CN101556651B - 一种分簇无线传感器网络内多源数据融合方法 - Google Patents

Abstract

本发明公开了一种分簇无线传感器网络内多源数据融合方法，具体内容包括：采用分布式数据融合结构，在各簇头节点处，按照簇内成员节点的可靠度对证据集进行预处理后，依据证据的一致强度和基元支持度值来分配证据冲突以及优化证据组合次序，建立冲突证据组合规则合成所有证据；针对证据组合结果，利用集合的不确定性测度和属性支持度，获取基元命题的精细信度区间值，然后对精细信度区间进行优先度排序基础上构建证据决策模型，做出最终诊断。本发明可提高分簇无线传感器网络对检测目标的识别准确率，同时可以有效地降低网内冗余数据传输量，满足分簇无线传感器网络在管道泄漏诊断、目标跟踪和环境检测等多个领域的应用需求。

Description

一种分簇无线传感器网络内多源数据融合方法

技术领域

本发明涉及无线传感器网络技术领域，特别是一种分簇无线传感器网络内多源数据融合方法。

背景技术

无线传感器网络(wireless sensor network，WSN)由部署在监测区域内的大量微型传感器节点组成，通过无线通信方式形成一个多跳、自组织的网络系统。无线传感器网络中的传感器节点通过协作地感知、采集和处理网络覆盖区域中感知对象的信息，并以多跳中继方式将信息传送到用户终端，其已被广泛应用于军事、环境检测、精细农业和智能交通等领域。由于网络中可能包含成百上千的传感器节点，为了增加网络的可扩展性以及降低管理的复杂度，多采用分簇的网络结构设计方式。

在具体应用过程中，一方面，由于节点一般采用电池供电方式，WSN的能量严重受限，且主要消耗在数据的无线发送或接收过程中；另一方面，由于传感器自身存在的缺陷、测量噪声和环境干扰等因素的影响，单个传感器节点提供的信息往往是不完整或不精确的，因此，没有发挥出网络化监测的优势。

为了解决上述问题，可采用数据融合技术，将多个传感器节点所采集的空间或时间上互补和冗余的观测信息，依据某种算法进行检测、关联、相关、估计及组合等信息处理，它是提高检测信息准确性和可靠性、减小网内冗余数据传输、减少信道冲突和降低网络能耗的主要手段

目前，数据融合方法主要有加权平均法、贝叶斯推理法、模糊集理论、人工神经网络法和证据理论等。加权平均法的形式比较简单，也易于实现，但其权值不好确定，会产生一定的误差；贝叶斯推理法直观性较好，且具有公理基础，适于冗余数据的融合处理，但缺点是要求给出先验概率和概率独立的假设，主观性较强，也不能区分“不确定”或“不知道”信息；模糊推理是对多传感器获取的模糊数据进行推理融合，可以充分利用现实事物的模糊性特点，但其模糊隶属度函数的确定较为困难，且其计算较为复杂；人工神经网络具有很强的自学习、自适应和自容错能力，可解决信息融合过程中数学建模难、信息不足和实时性差的问题，在许多领域已经有了成功的应用案例；但由于受训练样本选取、背景干扰噪声以及传感器时变效应等因素的影响，导致神经网络的诊断结果存在一定的模糊性。

Dempster-Shafer(D-S)证据理论是在贝叶斯推理方法上的改进，具有独特的一些优势：①较强的理论基础，既能处理随机性所导致的不确定性，也能处理模糊性导致的不确定性；②可以依靠证据的积累，不断地缩小假设集；③具有直观表达“不知道”和“不确定”的能力，更接近人的思维习惯，这些信息表示在基本概率指派函数中，并在证据组合过程中予以保留；④证据理论满足比贝叶斯推理更弱的条件，即不必满足概率的可加性。证据理论作为一种不确定性决策推理方法，在模式识别、信息融合和故障检测等领域得到了广泛应用。

因此，可将证据理论决策处理方法应用到分簇无线传感器网络，将簇内多个传感器节点的检测信息融合为一条信息，不仅可有效的减小网内冗余数据的传输量，而且可以提高无线传感器网络对目标识别的准确率。

发明内容

本发明目的在于提供一种对簇内多个成员节点的诊断结果进行联合决策处理的方法，降低分簇无线传感器网络对监测目标识别的不确定性，提高识别的准确率，并可有效地避免簇头节点误决策或不做决策现象，减小网络内冗余数据的传输量。

