基于距離矢量的多傳感器信息決策算法

張凌飛，馬 俊，陳博行

（1.青海師范大學(xué) 計算機(jī)學(xué)院，青海 西寧 810008；2.青海民族大學(xué) 物理與電子信息工程學(xué)院，青海 西寧 810007）

0 引 言

隨著5G時代的到來，加速促進(jìn)“萬物互聯(lián)”進(jìn)程，傳感器網(wǎng)絡(luò)作為機(jī)器感知世界的重要媒介，其安全性、智能性、先進(jìn)性直接影響著社會的發(fā)展與進(jìn)步。一個完整的傳感器網(wǎng)絡(luò)通常由多個傳感器節(jié)點組成，這些傳感器節(jié)點看似獨(dú)立，實際由于監(jiān)測范圍、方式和對象等的關(guān)聯(lián)性，各數(shù)據(jù)之間有潛在的內(nèi)在聯(lián)系，信息決策正是利用這種內(nèi)在聯(lián)系，通過算法自動決策出相對正確的結(jié)果，為科學(xué)研究做出參考。

文獻(xiàn)[6]針對沖突證據(jù)決策存在的問題，提出了一種基于二次組合的證據(jù)決策方法，通過仿真分析，該方法能夠較好地解決證據(jù)沖突問題，且計算量減少了5~10 dB；文獻(xiàn)[7]提出了一種基于混合權(quán)重距離的畢達(dá)哥拉斯模糊TOPSIS的多屬性決策方法，該方法可通過調(diào)節(jié)提高算法的應(yīng)用范圍；文獻(xiàn)[8]針對屬性權(quán)重完全未知的混合型多屬性決策問題，提出了基于前景理論和證據(jù)理論的混合型多屬性決策方法，經(jīng)過分析該方法有較強(qiáng)的區(qū)分能力；文獻(xiàn)[9]使用SVDD方法改進(jìn)D?S證據(jù)理論，并建立兩級融合模型進(jìn)行驗證，實現(xiàn)多等級、多層次的診斷，結(jié)果表明該診斷方法正確率高達(dá)93%；文獻(xiàn)[10]提出了一種基于證據(jù)理論和群體決策的綜合信息融合方法，根據(jù)焦點元素一致性函數(shù)調(diào)整合取和析取規(guī)則的權(quán)重，經(jīng)仿真對比，該方法可以獲得合理可靠的決策結(jié)果；文獻(xiàn)[11]針對D?S證據(jù)理論的沖突問題，提出了一種基于置信度的證據(jù)理論的改進(jìn)策略，算法采用4個神經(jīng)網(wǎng)絡(luò)的初步預(yù)測值提取權(quán)重，合理構(gòu)造了BPAs函數(shù)，并通過實例驗證了該系統(tǒng)的應(yīng)用效果；文獻(xiàn)[12]針對D?S證據(jù)理論存在的高沖突，通過對相似性Jaccard系數(shù)矩陣分塊化處理，計算各傳感器節(jié)點的權(quán)值修正證據(jù)源，以降低D?S證據(jù)理論決策風(fēng)險；文獻(xiàn)[13]針對CPSs提出了基于模糊集和D?S證據(jù)理論的數(shù)據(jù)融合算法，該算法首先采用模糊集理論和屬性權(quán)重確定證據(jù)的分布，并將屬性證據(jù)的數(shù)據(jù)融合與CPSs中傳感器節(jié)點的可信度相結(jié)合。以上決策方法計算過程較為復(fù)雜，大多在算法中需對傳感器采集數(shù)據(jù)進(jìn)行概率賦值，且較少考慮傳感器自身特點和評價標(biāo)準(zhǔn)。本文充分利用監(jiān)測系統(tǒng)中傳感器數(shù)據(jù)評價等級范圍，結(jié)合實際測量值，利用實際值與標(biāo)準(zhǔn)值之間的距離計算各傳感器數(shù)據(jù)間的支持度，最終得出系統(tǒng)決策結(jié)果。

1 多傳感器信息決策模型

圖1為多傳感器信息決策模型。由圖1可知，決策過程中充分利用了系統(tǒng)評價標(biāo)準(zhǔn)，根據(jù)已知評價標(biāo)準(zhǔn)與各傳感器節(jié)點采集數(shù)據(jù)對應(yīng)的實際值做比較，得出相應(yīng)的距離差，再將各評價標(biāo)準(zhǔn)對應(yīng)的距離差求和，得到后者對前者的支持度，通過數(shù)據(jù)處理算法得出各組決策結(jié)果的優(yōu)勢度，取優(yōu)勢度最大作為決策的輸出結(jié)果。

圖1 多傳感器信息決策模型

2 算法原理

2.1 單屬性信息融合算法

圖2為一維傳感器信息決策原理圖。假設(shè)在某監(jiān)測系統(tǒng)中使用同類傳感器進(jìn)行測量，系統(tǒng)預(yù)設(shè)有4個評價等級，評價等級一的取值范圍為±Δ，其余3個評價等級的取值范圍如圖2所示。設(shè)為傳感器實際測量值，計算到各取值范圍中心值的距離的絕對值，取最小絕對值所在的評價等級范圍作為最終決策結(jié)果。圖2的決策結(jié)果為“決策結(jié)果二”。

