SCI论文（www.lunwensci.com）:
摘要：在实际工程应用中，为确保工程的安全、稳定、可靠运行，技术人员通常会使用大量传感器对工程进行监测，以此获得大量数据，之后对这些数据进行有效融合，以准确评估系统工程运行状态。数据库技术因其强大的数据处理能力得到了广泛应用，因此，本文主要分析数据库技术在数据融合中的作用与价值，以期推动实际工程应用向智能化方向迈进。
关键词：数据库技术；数据融合；实际工程应用
The Application of Database Technology in Data Fusion
Chen Zhangxiang
(School of Computer Engineering,Beihai Campus of Guilin University of Electronic Science and Technology，Beihai Guangxi，536007)
Abstract:In practical engineering applications,in order to ensure the safe,stable and reliable operation of the project,technicians usually use a large number of sensors to monitor the project,so as to obtain a large amount of data,and then effectively integrate these data to accurately evaluate the system engineering.Operating status.Database technology has been widely used because of its powerful data processing capabilities.Therefore,this paper mainly analyzes the role and value of database technology in data fusion,in order to promote practical engineering applications to move towards intelligence.Key words:database technology;data fusion;practical engineering application
一、引言
近年来，随着技术的不断发展，各种高性能传感器在实际工程中得到了广泛应用。例如，在对工厂各种机械的运行状态进行监测时，为了获得更多的机械工作性能信息，工作人员通常需要在现场布置大量不同类型的传感器，如电学传感器、声学传感器、振动传感器等，用这些传感器依次获取机械运行过程中产生的电信号、声信号及振动信号等信息[1]。又如，在电厂煤粉的输送监测中，为了得到煤粉输送时的速度、浓度、粒径和质量流量等输送状态参数，电厂通常会在煤粉输送管道上安装多种传感器，如静电传感器、声发射传感器、电容传感器等，通过多种传感器的结合应用来测量煤粉输送的状态参数。
因此，如何高效处理多种传感器测量所得的大量信息，对相关领域而言，已成为一个急需解决的问题。当下，数据融合技术作为一个研究热点，智能制造、交通管制及目标跟踪与分类等众多领域已经逐步开始应用该技术。另外，数据量的剧增会导致数据冗余、数据不一致、数据关联性差等问题，传统的文件管理系统已不再具有安全性、实时性及灵活性。随着计算机软硬件性能的不断提升，数据库技术得到了广泛应用，它具有很高的数据独立性和卓越的数据操纵功能，能为用户提供便捷的数据接口，从而极大程度地提高系统的灵活性。因此，本文将重点探究数据库技术与数据融合技术的结合，以提高数据融合的准确性及可靠性[2]。
二、数据融合的基本原理
数据融合是指对来自不同信号源的数据进行自动检测、关联、相关及估计的融合处理的过程。其基本原理与智能机器人借助大量传感器获取周边环境情况类似。具体而言，智能机器人在获取障碍物的种类、尺寸、距离等信息后，可对其进行综合处理，使这些信息在时间或空间上互补，并能将冗余的数据根据某种规则组合起来，做出准确判断并执行相关动作[3]。
人们可根据实际需要在不同层次上进行数据融合，并可根据信号处理的复杂度进行区分与融合，从简单到复杂可以依次分为数据层(像素层)、特征层及决策层。
(一)数据层融合
数据层融合又称像素层融合，是指对传感器获得的初始观测数据进行关联、融合等处理，然后有效提取初步处理后的数据，通过特征分析作出合理的结果估计。不过，这个层次的融合要求传感器必须是同质的，即数据的数量级必须是一致的，对传感器的类别有严格的限制。数据层融合的优点是能最大程度地保留原始观测数据的所有相关特征，因此，其结果失真度较小。另外，相比其他层次的融合(特征层融合或决策层融合)来说，数据层融合得到的结果包含的被测对象特征信息更加丰富详细，且精度高。然而，它的缺点也很明显，即该层次的融合需要处理的数据量极大，处理代价高、耗时长，且原始观测数据的信噪比较低，需要系统具有较好的稳定性及鲁棒性。
(二)特征层融合
特征层融合是指对各传感器获得的初始观测数据进行去均值化、白化、稀疏化等预处理，然后对预处理得到的相关特征信息进行进一步的详细分析，如聚类分析、源信号重构、信号拟合等。虽然特征层融合处理的信息量不大，对通信带宽要求也不高，但是会丢失部分原始信息，结果的准确性也会下降。
由此可见，对数据进行特征层融合能够实现对原始观测数据的降维，不仅能极大减少数据处理的复杂度，还能有效剔除原始观测数据中包含的一些噪声。特征层融合的主要缺点是对初始观测数据进行预处理后，会不可避免地导致一些有效信息被过滤掉，从而可能对最终的结果造成影响。
(三)决策层融合
