIM对SCADA系统进行了数据整合;文献 [2] 提出了一种在网络化综合电子信息系统中采用面向服务的体系结构(Service-Oriented Architecture,SOA)实现数据共享的方法;文献 [3] 通过分析企业各种应用系统中所涉及的共享基础数据,构建基于共享基础数据资源平台的企业信息系统整体框架;文献 [4] 研究了采用ESB进行配网自动化及管理信息系统信息集成的方法;文献 [5] 研究了基于本体的松耦合消息模型和应用;文献 [6] 介绍了电力企业数据中心数据的管控方法。本文主要研究了企业数据融合与共享方法, 并以电力企业流程管理系统为例进行数据融合与集成。
1信息系统数据融合与共享
企业信息化是一个不断发展和完善的过程,随着信息系统积累的数据越来越多,信息系统数据融合与共享的需求越来越迫切。信息化发展历程大致可分为3个阶段:在第1阶段,企业对信息化的价值认识有限,一般只部署了公文管理、邮件等办公系统; 在第2阶段,开始重视企业级信息系统的建设,注重流程管理和业务管控,关注信息系统对业务的全面支持,在这一阶段,信息化为企业带来了竞争优势, 但由于缺乏对信息系统的整体规划和管控,系统数量不断增加,规模不断扩大,系统的使用范围越来越大,管理上的因素往往制约了信息系统作用的发挥, 主要表现在:功能重叠、数据标准不统一、数据冗余、 流程不闭环等;在第3阶段,企业开始重视信息化管控和数据融合,以软硬件设施和应用系统建设为基础,进一步加强信息化对企业业务和发展战略的支撑,把信息化作为企业核心竞争力的重要组成部分, 更注重企业信息化与组织结构、岗位、流程、标准和制度的匹配。
电力企业信息系统数据融合与共享是一个不断演进、提升的过程,需要根据业务发展不断完善。目前,信息系统数据融合和共享已经成为企业信息化工作的重要组成部分。数据共享工作涉及信息系统设计、开发、应用等环节,贯穿信息系统的整个生命周期。在信息系统设计、开发阶段,数据融合工作主要是识别新开发信息系统与企业原有信息系统的关系,梳理新增功能、数据和流程与企业原有信息系统的依赖关系,通过系统间数据集成和共享,消除功能冗余和数据重复录入,避免“信息孤岛”,将新建信息系统与企业原有信息系统全面融合,形成一个数据准确、唯一、按需流动的企业级信息平台;在信息系统应用阶段,数据融合工作主要为数据质量校验、数据管理和接口运行维护等。
2数据融合与共享的方法
电力企业已经建立了企业级的数据中心,通过数据中心和ESB可以进行数据交换。如果数据量较小且不需要与其他系统共享,一般采用ESB进行数据交换;如果数据量较大或需要与其他系统进行数据共享,一般通过数据中心进行数据交换。
2.1基于ESB的数据共享
SOA架构能够将信息系统的不同功能单元通过服务之间定义良好的接口和约定联系起来,ESB则是支撑SOA消息传递的关键技术。ESB是传统中间件技术与XML、Web Service等技术相互结合的产物,可以消除不同应用之间的技术差异,让不同的应用服务器协调运作,实现不同服务之间的通信与整合。从功能上看,ESB提供了事件驱动和文档导向的处理模式,以及分布式的运行管理机制,它支持基于内容的路由和过滤,具备复杂数据的传输能力, 并可以提供一系列的标准接口。ESB的基本功能如下:
1)服务注册与管理:在总线范畴内对服务的注册命名及寻址进行管理;
2)传输服务:确保通过ESB互连的业务流程间消息的正确交互;
3)路由与定位:提供位置透明的路由和定位服务,提供多种消息传递形式,支持丰富的传输协议和接口;
4)服务和事件管理支持:调用服务的记录、测量和监控数据,提供事件检测、触发和分布功能。
ESB总线主要适合数据量小(小于2 MB)、实时性要求高的非共享类数据集成。此种技术路线的优点是实时性高,可保证数据的实时交互,缺点是对数据量较大的数据传输支持不足。ESB数据交换流程如图1所示。
2.2基于数据中心+ESB总线的数据共享
数据仓库(ODS)是一个面向主题的、集成的、 可变的、当前的细节数据集合,用于支持企业对于即时性的、操作性的、集成的信息需求。ODS既承担了数据整合所需的大批量数据获取和准实时数据同步更新功能,又承担了客户统一视图查询、营销活动监控等准实时的多维汇总分析功能。
数据中心与ESB相结合,可实现信息系统间数据的融合共享。由于共享数据必须存放到数据中心, 因此该方案适用于数据量小、实时性要求不高的共享类数据。基于ESB的数据中心数据集成示意如图2所示。
注:1信息系统 A 将数据写入 ODS;2信息系统 A 向 ESB 总线发送数据已写 ODS 的 JMS 消息;3信息系统 B 从 ESB 总线接收信息系统 A 的 JMS 消息; 4信息系统 B 从数据中心 ODS 读取数据。
2.3基于数据中心+ETL的数据共享
数据中心ODS通过抽取、转换、装载(ExtractTransform-Load,ETL)、企业应用 集成(Enterprise Application Integration,EAI)等技术实时或准实时地从各业务系统中抽取企业运营数据,进行转换、加载、映射等工作,形成ODS的核心数据。信息系统间进行数据集成时,对于数据量较大的数据传输工作,通常采用ETL的方式进行处理。另外,少数数据提供方系统因某些原因无法进行技术改造,通常也采用ETL的方式进行处理。基于ETL的数据中心数据集成示意如图3所示。
流程说明:
1)完成定制CIM模型,并在数据资源管理工具中进行部署;
2)信息系统A将共享的 数据存入 数据中心ODS;
3)信息系统B通过ETL方式定期从数据中心ODS抽取数据。
3流程管理系统数据融合实践
以电力企业流程管理系统为例探讨数据融合与共享。首先,通过问卷调研和现场访谈的方式调研流程管理系统使用情况,根据从用户收集的信息系统使用情况,进行数据及相关功能分析,找到相似的功能和重复录入的信息,明确数据统计口径和标准, 提出数据融合需求;其次,编制数据融合方案,明确共享的数据和技术方案;然后,组织数据融合共享开发和测试;最后,进行集成部署和验证测试,实现数据融合共享。
3.1数据集成需求分析
流程管理系统属于综合类管理信息系统,涉及企业的全部流程、制度、表单、标准、岗位、风控、绩效等管理要素,需要将这些管理要素通过流程进行相互关联和调用,最后在系统中导出流程手册和岗位手册等管理文件,帮助员工提高工作效率,遵循制度要求,控制相关风险等。通过分析,该系统需要与SAP HR模块、标准管理系统、协同办公系统、财务系统集成,实现组织岗位、标准、制度、风险控制等管理工作协调运转。流程管理系统数据集成关系如图4所示。
1)与ERP HR模块集成。 通过系统 集成,将ERP HR模块中的组织及岗位变动信息自动更新至流程管理系统,实现流程管理系统中组织及岗位相关模型的动态更新。
2)与标准管理系统集成。通过系统集成,将企业技术标准和管理标准的立、改、废信息从标准管理系统自动更新至流程管理系统,实现对流程管理系统中技术标准、管理标准目录的动态管理;通过接口程序实现新订(或修订)管理标准自动拆分,并在流程管理平台中自动创建管理标准模型;优化流程管理系统文档管理功能,建立从流程管理系统直接访问标准管理系统中各类文档的机制。
3)与协同办公系统集成。通过系统集成,将管理制度立、改、废信息更新至流程管理系统,实现对流程管理平台中制度目录的动态管理;建立流程管理平台和制度管理系统的文档链接,实现制度文档共享;实现新订(或修订)制度目录推送和内容自动拆分,并在流程管理平台中自动创建制度模型。
4)与财务系统集成。通过系统集成,将风险管控信息推送到财务系统,实现风险管控的财务约束; 并与财务内部的风险管控相结合,促进财务风险管控的高效运行。
3.2接口实现
以标准管理系统向流程管理系统数据集成为例,采用数据中心和ESB相结合的方式进行数据集成,数据共享集成步骤如下:
1)标准管理系统每天24点按照设定的数据格式将前一天标准的变化信息存储到数据中心指定的数据表;
