CN100581119C - 无线传感器网络分布式融合识别方法 - Google Patents

Abstract

一种无线传感器网络分布式融合识别方法，先在无线传感器网络的各个节点上建立各自的基本概率分配模型、传感器可靠性分析模型、不确定性分析模型、一致性分析模型，然后在那些被目标激活的节点上进行基本概率分配函数的估计、传感器可靠性分析，并在各节点上进行时间融合以实现结果同步，对于装备了多种类型传感器的节点，还要进行模态融合，再通过对识别结果不确定性分析，进行在线自适应节点选择，融合中心接收到那些被选中的节点发送的基本概率分配和传感器可靠性参数后，进行一致性分析，并综合传感器可靠性、结果不确定性和一致性进行信息融合，如此实现目标的分布式融合识别。

Description

无线传感器网络分布式融合识别方法

技术领域：

本发明涉及一种无线传感器网络的信息处理方法，特别涉及一种无线传感器网络分布式融合识别方法。

背景技术：

无线传感器网络因其在军事国防、工农业、城市管理、生物医疗、环境监测、抢险救灾、防恐反恐等方面展现的广阔应用前景引起了世界学术界和工业界的高度重视并引发了无线传感器网络研究的热潮。无线传感器网络是由大规模随机布设的无线传感器节点或簇点等组成的以感知现实物理空间为目的的网络。然而，由于物理空间信号及其状态的不确定性和动态多变特点，如何协同多个传感器节点并从它们采集到的不确定的、不完整的、局部残缺甚至错误的信号中获得正确的有关物理世界信息是智能信息处理的重要课题。而同时，无线传感器网络本身也面临重大挑战，由于无线传感器网络中的网络节点的能量、节点的通信距离、节点的计算能力和节点的存储容量都受到高度限制，这使得基于分布式处理的信息融合技术成为当前无线传感器网络研究的重要内容。通过分布式计算，将计算任务分散到各个节点，再通过决策融合，减少节点之间的通信量。

无线传感器网络中的目标识别具有如下特点：

1.无线传感器网络的应用环境往往是复杂多变的，使得传感器感知到的信息具有不确定性，因而需要有环境分析模块，对环境传感器感知到信息进行推理分析，为传感器可靠性分析提供信息。

2.无线传感器网络中的监测目标往往是动态的，其产生的信息在时空域也是动态变化的，为了获得关于目标的足够信息，需要多个不同空间分布的多个节点协作完成，由于无线传感器网络的特点，基于分布式处理的融合方法是较好的解决方案。同时，由于目标的有效信息在时空域动态变化，选择那些感知信息最丰富、资源消耗最少的节点参加融合处理可以有效降低资源消耗，增强融合性能。

3.无线传感器网络中的节点往往是异构的，它们在处理能力、通信带宽、通信距离、通信损耗、传感器的感知模态、感知范围、感知信息的准确性、可靠性、实时性、节点的移动性等方面都不同，这使得不同节点得到的估计结果的可信度存在差异，因此需要估计各个节点信息的可信度，为后续的融合处理提供权重系数。

4.由于网络应用环境的复杂多变、目标特性动态变化、网络拓扑动态变化以及节点选择策略的在线自适应特性，使得参加融合的节点数目动态变化，这需要融合算法对参加融合的信源数目具有兼容特性。

当前无线传感器网络中的目标识别丰富多是继承基于集成化计算的融合算法而来，已经提出Bayes方法、聚类分析、最近邻方法、DS证据推理、模糊推理、粗集理论、神经网络等多种方法，但很少全面考虑无线传感器网络中目标识别的以上特点。如何针对这些特点，发明合适的目标识别方法是无线传感器网络研究的一个重要课题。

