CN116455800B - 基于d-s证据理论的物联网信度覆盖可靠性评估方法 - Google Patents
基于d-s证据理论的物联网信度覆盖可靠性评估方法 Download PDFInfo
- Publication number
- CN116455800B CN116455800B CN202310236724.5A CN202310236724A CN116455800B CN 116455800 B CN116455800 B CN 116455800B CN 202310236724 A CN202310236724 A CN 202310236724A CN 116455800 B CN116455800 B CN 116455800B
- Authority
- CN
- China
- Prior art keywords
- reliability
- coverage
- bpa
- sensor
- calculating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种基于D‑S证据理论的物联网信度覆盖可靠性评估方法:根据目标区域覆盖需求及观测属性,设定网络模型相关参数,建立网络模型;根据信度覆盖可靠性含义,设定分类可靠性指标及可信度阈值,定义可靠覆盖区域及信度覆盖可靠性;利用克里金插值计算可信信息覆盖模型下各传感器权重及均方根误差,根据均方根误差判断可信信息覆盖,并计算预测值;利用Joussemle证据距离及证据折扣理论,得到网络模型生成的多条证据,根据D‑S证据理论将多条证据融合,得到分类结果及可信度;根据可靠性定义,筛选满足信度可靠覆盖条件的区域,计算信度覆盖可靠性。本发明利用可信信息覆盖模型对重建区分类结果及可靠性进行分析,减少蒙特卡罗模拟次数节约评估时间。
Description
技术领域
本发明属于物联网技术领域,更具体地,涉及一种基于D-S证据理论的物联网信度覆盖可靠性评估方法。
背景技术
可靠性刻画了物联网在规定时间内完成预期功能的能力。由于网络应用环境及传感器节点的特殊性,在节点随机部署、共因干扰、节点失效等因素的影响下,会导致网络覆盖无法满足、感知信度下降、甚至网络失效等严重后果。为保证网络长期稳定可靠运行,物联网可靠性是需要考虑的重要因素之一。
覆盖能力是物联网服务质量的核心因素之一。在可靠性评估中,不仅要考虑网络对覆盖条件的满足,还要考虑感知结果的可信度。我们综合考虑覆盖率与感知信度,定义信度覆盖可靠性。
物联网信度覆盖可靠性评估的难点主要体现在三个方面。其一,网络覆盖模型对覆盖能力定义的差异,覆盖模型的选择将影响可靠性评估方法在不同应用场景下的准确性与适用度;其二,对传感器感知结果信度的准确刻画,需要对多个传感器的感知结果进行信息融合,结合先验知识,合理准确评估其信度;其三,对传感器所受干扰源的影响进行建模,在多个干扰源叠加时,信息融合过程中需要合理对干扰影响进行建模,体现干扰对信度的影响。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于D-S证据理论的物联网信度覆盖可靠性评估方法,其目的在于对物联网的信度覆盖可靠性进行合理评估。该可靠性评估方法采用可信信息覆盖模型,充分利用空间相关性及节点协同,对信息进行重建,采用证据距离与证据折扣对干扰源影响效果进行建模,并采用D-S证据理论及证据折扣理论,将节点信息、重建点预测信息、干扰源影响信息进行融合,合理计算感知结果信度,由此解决物联网信度覆盖可靠性评估问题。
为实现上述目的,按照本发明的一个方面,提供了一种基于D-S证据理论的物联网信度覆盖可靠性评估方法,所述方法包括以下步骤:
(1)根据目标区域覆盖需求及观测属性,设定网络模型相关参数,建立网络模型;
(2)根据信度覆盖可靠性含义,设定分类可靠性指标及可信度阈值,定义可靠覆盖区域及信度覆盖可靠性;
(3)利用克里金插值计算可信信息覆盖模型下各传感器权重及均方根误差,根据均方根误差判断可信信息覆盖,并计算预测值;
(4)利用Joussemle证据距离及证据折扣理论,得到网络模型生成的多条证据,并根据D-S证据理论将多条证据融合,得到分类结果及可信度;
(5)根据可靠性定义,筛选满足信度可靠覆盖条件的区域,计算信度覆盖可靠性。
本发明的一个实施例中,所述步骤(1)具体包括:
(1.1)根据监测目标的空间相关性,设定网格边长、变程、均方根误差、可信度阈值,并对目标覆盖区域进行区域网格划分;
(1.2)根据传感器节点分布,记录传感器节点编号n;
(1.3)根据划分的覆盖子网格,以网格中心点为重建点,记录重建点编号j。
本发明的一个实施例中,所述步骤(2)具体包括:
(2.1)信度覆盖可靠性是指满足覆盖条件下的区域面积之和与目标区域总面积之比;
