CN101996157B - 证据高冲突环境下多源信息融合方法 - Google Patents

Abstract

本发明公开了一种证据高冲突环境下多源信息融合方法，它是根据证据距离来确定证据的相互支持度，并以证据支持度矩阵模最大特征值对应的特征向量为证据的权重向量，其中权重系数最大的证据为关键证据，进而求得各证据的相对折扣因子，然后对各证据信息进行打折扣处理，再用D-S规则对多源传感器数据进行信息融合，以提高证据高冲突状态下对监测命题判断的准确性及精确性，该方法可以有效消除多源信息的不确定因素，提高信息评价的准确度，克服证据高冲突状态下利用传统D-S证据理论不能得出正确评价结果的局限性，且具有算法简单、收敛速度快等优点。

Description

证据高冲突环境下多源信息融合方法

技术领域

本发明是基于证据距离理论对多源高冲突传感器数据进行信息融合的处理方法，属于信息处理技术领域。

背景技术

信息融合技术是近年来发展起来的一种自动化信息综合处理技术，通过对来自不同传感器的信息进行处理，以改善信息的质量，提高信息的精度。数据融合的方法有很多，如D-S证据理论法、聚类分析法、人工神经网络法等等，与本发明有关的技术是D-S证据理论法。

多传感器信息融合可以充分利用多源信息互补和冗余的特点，提高对监测命题判断的准确性和精确性。由于传感器受探测精度、器件故障以及环境噪声等因素的影响，导致系统监测结果存在不确定性，因此国内外很多学者都开展了信息融合的理论研究，其中D-S证据理论研究是一个热点领域。由于D-S证据理论在不确定性的表示、量测和组合方面有着突出优势，不但符合人类推理的决策过程，而且对推理进行了合理的信息论解释，因此可以将多传感信息转化为相应的多个独立的证据，利用D-S证据理论对其进行融合判断。虽然D-S证据理论有其自身优势，但在传感器信息高度冲突的情况下直接应用D-S证据合成规则会产生不合理的结果，因此开展复杂环境下高冲突传感器信息融合方法研究具有重要意义。

发明内容

本发明的目的是提供一种证据高冲突环境下多源信息融合方法，它是基于D-S证据距离理论对多源传感器数据进行信息融合，以提高证据高冲突状态下对监测命题判断的准确性及精确性，该方法可以有效消除多源信息的不确定因素，提高信息评价的准确度，克服证据高冲突状态下利用传统D-S证据理论不能得出正确评价结果的局限性，且具有算法简单、收敛速度快等优点。

为达到上述目的，本发明多源信息融合方法步骤如下：

第一步：建立多传感器融合结构

设融合结构由n类传感器监测系统组成，其中每个局部系统基于自己的观测值y_i完成同一决策任务u_i之后将决策值u_i传送到融合中心，融合中心的任务是根据接收到的局部决策，利用最优融合规则，作出最终决策u₀。

第二步：建立基于D-S证据理论的监测命题辨识框。

根据心理学研究，由于人们辨识能力的局限性，辨识框的决策结果划分的数目一般不要超过5个，考虑其一般性，本发明将多传感器监测命题的决策结果定义为安全(S₁)、临界(S₂)、危险(S₃)三个状态，监测命题的决策辨识框架X表示为：X＝{S₁，S₂，S₃}。

第三步：计算机采集数据并对多传感器监测数据进行归一化预处理。

具体做法是：计算机采集某一周期内各监测系统中的传感器数据并进行归一化处理，使其对监测结果的判定值落在[0，1]范围内。即把采集到的各类监测数据转化为对应证据的基本可信度分配值，使其具有统一表达方式，便于数据融合。当有n类传感器监测系统进行状态监测时，每个传感器的评估记为m_i，i＝1...n，则系统基本可信度可分配为：

m_i(A₁)＝x₁，A₁＝{S₁}

m_i(A₂)＝x₂，A₂＝{S₂}

m_i(A₃)＝x₃，A₃＝{S₃}

$\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{m}_i\left(A_j\right)=1$

第四步：判断证据之间是否存在高度冲突。

根据D-S证据理论计算证据之间的冲突值，通过冲突值大小来判断证据之间是否存在高度冲突。

各证据之间的冲突值K由公式(1)计算得出，公式(1)如下：

$K=\underset{A_1\∩A_2\∩A_3=\mathrm{\Φ}}{\mathrm{\Σ}}{m}_i\left(A_1\right)m_i\left(A_2\right)m_i\left(A_3\right)---\left(1\right)$

