CN112672299B - 一种基于多源异构信息融合的传感器数据可信度评估方法 - Google Patents

Abstract

本发明属于信息融合技术领域，提供一种基于多源异构信息融合的传感器数据可信度评估方法，用以克服现有证据理论、贝叶斯估计等传感器数据可信度评估方法在人为对传感器实施干扰时、不能够对实际真实情况的数据进行正确准确的评估、导致无法反映当前工作环境中的实际情况的问题。本发明首先，提出的新的数据可信度定义，融合了多种算法得到的数据来对待评估传感器节点的数据进行预测，避免了算法的单一性，使得监测系统更加稳定可靠；其次，利用传感器源的时空关系，增加了传感器可信度指标，能够更客观地反映出真实的工作环境；最后，结合多源异构信息融合算法，在传感器被人为干扰或者遮挡时，同样能够对传感器数据进行有效评估。

Description

一种基于多源异构信息融合的传感器数据可信度评估方法

技术领域

本发明属于信息融合技术领域，具体涉及一种基于多源异构信息融合的传感器数据可信度评估方法。

背景技术

无线传感器网络已经遍及各处，而传感器节点数据的可靠性对于数据处理至关重要，特别是用于安全监测的传感器网络数据。在工业安全方面，无线传感网络用于监测煤矿、石油钻井、核电厂等危险工作环境的安全状况，保证工作人员的安全。但由于诸多因素的干扰，比如传感器故障、传感器老化，供电不足等问题，导致传感器所采集到的数据有时未必真实可信，从而导致监测系统出现虚警、漏警等现象，大大降低监测系统的性能，如果不能对错误信息加以评估和甄别，甚至可能会带来灾难性后果，因此对传感器数据进行可信度评估具有重大意义。

常用的数据可信度评估技术有证据理论、贝叶斯估计等，证据理论方法在处理大量数据上存在着计算量爆炸式增长的问题；贝叶斯估计存在着先验信息难以获得，并且实时性较差，实际应用较少。更重要的是，以上方法都没有考虑到数据源之间的时空关系，从而当人为对传感器实施干扰时，这些方法并不能够对实际真实情况的数据进行正确准确的评估，进而导致无法反映当前工作环境中的实际情况。

发明内容

本发明的目的在于针对上述现有证据理论、贝叶斯估计等传感器数据可信度评估方法存在的诸多问题，提供一种基于多源异构信息融合的传感器数据可信度评估方法。本发明能够实时对传感器节点数据进行实时可信度评估，并且融合传感器之间的时空关系能够达到更精确的评估效果，进一步真实反映出工作环境的状态。

本发明还提供了一种新的数据可信度定义，其中包括了传感器的可信度和传感器数据的可信度，两者加权融合共同反映数据可信度的大小，更加可靠。

为了实现上述目的，本发明采用如下技术方案：

一种基于多源异构信息融合的传感器数据可信度评估方法，包括以下步骤：

步骤1.根据环境需求确定待评估传感器节点i和待评估传感器节点i的邻近传感器节点集合Q_i；

步骤2.通过ARIMA算法分别对将待评估传感器节点i的历史数据、及邻近传感器节点集合Q_i中每一个邻近传感器节点j的历史数据进行数据拟合，得到相应的历史数据拟合曲线；

步骤3.将步骤2中的待评估传感器节点i的历史数据拟合曲线与其各个邻近传感器节点j的历史数据拟合曲线分别做相关分析，根据相关结果计算得到待评估传感器节点数据与其邻近传感器节点数据的趋势相关度

步骤4.选取与待评估传感器节点i为同类型的邻近传感器节点，构成同类型邻近传感器节点集合Q′_i；计算待评估传感器节点数据与其同类型邻近传感器节点数据之间的均值偏离度

步骤5.将步骤3和步骤4分别计算得到趋势相关度

和均值偏离度

进行加权融合，得到待评估传感器节点i的传感器可信度

其中，K₁₁，K₁₂为预设权重系数；若传感器可信度

则认定待评估传感器节点i可信，转至步骤6；否则，认定待评估传感器节点i不可信，将待评估传感器节点数据的可信度置零，并转至步骤10；其中，α为预设传感器可信阈值、α∈[0,1]；

步骤6.利用步骤2拟合出的数据模型融合待评估传感器节点i的历史数据，根据数据间的时间相关性对当前时刻t待评估传感器节点数据进行预测，得到待评估传感器节点i的当前时刻拟合模型预测值S_pi，将预测值S_pi与待评估传感器节点i的测量值E_i进行比较，从而得到当前时刻t待评估传感器节点i的自身数据可信度