(2.2)为每个分类定义可靠性指标,分类p的可靠性指标定义为:
其中,表示被分类为p且可信度不低于阈值σ的重建区。
本发明的一个实施例中,所述步骤(2.1)中的覆盖条件具体包括:
(2.1.1)该区域被可信信息覆盖,即重建点x处的均方根误差Φ(x)不超过阈值ε:Φ(x)≤ε;
(2.1.2)该区域的最终分类结果信度Bel(RZi)不低于可信度阈值σ:Bel(RZi)≥σ。
本发明的一个实施例中,所述步骤(3)具体包括:
(3.1)采用高斯变差函数与普通克里金插值计算变程范围内各传感器的权重,对于重建区RZi,其重建点为rpi,变程范围内n个传感器集合为S(RZi),引入拉格朗日乘数器μ构成普通克里金系统,求解得到各传感器权重λj:
其中,变差函数由标准高斯变差函数计算得到:
其中,dlj表示传感器sl和sj的欧式距离,dl表示传感器sl和重建点rpi的欧式距离;
(3.2)计算重建点的均方根误差:根据步骤(3.1)计算出的传感器权重与变差,使用如下公式计算出均方根误差:
(3.3)判断可信信息覆盖并计算预测值;
(3.4)重复步骤(3.1)-(3.3),计算所有重建区的预测值。
本发明的一个实施例中,所述步骤(3.3)具体包括:
(3.3.1)若RMSE小于阈值,则该重建区被可信信息覆盖,计算重建点预测值:
(3.3.2)若RMSE大于阈值,则该重建区未被可信信息覆盖,跳过不计算预测值。
本发明的一个实施例中,所述步骤(4)具体包括:
(4.1)利用高斯隶属函数,根据属性值、传感器感知数据、CIC预测值,生成基本概率分配;
(4.2)根据受到干扰前后的BPA,计算证据距离及每个传感器、重建点处的折扣因子:
αj=1-dBPA(m,mj)
αCIC=1-dBPA(m,mCIC)
其中,dBPA为Joussemle证据距离,计算方法如下:
D是一个2|Θ|×2|Θ|的矩阵,矩阵元素为
(4.3)根据折扣因子对BPA进行折扣:
Mj=discount(m,αj)
MCIC=discount(m,αCIC)
其中,折扣运算方式如下:
(4.4)使用Dempster合成规则,将折扣后的BPA合成,得到最终BPA:
合成规则如下:
其中,是冲突系数;
(4.5)根据最终BPA得出分类结果及其可信度,选取M中隶属度最大的命题作为分类结果,并将其隶属度作为该结果的可信度Bel(RZi)。
本发明的一个实施例中,所述步骤(4.1)具体包括:
(4.1.1)类别p在第k个属性上的高斯隶属度函数定义为:
其中,和σp,k分别表示样本中类别p第k个属性的均值和标准差;对于多子集命题的隶属度,表达式如下:
(4.1.2)对于计算对象的属性值,按匹配规则将其与步骤(4.1.1)中得到的高斯隶属度进行匹配:
(4.1.3)根据步骤(4.1.1)和步骤(4.1.2),分别计算属性值对应BPA m=G(x),传感器数据对应BPA mj=G(sj(x)),CIC预测值对应
本发明的一个实施例中,所述步骤(4.1.2)中的匹配规则具体包括:
1)当计算对象与单子集命题的高斯隶属函数相交时,相交点的纵坐标即为该单子集命题的隶属度;
2)当计算对象与多子集命题的高斯隶属函数相交时,势必会与单子集命题的隶属函数有交点,交点的纵坐标高点为该对象在单子集命题的隶属度,纵坐标低点为多子集命题的隶属度;
3)如果上述的BPA隶属度之和大于1,则对其进行g归一化处理;否则将冗余的信度分配给全集。
本发明的一个实施例中,所述步骤(5)具体包括:
(5.1)根据可信度阈值σ筛选满足覆盖要求Bel(RZi)≥σ的重建区域,表示被分类为p且可信度不低于阈值σ的重建区;
(5.2)各可靠性指标计算方式如下:
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有如下有益效果:
(1)覆盖可靠性高:该发明从观测属性空间相关性及信息协同的角度,对重建点属性值进行预测,提高了覆盖率,同时保证了分类结果的可信度,因而提高了信度覆盖可靠性。
(2)关于干扰对覆盖信度影响建模更为合理:通过Joussemle距离及证据折扣对影响进行建模,并对结果可信度进行折扣,保留了D-S证据理论原有的数学特性,避免了原有建模方法在个别算例中计算异常的问题。
(3)评估速度更快:利用可信信信覆盖模型对重建区分类结果及可靠性进行分析,极大减少了蒙特卡罗模拟的次数,节约评估时间。
附图说明
图1是本发明实施例中基于D-S证据理论的物联网信度覆盖可靠性评估方法流程图;
图2是本发明实施例中步骤(4.1)高斯隶属度计算示意图;
图3(a)到图3(c)是本发明实施例中无干扰情况下可靠性结果示例;
图3(a)是无干扰下分类c1的可靠性对比;
图3(b)是无干扰下分类c2的可靠性对比;
