一种分簇无线传感器网络内多源数据融合方法

摘要

本发明公开了一种分簇无线传感器网络内多源数据融合方法，具体内容包括：采用分布式数据融合结构，在各簇头节点处，按照簇内成员节点的可靠度对证据集进行预处理后，依据证据的一致强度和基元支持度值来分配证据冲突以及优化证据组合次序，建立冲突证据组合规则合成所有证据；针对证据组合结果，利用集合的不确定性测度和属性支持度，获取基元命题的精细信度区间值，然后对精细信度区间进行优先度排序基础上构建证据决策模型，做出最终诊断。本发明可提高分簇无线传感器网络对检测目标的识别准确率，同时可以有效地降低网内冗余数据传输量，满足分簇无线传感器网络在管道泄漏诊断、目标跟踪和环境检测等多个领域的应用需求。

主权项

1、一种分簇无线传感器网络内多源数据融合方法，其特征在于，采用具体包括以下步骤：步骤一、利用证据源的可靠度值对证据集进行预处理；节点初始化时，在各簇内成员节点处建立由完备的、互不相容命题集合构成的识别框架，由簇头节点依据簇内成员节点与待检测目标之间的距离确定该证据源的权重因子，重新分配证据关于各命题的基本概率指派值；步骤二、根据预处理后的证据集，建立基于可靠度和一致强度的冲突证据组合公式，对所有证据的基本概率指派函数进行合成；1)对于证据集中任意两条证据，对应的基本概率指派函数为m′_i(A)、m′_j(B)，则两条证据间的完全一致量Q_i，j：Q_i，j＝∑_A＝Bm′_i(A)m′_j(B)                    (1)其中，1≤i，j≤n，n表示证据集包含的证据个数，A、B分别表示证据i、j的焦元，m′_i(A)，m′_j(B)表示预处理后证据i、j的基本概率指派函数；证据集中任意两条证据间的冲突量K_i，j：式中：表示空集；由式(1)、式(2)得证据间的完全一致强度C_i，j：$C_{i,j}=\frac{Q_{i,j}}{Q_{i,j}+K_{i,j}}---\left(3\right)$2)在冲突分配方面，采用加性策略计算所有证据关于各基元命题A_j(j＝1，2，...，L)的总支持度，并归一化处理，得$S\left(A_j\right)=\frac{{\Sigma }_{i=1}^n{m^{\prime }}_i\left(A_j\right)}{{\Sigma }_{i=1}^n{\Sigma }_{j=1}^L{m^{\prime }}_i\left(A_j\right)}---\left(4\right)$其中，L表示基元命题的个数，S(A_j)表示证据集关于基元命题A_j的支持度，其它非基元命题的支持度S为0；依据证据间的一致强度值，将两条证据间的冲突分为“有用信息”，值为K_i，j·C_i，j，和“无用信息”值为K_i，j·(1-C_i，j)两部分，无用信息全部分配给未知命题，有用信息则依据各基元命题的支持度进行分配；3)综合上述步骤1)、步骤2)，建立新的冲突证据组合公式：式中，A表示证据i和j组合后的焦元；B、D分别表示证据i、j的焦元；Θ表示在节点初始化时，由完备的、互不相容命题集合构成的识别框架；4)在证据组合次序方面，依据证据的一致强度来调整证据组合的次序，优先集中组合冲突较大的证据，具体方法为：根据一致强度的计算公式(3)得到证据间的一致强度矩阵：式中，n表示证据集中包含的证据个数；对一致强度矩阵C的行向量作求和运算，得到证据的总一致强度C_i：$C_i={\Sigma }_{j=1}^n{C}_{i,j},$i＝1，2，...，n                (7)根据总一致强度值C_i，按照从小到大的原则来确定证据组合的次序；5)选择合适的证据组合公式对各证据进行组合，具体方法为：若证据间的一致强度矩阵中所有元素值均大于等于阈值0.5且小于等于1，即证据间冲突较小，则采用D-S证据组合公式：式中，K_i，j表示证据间的冲突大小，A表示证据i、j组合后的命题，B、C分别表示证据i、j的焦元；若证据间的一致强度矩阵中有元素值均小于0.5，依据步骤3)得到的证据组合次序，采用改进的证据组合公式(5)进行证据合成，得到组合结果；步骤三、建立基于集合属性和优先度的证据决策模型，对组合结果做出最终决策；1)精细信度区间的构造集合A的不确定性测度为：u(A)＝log₂(|A|^λ)                                (9)其中，|A|表示集合的基数，等于A所包含的单子集个数；λ取大于等于1的整数，根据所要求的决策风险级别来设定；则综合基本概率指派函数m_Z(A)的有效值m′_Z(A)为由于|A∩B|反映出集合间的一致属性，该值越大，说明集合A与B之间的一致性越好，因此，用来反映一个集合对另外一个集合的支持程度；焦元A对B在集合属性层面上的支持度为：$S(A,B)=\frac{|A\cap B|}{\left|A\right|\left|B\right|}---\left(11\right)$基于上面得到的集合不确定测度和焦元间属性支持度，得到信任度和似真度函数的修正计算公式：由上得到关于命题A的信度区间值，称为A的精细信度区间，记作I(A)＝[Bel(A)，Pls(A)]；其中Bel(A)表示对命题A的最小信任概率，Pls(A)表示对命题A的最大精确信任概率；2)决策基元的优先度比较对于识别框架中任意两个命题A和B，设I(A)和I(B)分别表示它们的精细信度区间，根据扩展原理，区间数的“减运算”法则为I(A)-I(B)＝[Bel(A)-Pls(B)，Pls(A)-Bel(B)]        (13)I(A)-I(B)除了相互重合为0的关系之外，直观理解上，基于命题的精细信度区间值决策时应满足：①两个精细信度区间不相交时，若Bel(A)＞Pls(B)，则优先选取命题A作为决策结果；若Pls(A)＜Bel(B)，则优先选取命题B作为决策的结果；②两个精细信度区间重合时，即Bel(A)＝Bel(B)，Pls(A)＝Pls(B)，则“选择命题A为决策结果”等价于“选择B为决策结果”，称命题A等价于B；③两个精细信度区间交叉时，若Bel(A)＞Bel(B)，Pls(A)＞Pls(B)，优先选择命题A作为决策的结果，若Pls(B)、Bel(B)一定，当Pls(A)或Bel(A)增加时，命题A优于命题B的程度增大；对于命题A和命题B，它们的精细信度区间之间的距离d_I(A，B)为：d_I(A，B)＝[Pls(A)-Bel(B)]-[Bel(A)-Pls(B)]            (14)以I(A)和I(B)为对象，给出比较决策基元A优于B的方法：若命题A和命题B的精细信度区间分别为[Bel(A)，Pls(A)]、，[Bel(B)，Pls(B)]则命题A优于B的程度P()为：则所有命题构成的优先度矩阵P_m为式中，n表示决策目标的个数，Nun表示为空，此处取0；对矩阵的行向量作求和运算，得到命题A_i总的优先度：$v_i={\Sigma }_{j=1}^{n}P(i,j)---\left(17\right)$其中，i＝1，2，...，n；基于各命题的总优先度值，则V＝max{v₁，v₂，...，v_n}为最终的决策结果。