基于改进Kalman的传感器数据加权处理算法

陈艳春，达钰鹏

(1.石家庄铁道大学，河北 石家庄 050043；2.河北省人力资源和社会保障厅信息中心，河北 石家庄 050071)

0 引 言

任何传感器的测量都是带有误差的，误差产生的原因既有设备本身的问题，在数据采集过程中，如受传感器老化，也有转换器以及无线电传输过程中的干扰，使得接收数据中经常会产生异常跳变点，这种偏离的数据点被称为异常值[1]。异常值分为两类，一种是孤立的虚假异常值，这类异常值一般是孤立出现，属于噪音的一种；另一种是真实的异常值，这类异常值一般连续出现，反映观测对象发生异常变化。

在物联网监测中，为了兼顾计算成本和计算量，常常采用SPC、PCA等方法对建筑等监测对象进行异常识别[2-3]。此类基于统计的方法可以基于历史数据实现对异常的识别，其理论基础是经过实践检验的[4]。但这类算法对输入数据的准确性要求较高，直接使用未经处理的原始数据极易发生误报。同时，因为使用场景的不同，很多传感器的观测误差存在周期性变化，处理算法如果采用静态参数，则无法拟合周期性变化。

为了解决实时监控中由于虚假异常值出现产生的误报问题，常用的手段有两个[5-6]。一是在同一位置部署多个同类型传感器同时采样，利用传感器误差近似正态分布的特点，利用统计学方法中的拉伊达法或格拉布斯法剔除虚假异常点后计算平均值，可以实现对噪音和孤立虚假异常点的较好过滤，当传感器数量较多时使用拉伊达法，较少时使用格拉布斯法。……