一種基于最優(yōu)聚類中心與權(quán)重歐式距離的多源異質(zhì)傳感器數(shù)據(jù)融合方法*

藺萬(wàn)科宋 華南新元李 燕黃家興

(1.新疆大學(xué)電氣工程學(xué)院，新疆 烏魯木齊 830047；2.新疆建筑設(shè)計(jì)研究院機(jī)電所，新疆 烏魯木齊 830002)

近年來(lái)世界各地森林火災(zāi)事故頻繁發(fā)生，對(duì)人類生命安全，生態(tài)環(huán)境和社會(huì)經(jīng)濟(jì)造成了極大地?fù)p失[1]?；馂?zāi)所造成的后果非常嚴(yán)重，使大量植物和動(dòng)物死亡、森林生態(tài)系統(tǒng)破壞等，因此對(duì)于森林火災(zāi)的監(jiān)測(cè)技術(shù)研究具有重要意義。

林火檢測(cè)就是利用多種檢測(cè)手段，盡早發(fā)現(xiàn)火情并定位火災(zāi)起點(diǎn)。森林防火的主要原則是“早發(fā)現(xiàn)，早撲救”，即在林火形成初期對(duì)較小范圍的火災(zāi)進(jìn)行及時(shí)的控制和撲救[2]。面對(duì)如此嚴(yán)峻的森林防火境況，傳統(tǒng)的人工地面巡防、瞭望塔人工監(jiān)測(cè)、飛機(jī)巡航技術(shù)易受天氣、地理環(huán)境等因素影響。目前，基于視頻圖像的監(jiān)控技術(shù)與衛(wèi)星遙感技術(shù)在森林火災(zāi)的監(jiān)控中應(yīng)用廣泛，但由于森林環(huán)境復(fù)雜，需要考慮視頻圖像采集的遮擋問題以及通信線路架設(shè)問題，實(shí)際實(shí)施難度較大。對(duì)于衛(wèi)星遙感技術(shù)而言，雖然在火災(zāi)發(fā)生時(shí)能夠準(zhǔn)確預(yù)報(bào)，但是對(duì)于早期火災(zāi)的檢測(cè)存在一定的局限性，如EOS衛(wèi)星搭載的MODIS傳感器空間分辨率為0.25 km～1 km，回訪周期為1 d，監(jiān)測(cè)周期相對(duì)較長(zhǎng)，不能對(duì)森林火災(zāi)進(jìn)行無(wú)間斷監(jiān)測(cè)[3－5]；另外遙感衛(wèi)星監(jiān)測(cè)林火是根據(jù)地物光譜信息特征識(shí)別地表異常熱點(diǎn)，結(jié)合植被信息實(shí)現(xiàn)對(duì)森林火災(zāi)的監(jiān)測(cè)，但是對(duì)于火災(zāi)初期的陰燃階段很難做到及時(shí)有效地監(jiān)測(cè)，當(dāng)火災(zāi)發(fā)展成一定規(guī)模時(shí)才能被精確檢測(cè)，對(duì)于火災(zāi)防控高的林區(qū)顯然不滿足防控需求。因此提高火災(zāi)報(bào)警的及時(shí)性，盡早發(fā)現(xiàn)初期火災(zāi)是森林火災(zāi)監(jiān)測(cè)技術(shù)研究的重點(diǎn)。

