第五章 物联网关键技术

5.1  感知技术

    感知功能是构建整个物联网系统的基础。感知功能的主要关键技术包括传感器技术和信息处理技术。其中，传感器技术涉及到数据信息的收集，信息处理技术涉及到数据信息的加工和处理。下面逐一、具体地介绍各项技术的要点。

    5.1.1  传感器技术

    1．传感器技术简介

    传感器处于观测对象和测控系统的接口位置，是感知、获取和监测信息的窗口，如果说计算机是人类大脑的扩展，那么传感器就是人类五官的延伸，有人形象地称传感器为“电五官”。
    传感器技术是半导体技术、测量技术、计算机技术、信息处理技术、微电子学、光学、声学、精密机械、仿生学和材料科学等众多学科相互交叉的综合性和高新技术密集型的前沿研究之一，  是现代新技术革命和信息社会的重要基础，是现代科技的开路先锋，也是当代科学技术发展的一个重要标志，它与通信技术、计算机技术共同构成信息产业的三大支柱。
    美国和日本等国家都将传感器技术列为国家重点开发关键技术之一。美国国家长期安全和经济 繁荣至关重要的22项技术中有6项与传感器技术直接相关。美国空军2000年列举出15项有助于提 高21世纪空军能力的关键技术，传感器技术名列第二。日本对开发和利用传感器技术相当重视， 并将其列为国家重点发展核心技术之一。日本科学技术厅制定的20世纪90年代重点科研项目中有 70个重点课题，其中有18项与传感器技术密切相关。
    正是由于世界各国普遍重视和开发投入，传感器发展十分迅速，在近十几年来其产量及市场需求年增长率均在10%以上。

    2．传感器的定义、组成和分类

    “传感器是能感受规定的被测量、并按照一定的规律将其转换成可用输出信号的器件或装置”（引自国家标准GB7665-87）。从广义上讲，传感器是获取和转换信息的装置。在某些领域中又称为敏感元件、检测器、转换器等。
    通常传感器由敏感元件和转换元件组成。其中，敏感元件是指传感器中能直接感受或响应被测 量的部分，而转换元件是指传感器中将敏感元件感受或响应的被测量转换成适于传输或测量的电  信号的部分。一般这些输出信号都很微弱，因此需要有信号调理与转换电路将其放大、调制等。     目前随着半导体技术的发展，传感器的信号调理与转换电路可以和敏感元件一起集成在同一芯片上。一般传感器组成框图如5-1所示。

    传感器种类繁多，可按不同的标准分类。按外界输入信号转换为电信号时采用的效应分类，可分为物理、化学和生物传感器；按输入量分类，可分为温度、湿度、压力、位移、速度、加速度、角速度、力、浓度、气体成分传感器等；按工作原理分类，可分为电容式、电阻式、电感式、压电式、热电式、光敏、光电传感器等。表5-1给出了常见的分类方法。

 

    3．传感器性能指标

    传感器在稳态信号作用下，其输入输出关系称为静态特性。衡量传感器静态特性的重要指标是线性度、灵敏度、重复性、迟滞、分辨率和漂移。
    （1）线性度
    传感器的线性度就是其输出与输入量之间的实际关系曲线偏离直线的程度，又称为非线性误差。线性度定义为全量程范围内，实际特性曲线与拟合直线之间的最大偏差值与满量程输出值之比。
    实际使用中，几乎每一种传感器都存在非线性。因此，在使用传感器时，必须对传感器输出特性进行线性处理。
    （2）灵敏度
    传感器的灵敏度是其在稳态下输出增量与输入增量的比值。
    （3）重复性
    重复性表示传感器在按同一方向作全量程多次测试时，所得特性不一致性的程度。多次按相同输入条件测试的输出特性曲线越重合，其重复性越好，误差也越小。
    传感器输出特性的不重复性主要由传感器机械部分的磨损、间隙、松动、部件的内摩擦、积尘以及辅助电路老化和漂移等原因产生。
    （4）迟滞
    迟滞特性表明传感器在正向（输入量增大）行程和反向（输入量减小）行程期间，输出输入特性曲线不重合的程度。
    （5）分辨率
    传感器的分辨率是在规定测量范围内所能检测输入量的最小变化量。
    （6）漂移
    传感器的漂移是指在外界的干扰下，输出量发生与输入量无关的、不需要的变化。漂移包括零点漂移和灵敏度漂移等。
    零点漂移或灵敏度漂移又可以分为时间漂移和温度漂移。时间漂移是指在规定的条件下，零点或灵敏度随时间的缓慢变化；温度漂移为环境温度变化而引起的零点或灵敏度的漂移。