步骤7.利用BP神经网络算法融合待评估传感器节点数据及其邻近传感器节点集合Q_i中所有多源异构节点数据，根据数据间的关联相关性对当前时刻t待评估传感器节点数据进行预测，得到待评估传感器节点i的当前时刻异构模型预测值M_pi，然后将预测值M_pi与待评估传感器节点i的测量值E_i进行比较，从而得到当前时刻待t评估传感器节点i的异构数据可信度

步骤8.将步骤6和步骤7分别计算得到的异构数据可信度

和自身数据可信度

进行加权融合，得到当前时刻t待评估传感器节点i的融合数据可信度

其中，K₂₁、K₂₂为预设权重系数；

步骤9.将步骤5和步骤8分别得到的传感器可信度

和融合数据可信度

进行融合，得到待评估传感器节点i的数据可信度

步骤10.完成待评估传感器节点i在当前时刻t的传感器数据可信度评估，并更新时刻为t+1，进行下一时刻的传感器数据可信度评估。

进一步的，所述步骤3中，待评估传感器节点数据与其邻近传感器节点数据的趋势相关度

的计算过程如下：

其中，N为邻近传感器节点集合Q_i中节点个数，

为待评估传感器节点i和邻近传感器节点j的历史数据拟合曲线的相关结果。

进一步的，所述步骤4中，待评估传感器节点数据与其同类型邻近传感器节点数据之间的均值偏离度

的技术过程如下：

1)分别计算待评估传感器节点数据与各个同类型邻近传感器节点数据之间的均值差，并将各个均值差的绝对值取平均，得到待评估传感器节点i与同类型邻近传感器节点数据的平均均值差

2)对同类型邻近传感器节点集合Q′_i中每一个同类型邻近传感器节点k，计算该同类型邻近传感器节点k与集合Q′中各个剩余节点的均值差，并将各个均值差的绝对值取平均，得到同类型邻近传感器节点k与集合Q′中剩余节点的平均均值差

进而计算得到待评估传感器节点i的环境均值差

其中，N′为同类型邻近传感器节点集合Q′_i中节点个数；

3)计算待评估传感器节点i的均值偏离度

进一步的，所述步骤6中，当前时刻t待评估传感器节点i的自身数据可信度

的计算过程如下：

其中，η为预设自身可信度评估阈值、η∈[0,1]，

为待评估传感器节点i的当前时刻拟合模型预测值S_pi与测量值E_i之间的差：

进一步的，所述步骤7中，当前时刻待t评估传感器节点i的异构数据可信度

的计算过程如下：

其中，γ为预设异构可信度评估阈值、γ∈[0,1]，

为待评估传感器节点i的当前时刻异构模型预测值M_pi与测量值E_i之间的差：

进一步的，所述步骤1中，待评估传感器节点i的邻近传感器节点集合Q_i构成过程为：设置距离阈值d₁，将满足D_ij≤d₁的传感器节点认定为待评估传感器节点i的邻近传感器节点，D_ij表示待评估传感器结点i与传感器节点j之间的距离；

所述步骤4中，待评估传感器节点i的同类型邻近传感器节点集合Q′_i构建过程为：

设置距离阈值d₂、且d₂＞d₁，将满足D_ik≤d₂的传感器节点认定为待评估传感器节点i的同类型邻近传感器节点，D_ik表示待评估传感器节点i与同类型传感器节点k之间的距离。

