CN108875823A - 基于新的证据衡量标准下证据的组合方法 - Google Patents

Abstract

本发明公开了一种基于新的证据衡量标准下证据的组合方法,克服了现有技术证据分配不合理与组合结果与事实结果是相违背的问题,方法:1.传感器的部署:在房间的墙角安装由多种类传感器组成的传感器组，其中多种类传感器包括有温度传感器、湿度传感器、烟雾浓度传感器、二氧化碳浓度传感器、红外传感器；2.确立新的证据冲突衡量标准Pcor：根据传感器采集到的数据确定证据，根据证据分析各证据间冲突程度；3.确定各证据权重系数：根据各证据冲突衡量标准Pcor值构建支持矩阵，根据支持矩阵确立信任度，最后使用信任度确立各证据权重系数；4.证据组合：根据权重系数调整基本概率赋值向量，经过DS证据理论进行组合得到更合理的结论。

Description

基于新的证据衡量标准下证据的组合方法

技术领域

本发明涉及一种属于多传感器信息融合领域的方法，更确切地说,本发明涉及一种基于新的证据衡量标准下证据的组合方法。

背景技术

多传感器信息融合技术是对各个传感器所提供的数据进行优化和综合处理，以达到对观测目标的情况更加准确可靠的判断。由于监测系统测量数据越来越多、越来越复杂，只利用一个传感器提供的数据已经不能满足对可靠性的要求，再加上监测工作有时是在恶劣的环境中进行，传感器可能无法正常工作。因此人们很自然的想到利用多个传感器对不同物理量进行监测，如使用温度传感器监测温度变化，震动传感器监测震动情况，那么如何把这些不同类型的传感器提供的数据组合在一起完成最终判决成为了关键。每一个传感器所采集到的数据都会提供相应的证据，例如检测火灾使用多种传感器，有温度传感器、湿度传感器、烟雾传感器、红外传感器等。而每一个传感器所收集到的数据都会对火灾是否发生进行识别，如温度传感器收集到数据后对火灾发生概率进行识别{有火灾：60％，无火灾：34％,不确定：6％}，那么这类识别结果就作为多传感器的证据。

目前针对多传感器信息融合技术已经有很多成熟的研究成果，决策级融合作为最终结论的判定广泛受到关注，在融合之前，各传感器数据源要经过变换并获得独立的身份估计，并根据一定准则和决策的可信度对各传感器的属性决策结果进行融合，常用的算法有DS(Dempster-Shafer)证据理论、贝叶斯估计法等。贝叶斯估计法作为最早应用于多传感器信息融合中的算法，具有较强的相容性，但由于其需要已知先验概率，在实际应用中很难知道先验概率，而假设的先验概率又往往与实际相矛盾，使得推理结果会变得很差；但是DS证据理论是可以在缺乏先验概率的情况下有效地进行不确定信息的融合和处理。但是DS证据理论也存在一些不足，列举如下：

(1)DS证据理论中，对证据间的关系只是使用简单的加权平均进行分配，并没有根据各证据间内在的关系进行处理。

(2)DS证据理论在证据间存在高冲突情况时，融合的结果会差强人意。在多传感器数据中，如果其中一个传感器证据与其他传感器证据完全相反，那么会出现“一票否决”的现象，使用DS证据理论进行组合时会产生与事实相悖的结果。

(3)当更多的数据加入到多传感器组合时，融合结果的稳定性和收敛性较差。

发明内容

本发明所要解决的技术问题是克服了DS证据组合中证据分配不合理与DS证据理论在融合高冲突证据时融合结果与事实结果是相违背的问题，提供了一种基于新的证据衡量标准下证据的组合方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：所述的基于新的证据衡量标准下证据的组合方法的步骤如下:

1)传感器的部署:

在房间的墙角安装由多种类传感器组成的传感器组，其中多种类传感器包括有温度传感器、湿度传感器、烟雾浓度传感器、二氧化碳浓度传感器、红外传感器；

2)确立新的证据冲突衡量标准Pcor；

根据传感器采集到的数据确定证据，并根据证据分析各证据间冲突程度；

3)确定各证据权重系数：

根据各证据冲突衡量标准Pcor值构建支持矩阵，根据支持矩阵确立信任度，最后使用信任度最终确立各证据权重系数；

4)证据组合：

根据确定的权重系数调整基本概率赋值向量，最后经过DS证据理论进行组合得到更合理的结论。

技术方案中所述的确立新的证据冲突衡量标准Pcor是指：

1)基本概率赋值函数BPA

设Θ为基本识别框架，如果函数m：2^Θ→[0,1]满足∑m(A)＝1，则称m为Θ上的基本概率赋值函数：其中m(A)叫做A的基本概率赋值，也就是对A的支持度。如果且满足m(A)>0，则称A为焦元。将框架Θ内给出的m(A₁)、m(A₂)、…、m(A₂ ^Θ)用行向量m表示：m＝[m(A₁),m(A₂),…,m(A₂ ^Θ)]；传感器采集的数据所对应的基本概率赋值根据大量的实验来确定。