数据融合的最高层次是决策层融合，这也是最复杂的融合。它会先分别对每个传感器获得的观测数据进行处理，以得到每个传感器获取的独立估计结果，然后将每个传感器得到的估计结果综合起来，对其进行再次融合。因此，决策层融合必须做好单个传感器测量结果的估计，倘若其中一些传感器的估计结果不准确，则会对最终的结果产生严重影响。最后，选取合适的融合算法十分关键，其有助于对每个估计结果作出合理的权重分配。
由此可见，对数据进行决策层融合，优势在于决策层融合能充分利用每一个传感器得到的估计结果，因此，只要后续的融合算法选取合理，该层融合就基本上不会受一两个错误估计的影响。换言之，它的容错能力较强。正因如此，决策层融合适用于多种不同类型传感器的数据融合，其主要缺点是数据处理比较复杂，由于要对每一个传感器进行结果估计，因此错误估计率会显著增加。
三、数据库技术简述
数据库技术是指将所有关于某个对象的有效特征数据构建起来，然后将其作为一个独立的整体存放于计算机存储器中的技术。数据库能在线、实时地为某个特定的对象而服务，并把所有数据集中在一起，由此，我们可以进一步通过软件对这些数据进行统一控制和管理。比如，对数据进行增加、删除、替换和检索等操作。因此，针对数据库建立管理系统具有重要意义，只有依托管理系统，我们才能对数据库进行有效操作。当前，根据不同的设计原理，人们主要开发了四种类型的数据库，分别为层次型数据库、网状型数据库、关系型数据库及面向对象型数据库。
(一)层次型数据库
层次型数据库是最早开发的一种数据库，该数据库引用树形结构来表示不同类型数据及同类型数据之间存在的联系。比如，在我们的实际生活中，文本数据、图片数据、视频数据等多种不同类型的数据之间存在着附属关系，即层次关系。
(二)网状型数据库
网状型数据库是指应用网状结构来表征不同类型数据或同类数据之间存在的联系的系统。该数据库在实际应用中得到了广泛普及。
(三)关系型数据库
关系型数据库与上述两种数据库不同，它建立在严格的数学基础之上。关系型数据库的建立涉及三个部分，即数据结构、数据操作及数据关系。
(四)面向对象型数据库
面向对象型数据库与上述三种数据库之间存在显著差异，其设计原理是采用面向对象的方式来表征不同数据之间的联系。
上述提及的四种数据模型关注的焦点是稳定不变的数据，其设计思想以保证数据的完整性、一致性为主，但是这些数据模型忽略了数据处理的时序性。因此，这些数据模型在时序约束很强的场合下往往难以发挥作用。于是，根据实际的需求，人们还开发了一种针对在线处理的实时型数据库。
图1数据融合数据库设计方案
实时型数据库就是数据处理与时序密切相关的数据库，很多时候，我们在进行数据处理时，不仅要保证结果的准确性，还要保证每一个结果对应时序的正确性。
此外，在实时型数据库中，数据通常会随着外部环境的变化而发生变化，因此，我们必须尽力保证数据库内部状态和系统外部实际状态的一致。四、数据库技术在数据融合中的应用
当前，在实际工程应用中，安装的传感器越来越多，由此得到的数据也越来越庞大。在数据融合时，必须调用这些相关数据，而这些数据的存储与调用方式会直接影响数据融合的效果。而传统的数据保存方法(如数据文件保存)已很难满足数据融合的需要，因此，我们急需一个高效、完整且能快速索引和查询的数据库系统。
在实际工程中，为更好地掌控现场的工作情况，通常需要持续进行在线采集数据。然而，现场任何一个工况参数的变化都可能引起采集数据的变化。同时，由于现场采用的传感器涉及的类型较多，数据类型十分复杂，包括文本类数据、图片类数据及演绎推理数据等。而且，由于是在线采集，数据采集对实时性的要求也比较高。综上所述，针对数据融合设计的数据库，必须尽可能达到以下四个要求：一是尽可能提供高度准确的数据表征；二是尽可能降低数据库的冗余性；三是尽可能提高数据的操作效率；四是尽可能支持数据融合算法的实现。为实现以上四个要求，本文采取的是一种自顶向下设计的数据库，即将实时数据库与数据融合处理模块由上至下有机结合起来，以此实现整体的优化。具体方案如图1所示。
图1中，S1、S2、Sn表示各个传感器，当传感器采集到目标信息时，需将目标信息存入实时数据库，并由数据融合管理系统进行控制，从实时数据库读取数据后，再进行滤波跟踪等信号处理工作，最后根据融合结果进一步优化传感器的数据采集。其间，需将信号处理后的结果估计保存到实时数据库，以供下一阶段的工作参考。在融合过程中，需要定期将实时数据库中暂时不需要的数据移出并转存到历史数据库以作备用。在这一过程中，由于历史数据库保存的数据都是离线数据，因此需选择成熟的大型商用数据库开发的历史库，并根据实际需求开发一个满足要求的实时库。实时库具有十分重要的作用，许多数据融合时引入的机器学习、在线学习都离不开在线实时数据的支撑。此外，在实际应用中，稳定的时不变系统几乎不存在，大多是时变系统，因此也需要实时库给予支撑。
五、结语
针对实际应用中存在的大量数据融合问题，本文主要研究了基于数据库技术的数据融合。将数据库和数据融合进行一体化设计可以极大程度地提高数据融合的准确性、有效性及可靠性，能为工程现场的在线持续监测提供支持，也能推动工程应用向智能化方向迈进。
【参考文献】
[1]陈益林，田正芳，侯德政，等.数控镗刀磨损与破损的声发射监测法[J].机床与液压，2012(10).
[2]Kious M,Ouahabi A,Boudraa M.Detection process approach of tool wear in high speed milling[J].Measurement,2010(3).
[3]Mannan M A,Ashraf A K,Ma J.Application of image and sound analysis techniques to monitor the condition of cutting tools[J].Pattenr Recognition Letters,2000(11).
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/45056.html