一种分簇无线传感器网络内多源数据融合方法，包括以下步骤：

1、利用证据源的可靠度值对证据集进行预处理，具体方法为：

(1)在簇头节点处，基于同一识别框架，以所有的簇内成员节点的初始识别结果作为证据集；

在节点初始化时，建立由完备的、互不相容命题集合构成的识别框架Θ＝{A₁，A₂，...，A_L}，L为基元命题的个数，Θ的幂集合

某一时刻，某一个簇的n个簇内成员节点，n属于自然数，均检测到监测区域中有目标出现，并将检测的具有证据结构特征的初始识别结果发送给簇头节点，可构造出包含n条证据的证据集E＝{m₁，m₂，m₃，m₄...m_n}；令m_i(A)表示簇内成员节点i赋予命题A的基本概率指派值，1≤i≤n，i取自然数，A∈P^Θ；

(2)依据簇内成员节点与待检测目标之间的距离d_i和检测时的环境噪声系数α，计算证据源自身的可靠度；

在无噪声的情况下，此时α取0；当噪声完全淹没检测事件时，即α取1，即无法根据该证据源识别出任何目标，该证据源的可靠度为0。理论上，当检测节点距离目标越近，提取到的相关目标特征信号越强，诊断结果的可靠性也就越高；反之，距离越远，相关特征信号中的干扰成分越多，证据源越不可靠，即证据源的可靠度γ_i与证据源至目标的距离d_i(0＜i≤n)成反比，证据源可靠度的具体计算法则为：

γ_i＝(1-α)·1/d_i    (1)

簇内成员节点根据目标发出的特征信号强弱来确定其至目标的距离d_i，并将距离值和识别结果一同发送至所属的簇头节点；

(3)以可靠度值最大的簇内成员节点作为基准，其证据的权重为1，其它源节点的权重因子w_i可通过自身可靠度与基准值间的比值来确定，具体的计算法则为：

$\left\{\begin{array}{c}\mathrm{\δ}=\max \left({\mathrm{\γ}}_i\right)\\ w_i=\sqrt[T]{{\mathrm{\γ}}_i/\mathrm{\δ}}=\sqrt[T]{(1-\mathrm{\α})/(\mathrm{\δ}\×d_i)}\end{array}---\left(2\right)\right.$

其中，1≤i≤n，max(·)表示取最大值函数，δ为最大可靠度，T为权重的影响因子，取自然数。

(4)依据证据的权重因子w_i，簇头节点对证据集关于各命题的基本概率指派值进行重新分配，分配的方法是：保持证据关于各命题的基本概率指派值之和为1的前提下，对于确定性命题(除Θ以外的幂集合P^Θ的子集)，用权重因子乘以它的基本概率指派值，作为该命题新的基本概率指派值；为了满足基本概率指派值之和为1的要求，用1减去其它确定性命题的基本概率指派值之和，作为预处理以后不确定性命题Θ的基本概率指派值，则预处理以后，证据关于各命题的基本概率指派值为：

$\left\{\begin{array}{c}{m^{\′}}_i\left(A\right)=w_i\·m_i\left(A\right),A\≠\mathrm{\Θ}\\ {m^{\′}}_i\left(\mathrm{\Θ}\right)=1-\underset{A\∈P^{\mathrm{\Θ}}}{\mathrm{\Σ}}{m^{\′}}_i\left(A\right)\end{array}\right.---\left(3\right)$

其中，设m_i(·)表示预处理前证据i的基本概率指派函数，m′_i(·)表示证据集预处理以后证据i的基本概率指派函数，A表示证据i的焦元，1≤i≤n。

2、对于预处理后的证据集进行整体分析，建立基于可靠度和一致强度的冲突证据组合公式对所有证据的基本概率指派函数进行合成；

由于经典的D-S证据理论仅适合于证据间冲突程度较小情形下的证据组合，当冲突程度较大时，直接利用D-S证据组合公式可能得到与事实相违背的融合结果，为此，本发明从证据冲突的分配机制、证据组合次序的角度解决冲突证据组合问题，建立新的冲突证据组合规则，具体方法为：