2)行向量m经过Pignistic概率函数转化成m′：

Pignistic概率函数为

|A_k|为集合A中包含元素的个数；

m′＝(BetP_m(θ₁),BetP_m(θ₂),…BetP_m(θ_n)) (2)

3)构建证据冲突衡量标准Pcor

将转化后的行向量两两带入相关系数方程中来表示m₁′、m′₂证据之间的冲突程度，例如m₁′、m′₂

其中：<m₁′,m′₂>为两个向量的内积，|m₁′|、|m₂′|为向量的模。

技术方案中所述的确定各证据权重系数是指：

1)根据各证据之间Pcor值构建支持矩阵Sup

2)观察支持矩阵Sup，主对角线上元素值全部为1，为减少自身Pcor对整个权重的影响，将主对角线元素全部置零，那么变换后支持距阵Sup′为

3)根据支持矩阵Sup′可确定m_i(i＝1,2,…,n)的信任度Crd_i

4)信任度Crd_i与证据间支持度成正比，通过信任度来确定各证据的权重，因此各证据的权重系数表示为

式中:Crd_i为各证据的信任度，ω_i为各证据的权重系数。

技术方案中所述的证据组合是指：

1)根据证据间权重系数调整基本概率赋值向量

2)使用DS证据理论进行组合

式中：

3)最终将多个传感器的提供的证据组合成一个可以让电脑决定的证据，准确预报房间是否发生火灾。

与现有技术相比本发明的有益效果是：

1.对比证据距离d_BPA与证据间的关系系数r，本发明所述的一种基于新的证据衡量标准下证据的组合方法中的证据冲突衡量标准Pcor具有随着证据间冲突越大，其值就越小，在两个证据一样的情况下即两个证据间没有冲突的时候Pcor＝1，更全面的描述证据间的冲突程度；

2.对比改进的DS证据理论Murthy算法，根据本发明所述的一种基于新的证据衡量标准下证据的组合方法中的Pcor值更加合理的确定了证据间的权重系数，达到对证据的合理分配；

3.对比经典的DS证据理论，本发明所述的一种基于新的证据衡量标准下证据的组合方法在证据间高冲突的情况下，也能准确的做出决策得到并与事实相符合的结论。

附图说明

下面结合附图对本发明作进一步的说明：

图1为本发明所述的基于新的证据衡量标准下证据的组合方法的流程示意框图；

图2为本发明所述的基于新的证据衡量标准下证据的组合方法中确立新的证据衡量标准Pcor的流程框图；

图3为本发明所述的基于新的证据衡量标准下证据的组合方法中确立证据间权重系数的流程框图；

图4为本发明所述的基于新的证据衡量标准下证据的组合方法中证据组(融)合方法流程框图。

具体实施方式

下面结合附图对本发明作详细的描述：

参阅图1，本发明提供了一种新的证据冲突衡量标准Pcor，并且在该标准下进行证据组合，该新的证据冲突衡量标准Pcor更全面、更清晰的描述了证据间冲突关系，并且在该标准下确立了各证据的权重系数，并在权重系数的支持下合理分配证据，使得融合后的结果更加准确，并且有效地解决了高冲突证据给DS证据理论带来的缺陷，该方法所包含的步骤如下：

1.传感器的部署

在某个房间的墙角安装由多种类传感器组成的传感器组，其中多种类传感器包括有温度传感器、湿度传感器、烟雾浓度传感器、一氧化碳浓度传感器、红外传感器。其中温度传感器采用型号为SHT11的温湿传感器，湿度传感器采用型号为SHT11的温湿传感器，型号为SHT11的温湿传感器是一个高度集成的温湿传感器芯片；烟雾传感器采用型号为MQ-2的气体传感器，一氧化碳浓度传感器采用型号为MQ-7的传感器，红外传感器采用型号为KP500B的传感器。将温度、湿度、烟雾、一氧化碳、红外传感器集成到Zigbee子节点上，然后通过Zigbee网络将传感器数据上传到控制层，此控制层包括STM32F103主控板、Zigbee协调器。Zigbee协调器负责接收Zigbee节点传来的传感器数据并将其打包输出给STM32F103主控板，传感器数据在STM32F103主控板内进行多传感器信息融合。

2.确立新的证据冲突衡量标准Pcor

参阅图2，图中所示是本发明确立新的证据冲突衡量标准Pcor的方法步骤，该方法是根据传感器采集到的数据确定证据，并根据证据分析各证据间冲突程度(关系)；

1)基本概率赋值函数(BPA)