    4．物理传感器

    物理传感器是检测物理量的传感器。它是利用某些物理效应，将被测的物理量转化成为便于处理的能量信号的装置。下面以电阻应变式传感器、压电式传感器、光纤传感器作为物理传感器的代表进行介绍。
    （1）电阻应变式传感器
    电阻应变式传感器以应变效应为基础，利用电阻应变片将应变转换为电阻变化。传感器由粘贴在弹性元件上的电阻应变敏感元件组成，当被测物理量作用在弹性元件上，弹性元件的变形引起应变敏感元件的阻值变化，通过转换电路转变成电量输出，电量变化的大小反映了被测物理量的大小。
    电阻应变片作为应力检测手段已有50年历史，应用最多的是金属电阻应变片和半导体应变片两 种，最大特点是使用简便、测量精度高、体积小和动态响应好，在测量各种物理量如压力、转 矩、位移和加速度等的传感器中被广泛采用。但缺点是电阻值会随温度变化而变化，易产生误 差。随着技术发展，人们发明了很多温度补偿方法，使电阻应变式传感器的准确度有了极大提 高，得到广泛应用。
分页

    （2）压电式传感器
    压电式传感器以某些物质所具有的压电效应为基础，在外力作用下，在电介质的表面上产生电 荷，从而实现非电量测量。压电传感元件是力敏感元件，所以它能测量最终能转换为力的那些物 理量，例如力、压力、加速度等。压电效应分为正压电效应和逆压电效应两种。
    正压电效应也可以叫做顺压电效应。某些电介质，当沿着一定方向对其施力而使它变形时，内 部就产生极化现象，同时在它的一定表面上产生电荷，当外力去掉后，又重新恢复不带电状态。 当作用力方向改变时，电荷极性也随着改变。
    逆压电效应也可以叫做电致伸缩效应。当在电介质的极化方向上施加电场，这些电介质就在一 定方向上产生机械变形或机械压力，当外加电场撤去时，这些变形或应力也随之消失。
    压电式传感器具有响应频带宽、灵敏度高、信噪比大、结构简单、工作可靠、重量轻等优点。 近年来，由于电子技术的飞速发展，随着与之配套的二次仪表以及低噪声、小电容、高绝缘电阻 电缆的出现，使压电传感器的使用更为方便。因此，压电式传感器在工程力学、生物医学、石油勘探、声波测井、电声学等许多技术领域中获得了广泛的应用。
    （3）光纤传感器
    光纤传感器是20世纪70年代中期发展起来的一种基于光导纤维（Optical Fiber）的新型传感 器。光纤传感器以光作为敏感信息的载体，将光纤作为传递敏感信息的媒质，它与以电为基础的 传感器有本质区别。光纤传感器的主要优点包括电绝缘性能好、抗电磁干扰能力强、非侵入性、  高灵敏度和容易实现对被测信号的远距离监控等。
    光纤传感器的分类方法很多，以光纤在测试系统中的作用，可以分为功能性光纤传感器和非功 能性光纤传感器。功能性光纤传感器以光纤自身作为敏感元件，光纤本身的某些光学特性被外界 物理量所调制来实现测量；非功能性光纤传感器是借助于其他光学敏感元件来完成传感功能，光 纤在系统中只作为信号功率传输的媒介。
    根据光受被测量的调制形式，光纤传感器可以分为强度调制光纤传感器、偏振调制光纤传感器、频率调制光纤传感器和相位调制光纤传感器。

 5．化学传感器

    化学传感器必须具有对被测化学物质的形状或分子结构进行俘获的功能，同时能够将被俘获的化学量有效地转换为电信号。下面以气体传感器和湿度传感器作为化学传感器的代表进行介绍。
    （1）气体传感器
    气体传感器是指能将被测气体浓度转换为与其成一定关系的电量输出的装置或器件。气体传感器必须满足下列条件：
    能够检测爆炸气体的允许浓度、有害气体的允许浓度和其他基准设定浓度。
    对被测气体以外的共存气体或物质不敏感。
    性能长期稳定性好。
    响应迅速，重复性好。
    气体传感器从结构上区别可以分为两大类，即干式和湿式气体传感器。凡构成气体传感器的材 料为固体者均称为干式气体传感器；凡利用水溶液或电解液感知被测气体的称为湿式气体传感器。气体传感器通常在大气工况中使用，而且被测气体分子一般要附着于气体传感器的功能材料  表面且与之发生化学反应。正是由于这个原因，导致气体传感器可以归属于化学传感器。
    气体传感器主要包括半导体传感器、红外吸收式气敏传感器、接触燃烧式气敏传感器、热导率变化式气体传感器和湿式气敏传感器等几种。
    （2）湿度传感器
    湿度传感器是指能将湿度转换成为与其成一定比例关系的电量输出的装置。湿度传感器包括电 解质系、半导体及陶瓷系、有机物及高分子聚合物系3大系列。
    电解质系湿度传感器包括无机电解质和高分子电解质湿敏元件两大类。感湿原理为不挥发性盐 溶解于水，结果降低了水的蒸气压，同时盐的浓度降低导致电阻率增加。通过对电解质溶解液电 阻的测试，即可知道环境的湿度。
    半导体及陶瓷湿度传感器按照制作工艺，可以分为涂覆膜型、烧结体型、厚膜型、薄膜型及MOS型等。
    有机物及高分子聚合物湿度传感器的原理在于有机纤维素具有吸湿溶胀、脱湿收缩的特性。利用这种特性，将导电的微粒或离子参入其中作为导电材料，就可将其体积随环境湿度的变化转换为感湿材料电阻的变化。典型代表有碳湿敏元件和结露敏感元件。
 