2)标准管理系统确认信息保存成功后,向ESB指定的主题中发送相应的JMS消息;
3)ESB获取消息后,调用流程管理系统与该主题相关的服务,该服务通知流程管理系统从数据中心提取数据;
4)流程管理系统通过数据采集工具从数据中心获取标准的变化信息。
3.3成效分析
通过数据集成接口,流程管理系统从ERP HR模块、标准管理系统、协同办公系统接收和整合推送过来的岗位、标准、制度变动情况,解决数据重复录入、数据更新不及时等问题,实现了企业流程管理各项工作的高效运转。另外将风险信息推送到财务系统,实现流程与内部风险管控的有机结合。通过数据集成共享,实现了企业“岗位、职责、流程、标准、考核”五位一体的协调运转,为企业管理提升提供了技术保障。
4结语
数据融合系统 篇8
随着生产规模的扩大, 新系统、新设备不断运用, 电力公司电气系统的自动化管理发展迅速。但是, 越来越多的电气自动化系统配置了不同的服务器结构, 数据库是分布的, 在系统结构、数据模型、查询方式上都有所差异;数据来源不统一 (时效性、响应速度均不统一) , 网络通讯相互隔离, 后台管理机较多, 且监控内容各不相同。相同管理系统也存在版本上的差别, 相互之间没有信息共享, 不能进行协调工作。电气信息难以集中管理与控制, 故障信息报警存在时钟不同步等等, 给电气管理带来了诸多不便。因此, 将现有不同电气自动化系统的信息进行整合, 集中管理全公司6 k V~110 k V电气系统的数据, 满足不同管理层次的生产要求, 可以很好地提高公司电气自动化管理水平。
常用的异构数据源集成的体系结构有以下几种[1], 中间件结构、数据仓库结构、基于本体的异构数据集成体系结构[2]。建立数据仓库通常需要较高的成本[3], 而中间件结构添加局部数据源较简单, 目前在技术上主要是采用Warpper/Mediator中间件结构[4]进行数据融合。在过程中需要解决[5,6]:模式集成[4]和查询分解[6], 最后, 还要建立模式映射[7]规则, 以确保不同数据库模式之间可以对应。在电气自动化系统多源数据融合过程中, 重点需要解决数据数据处理与监控平台的选择和通信模式的选择, 前置机或服务器数据的整理, 网络的配置, 后台监控系统画面、管理报表的整理等等。
1 数据管理平台设计
各个时期的电气自动化系统的类型不同, 必然存在有的比较先进, 有的则相对较为落后。新系统的数据处理的响应速度快, 实时数据刷新速度也快, 其数据管理机软件便于管理、更新, 后台监控机的管理软件的功能强大, 实时画面和数据显示更符合现行电气自动化信息管理的要求。故此, 基于系统功能的需要和日后系统不断扩展的要求, 最终选取了最新的电气自动化系统平台作为所有其他自动化系统的数据通信平台, 即将所有其他电气自动化系统的数据集中到最新的电气自动化系统数据管理机上, 因此统一将多源数据放入内存中, 每隔5 min进行读取和计算。另外由于数据表结构、字段定义存在差异, 可以将关系型数据库统一转为键-值型 (key, value) 数据库, 采用No SQL语句查询。应用Memcached技术实现以上需求, 服务端 (ms) 和客户端 (mc) 是Memcached的两个主要组成部分, 在读写过程中, 首先对每个数据构造键值对 (简称kv对) , 键会通过哈希算法转化成哈希-键。Memcached数据查询具体流程和更新流程如图1、图2所示。
2 整合后系统的通讯模式的选择
数据处理与监控平台确定之后, 主要面对的就是整合后的系统的通讯模式问题。即各自相对独立的电气自动化系统如何与先前确立的中心管理机或前置机进行通讯, 数据如何进行交换, 采用何种协议, 需上送数据的数据表如何制定等等。
在现有的各个电气自动化系统中, 因每一个系统均有各自的通讯服务管理机或前置机, 它们与其所属范围内所有远方测控装置和智能设备进行数据的交换和管理。然而各自系统的通讯模式各不相同, 有的系统采用CAN网通讯, 有的系统采用RS485通讯, 有的系统则采用Ethernet以太网进行通讯。因此在进行不同系统间的通讯时, 首先需解决数据如何进行交换, 采用何种协议的问题。
现有的每一台数据管理机或前置机下面挂的测控装置或智能设备均采用各自约定的传输规约进行通讯, 如CAN网、RS485、RS232等等, 如果以每一个装置为节点, 分别向中心管理机发送测控数据, 则整合的难度将大大降低, 但是涉及到通讯电缆的敷设, 耗时相当长且费用很高, 因此不能采取这种方法。考虑到现有的通讯管理机均配置有多种通讯协议和通讯接口, 如一路或多路网络接口, 串口等。可以利用这些不同接口, 将整个数据管理机或前置机处理的各自电气自动化系统的数据进行打包, 而后统一发送到中心管理机上, 再进行数据读取与整理, 则相对更为方便可取。
3 服务器数据管理
以上工作做好后, 根据统一监控平台要求, 对相对独立的电气自动化系统的数据进行划分, 列出需要的遥信、遥测、遥调与遥控表, 即在中心处理机内进行不同系统数据库的分层工作。定制数据点表的工作完成后, 剩余的工作就主要围绕中心前置机和服务器中进行不同电气自动化系统传送来的各种测控数据或智能设备信息的整理。在中心前置机数据库中创建不同的厂站, 根据不同电气自动化系统数据点表中数据的数目, 相应地为一个电气自动化系统创建一个或多个厂站, 继而对每一个厂站进行分配端口, 配置遥信、遥测、遥调与遥控量的地址等工作, 最后进行相应厂站数据的导入工作。这部分工作相对繁琐, 工作量大, 却是不容出错的, 因为地址分配的错误将直接导致后台监控无法正确显示与运行。
整个系统共分为4个层次, 自底向上主要包括源数据层、应用数据层、中间层和访问层, 采用kv型数据库存储所有数据, 应用Memcached技术读写数据, 采用XML格式记录数据。
4 网络通讯配置管理
数据整合工作完成后, 对中心管理机和其他分布在各地的通讯管理机或前置机进行网络的通讯配置后, 系统才能够协调工作, 考虑到新整合系统运行的可靠性, 在系统整合过程中, 对所有独立通讯管理机或前置机采取了既相互统一又相互独立的配置方式。一方面, 正常运行时, 所有独立系统发送数据到中心管理机, 作为统一的数据处理、通讯和转发单元, 中心管理机同时向所有后台发数据, 期间其中任意一个通讯管理机或前置机故障时, 不影响其他通讯管理机或前置机的数据发送;另一方面, 如果中心管理机故障, 则还可以断开所有连接, 恢复原有独立运行方式, 从而不影响相应系统的运行。
在中心管理机中设置网络通讯时, 必须正确选用通讯口类型、填写相应的规约和通讯方向等属性, 这些规则需根据中心管理机与各个独立的通讯管理机或前置机的通讯方式定。在中心管理机的统一调度与管理下, 所有分散的后台监控机需根据中心管理机的要求进行相应的计算机网络名和IP地址的设置, 至于IP地址的设置则依据网关的设置进行, 保证不重复即可。
出于生产系统的安排, 不能将所有系统全部停运, 故此在系统整合过程中, 必须根据各自企业生产的要求, 采取分布到整体, 停运与在线相结合的方式进行系统的整合工作。在系统的整合过程中, 还需要根据各个相对独立的电气自动化系统的地理位置, 原有的监控模式和运行人员的监控习惯等问题进行具体的分析, 充分利用现有软硬件资源, 以节约投资成本。
5 展望
整合后的系统能够集中实时显示公司最大范围内的电气运行状态数据, 对于各级技术和管理人员而言, 便于进行全系统分析和数据统计工作。不同来源、不同结构、分散于各级用户之间的数据, 集中于中心统一的数据库, 便于维护、计算和查询。采用kv型数据库, 提升了系统的开放性和先进性, 提高了对数据源的适应度, 统一了数据接口标准, 为今后能充分利用各种信息资源做数据挖掘打好系统基础。
参考文献
[1]王杰勋.医疗保险信息系统异构数据集成的研究与实现[D].南京:南京航空航天大学, 2007.