(1)对于证据集中任意两条证据E_i和E_j，对应的基本概率指派函数为m′_i和m′_j，证据E_i的任一焦元A和证据E_j的任一焦元B，(基本概率指派值大于0的命题集合，称为焦元)如果A与B相同，计算m′_i(A)与m′_j(B)之积，然后对所有焦元的一致程度进行求和，得到两条证据间的完全一致量Q_i，j：

Q_i，j＝∑_A＝Bm′_i(A)m′_j(B)    (4)

其中，1≤i，j≤n，A、B分别表示证据i、证据j的焦元；

同理，对于证据E_i的任一焦元A和证据E_j的任一焦元B，若A与B的交集为空，计算m′_i(A)与m′_j(B)之积，重复上述步骤，将所有满足条件的值进行累加，可得到两条证据间的冲突量K_i，j：

在此基础上，可得证据间的完全一致强度C_i，j：

$C_{i,j}=\frac{Q_{i,j}}{Q_{i,j}+K_{i,j}}---\left(6\right)$

C_i，j取不同范围值时的意义如下：

①C_i，j＝0时，证据间完全一致量为0，即证据间完全冲突，此时将不能采用D-S证据组合公式；

②0＜C_i，j＜0.5时，表明证据间冲突程度较大，此时虽然可采用D-S证据组合公式，但可能得出不合理的结论，需要对证据组合公式进行修正；

③0.5≤C_i，j≤1时表明证据间的一致性程度较好，此时采用D-S证据组合公式可得到收敛度较好的合理组合结果。

(2)在冲突分配方面，采用加性策略计算所有证据关于各基元命题A_j(j＝1，2，...，L)的总支持度，并归一化处理，可得 $S\left(A_j\right)=\frac{{\mathrm{\Σ}}_{i=1}^n{m^{\′}}_i\left(A_j\right)}{{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^L{m^{\′}}_i\left(A_j\right)}---\left(7\right)$

其中，S(A_j)表示证据集关于命题A_j的支持度，其它非基元命题的支持度S为0；依据证据间的一致强度值，将两条证据间的冲突分为“有用信息”(值为K_i，j·C_i，j)和“无用信息”(值为K_i，j·(1-C_i，j))两部分，无用信息全部分配给未知命题，有用信息则依据各基元命题的支持度进行分配。

(3)在上述步骤(1)、步骤(2)的基础上，建立新的冲突证据组合公式：

式中，A表示证据i与j组合后的焦元，B、D分别表示证据i、j的焦元。

(4)在证据组合次序方面，考虑噪声干扰、传感器自身缺陷等因素致使证据集中可能含有一些“异常证据”，而融合算法难以识别并简单的予以丢弃；若证据以无规则的方式进行组合，由于异常证据随机的加入组合，致使组合结果大幅偏离正确的命题方向。为防止组合结果出现这种大幅“摆动”，依据证据的一致强度来调整证据组合的次序，优先集中组合冲突较大的证据，具体方法为：

根据一致强度的计算公式(6)可得证据间的一致强度矩阵：

式中，n表示证据集中包含的证据个数；

对一致强度矩阵C的行向量作求和运算，可得证据的总一致强度C_i：

$C_i={\mathrm{\Σ}}_{j=1}^n{C}_{i,j},i=\mathrm{1,2},...,n---\left(10\right)$

根据计算得到的各证据的总一致强度值，按照从小到大的原则来确定证据组合的次序；

(5)选择合适的证据组合公式对各证据进行组合，具体方法为：

若证据间的一致强度矩阵C中所有元素值均大于等于阈值0.5且小于等于1，即证据间冲突较小，则采用D-S证据组合公式：

式中，K_i，j表示证据间的冲突大小，A表示证据i、j组合后的命题，B、C分别表示证据i、j的焦元；

若证据间的一致强度矩阵C中有元素值均小于0.5，依据证据组合的次序，采用改进的证据组合公式(8)进行证据合成，得到组合结果。

3、建立基于集合属性和优先度的证据决策模型，对组合结果做出最终决策，具体方法为：

将证据决策问题分解成精细信度区间的构造层和决策基元的优先度比较层两层。在构造层，引入集合的不确定性测度和焦元间的属性支持度，对证据理论中的信任度函数和似真度函数进行修正，获取命题集合的精细信度区间值；在比较层，对于任意两个命题A和B，根据它们的区间值来评价命题A优于B的程度，构造出优先度矩阵，然后对矩阵的行向量作求和运算，可得命题A的总优先度值，在优先度排序的基础上构建了证据决策模型。