分页

    6．生物传感器

    生物传感器通常将生物物质固定在高分子膜等固体载体上，被识别的生物分子作用于生物功能性人工膜时，会产生变化的电信号、热信号、光信号输出。生物传感器中固定化的生物物质包括酶、抗原、激素以及细胞等。
    酶传感器主要由固定化的酶膜与电化学电极系统复合而成。酶的催化具有高度的专一性，即一 种酶只能作用于一种或一类物质，产生一定的产物。酶传感器既有酶的分子识别功能和选择催化  功能，又具有电化学电极响应快、操作简便的优点。
    微生物传感器是以活的微生物作为分子识别元件的传感器。主要工作原理有利用微生物体内含 有的酶识别分子；利用微生物对有机物的同化作用；利用微生物的厌氧性特点等。微生物传感器  尤其适合于发酵过程的测定。
    免疫传感器是由分子识别元件和电化学电极组合而成。抗体或抗原具有识别和结合相应的抗原或抗体的特性。在均相免疫测定中，作为分子识别元件的抗原或抗体分子不需要固定在固相载体上，而在非均相免疫测定中，则需将抗体或抗原分子固定到一定的载体上，使之变成半固态或固态。

    7．MEMS传感器

    MEMS（Micro-Electro-Mechanical Systems）是微机电系统的缩写，MEMS技术建立在微米/纳米基础上，是对微米/纳米材料进行设计、加工、制造、测量和控制的技术。完整的MEMS是由微传感器、微执行器、信号处理和控制电路、通信接口和电源等部件组成的一体化的微型器件系统。
    MEMS传感器能够将信息的获取、处理和执行集成在一起，组成具有多功能的微型系统，从而大幅度地提高系统的自动化、智能化和可靠性水平。它还使得制造商能将一件产品的所有功能集 成到单个芯片上，从而降低成本，适用于大规模生产。
    MEMS传感器首先在物理量测量中获得成功，代表为微机械压力传感器。目前，以膜片为压力 敏感元件的硅机械压力传感器已经占据了压力传感器市场的很大份额，具有体积小、重量轻和批 量化生产的特点。MEMS技术进一步在加速度、角速度、温度等其他物理量测量上得到了迅速的 推广。
    MEMS加速度传感器主要应用于测量冲击和振动。例如，在笔记本电脑里内置加速度传感器，  动态监测笔记本的振动情况，在颠簸环境甚至坠落情况下最大程度减小硬盘的损伤；在相机和摄  像机中内置加速度传感器可以监测手部的振动，并根据这些振动，自动调节相机的聚焦。
    MEMS陀螺仪能够测量沿一个轴或几个轴运动的角速度，是补充MEMS加速度传感器功能的理 想技术。如果组合使用加速度计和陀螺仪这两种传感器，系统设计人员就可以跟踪并捕捉三维空 间的完整运动，为最终用户提供现场感更强的用户使用体验、精确的导航系统以及其他功能。

    5.1.2  信息处理技术

    在物联网应用系统中，传感器提供了对物理变量、状态及其变化的探测和测量所必需的手段，而对物理世界由“感”而“知”的过程则由信息处理技术来实现，信息处理技术贯穿由“感”而“知”的全过程，是实现物联网应用系统物物互联、物人互联的关键技术之一。