图3(c)是无干扰下分类{c1,c2}的可靠性对比;
图4(a)到图4(c)是本发明实施例中干扰因子β=0.9下可靠性结果示例;
图4(a)是干扰因子β=0.9下分类c1的可靠性对比;
图4(b)是干扰因子β=0.9下分类c2的可靠性对比;
图4(c)是干扰因子β=0.9下分类{c1,c2}的可靠性对比;
图5(a)到图5(c)是本发明实施例中不同干扰因子下可靠性结果示例;
图5(a)是不同干扰因子下分类c1的可靠性结果;
图5(b)是不同干扰因子下分类c2的可靠性结果;
图5(c)是不同干扰因子下分类{c1,c2}的可靠性结果;
图6(a)到图6(c)是本发明实施例中不同可信度阈值下可靠性结果示例;
图6(a)是不同可信度阈值下分类c1的可靠性结果;
图6(b)是不同可信度阈值下分类c2的可靠性结果;
图6(c)是不同可信度阈值下分类{c1,c2}的可靠性结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
以下首先就本发明的技术术语进行解释和说明:
变程(Correlation Range,CR):表征环境变量空间相关性的距离临界值。对于特定环境变量和空间点,只有在变程范围内的其他空间点的值才与当前空间点相关。
均方根误差(Root Mean Squared Error,RMSE):用来度量和评估未被采用空间环境变量值的重建和估计质量,即估计值与参考点值之间的误差度量。
可信信息覆盖(Confident Information Coverage):在目标监测区域中,若该区域中一个空间点上的重建信息的均方根误差小于等于实际应用要求提出的阈值ε0,则该空间点被可信信息覆盖。
欧氏距离:衡量多维空间两个点或向量之间的绝对距离,即向量间差的平方根。点A(x1,y1)到点B(x2,y2)的欧氏距离为
克里金插值:克里金法本质上是一种滑动加权平均法,具有最优、线性、无偏等特性。克里金法(Kriging)是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。在特定的随机过程,例如固有平稳过程中,克里金法能够给出最优线性无偏估计,因此在地统计学中也被称为空间最优无偏估计器。
D-S证据理论:本质是对概率论的一种推广,将概率论中的基本事件空间拓展为基本事件的幂集空间,并在其上建立基本概率指派函数,能有效表达随机不确定性、不完全信息及主观不确定性信息。
Joussemle证据距离:从空间向量的角度度量两条证据的距离,可以比较有效地度量证据之间的差异性,证据之间距离越大,两条证据之间的差异度越大,当证据完全冲突时取得最大值1。
针对现有技术中存在的难点的解决办法为:
针对难点一,现有的方法大多采用二分圆盘模型定义覆盖范围与感知能力,模型过于理想和简单。可信信息模型利用空间相关性与节点协同重建信息,可以很好应用于实际。针对难点二,D-S证据理论可以很好的刻画不确定性,并对信息进行融合,在信度评估中有较好的表现。针对难点三,现有方法通过Dempster合成反向求解,对干扰进行建模,然而在多次合成时会出现错误。通过证据距离与证据折扣对干扰进行建模,能够解决在合成中的计算问题,并对感知信度合理建模。
如图1所示,本发明基于D-S证据理论的物联网信度覆盖可靠性评估方法包括以下步骤:
(1)根据目标区域覆盖需求,建立网络模型;
(1.1)根据监测目标的空间相关性,设定网格边长、变程、均方根误差、可信度阈值,并对目标覆盖区域进行区域网格划分;
(1.2)根据传感器节点分布,记录传感器节点编号n;
(1.3)根据划分的覆盖子网格,以网格中心点为重建点,记录重建点编号j;
(2)定义信度覆盖可靠性;
(2.1)信度覆盖可靠性是指满足覆盖条件(2.1.1)和(2.1.2)下的区域面积之和与目标区域总面积之比;
(2.1.1)该区域被可信信息覆盖,即重建点x处的均方根误差Φ(x)不超过阈值ε:Φ(x)≤ε;
(2.1.2)该区域的最终分类结果信度Bel(RZi)不低于可信度阈值σ:Bel(RZi)≥σ;
(2.2)为每个分类定义可靠性指标,分类p的可靠性指标定义为:
其中,表示被分类为p且可信度不低于阈值σ的重建区;
(3)利用可信信息覆盖模型计算预测值;
(3.1)采用高斯变差函数与普通克里金插值计算变程范围内各传感器的权重。对于重建区RZi,其重建点为rpi,变程范围内n个传感器集合为S(RZi),引入拉格朗日乘数器μ构成普通克里金系统,求解得到各传感器权重λj:
其中,变差函数由标准高斯变差函数计算得到:
其中,dlj表示传感器sl和sj的欧式距离,dl表示传感器sl和重建点rpi的欧式距离。
(3.2)计算重建点的均方根误差(RMSE):
根据步骤(3.1)计算出的传感器权重与变差,使用如下公式计算出均方根误差:
(3.3)判断可信信息覆盖并计算预测值:
(3.3.1)若RMSE小于阈值,则该重建区被可信信息覆盖,计算重建点预测值:
(3.3.2)若RMSE大于阈值,则该重建区未被可信信息覆盖,跳过不计算预测值;
(3.4)重复步骤(3.1)-(3.3),计算所有重建区的预测值;
(4)根据D-S证据理论计算分类结果及其可信度;
(4.1)利用高斯隶属函数,根据属性值、传感器感知数据、可信信息覆盖(Confident Information Coverage,CIC)预测值,生成基本概率分配(basic probabilityassignment,BPA):
(4.1.1)类别p在第k个属性上的高斯隶属度函数定义为:
其中,和σp,k分别表示样本中类别p第k个属性的均值和标准差。对于多子集命题的隶属度,表达式如下:
(4.1.2)对于计算对象的属性值,按如下匹配规则将其与步骤(4.1.1)中得到的高斯隶属度进行匹配:
1)当计算对象与单子集命题的高斯隶属函数相交时,相交点的纵坐标即为该单子集命题的隶属度;
2)当计算对象与多子集命题的高斯隶属函数相交时,势必会与单子集命题的隶属函数有交点。交点的纵坐标高点为该对象在单子集命题的隶属度,纵坐标低点为多子集命题的隶属度。
3)如果上述的BPA隶属度之和大于1,则对其进行g归一化处理;否则将冗余的信度分配给全集。
一个计算示例如附图2所示。
(4.1.3)根据步骤(4.1.1)和步骤(4.1.2),分别计算属性值对应BPA m=G(x),传感器数据对应BPA mj=G(sj(x)),CIC预测值对应
(4.2)根据受到干扰前后的BPA,计算证据距离及每个传感器、重建点处的折扣因子:
αj=1-dBPA(m,mj)
αCIC=1-dBPA(m,mCIC)
其中,dBPA为Joussemle证据距离,计算方法如下:
D是一个2|Θ|×2|Θ|的矩阵,矩阵元素为
(4.3)根据折扣因子对BPA进行折扣:
Mj=discount(m,αj)
MCIC=discount(m,αCIC)
其中,折扣运算方式如下:
(4.4)使用Dempster合成规则,将折扣后的BPA合成,得到最终BPA:
合成规则如下:
其中,是冲突系数;
(4.5)根据最终BPA得出分类结果及其可信度,选取M中隶属度最大的命题作为分类结果,并将其隶属度作为该结果的可信度Bel(RZi);
(5)计算可靠性
(5.1)根据可信度阈值σ筛选满足覆盖要求Bel(RZi)≥σ的重建区域,表示被分类为p且可信度不低于阈值σ的重建区;
(5.2)各可靠性指标计算方式如下:
如图3(a)到图3(c)所示是无干扰下可靠性指标与传统方法对比,图3(a)是分类为c1的可靠性指标,图3(b)是分类为c2的可靠性指标,图3(c)是分类为{c1,c2}的可靠性指标。如图4(a)到图4(c)所示是干扰因子为0.9下可靠性指标与传统方法对比,图4(a)是分类为c1的可靠性指标,图4(b)是分类为c2的可靠性指标,图4(c)是分类为{c1,c2}的可靠性指标。如图5(a)到图5(c)所示是不同属性值与干扰因子下该方法的可靠性结果,图5(a)是分类为c1的可靠性指标,图5(b)是分类为c2的可靠性指标,图5(c)是分类为{c1,c2}的可靠性指标。如图6(a)到图6(c)所示是不同属性值与可信度阈值下该方法的可靠性结果,图6(a)是分类为c1的可靠性指标,图6(b)是分类为c2的可靠性指标,图6(c)是分类为{c1,c2}的可靠性指标。图3(a)-图4(c)证明该方法可以获得更高的可靠性,降低分类的不确定性,并且在有干扰存在时,对分类进行修正。图5(a)-图6(c)展示了该方法在不同情形下的可靠性结果,与预期相符。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于D-S证据理论的物联网信度覆盖可靠性评估方法,其特征在于,所述方法包括以下步骤:
(1)根据目标区域覆盖需求及观测属性,设定网络模型相关参数,建立网络模型;所述步骤(1)具体包括:(1.1)根据监测目标的空间相关性,设定网格边长、变程CR、均方根误差Φ、可信度阈值σ,并对目标覆盖区域进行区域网格划分;(1.2)根据传感器节点分布,记录传感器节点编号n;(1.3)ROI表示需要传感器部署的监测区域,对监测区域中的目标属性进行感知,并对其类别进行分类,其分类结果为p,类别为{p1,p2,…pL},第i个重建区域RZi的中心称为重建点,用rpi表示;
(2)根据信度覆盖可靠性含义,设定分类可靠性指标及可信度阈值,定义可靠覆盖区域及信度覆盖可靠性;所述步骤(2)具体包括:(2.1)信度覆盖可靠性是指满足覆盖条件下的区域面积之和与目标区域总面积之比;
