[发明专利]一种基于模糊集合的证据理论智能巡检信息融合方法

权利要求书

1.一种基于模糊集合的证据理论智能巡检信息融合方法，它包括：

步骤1、采集智能巡检中机器人获取的各个传感器信息；

步骤2、利用模糊相关函数计算多传感器的相互支持度；

步骤3、根据各传感器的测量数据计算出每个传感器所得数据的模糊隶属度，并用隶属度来表征各传感器提供信息的可信度；

步骤4、将各传感器的支持度和可信度转化成基本概率赋值即mass函数；

步骤5、利用D-S理论合成规则对各个传感器的信息进行融合。

2.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法，其特征在于：步骤2所述利用模糊相关函数计算多传感器的相互支持度的方法包括:

步骤2.1、设各个传感器测量同一参数，第i个传感器和第j个传感器测得的数据分别为X_i和X_j，且均服从高斯分布，以其pdf(概率分布函数)曲线作为传感器的特性函数，记为p_i(x)和p_j(x)，x_i和x_j分别为X_i和X_j的一次观测值；

步骤2.2、置信距离测度：为了反映x_i和x_j之间的偏差大小，引进置信距离测度.设

式中：

d_ij为第i个传感器观测值相对于第j个传感器观测值的置信距离测度，d_ij的值可借助误差函数er∫(0)直接求得，即p_i(x/x_i)表示第i个传感器取值为x_i的置信水平，其中σ_i为第i个传感器数据分布的标准差。

步骤2.3、置信距离矩阵：设有n个传感器测量同一指标参数，则置信距离测度d_ij(i，j＝1，2，...，n)构成n个传感器数据的置信距离矩阵D_n为

由d_ij的运算可知0≤d_ij≤1，且有其运算公式的统计意义可见，d_ij越小说明第i个传感器和第j个传感器支持的程度越高；

步骤2.4、相关性函数：令g(i/j)＝1-d_ij，i，j＝1，2，...，n；

f(i/j)＝g(i/j)/max[g(i/j)，g(j/i)]，i，j＝1，2，…，n；

相关性函数f(i/j)的大小表示传感器i被传感器j支持度。

3.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法，其特征在于：步骤3所述表征可信度的方法包括：步骤3.1、建立一个非空集合Θ，Θ称为辨识框架，由互斥且穷举的元素组成.对于问题域中的任意命题A，都属于幂集2^Θ.在2^Θ上定义BPAF(mass函数)m：2^Θ→[0，1]，m满足：m(Θ)＝0，m称为辨识框架Θ上的基本可信度分配；

步骤3.2、A为Θ的子集，则m(A)称为A的概率分配函数，即mass函数，m(A)＞0，则称为证据的焦元，所有焦元的集合称为核；

步骤3.3、通过m(A)来表征命题A的可信度。

4.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法，其特征在于：步骤4所述mass函数表达式为：

式中C_i为第i个传感器被各个传感器支持的程度。

5.根据权利要求1所述的一种基于模糊集合的证据理论智能巡检信息融合方法，其特征在于：步骤5所述利用D-S理论合成规则对各个传感器的信息进行融合的方法包括：

步骤5.1、设m₁和m₂是2^Θ上的两个相互独立的基本概率分配值，Bel₁的焦元是B₁，B₂，...，B_k，Bel₂的焦元是C₁，C₂，...，C_n，则有m(Φ)＝0.，

$m\left(A\right)=\frac{1}{K}{\Σ}_{i,j;B_i\∩C_j=A}{m}_1\left(B_i\right)m_2\left(C_j\right),$

其中K是一个归一化常数；

步骤5.2、m(A)确定一个基本概率分配值，称为m₁和m₂的综合概率分配值，用此组合规则对证据进行两两融合，得到最终的融合结果。