    1．信息处理技术一般性描述

    信息处理技术所涉及的内容和范围极其广泛，它可以泛指任何对数据或信息进行操作的方法和过程。从目标上看，信息处理技术以高效能地实现信息的转换、传输、发布和使用等为目标。从实现方法和技术手段上看，信息处理技术既可以采用串行或并行方式，也可以基于集中式或分布式的机制来实现。
    在物联网应用系统中，信息处理指基于多个物联网感知互动层节点或设备所采集的传感数据， 实现对物理变量、状态、目标、事件及其变化的全面、透彻感知，以及智能反馈、决策的过程。 物联网中信息处理技术面临数据多源异构、环境复杂多样、目标混杂及突发事件的不确定性等技术挑战。
    从概念上说，信息处理技术涵盖数据处理、数据融合（Data Fusion）、数据挖掘（Data  Mining）、数据整合（Data Integration）等诸多技术领域，信息处理可以泛指上述任何一个技术 领域，在有明确上下文的情况下，信息处理甚至可与这些名词互换使用。

    2．数据融合的JDL模型

    数据融合作为主要的信息处理技术之一，在信息系统设计中具有至关重要的作用，在一些文献 中它也被称为“信息融合（Information Fusion）”。尽管对这门交叉学科已有二三十年的研究历史，但至今仍没有一个被普遍接受的定义，其主要原因是其应用面非常广泛，各行各业均按自己  的理解给出不同的定义。
    目前能被大多数研究者接受的有关数据融合或信息融合的定义是由美国三军实验室理事联合会 JDL（Joint Director of Laboratories）提出的。JDL从军事应用的角度认为，数据融合是一种多层 次、多方面的处理过程，包括对多源数据进行检测、相关、组合和估计，从而提高状态和身份估 计的精度，以及对战场态势和威胁的重要程度进行适实完整的评价。
    JDL在给出数据融合定义的同时，提出了一个数据融合的层次模型，即数据融合的JDL模型。图5-2给出了JDL模型的示意图，可以看到，在JDL模型中，数据融合可以分为5个不同的处理级别，预处理级（Level 0: Sub-Object Assessment）、目标评估级（Level 1: Object   Assessment）、态势评估级（Level 2: Situation Assessment）、影响评估级（Level 3: Impact Assessment）和过程优化级（Level 4: Processing Refinement），一般认为，前两个处理级别属于数据融合的低级层次，以数值计算过程为主；后三个处理级别属于数据融合的高级层次，主要采用基于知识及知识推理的方法为主。

    表5-2给出了数据融合的JDL模型中不同处理级别所需完成的估计过程及其结果的对照表，如态势评估级主要完成实体间关系状态的估计过程。

    获取正确的物理世界信息是物联网应用系统设计的基础目标之一，数据融合是实现这一目标的关键。由于系统资源等限制条件，直接将数据融合的JDL模型运用于物联网系统设计较为困难。尽管如此，物联网系统中信息处理技术仍可以充分借鉴JDL模型层次化处理的思想进行设计，以满足不同的应用需求。
 

分页

    3．数据融合的I/O模型

    Dasarathy等人基于信息/数据融合过程的输入数据类型和输出数据类型的不同，提出了一个描述信息/数据融合的I/O功能模型，图5-3给出了一个简化的Dasarathy数据融合I/O模型。
    可以看到，模型中输入和输出分别对应着数据（Data）、特征（Feature）和目标（Object）3 种不同的类型，不同的输入类型和输出类型的组合则对应着不同的信息/数据融合过程类别。  Dasarathy等人对对角线及其附近位置（对应图中阴影部分）的信息/数据融合过程类别进行了描 述，如数据输入-数据输出类（DAI-DAO）、数据输入-特征输出类（DAI-FEO）、特征输入-特征 输出类（FEI-FEO）、特征输入-目标输出类（FEI-DEO）、目标输入-目标输出类（DEI-DEO）等。
    与数据融合的JDL模型比较，Dasarathy数据融合I/O模型中的数据、特征两类输出类型对应的信息/数据融合过程对应于JDL模型中的Level 0处理级别，而目标输出类型对应的信息/数据融合过程对应于JDL模型中的Level 1处理级别。

 

    Dasarathy数据融合I/O模型可以进一步扩展其输入输出数据类型，使其与JDL模型中的Level 0至Level 4处理级别对应起来，即可将输入输出类型扩展为6类：数据（Data）、特征（Feature）、目标（Object）、关系（Relation）、影响（Impact）、响应（Response），而信息/数据融合过程类别则可扩展至包括目标输入-关系输出（DEI-RLO）、关系输入-影响输出（RLI-IMO）等。