(1)精细信度区间的构造

直接依据Dempster-Shafer证据理论中给出的信任度函数和似真度函数计算公式，所得信任度区间值是比较“粗糙”的，它对命题的信任度描述较为模糊，为此，引入集合的相关属性增加约束条件，以便获得更为可靠而精确的信度区间值。

从集合属性的角度来看，对于包含集合A的各类集合(例如：{A}、{A，B}，{A，B，C})而言，它们具有不同的属性度量或位于不同的层次上，应该加以区别对待。而证据理论是以集合来表示命题的，多元素命题A_M＝{A，B，C}的本质含义表明：不知道该如何分配m(A_M)给多元素命题A_M的单子集A、B或C，且多元素命题A_M包含的单子集数量越多，分配的不确定性越大。基于上述原因，计算命题的信度区间时，应该区别对待多元素命题和单元素命题的基本概率指派值(BPAF)。对于单元素命题，其BPAF值是精确、可靠的，可以全部加以利用；对于多元素命题A_M，可根据多元素命题A_M的不确定性程度来确定m(A_M)的有效值。

集合A的不确定性测度为：u(A)＝log₂(|A|^λ)，其中，|A|表示集合的基数，等于集合A所包含的单子集个数；λ取大于等于1的整数，可根据所要求的决策风险级别来设定。则综合基本概率指派函数m_Z(A)的有效值m′_Z(A)为

由于|A∩B|可以反映集合间的一致属性，该值越大，说明集合A与集合B之间的一致性越好，因此，可用来反映一个集合对另外一个集合的支持程度。焦元A对焦元B在集合属性层面上的支持度为：

$S(A,B)=\frac{|A\∩B|}{\left|A\right|\left|B\right|}---\left(13\right)$

基于上面得到的集合不确定测度和焦元间属性支持度，可得信任度和似真度函数的修正计算公式：

由上可得关于命题A的信度区间值，为了以示区别，本发明称为A的精细信度区间，记作I(A)＝[Bel(A)，Pls(A)]。其中Bel(A)表示对命题A的最小信任概率，Pls(A)表示对命题A的最大精确信任概率。

(2)决策基元的优先度比较

利用精细信度区间值来决策。对于识别框架中任意两个命题A和命题B，设I(A)和I(B)分别表示它们的精细信度区间，根据扩展原理，区间数的“减运算”法则为

I(A)-I(B)＝[Bel(A)-Pls(B)，Pls(A)-Bel(B)]    (15)

I(A)-I(B)除了相互重合为0的关系之外，直观理解上，基于命题的精细信度区间值作决策时应满足：

①两个精细信度区间不相交时，若Bel(A)＞Pls(B)，则优先选取命题A作为决策结果；若Pls(A)＜Bel(B)，则优先选取命题B作为决策的结果。

②两个精细信度区间重合时，即Bel(A)＝Bel(B)，Pls(A)＝Pls(B)，则“选择命题A为决策结果”等价于“选择命题B为决策结果”，称命题A等价于命题B。

③两个精细信度区间交叉时，若Bel(A)＞Bel(B)，Pls(A)＞Pls(B)，应该优先选择命题A作为决策的结果。此种情形下，若Pls(B)、Bel(B)一定，则Pls(A)或Bel(A)增加时，命题A优于命题B的程度应该增大。

对于命题A和命题B，它们的精细信度区间之间的距离d_I(A，B)为：

d_I(A，B)＝[Pls(A)-Bel(B)]-[Bel(A)-Pls(B)]    (16)

下面以I(A)和I(B)为对象，给出比较决策基元命题A优于命题B的方法：若命题A和B的精细信度区间分别为[Bel(A)，Pls(A)]、，[Bel(B)，Pls(B)]则命题A优于命题B的程度为：