將多傳感器數(shù)據(jù)融合技術(shù)應(yīng)用于森林火災(zāi)監(jiān)測(cè)系統(tǒng)，通過(guò)構(gòu)建融合模型和選取融合算法[6－8]，充分發(fā)揮其容錯(cuò)性好、互補(bǔ)性強(qiáng)等優(yōu)點(diǎn)，可以有效提高林火監(jiān)測(cè)信息的準(zhǔn)確性和全面性，增強(qiáng)林火監(jiān)測(cè)的準(zhǔn)確度和及時(shí)性[9－11]。目前，常用的數(shù)據(jù)融合方法一般分為三類。第一類是基于統(tǒng)計(jì)估計(jì)和經(jīng)典方法進(jìn)行分類，包括加權(quán)平均法、最小二乘法和卡爾曼濾波法等。第二類是信息理論的整合，包括模糊理論、證據(jù)理論、聚類分析和熵理論。第三類是人工智能理論方法，包括神經(jīng)網(wǎng)絡(luò)、遺傳算法和專家系統(tǒng)[12]。文獻(xiàn)[13]針對(duì)火災(zāi)報(bào)警速度較慢、誤報(bào)率較高的問題，用模糊數(shù)學(xué)中的隸屬度函數(shù)解決D－S證據(jù)論中基本概率函數(shù)模型建立的關(guān)鍵問題。但是火災(zāi)基本概率函數(shù)是由函數(shù)模型近似得到的，并不能反映出傳感器實(shí)際輸出與概率分配之間的真實(shí)關(guān)系，而且隸屬度函數(shù)中的參數(shù)會(huì)因環(huán)境不同而取值不同，較難精準(zhǔn)確定。文獻(xiàn)[14]提出一種結(jié)合D－S證據(jù)理論和粗糙集理論的數(shù)據(jù)融合算法，提高林火監(jiān)測(cè)的及時(shí)性和準(zhǔn)確性。但是采用粗糙集理論進(jìn)行屬性約簡(jiǎn)時(shí)，隨著數(shù)據(jù)集規(guī)模的擴(kuò)大，算法的效率會(huì)急劇下降。文獻(xiàn)[15]提出一種分層聚簇?cái)?shù)據(jù)融合算法，并采用D－S證據(jù)理論建立火災(zāi)識(shí)別框架，但是該研究對(duì)火情判斷不夠完善，只有無(wú)火、明火兩種情況，沒有考慮陰燃的情況。文獻(xiàn)[16]將改進(jìn)的布谷鳥搜索算法與SVM算法結(jié)合實(shí)現(xiàn)對(duì)森林火災(zāi)識(shí)別，但是識(shí)別準(zhǔn)確率不是很高。文獻(xiàn)[17]將一種基于BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合算法應(yīng)用于火災(zāi)報(bào)警系統(tǒng)。將溫度、煙霧濃度和CO濃度的數(shù)據(jù)進(jìn)行融合，用于火災(zāi)探測(cè)。得到明火、陰燃、無(wú)火的樣本平均概率較低，辨識(shí)準(zhǔn)確率還有待提高。

針對(duì)以往研究中多傳感器數(shù)據(jù)融合技術(shù)在森林火災(zāi)監(jiān)測(cè)方法普適性不足和辨識(shí)準(zhǔn)確度不高的問題，本文根據(jù)火災(zāi)初期周圍環(huán)境各個(gè)參數(shù)(空氣濕度、空氣溫度、大氣壓、煙霧濃度、CO濃度及CO2濃度)的表現(xiàn)結(jié)合文獻(xiàn)[13－19]對(duì)各階段火災(zāi)的主要特征參數(shù)的論述與驗(yàn)證，選取溫度、煙霧濃度、CO濃度三個(gè)指標(biāo)，提出一種基于最優(yōu)聚類中心與權(quán)重歐式距離的多源傳感器數(shù)據(jù)融合方法。本文提出的方法包括三個(gè)部分:①求取最優(yōu)聚類中心。針對(duì)火災(zāi)檢測(cè)的及時(shí)性問題，引入箱形圖的思想對(duì)數(shù)據(jù)進(jìn)行處理，將重心放在各階段火情數(shù)據(jù)的早期，然后改進(jìn)并利用DKmeans算法[20－21]求取最優(yōu)聚類中心，即既能體現(xiàn)各階段火情早期特征又具有火情主要特征的最優(yōu)點(diǎn)。②計(jì)算各組樣本數(shù)據(jù)到最優(yōu)聚類中心的權(quán)重歐式距離。針對(duì)火災(zāi)檢測(cè)的誤報(bào)問題，本文在原本歐式距離公式中加入由CRITIC權(quán)重法[22]得到的權(quán)重因子，通過(guò)修正之后的公式計(jì)算樣本數(shù)據(jù)到最優(yōu)聚類中心的距離，此時(shí)得到距離在體現(xiàn)空間距離遠(yuǎn)近的同時(shí)也能夠表征各指標(biāo)對(duì)火情判別的影響程度。③計(jì)算各階段火情概率。由于各組數(shù)據(jù)到最優(yōu)聚類中心加權(quán)歐式距離不能理想地體現(xiàn)分類情況，因此引入指數(shù)衰減模型表征樣本數(shù)據(jù)分類的不確定度，并將其結(jié)果作為Softmax函數(shù)的輸入[23]，由Softmax函數(shù)輸出各階段三種火情的概率，從而實(shí)現(xiàn)對(duì)林火概率的估計(jì)，達(dá)到林火識(shí)別的目的。