[2]向红.基于本体的异构数据集成系统的研究与实现[D].西安:西安电子科技大学, 2007.
[3]张靖, 程希来.多源异构数据整合应用研究[J].成都信息工程学报, 2009, 24 (3) :254-257.
[4]张桂香.异构信息源集成系统的模式集成研究[J].微计算机信息, 2007, 24:233-234.
[5]俞红齐, 顶宝康.多数据环境下的模式集成及查询分解[J].计算机工程, 2006, 26 (10) :124-126.
[6]李瑞轩, 霍晓丽, 卢正鼎.多数据库系统中的全局查询转换方法研究[J].计算机工程, 2005, 31 (16) :4-6.
数据融合系统 篇9
1系统建设背景与目标
我院设有中心ICU、急诊、心外、心内、呼吸、神内、 神外等多个ICU科室。由于中心ICU为我院规模最大环境最典型的ICU病房,所以系统构建初期以其为主要建设对象。中心ICU配置床位42张,每床的患者由指定的医生和护士单独管理。系统上线前,每个床位每日发生的所有监护仪、呼吸机、输液泵等床旁设备的数据全部由医护人员手工记录,工作效率极低。
为推动ICU临床信息化建设,我院于2012年4月构建以患者为中心的中心ICU临床信息化管理平台,利用先进的信息化技术,通过对重症监护患者相关临床诊疗信息的准确、及时和完整地采集,实现重症监护临床信息管理的科学化、规范化和标准化,进而达到降低医护人员的工作强度、减少医疗差错、提高医疗质量、规范和优化工作流程、提升ICU整体临床管理水平的目标[1]。
2系统建设方案和网络部署
2.1工作流程(图1)
患者从入院转科至ICU或患者从ICU转出,其所有的入出转操作和基本信息可以在医院信息系统(HIS)和ICU临床信息系统进行双向通信,节省护理人员操作时间并减少错误。患者在系统注册后,统一在ICU临床信息系统中执行床位管理操作。
(1)治疗期间:1护理人员通过系统提供的ICU监测护理记录单功能(ICU危重症护理记录),实现患者日常诊疗期间各项监测/ 治疗/ 评估等相关信息的记录,替代原有手工纸张记录[2,3];2系统自动采集监护仪、呼吸机、血滤机、 血流动力监测设备血气分析仪等床旁设备的输出参数,提高工作效率并减少差错;3实验室检验结果信息可以直接传送至ICU临床信息系统;4药物医嘱信息可以通过接口直接传送至ICU临床信息系统进行药物医嘱执行信息记录, 减少重复抄录差错;5 ICU临床信息系统可以提供重症监护病房常用的疾病严重度评分系统,直接与相关的记录整合,减低查阅或找寻相关病历资料的时间,自动计算相关的分数,方便临床人员随时掌握病人病情的状况。
(2)结束治疗后,患者诊疗信息长期保存并可随时查阅进行回溯性分析,还可以针对对患者在ICU治疗期间的相关记录信息,进行多维度的统计和分析[4]。
2.2数据集成方案
2.2.1设备集成
通过系统床旁设备数据整合方案,整合多种类的监护仪、呼吸机、输液泵、血透机、血气分析仪和其他血液动力学设备,实时采集设备数据并及时给出预警提示[5]。医护人员在科室不同床位间共享科室内临床设备时,无需进行系统设定在配置,系统可以自动识别设备种类,使得呼吸机、输液泵、血透机等设备即插即用。
2.2.2系统集成
系统提供的多种接口方式的企业级信息集成方案,形成全院信息共享集成平台。将病人生命体征及特异性数据整合,而转变成可执行的、治疗护理为导向的临床信息。
参照中心ICU临床信息系统工作流程设计,涉及外部系统信息交互接口和Xlinks外部调用接口主要包括:1HIS中的患者基本信息、ADT、医嘱信息;2实验室信息系统(LIS)中的检验结果信息;3影像存储与传输系统(PACS)中以Xlinks方式调用患者影像信息Web查询;4将ICU重症护理记录单输出至电子病历系统(EMR)。
ICU临床信息系统与HIS和LIS之间信息接口采用HL7标准,使用TCP/IP Socket方式进行信息交互;与PACS之间以Xlinks方式进行调用及启动参数传递;与EMR之间以PDF报告或其他形式实现重症护理记录的输出。
3系统应用示例
3.1护理工作内容
系统提供危重症重病护理记录单,内容包括通过监护仪及床旁呼吸机、输液泵、血透机、血液动力学设备等临床设备自动获取的生命体征数据,基础护理、皮肤护理、 管路护理、用药记录、I/O出入量管理等部分[6,7]。
系统管路护理提供导管类型、管路部位、置管时间、 管路评估等需要记录内容,并可以通过系统计算引擎自动计算出置管时间、管路护理顺应性能统计及护理质量评估等内容[8,9]。系统的护理工作出入量I/O管理,可对于每项入量和出量进行即时、每班次或每天的自动累加,并可以针对班次和时间进行分项及总量汇总,明细一目了然[10,11]。 护理交班内容包括交班的基本信息,以及自动从重病护理记录中抓取的当前病人生命体征情况,以及该班次的护理治疗观察及处置要点,方便护理交班时总结病人病情。
3.2医师工作内容
(1)病人资料对比。可将系统内部获得的病人生命体征数据与院内其他系统,如LIS获取的病人数据按照系统或疾病分类进行归类,帮助医生在办公室或者床旁快速、 清晰、明了地获得病人的病情变化。
(2)医师交班记录。包括交班所需的病人基本信息及相应的病情变化及医师处置等所需要的病人资料。
(3)LIS数据集成。对于集成入系统的LIS数据,ICU系统对每一次病人的实验室检查结果可按照时间呈现出来, 并能配置相应的和其他系统数据的对比示例供医师参考。
(4)智能临床评分。通过系统强大的计算引擎,临床专家可进行不同评分的配置,满足ICU评分评估的需求, 而无需系统程序开发人员介入[12]。对于评分中所需要的病人数据,计算引擎可以根据评分规则自动从系统获得,大大降低评分所需的时间,帮助医师进行快速病情评估。
(5)临床数据分析和报表。提供独立于数据记录服务数据库的临床数据分析数据库,不影响临床数据记录的性能和安全。提供的配置分析工具可以帮助医院及科室管理层及医护人员,对系统内的相关数据进行统计和分析。
4应用效果评价
全新的重症监护信息管理系统为医院建立了一个全面覆盖危急重症患者诊疗过程的多维信息化监管体系,不仅为危急重症疾患的治疗护理提供一个有助于患者就医、医护人员开展临床业务的良好环境,同时,新技术和管理模式的采用也为危急重症患者的监护和治疗,提供了新的临床手段[13]。
(1)实现了医疗文书的计算机处理,规范了医疗行为, 减少差错事故;通过网络传递各种信息以及对床边诊疗设备数据的实时采集,并根据完整记录的患者临床诊疗数据和共享,实现对治疗、护理质量客观科学的评价。