进一步地，所述步骤5中，预设权重系数K₁₁、K₁₂的取值范围为：0＜K₁₁＜1、0＜K₁₂＜1，且K₁₁+K₁₂＝1；

所述步骤8中，预设权重系数K₂₁、K₂₂的取值范围为：0＜K₂₁＜1、0＜K₂₂＜1，且K₂₁+K₂₂＝1。

另外，需要说明的是：

上述中涉及到的阈值α、η和γ，要根据实际环境、用户需求以及评估算法的输出结果来选取一组合适的阈值，通常情况下α∈[0,1]、η∈[0,1]和γ∈[0,1]。

本发明的有益效果在于：

本发明一种基于多源异构信息融合的传感器数据可信度评估方法，具有如下优点：

1)本发明提出的一种新的数据可信度定义，融合了多种算法得到的数据来对待评估传感器节点的数据进行预测，避免了算法的单一性，使得监测系统更加稳定可靠；

2)本发明利用了传感器源的时空关系，增加了传感器可信度指标，能够更客观地反映出真实的工作环境；

3)本发明提出的一种多源异构信息融合分析度量算法，实现对监察监管系统的数据信息自动评估，解决了人工经验定性评价的模糊问题；

4)本发明提出的多源异构信息融合算法，在传感器被人为干扰或者遮挡时，同样能够对传感器数据进行有效评估，提高算法的适用性能。

附图说明

图1为本发明实施例中传感器空间位置示意图。

图2为本发明实施例中传感器数据可信度评估方法的步骤流程图。

图3为本发明实施例中传感器数据可信度评估结果图。

具体实施方式

下面结合附图和实施例对本发明进行进一步的说明。

本实施例提供一种基于多源异构信息融合的传感器数据可信度评估方法，通过获取待评估结点的传感器可信度和传感器数据的可信度，将两者加权融合起来得到最终待评估传感器节点的数据可信度。

本实施例中，传感器的空间位置示意图如图1所示，中间是待评估传感器节点i，其他传感器为随机分布在其周围的各个类型传感器，其中，传感器类型有烟雾传感器、温度传感器及CO浓度传感器。

本实施例中，所述基于多源异构信息融合的传感器数据可信度评估方法的流程图如图2所示，具体包括以下步骤：

步骤1.根据环境需求确定待评估传感器节点i和待评估传感器节i点周围的邻近传感器节点：

在[10,50]区间中选择一组距离阈值d₁，计算待评估结点i和传感器节点j之间的距离D_ij，若D_ij≤d₁时、认定传感器节点j为待评估传感器节点i的邻近传感器节点，否则、不是其邻近传感器节点；根据邻近传感器数据量的大小，最终将d₁选择d₁＝30cm；因此，如图1所示，烟雾传感器1、温度传感器1、温度传感器2、烟雾传感器4、CO浓度传感器2被选取为邻近传感器节点，构成邻近传感器节点集合Q_i；

步骤2.通过ARIMA算法分别对将待评估传感器节点i的历史数据和其邻近传感器节点j的历史数据进行数据拟合，得到相应的历史数据拟合曲线；

步骤3.将步骤2中的待评估传感器节点i的历史数据拟合曲线与其各个邻近传感器节点的历史数据拟合曲线分别做相关分析，将所有的相关结果求平均，得到待评估传感器节点数据与其邻近传感器节点数据的趋势相关度

即：

其中，N为邻近传感器节点集合Q_i中节点个数，

为待评估传感器节点i和邻近传感器节点j的历史数据拟合曲线的相关性大小；

步骤4.选取与待评估传感器节点i为同传感器类型的邻近传感器节点，计算待评估传感器节点数据的均值与其同类型邻近传感器节点数据之间的均值偏离程度

步骤4.1选择同传感器类型邻近传感器方法如下：

在[10,80]区间中选择另一个距离阈值d₂、通常情况下d₂＞d₁，计算待评估传感器节点i和传感器节点k之间的距离D_ik，若D_ik≤d₂、且传感器节点k和待评估传感器节点i的传感器类型相同，则认定传感器节点k为待评估传感器节点i的同类型邻近传感器节点，否则、不被认定为同类型邻近传感器节点；根据同类型邻近传感器数据量的大小，最终选择：d₂＝50cm；因此，如图1所示，烟雾传感器1、烟雾传感器2，烟雾传感器3，烟雾传感器4被认定为待评估传感器节点i的同类型邻近传感器节点，构成同类型邻近传感器节点集合Q′_i；

步骤4.2计算均值偏离程度

的具体步骤如下：

1)分别计算待评估传感器节点数据与各个同类型邻近传感器节点数据之间的均值差，并将各个均值差的绝对值取平均，得到待评估传感器节点i与同类型邻近传感器节点数据的平均均值差

2)对同类型邻近传感器节点集合Q′_i中每一个同类型邻近传感器节点k，计算该同类型邻近传感器节点k与集合Q′中各个剩余节点的均值差，并将各个均值差的绝对值取平均，得到同类型邻近传感器节点k与集合Q′中剩余节点的平均均值差

进而计算得到待评估传感器节点i的环境均值差

其中，N′为同类型邻近传感器节点集合Q′_i中节点个数；

3)计算待评估传感器节点i的均值偏离度

步骤5.将步骤3和步骤4分别计算得到趋势相关度

和均值偏离度

进行加权融合，得到待评估传感器节点i的传感器可信度

其中，K₁₁，K₁₂为预设权重系数，本实施例中，通过一组正确的数据集进行多次迭代修改后确定为：K₁₁＝0.57、K₁₂＝0.43；若传感器可信度

则认为待评估传感器节点i可信，转至步骤6；否则，认为待评估传感器节点i不可信，待评估传感器节点数据的可信度会快速置零，转至步骤10；其中，α为预设传感器可信阈值、α∈[0,1]，本实施例中，设置α＝0.76，融合的传感器可信度公式评估效果最好；