当证据之间的冲突值K＜0.65时，应用现有D-S证据理论合成法则对证据进行合成；

当证据之间的冲突值K≥0.65时，说明证据之间产生高度冲突，处理方法转第四步。

第四步：基于证据距离对高冲突证据进行合成。其基本思想是：根据证据距离来确定证据的相互支持度，并以证据支持度矩阵模最大特征值对应的特征向量为证据的权重向量，其中权重系数最大的证据为关键证据，进而求得各证据的相对折扣因子，然后对各证据信息进行打折扣处理，再用D-S规则融合。

具体方法如下：

(1)根据证据距离确定证据之间的相互支持度。

证据m₁，m₂的距离定义如下：

$d(m_1,m_2)=\sqrt{\frac{1}{2}d{({\stackrel{\→}{m}}_1-{\stackrel{\→}{m}}_2)}^T\underset{=}{D}({\stackrel{\→}{m}}_1-{\stackrel{\→}{m}}_2)}---\left(2\right)$

$D(A,B)=\frac{|A\∩B|}{|A\∩B|}$

式中

为2^N×2^N的矩阵，A，B∈X，X为辨识框(Frame of Discernment)，N为X中基本假设的个数。

设有n个传感器信息，那么可以构造n个证据m₁，m₂，…，m_n，根据公式(2)计算n个证据两两之间的距离，根据证据距离可以确定两证据之间的相互支持度，记为：

Support(i，j)＝1-d(i，j)           (3)

根据公式(3)得到证据n×n维相互支持度矩阵：

$S=\left[\begin{array}{cccc}1& S_{\left(\mathrm{1,2}\right)}& ...& S_{(1,n)}\\ S_{\left(\mathrm{2,1}\right)}& 1& ...& S_{(2,n)}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ S_{(n,1)}& S_{(n,2)}& ...& 1\end{array}\right]$

(2)寻找关键证据

证据支持度的矩阵模最大特征值对应的特征向量为证据的权重向量，其中权重系数最大的证据为关键证据。

首先计算其他证据对证据m_i的总支持程度λ_i。根据相互支持度矩阵S，按照公式(4)计算其他证据对证据m_i总支持程度，亦即证据m_i的权重系数。

${\mathrm{\λ}}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{S}_{(i,j)}---\left(4\right)$

选择权重系数最大也就是认为可信度最大的证据为关键证据，其权重系数为：

λ_max＝max(λ₁，…，λ_i，…λ_n)                     (5)

(3)计算各证据的相对折扣因子。证据m_i的相对折扣因子为下式

${\mathrm{\ξ}}_i=\frac{{\mathrm{\λ}}_i}{{\mathrm{\λ}}_{\max }}---\left(6\right)$

(4)根据各证据的相对折扣因子建立证据基本概率分配值修正模型，利用修正模型对证据基本概率分配值进行修正，修正模型用下式(7)表示：

$\left\{\begin{array}{c}{m}_i^{*}\left(A\right)={\mathrm{\ξ}}_i{m}_i\left(A\right),A\⊆X\\ m_i^{*}\left(X\right)=1-{\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i{m}_i\left(X\right)\end{array}\right.---\left(7\right)$

式中X为辨识框。

(5)利用Dempster合成规则对修正后的证据基本概率分配值进行融合。

第五步：计算机对融合后的基本概率分配值S进行分析，并输出多传感器信息在辨识框X内的辨识结果，从而实现证据高冲突状态下的证据合成。

本发明的积极效果是：利用信息融合的理论和方法，提出了D-S证据理论改进算法，充分考虑组合过程中证据的权重，基于证据距离来确定证据之间的相互支持度，并最终获得各证据的权重系数。本发明的算法可以有效处理证据冲突，在证据较少的情况下也可以得到正确的结果，且整个算法结构及过程简单，能有效消除证据高冲突环境下多源信息融合的不确定因素，降低了决策风险，提高了在证据冲突时融合结果的可靠性。

附图说明

图1是本发明多传感器融合结构原理示意图

具体实施方式

如图1所示，本发明建立的融合结构由n类传感器监测系统组成，其中每个局部系统基于自己的观测值y_i完成同一决策任务u_i之后将决策值u_i传送到融合中心，融合中心的任务是根据接收到的局部决策，利用最优融合规则，作出最终决策u₀。