(2)通过系统提供的多种信息化记录方式,规范了对病危患者的诊断、抢救、检查、处置以及治疗等各项临床治疗工作,患者信息快速准确地处理,也加快了医疗信息传递并减少了差错。
(3)向管理部门及ICU科室提供了及时准确的工作数量和质量统计、过程回顾及效率分析。强化了环节质量, 引导质量控制的重心由事后控制,向事中环节监督转移, 为管理者提供了决策所需的动态数据。
摘要：本文结合我院实践,探讨如何在ICU临床科室建立重症监护病房临床信息系统,从临床应用角度介绍了方案的设计和实践操作。该系统通过准确、及时、完整地采集重症监护患者相关临床诊疗信息,建立并完善了标准化的中心ICU临床工作规范,优化了工作流程。通过量化的方法进行临床医疗行为的管控,进一步提升了医疗品质。
数据融合系统 篇10
多目标跟踪[1]理论是运用随机统计决策、自适应滤波、知识工程和神经网络等现代技术,将探测器所接收到的信号数据分解为对应于各种不确定机动信息源所产生的不同观测集合或轨迹,一旦轨迹被确认,则被跟踪的目标数目以及对应于每一条运动轨迹的目标状态参数,如位置、速度和加速度等均可相应的估计出来。如图1给出了一种简单的多目标跟踪系统的基本原理框图。
由无源探测器接收到的观测数据首先被考虑用于更新已建立的目标轨迹;跟踪门被用来确定观测/轨迹配对是否合理或者正确;数据关联则用于最后确定最合理的观测/轨迹配对,然后根据自适应滤波与预测估计出各目标轨迹的真实状态。
2 系统中数据融合的方法
2.1 灰关联方法
灰关联[2]的基本思想是根据曲线间相似程度来判断因素间的关联程度。曲线越接近,相应序列之间的关联度就越大,反之就越小。它对样本量的多少没有特殊要求,分析时也不需要什么典型的分布规律,因而具有十分广泛的工程应用价值。以灰关联分析方法可以弥补采用数理统计方法作系统分析所导致的缺憾。它对样本量的多少和样本有无规律都同样适用,而且计算量小,十分方便,更不会出现量化结果和定性分析结果不符合的情况。在进行灰关联时,必须先确定参考序列,再比较其他序列同参考序列的接近程度,这样才能对其他序列进行比较,进而做出判断。灰关联分析的具体步骤:
(1) 求关联系数;
(2) 求关联度;
(3) 关联度按大小排序。在灰关联分析算法中:
设X0={X0(k)|k=1,2,…,n}为参考序列,又称母序列;Xi={Xi(k)|k=1,2,…,m}为比较序列,又称子序列,则Xi与X0的关联系数为:
undefined
其中ρ为分辨系数。ρ越小,分辨力越大,一般ρ的取值范围为[0,1],ρ≤0.546 3时,效果最好,通常取0.5。
在实际工程应用时,仅考虑曲线间的相似性是远远不够的。如在多侦察设备组成的识别系统中,各部侦察设备因受自身接收精度、低空杂波和电子干扰等因素的影响,常使个别侦察设备接收的信号中混杂着强大的噪声,使得提取的特征为野值。如果此时仅用相似性作为评选准则,势必会将个别偏差很大的野值数据送入融合中心处理而造成整个系统识别精度的下降。故这里将根据灰关联分析的思想做适当的改进,以进一步提高其对雷达信号特征的识别精度。
由灰色系统理论知,灰色绝对关联度是研究事物之间、因素之间关联性的一种度量。它是以事物或因素之间时间序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越相似,相应序列之间的关联度就越大,反之就越小。其定义及性质为:
定义1 设X0=(x0(1),x0(2),…,x0(n))为参考时间序列;
Xi=(xi(1),xi(2),…,xi(n))为与之比较的时间序列,i=1,2,…,m,则称:
undefined
为X0与Xi改进的灰色绝对关联度。
undefined
x′i(k)=xi(k)-xi(1),i=0,1,2,…,m,k=1,2,3,…,n,称为始点零化像。
定义2Xj为与之比较的时间序列,εij=(i=1,2,…,s,j=1,2,…,m)为Yi与Xj改进的灰色绝对关联度,则称下式为改进的灰色关联矩阵:
undefined
对于上式,若δl≥δj,l,j∈{1,2,…,m},l≠j,且:
undefined
则称时间序列Xl准优于Xj,记为:Xl≻Xj。
若δl>δj,则称时间序列Xl优于Xj;若对∀l,j∈{1,2,…,m},l≠j,恒有δl>δj,则称Xl为最优时间序列。在一个具有m个时间序列的系统中,未必有最优时间序列,但一定有准优时间序列。为此假设m部侦察设备对某目标的跟踪形成m条航迹(即产生Xj个时间序列,j=1,2,…m),则根据数据融合算法可得一条与此目标对应的、精度较高的时间序列Y。若以Y作为特征时间序列或参考时间序列,将m部侦察设备探测所形成的序列Xj(j=1,2,…,m)与之相比较,用式undefined、式和式undefined算出δj,j=1,2,…,m。则由命题知,一定存在Xj(j=1,2,…,m)个时间序列从大到小的准优次序,不妨设X1>X2>…>Xm。这时,只要选取合适的经验阈值β(0<β<1),就可用一次融合后的Y时间序列去替换部分δj<β的较差数据,再作二次融合,就能进一步改善和提高雷达系统的跟踪精度[2]。
系统中运用灰关联的具体步骤如下:
(1) 选取ESM探测平台的时间-方位序列,样本点数为4个;
(2) 将ESM探测的时间-方位序列和其他无源侦察设备侦收的辐射源信号的时间-方位序列进行时间对齐,使ESM的时间-方位序列统一到各个无源侦察设备的时间-方位序列,选取时间对齐后的ESM时间-方位序列为参考序列;
(3) 将其他无源侦察设备侦收的辐射源信号方位序列与参考序列相比,求其灰色绝对关联度并排序;
(4) 按设定的阈值确定辐射源是否来自某一目标平台,从而将辐射源与所在平台捆绑在一起,用ESM的时间-方位序列来融合辐射源的时间-方位序列。
2.2 加权最小二乘融合方法
最小二乘算法[2]是数据处理和误差估计应用中很有力的数学工具,它的基本原理是使所有侦察设备误差的平方和最小。
设第i部侦察设备对目标的量测方程为:
undefined
则融合方程为:
undefined
其中:
undefined
Rk为权矩阵,它的元素反映了全部观测的随机性,诸如变化和相关性。当侦察设备参数相同时,Rk为单位阵,融合算法[3]即为最小二乘融合算法。
系统模拟了ESM,激光和通讯三种不同的无源侦察设备。三种无源侦察设备对方位的侦察误差并不一样,由低到高依次为ESM、激光侦察设备和通讯侦察设备,所以考虑误差的加权平方[4]和最小更为合理。系统在ESM侦察方位相对精确的前提下对方位关联,激光侦察设备和通讯侦察设备对其方位值进行了以误差的加权平方和最小为准则的数据融合。