则所有命题构成的优先度矩阵P_m为矩阵

式中，n表示决策目标的个数，Nun表示为空，此处取0，P(i，j)表示命题A_i优于A_j的程度；

对矩阵的行向量作求和运算，可得命题A_i总的优先度：

$v_i={\mathrm{\Σ}}_{j=1}^{n}P(i,j)---\left(19\right)$

其中，i＝1，2，...，n；

基于各命题的总优先度值，则V＝max{v₁，v₂，...，v_n}为最终的决策结果。

本发明的优点在于：

(1)利用证据源的可靠度对证据集加以预处理，降低了不可靠证据对确定性命题的信度，转而将一部分信任度转而赋给未知命题，减弱了不可靠的证据源对组合结果所造成的影响；

(2)当各节点的诊断结果间发生低度冲突甚至严重冲突时，均可以获得收敛程度较好的正确组合结果；

(3)以精细信度区间表示对集合命题的信任程度，相比于直接依据D-S证据理论中信任度函数和似真度函数计算方法得到的信度区间值更为可靠而精确；以区间值作为决策依据，充分利用了信任度区间所蕴含的信息，克服了单点值证据决策方法所存在的误决策或不做决策的问题；

(4)将簇内多个证据源的识别信息融合成一条证据，可有效的减小网内冗余数据传输量，降低WSN的能耗，延长网络的生存期。

附图说明

图1是本发明所述的分簇无线传感器网络的网络结构示意图；

图2是本发明的流程图。

1-普通传感器节点2-汇聚节点3-中心节点4-簇5-目标6-监控主机

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

本发明的分簇无线传感器网络的网络结构如图1所示，它包括普通传感器节点1、汇聚节点2(担当簇头)和中心节点3，无线传感器网络采用分簇的结构设计，以降低协议设计和网络管理的复杂度；以簇4为例，它包括汇聚节点2、n个普通传感器节点1，节点间采用射频无线通信方式，并以多跳方式将各自的识别结果发送至汇聚节点2。汇聚节点2与中心节点3间采用Internet或GPRS通信方式，汇聚节点2负责融合处理簇4内普通传感器节点1(簇成员节点)的检测数据，并将最终的诊断结果发送至中心节点3。中心节点3通过串口线建立与后台监控主机6间的交互式通讯进行连接，图形化显示远程监控网络运行状态，并管理和维护网络中的节点。

某一时刻，簇4内有一目标5出现，检测到该目标的传感器节点1所属簇4内的数据融合处理方法，本发明的一种分簇无线传感器网络内多源数据融合方法，流程图如图2所示，包括以下步骤：

1、利用证据源的可靠度值对证据集进行预处理，具体方法为：

(1)在簇头节点处，基于同一识别框架，以所有的簇内成员节点的初始识别结果作为证据集；

在节点初始化时，建立由完备的、互不相容命题集合构成的识别框架Θ＝{A₁，A₂，...，A_L}，L为基元命题的个数，Θ的幂集合

某一时刻，某一个簇的n个簇内成员节点，n属于自然数，均检测到监测区域中有目标出现，并将检测的具有证据结构特征的初始识别结果发送给簇头节点，可构造出包含n条证据的证据集E＝{m₁，m₂，m₃，m₄...m_n}；令m_i(A_j)表示簇内成员节点i赋予命题集合A_j的基本概率指派值，1≤i≤n，1≤j≤n，i取自然数，A_j∈P^Θ；

(2)依据簇内成员节点与待检测目标之间的距离d_i和检测时的环境噪声系数α，计算证据源自身的可靠度，证据源可靠度通过式(1)得到。

(3)以可靠度值最大的簇内成员节点作为基准，其证据的权重为1，其它源节点的权重w_i可通过自身可靠度与基准值间的比值来确定，具体的计算如式(2)。

(4)依据证据的权重因子w_i，簇头节点对证据集关于各命题的基本概率指派值进行重新分配，根据式(3)得到预处理以后证据源i的基本概率指派函数m′_i(A_j)。

2、对于预处理后的证据集进行整体分析，建立基于可靠度和一致强度的冲突证据组合公式对所有证据的基本概率指派函数进行合成；

根据式(4)、式(5)计算出两条证据间的完全一致量Q_i，j和冲突量K_i，j；根据式(6)得证据间的完全一致强度C_i，j。

(2)采用加性策略计算所有证据关于各基元命题A_j(j＝1，2，...，L)的总支持度，并归一化处理，根据式(7)得到证据集关于命题A_j的支持度，其它非基元命题的支持度S为0，建立新的冲突证据组合公式(8)。

(3)根据一致强度的计算公式(6)可得证据间的一致强度矩阵(9)，对一致强度矩阵C_i，j的行向量作求和运算，可得证据的总一致强度C_i，如式(10)，根据计算得到的各证据的总一致强度值，按照从小到大的原则来确定证据组合的次序；

