CN112906709A - 一种基于opd-s的信息融合算法 - Google Patents

一种基于opd-s的信息融合算法 Download PDF

Info

Publication number
CN112906709A
CN112906709A CN202110325697.XA CN202110325697A CN112906709A CN 112906709 A CN112906709 A CN 112906709A CN 202110325697 A CN202110325697 A CN 202110325697A CN 112906709 A CN112906709 A CN 112906709A
Authority
CN
China
Prior art keywords
determining
evidence
information
fusion
expressed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110325697.XA
Other languages
English (en)
Inventor
胡燕祝
王松
贺琬婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110325697.XA priority Critical patent/CN112906709A/zh
Publication of CN112906709A publication Critical patent/CN112906709A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及基于OPD‑S的信息融合算法，是一种对灾情信息进行数据融合的算法，属于数据处理和机器学习领域，其特征在于采用如下步骤：(1)确定集合的信任函数；(2)确定开放识别框架下的基本概率分配函数；(3)确定证据间可信度；(4)确定证据综合可信度；(5)确定加权平均证据；(6)D‑S组合规则进行信息融合。本发明克服了传统灾情信息融合过程中，由于背景环境的复杂，导致采集信息噪声占比过大，影响信息融合的问题，有效的滤除噪声干扰，大大提高信息融合的准确率，同时极大的改善了对于处理不确定信息的系统能力，合理修正模糊信息占比，提高融合效率。为灾情信息融合领域提供了一种拥有较高融合准确率的方法。