发明内容：

本发明的目的在于提供一种无线传感器网络分布式融合识别方法，在稳定可靠地实现目标识别的同时，尽量降低网络的资源消耗。

为了达到上述目的，本发明提供的无线传感器网络分布式融合识别方法，包括以下步骤：1)各个被目标激活的无线传感器网络节点根据历史正确识别概率、信噪比估计结果、目标距离估计结果、环境分析结果等进行传感器可靠性分析，计算可靠性系数并关闭那些存在传感器故障的节点；2)正常工作的节点通过信号预处理、特征提取与分析，基于层次化结构，采用模糊推理的方法进行多类目标的基本概率分配函数的估计，通过聚类以及最速下降方法在训练过程中确定模型参数；3)正常工作节点通过对当前时刻的结果和历史结果进行融合实现结果更新，同时消除因传感器的采样率、结果产生速率的不同引起的结果不同步；4)对于装备多种类型传感器的节点还要进行模态融合，综合利用不同属性的信息，增强估计效果，同时将不同模态产生的结果统一到相同的框架内；5)对估计结果进行不确定性分析，利用模糊熵来估计结果的不确定性，评估结果对后续融合处理的支持程度，同时综合考虑最大通信距离、剩余能量、节点到融合中心的连接状态、传输需要的跳数等，进行节点选择；6)选中的节点发送各自的基本概率分配函数和可靠性系数到融合中心，融合中心进行结果不确定性分析和一致性分析，综合可靠性参数，估计各上传结果的置信度，利用改进的证据理论进行融合判决。

较佳的，所建立的传感器可靠性估计模型为：

$k_i={\mathrm{\α}}_i*{\mathrm{CR}}_i*e^{-(\frac{{({\mathrm{SNR}}_i-{\mathrm{SNR}}_{i\max })}^2}{2*\mathrm{SN}{R^2}_{i\max }}+\frac{{(D_i-D_{i\min })}^2}{2*{D^2}_{i\min }+1}),}$ 其中，k_i为传感器i的可靠性系数，α_i为环境影响系数，CR_i为传感器i的历史正确识别概率，SNR_i是传感器i当前的信噪比估计，SNR_imax是传感器i的最大信噪比，D_i是传感器i的当前目标距离估计，D_imin是传感器i的最小目标距离，指数后一项的分母加一是防止分母为零。

较佳的，基本概率分配模型为：

$m_i\left(A_l\right)=\frac{\left|g^l\right|*u_{i,A_l}^o\left(X\right)}{\underset{l=1}{\overset{N}{\mathrm{\Σ}}}\left|g^l\right|*u_{i,A_l}^o\left(X\right)},$ 其中，m_i(A_l)是传感器i关于类别A_l的基本概率分配，g^l是去模糊化系数，

是传感器i关于类别A_l的模糊输出，X为特征向量，N是类别数。

较佳的，时间融合模型为：

$m_i\left(A_l\right)=\frac{\mathrm{\β}*m_i^h\left(A_l\right)+m_i^c\left(A_l\right)}{1+\mathrm{\β}},$ 其中，m_i(A_l)为传感器i关于类别A_l的新的基本概率分配，m_i ^h(A_l)是传感器i的历史基本概率分配，m_i ^c(A_l)是传感器i的当前基本概率分配，β为融合系数，调整当前结果和历史结果对融合结果的影响程度。

较佳的，模态融合模型为：

$\stackrel{\‾}{k}=\underset{A_i\∩B_j\≠\mathrm{\φ}}{\mathrm{\Σ}}{\left(\frac{u(A_i\∩B_j)}{u\left(A_i\right)u\left(B_j\right)}\right)}^{\mathrm{\λ}}{m}_1\left(A_i\right)m_2\left(B_j\right),$