2.3 ESM与其他无源侦察设备的数据融合算法
所谓无源侦察设备之间进行数据关联也就是要确定无源侦察设备观测到的信号究竟源于哪一个辐射源目标,或者说要将无源侦察设备观测的信号与目标航迹配对,其本质上是模式识别问题。但是由于ESM传感器是一被动传感器,只能获得目标的属性值和位置中的方位信息,而没有距离信息,再加之在现代电子战环境中存在干扰及其他因素的影响,从而使在ESM和其他无源侦察设备关联中面临着很大的不确定性。
无源侦察设备之间的数据关联是数据融合的前提[2],而传统的属性关联算法都是利用无源侦察设备共同探测部分—方位角这个直观的相关信息进行关联,信息维数少,算法都比较简单、易于实现,但由于只用到了方位角一维信息,而无源探测设备探测到的其他多维属性信息并未充分利用。这就导致一旦方位角不够精确,即无源侦察设备探测的方位角偏差较大时,属性信息将关联不到航迹上。此时由于只有一维的方位角信息作为关联参考,使得关联的正确率在噪声大的情况下很难提高。故采用方位角和属性共同关联算法:
(1) 取属性参数集
θ={θi|i∈(1,n)},n为体系单元数,θi为第i个体系单元
θi={Tij,αi|j∈(1,m-1)},m为属性参数维数,αi为第i个属性参数的方位角,Tij为其他m-1维参数
(2) 将目标航迹外推或内插至属性参数发现时刻t,得到位置(Xkt,Ykt,Zkt),再求其相对于θi观测站的相对坐标(xkt,ykt,zkt),利用βkt=arctan(ykt/xkt)求其方位角,k∈(1,p),k为航迹号,p为航迹总数。
(3) 找出可能属于的目标航迹:
undefined
若et小于给定阈值(此阈值比较大),则将θi归入此航迹所在目标的属性参数集。重复上面三个步骤,直到将所有属性参数都关联到各个目标中。
综上所述,想要关联正确率高,就要寻求一种新的属性关联方法。整个一级数据融合系统功能上可分为关联融合和识别推理。传统的关联方法在融合部分处理数据时,尤其在属性参数关联到航迹时,一般不会用到推理结果,这样就造成了很多信息浪费。事实上,当处理完一个周期内所有数据之后,不仅可以得到战场环境中平台的位置信息,而且由推理结果还可以得到有关平台上所携带的辐射源信息。利用这些信息中关于辐射源的属性参数,采用多因素综合评判关联准则,将无源数据更准确地关联到所属的平台组中。
系统充分利用无源侦察设备探测到的方位角和辐射源属性信息结合进行数据关联,分别定义:
(1) 方位相似度:Sa=[1/(2π)1/2]exp[-(1/2)·(θr-θw)2/(σundefined+σundefined)],其中θr为ESM侦察设备探测的方位角,θw是其他无源侦察设备探测的方位角,σr,σw为误差协方差。
(2) 属性相似度:设辐射源各个属性信息的各个参数误差是互相独立的,且服从均值为0、方差为σci的高斯分布,则:
属性信息变量:Δci=(ci1-ci2)/(σundefined+σundefined)1/2服从标准正态分布。
属性信息的相似度为:
undefined
其中ci1为ESM探测到的第i个属性信息,ci2为其他无源侦察设备探测的第i个属性信息,σci1,σci2分别为ESM和其他无源探测的属性误差协方差。
(3) 综合相似度函数:设属性信息有n维,由上两步得:Δθ～N(0,1)和Δci～N(0,1),且相互独立,将其综合:undefined服从χ2(n+1)分布,其中综合信息S的维数为方位角一维加上属性参数多维构成的。对于方位角和属性参数量纲上的不同可对其乘以不同的关联信息权重,以达到关联的最佳效果。
构造了上面的综合相似度函数后,属性关联问题就转化为了假设检验问题,即H0:属性与航迹关联;H1:属性与航迹不关联。由相似度的大小判断是接受H0还是H1假设。根据漏关联最大允许值的要求确定关联门限大小,小于门限的关联(接收H0假设),大于门限的不关联(接收H1假设)。
多因素综合评判法不是一成不变的,在属性参数的维数变化时它可以随时更改χ2分布的自由度n,以适应环境的需要。比如当只有方位角关联时χ2分布的自由度变为1,当有部分属性(设m个)参与关联时χ2分布自由度变为(1+m)。
从关联条件来看,多因素综合评判关联算法中包含了方位角关联算法,多因素综合评判算法中的方位角也是关联判断的重要依据,若在方位角不满足条件则整个综合判断结果也不可能满足关联条件。从关联结果来看,方位角关联算法中又包括了多因素综合评判算法。方位角关联判断结果中包括所有方位角满足关联准则的结果,而多因素综合评判是在其中筛选属性以满足条件的关联,方位角关联范围要大于多因素综合评判关联。所以多因素综合评判关联算法和方位角关联算法不是完全不同的两种算法,而是互相关联,互相影响的。
3 仿真结果
3.1 ESM侦察数据融合结果
图2为ESM侦察数据融合结果。
3.2 灰关联数据关联融合结果分析
表1为灰关联数据关联融合结果分析。
把利用灰关联对ESM的时间—方位曲线进行融合,和情报库对比,关联成功率为100%;平台身份识别率为100%。
4 结 语
对雷达无源定位系统数据融合算法进行了系统对比,关联成功率,平台身份识别率均为100%。以后可以在以下几个方面加以改进。
4.1 高精度定位算法问题
对机动辐射源进行单站无源定位过程中,选择定位算法是个关键问题。现有的定位算法中,主要有最小二乘估计算法、EKF滤波算法、特征分解算法、最大似然估计算法等。探索新的算法时,应该主要考虑以下因素:定位精度、算法稳定性与计算量、三维空间定位的适应性、放宽各种约束条件要求后的适应性、对多目标处理的适应性等。
4.2 多目标跟踪定位问题
对于多个目标的定位,预处理是必须的。主要是将不同目标的测量数据进行归并,使同一个目标的测量数据放在一起以备定位计算之用。多目标跟踪过程的关键是如何进行有效的数据关联。
摘要：无源定位目标跟踪雷达系统数据融合方法是信号处理的研究热点,为了探寻无源定位中数据融合的有利方法,系统分析了无源数据关联中系统数据融合的方法,给出了灰关联方法等的具体处理步骤,并通过仿真给出了处理结果。由利用灰关联对ESM的时间-方位曲线进行融合,和情报库对比,关联成功率为100%,平台身份识别率为100%。
关键词：无源定位,数据融合,灰关联,加权最小二乘
参考文献
[1]郭富成.基于运动学原理的单站无源定位与跟踪关键技术研究[D].长沙:国防科技大学,2002.
