[发明专利]基于证据衡量标准下证据的组合方法

说明书

本发明公开了一种基于新的证据衡量标准下证据的组合方法,克服了现有技术证据分配不合理与组合结果与事实结果是相违背的问题,方法:1.传感器的部署:在房间的墙角安装由多种类传感器组成的传感器组，其中多种类传感器包括有温度传感器、湿度传感器、烟雾浓度传感器、二氧化碳浓度传感器、红外传感器；2.确立新的证据冲突衡量标准Pcor：根据传感器采集到的数据确定证据，根据证据分析各证据间冲突程度；3.确定各证据权重系数：根据各证据冲突衡量标准Pcor值构建支持矩阵，根据支持矩阵确立信任度，最后使用信任度确立各证据权重系数；4.证据组合：根据权重系数调整基本概率赋值向量，经过DS证据理论进行组合得到更合理的结论。

技术领域

本发明涉及一种属于多传感器信息融合领域的方法，更确切地说,本发明涉及一种基于证据衡量标准下证据的组合方法。

背景技术

多传感器信息融合技术是对各个传感器所提供的数据进行优化和综合处理，以达到对观测目标的情况更加准确可靠的判断。由于监测系统测量数据越来越多、越来越复杂，只利用一个传感器提供的数据已经不能满足对可靠性的要求，再加上监测工作有时是在恶劣的环境中进行，传感器可能无法正常工作。因此人们很自然的想到利用多个传感器对不同物理量进行监测，如使用温度传感器监测温度变化，震动传感器监测震动情况，那么如何把这些不同类型的传感器提供的数据组合在一起完成最终判决成为了关键。每一个传感器所采集到的数据都会提供相应的证据，例如检测火灾使用多种传感器，有温度传感器、湿度传感器、烟雾传感器、红外传感器等。而每一个传感器所收集到的数据都会对火灾是否发生进行识别，如温度传感器收集到数据后对火灾发生概率进行识别{有火灾：60％，无火灾：34％,不确定：6％}，那么这类识别结果就作为多传感器的证据。

目前针对多传感器信息融合技术已经有很多成熟的研究成果，决策级融合作为最终结论的判定广泛受到关注，在融合之前，各传感器数据源要经过变换并获得独立的身份估计，并根据一定准则和决策的可信度对各传感器的属性决策结果进行融合，常用的算法有DS(Dempster-Shafer)证据理论、贝叶斯估计法等。贝叶斯估计法作为最早应用于多传感器信息融合中的算法，具有较强的相容性，但由于其需要已知先验概率，在实际应用中很难知道先验概率，而假设的先验概率又往往与实际相矛盾，使得推理结果会变得很差；但是DS证据理论是可以在缺乏先验概率的情况下有效地进行不确定信息的融合和处理。但是DS证据理论也存在一些不足，列举如下：

(1)DS证据理论中，对证据间的关系只是使用简单的加权平均进行分配，并没有根据各证据间内在的关系进行处理。

(2)DS证据理论在证据间存在高冲突情况时，融合的结果会差强人意。在多传感器数据中，如果其中一个传感器证据与其他传感器证据完全相反，那么会出现“一票否决”的现象，使用DS证据理论进行组合时会产生与事实相悖的结果。

(3)当更多的数据加入到多传感器组合时，融合结果的稳定性和收敛性较差。

发明内容

本发明所要解决的技术问题是克服了DS证据组合中证据分配不合理与DS证据理论在融合高冲突证据时融合结果与事实结果是相违背的问题，提供了一种基于证据衡量标准下证据的组合方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：所述的基于证据衡量标准下证据的组合方法的步骤如下:

1)传感器的部署:

在房间的墙角安装由多种类传感器组成的传感器组，其中多种类传感器包括有温度传感器、湿度传感器、烟雾浓度传感器、二氧化碳浓度传感器、红外传感器；

2)确立证据冲突衡量标准Pcor；

(1)基本概率赋值函数BPA