$\left\{\begin{array}{c}m\left(C\right)={\stackrel{\‾}{k}}^{-1}\underset{A_i\∩B_j\≠C}{\mathrm{\Σ}}{\left(\frac{u(A_i\∩B_j)}{u\left(A_i\right)u\left(B_j\right)}\right)}^{\mathrm{\λ}}{m}_1\left(A_i\right)m_2\left(B_j\right),\stackrel{\‾}{k}\≠0\\ m(A\∪B)=m\left(A\right)\×m\left(B\right),\stackrel{\‾}{k}=0\end{array}\right.,$ 其中，M₁(A_i)、m₂(B_j)分别表示时间融合后传感器1对类别A_i和传感器2对类别B_j的基本概率分配，k是非冲突项，m(C)和m(A∪B)是融合结果，λ是修正参数，调整框架中类别间相交程度对融合的影响。

较佳的，节点选择模型为：

$e^{C_1*\frac{E_i}{E_{i\max }}}*e^{-C_2*\frac{{\tilde{H}}_i}{{\tilde{H}}_{i\max }}}*e^{-C_3*\frac{D_{\mathrm{inc}}}{D_{\mathrm{icomm}\max }}}\≥T_{\mathrm{node}\_\mathrm{choose}},$ 其中，E_i为节点i的剩余能量，E_imax为节点i的初始能量，

为当前结果的不确定性估计，用模糊熵表示， ${\tilde{H}}_i=-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_i\left(A_j\right)*{\log }_2\left(m_i\left(A_j\right)\right)-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(1-m_i\left(A_j\right))*{\log }_2(1-m_i\left(A_j\right)),$

为最大模糊熵，D_inc为节点i到融合中心的距离，D_icommmax为节点i的最大通信距离，C₁、C₂、C₃为权重调整参数，m_i(A_j)是模态融合后传感器节点i关于类别A_j的基本概率分配。

较佳的，智能融合模型为：

$m\left(A\right)=\frac{\underset{\∩A_i=A}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i^{*}\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i^{*}\left(A_i\right)},$ 其中， $\left\{\begin{array}{c}{m}_i^{*}\left(A\right)=w_i{m}_i\left(A\right),A\⋐\mathrm{\Θ}\\ m_i^{*}\left(\mathrm{\Θ}\right)=w_i{m}_i\left(\mathrm{\Θ}\right)+1-w_i\end{array}\right.,$ Θ为所有类别的集合， $w_i=\frac{{\tilde{w}}_i}{\max \left\{{\tilde{w}}_i\right\}}$ 为权重系数， ${\tilde{w}}_i=\frac{k_i*c{\mathrm{oh}}_i}{{\tilde{H}}_i},$ K_i传感器可靠性估计，当前结果的不确定性估计，coh_i为一致性参数，模型为：

${\mathrm{coh}}_i=\mathrm{support}\left(S_i\right)/\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{support}\left(S_i\right),$ $\mathrm{support}\left(S_i\right)=\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\mathrm{sim}(S_i,S_j),$

$\mathrm{sim}(S_i,S_j)=\frac{e^{-\mathrm{\γ}(d(S_i,S_j)-1)}-1}{e^{\mathrm{\α}}-1},$ d(S_i，S_j)为节点i的结果与节点j的结果之间的Jousselme距离，γ为调整参数，m_i(A_j)是模态融合后传感器节点i关于类别A_j的基本概率分配。

本发明在研究无线传感器网络中目标识别特点的基础上，通过评估传感器的可靠性、结果的不确定性以及彼此之间的一致性，来分析传感器信息的可信度；通过在线自适应的节点选择策略，综合考虑信息增量和能耗，在保证性能的基础上尽量降低资源消耗；改进的证据合成方法对参加融合的节点数具有可扩展性。

附图说明：

图1为无线传感器网络分布式融合识别方法的总体框架图。

图2为传感器节点可靠性分析模型框图。

图3为传感器模态融合模型框图。

图4为节点选择模型框图。

图5为智能融合模型框图。

图6为地面战场侦察网分布式融合识别系统框图。

图7为声音通道基本概率分配模型框图。

图8为震动通道基本概率分配模型框图。

图9为仿真结果图。

具体实施方式：

以下为本发明应用于地面战场侦察网中目标识别的一个实例。

地面战场侦察网中主要的目标包括人、轮式车、履带车，传感器节点装备声音、震动两种类型传感器，当目标进入侦察范围后，网络进行目标检测、识别、跟踪。由于战场环境的复杂性、目标形态的动态变化特性、网络拓扑的动态变化特性等等，感知到的信息往往具有不确定性。通过评估传感器可靠性、结果不确定性和一致性进行可信度分析，在经过智能融合判决进行分布式融合识别不失为一种有效方法。