[2]Arulampalam MSanjeev,Si mon Maskell.A Tutorial on Par-ticle Filter for Online Nonlinear/Non-Gaussian BayesianTracking[J].IEEE Trans on Signal Processing,2002,50(2):174-188.
[3]谢美华,王正明.多传感器跟踪多目标的数据关联[J].中国空间科学技术,2000,20(6):1-7.
数据融合系统 篇11
关键词：数字化校园；大数据；数据融合；数据治理
中图分类号：TN911.72 文献标志码：A 文章编号：1673-8454（2016）23-0075-03
一、引言
高等院校经过多年的信息化建设，目前大多数高校都已完成了校园网络、管理信息系统、公共数字平台建设，实现了高速校园网有线无线覆盖、管理业务流程自动化[1，2]。这些信息化建设项目在学校取得了很好的实际应用效果，节省了办公成本和办公效率，然而，随着信息技术的发展，也带了诸多问题[3-5]。比如：（1）数据标准不统一，数据孤岛现象，从而造成数据不一致，类似的在校生数量各部门统计都不一致等等；（2）信息化和管理业务没有充分融合，停留在信息化仅仅作为管理的支撑或者辅助手段，反而造成在某一方面对业务部门来说信息化是一种负担的负面形象；（3）信息化不足以支撑学校管理业务流程的变革，往往信息管理系统随着学校管理业务流程的变革而无法应用；（4）信息化没有走向深度的应用，不能很好的支撑学校的决策，不能有效地支撑学校的各项工作业务，诸如学生奖助学金评比、年度教职工考核、学科竞赛等等。本文结合学校实际情况，重点探讨随着学校信息化的建设，形成的数据资产如何高效利用，如何对数据资产进行治理等论述。面对学校庞杂的数据资产，作为信息化统筹部门，文中从数据融合的视角，探讨在互联网+、大数据等背景下高校数据融合的路径及其治理框架，从而为互联网+高等教育的信息化建设提供思路探讨。
二、高校数据融合的含义及实施的难点
1.数据的含义
本文所指的数据包含两个层面的数据：
（1）基本数据或者称为静态数据。这类数据基本不怎么发生变化，或者即使发生变化，变化的频率也很低。例如学校的校园分布、建筑，教职工从入职以后的姓名、籍贯、身份证号码、出生年月，学生从入学以后的家庭信息、姓名、籍贯，仪器设备的名称、型号等类似的信息文中都归结为基本数据。
（2）动态数据。在这里将动态数据划分为两类：一类是过程数据，这类数据是目前常见的管理信息系统、办公自动化等产生的过程结果性数据。比如教师的学期授课信息、学生的选课信息、学生的课程成绩、学生上网的上下线流量等等类似信息，也是日常使用管理信息系统看到的数据；另一类是行为数据，这类数据文中有称之为浸润式数据/伴随式数据，目前大多数的管理信息系统并不太关注此类数据，这类数据是管理信息系统使用者的行为数据，比如在线教学平台中学生在学习某个知识点能够从视频、网络中收集到其行为数据，上网过程中其浏览内容、停留时间等都可以成为行为数据。
目前大多数高校使用基本都是基本数据和动态数据中的过程数据，这类数据方便收集，大多数的高校也在利用此类数据做数据统计和分析，而真正要做到大数据分析，挖掘出对学校的管理决策能够服务时这些数据还远远不足以支撑，需要动态数据中的行为数据来做支撑，动态数据中的行为数据才是能够做好数据深度利用，挖掘出有价值的资源。
2.数据融合的含义
本文所指的数据融合包含两方面的含义：（1）按照学校的业务领域，将数据划分为不同的主题业务域，比如人力资源域、教学资源与管理域、学生工作管理域、科研成果管理域、财务资产域、学校档案域、公共服务域、系统管理域等，对这些不同主题业务域的数据开展交叉、关联应用的形式称为数据融合；（2）基本数据和动态数据的融合，就是将基本数据和动态数据进行关联，做大数据的分析和深度利用，为管理决策提供有价值的结果。
3.数据融合实施的难点
数据融合实施的难点：（1）学校主数据不完整，高校在以往管理信息系统建设过程，没有制定相应标准规范，使得现在产生的数据缺项，不完整，同时标准不统一，造成数据使用起来困难重重；（2）动态数据中的行为数据收集困难，目前的大多数管理信息系统不太关注行为数据的收集，比较重视过程数据的管理；（3）信息技术部门和业务部门的人手有限，信息技術部门人员疲于应对日常的管理和维护，业务部门人员关注业务管理，没有精力收集和分析动态数据潜在的价值，同时其关注到数据也仅仅是部门内部管理权限范围内的数据，无法从综合角度关注动态数据可能给业务带来的潜在价值；（4）高校内部没有设置专门从事针对自己学校数据的大数据分析专门人才，这一点和国外高校具有一定的差异，国外高校在某一领域会设置专门的分析师，比如，在教务部门设置专门的教务专员，可以利用信息化手段综合分析学生的学习情况，提出在教师课程设置、进度安排、知识重难点、考核要点、知识点补充，学生上课时段、复习安排等多个方面建议意见，而这些建议意见基本都是要通过对动态数据分析给出的科学决策建议，所以现在的高等教育基本还是大众教育，没有利用信息技术的发展而开展的个性教育或者定制化教育。（5）现在部分从事数据分析和挖掘的企业也在慢慢重视教育大数据的分析，但目前这些企业一般还是从宏观层面对高校校园的数据进行统计分析，在综合分析方面和某一专业领域分析方面研发的还不够，这也就造成了目前一些高校上马的校情分析系统或者挖掘分析系统不能更好推广的原因之一。
4.数据融合实施的有利条件
数据融合实施的有利条件：（1）学校基本都建设了高速的有线无线校园网络，为师生员工提供了便利的网络环境，也为管理信息系统收集用户的行为数据提供了基础。（2）大数据、商业智能等技术日趋成熟，为校园大数据分析提供了技术保障。（3）经过长时间的运行，校园内的部分管理信息系统逐渐进入更新换代阶段，可以利用管理信息系统改造的机会添加一些行为数据收集的功能，为数据融合提供基础。（4）学校现在比较重视信息化建设，信息化与学校的教育教学融合逐渐深入。
三、高校实施数据融合及数据治理的探讨
1.实施思路
高校要实施数据融合，利用大数据对校园数据做深度处理和利用，首先要做好校园数据的治理，校园数据的治理包含两方面：（1）完善数据标准、规范，制定学校的主数据和元数据，明确数据源头，做好数据的收集，针对基本数据可以采用管理信息系统进行主要数据的收集，在线服务大厅（报表或者办事）平台进行额外的数据收集和补充。（2）提高数据质量，针对数据质量不高的数据采用逐步规范化的形式进一步完善，同时伴随信息系统建设和升级改造，牵引数据进一步规范化、标准化，提高数据质量。其次搭建好学校的基础平台，在学校基础平台方面建设好学校的数据中心、数据交换及监控管理平台、企业消息总线、业务流程平台、大数据平台、数据可视化平台、第三方开放平台，在此基础之上形成学校数据融合和利用的生态系统。最后做好校园数据服务的应用及监管，数据融合的最终目标是为学校各级管理和业务部门提供决策，为师生员工提供个性化的服务。