1 多源傳感器數(shù)據(jù)融合框架

本文提出一種基于最優(yōu)聚類中心與權(quán)重歐式距離的多源傳感器數(shù)據(jù)融合方法。通過(guò)對(duì)多源異質(zhì)傳感器(溫度、煙霧、CO)采集的數(shù)據(jù)進(jìn)行融合進(jìn)而得出三種火情(無(wú)火、陰燃火、明火)的概率。融合框架如圖1所示。

圖1 多源異質(zhì)傳感器數(shù)據(jù)融合框架

將傳感器(如:溫度、煙霧濃度、CO濃度)采集的數(shù)據(jù)經(jīng)過(guò)歸一化處理后，使用CRITIC權(quán)重法計(jì)算各個(gè)指標(biāo)的權(quán)重因子，同時(shí)用箱形圖思想篩選出符合要求的樣本數(shù)據(jù)并通過(guò)TOPSIS法[24]改進(jìn)的DKmeans算法(DKmeans-TOPSIS算法)求出最優(yōu)聚類中心。然后計(jì)算每組樣本數(shù)據(jù)與最優(yōu)聚類中心之間的權(quán)重歐式距離。最后用指數(shù)衰減模型計(jì)算樣本數(shù)據(jù)分類的不確定度作為Softmax函數(shù)的輸入，由Softmax函數(shù)輸出三種火情發(fā)生的概率。

2 基于最優(yōu)聚類中心與權(quán)重歐式距離的數(shù)據(jù)融合算法

2.1 數(shù)據(jù)歸一化處理

設(shè)多源傳感器采集的樣本數(shù)據(jù)集為包含p個(gè)指標(biāo)的n組數(shù)據(jù)x＝(x1，x2，…，x n)，并用式(1)進(jìn)行標(biāo)準(zhǔn)歸一化處理:

式中:y i表示某一時(shí)刻包含溫度、煙霧、CO信息的數(shù)據(jù)組，經(jīng)歸一化處理后后的數(shù)據(jù)集為y＝(y1，y2，…，y n)。

2.2 基于箱形圖篩選數(shù)據(jù)

在林火監(jiān)測(cè)問題中，火災(zāi)檢測(cè)的及時(shí)性問題尤為重要。針對(duì)這一問題，本文引入了箱形圖的思想對(duì)數(shù)據(jù)進(jìn)行處理，將數(shù)據(jù)的重心放在各階段火情數(shù)據(jù)的早期。