具体步骤如下：

1.传感器可靠性分析

当传感器节点被目标激活之后，声音和震动通道分别采集数据，然后进行信噪比估计和目标距离估计，再通过环境传感器的感知信息，进行环境分析，影响声音信号的主要是风力风向，影响震动信号的主要是地质条件，然后综合历史正确识别概率、信噪比估计、目标距离估计以及环境影响系数，按照进行传感器可靠性分析，模型为：

$k_i={\mathrm{\α}}_i*{\mathrm{CR}}_i*e^{-(\frac{{({\mathrm{SNR}}_i-{\mathrm{SNR}}_{i\max })}^2}{2*\mathrm{SN}{R^2}_{i\max }}+\frac{{(D_i-D_{i\min })}^2}{2*{D^2}_{i\min }+1}),}$ 其中，k_i为传感器i的可靠性系数，α_i为环境影响系数，CR_i为传感器i的历史正确识别概率，SNR_i是传感器i当前的信噪比估计，SNR_imax是传感器i的最大信噪比，D_i是传感器i的当前目标距离估计，D_imin是传感器i的最小目标距离，指数后一项的分母加一是防止分母为零。

2.基本概率分配

声音通道和震动通道分别按照图七和图八进行基本概率分配，其中基本概率分配模型为：

$m_i\left(A_l\right)=\frac{\left|g^l\right|*u_{i,A_l}^o\left(X\right)}{\underset{l=1}{\overset{N}{\mathrm{\Σ}}}\left|g^l\right|*u_{i,A_l}^o\left(X\right)},$ 其中，m_i(A_l)是传感器i关于类别A_l的基本概率分配，是传感器i关于类别A_l的模糊输出，其模型为：

$u_{i,A_l}^o\left(X\right)=\underset{k=1}{\overset{p}{\mathrm{\Π}}}\exp \{-0.5*\frac{{({x_k}^{\′}-m_k^l)}^2}{{{\mathrm{\σ}}_k}^2+{\mathrm{\σ}}_k^{l2}}\},$ X为特征向量，N是类别数，g^l是去模糊化系数，m_k ^l，σ_k，σ_k ^l是模型参数，p是特征向量维数。

3.时间融合

分别在声音和震动通道按时间融合模型 $m_i\left(A_l\right)=\frac{\mathrm{\β}*m_i^h\left(A_l\right)+m_i^c\left(A_l\right)}{1+\mathrm{\β}}$ 进行处理，m_i(A_l)为传感器i关于类别A_l的新的基本概率分配，m_i ^h(A_l)是传感器i的历史基本概率分配，m_i ^c(A_l)是传感器i的当前基本概率分配，β为融合系数，调整当前结果和历史结果对融合结果的影响程度。

4.模态融合

按照模态融合模型 $\left\{\begin{array}{c}m\left(C\right)={\stackrel{\‾}{k}}^{-1}\underset{A_i\∩B_j\≠C}{\mathrm{\Σ}}{\left(\frac{u(A_i\∩B_j)}{u\left(A_i\right)u\left(B_j\right)}\right)}^{\mathrm{\λ}}{m}_1\left(A_i\right)m_2\left(B_j\right),\stackrel{\‾}{k}\≠0\\ m(A\∪B)=m\left(A\right)\×m\left(B\right),\stackrel{\‾}{k}=0\end{array}\right.$ 进行声音和震动通道的融合，其中， $\stackrel{\‾}{k}=\underset{A_i\∩B_j\≠\mathrm{\φ}}{\mathrm{\Σ}}{\left(\frac{u(A_i\∩B_j)}{u\left(A_i\right)u\left(B_j\right)}\right)}^{\mathrm{\λ}}{m}_1\left(A_i\right)m_2\left(B_j\right),$ m₁(A_i)、m₂(B_j)分别表示时间融合后传感器1对类别A_i和传感器2对类别B_j的基本概率分配，k是非冲突项，m(C)和m(A∪B)是融合结果，λ是修正参数，调整框架中类别间相交程度对融合的影响。