(4)选择合适的证据组合公式对各证据进行组合，具体方法为：

若证据间的一致强度矩阵中所有元素值均大于阈值0.5，即证据间冲突较小，则采用D-S证据组合公式(11)；若证据间的一致强度矩阵中有元素值均小于0.5，依据证据组合的次序，采用改进的证据组合公式(8)进行证据合成，得到组合结果。

3、建立基于集合属性和优先度的证据决策模型，对组合结果做出最终决策，具体方法为：

(1)精细信度区间的构造

集合A的不确定性测度为：u(A)＝log₂(|A|^λ)，其中，|A|表示集合的基数，等于A所包含的单子集个数；λ取大于等于1的整数，可根据所要求的决策风险级别来设定。则综合基本概率指派函数m_Z(A)的有效值m′_Z(A)通过式(12)得到，焦元A对B在集合属性层面上的支持度由式(13)得到，信任度和似真度函数的修正公式如式(14)；

由上可得关于命题A的精细信度区间，记作I(A)＝[Bel(A)，Pls(A)]，其中Bel(A)表示对命题A的最小信任概率，Pls(A)表示对命题A的最大信任概率。

(2)决策基元的优先度比较

利用精细信度区间值来决策。对于识别框架中任意两个命题A和B，它们的精细信度区间分别为[Bel(A)，Pls(A)]、[Bel(B)，Pls(B)]，精细信度区间之间的距离d_I(A，B)为通过式(16)得到，通过式(17)得到命题A优于B的程度

得到所有焦元命题构成的优先度矩阵P_m，如式(18)。

通过式(19)对矩阵的行向量作求和运算，得命题A_i总的优先度，基于各命题的总优先度值，则V＝max{v₁，v₂，...，v_n}为最终的决策结果。

Claims (4)

1.一种分簇无线传感器网络内多源数据融合方法，其特征在于，采用具体包括以下步骤：

步骤一、利用证据源的可靠度对证据集进行预处理；

节点初始化时，在各簇内成员节点处建立由完备的、互不相容命题集合构成的识别框架，由簇头节点依据簇内成员节点与待检测目标之间的距离确定该证据源的权重因子，重新分配证据关于各命题的基本概率指派值；

步骤二、根据预处理后的证据集，建立基于可靠度和一致强度的冲突证据组合公式，对所有证据的基本概率指派函数进行合成；

1)对于证据集中任意两条证据，对应的基本概率指派函数为m′_i(A)、m′_j(B)，则两条证据间的完全一致量Q_i，j：

Q_i，j＝∑_A＝Bm′_i(A)m′_j(B)      (1)

其中，1≤i≤n，1≤j≤n，n表示证据集包含的证据个数，A、B分别表示证据i、j的命题，m′_i(A)，m′_j(B)表示预处理后证据i、j的基本概率指派函数；

证据集中任意两条证据间的冲突量K_i，j：

式中：

表示空集；

由式(1)、式(2)得证据间的完全一致强度C_i，j：

$C_{i,j}=\frac{Q_{i,j}}{Q_{i,j}+K_{i,j}}---\left(3\right)$

2)在冲突分配方面，采用加性策略计算所有证据关于各基元命题A_j(j＝1，2，...，L)的总支持度，并归一化处理，得

$S\left(A_j\right)=\frac{{\mathrm{\Σ}}_{i=1}^n{m^{\′}}_i\left(A_j\right)}{{\mathrm{\Σ}}_{i=1}^n{\mathrm{\Σ}}_{j=1}^L{m^{\′}}_i\left(A_j\right)}---\left(4\right)$

其中，m′_i(A_j)表示预处理后证据i对基元命题A_j的基本概率指派函数，L表示基元命题的个数，S(A_j)表示证据集关于基元命题A_j的支持度，其它非基元命题的支持度S为0；依据证据间的一致强度值，将两条证据间的冲突分为“有用信息”，值为K_i，j·C_i，j，和“无用信息”值为K_i，j·(1-C_i，j)两部分，无用信息全部分配给未知命题，有用信息则依据各基元命题的支持度进行分配；