步骤6.利用步骤2拟合出的数据模型融合待评估传感器节点的历史数据，根据数据间的时间相关性对当前时刻待评估传感器节点数据进行预测，得到待评估传感器节点i的当前时刻预测值S_pi，然后将预测值S_pi与待评估传感器节点i的测量值E_i进行比较，从而得到当前时刻待评估传感器节点i的自身数据可信度

其中，η为预设自身可信度评估阈值、η∈[0,1]，本实施例中，η＝1.9(％/m)；Δf_t ⁱ为待评估传感器节点i的当前时刻预测值S_pi与测量值E_i之间的差，即：

步骤7.利用BP神经网络算法融合待评估传感器节点i及其邻近传感器节点集合Q_i中所有多源异构节点数据，根据数据间的关联相关性对当前时刻待评估传感器节点数据进行预测，得到待评估传感器节点i的当前时刻预测值M_pi，然后将预测值M_pi与待评估传感器节点i的测量值E_i进行比较，从而得到当前时刻待评估传感器节点i的异构数据可信度

其中，γ为预设异构可信度评估阈值、γ∈[0,1]，本实施例中，γ＝6.5(％/m)；

为待评估传感器节点i的当前时刻预测值M_pi与测量值E_i之间的差，即：

步骤8.将步骤6和步骤7所计算出的两种可信度进行加权融合，得到当前时刻待评估传感器节点i的融合数据可信度

其中，K₂₁、K₂₂为权重系数，0＜K₂₁＜1，0＜K₂₂＜1；本实施例中，通过一组正确的数据集进行多次迭代修改后确定为：K₂₁＝0.62、K₂₂＝0.38；

步骤9.再融合步骤5得到的待评估传感器节点i的传感器可信度

和步骤8得到的待评估传感器节点i的融合数据可信度

得到待评估传感器节点i的数据可信度

步骤10.完成待评估传感器节点i在当前时刻t的数据可信度评估；

步骤11.重复步骤2～10，完成下一时刻t+1的数据可信度评估。

本实施例中，在待评估传感器节点i数据中人工加入噪声与干扰，如图3左侧所示，1820s到11985s为非遮挡情况下加噪后的数据，1985s到2068s为在人为遮挡烟雾传感器情况下所测得的数据，最终的评估结果如图3右侧所示，当有噪声干扰时，可信度可动态的上下浮动，而当人为制造非真实环境的干扰时，数据可信度急剧下降，满足真实应用需求。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (7)

1.一种基于多源异构信息融合的传感器数据可信度评估方法，包括以下步骤：

步骤1.根据环境需求确定待评估传感器节点i和待评估传感器节点i的邻近传感器节点集合Q_i；

步骤2.通过ARIMA算法分别对将待评估传感器节点i的历史数据、及邻近传感器节点集合Q_i中每一个邻近传感器节点j的历史数据进行数据拟合，得到相应的历史数据拟合曲线；

步骤3.将步骤2中的待评估传感器节点i的历史数据拟合曲线与其各个邻近传感器节点j的历史数据拟合曲线分别做相关分析，根据相关结果计算得到待评估传感器节点数据与其邻近传感器节点数据的趋势相关度

步骤4.选取与待评估传感器节点i为同类型的邻近传感器节点，构成同类型邻近传感器节点集合Q′_i；计算待评估传感器节点数据与其同类型邻近传感器节点数据之间的均值偏离度

步骤5.将步骤3和步骤4分别计算得到趋势相关度

和均值偏离度

进行加权融合，得到待评估传感器节点i的传感器可信度

其中，K₁₁，K₁₂为预设权重系数；若传感器可信度

则认定待评估传感器节点i可信，转至步骤6；否则，认定待评估传感器节点i不可信，将待评估传感器节点数据的可信度置零，并转至步骤10；其中，α为预设传感器可信阈值、α∈[0,1]；

步骤6.利用步骤2拟合出的数据模型融合待评估传感器节点i的历史数据，根据数据间的时间相关性对当前时刻t待评估传感器节点数据进行预测，得到待评估传感器节点i的当前时刻拟合模型预测值S_pi，将预测值S_pi与待评估传感器节点i的测量值E_i进行比较，从而得到当前时刻t待评估传感器节点i的自身数据可信度F_t ⁱ；