5.节点选择

按照节点选择模型 $e^{C_1*\frac{E_i}{E_{i\max }}}*e^{-C_2*\frac{{\tilde{H}}_i}{{\tilde{H}}_{i\max }}}*e^{-C_3*\frac{D_{\mathrm{inc}}}{D_{\mathrm{icomm}\max }}}\≥T_{\mathrm{node}\_\mathrm{choose}}$ 进行节点在线自适应选择，其中，E_i为节点i的剩余能量，E_imax为节点i的初始能量，

为当前结果的不确定性估计，用模糊熵表示：

${\tilde{H}}_i=-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_i\left(A_j\right)*{\log }_2\left(m_i\left(A_j\right)\right)-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(1-m_i\left(A_j\right))*{\log }_2(1-m_i\left(A_j\right)),$

为最大模糊熵，D_inc为节点i到融合中心的距离，D_icommmax为节点i的最大通信距离，C₁、C₂、C₃为权重调整参数，m_i(A_j)是模态融合后传感器节点i关于类别A_j的基本概率分配。

6.智能融合判决

按照智能融合模型

$m\left(A\right)=\frac{\underset{\∩A_i=A}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i^{*}\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i^{*}\left(A_i\right)}$ 融合处理，选择具有最大基本概率分配的类别为判决结果，其中， $\left\{\begin{array}{c}{m}_i^{*}\left(A\right)=w_i{m}_i\left(A\right),A\⋐\mathrm{\Θ}\\ m_i^{*}\left(\mathrm{\Θ}\right)=w_i{m}_i\left(\mathrm{\Θ}\right)+1-w_i\end{array}\right.,$ Θ为所有类别的集合， $w_i=\frac{{\tilde{w}}_i}{\max \left\{{\tilde{w}}_i\right\}}$ 为权重系数， ${\tilde{w}}_i=\frac{k_i*c{\mathrm{oh}}_i}{{\tilde{H}}_i},$ k_i是传感器可靠性估计，是当前结果的不确定性估计，coh_i为一致性参数，模型为：

${\mathrm{coh}}_i=\mathrm{support}\left(S_i\right)/\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\mathrm{support}\left(S_i\right),$ $\mathrm{support}\left(S_i\right)=\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\mathrm{sim}(S_i,S_j),$ $\mathrm{sim}(S_i,S_j)=\frac{e^{-\mathrm{\γ}(d(S_i,S_j)-1)}-1}{e^{\mathrm{\α}}-1},$ d(S_i，S_j)为节点i的结果与节点j的结果之间的Jousselme距离，γ为调整参数，m_i(A_j)是模态融合后传感器节点i关于类别A_j的基本概率分配。

仿真结果：

假设仿真环境较好，α_i＝1；声音通道历史正确识别概率为95％，震动通道历史正确识别概率为90％；最大信噪比为30dB，最小目标距离为1；时间融合系数β＝0.9；模态融合修正系数λ＝0.6；节点剩余能量充足且基于移动智能体的网络协议使得融合中心的距离很短，因此C₁＝C₃＝0，C₂＝1.5，T_{node_choose}＝0.31；仿真中，在一条道路两旁布设节点，一辆履带车以20～40km/h不等的速度在道路上行驶，经过在线自适应节点选择，同一时刻参加融合的节点数为3～5个不等。图九为仿真结果，上面红线为分布式融合识别结果，下面蓝线为单节点识别平均结果。从图中我们可以看出，分布式融合识别方法提高了目标识别的可靠性和稳定性。