(2.2)为每个分类结果定义可靠性指标,分类结果p的可靠性指标定义为:其中,/>表示被分类为p且可信度不低于阈值σ的重建区;
(3)利用克里金插值计算可信信息覆盖模型下各传感器权重及均方根误差,根据均方根误差判断可信信息覆盖,并计算预测值;所述步骤(3)具体包括
(3.1)采用高斯变差函数与普通克里金插值计算变程范围内各传感器的权重,对于重建区域RZi,其中心为重建点rpi,变程范围内n个传感器集合为S(RZi),引入拉格朗日乘数器μ构成普通克里金系统,求解得到各传感器权重λj:
其中,变差函数γ(sl,sj)与γ(sl,rpi)由标准高斯变差函数计算得到:
其中,dlj表示传感器sl和sj的欧式距离,dl表示传感器sl和重建点rpi的欧式距离;
(3.2)计算重建点的均方根误差:根据步骤(3.1)计算出的传感器权重与变差,使用如下公式计算出均方根误差:
(3.3)判断可信信息覆盖并计算预测值;
(3.4)重复步骤(3.1)-(3.3),计算所有重建区的预测值;
(4)利用Joussemle证据距离及证据折扣理论,得到网络模型生成的多条证据,并根据D-S证据理论将多条证据融合,得到分类结果及可信度;所述步骤(4)具体包括:
(4.1)利用高斯隶属函数,根据属性值、传感器感知数据、可信信息覆盖(ConfidentInformation Coverage,CIC)预测值,生成基本概率分配(Baisc ProbabilityAssignment,BPA);
(4.2)根据受到干扰前后的BPA,计算证据距离及每个传感器、重建点处的折扣因子αj和αCIC:
αj=1-dBPA(m,mj)
αCIC=1-dBPA(m,mCIC)
其中,m表示正常情况下生成的基本概率分配(BPA),mj和mCIC分别表示收到干扰的传感器生成的BPA和重建点预测值生成的BPA;dBPA为Joussemle证据距离,计算方法如下:
其中,m1和m2表示两条BPA,D是一个2|Θ|×2|Θ|的矩阵,矩阵元素为
(4.3)根据折扣因子对BPA进行折扣,分别得到传感器sj处与重建点预测值折扣后的BPA:
Mj=discount(m,αj)
MCIC=discount(m,αCIC)
其中,折扣运算方式如下:
(4.4)使用Dempster合成规则,将折扣后的BPA合成,得到最终BPA:
M=M1⊕M2⊕…⊕Mj⊕MCIC
合成规则如下:
其中,表示识别框架中的空集,/>是为空集焦元的基本概率分配,是冲突系数;
(4.5)根据最终BPA得出分类结果及其可信度,选取M中隶属度最大的命题作为分类结果,并将其隶属度作为该结果的可信度Bel(RZi);
(5)根据可靠性定义,筛选满足信度可靠覆盖条件的区域,计算信度覆盖可靠性;所述步骤(5)具体包括:
(5.1)根据可信度阈值σ筛选满足覆盖要求Bel(RZi)≥σ的重建区域,表示被分类为p且可信度不低于阈值σ的重建区;
(5.2)各可靠性指标计算方式如下:
2.如权利要求1所述的基于D-S证据理论的物联网信度覆盖可靠性评估方法,其特征在于,所述步骤(2.1)中的覆盖条件具体包括:
(2.1.1)该区域被可信信息覆盖,即重建点rpi处的均方根误差Φ(rpi)不超过阈值ε:Φ(rpi)≤ε;
(2.1.2)该区域的最终分类结果信度Bel(RZi)不低于可信度阈值σ:Bel(RZi)≥σ。
3.如权利要求1所述的基于D-S证据理论的物联网信度覆盖可靠性评估方法,其特征在于,所述步骤(3.3)具体包括:
(3.3.1)若RMSE小于阈值,则该重建区被可信信息覆盖,计算重建点预测值:
其中,z(sj)表示传感器sj的观测值,λj表示该传感器的权重;
(3.3.2)若RMSE大于阈值,则该重建区未被可信信息覆盖,跳过不计算预测值。
4.如权利要求1所述的基于D-S证据理论的物联网信度覆盖可靠性评估方法,其特征在于,所述步骤(4.1)具体包括:
(4.1.1)类别p在第k个属性上的高斯隶属度函数定义为:
其中,表示针对属性值x,计算高斯隶属度,/>和σp,k分别表示样本中类别p第k个属性的均值和标准差;对于多子集命题的隶属度,表达式如下:
p表示分类结果索引,取值范围为Θ={p1,p2,…pL};p1和p2表示多子集命题隶属度的计算示例;k表示属性值的索引;
(4.1.2)对于计算对象的属性值,按匹配规则将其与步骤(4.1.1)中得到的高斯隶属度进行匹配:
(4.1.3)根据步骤(4.1.1)和步骤(4.1.2),分别计算属性值对应BPA m=G(x),传感器数据对应BPA mj=G(sj(x)),CIC预测值对应
5.如权利要求4所述的基于D-S证据理论的物联网信度覆盖可靠性评估方法,其特征在于,所述步骤(4.1.2)中的匹配规则具体包括:
1)当计算对象与单子集命题的高斯隶属函数相交时,相交点的纵坐标即为该单子集命题的隶属度;