步骤7.利用BP神经网络算法融合待评估传感器节点数据及其邻近传感器节点集合Q_i中所有多源异构节点数据，根据数据间的关联相关性对当前时刻t待评估传感器节点数据进行预测，得到待评估传感器节点i的当前时刻异构模型预测值M_pi，然后将预测值M_pi与待评估传感器节点i的测量值E_i进行比较，从而得到当前时刻待t评估传感器节点i的异构数据可信度

步骤8.将步骤6和步骤7分别计算得到的异构数据可信度

和自身数据可信度F_t ⁱ进行加权融合，得到当前时刻t待评估传感器节点i的融合数据可信度

其中，K₂₁、K₂₂为预设权重系数；

步骤9.将步骤5和步骤8分别得到的传感器可信度

和融合数据可信度

进行融合，得到待评估传感器节点i的数据可信度

步骤10.完成待评估传感器节点i在当前时刻t的传感器数据可信度评估，并更新时刻为t+1，进行下一时刻的传感器数据可信度评估。

2.按权利要求1所述基于多源异构信息融合的传感器数据可信度评估方法，其特征在于，所述步骤3中，待评估传感器节点数据与其邻近传感器节点数据的趋势相关度

的计算过程如下：

其中，N为邻近传感器节点集合Q_i中节点个数，

为待评估传感器节点i和邻近传感器节点j的历史数据拟合曲线的相关结果。

3.按权利要求1所述基于多源异构信息融合的传感器数据可信度评估方法，其特征在于，所述步骤4中，待评估传感器节点数据与其同类型邻近传感器节点数据之间的均值偏离度

的技术过程如下：

1)分别计算待评估传感器节点数据与各个同类型邻近传感器节点数据之间的均值差，并将各个均值差的绝对值取平均，得到待评估传感器节点i与同类型邻近传感器节点数据的平均均值差

2)对同类型邻近传感器节点集合Q′_i中每一个同类型邻近传感器节点k，计算该同类型邻近传感器节点k与集合Q′中各个剩余节点的均值差，并将各个均值差的绝对值取平均，得到同类型邻近传感器节点k与集合Q′中剩余节点的平均均值差

进而计算得到待评估传感器节点i的环境均值差

其中，N′为同类型邻近传感器节点集合Q′_i中节点个数；

3)计算待评估传感器节点i的均值偏离度

4.按权利要求1所述基于多源异构信息融合的传感器数据可信度评估方法，其特征在于，所述步骤6中，当前时刻t待评估传感器节点i的自身数据可信度F_t ⁱ的计算过程如下：

其中，η为预设自身可信度评估阈值、η∈[0,1]，Δf_t ⁱ为待评估传感器节点i的当前时刻拟合模型预测值S_pi与测量值E_i之间的差：Δf_t ⁱ＝|E_i-S_pi|。

5.按权利要求1所述基于多源异构信息融合的传感器数据可信度评估方法，其特征在于，所述步骤7中，当前时刻待t评估传感器节点i的异构数据可信度

的计算过程如下：

其中，γ为预设异构可信度评估阈值、γ∈[0,1]，

为待评估传感器节点i的当前时刻异构模型预测值M_pi与测量值E_i之间的差：

6.按权利要求1所述基于多源异构信息融合的传感器数据可信度评估方法，其特征在于，

所述步骤1中，待评估传感器节点i的邻近传感器节点集合Q_i构成过程为：设置距离阈值d₁，将满足D_ij≤d₁的传感器节点认定为待评估传感器节点i的邻近传感器节点，D_ij表示待评估传感器结点i与传感器节点j之间的距离；

所述步骤4中，待评估传感器节点i的同类型邻近传感器节点集合Q′_i构建过程为：设置距离阈值d₂、且d₂＞d₁，将满足D_ik≤d₂的传感器节点认定为待评估传感器节点i的同类型邻近传感器节点，D_ik表示待评估传感器节点i与同类型传感器节点k之间的距离。

7.按权利要求1所述基于多源异构信息融合的传感器数据可信度评估方法，其特征在于，所述步骤5中，预设权重系数K₁₁、K₁₂的取值范围为：0＜K₁₁＜1、0＜K₁₂＜1，且K₁₁+K₁₂＝1；所述步骤8中，预设权重系数K₂₁、K₂₂的取值范围为：0＜K₂₁＜1、0＜K₂₂＜1，且K₂₁+K₂₂＝1。

Images