2.治理框架
根据上述数据融合的思考和探讨，文中设计高校校园数据治理的框架如图所示。该框架共划分为五个层次：数据层、交换层、平台层和展示层，同时利用标准、规章、制度和规范为数据治理提供保障。
在标准规范方面主要考虑：数据标准、主数据定义、元数据规范、数据接口规范、数据管理规程（含申请、使用、发布）以及数据安全规范。
数据层：主要是数据的存储，涵盖主数据、元数据、动态业务主题数据和管理信息系统数据。
交换层：数据交换及监控管理平台、企业消息总线，实现数据之间的交换和数据质量的治理。
平台层：主要包含业务流程平台、大数据平台、数据可视化平台、第三方开放平台，以满足上层的服务灵活应用，并构建校园数据治理和利用的大生态环境。
展示层：校园数据服务的应用及监管，数据融合的最终目标是为学校各级管理和业务部门提供决策，为师生员工提供个性化的服务。
四、数据融合及数据治理的未来趋势
根据目前信息技术领域互联网、大数据、云计算以及人工智能的技术发展趋势，势必将给高校的校园信息化建设带来深刻的变革。那么，文中在可以预见的几年内，高校校园数据融合及数据治理将会有如下变化：（1）高校校园数据在某一专业的业务领域将会建立数据挖掘及分析模型，针对某一方面对数据进行深度利用和挖掘，为管理决策提供支撑；（2）学校将会设置专门的数据分析岗位，该岗位的人员全面了解和管理高校校园数据，配合某一方面的数据挖掘分析师进行数据挖掘，根据数据挖掘分析师需要的数据进行全面支撑，同时将业务管理专家的意见和建议转化成数据以便数据挖掘分析师利用；（3）数据融合和利用到一定程度，开展定制化教育，更好地对管理者、教师和学生提供精准的决策服务，比如可以针对课程和对应的学生制定出教学方案，针对突出的学生制定出个性化的培养方案等等。
参考文献：
[1]池涛.从数字化校园到智能化校园[J].信息通信，2015（1）：97，98.
[2]王晓辉，郭楠，刘清榮.数字化校园的总体规划与建设[J].信息系统工程，2014（10）： 12-13， 18.
[3]张俊祥.“十二五”时代高校数字化校园建设——以首都经济贸易大学为例[J].信息技术与信息化，2014（4）： 305-308.
[4]高强.数字化校园建设问题分析及对策研究[J].无线互联科技，2014（5）： 119.
[5]李向民.数字化校园建设中若干问题及其对策[J].计算机光盘软件与应用，2014（9）： 228-229.
数据融合系统 篇12
瓦斯灾害是煤矿中最严重的灾害之一。长期以来,为了提高矿井生产的安全性,人们在矿井瓦斯监测方面使用了大量的传感器,获得的监测数据越来越多,也越来越复杂,导致传统的在监测数据和瓦斯浓度之间建立的映射关系方法已不能满足需求,同时由于监测环境的复杂性和传感器的不精确性,使得监测数据具有模糊性、不确定性、不精确性。如果将瓦斯监测数据处理过程看作为多元信息的融合过程,即对各种传感器给出的有用信息进行采集、传输、分析和合成,通过组合获得比任何单个输入数据源更准确的信息,达到传感器之间最佳协调的结果,这将为矿井的安全和工人的生命安全提供可靠的保障。因此,笔者提出一种采用BP神经网络数据融合的瓦斯监测方法对矿井瓦斯进行预测控制。
1 BP神经网络
反向传播网络(Back-propagation Network,简称BP神经网络)是对非线性可微分函数进行权值训练的多层网络。BP神经网络包含了神经网络理论中最精华的部分,由于其结构简单、可塑性强,得到了广泛的应用。特别是它的数学意义明确、步骤分明的学习算法更使其具有广泛的应用背景。
BP网络是一种具有3层或3层以上的多层神经网络,按有教师的学习方法进行网络训练。它的主要思想是把学习过程分为2个阶段:第一阶段(正向传播过程),当1对学习模式提供给网络后,网络神经元的激活值将从输入层经中间层向输出层传播并逐层处理、计算每个单元的实际输出值。传播过程中,每一层神经元的状态只影响网络下一层神经元,最后给出输出结果。如果实际输出与期望值不一致,则转入反向传播过程。第二阶段(反向传播过程),网络神经元按原来的路径,逐层递归地计算实际输出与期望输出之差值(即误差),以便根据该误差调节权值(权重)。按减少期望输出与实际输出之间误差的原则,将误差信号从输出层经过中间层返回到输入层,逐层修正各个神经元之间的连接权值(权重),逐次地向输入层传播,进行计算,再经过正向传播过程。这2个过程的反复运用,使得误差信号最小,网络学习过程就结束。由于权重的修正过程是从输出到输入逐层逆向进行的,所以这种学习算法又称为“误差逆传播算法”。
2 多传感器的数学模型
多传感器的数学模型如图1所示。
由于被测对象多为具有不同特征的非电量,如压力、温度、含量、速度等,因此首先要通过传感器转换电路将这些非电量转换成电信号,然后经过A/D转换将它们转换成能由计算机处理的数字量。数字化后的电信号由于环境等随机因素的影响,不可避免地存在一些干扰和噪音信号,通过预处理,采用滤波等方法滤除数据采集过程中的干扰和噪音,得到有用信号。预处理后的有用信号就送入融合中心进行数据融合,经过特征提取,并对某一特征量进行数据融合计算,最后输出融合结果。
3 系统结构及功能
基于BP神经网络数据融合的瓦斯监测系统以PC机为主机,以单片机系统和瓦斯、温度、风速、CO、粉尘和负压等参数信号构成的测量电路为分机,通过数据处理采集系统把井下瓦斯、温度、风速、CO、粉尘和负压等数据通过红外、超声波、感应等多传感器实时发送到监测中心。监测中心一方面及时显示各种监测参数;另一方面通过对多传感器数据的融合,预测井下环境。图2为基于BP神经网络数据融合的瓦斯监测系统结构框图。
(1) 监测传感器
监测传感器是矿井瓦斯监测系统的感知部分,它用来测量影响矿井安全的各种参量或判断设备、设施的运行状态,主要有甲烷传感器(CH4)、CO传感器、CO2传感器、氧气传感器、温度传感器、风速传感器、压力传感器及各种状态(开关)传感器等。
(2) 井下分站
对井下状态的直接监控是由各个井下分站实现的。各种监测传感器将现场的检测数据直接传送到井下分站中,井下分站进行分析处理,得到对井下状态的直接估计与判断。
井下分站收集、接收各种传感器送来的信号并进行整理,然后根据中心站的命令将各种监测参数和设施、设备的工作状态参数发送给中心站;接收中心站的控制信息,执行中心站的各种控制命令,控制所关联的设备、设施。
(3) 信息传输系统
井下分站和地面中心站的连接部分即是信息传输系统,它直接影响着信息的传输质量。
(4) 地面中心站
地面中心站由计算机和信号传输接口组成。信号传输接口将井下传来的信号解调送入计算机,而计算机则通过信息传输系统向井下各分站进行通信联系,发出指令,指挥各分站向中心站送回各种监测量。计算机通过显示屏显示各种数据。
4 数据融合算法