Description

一种基于OPD-S的信息融合算法
技术领域
本发明涉及数据处理和机器学习领域，主要是一种对灾情信息进行数据融合的算法。
背景技术
灾情信息融合对开展灾情评估，提供了有力的信息保障。随着传感器技术的不断发展，适用于灾情信息获取的传感器种类不断增加，在面对各种复杂灾情场景时，单一传感器只能了解局部信息且指标较为单一，无法感知整体情况，对复杂灾情信息的处理能力不足，而多传感器增大了灾情环境探测范围，增强了系统探测性能及可靠性。目前对于信息融合的研究主要有基于参数识别的方法、基于概率模型的方法和基于新型信息融合算法。基于概率模型的方发由于采用事先预置的模型和规则，所以需要系统存储有先验概念为依据，方能做出决策；基于参数识别的算法主要是利用模式划分以及参数估计对初始信息进行特征提取，但是其需要事先收集大量数据进行训练，灾情的多样性导致其训练模型时，数据量过多或数据收集不完整。同时由于灾情的复杂性，不同传感器采集到的环境信息容易被复杂的环境噪声信号干扰，导致信息融合过程中出现误差。
对于灾情信息的融合，关键点在于降低噪声干扰对融合产生的误差，以及在复杂环境中对不合理、不确定的信息进行合理的融合。针对以上问题，提出了一种基于开放识别框架证据理论信息融合的算法，通过构建灾情信息数据集与灾情环境信息的对应关系，在无需先验知识的前提下，对灾情信息进行概率判断，剔除概率论弱的条件信息，区分噪声干扰信号、保留模糊信息，从而提高灾情信息融合的准确性与高效性。
发明内容
针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于OPD-S的信息融合算法，其具体流程如图1所示。
技术方案实施步骤如下：
(1)确定集合的信任函数Bel(A)：
Figure BDA0002994586810000011
式中，A表示为一个集合，B表示为A集合内的一个子集，m(B)表示为B的基本信任分配函数。确定集合的似然函数Pl：
Figure BDA0002994586810000012
式中，
Figure BDA0002994586810000013
表示A为假，
Figure BDA0002994586810000014
表示为证据对
Figure BDA0002994586810000015
是真的信任程度，似然函数表示对A是非假的信任度。
(2)确定开放识别框架下的基本概率分配函数m'：
对已经存在的开放识别框架θ添加新元素形成新的框架θ'，之后确定基本概率分配函数：
Figure BDA0002994586810000021
式中，λ表示为线性参数，为常数，i表示为计数参数，A表示为识别框架θ的命题中任意一个，Ai表示为集合中的第i个参数，n表示为命题的个数，K为常数，表示为比例系数，Δ表示为新命题，I表示为单位矩阵，I(E1,E2)表示为证据E1和E2的一致量，E1、E2和E3全部表示为证据，C(E1,E3)表示E1和E3之间的冲突量。
(3)确定证据间可信度Crd(mi)：
Figure BDA0002994586810000022
式中，mi表示为证据，Sup(mi)表示其他所有证据对证据mi的支持度。
(4)确定证据综合可信度wi：
Figure BDA0002994586810000023
式中，Ei表示为证据，H(Ei)表示证据Ei的平均不确定性。
(5)确定加权平均证据
Figure BDA0002994586810000024
根据综合可靠性系数，确定各证据基本概率分配函数的权重系数，根据权重系数，得到加权平均证据的基本概率分配函数：
Figure BDA0002994586810000025
(6)D-S组合规则进行信息融合m(A)：
Figure BDA0002994586810000031
本发明比现有技术具有的优点：
(1)本发明克服了传统灾情信息融合过程中，由于背景环境的复杂，导致采集信息噪声占比过大，影响信息融合的问题，有效的滤除噪声干扰，大大提高信息融合的准确率。
(2)本发明通过改进传统算法，极大的改善了对于处理不确定信息的系统能力，合理修正模糊信息占比，提高融合效率。这说明本发明针对灾情信息进行融合时，可以达到较好的融合效果。
附图说明
为了更好地理解本发明，下面结合附图作进一步的说明。
图1是建立基于OPD-S的信息融合算法的步骤流程图；
图2是建立基于OPD-S的信息融合算法流程图；
图3是利用本发明对四组灾情信息进行融合的结果；
具体实施方案
下面通过实施案例对本发明作进一步详细说明。
本实施案例选用的数据来自地下遮蔽空间的典型示范区，一共有1000组样本，其中，来自地下隧道、铁路隧道、地下商场、地下停车场、地铁站5种场景，每种场景各有200组数据，采用随机抽样的方法从5组场景中的每份数据中各抽取140组样本作为训练集，剩下的作为测试集。最终，用作训练集的样本总数为700，用作测试集的样本总数为300。
本发明所提供的灾情信息融合算法整体流程如图1所示，具体步骤如下：
(1)确定集合的信任函数Bel(A)：
Figure BDA0002994586810000032
式中，A表示为一个集合，B表示为A集合内的一个子集，m(B)表示为B的基本信任分配函数。确定集合的似然函数Pl：
Figure BDA0002994586810000033
式中，
Figure BDA0002994586810000041
表示A为假，
Figure BDA0002994586810000042
表示为证据对
Figure BDA0002994586810000043
是真的信任程度，似然函数表示对A是非假的信任度。
(2)确定开放识别框架下的基本概率分配函数m'：
对已经存在的开放识别框架θ添加新元素形成新的框架θ'，之后确定基本概率分配函数：
Figure BDA0002994586810000044
式中，λ表示为线性参数，为常数，计算得到为0.8633，i表示为计数参数，A表示为识别框架θ的命题中任意一个，Ai表示为集合中的第i个参数，n表示为命题的个数，取值为10，K为常数，表示为比例系数，取值为0.5，Δ表示为新命题，I表示为单位矩阵，I(E1,E2)表示为证据E1和E2的一致量，取值为0.6045，E1、E2和E3全部表示为证据，C(E1,E3)表示E1和E3之间的冲突量，取值为0.3955。
(3)确定证据间可信度Crd(mi)：
Figure BDA0002994586810000045
式中，mi表示为证据，Sup(mi)表示其他所有证据对证据mi的支持度。
(4)确定证据综合可信度wi：
Figure BDA0002994586810000046
式中，Ei表示为证据，H(Ei)表示证据Ei的平均不确定性。
(5)确定加权平均证据
Figure BDA0002994586810000047
根据综合可靠性系数，确定各证据基本概率分配函数的权重系数，根据权重系数，得到加权平均证据的基本概率分配函数：
Figure BDA0002994586810000051
(6)D-S组合规则进行信息融合m(A)：
Figure BDA0002994586810000052
为了验证本发明对基于OPD-S的信息融合算法的准确性，对本发明进行了四组灾情信息融合实验，实验结果如图3所示。由图3可知，本发明所建立的灾情信息融合方法对灾情信息进行融合的准确率均保持在98％以上，能够在保证稳定性的基础上达到较高的准确率，融合效果良好。这表明本发明建立的灾情信息融合方法是有效的，为建立精确的灾情信息融合模型提供了更好的方法，具有一定的实用性。

Claims (1)

1.本发明特征在于：(1)确定集合的信任函数；(2)确定开放识别框架下的基本概率分配函数；(3)确定证据间可信度；(4)确定证据综合可信度；(5)确定加权平均证据；(6)D-S组合规则进行信息融合；具体包括以下六个步骤：
步骤一：确定集合的信任函数Bel(A)：
Figure FDA0002994586800000011
式中，A表示为一个集合，B表示为A集合内的一个子集，m(B)表示为B的基本信任分配函数；确定集合的似然函数Pl：
Figure FDA0002994586800000012
式中，
Figure FDA0002994586800000013
表示A为假，
Figure FDA0002994586800000014
表示为证据对
Figure FDA0002994586800000015
是真的信任程度，似然函数表示对A是非假的信任度；
步骤二：确定开放识别框架下的基本概率分配函数m'：
对已经存在的开放识别框架θ添加新元素形成新的框架θ'，之后确定基本概率分配函数：
Figure FDA0002994586800000016
式中，λ表示为线性参数，为常数，i表示为计数参数，A表示为识别框架θ的命题中任意一个，Ai表示为集合中的第i个参数，n表示为命题的个数，K为常数，表示为比例系数，Δ表示为新命题，I表示为单位矩阵，I(E1,E2)表示为证据E1和E2的一致量，E1、E2和E3全部表示为证据，C(E1,E3)表示E1和E3之间的冲突量；
步骤三：确定证据间可信度Crd(mi)：
Figure FDA0002994586800000017
式中，mi表示为证据，Sup(mi)表示其他所有证据对证据mi的支持度；
步骤四：确定证据综合可信度wi：
Figure FDA0002994586800000021
式中，Ei表示为证据，H(Ei)表示证据Ei的平均不确定性。
步骤五：确定加权平均证据
Figure FDA0002994586800000022
根据综合可靠性系数，确定各证据基本概率分配函数的权重系数，根据权重系数，得到加权平均证据的基本概率分配函数：
Figure FDA0002994586800000023
步骤六：D-S组合规则进行信息融合m(A)：
Figure FDA0002994586800000024
CN202110325697.XA 2021-03-26 2021-03-26 一种基于opd-s的信息融合算法 Pending CN112906709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110325697.XA CN112906709A (zh) 2021-03-26 2021-03-26 一种基于opd-s的信息融合算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110325697.XA CN112906709A (zh) 2021-03-26 2021-03-26 一种基于opd-s的信息融合算法

Publications (1)

Publication Number Publication Date
CN112906709A true CN112906709A (zh) 2021-06-04

Family

ID=76108796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110325697.XA Pending CN112906709A (zh) 2021-03-26 2021-03-26 一种基于opd-s的信息融合算法

Country Status (1)

Country Link
CN (1) CN112906709A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114142931A (zh) * 2021-12-13 2022-03-04 北京邮电大学 一种基于bic-daf-moea的复杂信道通信方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114142931A (zh) * 2021-12-13 2022-03-04 北京邮电大学 一种基于bic-daf-moea的复杂信道通信方法
CN114142931B (zh) * 2021-12-13 2023-09-12 北京邮电大学 一种基于bic-daf-moea的复杂信道通信方法

Similar Documents

Publication Publication Date Title
CN112491796B (zh) 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法
CN111273623B (zh) 基于Stacked LSTM的故障诊断方法
CN113378990B (zh) 基于深度学习的流量数据异常检测方法
CN104636449A (zh) 基于lsa-gcc的分布式大数据系统风险识别方法
CN110717464B (zh) 一种基于雷达数据的铁路路基病害智能识别方法
CN106792883A (zh) 传感器网络异常数据检测方法与系统
CN112309126B (zh) 车牌检测方法、装置、电子设备及计算机可读存储介质
CN109981672B (zh) 一种基于半监督聚类的多层入侵检测方法
CN109388944A (zh) 一种基于kpca和elm的入侵检测方法
CN112347927B (zh) 基于卷积神经网络概率决策融合的高分影像建筑提取方法
CN114694178A (zh) 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统
CN110598999A (zh) 基于个体数据的交通出行分析方法、系统及存储介质
CN114048546A (zh) 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法
CN112906709A (zh) 一种基于opd-s的信息融合算法
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN113837002A (zh) 基于改进TimeGan模型的小样本数据故障诊断方法
CN117648652A (zh) 一种基于动态超图卷积神经网络的异常交通状态检测方法
CN113361608A (zh) 一种基于横向对比特征和神经网络的隐蔽窃电检测方法
CN109543712B (zh) 时态数据集上的实体识别方法
CN117014193A (zh) 一种基于行为基线的未知Web攻击检测方法
CN114167837B (zh) 一种铁路信号系统的智能故障诊断方法及系统
CN115865458A (zh) 基于lstm和gat算法的网络攻击行为检测方法、系统及终端
CN115801538A (zh) 场站服务器应用资产深度识别方法、系统及设备
Li et al. [Retracted] Abnormal Data Detection in Sensor Networks Based on DNN Algorithm and Cluster Analysis
CN111882135B (zh) 一种物联网设备入侵检测方法及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210604