设Θ为基本识别框架，如果函数m：2Θ→[0,1]满足∑m(A)＝1，则称m为Θ上的基本概率赋值函数：其中m(A)叫做A的基本概率赋值，也就是对A的支持度。如果且满足m(A)>0，则称A为焦元。将框架Θ内给出的m(A₁)、m(A₂)、…、m(A₂ ^Θ)用行向量m表示：m＝[m(A₁),m(A₂),…,m(A₂ ^Θ)]；传感器采集的数据所对应的基本概率赋值根据大量的实验来确定。

2)行向量m经过Pignistic概率函数转化成m′：

Pignistic概率函数为

|A_k|为集合A中包含元素的个数；

m′＝(BetP_m(θ₁),BetP_m(θ₂),…BetP_m(θ_n)) (2)

3)构建证据冲突衡量标准Pcor

将转化后的行向量两两带入相关系数方程中来表示m₁′、m′₂证据之间的冲突程度，例如m₁′、m′₂

其中：<m₁′,m′₂>为两个向量的内积，|m₁′|、|m₂′|为向量的模。

3.确定各证据权重系数

参阅图3，图中所示是本发明确立各证据权重系数的方法步骤，该方法是根据各证据冲突衡量标准Pcor值构建支持矩阵，根据支持矩阵确立信任度，最后使用信任度最终确立各证据权重系数。

1)根据各证据之间Pcor值构建支持矩阵Sup

2)观察支持矩阵Sup，主对角线上元素值全部为1，为减少自身Pcor对整个权重的影响，将主对角线元素全部置零，那么变换后支持距阵Sup′为

3)根据支持矩阵Sup′可确定m_i(i＝1,2,…,n)的信任度Crd_i

4)信任度Crd_i与证据间支持度成正比，通过信任度来确定各证据的权重，因此各证据的权重系数表示为

式中:Crd_i为各证据的信任度，ω_i为各证据的权重系数；

4.证据组合

参阅图4，图中所示是本发明确立的证据组合的方法步骤，根据确定的权重系数调整基本概率赋值向量，最后经过DS证据理论进行组合得到更合理的结论。

1)根据证据间权重系数调整基本概率赋值向量

2)使用DS证据理论进行组合

式中：

3)最终将多个传感器的提供的证据组合成一个可以让电脑决定的证据，准确预报房间是否发生火灾。

实施例

1.传感器的部署

在一个房间的墙角安装由温度传感器、湿度传感器、烟雾浓度传感器、一氧化碳浓度传感器与红外传感器组成的传感器组；

传感器组把采集到的数据通过ZigBee网络上传到控制层，控制层中的ZigBee协调器把传感器组中的数据打包传送给主控板STM32F103，主控板内部将传感器组发来的数据先进行预处理，再进行证据组合；预处理首先根据经验数据把每一种类传感器传送的数据整理成火灾识别框架Θ＝{A＝无火灾，B＝有火灾，C＝不确定}，每一个种类传感器所采集的数据最终都会处理成对于火灾识别框架内的元素可能发生的概率；

温度传感器：m₁(A)＝0.5，m₁(B)＝0.2，m₁(C)＝0.3；

烟雾浓度传感器：m₂(A)＝0.0，m₂(B)＝0.8，m₂(C)＝0.2；

湿度传感器：m₃(A)＝0.6，m₃(B)＝0.3，m₃(C)＝0.1；

二氧化碳传感器：m₄(A)＝0.55，m₄(B)＝0.25，m₄(C)＝0.2；

红外传感器：m₅(A)＝0.65，m₅(B)＝0.15，m₅(C)＝0.2；

处理的数据可以看出，温度传感器采集到的数据整理成m₁(A)＝0.5、m₁(B)＝0.2、m₁(C)＝0.3，即温度传感器采集到的数据无火灾概率为0.5，有火灾概率为0.2，不确定是否发生火灾概率为0.3，同理其他传感器也是如此；

从5个传感器给出的证据看出，m₁、m₃、m₄、m₅证据认为无火灾的可能性较大；证据m₂认为有火灾的概率较高，相比较而言，证据m₂是一条高冲突证据；

2.确立新的证据冲突衡量标准Pcor:

将各证据基本概率赋值函数变换成向量形式；

m₁＝(0.5，0.2，0.3)

m₂＝(0.0，0.8，0.2)

m₃＝(0.6，0.3，0.1)

m₄＝(0.55，0.25，0.2)

m₅＝(0.65，0.15，0.2)

然后根据公式(1)求出单子集下的Pignistic概率函数并在此基础上根据公式(2)求出各证据间的Pcor值，例如m₁、m₂的Pcor值：

3.确立各证据权重系数:

根据公式(4)用各证据间Pcor值构建支持矩阵Sup，并将其转换成公式(5)Sup′形式的支持矩阵；

从支持矩阵Sup′中变可看出，m₂与其他证据的Pcor值都要小，说明m₂与其他证据的冲突大，那么Pcor作为冲突衡量标准是准确的。

根据公式(6)从支持矩阵Sup′中求出各证据的信任度Crd，例如m₁的信任度：

根据公式(7)通过信任度Crd确立各证据的权重系数，例如m₁的权重系数：

4.证据组合:

根据公式(8)利用各证据权重系数将基本赋值概率重新进行分配得到；

m″＝(0.5644,0.1799,0.2556)

最后，使用DS证据理论将更新后的基本赋值概率向量m″赋值给所有证据，根据公式(9)进行组合得到最终判定结果：

m(A)＝0.9373，m(B)＝0.0542，m(C)＝0.0085

分析组合结果可以得出，直接使用DS证据理论得出的结论为该房间发生了火灾，而实际情况是没有发生火灾，只是烟雾浓度变大了，这种原因可能是室内有吸烟人群，属于误报；按照本发明方法进行组合，最终得出的结论是没有发生火灾，不需要进行报警，符合实际情况。

本发明所述的一种基于新的证据冲突衡量标准Pcor的证据组合方法，确立了新的冲突衡量标准，能有效的分辨出证据中哪一个为高冲突证据，并且按照冲突衡量标准Pcor，合理地分配证据。本法明所述的一种基于新的证据冲突衡量标准Pcor的证据组合方法很好的解决了经典DS证据理论中合成高冲突证据时产生的“一票否决”现象和与事实相悖的结论，并且增强了组合方法的稳定性与收敛性。

Claims (4)

1.一种基于新的证据衡量标准下证据的组合方法,其特征在于,所述的基于新的证据衡量标准下证据的组合方法的步骤如下:

1)传感器的部署:

在房间的墙角安装由多种类传感器组成的传感器组，其中多种类传感器包括有温度传感器、湿度传感器、烟雾浓度传感器、二氧化碳浓度传感器、红外传感器；

2)确立新的证据冲突衡量标准Pcor；

根据传感器采集到的数据确定证据，并根据证据分析各证据间冲突程度；

3)确定各证据权重系数：

根据各证据冲突衡量标准Pcor值构建支持矩阵，根据支持矩阵确立信任度，最后使用信任度最终确立各证据权重系数；

4)证据组合：

根据确定的权重系数调整基本概率赋值向量，最后经过DS证据理论进行组合得到更合理的结论。

2.按照权利要求1所述的基于新的证据衡量标准下证据的组合方法,其特征在于,所述的确立新的证据冲突衡量标准Pcor是指：

1)基本概率赋值函数BPA

设Θ为基本识别框架，如果函数m：2^Θ→[0,1]满足∑m(A)＝1，则称m为Θ上的基本概率赋值函数：其中m(A)叫做A的基本概率赋值，也就是对A的支持度。如果且满足m(A)>0，则称A为焦元。将框架Θ内给出的m(A1)、m(A₂)、…、m(A₂ ^Θ)用行向量m表示：m＝[m(A₁),m(A₂),…,m(A₂ ^Θ)]；传感器采集的数据所对应的基本概率赋值根据大量的实验来确定。

2)行向量m经过Pignistic概率函数转化成m′：

Pignistic概率函数为

|A_k|为集合A中包含元素的个数；

m′＝(BetP_m(θ₁),BetP_m(θ₂),…BetP_m(θ_n)) (2)

3)构建证据冲突衡量标准Pcor

将转化后的行向量两两带入相关系数方程中来表示m′₁、m′₂证据之间的冲突程度，例如m′₁、m′₂

其中：<m′₁,m′₂>为两个向量的内积，|m′₁|、|m′₂|为向量的模。

3.按照权利要求1所述的基于新的证据衡量标准下证据的组合方法,其特征在于,所述的确定各证据权重系数是指：

1)根据各证据之间Pcor值构建支持矩阵Sup

2)观察支持矩阵Sup，主对角线上元素值全部为1，为减少自身Pcor对整个权重的影响，将主对角线元素全部置零，那么变换后支持距阵Sup′为

3)根据支持矩阵Sup′可确定m_i(i＝1,2,…,n)的信任度Crd_i

4)信任度Crd_i与证据间支持度成正比，通过信任度来确定各证据的权重，因此各证据的权重系数表示为

式中:Crd_i为各证据的信任度，ω_i为各证据的权重系数。

4.按照权利要求1所述的基于新的证据衡量标准下证据的组合方法,其特征在于,所述的证据组合是指：

1)根据证据间权重系数调整基本概率赋值向量

2)使用DS证据理论进行组合

式中：

3)最终将多个传感器的提供的证据组合成一个可以让电脑决定的证据，准确预报房间是否发生火灾。