箱形圖，可以體現(xiàn)一組數(shù)據(jù)中某一數(shù)據(jù)的位置以及各個(gè)數(shù)據(jù)的分布情況，如圖2所示。依據(jù)箱形圖的思想，將樣本數(shù)據(jù)由大到小排列，設(shè)置合適的上下閾值，再根據(jù)數(shù)據(jù)分布情況不但可以剔除異常數(shù)據(jù)而且還能篩選出更加符合需求的數(shù)據(jù)。由于本文需要更加關(guān)注各階段火情的早期數(shù)據(jù)，因此采取以下邊緣作為樣本數(shù)據(jù)的下限閾值并從上邊緣開始取上限閾值并逐漸向下邊緣逼近的方式篩選數(shù)據(jù)，直到篩選出的樣本數(shù)據(jù)既具有各階段火情早期的特征又保留了各階段火情的主要特征為止。設(shè)經(jīng)箱形圖篩選后得到的數(shù)據(jù)為y＝(y1，y2，…，y l)，將其作為DKmeans-TOPSIS算法的輸入，用于求取最優(yōu)聚類中心。

圖2 箱形圖

2.3 DKmeans-TOPSIS算法求最優(yōu)聚類中心

TOPSIS法是一種逼近于理想解的排序法，其思想是通過(guò)計(jì)算評(píng)價(jià)對(duì)象與最優(yōu)解、最劣解的歐式距離來(lái)進(jìn)行排序，得到評(píng)價(jià)對(duì)象與最優(yōu)解、最劣解的接近程度。具體過(guò)程如下:

設(shè)由k個(gè)評(píng)價(jià)對(duì)象所組成的數(shù)據(jù)組為e＝(e1，e2，…，e k)，其最優(yōu)解為e＋，最劣解為e－。則各個(gè)評(píng)價(jià)對(duì)象與最優(yōu)解、最劣解的歐式距離可由式(2)、式(3)計(jì)算得到。

式中:S＋為各個(gè)評(píng)價(jià)與最優(yōu)解之間的歐式距離，S－為各個(gè)評(píng)價(jià)與最劣解之間的歐式距離。再由式(4)計(jì)算結(jié)果并作為評(píng)價(jià)指標(biāo)評(píng)價(jià)各個(gè)評(píng)價(jià)對(duì)象與最優(yōu)解、最劣解的接近程度。

當(dāng)F越大，表示評(píng)價(jià)對(duì)象越接近最劣解，遠(yuǎn)離最優(yōu)解；反之，越遠(yuǎn)離最劣解，接近最優(yōu)解。

對(duì)于傳統(tǒng)的K均值聚類算法，由于其初始中心隨機(jī)選擇，往往會(huì)導(dǎo)致聚類結(jié)果有很大的波動(dòng)性，且容易陷入局部最優(yōu)。DKmeans算法可以很好的避免這些問題，但是在迭代過(guò)程中易受邊緣數(shù)據(jù)的影響，使得到的聚類中心偏離預(yù)想結(jié)果，因此本文引入TOPSIS法彌補(bǔ)DKmeans算法求解最優(yōu)聚類中心的不足。具體過(guò)程如圖3所示。

圖3 DKmeans-TOPSIS算法求解過(guò)程

基于圖3求解過(guò)程，給出DKmeans-TOPSIS算法描述如下:

輸入:數(shù)據(jù)集y＝(y1，y2，…，y l)，TOPSIS評(píng)價(jià)指標(biāo)閾值δ，方差閾值ε

輸出:m類的最優(yōu)聚類中心

算法步驟:

Step1 用DKmeans聚類算法進(jìn)行數(shù)據(jù)分類，得到聚類后的樣本數(shù)據(jù)k＝(k1，k2，…，k m)，與之對(duì)應(yīng)的聚類中心c＝(c1，c2，…，cm)，以及各組樣本數(shù)據(jù)中所有樣本點(diǎn)到聚類中心的距離d＝(d1，d2，…，d m)。

Step 2 將聚類中心c＝(c1，c2，…，cm)作為TOPSIS法的最優(yōu)解，同時(shí)求出d＝(d1，d2，…，d m)中的最大歐式距離dmax＝(d1max，d2max，…，d mmax)作為最劣解，然后依據(jù)式(2)、式(3)計(jì)算各點(diǎn)到最優(yōu)解、最劣解間的距離S＋、S－。接著根據(jù)評(píng)價(jià)指標(biāo)F的閾值δ剔除最劣解以及與最劣解接近程度高的數(shù)據(jù)，并更新樣本數(shù)據(jù)k。

