基于多传感器数据融合的智慧建筑空间占用检测技术研究.pdf

摘要

物联网、云计算等技术的发展推动了传统建筑向智慧建筑的转换。然而，智慧建筑存在

庞大的能源消耗问题也亟须解决。大量研究表明，实现建筑节能的关键在于如何基于人员占

用信息对建筑能源进行分配。因此，获取指定区域内的人员占用信息对智慧建筑节能目标的

实现具有重要意义。目前，主流的人员占用感知方案往往采用单一传感器数据作为信息源，

然而，由于这些方案的占用感知精度极大依赖于某一传感器数据的可靠性，因此采集到的异

常数据会严重影响占用感知的结果。考虑到单一信息源无法满足人员感知方案对数据源的高

可靠性、高准确性等方面的需求，本文采用多传感器数据融合方案进行人员占用感知，并且

并通过大量的实验验证了该方法的有效性。另外，在整个人员占用感知过程中，能够有效评

估数据源的质量以及融合出具有可靠性、代表性的环境因子也是非常重要的环节，因此本文

针对上述两个环节分别提出了两种高性能方案。本文开展的主要工作内容如下：

（1）为了提高智慧建筑传感器网络(WirelessSensorNetworks,WSN)甄别传感器异常数

据的能力，本文从横向检测与纵向检测两个维度对传感器网络采集到的数据进行异常值甄别

工作。实验表明，该方案有效提高了数据异常检测的精度，且为后续的异常值修正工作提供

了标准的修正对象（异常值）与参考数据（正常值）。

（2）针对面积较大的人员监测区域难以从大量传感器数据中获得可靠且能够描述整个

室内状态的环境因子的挑战，首先提出了一种改进的径向基神经网络(RadialBasisFunction,

RBF）预测模型对检测出的异常值进行修正处理，以此来提高各环境因子的可靠性。其次，

将修正后的同质数据通过改进的归一化加权平均算法进行数据融合（一级融合），从而获取

可靠性高且具有代表性的环境因子。

（3）针对人员占用检测过程中难以利用多重异构数据做出决策的问题，本文将D-S

（Dempster–Shafer）证据理论引入到人员占用信息评估中，通过对异构数据源进行决策融合

（二级融合）来获取高精度的人员占用信息。另外，本文结合层次分析法（Analytic

HierarchyProcess,AHP）解决了D-S证据理论的高冲突问题，进一步提高了人员占用检测结

果的准确性和鲁棒性。

关键词：多传感器信息融合，异常数据检测，神经网络，D-S证据理论

I

ABSTRACT

ThedevelopmentoftechnologiessuchasInternetofThings,cloudcomputinghaspromotedthe

transformationoftraditionalbuildingsintosmartbuildings.However,theissueofenormousenergy

consumptioninsmartbuildingsalsoneedstobesolvedurgently.Nowadays,thekeytoachieving

buildingenergyefficiencyliesinhowtoallocatebuildingenergybasedonoccupancyinformation.

Therefore,insmartbuildings,obtainingoccupancyinformationofspecificareasisofgreat

significanceforachievingenergy-savinggoals.Currently,mainstreamoccupancyperception

solutionsoftenuseasingledataastheinformationsource.However,since