下面以三类传感器、三个危险等级为例并结合上述发明内容中的融合方法具体说明本发明的一个实施例。

假设某煤矿顶板安全监测系统使用三类传感器：M₁-综采支架压力传感器、M₂-顶板离层仪、M₃-电磁辐射仪，目标识别框架为S＝{S₁，S₂，S₃}，分别表示顶板安全的不同状态，即S₁-安全，S₂-临界，S₃-危险。各类传感器在某一采样周期内获得证据的基本概率分布情况如下：

表2三类传感器的基本概率赋值

首先根据发明内容中的公式(1)计算出证据m₁和m₂的冲突值：

K＝0.5×0.9+0.5×0.1+0.2×0.1+0.3×0.9＝0.45+0.05+0.02+0.27＝0.79

依据发明内容中第三步给出的规则，当其中两个证据之间的K≥0.65时，说明证据之间产生了高度冲突，这时候需要利用本发明技术方案第四步融合算法步骤(1)计算出证据距离矩阵为：

$D=\left[\begin{array}{cccc}0& 0.7& 0.1& 0.3\\ 0.7& 0& 0.8& 0.8\\ 0.1& 0.8& 0& 0.2\\ 0.3& 0.8& 0.2& 0\end{array}\right]$

由矩阵D可以看出，证据m₂(*)与证据m₁(*)，m₃(*)，m₄(*)有较大冲突，其冲突程度达到了0.7，0.8，0.8；其他证据之间的冲突程度较低，都在0.3以下。因此在证据合成过程中，证据m₂(*)的权重系数相对其他的证据就较小，其他证据的权重系数相差不大。

则4×4维的证据相互支持度矩阵为：

$S=\left[\begin{array}{cccc}1& 0.3& 0.9& 0.7\\ 0.3& 1& 0.2& 0.2\\ 0.9& 0.2& 1& 0.8\\ 0.7& 0.2& 0.8& 1\end{array}\right]$

据发明内容中的公式(5)求得各证据权重系数向量λ＝{2.9，1.7，2.9，2.7}；据发明内容中的公式(6)可计算出各证据的相对折扣因ξ＝{1.000，0.5862，1.000，0.9310}。据发明内容中的公式(7)对各证据的基本概率分配进行折扣处理后再按Dempster合成法则进行证据合成，组合结果见表3。

为了验证本发明方法的优越性，同时采用现有D-S证据合成法进行融合，融合结果见表3。

表3证据组合结果

从表3可以看出，当有四条证据融合时，本发明判定顶板安全状态为S₁的可能性达到0.9104，即顶板处于安全状态；而直接利用Dempster方法却判定顶板安全状态为S₂，可见采用Dempster规则不能对有冲突的证据进行有效处理，若有一证据对某命题的支持度为0，无论其他证据对该命题有多大的支持概率，组合结果总为0，显然不合情理。本发明提出的D-S改进算法考虑了组合过程中证据的权重，基于证据距离来确定证据之间的相互支持度，并最终获得各证据的权重系数。仿真算例表明，本发明的算法可以有效处理证据冲突，而且在证据较少(在收集到3条证据时)的情况下也可以得到正确的结果，收敛速度快，降低了决策风险，提高了在证据高度冲突时融合结果的可靠性。

Claims (1)

1.一种证据高冲突环境下多源信息融合方法，其特征在于，步骤如下：

第一步：建立多传感器融合结构

设融合结构由n类传感器监测系统组成，其中每个局部系统基于自己的观测值y_i完成同一决策任务u_i之后将决策值u_i传送到融合中心，融合中心的任务是根据接收到的局部决策，利用最优融合规则，作出最终决策u₀；

第二步：建立基于D-S证据理论的监测命题辨识框

将多传感器监测命题的决策结果定义为安全(S₁)、临界(S₂)、危险(S₃)三个状态，监测命题的决策辨识框架X表示为：X＝{S₁，S₂，S₃}；

第三步：计算机采集数据并对多传感器监测数据进行归一化预处理

具体做法是：计算机采集某一周期内各监测系统中的传感器数据并进行归一化处理，使其对监测结果的判定值落在[0，1]范围内；即把采集到的各类监测数据转化为对应证据的基本可信度分配值，使其具有统一表达方式，便于数据融合。当有n类传感器监测系统进行状态监测时，每个传感器的评估记为m_i，i＝1...n，则系统基本可信度可分配为：