Step3 計(jì)算更新后的樣本數(shù)據(jù)對(duì)應(yīng)的樣本方差s＝(s1，s2，…，s m)。與方差閾值ε進(jìn)行比較，大于ε時(shí)，轉(zhuǎn)Step4；小于ε時(shí)，轉(zhuǎn)Step5。

Step4 計(jì)算更新后樣本數(shù)據(jù)的均值點(diǎn)，并以均值點(diǎn)更新聚類中心c。同時(shí)計(jì)算各點(diǎn)到聚類中心的距離更新d。轉(zhuǎn)Step2。

Step5 計(jì)算更新后樣本數(shù)據(jù)的均值點(diǎn)，并作為最優(yōu)聚類中心輸出。

2.4 CRITIC權(quán)重法修正歐式距離公式并計(jì)算權(quán)重歐式距離

CRITIC權(quán)重法是一種客觀賦權(quán)方法，其思想是基于對(duì)比強(qiáng)度與沖突性兩項(xiàng)指標(biāo)確定數(shù)據(jù)權(quán)重系數(shù)的大小。這兩項(xiàng)指標(biāo)由數(shù)據(jù)標(biāo)準(zhǔn)差與相關(guān)性系數(shù)表示。具體過(guò)程如下:

若y＝(y1，y2，…，y n)為預(yù)處理后的樣本數(shù)據(jù)。則可由(5)、(6)兩式計(jì)算樣本數(shù)據(jù)的標(biāo)準(zhǔn)差與相關(guān)性系數(shù)。

式中:r ij是y i與y j之間的相關(guān)性系數(shù)。

再由式(7)、式(8)計(jì)算得到客觀權(quán)重系數(shù)。

式中:C表示樣本數(shù)據(jù)中各指標(biāo)的信息量。C越大，表示該指標(biāo)在整個(gè)評(píng)價(jià)指標(biāo)體系中作用越大，應(yīng)該被分配更多的權(quán)重。

由式(8)可以得到各個(gè)指標(biāo)的權(quán)重為w＝(w1，w2，…，w p)，由DKmeans-TOPSIS算法求得的最優(yōu)聚類中心為c＝(c1，c2，…，cm)，將各權(quán)重因子與歐式距離公式相結(jié)合如式(9)所示。

式(9)為本文提出的將CRITIC權(quán)重法與歐式距離公式相結(jié)合重新修正的距離公式。傳統(tǒng)的歐式距離公式只計(jì)算兩組數(shù)據(jù)中各指標(biāo)的空間距離，忽略了各指標(biāo)在信息判別時(shí)的重要程度。而本文提出的公式在原本的歐式距離公式中加入由CRITIC權(quán)重法得到的權(quán)重因子，在體現(xiàn)距離大小的同時(shí)也能夠表征指標(biāo)在距離公式中的影響程度。

2.5 基于指數(shù)衰減模型的Softmax函數(shù)決策級(jí)融合

本文引入指數(shù)衰減模型e－λd表征樣本數(shù)據(jù)被分到各類結(jié)果的不確定度，可由式(10)求得。當(dāng)樣本數(shù)據(jù)到聚類中心的距離越近時(shí)值越大，距離越遠(yuǎn)時(shí)值越小，動(dòng)態(tài)地調(diào)整該點(diǎn)在各分類結(jié)果中所占的比重。

由式(10)可得到:

為了描述第i個(gè)樣本數(shù)據(jù)被分到第j類所占比重，再根據(jù)式(11)進(jìn)行處理:

得到:

將H作為Softmax函數(shù)的輸入，經(jīng)式(12)指數(shù)歸一化可得到:

式中:α為調(diào)節(jié)因子，可以通過(guò)調(diào)節(jié)α的大小調(diào)節(jié)概率的分布情況，α只會(huì)調(diào)整對(duì)比程度不會(huì)左右分類的結(jié)果。p ij表示第i個(gè)樣本點(diǎn)對(duì)應(yīng)第j類結(jié)果的概率值，即可得到n個(gè)樣本分別對(duì)應(yīng)m個(gè)類別的概率矩陣為:

3 仿真實(shí)驗(yàn)與結(jié)果分析

本文使用MATLAB2014a對(duì)提出的基于多源異質(zhì)傳感器數(shù)據(jù)融合的林火概率估計(jì)方法進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證，仿真數(shù)據(jù)選取自文獻(xiàn)[14]中已歸一化處理后的標(biāo)準(zhǔn)火樣本數(shù)據(jù)，詳細(xì)數(shù)據(jù)如表1所示。其中，第1～10組為無(wú)火的試驗(yàn)數(shù)據(jù)；第11～20組為陰燃的試驗(yàn)數(shù)據(jù)；第21～30組為明火的試驗(yàn)數(shù)據(jù)。分別通過(guò)DKmeans算法和DKmeans-TOPSIS算法求取聚類中心，其結(jié)果如圖4所示。

表1 標(biāo)準(zhǔn)火樣本數(shù)據(jù)

圖4 DKmeans算法和DKmeans-TOPSIS算法結(jié)果對(duì)比圖

圖4(a)中DKmeans算法求得的聚類中心分布比較均衡，雖然能夠體現(xiàn)各階段火情的主要特征，但是忽略了“陰燃”與“明火”階段的早期特征，造成早期火災(zāi)誤分類的問題，這樣容易導(dǎo)致火災(zāi)報(bào)警的不及時(shí)。正如圖4(c)中各組樣本數(shù)據(jù)對(duì)應(yīng)各類火情的概率所示，陰燃概率在第13組數(shù)據(jù)才發(fā)生小幅增長(zhǎng)，到第14組數(shù)據(jù)才能檢測(cè)出陰燃；而明火在第24組數(shù)據(jù)處才能被檢測(cè)到，根本不能準(zhǔn)確及時(shí)地檢測(cè)出各階段火情早期的變化情況。

圖4(b)中DKmeans-TOPSIS算法所求得的聚類中心，很好地彌補(bǔ)了圖4(a)、4(c)中的不足，該聚類中心向數(shù)據(jù)的中前階段偏移，使其更具各階段火情的早期特征。如圖4(d)所示，在第11組數(shù)據(jù)就可識(shí)別出陰燃火，第21組數(shù)據(jù)就可識(shí)別明火。綜上所述，通過(guò)本文提出的DKmeans-TOPSIS算法能夠?qū)崿F(xiàn)各階段火情早期特征的檢測(cè)，更能滿足實(shí)際應(yīng)用中的及時(shí)性需求。

DKmeans-TOPSIS算法雖能解決火災(zāi)早期報(bào)警不及時(shí)的問題，但是融合得到的各階段火情概率相差不大，容易造成火災(zāi)誤報(bào)，如圖4(d)所示。而當(dāng)引入指數(shù)衰減概率模型時(shí)，其概率輸出結(jié)果如圖5所示。

圖5 引入指數(shù)衰減模型后的概率輸出

由圖5可以看出，引入指數(shù)衰減模型后三種火情概率在各階段差距突出，明顯優(yōu)于圖4(d)中的概率輸出表現(xiàn)，能夠有效降低誤報(bào)的風(fēng)險(xiǎn)，可以滿足監(jiān)測(cè)需求。

基于上述內(nèi)容，采用文獻(xiàn)[17]中模擬火災(zāi)的測(cè)試樣本數(shù)據(jù)對(duì)本文提出的算法的進(jìn)行驗(yàn)證，測(cè)試樣本數(shù)據(jù)如表2所示。

表2 測(cè)試數(shù)據(jù)