本文的多传感器数据融合算法分为两级:第一级采用分批估计理论对数据进行融合处理,以获得较为准确的测量结果,并为二级融合做准备;第二级融合采用BP神经网络方法对第一级的输出结果进行处理,以得出准确的结论,给出综合检测结果,并作出安全评定。
4.1 一级融合
一级融合主要是对各个参数的数据进行纵向的融合处理。由于本系统主要检测井下瓦斯、温度、风速、CO、粉尘和负压等参数,因此一级融合主要是对这些参数分别进行融合处理,以得出准确的监测结果。本系统采用分批估计理论对各个环境参数进行一级融合。
分批估计理论是对同一个检测量在不同位置的测量值进行融合处理的一种算法,它是在递推估计理论的基础上推导出来的。
对于1组特定的传感器,首先得出一致性测量数据,然后按照空间位置相邻的传感器不在1组的原则分为2组。
设第一组一致性数据为
undefined
第二组一致性数据为
undefined
2组测量数据的算术平均值分别为
undefined
相应的标准误差分别为
undefined
用undefined、undefined分别表示上一次测量的标准误差和融合结果,用undefined、undefined分别表示当前测量的标准误差和融合结果,undefined、undefined的初始值分别为∞和当前数据的平均值。
根据分批估计理论,处理后得到的方差为
undefined
式中:τ为数据的个数;H为测量方程的系数矩阵,
undefined
;R为测量噪声的协方差,且
undefined
将式(6)代入式(5),可得:
undefined
由分批估计理论导出的数据融合值为
undefined
将相关的R、H、undefined、undefined、undefined及代入式(8),得到融合结果为
undefined
这是经过一次融合的结果,当第二批数据到来时,将undefined、undefined分别代替下一次融合时的undefined和undefined,并利用式(5)和式(8),即可进行下一次的融合……
由上述可见,分批估计算法不光是在空间上的融合,而且在时间上也实现了融合。
4.2 BP神经网络算法的实现
一级融合算法采用分批估计理论得到了瓦斯、温度、风速、CO、粉尘和负压的比较精确的数据。二级融合算法就是把这些数据作为BP神经网络的输入,从而得出井下环境的安全状况信息。
(1) 滤噪层设计(隐层1)
井下瓦斯监测有瓦斯、温度、风速、CO、粉尘和负压多种传感器。不同的传感器有着不同程度的误差,而且不同传感器系统之间也存在着干扰特性,所以有必要消除输入数据噪声。在这里,滤噪部分采用1层滤噪网络层,它的权值对应以下滤噪矩阵:
undefined
式中:对角线元素中的Qi表示第i个传感器的精度,1-Qi表示所含有效值的程度;对角线以外权值Wij是将不同的干扰特性分别集中到传感器检测系统后的值,表示消除第j个传感器对第i个传感器的干扰所需的比例系数。
该滤噪矩阵可将已知的传感器相互之间的不良影响加以滤除,剩下接近被测量真值的测量值。神经网络输入端分别输入瓦斯、温度、风速、CO、粉尘和负压等数据,因此该层神经元数S1=6,该层用已有的滤波权值矩阵,无需训练。
(2) 中期融合层设计(隐层2和输出层)
隐层2的确定比较麻烦,既不能过大,也不能太小。笔者通过反复实验,确定隐层节点数取10为最佳,S2=10;由煤矿安全规程,井下的安全状况可分为安全、较安全、一般安全(危险)、较危险、危险等5个等级,故网络的输出节点为5个,输出层神经元数S3=5。
因BP神经网络要求对输入数据进行规格化处理,通常将各输入量在[0,1]之间进行规格化,由于隐层函数在[0,0.1]和[0.9,1]区间内变化极为缓慢,所以可将其各输入量归一化在[0.1,0.9]之间,最后,根据网络输出值与反归一化公式求出实际输出值,同时综合考虑到传感器加权后对网络输入数据的影响,要使归一化后的输入值仍落在[0.1,0.9]内,则利用归一化公式:
undefined
式中: α为归一化处理所定的区间下限; β为区间跨度。
(3) 对传感器进行加权处理
一个复杂的多传感器测量系统中,所测的物理量不同,传感器也不同,测量精度也有差别。因此,对于不同精度的传感器要给予不同的权值。精度高、可靠性好、抗干扰能力强的传感器要给予较大权值,以便在计算中给予更多的重视;可靠性程度低的传感器则给予的权值要小。
5 训练
BP神经网络的结构主要包括:(1) 网络的层数;(2) 每层的神经元数;(3) 初始权值的选取;(4) 学习速率;(5) 期望误差的选取。本文采用Matlab软件中的神经网络工具箱进行编程仿真演示。通过分析网络要求和比较不同参数的网络性能后,确定了以下参数:网络层数为3层网络;节点数为5-11-5结构;学习速率取lr=0.6;初始权值取[1]之间的随机数;期望误差取0.01;最大步数定为300步。BP神经网络的输入输出节点定义如表1所示。在本文中,应用人工神经网络进行两级融合,经一级融合后得到的井下各参数值作为神经网络的输入,进行两级融合后可得到对井下工况的评价。
经过查找大量文献和实地调研,笔者收集了20个矿井环境样本数据,根据所收集的样本数据进行了BP神经网络训练,确定了各层的节点阈值及
各层之间的连接权重,完成了BP神经网络的设计。
首先,制定BP神经网络训练的初始条件:
(1) 目标精度定为1e-006;训练速度为0.002maxlinlr(P);
(2) 对输入数值进行加权处理并归一化。
然后,开始对网络进行训练,获得最优解,如图3所示。
6 结语
本文针对井下瓦斯安全监测系统对多传感器数据处理方式单一、精确度低、不能完全反映井下安全状况的问题,提出了采用BP神经网络数据融合的方法,应用两级融合的方式,得到了全面、精确的多传感器数据,并通过仿真验证了该方法的可行性。
摘要：井下瓦斯监测系统为多传感器监测系统,它通过不同功能、不同精度、不同位置的传感器,对所需要的被测量进行多方位、多角度的测量。但是,目前对于多传感器所测的数据还没有一种通用的、行之有效的处理方法,井下瓦斯浓度的监测很难作到实时、精确。因此,文章提出了一种基于BP神经网络数据融合的瓦斯监测系统的设计方案,该方案采用改进的BP神经网络算法对多传感器数据进行融合,并采用两级融合的方式对数据进行处理,以得到井下环境特征。仿真结果表明,基于BP神经网络数据融合的瓦斯监测系统具有较高的测量精度,极大地提高了数据采集的可靠性、全面性和有效性。
关键词：矿井,瓦斯监测系统,传感器,数据融合,BP神经网络
参考文献
[1]YAGER R R.Fuzzy Modeling for Intelligent DecisionMaking under Uncertainty[J].IEEE Transactions onSystems,2000,30(1):60~70.
[2]何友,王国宏.多传感器信息融合及应用[M].北京:电子工业出版社,2000.
[3]梨洪生,史龙伟.多传感器融合技术在应变检测中的应用[J].测控技术,2004,23(10):8~10.