圖2 單屬性信息決策原理圖

2.2 多屬性信息融合算法

多屬性信息決策原理如圖3所示。其中，，…，為“決策結(jié)果一”對應(yīng)的各傳感器取值范圍的中心值，同樣，，，…，為“決策結(jié)果二”對應(yīng)的各傳感器取值范圍的中心值，，，…，為第一組實際測量值。將單屬性決策方法橫向擴(kuò)展到多屬性信息決策，縱向計算實際測量值與標(biāo)準(zhǔn)決策范圍中心值的距離矢量的模，橫向計算各決策結(jié)果對應(yīng)距離矢量模之和，該值越小，表明計算結(jié)果越接近該決策結(jié)果。

圖3 多屬性信息決策原理圖

3 基于距離矢量的多傳感器決策算法

定義1：在某評價系統(tǒng)中共有個評價等級，傳感器共個，每個等級對應(yīng)的第個傳感器的取值范圍為a ±Δt ，其中心值為a ，則等級可用向量G =(a ,a ,…,a )表示。

定義2：設(shè)每個傳感器測量的最大值為max(a )，最小值為min(a )，實際測量值為向量=(,,…,b )，且min(a )≤b ≤max(a )。

定義3：設(shè)N 為評價對各個傳感器測量值的支持度，φ=(A ,A )=b -a ，表示測量值b 到評價a 的距離，其中，≤，≤。

則得支持度矩陣為：

由式（1）得支持度函數(shù)：

定義4：歸一化處理。

優(yōu)勢度函數(shù)結(jié)果為：

定義5：根據(jù)定義1~定義4的計算方案，得規(guī)范化函數(shù)為：

對S 計算結(jié)果進(jìn)行排序，取max{S }為最優(yōu)解方案，即此時S =1。

定義6：設(shè)為區(qū)分度函數(shù)，則：

4 仿真算例

例1：假設(shè)現(xiàn)要對某一水域的溫度進(jìn)行分級，評價標(biāo)準(zhǔn)如表1所示。采用溫度傳感器對其進(jìn)行測試，設(shè)測得當(dāng)前水域溫度為15℃。

表1 溫度評價標(biāo)準(zhǔn) ℃

由表1可得表2規(guī)范化函數(shù)計算結(jié)果。

表2 規(guī)范化函數(shù)計算結(jié)果

對S 計算結(jié)果進(jìn)行排序，取max{S }為最優(yōu)解方案，即該水域為三級。由式（6）得區(qū)分度為0.571 4。

例2：假設(shè)現(xiàn)要對某一水域污染情況進(jìn)行綜合評價，評價標(biāo)準(zhǔn)如表3所示。傳感器節(jié)點采集水質(zhì)環(huán)境參數(shù)（溫度、p H、渾濁度、電導(dǎo)率），實際測量結(jié)果分別為：12℃，7.5，20%，0.4。

表3 水域污染評價標(biāo)準(zhǔn)

由表3得：

得支持度矩陣為：

由式（2）~式（4）得：

由式（5）得：

對S 計算結(jié)果進(jìn)行排序，取max{S }為最優(yōu)解方案，即該水域為三級，符合常理。

例3：與D?S證據(jù)理論進(jìn)行比較，設(shè)某識別框架為，，對應(yīng)證據(jù)的評價標(biāo)準(zhǔn)，如表4所示，實際傳感器測量值為60，38，1.5，4.8，根據(jù)實測值進(jìn)行基本概率分配，如表5所示。表6為兩種方法融合結(jié)果對比。

表4 例3識別框架下評價標(biāo)準(zhǔn)

表5 例3識別框架下證據(jù)數(shù)據(jù)

表6 不同方法融合結(jié)果對比

分析表6中數(shù)據(jù)可知：當(dāng)證據(jù)數(shù)小于等于3時，各證據(jù)表明識別結(jié)果為的可能性最大，與本文方法結(jié)果相同；當(dāng)證據(jù)數(shù)為4時，D?S證據(jù)理論判斷結(jié)果受基本概率分配影響較大，與事實相悖，不具備參考價值，而本文方法識別結(jié)果為，符合常理。為進(jìn)一步比較兩種方法，分別計算兩種方法的區(qū)分度，如表7所示。

表7 兩種方法的區(qū)分度

由表7可知，兩種方法的區(qū)分度均達(dá)到了0.5以上，證據(jù)數(shù)為4時，采用本文方法的計算結(jié)果區(qū)分度達(dá)到了0.779 6，而D?S證據(jù)理論由于決策結(jié)果與事實相悖，失去可比性。

5 結(jié) 語

本文提出了一種基于距離矢量的多傳感器信息決策算法。對多傳感器信息決策模型做了簡要介紹，從單屬性與多屬性決策角度分析了該決策方法原理，通過對單屬性決策的縱向與橫向運(yùn)算將其擴(kuò)展至多屬性決策；定義了中心值向量、實際測量值向量以及支持度矩陣，其次，經(jīng)歸一化處理，得出優(yōu)勢度函數(shù)，規(guī)范化對決策結(jié)果進(jìn)行排序，取值最大為最優(yōu)解方案；最后，為方便算法評價優(yōu)劣，定義了區(qū)分度函數(shù)。經(jīng)仿真案例分析表明，本文方法在傳感器信息決策中有良好的決策效果，且區(qū)分度均達(dá)到了0.5以上，通過與D?S證據(jù)理論比較可知，本文方法可有效避免D?S證據(jù)理論在決策時出現(xiàn)相悖的情況，相對于在決策過程中需對初始傳感器數(shù)據(jù)進(jìn)行概率賦值，具有明顯優(yōu)勢。