综上所述，本发明针对无线传感器网络中目标识别的特点，提出综合考虑传感器可靠性、信息不确定性、结果一致性等因素，基于折扣思想改进证据理论，从而进行分布式智能融合识别，提高了目标识别的可靠性和稳定性。由于同时考虑了节点的选择，本发明对减少网络资源消耗有一定作用。

Claims (1)

1.一种无线传感器网络分布式融合识别方法，其特征在于包括以下步骤：

1)传感器可靠性分析

各个被目标激活的无线传感器网络节点根据历史正确识别概率、信噪比估计结果、目标距离估计结果、环境分析结果等进行传感器可靠性分析，计算可靠性系数并关闭那些存在传感器故障的节点；所建立的传感器可靠性估计模型为 $k_i={\mathrm{\α}}_i*{\mathrm{CR}}_i*e^{-(\frac{{({\mathrm{SNR}}_i-{\mathrm{SNR}}_{i\max })}^2}{2*{\mathrm{SNR}}_{i\max }^2}+\frac{{(D_i-D_{i\min })}^2}{2*D_{i\min }^2+1})},$ 其中，k_i为传感器i的可靠性系数，α_i为环境影响系数，CR_i为传感器i的历史正确识别概率，SNR_i是传感器i当前的信噪比估计，SNR_imax是传感器i的最大信噪比，D_i是传感器i的当前目标距离估计，D_imin是传感器i的最小目标距离，指数后一项的分母加一是防止分母为零；

2)基本概率分配

正常工作的节点通过信号预处理、特征提取与分析，基于层次化结构，采用模糊推理的方法进行多类目标的基本概率分配函数的估计，通过聚类以及最速下降方法在训练过程中确定模型参数；所建立的基本概率分配模型为 $m_i\left(A_l\right)=\frac{\left|g^l\right|*u_{i,A_l}^o\left(X\right)}{\underset{l=1}{\overset{N}{\mathrm{\Σ}}}\left|g^l\right|*u_{i,A_l}^o\left(X\right)},$ 其中，m_i(A_l)是传感器i关于类别A_l的基本概率分配，g^l是去模糊化系数，是传感器i关于类别A_l的模糊输出，X为特征向量，N是类别数；

3)时间融合

正常工作节点通过对当前时刻的结果和历史结果进行融合实现结果更新，同时消除因传感器的采样率、结果产生速率的不同引起的结果不同步；所建立的时间融合模型为 $m_i\left(A_l\right)=\frac{\mathrm{\β}*m_i^h\left(A_l\right)+m_i^c\left(A_l\right)}{1+\mathrm{\β}}\text{,}$ 其中，m_i(A_l)为传感器i关于类别A_l的新的基本概率分配，m_i ^h(A_l)是传感器i的历史基本概率分配，m_i ^c(A_l)是传感器i的当前基本概率分配，β为融合系数，调整当前结果和历史结果对融合结果的影响程度；

4)模态融合

对于装备多种类型传感器的节点还要进行模态融合，综合利用不同类型传感器属性的信息，增强估计效果，同时将不同模态产生的结果统一到相同的框架内；所建立的模态融合模型为 $\left\{\begin{array}{c}m\left(C\right)={\stackrel{\‾}{k}}^{-1}\underset{A_i\∩B_j\≠C}{\mathrm{\Σ}}{\left(\frac{u(A_i\∩B_j)}{u\left(A_i\right)u\left(B_j\right)}\right)}^{\mathrm{\λ}}{m}_1\left(A_i\right)m_2\left(B_j\right),\stackrel{\‾}{k}\≠0\\ m(A\∪B)=m\left(A\right)\×m\left(B\right),\stackrel{\‾}{k}=0\end{array},\right.$ 其中，k是非冲突项， $\stackrel{\‾}{k}=\underset{A_i\∩B_j\≠\mathrm{\φ}}{\mathrm{\Σ}}{\left(\frac{u(A_i\∩B_j)}{u\left(A_i\right)u\left(B_j\right)}\right)}^{\mathrm{\λ}}{m}_1\left(A_i\right)m_2\left(B_j\right),$

m₁(A_i)、m₂(B_j)分别表示时间融合后传感器1对类别A_i和传感器2对类别B_j的基本概率分配，m(C)和m(A∪B)是模态融合结果，λ是修正参数，调整框架中类别间相交程度对融合的影响；