m_i(A₁)＝x₁，A₁＝{S₁}

m_i(A₂)＝x₂，A₂＝{S₂}

m_i(A₃)＝x₃，A₃＝{S₃}

$\underset{j=1}{\overset{3}{\mathrm{\Σ}}}{m}_i\left(A_j\right)=1$

第四步：判断证据之间是否存在高度冲突

根据D-S证据理论计算证据之间的冲突值，通过冲突值大小来判断证据之间是否存在高度冲突；

任意两个证据a，b之间的冲突值K_a，b由公式(1)计算得出，公式(1)如下：

$K_{a,b}=\underset{i=1}{\overset{i=3}{\mathrm{\Σ}}}\underset{j=1}{\overset{j=3}{\mathrm{\Σ}}}{m}_a\left(A_i\right)m_b\left(A_j\right),i\≠j---\left(1\right)$

当证据之间的冲突值K_a，b＜0.65时，应用现有D-S证据理论合成法则对证据进行合成；

当证据之间的冲突值K_a，b≥0.65时，说明证据之间产生高度冲突，处理方法转第四步；

第四步：基于证据距离对高冲突证据进行合成

根据证据距离来确定证据的相互支持度，并以证据支持度矩阵模最大特征值对应的特征向量为证据的权重向量，其中权重系数最大的证据为关键证据，进而求得各证据的相对折扣因子，然后对各证据信息进行打折扣处理，再用D-S规则融合；具体方法如下：

(1)根据证据距离确定证据之间的相互支持度

证据m₁，m₂的距离定义如下：

$d(m_1,m_2)=\sqrt{\frac{1}{2}d{({\stackrel{\→}{m}}_1-{\stackrel{\→}{m}}_2)}^T\underset{=}{D}({\stackrel{\→}{m}}_1-{\stackrel{\→}{m}}_2)}$            (2)

$D(A,B)=\frac{|A\∩B|}{|A\∪B|}$

式中

为2^N×2^N的矩阵，A，B∈X，X为辨识框，N为X中基本假设的个数；

设有n个传感器信息，那么可以构造n个证据m₁，m₂，…，m_n，根据公式(2)计算n个证据两两之间的距离，根据证据距离可以确定两证据之间的相互支持度，记为：

Support(i，j)＝1-d(i，j)    (3)

根据公式(3)得到证据n×n维相互支持度矩阵：

$S=\left[\begin{array}{cccccc}1& S_{\left(\mathrm{1,2}\right)}& .& .& .& S_{(1,n)}\\ S_{\left(\mathrm{2,1}\right)}& 1& .& .& .& S_{(2,n)}\\ .& .& & .& & .\\ .& .& & .& & .\\ .& .& & .& & .\\ S_{(n,1)}& S_{(n,2)}& .& .& .& 1\end{array}\right]$

(2)寻找关键证据

证据支持度的矩阵模最大特征值对应的特征向量为证据的权重向量，其中权重系数最大的证据为关键证据；

首先计算其他证据对证据m_i的总支持程度λ_i，根据相互支持度矩阵S，按照公式(4)计算其他证据对证据m_i总支持程度，亦即证据m_i的权重系数；

${\mathrm{\λ}}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{S}_{(i,j)---\left(4\right)}$

选择权重系数最大也就是认为可信度最大的证据为关键证据，其权重系数为：

λ_max＝max(λ₁，…，λ_i，…λ_n)    (5)

(3)计算各证据的相对折扣因子

证据m_i的相对折扣因子为下式

${\mathrm{\ξ}}_i=\frac{{\mathrm{\λ}}_i}{{\mathrm{\λ}}_{\max }}---\left(6\right)$

(4)根据各证据的相对折扣因子建立证据基本概率分配值修正模型，利用修正模型对证据基本概率分配值进行修正，修正模型用下式(7)表示：

$\left\{\begin{array}{c}{m}_i^{*}\left(A\right)={\mathrm{\ξ}}_i{m}_i\left(A\right),A\⊆X\\ m_i^{*}\left(X\right)=1-{\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i{m}_i\left(X\right)\end{array}\right.---\left(7\right)$

式中X为辨识框；

(5)利用Dempster合成规则对修正后的证据基本概率分配值进行融合

第五步：计算机对融合后的基本概率分配值S进行分析，并输出多传感器信息在辨识框X内的辨识结果，从而实现证据高冲突状态下的证据合成。

Images