发明内容
发明目的:针对现有技术的问题,本发明提供一种基于传感器风险区间模型的养殖水情判断方法及系统,可以消除传感器测量数据的不确定性,实现更为准确地判断水情等级,进一步提升养殖水质检测的准确度。
技术方案:根据本发明的第一方面,提供一种基于传感器风险区间模型的养殖水情判断方法,包括如下步骤:
建立养殖水情数据的区间数表示模型 为不同水情参数的区间型特征值,m为水情参数个数;
计算传感器获取的水情测量数据[E]k与区间数表示的不同水情等级特征值之间的距离/>根据距离/>构造基本概率分配函数;
利用预先构建的基于传感器风险区间值的消极-积极模型,对基本概率分配函数进行修正;
利用区间证据组合规则并综合修正后的基本概率分配函数值,得到综合区间证据;
根据综合区间证据,基于预定决策准则判断水情等级。
进一步地,所述预先建立的基于传感器风险区间值的消极-积极模型根据以下步骤得到:
将传感器测量值与实际值偏差的百分比作为传感器的风险因子
对传感器输出风险进行评估,包括:正常工作模式、消极模式、积极模式,其中正常工作模式是指传感器输出值与实际值相同,消极模式是指传感器测量值高于实际值的情况下对传感器输出值进行下降处理,积极模式是指传感器输出值低于实际值的情况下对传感器输出值进行提高处理,所述消极模式表示为:
所述积极模式表示为:
基于传感器输出风险评估,建立基于传感器风险区间值的消极-积极模型如下:
其中,mp-o(A)表示简单区间数的消极-积极基本概率分配,mp-o(Ω)表示消极-积极模式下的识别框架的基本概率分配,fp为传感器处于消极模式的最大风险因子,fp>0,fo为传感器处于积极模式的最大风险因子,0≤fo<1,mp(A)是消极模式下的基本概率分配函数;mo(A)是积极模式下的基本概率分配函数;Ω是识别框架;A为Ω的子集证据;m(A)表示A的可信度,即基本概率分配函数;mo(Ω)为积极模式下的识别框架Ω的基本概率分配函数;mp(Ω)为消极模式下的识别框架Ω的基本概率分配函数。
进一步地,水情测量数据[E]k与区间数表示的不同水情等级特征值之间的距离/>根据jousselme距离参数公式计算得到。
进一步地,基本概率分配函数构造为:
其中,[m]k(li)+-[m]k(li)-为[m]k(li)的区间宽度,宽度越大,权重越小,基本概率分配函数越小,[m]k(li)表示第k个传感器对应的水情等级li的基本概率分配函数,N为水情等级个数。
进一步地,所述方法还包括:对经过修正后的基本概率分配函数进行归一化处理,归一化处理方式为:
其中,[m]'k表示修正后的基本概率分配函数,[ai,bi]是[m]'k的区间数,即[m]'k=[ai,bi],j是变量索引号,n是识别框架中的子集个数。
进一步地,所述区间证据组合规则包括:
1)两证据组合规则
即:
2)多证据组合规则
φ表示空集。
根据本发明的第二方面,提供一种基于传感器风险区间模型的养殖水情判断系统,包括下位机多传感器信息采集系统和上位机监控系统,所述下位机多传感器信息采集系统利用多传感器节点采集养殖水体的特征参数,并传输至上位机监控系统,所述上位机监控系统根据本发明第一方面所述的基于传感器风险区间模型的养殖水情判断方法完成对养殖水质的判断预报和评价。
根据本发明的第三方面,提供一种计算机设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现本发明第一方面所述的基于传感器风险区间模型的养殖水情判断方法。
有益效果:本发明针对传感网测量养殖水情数据过程中存在的必然不确定性和随机不确定性问题,提出一种基于消极-积极风险评估区间论证的养殖水情多传感器融合判断方法,利用区间证据推理方法,将多个信息作为证据,通过基本概率分配函数和信念结构对每个命题赋予可信度,最后根据融合准则得到最终决策结果。本发明考虑传感器精度误差以及测量数据异常等问题,将每个传感器测量的水情数据用区间数表示,通过计算水情数据与每个水情等级特征值之间的距离,得到判断水情等级的区间证据。通过在传感器输出中引入传感器风险因子,并建立基于区间值的消极-积极模型,完成对基本概率分配函数的修正,再利用区间证据组合规则,并综合修正后的基本概率分配函数,得到综合区间证据,最后按照决策准则判断水情等级,从而用于消除传感器测量数据的不确定性的影响,实现更为准确地判断水情等级。实验表明,该方法能够从不确定水情数据中准确判定水情等级,获得更为准确的水情结论。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
本发明实施例中养殖水质监控系统采用多点采集的分布式系统结构。如图1所示,系统硬件设计由若干下位单片机系统构成的多传感器信息釆集系统节点和上位机构成的本地监控中心组成。下位机系统硬件由3个检测单元及其调理电路、多路模拟开关、数据放大电路、采样保持电路、A/D转换电路、主控电路以及报警、按键及显示电路组成。其中,检测单元负责准确测量养殖水情参数温度、溶氧量、PH值参数信息,信号调理电路的作用是将传感器传来的信号调理成符合后续电路要求的信号。应当理解,实施例中采集三种水情特征数据仅是为了说明的作用,而不是对本发明实施方案的限制。在实际应用中,可以根据对水情质量的需求设置相应的采集传感器。多路模拟开关的作用是对四路输入的模拟信号进行4选1操作,根据需要对输入信号切换从而实现对模拟信号的采样。数据放大电路是将输入信号变换为适合AD转换所需要的数值大小的信号。在AD转换期间如果信号发生变化会引起转换误差,故加采样保持器作信号保持。多路模拟开关、釆样保持、AD转换都是在CPU的统一指挥下协调工作,主控电路选择CC2530作为微控制器,可以减小硬件设计的复杂度并满足无线传输的要求。传感器节点由多传感器信息采集系统组成,部署在监测水质区域内的不同位置,实现对水产养殖的温度、溶氧量、PH值参数的釆集。传感器节点之间以自组织的形式构成网络,采用多跳的方式将数据传输到汇聚节点。汇聚节点部署在养殖水质岸边,负责接收和处理网络中所有节点的信息,并通过RS232方式将数据传送到本地监控中心(即上位机)。上位机对接收到的3个参数进行处理后输入预测算法进行水质状态的判别、显示与预警。由于操作监控部分集中,下位机和上位机分工明确,使得开发和维护都较为独立、方便。
在本发明实施例中,多传感器信息采集系统中的温度采集传感采用了WZP-R系统系列pt100铂热电阻,用以实现对养殖水体温度的检测。此系列温度传感器采用不锈钢金属外壳封装,内部填充绝缘导热材料密封而成,体积小巧、反应灵敏、防水防震,测量范围为-200℃~850℃,适合本系统对温度的测量要求。多传感器信息采集系统中的溶氧采集使用金作为阴极材料,银作为阳极材料,电极间施加700mV左右的极化电压,用以保证氧电极的正常工作,电极间输出nA级的电流,经过电流电压转换电路和放大电路将电流转换为0到2.5V的满足A/D转换的电压信号。多传感器信息采集系统中的PH值参数采集,采用E-201-C型复合PH电极,调理电路中的放大电路的第一级选用高输入阻抗的运放进行阻抗匹配,并增加低通滤波环节,用以消除电极探头受到的工频信号的干扰,经一系列调理后转换为0至2.5V的电压信号,最后通过AD转换变为数字信号。主控制电路硬件选择TI公司生产的CC2530无线芯片,该芯片将增强型8051内核控制器和Zigbee无线收发单元模块集成在一起。负责数据的釆集、处理和控制信号的生成与发送。功耗低,抗干扰能力强,当供电电压在2-3.6V的条件下运行时达到最佳效果,外围电路包括32MHZ和32.768MHZ两种晶振,釆用阻抗匹配网络的无线RF模块和50欧负极性天线。另外,电路中加入液晶显示模块,A/D转换芯片选用ADC0809,微控制器与PC机通过串口进行通讯,采用电平转换芯片MAX232实现双向转换的功能。
系统软件采用C语言编程,整个软件设计采用模块化设计,包括初始化模块、数据采集模块、无线通信模块、串口通信模块等。整个软件设计流程如下:首先,设备初始化设置,将无线模块打开并设置一个定时器作为发送采集数据的时间。如果发送时间至,则发送釆集的数据;如果接收到汇聚节点的同步信息,便表明已将采集数据传给汇聚节点,传感器节点开始校时并发送同步信息,进入休眠状态。设置另一个定时器确定采集时间,当采集时间到,传感器节点又开始新一轮的采集。由于养殖水质环境变化不是很快,为了减少能耗,本系统将采集时间间隔设为1个小时,每次采集完毕后关闭电源。软件主流程图如图2所示。在本地监控中心(上位机)中实现的软件中实现对养殖水情状态智能检测模型,上位机采用基于消极-积极风险评估区间论证的多传感器融合方法对养殖水质进行判断,在本发明中称之为基于传感器风险区间模型的养殖水情判断方法。本地监控中心除了通过传感器风险区间模型实现对养殖水质的预报和评价功能之外,还通过监控中心软件,实现对各项水质参数的分析、储存、图形化显示及报警。
本发明所设计的基于传感器风险区间模型的水情判断方法,针对传感网测量水情数据过程中存在的必然不确定性和随机不确定性,考虑传感器精度误差以及测量数据异常等问题,将每个传感器测量的水情数据用区间数表示,通过计算水情数据与每个水情等级特征值之间的距离,得到判断水情等级的区间证据。并且在传感器输出中引入传感器风险因子,建立基于区间值的消极-积极模型,用以完成对基本概率分配函数的修正,再利用区间证据组合规则,并综合修正后的基本概率分配函数,得到综合区间证据,最后按照决策准则判断水情等级,从而用于消除传感器测量数据的不确定性的影响,实现更为准确地判断水情等级。
本发明描述中传感器风险区间模型是指针对多传感器融合的基于区间值的消极-积极模型,亦称为基于消极-积极风险评估区间论证多传感器融合的养殖水质检测判断结构模型,如图3所示。基于消极-积极风险评估区间论证多传感器融合系统处理过程如图4。
基于消极-积极风险评估区间论证的养殖水情多传感器融合判断方法的具体步骤如下:
步骤S1:利用传感器获得养殖水情数据,并对测量数据进行区间数处理计算。
使用溶氧量、温度、PH值三个传感器参数对水情数据进行测量,并对测量数据进行区间数处理计算,将其作为理论证据,同时设定识别框架,设置方法如下:
设R表示实数集,对任意的E+,E-∈R,如果[E]=[E+,E-]={x|0≤E-≤x≤E+},则称[E]为一个区间数,E后续测量中表示任何一个参数的实测值,E+,E-代表E的区间范围。
设Θ为一个集合(即识别框架),Θ中的元素相互排斥、有穷,识别框架Θ的子集构成了求解问题的各种解答,Θ子集所构成的集合称为Θ的幂集,记作Ω(Θ)。
令为水情判断框架,其中,li为当前水情等级,N为水情等级个数,根据水情参数特征值的范围,将其用区间数来表示,并令:
其中,为水情等级为li的水情特征参数,h为溶氧量、温度、PH值参数,/>为不同水情参数的区间型特征值(具体形式可以参见下面示例中的数据表1),m为参数个数,在此,m=3,代表溶氧量、温度、PH值三个参数,因此第一行/>表示3个传感器l1等级的特征参数,后面以此类推。
步骤S2:计算jousselme距离参数并利用/>构造基本概率分配函数。
在将传感器测量数据转化为区间证据的过程中,需要对测量数据进行处理,并构成基本概率分配函数,具体由式子(2)计算距离参数该距离参数为[E]k与/>之间的距离。
式中,hmax-hmin用于消除不同数据的量纲,hmax为水情特征值中的最大特征值的右值,hmin为水情特征值中的最小特征值的左值(见数据表1),设某养殖检测水情传感器网络中的传感器总数为m,令[E]k={[E]1,[E]2,...,[E]i,...,[E]m}表示第k个传感器测量的水情数据,[E]i为传感器测量的第i个水情数据(见数据表2),在测量过程中,由于传感器精度问题,测量数据存在误差,设传感器测量的第i个水情参数的数值为Ei,误差为pi,则[E]i=[Ei-pi,Ei+pi];代表各水情数据Ex的区间数表示方法的上下限;/>表示第x水情传感参数在第li等级上的区间型特征值的上下限,见式子(1)。
利用构造基本概率分配函数具体如(3)式所示(具体见数据表3):
其中,[m]k(li)+-[m]k(li)-为[m]k(li)的区间宽度,宽度越大,权重越小,基本概率分配函数越小,用以减少区间宽度过大造成的影响,从而得到各个传感器分配的基本概率分配函数,通过(3)式,可以得到第k个传感器对应的基本概率分配函数。[m]k(li)表示第k个传感器对应的水情等级li的基本概率分配函数。
步骤S3:建立基于风险区间值的消极-积极模型,完成对基本概率分配函数的修正。
在传感器融合中,信息的质量取决于准确性、完整性、可信度和可靠性,一个实用的融合模型应该能够省略获取数据的模糊性和冗余性,以获得更多的稳健的结果。而传感器的错误不仅源于传感器故障,还源于其他原因,包括环境因素,如温度、光线、噪音、冲击、位置和感应时间等,取决于传感器类型和先前的应用,这些因素倾向于使传感器读数偏离目标的实际值参数。主要体现在:大多数通过比较传感器输出的评估方法是有问题的,因为数据融合是在线进行的,很难确定所研究的传感器是否存在问题。而且也无法通过访问目标参数的实际值来识别可能的传感器故障,因此,存在某一个传感器工作准确,而其他传感器无法提供准确信息期望的可能。从这个角度来看,考虑传感器的风险因素是一个可行的解决方案。风险因素表示传感器中错误百分比的总体估计值,可以根据传感器先前的性能来定义其当前的特性以及可能会影响传感器的性能的外在因素。另外,数据可靠性或可信度存在消极因素。假设传感器发生故障的概率趋于使估计值退化,但在现实影响因素的存在下,如环境因素或传感器本身的因素或故障等,均可能导致相对目标值更好或更坏的结果,因此,本发明先从信息源的风险因子建模开始,采取消极和积极估计,提出考虑风险因子区间数的消极-积极模型,以便不会丢失部分数据。
区间证据理论是一种不确定推理方法,将多个信息作为证据,通过基本概率分配函数和信念结构对每个命题赋予一个可信度,最后根据某种准则得到最终决策结果,该序列包括证据信息及分配概率函数,用以后续融合处理。为了更为准确地判断水情等级,通过可靠性系数对基本概率分配函数修正,如果传感器可靠性较高,则该传感器区间证据对应的可靠性系数就较大,该区间证据在区间证据组合过程中对组合结果的影响就较大,如果传感器可靠性较低,则该传感器区间证据对应的可靠性系数就较小,该区间证据在区间证据组合过程中对组合结果的影响就较小,整个计算过程通过定义风险因子,并建立基于消极-积极风险评估模型来对基本概率分配函数修正,具体计算过程如图5所示。
1)定义风险因子
定义传感器输出值与实际值偏差的传感器的风险因子,即为感测值偏离实际值百分比,具体定义如下:
2)确定k个传感器的信念结构
设有k个不同传感器获取水质信息,其信念结构定义如下:
Mk={(h1,[m]k(l1)),(h2,[m]k(l2)),…,(hN,[m]k(lN))} (5)
0≤[m]k(li)≤1,i=1,2,…,N
[m]k(li)是第k个传感器对应的水情等级li的基本分配概率函数。
3)传感器输出风险评估
考虑到影响传感器故障的因素,将传感器的工作状态划分为:
a)传感器工作正常
在这种情况下,假设如果所考虑的信息源出现故障,则有可能输出与实际值相同,即传感器工作正确,即感测值等于准确值,因此f=0,不存在任何风险。
b)消极模式。假设影响信息源的积极因素导致了输出高于实际值的值。在这种情况下,传感器输出值高于准确值,传感器读数可以通过不同的技术打折。让最大的风险处于消极模式,表示为fp。所以,对于一个具有假设风险为fp的结构,其形式如下:
fp表示传感器的输出值大于实际值的情况下的风险因子,fp>0,[m]k(li)是第个k传感器的基本分配概率函数,[m]p(li)是消极模式下的基本概率分配函数。
c)积极模式。由于某种缺陷,假设传感器的输出值低于实际值。在这种情况下,如果目的是校正输出值,则读数需要根据误差以相同的方式增加。与情况b)相似,假设该情况下的最大风险值为fo,因此,考虑到输出的积极情况,使用下面等式修改:
0≤fo<1,[m]o(li)是积极模式下的基本概率分配函数。
鉴于上述三种情况,考虑融合问题,n个不同传感器的信息源中有不同的风险误差,需考虑n3个不同的情况才能实现稳健的结果。接下来,在存在风险情况下研究输出值的消极-积极模型。
4)确定最大消极-积极风险因子及区间证据信念结构(IVBS)
设来源于第个k传感器的基本分配概率函数和最大消极风险因子、最大积极风险因子表示为[m]k(li),fp max,fo max,对应BPA的消极风险因子和积极风险因子可以分别表示为则介于/> 及[m]k(li)三者之间的概率分配I[m]k(li)为:
fp max≥0;
0≤fo max<1;
多个传感器风险区间值的消极-积极模型如图6所示。
设在各个传感器输出存在风险因素,相应则区间信任结构可以表示为:
0≤[m]k(li)≤1,i=1,2,…,N;
至此将最初的基本概率分配函数[m]k(li)(见(3)式)利用消极-积极模型,例如参数fo maxfp max等进行修正为(9)式中的函数。
步骤S4:归一化处理。
进行归一化处理,用以减少区间宽度,减低冗余,见下式:
U[m]k(li),L[m]k(li)分别代表归一化区间数上下边界。
不确定函数为:
[m]k +(li),[m]k -(li)为修正前基本概率分配函数的上下边界。
步骤S5:利用区间证据组合规则并综合修正后的基本概率分配函数,得到综合区间证据。
首先获取区间数:
IB(Y)=[LB(Yn),UB(Yn)] (13)
其中,
经以上归一化处理后,进行如下的区间组合规则获得最后的组合结果(设l=IB(Y)):
其中,分别为如下区间证据组合式的最大值和最小值,其定义如式(14)。
其中φ是空集,过程是将最初的传感器测量数据算出其对应信任函数和不确定度,将其修正后,再利用(14)、(15)式进行融合,综合区间证据就是组合/融合后算出的信任度和不确定度,由此判断其对应等级。
设对两个基本概率分配函数进行融合,具体计算结果见后面的计算实例,数据的得来是利用(14),(15)式,这里给出融合示例:设[m]1和[m]2为归一化区间数表征的基本概率分配函数,即分别为[ai,bi](0≤ai≤m1(li)≤bi≤1,i=1,2,…,n),[cj,dj](0≤cj≤m2(lj)≤dj≤1,j=1,2,…,n),其融合结果标记为/>
其中,l为融合后焦元,是如下融合计算式的最大和最小值:
本发明消极-积极风险评估模型融合算法的实现流程图如图7所示。
下面通过实验来验证本发明方法的性能。
根据目前施行有效的是《中华人民共和国渔业水质标准》(GB11607-89)选取水质参数特征数据,该标准适用于鱼虾类的产卵场、索饵、越冬场、洄游通道和水产增养殖区等海水、淡水的渔业水域,即所有的养鱼水体区域,包括池塘内养鱼用水的标准。选取部分水质数据作为试验数据,获得试验样本,由此得到常规水情数据特征值,水情数据选择温度、溶氧量、PH值三个参数,并设定三个水质等级,分别为优(I)、中(II)、差(III)。各个等级的特征值如表1所示。
表1水质参数特征值
水质参数 |
优(I) |
中(II) |
差(III) |
温度(℃) |
[22,32] |
[15,22] |
[38,45] |
溶氧量(mg/L) |
[4,6] |
[3,4] |
[0,3] |
PH值 |
[6.5,7.5] |
[7.5,9] |
[0,5.5] |
识别框架:
Θ={l1="优(Ι)",l2="中(ΙΙ)",l3="差(ΙΙΙ)"},其中,优(I)、中(II)、差(III)为对应的3个水情等级,由表1可得所有水情等级特征值。
实验1
实验1中,利用传感器节点对淮安某养殖池塘水情数据进行测量,采用三个传感器节点E1,E2,E3来完成,获得如表2的养殖水情数据。
表2传感器E1,E2,E3所测得的水质数据
传感器 |
温度(℃) |
溶氧量(mg/L) |
PH值 |
E1 |
[25.8,28.4] |
[2.76,4.82] |
[6.83,7.22] |
E2 |
[23.6,29.5] |
[3.88,6.58] |
[6.82,7.31] |
E3 |
[24.3,27.7] |
[4.2,5.9] |
[7.1,7.3] |
根据式(2),可以得到各个传感器测试数据与每个水质等级参数特征值之间的距离,其中,传感器E1的距离函数计算如下:
同理,可以得到传感器E2,E3的各个距离函数,具体如表3所示:
表3传感器E1,E2,E3的各个距离函数
根据(3)式,可以最终获得传感器E1,E2,E3基本概率分配函数初始值,如表4所示。
表4传感器E1,E2,E3的各个基本概率分配函数初始值
信度 |
优(I) |
中(II) |
差(III) |
m1 |
[0.4817,0.5224] |
[0.3464,0.3484] |
[0.1312,0.1699] |
m2 |
[0.7351,0.7779] |
[0.1579,0.1789] |
[0.0641,0.0860] |
m3 |
[0.6761,0.7017] |
[0.2019,0.2380] |
[0.0859,0.0964] |
接下来,利用基于消极-积极风险评估区间论证的养殖水情多传感器融合判断方法获得修正后基本概率分配函数,具体如表5所示。
表5传感器E1,E2,E3修正后的各个基本概率分配函数
信度 |
优(I) |
中(II) |
差(III) |
m'1 |
[0.1505,0.1632] |
[0.1037,0.1043] |
[0.0379,0.0490] |
m'2 |
[0.1409,0.1491] |
[0.0323,0.0365] |
[0.0131,0.0176] |
m'3 |
[0.2966,0.3078] |
[0.0942,0.1110] |
[0.0382,0.0429] |
在此过程中,各个传感器消极-积极风险评估因子分别为: 最终,计算后所得的区间论证组合结果如表6所示。
表6传感器E1,E2,E3区间论证组合结果
在获得各个论证组合结果的同时,计算获得各基本概率分配函数及组合后结果的不确定度(Θ)如表7所示。
表7传感器E1,E2,E3修正后的各个基本概率分配函数的不确定度(Θ)
由表6可知,对传感器E1,E2及E1,E2,E3融合后的结果均显示传感器测试数据对水质等级为优(I)的融合信度最大,两种情况下的不确定度相对单个传感器的不确定度均有所下降,可靠性均提升。另一方面,对照采用《中华人民共和国渔业水质标准》(GB11607-89)选取水质参数特征数据可知,该数据完全符合优(I)水质等级样本数据的范围,融合结果完全正确,由此可见,本发明涉及到的“基于消极-积极风险评估区间论证的数据融合”方法可以实现对水质数据等级的正确判断。
实验2:
为进一步研究本方法的实用性,设计实验2,进一步考察本方法的应对突发测试误差的能力,由于传感器测试过程的不确定问题,导致测量水质参数出现问题,当传感器E1测试结果有误,E2,E3传感器测试正常,利用本方法对测试数据进行融合的具体过程如下:
第一步:测试传感器E1,E2,E3的水质数据
水质测试参数如表8
表8传感器E1,E2,E3所测得的水质数据
传感器 |
温度(℃) |
溶氧量(mg/L) |
PH值 |
E1 |
[10.8,22.4] |
[3,4.8] |
[0,7.22] |
E2 |
[23.6,29.5] |
[3.88,6.58] |
[6.82,7.31] |
E3 |
[24.3,27.7] |
[4.2,5.9] |
[7.1,7.3] |
第二步:计算各个距离函数
水质测试参数如表9:
表9传感器E1,E2,E3的各个距离函数
第三步:计算各个基本概率分配函数
根据(3)式,可以最终获得传感器E1,E2,E3的基本概率分配函数初始值。
表10传感器E1,E2,E3的各个基本概率分配函数初始值
信度 |
优(I) |
中(II) |
差(III) |
m1 |
[0.3290,0.3592] |
[0.3528,0.5215] |
[0.1495,0.2879] |
m2 |
[0.7351,0.7779] |
[0.1579,0.1789] |
[0.0641,0.0860] |
m3 |
[0.6761,0.7017] |
[0.2019,0.2380] |
[0.0859,0.0964] |
第四步:修正后的各个基本概率分配函数
接下来,利用基于消极-积极风险评估区间论证的养殖水情多传感器融合判断方法获得传感器E1,E2,E3修正后基本概率分配函数,具体如表11所示。
表11传感器E1,E2,E3修正后的各个基本概率分配函数
信度 |
优(I) |
中(II) |
差(III) |
m'1 |
[0.1017,0.1111] |
[0.1253,0.1852] |
[0.0515,0.0992] |
m'2 |
[0.1535,0.1624] |
[0.0323,0.0365] |
[0.0131,0.0176] |
m'3 |
[0.3121,0.3239] |
[0.0942,0.1110] |
[0.0391,0.0438] |
在此过程中,各个传感器消极-积极风险评估因子分别为依旧采用之前的参数,即:
第五步:区间论证组合
最后,获得传感器E1,E2,E3区间论证组合结果,如表12:
表12传感器E1,E2,E3区间论证组合结果
第六步:计算各基本概率分配函数的不确定度(Θ)
在获得各个论证组合结果的同时,计算获得各基本概率分配函数及组合后结果的不确定度(Θ)如表13所示。
表13传感器E1,E2,E3修正后的各个基本概率分配函数的不确定度(Θ)
将E1,E2,与E1,E2,E3分别进行组合,见表14,可见,传感器E1,E2,及E1,E2,E3融合后的结果相同,其中,E1,E2的融合结果表明,判定为优(I)等级的融合信度最大,但其不确定性较高,Θ取值为[0.4804,1.2777],而E1,E2,E3融合结果则表明,为优(I)等级的融合信度最大,且不确定性大大降低,Θ取值为[0.2829,0.4708],也就是说,E1,E2,E3融合的不确定度大大降低,可靠性大大提高,其融合结果更加接近真实情况,另一方面,对照《中华人民共和国渔业水质标准》(GB11607-89)选取水质参数数据特征值可知,该数据完全符合优(I)等级数据范围,融合结果正确。本方法可以从具有随机不确定性水质测试数据中,获得更为准确的水质等级判定结论。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。