5)传感器节点选择

对估计结果进行不确定性分析，利用模糊熵来估计结果的不确定性，评估结果对后续融合处理的支持程度，同时综合考虑最大通信距离、剩余能量、节点到融合中心的连接状态、传输需要的跳数等，进行节点选择；所建立的节点选择模型为 $e^{C_1*\frac{E_i}{E_{i\max }}}*e^{-C_2*\frac{{\tilde{H}}_i}{{\tilde{H}}_{i\max }}}*e^{-C_3*\frac{D_{\mathrm{inc}}}{D_{\mathrm{icomm}\max }}}\≥T_{\mathrm{node}\_\mathrm{choose}},$ 其中，E_i为节点i的剩余能量，E_imax为节点i的初始能量， ${\tilde{H}}_i=-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{m}_i\left(A_j\right)*{\log }_2\left(m_i\left(A_j\right)\right)-\underset{j=1}{\overset{N}{\mathrm{\Σ}}}(1-m_i\left(A_j\right))*{\log }_2(1-m_i\left(A_j\right)),$ 为当前结果的不确定性估计，用模糊熵表示，

为最大模糊熵，D_inc为节点i到融合中心的距离，D_icomm max为节点i的最大通信距离，C₁、C₂、C₃为权重调整参数，m_i(A_j)是模态融合后传感器节点i关于类别A_j的基本概率分配；

6)智能融合判决

选中的节点发送各自的基本概率分配函数和可靠性系数到融合中心，融合中心进行结果不确定性分析和一致性分析，综合可靠性参数，估计各上传结果的置信度，利用改进的证据理论进行融合判决；所建立的智能融合模型为 $m\left(A\right)=\frac{\underset{\∩A_i=A}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i^{*}\left(A_i\right)}{1-\underset{\∩A_i=\mathrm{\φ}}{\mathrm{\Σ}}\underset{1\≤i\≤n}{\mathrm{\Π}}{m}_i^{*}\left(A_i\right)},$ 其中， $\left\{\begin{array}{c}{m}_i^{*}\left(A\right)=w_i{m}_i\left(A\right),A\⋐\mathrm{\Θ}\\ m_i^{*}\left(\mathrm{\Θ}\right)=w_i{m}_i\left(\mathrm{\Θ}\right)+1-w_i\end{array}\right.,$ Θ为所有类别的集合， $w_i=\frac{{\tilde{w}}_i}{\max \left\{{\tilde{w}}_i\right\}}$ 为权重系数 ${\tilde{w}}_i=\frac{k_i*{\mathrm{coh}}_i}{{\tilde{H}}_i},$ k_i为传感器i的可靠性系数，

为模糊熵，coh_i为一致性参数，模型为 ${\mathrm{coh}}_i=\mathrm{support}\left(S_i\right)/\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\mathrm{support}\left(S_i\right),$ $\mathrm{support}\left(S_i\right)=\underset{j=1,j\≠i}{\overset{K}{\mathrm{\Σ}}}\mathrm{sim}(S_i,S_j),$ $\mathrm{sim}(S_i,S_j)=\frac{e^{-\mathrm{\γ}(d(S_i,S_j)-1)}-1}{e^{\mathrm{\α}}-1},$ d(S_i，S_j)为节点i的结果与节点j的结果之间的Jousselme距离，γ为调整参数，m_i(A_j)是模态融合后传感器节点i关于类别A_j的基本概率分配。

Images