    4．物联网感知互动层中信息处理关键技术

    从体系架构上看，信息处理技术无论在物联网感知互动层还是应用服务层均承担着支撑性的作用。在物联网感知互动层，信息处理技术主要完成传感器数据预处理、目标/事件探测、目标特征提取优化、数据聚合等功能，借助信息处理技术，物联网感知互动层还可以初步完成对目标属性的判断甚至给出对目标状态的简单预测信息。在物联网应用服务层，信息处理技术主要完成知识生成获取、态势分析、信息挖掘、数据搜索以及实现信息反馈决策等功能。下面对物联网感知互动层中信息处理过程所采用的一些关键技术进行简述。
    （1）数据预处理技术
    数据预处理技术是指将传感器获得的原始信号或原始数据进行操作，完成数据归一化、噪声剔 除抑制、数据配准和信号分离等处理过程。数据预处理为后续特征提取、模式识别、决策融合的 实施提供条件。以信号分离为例，信号分离是将混叠的多个独立目标或事件信号分离开来的数据/  信号预处理技术。“鸡尾酒会问题”是一个比较经典的信号分离问题，它描述了人可以在嘈杂环境 中识别自己感兴趣声音的能力。与此对照，盲源信号分离（Blind Source Separation，BSS）技术   就是研究在未知系统的传递函数、源信号的混合系数及其概率分布的情况下，从混合信号中分离   出独立源信号的技术。图5-4给出了盲源信号分离问题示意图。

    （2）特征提取技术
    特征提取技术是通过提取表示某一特定模式结构或性质的特征，并采用一个特定的数据结构对其进行表示的过程。从概念上说，特征提取技术包括特征生成技术、特征选择技术和特征变换技术，其中特征选择和特征变换可实现特征维数的消减。表5-3给出了一些典型的特征及对应的特征生成算法。

    （3）模式识别技术
    模式识别技术是对来自感知互动层传感节点或设备感知的信号（如振动、声响、图像、视频等）进行分析，进而对其中的物体对象或行为进行判别和解释的过程。事实上，作为人和动物获 取外部环境知识，并与环境进行交互的重要基础，模式识别普遍存在于人和动物的认知系统。
    物联网应用系统的目标之一就是要实现对物理世界的全面透彻感知，因此，模式识别技术在物 联网感知互动层信息处理过程中具有不可缺少的重要作用。从方法学上看，模式识别可以分为基 于统计的模式识别方法和基于结构句法的模式识别方法。从算法实现上看，模式识别算法可以分 为有监督学习的方法和无监督学习的方法。表5-4给出了常用的模式识别算法。

    模式分类是模式识别的核心内容，目前已有大量的模式分类方法，如决策树、人工神经网络、支持向量机等。Jain等人把分类器分为3种类型：基于相似度或者距离度量的分类器、基于概率密度的分类器和基于决策边界的分类器。
    （4）决策融合技术
    相对于数据融合和特征融合而言，决策融合是一种高层次的融合，每一种传感器基于自身的数据做出局部或者单一决策，然后在融合中心完成融合处理。
    决策融合给出有关目标身份和类别的最终结果，因此融合结果的好坏直接影响决策水平。决策 融合处理的是各个参与决策的实体（可以指传感器或节点等）产生的局部决策数据，所处理的数 据量最少，因而对于通信量的要求也最小，而局部决策数据的精度则对最终融合结果有直接的影响。
    基于多分类器的决策融合是一类具有代表性的物联网感知互动层决策融合技术，可以适用于物 联网的分布式计算环境。基于多分类器的决策融合方法按有无训练过程可以分为无需训练的融合 和基于训练的融合两大类。这里的训练指的是将各个单分类器的决策结果进行融合以得到最终决 策时可能采用的过程，不是指各单分类器完成自身局部决策时可能需要的训练过程。
    无需训练的融合算法包括：多数投票法、最大（最小、均值和乘积）法等。基于训练的融合方 法则包括简单Bayes法、BKS方法、概率乘积法、模糊积分法、基于判决模板（Decision   Template）法等。上述决策融合方法对于多分类器中各单分类器的输出结果类型的可适用性、分  类器间相关性等方面均有所不同，算法复杂程度亦有差别，以下选择一些典型方法进行介绍。
    多数投票法（Majority Voting）：多数投票法是最简单的一类融合方法，在一些应用场合却相当有效。该方法无需任何训练过程，但这种算法通常假设各分类器间满足相互独立性。
    最大值（最小值、均值和乘积）法（Maximum、Minimum、Average、Product）：这类方法通过一个函数f作用于多分类器系统中各单分类器输出的决策结果，根据f的计算结果得到系统的最终决策。这种方法同样无需任何训练过程。
    BKS（Behavior-Knowledge Space）法：这种融合方法是一种基于查找表的方法，BKS