第1～10組為明火試驗(yàn)數(shù)據(jù)；第11～20組為陰燃試驗(yàn)數(shù)據(jù)；第21～30組為無(wú)火試驗(yàn)數(shù)據(jù)。并用文獻(xiàn)[14]和文獻(xiàn)[17]中的方法以及基于歐式距離所得結(jié)果進(jìn)行對(duì)比。

本文提出的方法與文獻(xiàn)[14]、[17]以及歐式距離未經(jīng)修正的方法在明火、陰燃、無(wú)火三種火情下的概率對(duì)比結(jié)果如圖6～圖9所示。

圖6 明火概率對(duì)比

圖7 陰燃概率對(duì)比

圖9 各階段概率均值對(duì)比

由圖6～圖9可以看出，本文提出的修正歐式距離的方法在明火、陰燃、無(wú)火各階段的識(shí)別能力均優(yōu)于其他三種方法。對(duì)于基于歐式距離的方法，當(dāng)測(cè)試數(shù)據(jù)較為理想時(shí)(如:陰燃階段)，其具有出色的辨識(shí)能力。如果數(shù)據(jù)不太理想時(shí)，該方法立刻就會(huì)喪失這種優(yōu)秀的辨識(shí)能力，如圖6中的第1、8、9、10組數(shù)據(jù)以及圖8中的第29組數(shù)據(jù)所示。第1組數(shù)據(jù)中的煙霧濃度和CO濃度都較低與表征無(wú)火階段的聚類中心中的煙霧、CO數(shù)據(jù)較為接近；第8、9、10組數(shù)據(jù)中CO的含量較高，而CO濃度高是陰燃階段的主要特征；第29組數(shù)據(jù)中溫度和煙霧濃度與其他無(wú)火階段的數(shù)據(jù)相比相對(duì)較高。對(duì)于上述幾組數(shù)據(jù)，基于歐氏距離的方法為了平衡各個(gè)指標(biāo)對(duì)結(jié)果的影響，導(dǎo)致在各階段主要指標(biāo)帶來(lái)的影響被次要指標(biāo)干擾，故會(huì)出現(xiàn)辨識(shí)能力下降的問題。相比之下，本文提出的基于修正歐式距離的方法能夠調(diào)整各指標(biāo)的比重，降低次要指標(biāo)的干擾能力，從而有效降低這種影響。

圖8 無(wú)火概率對(duì)比

綜上所述，本文提出的用CRITIC權(quán)重因子修正歐式距離的方法，能夠根據(jù)溫度、煙霧、CO三種指標(biāo)對(duì)無(wú)火、陰燃、明火三種的火情影響能力實(shí)時(shí)調(diào)整權(quán)重，保證在抗干擾能力可觀的情況下又不失靈敏度。結(jié)果表明，本文提出的方法對(duì)明火、陰燃、無(wú)火三種火情的判斷能力均優(yōu)于其他三種方法。

4 結(jié)論

為解決多傳感器協(xié)同監(jiān)測(cè)森林火災(zāi)時(shí)對(duì)于早期火災(zāi)識(shí)別準(zhǔn)確度不高的問題，提出了一種基于多源異質(zhì)傳感器數(shù)據(jù)融合方法。通過(guò)仿真實(shí)驗(yàn)與結(jié)果分析得出:①本文提出的DKmeans-TOPSIS算法能夠?qū)崿F(xiàn)各階段火情早期特征的檢測(cè)，更能滿足實(shí)際應(yīng)用中的及時(shí)性需求。②本文引入指數(shù)衰減模型后概率輸出表現(xiàn)更為理想，能夠有效降低誤報(bào)的風(fēng)險(xiǎn)，可以滿足監(jiān)測(cè)需求。③本文使用CRITIC權(quán)重法修正歐式距離的方法較其他三種方法在三種火情下都具有更優(yōu)的判別能力，在降低誤報(bào)風(fēng)險(xiǎn)的同時(shí)也能夠保證林火識(shí)別的準(zhǔn)確度。