KR101352846B1

KR101352846B1 - 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템 및 방법

Info

Publication number: KR101352846B1
Application number: KR1020130085183A
Authority: KR
Inventors: 박광수; 서동혁
Original assignee: (주)에스티씨
Priority date: 2013-07-19
Filing date: 2013-07-19
Publication date: 2014-01-20

Abstract

본 발명은 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템 및 방법에 관한 것으로서, 더욱 자세하게는 관심 구성의 신뢰성 변화 패턴에 기초하여 센서의 정보를 결합하여 획득한 정보에 상응하는 가중치를 부여하여 동적 상황을 추론하는 것에 관한 것이다.
본 발명의 상황 추론 시스템은 다중 센서 데이터 융합을 이용한 상황 추론 시스템에 있어서, 상기 상황을 감지하기 위한 복수 개의 센서부; 상기 복수 개의 센서부의 조합으로 이루어진 관심 구성의 각각의 시간대에서 BPA(Basic probability assignment)에 기초한 DST(Dempster-Shafer evidence theory)를 적용하여 신뢰성을 연산을 연산하고 상기 연산된 신뢰성에 가중치를 적용하는 가중치 조정부; 및 상기 가중치 조정부로부터 출력된 각각의 시간대의 결과를 이용하여 관심 구성의 신뢰성 데이터를 융합하고, 상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성을 추정하는 서버를 포함하는 것을 특징으로 한다.
본 발명의 상황 추론 시스템 및 상황 추론을 위한 가중치 부여 방법에 의하면, 하나의 센서를 이용하지 않고 이기종의 센서에 BPA를 적용하고 DST를 통하여 멀티 센서 데이터 융합함으로 더 높은 레벨의 상황 추론을 할 수 있다는 효과를 가진다.

Description

확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템 및 방법{Context inference system and its method using multi sensor data fusing method based on probability theory}

본 발명은 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템 및 방법에 관한 것으로서, 더욱 자세하게는 관심 구성의 신뢰성 변화 패턴에 기초하여 센서의 정보를 결합하여 획득한 정보에 상응하는 가중치를 부여하여 동적 상황을 추론하는 것에 관한 것이다.

일반적으로 USN(Ubiquitous sensor netwok)을 설치하는 목적은 상황 인식과 개인적인 서비스를 위한 것으로 이기종의 멀티 센서 터미널(노드)과 진보된 상황 추론을 위한 멀티 센서 데이터 융합을 요구한다.

DST(Dempster-Shafer evidence theory)를 이용한 멀티 센서 데이터 융합에 기초한 상황 추정은 유익한 추론 방법을 제공하며 DST는 실제 세계의 불확실성을 표현하기 위하여 설계되었으며 최근에 DST는 이미지 처리와 생체 측정 분야에서 데이터를 융합하는 유용한 방법으로 사용된다.

그 중에서 이질적인 기하학적 지도 이미지를 합성하는 DST를 이용한 멀티 센서 데이터 융합 방법은 개선된 지도 정보를 추출하는데 이용되곤 했다.

지형과 빌딩의 이미지 정보는 다양한 방법으로 획득할 수 있는데 그 방법은 다른 정보 이미지를 융합함으로 지형과 건물 정보를 더 잘 보이게 하는데 이용되었다.

또한, 정보 보안 분야에서 상황인지를 위한 네트워크 침입 감지 정도는 하나의 팩터에 의존하기 보다는 2개 이상의 복잡한 팩터를 융합함으로 개선되었다.

더욱이, DST는 상황 추론의 유익한 수단이지만, 현재의 DST는 증거의 참과 거짓 만을 결정하는데 사용되며, 이것은 정적 상황으로부터 온 증상의 원인을 추론하는데 이용하였는데, 이러한 과정은 복잡하고, 연산 시간이 증가한다.

한편 상술한 바와 같은 상황 인지를 이용한 무인 감시 방법이 대한민국 등록특허 제1100419호(다중 센서 및 노드 협업을 위한 센서 노드 상황 인지 무인 감시 방법)에 개시된다.

상기 다중 센서 및 노드 협업을 위한 센서 노드 상황 인지 무인 감시 방법은 다중 센서의 단계별 센서 데이터 수집에 의한 객체 유형 및 상황을 판단하는 객체 유형 및 상황 판단 단계(S1)와; 이웃 감시 노드와의 협업에 의해 이동 객체의 연속 추적을 위한 상황 인지 정보를 형성하는 상황 인지 정보 형성 단계(S2)와; 영상 센서 탑재 감시 노드의 영상 정보 처리시 관심 영역에 대한 집중적 동작과 객체의 이상 행동 패턴을 추출하는 패턴 추출 단계(S3)와; 감시 노드의 상황 인지 정보를 이웃 감시 노드로 전파하는 상황 인지 정보 전파 단계(S4) 및; 감시 서버에 무선 센서 네트워크 라우팅 경로에 따라 상황 인지 정보를 전송하는 정보 전송 단계(S5)로 이루어지는 구성을 제시한다.

그러나, 상기 다중 센서 및 노드 협업을 위한 센서 노드 상황 인지 무인 감시 방법은 시간의 흐름에 따른 동적인 환경에서의 빠른 결정과 상황 추론을 할 수 없다는 문제가 있었다.

본 발명은 상기 문제를 해결하기 위하여 안출된 것으로서 관심 구성의 신뢰성 변화 패턴에 기초하여 복수 개의 센서의 정보를 융합 처리하여 추론하는 것으로 복합한 연산 과정을 간단하게 하고 동적 상황에 있어서 빠른 결정과 상황 추론을 할 수 있는 가중치를 부여하여 상황 추론 시스템 및 방법을 제공하는 것을 목적으로 한다.

이러한 목적을 달성하기 위한 본 발명의 상황 추론 시스템은 다중 센서 데이터 융합을 이용한 상황 추론 시스템에 있어서, 상기 상황을 감지하기 위한 복수 개의 센서부; 상기 복수 개의 센서부의 조합으로 이루어진 관심 구성의 각각의 시간대에서 BPA(Basic probability assignment)에 기초한 DST(Dempster-Shafer evidence theory)를 적용하여 신뢰성을 연산을 연산하고 상기 연산된 신뢰성에 가중치를 적용하는 가중치 조정부; 및 상기 가중치 조정부로부터 출력된 각각의 시간대의 결과를 이용하여 관심 구성의 신뢰성 데이터를 융합하고, 상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성을 추정하는 서버를 포함한다.

여기서, 상기 가중치 조정부는 상기 가중치를 각각의 시간대에서 발생하는 관심 구성의 이벤트 회수와 이벤트 반복에 기초하여 조정한다.

또한, 상기 센서부는 이동 객체의 접근, 접촉과 충돌을 인식하기 위한 노이즈 센서, 초음파 센서 및 압력 센서로 이루어진다.

또한, 상기 가중치 조정부는 각각의 시간대의 각각의 관심 구성을 BPA에 기초한 DST를 적용하여 신뢰성을 연산한다.

또한, 상기 서버는 상기 융합된 신뢰성 데이터를

의 수학식을 이용하여 연산한다.

또한, 이러한 목적을 달성하기 위해 본 발명의 상황 추론 방법은 다중 센서 데이터 융합을 이용한 상황 추론 방법에 있어서, 상황 정보를 감지하기 위해 센서부로 조합된 관심 구성을 설정하는 단계(S110); 상기 관심 구성으로부터 출력된 신호를 BPA를 이용하여 연산하는 단계(S120); 초기 시간대에서 상기 관심 구성의 신뢰성을 연산하는 단계(S130); 상기 초기 시간대로부터 이벤트를 인식하기 위한 일정 시간 경과 후 상기 관심 구성의 신뢰성을 연산하는 단계(S140); 각각의 시간대에서 상기 연산된 관심 구성의 신뢰성에 가중치를 적용하는 단계(S150); 상기 가중치가 적용된 각각의 시간대에서의 관심 구성의 신뢰성 데이터를 융합하는 단계(S160); 및 상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성을 추정하는 단계(S170)을 포함한다.

여기서, 상기 단계(S110)에서, 상기 센서부는 이동 객체의 접근, 접촉과 충돌을 인식하기 위한 노이즈 센서, 초음파 센서 및 압력 센서로 이루어진다.

또한, 상기 단계(S130) 및 단계(140)에서, 각각의 시간대의 각각의 관심 구성은 BPA에 기초한 DST를 적용하여 신뢰성이 연산된다.

또한, 상기 단계(S150)에서 상기 가중치는 각각의 시간대에서 발생하는 관심 구성의 이벤트 회수와 이벤트 반복에 기초하여 조정된다.

또한, 상기 단계(S170)에서 상기 융합된 신뢰성 데이터는

의 수학식을 이용하여 연산된다.

본 발명의 상황 추론 시스템 및 상황 추론을 위한 가중치 부여 방법에 의하면, 하나의 센서를 이용하지 않고 이기종의 센서에 BPA를 적용하고 DST를 통하여 멀티 센서 데이터 융합함으로 더 높은 레벨의 상황 추론을 할 수 있다는 효과를 가진다.

또한, 본 발명의 상황 시스템 및 방법에 의하면, 관심 구성의 신뢰성 변화 패턴에 기초하여 센서의 정보를 결합하여 추론하는 것으로 복합한 연산 과정을 간단하게 하고 동적 상황에 있어서 빠른 결정과 상황 추론을 할 수 있다는 효과를 가진다.

또한, 본 발명의 상황 추론 시스템 및 그 방법에 의하면, USN(Ubiquitous sensor netwok)으로부터의 상황 추론을 위한 멀티 센서 데이터를 융합하면서 적절한 가중치를 할당함으로 상황 추론의 신뢰성을 개선할 수 있다는 효과를 가진다.

도 1은 본 발명에 따른 상황 추론 시스템의 구성도;
도 2는 도 1에 따른 상황 추론을 위한 DST를 이용한 멀티 센서 데이터 융합을 도시한 개념도;
도 3은 도 1에 따른 동적 상황에서 상황 추론 모델링을 도시한 도면;
도 4는 도 1에 따른 무선 센서 네트워크에서의 시간 경과에 따른 이벤트 회수와 이벤트 반복을 고려한 가중치를 도시한 도면;
도 5는 도 1에 따른 각각의 시간대에서 BPA에 가중치의 적용 전후의 변화된 신뢰성을 도시한 도면;
도 6은 본 발명에 따른 가중치를 이용한 상황 추론 시스템의 순서도;

이하, 도면을 참조하여 본 발명에 대하여 상세하게 설명한다.

도 1은 본 발명에 따른 상황 추론 시스템의 구성도, 도 2는 도 1에 따른 상황 추론을 위한 DST를 이용한 멀티 센서 데이터 융합을 도시한 개념도, 도 3은 도 1에 따른 동적 상황에서 상황 추론 모델링을 도시한 도면, 도 4는 도 1에 따른 무선 센서 네트워크에서의 시간 경과에 따른 이벤트 회수와 이벤트 반복을 고려한 가중치를 도시한 도면, 도 5는 도 1에 따른 각각의 시간대에서 BPA에 가중치의 적용 전후의 변화된 신뢰성을 도시한 도면, 도 6은 본 발명에 따른 가중치를 이용한 상황 추론 시스템의 순서도이다.

도 1 내지 도 6을 참조하면, 본 발명의 상황 추론 시스템은 제1 센서부(110), 제2 센서부(120), 제3 센서부(130), 싱크 노드(140), 가중치 조정부(150), 서버(160) 및 복수 개의 단말기(170)를 포함하여 구성된다.

상기 가중치 조정부(150)는 상기 복수 개의 센서부(S1,S2,S3)의 조합으로 이루어진 관심 구성(h1~h7)의 각각의 시간대(예를 들어서 T1,T2,T3)에서 BPA에 기초한 DST를 적용하여 신뢰성을 연산하고 상기 연산된 신뢰성에 가중치를 적용한다.

상기 가중치 조정부(150)는 본원 발명의 연산 절차(S120,S130,S140,S150)를 수행하며 상기 서버(160)는 본원 발명의 연산 절차(S110,S160,S170)를 수행한다.

상기 상황 추론 시스템은 가중치를 이용한 상황 추론 시스템으로 상기 복수 개의 센서부(110,120,130)는 센서 노드로서 상기 상황을 감지하도록 위치한다.

상기 싱크 노드(140)는 상기 복수 개의 센서부(110,120,130)로부터 출력된 신호를 수집하도록 상기 센서부(110,120,130) 중심 또는 근처에 위치한다.

상기 서버(160)는 상기 싱크 노드(140)로부터 수집된 신호를 전송받고, 상황 정보를 감지하기 위한 관심 구성(h1~h7)을 설정하고, 상기 관심 구성(h1~h7)으로부터 출력된 신호를 BPA(Basic probability assignment)를 이용하여 연산하고, 초기 시간대에서 상기 관심 구성(h1~h7)의 신뢰성을 연산하고, 상기 초기 시간대로부터 일정 시간(예를 들어서 0.1초 ~ 10분)경과 후 상기 관심 구성(h1~h7)의 신뢰성을 연산하고, 또한 각각의 시간대(T1,T2,T3)에서 상기 연산된 관심 구성(h1~h7)의 신뢰성에 가중치(w1 및 w2)를 적용하고, 상기 가중치가 적용된 각각의 시간대에서 관심 구성의 신뢰성 데이터를 융합하고, 상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성을 추정한다.

상기 가중치 조정부(150)는 각각의 시간대(T1,T2,T3)의 각각의 관심 구성(h1~h7)을 BPA에 기초한 DST를 적용하여 신뢰성을 연산하며, 각각의 시간대에서 발생하는 관심 구성(h1~h7)의 이벤트 회수와 이벤트 반복에 기초하여 가중치를 조정한다.

상기 복수 개의 센서부(110,120,130)은 무선 통신을 통하여 상기 싱크 노드(140)에 접속되며, 상기 싱크 노드(140)는 유/무선 통신망을 통하여 상기 서버(160)에 접속되며, 상기 복수 개의 단말기(170)는 PC, PDA 또는 휴대 단말기 등으로 이루어지며 유/무선 통신망을 통하여 상기 서버(160)에 접속된다.

상기 센서부(110,120,130)는 이동 객체의 접근, 접촉과 충돌을 인식하기 위한 노이즈 센서, 초음파 센서 및 압력 센서 중 어느 하나 이상으로 이루어지며, 상기 각각의 센서(110,120,130)는 하나 또는 복수 개로 이루어진다.

또한, 상기 서버(160)는 상기 융합된 신뢰성 데이터를

, i=1,2,3, --- , n 의 수학식을 이용하여 연산한다.

또한, 본 발명의 상황 추론 방법은 상황 정보를 감지하기 위한 센서부(S1,S2,S3)로 조합된 관심 구성(h1~h7)을 설정하는 단계(S110); 상기 관심 구성(h1~h7)으로부터 출력된 신호를 BPA를 이용하여 연산하는 단계(S120); 초기 시간대에서 상기 관심 구성(h1~h7)의 신뢰성을 연산하는 단계(S130); 상기 초기 시간대로부터 상기 관심 구성(h1~h7)의 이벤트를 인식하기 위한 일정 시간 경과 후 상기 관심 구성(h1~h7)의 신뢰성을 연산하는 단계(S140); 상기 단계(S130) 및 단계(S140)의 각각의 시간대에서 상기 연산된 관심 구성(h1~h7)의 신뢰성에 가중치를 적용하는 단계(S150); 상기 가중치가 적용된 각각의 시간대에서의 관심 구성의 신뢰성 데이터를 융합하는 단계(160); 및 상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성을 추정하는 단계(S170)을 포함하여 구성된다.

상기 단계(S110)에서 상기 센서부(110,120,130)는 제1 센서부(110), 제2 센서부(120) 및 제3 센서부(130)로 구성되며, 상기 제1 센서부(110)는 복수 개의 센서 노드로 이루어지며 화재 감지하기 위한 온도 센서 또는 이동 객체의 소리를 감지하는 노이즈 센서(Noise sensor)이며, 상기 제2 센서부(120)는 복수 개의 센서 노드로 이루어지며 화재를 감지하기 위한 습도 센서 또는 거리를 감지하는 초음파 센서이며, 제3 센서부(130)는 복수 개의 센서 노드로 이루어지며 화재를 감지하기 위한 조도 센서 또는 충격을 감지하는 압력 센서로 이루어진다.

상기 제1 센서부(110), 제2 센서부(120) 및 제3 센서부(130)는 자동차와 같은 이동하는 객체에 부착되거나 일정한 영역에 고정되어 화재를 검출하는 센서 노드이다.

본원 발명은 바람직하게는 상기 제1 센서부(110), 제2 센서부(120) 및 제3 센서부(130)를 장착한 이동 객체와 다른 이동 객체와의 접근, 접촉과 충돌을 인식하기 위한 노이즈 센서, 초음파 센서 및 압력 센서로 이루어진다.

상기 관심 구성(h1~h7)은 각각의 센서(S1,S2,S3)의 논리 조합으로 이루어지며 그 경우의 수는 표1 및 표2에 도시된 바와 같다.

상기 서버(160)는 단계(S110)에서 관심 구성(h1~h7)을 설정하고, 상기 가중치 조정부(150)는 단계(S120)에서 상기 관심 구성(h1~h7)의 BPA를 연산하고, 상기 단계(130) 및 단계(140)에서, 각각의 시간대(예를 들어서, T1,T2,T3)의 각각의 관심 구성(h1~h7)에 BPA에 기초한 DST를 적용하여 신뢰성을 연산한다.

또한, 단계(S150)에서, 상기 서버(160)는 상기 가중치를 적용함에 있어 각각의 시간대에서 발생하는 관심 구성의 이벤트 회수와 이벤트 반복에 기초하여 가중치를 조정한다.

본 발명은 하나의 센서를 이용하지 않고 이기종의 센서로 DST를 통하여 멀티 센서 데이터 융합함으로 더 높은 레벨의 상황 추론을 할 수 있으며, USN(Ubiquitous sensor netwok)으로부터의 상황 추론을 위한 멀티 센서 데이터를 조합하면서 합당한 가중치를 할당함으로 상황 추론의 신뢰성을 개선할 수 있는 시스템 및 방법에 관한 것이다.

수집된 센서 정보에 대한 정확한 가중치를 적용하는 방법은 상황 추론의 불확실성을 감소시키며 각각의 센서(S1,S2,S3)가 상기 상황을 매우 신중하게 추론할 수 있도록 한다.

본 발명은 무선 센서 네트워크를 구성하는 센서(S1,S2,S3)에 의해 기록된 이벤트에 의존한 각각의 관심 구성 요소(h1~h7)에 각각의 시간대에 있어 BPA(Basic probability assignment)를 이용한 DST를 적용한 신뢰성에 가중치를 주고 상기 가중치가 주어진 각각의 구성 요소의 신뢰성을 수학식(1)에 의해 융합함으로 각각의 관심 구성 요소의 신뢰성(Belief), 개연성(Plausibility) 및 불확실성(Uncertainty)를 연산한다.

실제 세계의 추정은 대부분의 케이스에 있어서 변화하며, 추정 인식은 대단히 복잡한 일이기 때문에 다양한 팩터를 고려해야 한다.

원거리에서 센서를 이용한 상황 추정은 매우 복잡한 일이지만, USN을 이용하면 매우 지능적인 서비스를 제공함으로 센서 노드로부터 수집된 정보에 기초하여 상황을 추론할 수 있다.

센서의 성능은 실제 세계에서 문맥을 이해하는 것 이상의 중요한 기능을 하지만, 센서의 성능은 무한정 증가될 수 없기 때문에 단가 효율성을 고려해야만 한다.

무선 센서 네트워크에서 센서의 한정된 능력을 업그레이드하기 위하여 다른 종류의 센서를 채용하는 것이 필요하다.

본 발명은 이러한 멀티 센서 네트워크 시스템을 이용한 상황 추론을 하기 위하여 멀티 센서 데이터 융합을 한다.

모든 센서는 각각의 상황에서 동일한 가중치, 역할 및 기능을 갖지 않는다.

또한, 센싱된 정보에 기초한 상황 추론에 동일한 가중치를 적용한 정보를 제공하는 것은 문제가 있다.

본 발명은 상황 추론을 위해 멀티 센서 데이터 융합 과정에서 가중치를 결정하는 시스템 및 방법을 제안한다.

본 발명의 무선 센서 네트워크는 다수의 센서(S1,S2,S3)로 이루어지며, 동일한 종류의 센서 중에서 이벤트가 발생할 수도 발생하지 않을 수 있다.

여기서, 센서(S1)는 제1 센서부(110), 센서(S2)는 제2 센서부(120), 센서 (S3)는 제 3센서부(130)이다.

이기종의 많은 센서로부터 센싱된 정보에 의해 기록된 이벤트는 더욱 확신을 갖게 한다.

따라서, 본 발명은 이기종의 다수개의 센서로 이루어진 무선 센서 네트워크에 있어서 이벤트 주기(Frequency:빈도)와 이벤트 반복에 기초하여 가중치를 적용하는 방법을 필요로 한다.

즉, 본 발명은 일정한 시간 간격에서 반복 이벤트의 주기를 고려하는 것이 특징이다.

센서들은 제한된 영역 안에서 균일하게 분포되어 가장 짧은 시간 간격을 따라서 반복되어 감지되는 정보 이벤트를 기록할 수 있거나 기록할 수 없을 수도 있다.

이것은 다양한 시간 간격에서 반복되어 기록된 이벤트의 숫자에 기초하여 센서 노드에 가중치를 할당할 수 있다.

무선 센서 네트워크는 매 10초마다 측정을 하며 감지된(센싱된) 값을 싱크 노드(140)를 통하여 서버(160:호스트)에 기록한다.

이것은 매 10초마다 수집된 정보이며, 상기 수집된 정보에 대해서 데이터 융합이 수행된다.

데이터 융합은 도 3의 동적 상황의 추론 모델링에서 각각의 관심 구성(h1~h7)에 BPA를 적용하고 각각의 적용된 BPA에 기초한 DST를 적용하여 신뢰성을 연산하고 가중치를 준 후 가중치가 부여된 각각의 시간대의 동적상황에서의 신뢰성

은 수학식(1)은 아래와 같다.

, i=1,2,3, --- , n --- 수학식(1)
여기서

은

에서의 신뢰성 추정치이며,

는

에서의 신뢰성 추정치이다.

상기 수학식(1)은 T1 시간에서 발생한 BPA를 기초로 하여 관심 구성 요소(h1~h7)에 BPA(Basic probability assignment)를 이용하여 DST를 적용한 신뢰성에 가중치를 준 결과가 T1의 결과라 하면, T2의 결과와 T3의 결과는 T1의 연산 과정과 동일하게 이루어지는데, 이때 T2에서 상기 T2의 결과와 상기 T1의 결과를 융합한 것을 새로운 T2의 결과로 연산하며, 또한 T3에서 상기 새로운 T2의 결과와 T3의 결과를 융합한 수학식을 의미한다.

또한, T1, T2, T3는 이벤트를 보고할 상황이 끝날 때까지의 복수 개(1,2,3 ---N개)로 이루어지며 인식하고자 하는 상황에 따라 T1, T2, T3의 간격은 0.1 초~10 분 정도로 조정할 수 있다.

또한, 가중치는 T1, T2와 같은 복수 개의 이벤트 발생을 이용하여 설정된다.

도 4에 도시된 바와 같이, 각각의 센서(S1,S2,S3)에 의해서 이벤트를 기록하는 센서 노드의 숫자는 센서 종류에 따라서 달라진다.

이러한 환경에서, 이벤트의 숫자를 고려하여 가중치를 적용하는 것은 매우 중요하다.

하지만, 동적인 상황에서 최초에 기록된 이벤트 빈도(주기 또는 개수)는 10초 후의 기록된 이벤트 빈도(주기 또는 개수)와 다를 수 있다.

이러한 경우에 가중치를 어떻게 적용할 지(가중치에 얼마가 더해질지) 궁금한데, 이때 반복된 이벤트 빈도를 이용한다.

센서(S1,S2,S3)에 의해 발생된 최초 이벤트가 10초 후에 발생하는 경우에 감지된 센서 노드의 숫자와 반복적으로 발생된 이벤트를 기록하여 각각의 센서에 의한 가중치를 연산하는 것이다.

t:이벤트, f:이벤트 빈도(주기)라면, w1(제1 가중치)=tf --- 수학식 (2)

센서의 이벤트 반복에 기초한 제2 가중치(w2)를 고려하면,

T1과 T2에서의 S1의 반복 이벤트:

T1과 T2에서의 S2의 반복 이벤트:

T1과 T2에서의 S3의 반복 이벤트:

모든 시간 구간(간격)에서의 센서들의 반복 이벤트 :

따라서 제2 가중치

......수학식(3)으로 연산된다.
아래의 표1, 표2 및 도 5에 도시된 바와 같이, 실험에 의한 결과는 가중치를 주기 전보다도 가중치를 준 경우가 상황 추정에 더 정확하다.

삭제

본 발명에서 제안된 가중치 연산은 실제 상황에서 상황 추정을 용이하게 한다.

가중치 적용 전의 BPA, 신뢰성 및 개연성

관심 구성	h1	h2	h3	h1∪h2	h1∪h3	h2∪h3	Ω
T1	0.15	0.1	0.03	0.07	0.18	0.22	0.25	m(At)
	0.15	0.1	0.03	0.32	0.36	0.35	1	bel(At)
	0.65	0.64	0.68	0.97	0.9	0.85	1	pl(At)
T2	0.07	0.03	0.2	0.05	0.15	0.2	0.3	m(Bt)
	0.07	0.03	0.2	0.15	0.42	0.43	1	bel(Bt)
	0.57	0.58	0.85	0.8	0.97	0.93	1	pl(Bt)

가중치 적용 후의 신뢰성 및 개연성

관심 구성	h1	h2	h3	h1∪h2	h1∪h3	h2∪h3	Ω
T1	0.057471	0.076628	0.011494	0.08046	0.137931	0.252874	0.383142	m(At)
	0.057471	0.076628	0.011494	0.214559	0.206897	0.340996	1	bel(At)
	0.659004	0.793103	0.785441	0.988506	0.923372	0.942529	1	pl(At)
T2	0.044444	0.019048	0.063492	0.063492	0.142857	0.1904476	0.47619	m(Bt)
	0.044444	0.019048	0.063492	0.126984	0.250794	0.273016	1	bel(Bt)
	0.726984	0.749206	0.873016	0.936508	0.980952	0.955556	1	pl(Bt)

센서 네트워크는 터미널 노드로 많은 수의 센서 노드(Sensor node)와 센서 모트(Sensor mote)로 이루어진다.

본 발명은 실험에서 도시된 바와 같이 상황 추정을 위한 가중치 연산을 위하여 시간 변화에 따른 센서에 의해 기록된 반복적인 이벤트 및 이벤트 회수를 고려하는 것이다.

110 : 제1 센서부 120 : 제2 센서부
130 : 제3 센서부 140 : 싱크 노드
150 : 가중치 조정부 160 : 서버
170 : 단말기

Claims

다중 센서 데이터 융합을 이용한 상황 추론 시스템에 있어서,
상기 상황을 감지하기 위한 복수 개의 센서부;
상기 복수 개의 센서부의 조합으로 이루어진 관심 구성의 각각의 시간대에서 BPA(Basic probability assignment)에 기초한 DST(Dempster-Shafer evidence theory)를 적용하여 신뢰성을 연산하고 상기 연산된 신뢰성에 가중치를 적용하는 가중치 조정부; 및
상기 가중치 조정부로부터 출력된 각각의 시간대의 결과를 이용하여 관심 구성의 신뢰성 데이터를 융합하고, 상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성을 추정하는 서버를 포함하되 상기 동적상황에서의 신뢰성 추정
은 하기 수학식에 의해 연산되며,

상기 가중치 조정부는 상기 가중치를 각각의 시간대에서 발생하는 관심 구성의 이벤트 회수와 반복되어 기록된 이벤트의 숫자에 기초하여 센서 노드에 가중치를 할당하며 상기 가중치(W2)는

인 것을 특징으로 하는 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템.
삭제
제 1항에 있어서,
상기 센서부는 이동 객체의 접근, 접촉과 충돌을 인식하기 위한 노이즈 센서, 초음파 센서 및 압력 센서로 이루어지는 것을 특징으로 하는 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템.
제 1항에 있어서,
상기 가중치 조정부는 각각의 시간대의 각각의 관심 구성을 BPA에 기초한 DST를 적용하여 신뢰성을 연산하는 것을 특징으로 하는 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 시스템.
삭제
다중 센서 데이터 융합을 이용한 상황 추론 방법에 있어서,
상황 정보를 감지하기 위해 센서부로 조합된 관심 구성을 설정하는 단계(S110);
상기 관심 구성으로부터 출력된 신호를 BPA를 이용하여 연산하는 단계(S120);
초기 시간대에서 상기 관심 구성의 신뢰성을 연산하는 단계(S130);
상기 초기 시간대로부터 이벤트를 인식하기 위한 일정 시간 경과 후 상기 관심 구성의 신뢰성을 연산하는 단계(S140);
각각의 시간대에서 상기 연산된 관심 구성의 이벤트 회수와 반복되어 기록된 이벤트의 숫자에 기초하여 상기 신뢰성에 가중치(W2)
를 적용하는 단계(S150);
상기 가중치가 적용된 각각의 시간대에서의 관심 구성의 신뢰성 데이터를 융합하는 단계(S160); 및
상기 융합된 신뢰성 데이터를 이용하여 동적 상황에서 신뢰성
을
추정하는 단계(S170)을 포함하는 것을 특징으로 하는 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 방법.
제 6항에 있어서,
상기 단계(S110)에서, 상기 센서부는 이동 객체의 접근, 접촉과 충돌을 인식하기 위한 노이즈 센서, 초음파 센서 및 압력 센서로 이루어지는 것을 특징으로 하는 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 방법.
제 6항에 있어서,
상기 단계(S130) 및 단계(140)에서, 각각의 시간대의 각각의 관심 구성은 BPA에 기초한 DST를 적용하여 신뢰성이 연산되는 것을 특징으로 하는 확률 이론에 기반하는 다중 센서 데이터 융합 방법을 이용한 상황 추론 방법.
삭제
삭제