[发明专利]一种基于证据距离和不确定度的冲突数据融合方法

摘要

本发明涉及一种基于证据距离和不确定度的冲突数据融合方法，属于无线传感器技术领域。该方法同时考虑证据之间的相互支持度与证据本身的不确定性，借鉴证据加权平均的思路，给出了基于证据距离和不确定度的冲突数据融合算法。首先，通过证据距离计算证据之间的相对距离，对证据之间的冲突性进行度量，将证据分为可信证据和不可信证据两类；之后利用信度熵对证据的不确定度进行量化，分别为两类证据分配相应的权重，再对证据的基本信度分配进行修正，最后运用Dempster融合规则计算得到最终的融合结果。本发明提出的基于证据距离和不确定度的冲突数据融合算法能够有效地解决数据冲突度问题，得到更加准确的融合结果。

主权项

一种基于证据距离和不确定度的冲突数据融合方法，其特征在于：该方法包括以下步骤：S1：设有n个证据mi,i＝1,...,n，对于证据的预处理过程为：m=Σi=1nwimiΣi=1nwi=1]]>其中，wi是证据mi对应的权重，wimi是mi的折扣，m是原证据的加权平均证据；这n个证据是所有获得焦元的平均加权；通过证据距离以及证据本身的不确定性来构建合适的权重；若一个证据与其它证据的Jousselme距离越小，则表明它与其它证据的冲突性也较小，将这类证据归为可信任证据；相反，若一个证据与其它证据的Jousselme距离越大，则表明它与其它证据的冲突性也越高，将此类证据归为不可信证据；对于可信任证据，信度熵值越小，则表明不可确定度也越小，证据本身也更明确，更有利于最后的决策融合；在融合过程中，此类证据占更大的权重；而对于不可信证据，信度熵值越小，对应的不确定度也越小，证据本身也更明确；为了得到更准确的融合结果，将分配较小的权重给不可信证据；定义“奖励函数”与“惩罚函数”，创建合适的权重；S2：定义奖励函数：其中，为归一化后的信度熵，满足奖励函数满足：1)奖励函数总是大于0，即αi＞0；2)奖励函数是单调递减函数；根据指数函数的特性，奖励函数是单调递减的函数，随着熵值的增大而减少，随着熵值的减少而增大，符合可信函数的特性，用来创建可信函数的权重；S3：定义惩罚函数：其中，是最大的归一化熵，是归一化信度熵，满足惩罚函数满足：1)惩罚函数总是大于0，即αi＞0；2)惩罚函数是一个单调递增的函数；S401：通过公式Jousselme提出来的证据距离表示方法，两个证据体m1(·)和m2(·)之间的距离dBOE(m1,m2)计算公式为：其中，和分别表示证据体m1(·)和m2(·)的向量形式；是2Θ×2Θ的矩阵，其计算方式为：计算任意两个证据mi和mj之间的距离矩阵：S402：计算证据mi的平均证据距离S403：计算证据全局距离d：S404：判断证据是可信证据或者非可信证据：如果mi则为非可信证据，如果则mi为可信证据；S405：设定假设子集Ai，对应的信度函数为m，|Ai|表示集合Ai的元素个数，集合Ai信度熵计算如下：通过信度熵公式计算信度熵Ed(mi)，i＝1,2,...,n，并且进行归一化处理：S406：为可信证据与不可信证据分配相应的权重αi，i＝1,2,...,n，对于可信证据使用公式奖励函数计算其相应的权重，对于非可信证据使用惩罚函数计算其相应的权重；S407：最后对计算得到的权重进行归一化处理，得到证据最终的权重wi，计算如下：通过以上推导，计算得到了每个证据合理的权重值，再根据公式m=Σi=1nwimiΣi=1nwi=1]]>计算多个证据的加权平均证据m；最后通过Dempster融合规则对修正后的证据BBA进行融合，得到最终的融合结果；当证据数量仅有两个时，Jousselme距离是失效的，此时权重的计算方式如下：首先，计算信度熵Ed(mi)，i＝1,2，并进行归一化：通过奖励函数计算权重αi1：通过惩罚函数计算权重αi2：其中是最大归一化信度值；计算平均权重αi：αi即为最终的权重wi，接着通过公式计算加权平均证据，最后使用Dempster融合规则进行融合。