3)综合上述步骤1)、步骤2)，建立新的冲突证据组合公式：

式中，A表示证据i和j组合后的命题；B、D分别表示证据i、j的命题；Θ表示在节点初始化时，由完备的、互不相容命题集合构成的识别框架；m′_i(B)表示预处理后的证据i关于命题B的基本概率指派函数；m′_j(D)表示预处理后的证据j关于命题D的基本概率指派函数；m′_i(Θ)表示预处理后的证据i关于Θ的基本概率指派函数；m′_j(Θ)表示预处理后的证据j关于Θ的基本概率指派函数；S(A)表示基元命题A的支持度；

4)在证据组合次序方面，依据证据的一致强度来调整证据组合的次序，优先集中组合冲突较大的证据，具体方法为：

根据一致强度的计算公式(3)得到证据间的一致强度矩阵：

式中，n表示证据集中包含的证据个数；

对一致强度矩阵C的行向量作求和运算，得到证据的总一致强度C_i：

$C_i={\mathrm{\Σ}}_{j=1}^n{C}_{i,j},i=\mathrm{1,2},...,n---\left(7\right)$

根据总一致强度值C_i，按照从小到大的原则来确定证据组合的次序；

5)选择合适的证据组合公式对各证据进行组合，具体方法为：

若证据间的一致强度矩阵中所有元素值均大于等于阈值0.5且小于等于1，即证据间冲突较小，则采用D-S证据组合公式：

式中，K_i，j表示证据间的冲突量，A表示证据i、j组合后的命题，B、C分别表示证据i、j的命题；m′(A)表示预处理后证据i、j组合后关于命题A的基本概率指派函数；m′_i(B)表示预处理后证据i关于命题B的基本概率指派函数；m′_j(C)表示预处理后证据j关于命题C的基本概率指派函数；

若证据间的一致强度矩阵中有元素值均小于0.5，依据步骤4)得到的证据组合次序，采用新的冲突证据组合公式(5)进行证据合成，得到组合结果；

步骤三、建立基于集合属性和优先度的证据决策模型，对组合结果做出最终决策；

1)精细信度区间的构造

命题A的不确定性测度为：

u(A)＝log₂(|A|^λ)             (9)

其中，|A|表示命题的基数，等于A所包含的单子集个数；λ取大于等于1的整数，根据所要求的决策风险级别来设定；则综合基本概率指派函数m_Z(A)的有效值m′_Z(A)为

由于|A∩B|反映出命题间的一致属性，该值越大，说明命题A与B之间的一致性越好，因此，用来反映一个命题对另外一个命题的支持程度；命题A对命题B在集合属性层面上的支持度为：

$S(A,B)=\frac{|A\∩B|}{\left|A\right|\left|B\right|}---\left(11\right)$

基于上面得到的命题A的不确定性测度和命题A对命题B在集合属性层面上的支持度，得到信任度和似真度函数的修正计算公式：

由上得到关于命题A的信度区间值，称为A的精细信度区间，记作I(A)＝[Bel(A)，Pls(A)]；其中Bel(A)表示对命题A的最小信任概率，Pls(A)表示对命题A的最大精确信任概率；

2)决策基元的优先度比较

对于识别框架中任意两个命题A和B，设I(A)和I(B)分别表示它们的精细信度区间，根据扩展原理，区间数的“减运算”法则为

I(A)-I(B)＝[Bel(A)-Pls(B)，Pls(A)-Bel(B)]    (13)

I(A)-I(B)除了相互重合为0的关系之外，直观理解上，基于命题的精细信度区间值决策时应满足：

①两个精细信度区间不相交时，若Bel(A)＞Pls(B)，则优先选取命题A作为决策结果；若Pls(A)＜Bel(B)，则优先选取命题B作为决策的结果；

②两个精细信度区间重合时，即Bel(A)＝Bel(B)，Pls(A)＝Pls(B)，则“选择命题A为决策结果”等价于“选择B为决策结果”，称命题A等价于B；

③两个精细信度区间交叉时，若Bel(A)＞Bel(B)，Pls(A)＞Pls(B)，优先选择命题A作为决策的结果，若Pls(B)、Bel(B)一定，当Pls(A)或Bel(A)增加时，命题A优于命题B的程度增大；

对于命题A和命题B，它们的精细信度区间之间的距离d_I(A，B)为：

d_I(A，B)＝[Pls(A)-Bel(B)]-[Bel(A)-Pls(B)]            (14)

以I(A)和I(B)为对象，给出比较命题A优于B的方法：若命题A和命题B的精细信度区间分别为[Bel(A)，Pls(A)]、[Bel(B)，Pls(B)]则命题A优于B的程度为：

则所有命题构成的优先度矩阵P_m为

式中，n表示决策目标的个数，Nun表示为空，此处取0；

对矩阵的行向量作求和运算，得到命题A_i总的优先度：

$v_i={\mathrm{\Σ}}_{j=1}^{n}P(i,j)---\left(17\right)$

其中，i＝1，2，...，n，v₁，v₂，…，v_n分别表示命题A₁，A₂，…，A_n的总的优先度；

基于各命题的总优先度值，则V＝max{v₁，v₂，...，v_n}为最终的决策结果。

2.根据权利要求1所述的一种分簇无线传感器网络内多源数据融合方法，其特征在于步骤一中，利用证据源的可靠度对证据集进行预处理，具体方法为：

1)在簇头节点处，基于同一识别框架，以所有的簇内成员节点的初始识别结果作为证据集；

在节点初始化时，建立由完备的、互不相容命题集合构成的识别框架Θ＝{A₁，A₂，...，A_L}，Θ的幂集合

某一时刻，某一个簇的n个簇内成员节点，n属于自然数，均检测到监测区域中有目标出现，并将检测的具有证据结构特征的初始识别结果发送给簇头节点，构造出包含n条证据的证据集E＝{m₁，m₂，m₃，m₄...m_n}；令m_i(A_j)表示簇内成员节点i赋予命题A_j的基本概率指派值，1≤i≤n，1≤j≤n，i、j取自然数，A_j∈P^Θ；

2)依据簇内成员节点与待检测目标之间的距离d_i和检测时的环境噪声系数α，计算证据源自身的可靠度；

在无噪声的情况下，α取0；当噪声完全淹没检测事件时，α取1，无法根据该证据源识别出任何目标，该证据源的可靠度为0；证据源可靠度的具体计算法则为：

γ_i＝(1-α)·1/d_i                (18)

式中，γ_i为证据源可靠度，d_i为证据源至目标的距离，其中0＜i≤n；

3)以可靠度最大的簇内成员节点作为基准，其证据的权重为1，其它源节点的权重因子w_i通过自身可靠度与基准值间的比值来确定，具体的计算法则为：

$\left\{\begin{array}{c}\mathrm{\δ}=\max \left({\mathrm{\γ}}_i\right)\\ w_i=\sqrt[T]{{\mathrm{\γ}}_i/\mathrm{\δ}}=\sqrt[T]{(1-\mathrm{\α})/(\mathrm{\δ}\×d_i)}\end{array}\right.---\left(19\right)$

其中，1≤i≤n，max(·)表示取最大值函数，δ为最大可靠度，T为权重的影响因子，取自然数；

4)依据证据的权重因子w_i，簇头节点对证据集关于各命题的基本概率指派值进行重新分配，具体如下式：

$\left\{\begin{array}{c}{m^{\′}}_i\left(A\right)=w_i\·m_i\left(A\right),A\≠\mathrm{\Θ}\\ {m^{\′}}_i\left(\mathrm{\Θ}\right)=1-\underset{A\∈P^{\mathrm{\Θ}}}{\mathrm{\Σ}}{m^{\′}}_i\left(A\right)\end{array}\right.---\left(20\right)$

其中，设m_i(·)表示预处理前证据i的基本概率指派函数，m′_i(·)表示证据集预处理以后证据i的基本概率指派函数，A表示证据i的命题，1≤i≤n。

3.根据权利要求2所述的一种分簇无线传感器网络内多源数据融合方法，其特征在于：簇内成员节点根据目标发出的特征信号强弱来确定其至目标的距离d_i，并将距离和识别结果一同发送至所属的簇头节点。

4.根据权利要求1所述的一种分簇无线传感器网络内多源数据融合方法，其特征在于：步骤二中所述的证据间的完全一致强度C_i，j取不同范围值时，含义如下：

①C_i，j＝0时，证据间完全一致量为0，证据间完全冲突；

②0＜C_i，j＜0.5时，表明证据间冲突程度较大，采用式(5)的证据组合公式；

③0.5≤C_i，j≤1时，表明证据间的一致性程度较好，采用式(8)的D-S证据组合公式。

Images