CN106778883A - 一种基于模糊集合的证据理论智能巡检信息融合方法 - Google Patents

Abstract

本发明公开了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；解决了现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观，没有客观的反应各传感器的可靠度和各传感器之间的相互关系，导致最终的信息融合误差大，准确度低等技术问题。

Description

一种基于模糊集合的证据理论智能巡检信息融合方法

技术领域

本发明属于智能巡检技术领域，尤其涉及一种基于模糊集合的证据理论智能巡检信息融合方法。

背景技术

在变电站智能巡检领域存在一个信息融合的问题，智能巡检机器人采集到了多个传感器的信息，智能巡检***需要对这些信息进行融合，进而得出有用可靠的信息。

多传感器信息融合技术是对来自不同传感器(信息源)的数据信息进行分析与综合，以产生对被测对象统一的最佳估计，因而可以使信息在准确性、可靠性及完备性等方面比其中任何一个单个传感器有明显的提高.由于传感器所提供的信息都具有一定程度的不确定性，信息融合过程实质上是一个非确定性推理与决策的过程，

D-S证据理论很好地表示了“不确定性”及“无知”等认知学上的重要概念，是处理不确定性信息的一个有效手段，且推理形式简单，因而在信息融合方面起着重要的作用.证据理论的主要特点是可以通过证据的积累逐步缩小假设集，其基本策略是将证据集合划分为两个或多个不相关的部分，并利用它们分别对辨识框架独立进行判断；然后用D-S组合规划将它们组合起来.基于证据理论的信息融合方法是以基本概率分配函数(mass函数)为基础，mass函数表示人们对目标可信程度的一种推理，不同的思想会构成不同的mass函数，得到不同的融合结果。因而，如何合理构造mass函数一直是智能巡检***信息融合的关键问题；而现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观，没有客观的反应各传感器的可靠度和各传感器之间的相互关系，导致最终的信息融合误差大，准确度低。

发明内容：

本发明要解决的技术问题是：提供一种基于模糊集合的证据理论智能巡检信息融合方法，以解决现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观，没有客观的反应各传感器的可靠度和各传感器之间的相互关系，导致最终的信息融合误差大，准确度低等技术问题。

本发明技术方案：

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。

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。

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。

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。

A₁，A₂，...，A_n表示n个模式(模糊集合)，μ₁，μ₂，...，μ_m表示m个传感器，

表示第i个传感器隶属于模式A_j的隶属度，

m_i(A_j)表示对象x隶属与各个模式的基本概率分配值

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.，

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。

本发明的有益效果：

本发明提出了一种基于模糊集合的证据理论的智能巡检信息融合方法。首先采集智能巡检机器人获取的多传感器信息，利用模糊理论中的相关性函数计算多传感器的相互支持程度；然后由模糊隶属函数得到各传感器提供信息的可信度；再利用上述两步的处理结果构造证据理论中的mass函数；最后利用D-S规则对多传感器信息进行融合。该方法具有更高的精度和可靠性；本发明客观地反应了各传感器的可靠程度及传感器测量的相互关系，避免了传感器支持程度计算的绝对化和主观化，能对不同类型的多传感器测量数据进行融合；解决了现有技术中对智能巡检***传感器信息进行融合其数据来源比较主观，没有客观的反应各传感器的可靠度和各传感器之间的相互关系，导致最终的信息融合误差大，准确度低等技术问题。

附图说明

图1为本发明的流程示意图；

图2为基于模糊理论的证据理论信息融合模型示意图。

具体实施方式：

现对本发明做进一步描述，本发明具体步骤如下(见图1和图2)：

步骤一、智能巡检机器人采集多传感器信息；

步骤二、利用模糊相关函数计算多传感器的相互支持程度，根据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，具体如下：

相关性函数：设多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。

(a)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.设其中

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，其值可借助误差函数er∫(0)直接求得，即

p_i(x/xi)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。

(b)置信距离矩阵：如果有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)构成多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。

(c)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支持的程度。

构造f(i/j)的矩阵为方阵且秩为n，记为C，为了确定各传感器被其他传感器支持的程度，令C′_i＝min f(i/Λ)，Λ＝1，2，...，n，其中C′_i为第i个传感器被其他传感器支持的程度。

可信度表征：证据理论是建立在一个非空集合Θ上的理论，Θ称为辨识框架，由一些互斥且穷举的元素组成.对于问题域中的任意命题A，都应属于幂集2^Θ.在2^Θ上定义BPAF(mass函数)m：2^Θ→[0，1]，m满足下列条件：m(Θ)＝0，m称为辨识框架Θ上的基本可信度分配。

如果A为Θ的子集，则m(A)称为A的概率分配函数，即mass函数，反映了证据支持命题A发生的程度，但不支持任何A的真子集；如果m(A)＞0，则称为证据的焦元，所有焦元的集合称为核。

证据是由证据体(A，m(A))组成的，利用证据体可以定义2Θ上的信任函数Bel与似真度函数Pl如下：

信任函数Bel(A)也称为下限函数，表示命题A为真的信任程度，Bel(φ)＝0，Bel(Θ)＝1；似真度函数Pl(A)也称为上限函数，表示对命题非假信任度成立的不确定性度量；[Bel(A)，Pl(A)]构成证据的不确定区间，表示证据的不确定程度；[0，Bel(A)]表示命题A的完全可信的区间；[0，Pl(A)]表示命题A为真的不怀疑区间。

据相关文献证明了m(A)，Bel(A)和Pl(A)之间是可以相互确定的，因而本发明只用m(A)来确定命题A的可信度。

步骤三、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：

对论域U的n个模式(模糊集合)A₁，A₂，...，A_n，有m个传感器(或给出隶属度的领域专家)μ₁，μ₂，...，μ_m，则对于任意识别对象m个传感器分别给出它属于各个模式的隶属度为对象x隶属与

各个模式的基本概率分配值可由下式计算：其中C_i为第i个传感器被其他传感器支持的程度。

该函数式m_i(Aj)是一个证据理论中的基本概率分配函数mass。

步骤四、利用D-S理论合成规则对多传感器的信息进行融合，合成规则如下：

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，其中K是一个归一化常数。

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，得到最终的结果。

本发明提出了一种基于模糊理论的证据理论智能巡检信息融合方法，客观地反应了各传感器的可靠程度及传感器测量的相互关系，避免了传感器支持程度计算的绝对化和主观化，能对不同类型的多传感器测量数据进行融合。

Claims (5)

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。