2)当计算对象与多子集命题的高斯隶属函数相交时,势必会与单子集命题的隶属函数有交点,交点的纵坐标高点为该对象在单子集命题的隶属度,纵坐标低点为多子集命题的隶属度;
3)如果上述的BPA隶属度之和大于1,则对其进行归一化处理;否则将冗余的信度分配给全集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236724.5A CN116455800B (zh) | 2023-03-10 | 2023-03-10 | 基于d-s证据理论的物联网信度覆盖可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310236724.5A CN116455800B (zh) | 2023-03-10 | 2023-03-10 | 基于d-s证据理论的物联网信度覆盖可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116455800A CN116455800A (zh) | 2023-07-18 |
CN116455800B true CN116455800B (zh) | 2024-05-07 |
Family
ID=87122807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310236724.5A Active CN116455800B (zh) | 2023-03-10 | 2023-03-10 | 基于d-s证据理论的物联网信度覆盖可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116455800B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647182A (zh) * | 2018-05-11 | 2018-10-12 | 河南科技大学 | 一种证据理论中基于可分配确定度的概率转换方法 |
CN110247975A (zh) * | 2019-06-19 | 2019-09-17 | 公安部第一研究所 | 基于改进d-s证据的物联网多设备协同服务构建方法 |
CN112784277A (zh) * | 2020-11-03 | 2021-05-11 | 北京航空航天大学 | 基于改进的d-s证据理论的软件可信性综合评估方法 |
CN114168971A (zh) * | 2021-12-09 | 2022-03-11 | 华中科技大学 | 一种基于强化学习的物联网覆盖漏洞修复方法 |
CN115225301A (zh) * | 2021-04-21 | 2022-10-21 | 上海交通大学 | 基于d-s证据理论的混合入侵检测方法和系统 |
CN115426661A (zh) * | 2022-09-06 | 2022-12-02 | 华中科技大学 | 一种基于信任管理的物联网可信覆盖可靠性评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI436277B (zh) * | 2011-01-07 | 2014-05-01 | Inst Nuclear Energy Res Atomic Energy Council | 軟體驗證系統、方法及其電腦可讀取媒體 |
-
2023
- 2023-03-10 CN CN202310236724.5A patent/CN116455800B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647182A (zh) * | 2018-05-11 | 2018-10-12 | 河南科技大学 | 一种证据理论中基于可分配确定度的概率转换方法 |
CN110247975A (zh) * | 2019-06-19 | 2019-09-17 | 公安部第一研究所 | 基于改进d-s证据的物联网多设备协同服务构建方法 |
CN112784277A (zh) * | 2020-11-03 | 2021-05-11 | 北京航空航天大学 | 基于改进的d-s证据理论的软件可信性综合评估方法 |
CN115225301A (zh) * | 2021-04-21 | 2022-10-21 | 上海交通大学 | 基于d-s证据理论的混合入侵检测方法和系统 |
CN114168971A (zh) * | 2021-12-09 | 2022-03-11 | 华中科技大学 | 一种基于强化学习的物联网覆盖漏洞修复方法 |
CN115426661A (zh) * | 2022-09-06 | 2022-12-02 | 华中科技大学 | 一种基于信任管理的物联网可信覆盖可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络和改进D-S证据理论的目标识别方法;张志等;计算机应用与软件;20180315;第35卷(第3期);第151-156页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116455800A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647900B (zh) | 基于深度神经网络的安全态势智能预测方法、装置及系统 | |
US11057788B2 (en) | Method and system for abnormal value detection in LTE network | |
Najafi et al. | Statistical downscaling of precipitation using machine learning with optimal predictor selection | |
CN112801231B (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
CN115426661B (zh) | 一种基于信任管理的物联网可信覆盖可靠性评估方法 | |
CN114912497A (zh) | 用于模型更新的方法、设备和程序产品 | |
CN114168971B (zh) | 一种基于强化学习的物联网覆盖漏洞修复方法 | |
CN115617882A (zh) | 基于gan的带有结构约束的时序图数据生成方法及系统 | |
CN116151485A (zh) | 反事实预测和效果评估方法、系统 | |
KR101271694B1 (ko) | 시계열데이터의 연속적 결측값 대체 시스템 및 그 방법 | |
CN110011847B (zh) | 一种传感云环境下的数据源质量评估方法 | |
Zhang et al. | Automatic Traffic Anomaly Detection on the Road Network with Spatial‐Temporal Graph Neural Network Representation Learning | |
CN116455800B (zh) | 基于d-s证据理论的物联网信度覆盖可靠性评估方法 | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
CN111756460A (zh) | 认知网络中基于无监督学习的协作频谱感知方法、装置 | |
CN115834174A (zh) | 基于时序图神经网络的网络安全态势预测方法和装置 | |
Carl et al. | Spind: a package for computing spatially corrected accuracy measures | |
CN114792112A (zh) | 基于自适应处理策略的时域证据融合方法 | |
Tchamova et al. | Estimation of Target behavior tendencies using Dezert-Smarandache theory | |
CN114186646A (zh) | 区块链异常交易识别方法及装置、存储介质及电子设备 | |
CN114139601A (zh) | 一种对电力巡检场景人工智能算法模型的评估方法及系统 | |
Weng et al. | A novel sensor dynamic reliability evaluation method and its application in multi-sensor information fusion | |
US7634450B2 (en) | System and method for determining difficulty measures for training cases used in developing a solution to a problem | |
CN117540464B (zh) | 基于kriging代理模型的桥梁数字孪生体构建方法 | |
Levine et al. | Crimestat version 3.3 update notes: Part 2: Regression modeling |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |