基于多傳感器融合的無線感知狀態(tài)監(jiān)測*

曹秀嵐，吳 杰，米新磊，田裕鵬，周克印

(南京航空航天大學自動化學院，南京 210016)

現(xiàn)在人們對安全保障等的要求日益提高，特定情況下的自主狀態(tài)監(jiān)測受到越來越多的關(guān)注。良好的狀態(tài)監(jiān)測系統(tǒng)能使操作人員快速而準確地了解監(jiān)控范圍的情況，從而迅速做出正確的決策。

如今的監(jiān)測系統(tǒng)多是針對某一量的單傳感器監(jiān)測，即使采用多傳感器也僅是從多個側(cè)面孤立地反映目標信息，因此在狀態(tài)判別過程中準確率較低。且多數(shù)監(jiān)測系統(tǒng)成本較高，受布線影響，在復雜環(huán)境中很難實現(xiàn)全方位的監(jiān)測。

本文針對這些不足，對基于多傳感器融合的無線感知檢測方法進行研究。利用多傳感器在性能上的差異與互補，綜合來自無線傳感網(wǎng)絡(luò)中各個傳感器的信息，利用融合方法進行數(shù)據(jù)分析，可以消除傳統(tǒng)監(jiān)測系統(tǒng)檢測數(shù)據(jù)單一、可靠性不高的弊端，獲取準確的狀態(tài)估計；同時結(jié)合無線傳感網(wǎng)絡(luò)的優(yōu)勢，實現(xiàn)工作點可動態(tài)變化、全方位的實時監(jiān)測［1］。從而使整個監(jiān)測系統(tǒng)的有效性得到提高，同時具有成本低、靈活性高、可配置的優(yōu)勢。

1 多傳感器信息融合技術(shù)

多傳感器信息融合就是協(xié)調(diào)使用多個傳感器，將來自不同傳感器的信息進行綜合處理，降低其不確定性，獲得對物體或環(huán)境的一致性解釋或描述的過程，實際上就是對人腦綜合處理復雜問題的一種功能模擬［2－3］。常用的融合方法包括:貝葉斯估計、加權(quán)平均法、卡爾曼濾波、統(tǒng)計決策理論、經(jīng)典推理法、D-S證據(jù)理論、模糊推理、神經(jīng)網(wǎng)絡(luò)等［2］。

由于傳感器所提供的信息都具有一定程度的不確定性，信息融合的過程實質(zhì)上就是一個非確定性推理與決策的過程。而D-S理論為不確定信息的合成提供了強有力的方法，這使得它在信息融合領(lǐng)域具有更廣泛的應(yīng)用。根據(jù)監(jiān)測環(huán)境的復雜性和不確定性的特點，本文采用D-S理論方法來進行信息融合。

2 D-S證據(jù)理論

證據(jù)理論，也稱D-S證據(jù)理論。該理論把概率論中的事件擴展成命題，把事件的集合擴展成命題的集合，并引入基本可信度分配函數(shù)、信度函數(shù)和似真度函數(shù)等概念，建立命題和集合之間的一一對應(yīng)關(guān)系，從而把命題的不確定性問題轉(zhuǎn)化為集合的不確定性問題，形成了不確定推理模型的一般框架，最終確立了處理不確定信息的D-S理論［4］。

2.1 基本理論［4－5］

設(shè)Θ為變量x的所有可能值的窮舉集合，且Θ中的各元素是相互排斥的，則稱 Θ為x的識別框架。

定義1設(shè)Θ為一識別框架，則函數(shù)m:2Θ→［0，1］在滿足m(Φ)=0 且m(A)=1時，稱m為框架Θ上的基本可信度分配，?A?Θ，m(A)為A的基本可信度分配值。m(A)表示對命題A的信任程度。

要獲得A的總信度，須將A的所有子集B的基本可信度分配值相加，可用信度函數(shù)表示。

定義2設(shè)m:2Θ→［0，1］是識別框架 Θ 的基本可信度分配，定義函數(shù)Bel:2Θ→［0，1］為

稱該函數(shù)為Θ上的信度函數(shù)。從而可知Bel(φ)=0，Bel(Θ)=1(φ代表空集)。

定義3設(shè)Bel:2Θ→［0，1］是識別框架Θ上的信度函數(shù)。定義函數(shù)Pl:2Θ→［0，1］為

稱Pl為Bel的似真度函數(shù)，Pl(A)表示不否定A的信任程度。

信度函數(shù)與似真度函數(shù)有如下關(guān)系:對所有的A?Θ，Pl(A)≥Bel(A)。［Bel(A)，Pl(A)］表示命題A的不確定區(qū)間，也稱為概率的上下限。

定義4若A為識別框架Θ的子集，且m(A)＞0，則稱A為信度函數(shù)Bel的焦元。

2.2 D-S理論組合規(guī)則

D-S理論給出了組合兩個證據(jù)的規(guī)則，即Dempster合并規(guī)則。合并規(guī)則又稱正交和規(guī)則，用⊕表示。設(shè)m1，m2是2Θ上的兩個相互獨立的基本可信度分配，則組合后的基本可信度分配:m=m1⊕m2。

設(shè)Bel1和Bel2是同一識別框架Θ上由兩個獨立的證據(jù)源導出的兩個信度函數(shù)，m1和m2分別是其對應(yīng)的基本可信度分配，焦元分別為A1，A2，…，An和B1，B2，…，Bm，設(shè)

利用Dempster合并規(guī)則，可以得到這兩個證據(jù)共同作用下產(chǎn)生的基本可信度分配:

式中，若K≠1，則m確定為一個基本可信度分配；若K=1，則認為m1和m2矛盾，不能對其進行組合。

在多傳感器系統(tǒng)數(shù)據(jù)融合中，對于多個證據(jù)的合成，Dempster合并規(guī)則同樣適用。但是計算復雜度會隨著證據(jù)源的增加成指數(shù)增長［3］，這時可以利用Dempster合并規(guī)則的結(jié)合律來相對減少一些計算量，即重復運用式(4)對證據(jù)進行兩兩組合，以取代一次合成n個證據(jù)。設(shè)m1，m2，…，mn分別是Bel1，Bel2，…，Beln的基本信度分配，則融合后的基本可信度分配為:m=(((m1⊕m2)⊕m3)⊕…)⊕mn。

2.3 D-S理論的不足與改進

在D-S理論組合規(guī)則中，K是用于衡量證據(jù)之間沖突程度的系數(shù)。K值較小時，說明證據(jù)間的沖突較小，基本可信度能通過證據(jù)的積累向不確定性較小的命題集中；K值越大，證據(jù)間的沖突越大，數(shù)據(jù)融合結(jié)果越與事實不符；K=1時，D-S證據(jù)組合規(guī)則完全失效。

針對經(jīng)典D-S理論在處理嚴重沖突的證據(jù)時存在的問題，有如下改進方法:把證據(jù)間的沖突度按各個證據(jù)的平均支持程度加權(quán)分配給沖突證據(jù)，將沖突弱化，達到暫時的協(xié)調(diào)，等下一條證據(jù)到來時可以繼續(xù)融合下去，并得到比較合理的結(jié)果［6－7］。

其合成規(guī)則為:

實際中可能存在各種證據(jù)沖突的情況，本文根據(jù)沖突系數(shù)K的大小來判斷具體使用哪種方法。當K較小時，采用經(jīng)典D-S方法；當K較大時，采用改進方法。這樣可以起到互補的作用。下面給出了使用證據(jù)理論的流程，其中δ為判斷證據(jù)沖突程度的閾值，本文取 δ=0.9。

(1)讀入證據(jù)m1、m2；

(2)計算沖突系數(shù)K，判斷證據(jù)是否沖突證據(jù)，如果是，即K＞δ，則進行下一步，否則轉(zhuǎn)(4)；

(3)按改進的式(5)對沖突證據(jù)進行融合，然后轉(zhuǎn)(5)；

(4)按經(jīng)典D-S融合規(guī)則即式(4)對證據(jù)進行融合；

(5)如果可以進行判定，則做出判決后退出；如果不能夠進行判定，讀入下一條證據(jù)，然后轉(zhuǎn)(2)。

2.4 D-S理論決策規(guī)則

由證據(jù)理論組合證據(jù)后，如何得到最后的決策結(jié)果，是一個與應(yīng)用密切相關(guān)的問題。在實際應(yīng)用中沒有統(tǒng)一的方法，必須具體問題具體分析。基于D-S證據(jù)理論的常用決策方法有以下幾種［3］:

(1)基于信度函數(shù)的決策；

(2)基于基本可信度分配的決策；

(3)基于最小風險的決策。

本文采用基于基本可信度分配的決策方法來得到最后決策結(jié)果。設(shè)?A1，A2?Θ，且滿足

若有:

則A1為判決結(jié)果，ε1、ε2為預先設(shè)定的門限值。本文中，取 ε1=0.02，ε2=0.4。

3 應(yīng)用實例

3.1 無線感知監(jiān)測系統(tǒng)構(gòu)成

無線感知狀態(tài)監(jiān)測系統(tǒng)主要由監(jiān)控中心，網(wǎng)關(guān)節(jié)點和傳感器節(jié)點等組成。傳感器節(jié)點的構(gòu)成如圖1所示，根據(jù)監(jiān)控環(huán)境的不同來具體布置這些節(jié)點，以達到全面監(jiān)測，并將采集到的信息進行融合之后通過無線網(wǎng)絡(luò)傳送到網(wǎng)關(guān)節(jié)點。

圖1 傳感器節(jié)點結(jié)構(gòu)

網(wǎng)關(guān)節(jié)點的構(gòu)成如圖2所示，主要負責組網(wǎng)并將信息通過串口等方式上傳到監(jiān)控中心或通過GSM網(wǎng)絡(luò)短信通知管理人員。監(jiān)控中心主要負責對傳送來的信息進行分析處理，從而得知監(jiān)測環(huán)境的情況，并作出相應(yīng)決策。

圖2 網(wǎng)關(guān)節(jié)點結(jié)構(gòu)

ZigBee作為短距離無線通信新秀，具有低成本、低功耗、結(jié)構(gòu)簡單、可靠性高等優(yōu)點。這些優(yōu)點使得ZigBee和無線傳感網(wǎng)絡(luò)完美地結(jié)合在一起，可以很好地實現(xiàn)系統(tǒng)中的無線通信及數(shù)據(jù)傳輸，并可以滿足該系統(tǒng)經(jīng)濟實用，簡單靈活的要求［8］，本文將基于ZigBee的無線網(wǎng)絡(luò)技術(shù)應(yīng)用于狀態(tài)監(jiān)測系統(tǒng)。

3.2 信息融合總體流程

為了驗證D-S方法在狀態(tài)監(jiān)測的信息融合中的有效性，以識別是否有人侵入監(jiān)控范圍為命題，利用D-S信息融合方法對其進行判斷。

利用D-S證據(jù)理論對多傳感器進行融合的基本過程如圖3所示。在該系統(tǒng)中，集合了聲音、熱釋電紅外和壓力三種傳感器。這三種傳感器分別對目標信息進行探測，然后對探測結(jié)果進行預處理，再賦予0到1之間的概率分配值，即基本可信度分配，這個值反映了對該判決的支持程度。然后在融合中心利用D-S融合規(guī)則融合各傳感器的證據(jù)。最后按照本文規(guī)定的決策準則，得到最終決策結(jié)果。

3.3 基本可信度分配

如何合理確定基本可信度分配，一直是證據(jù)理論應(yīng)用中的關(guān)鍵問題之一，這是一個與應(yīng)用密切相關(guān)的問題，而且沒有通用方法。基本可信度分配，是人們對目標假設(shè)的可信程度的一種判斷，這種判斷受各種因素的影響，不同的思路會構(gòu)成不同的基本可信度分配［9］。模糊理論是處理不確定問題的基本數(shù)學工具，考慮到傳感器對事件狀態(tài)的確定都有一定的模糊性、不確定性，本文利用模糊理論來確定各類傳感器的基本可信度分配。

不確定性推理是信息融合的基礎(chǔ)，而模糊理論與D-S證據(jù)理論都具有較強的處理不確定信息的能力，將這兩者相結(jié)合能夠很好地處理模糊信息，提高數(shù)據(jù)融合結(jié)果的可靠性，已有不少學者對此進行了相關(guān)研究。文獻［10］將證據(jù)理論與模糊理論和專家系統(tǒng)方法相結(jié)合進行目標識別，可以提高目標識別的可靠性，但是系統(tǒng)數(shù)據(jù)庫和經(jīng)驗的積累對結(jié)果有著很大的影響，還需要不斷修正和完善。文獻［11］把目標和誘餌的輻射及運動特性用D-S證據(jù)結(jié)合起來，構(gòu)成模糊集合，最后根據(jù)模糊判決進行目標識別，該方法能很好地把目標從誘餌中分離出來。目前研究最多的還是利用模糊集的隸屬函數(shù)構(gòu)造證據(jù)理論中的基本可信度分配函數(shù)，這有效解決了基本可信度分配的不易確定問題，實現(xiàn)了模糊理論和證據(jù)理論的有效結(jié)合，本文就是利用這種方法來確定基本可信度分配的。

模糊理論用來描述沒有明確界限和概念的外延模糊的現(xiàn)象，并將這些不確定現(xiàn)象引入到數(shù)學運算中，與隸屬函數(shù)建立對應(yīng)關(guān)系，來描述那些介于0和1 的中間過渡過程［12］。

隸屬函數(shù)是主觀定義的一種函數(shù)。在理論上隸屬函數(shù)描述了元素屬于模糊集的強度。若隸屬函數(shù)μA(x)接近1表示x屬于A的程度高，若μA(x)接近0，表示x屬于A的程度低。隸屬函數(shù)的確定方法不唯一，文獻［13－14］根據(jù)領(lǐng)域?qū)＜业慕?jīng)驗來給出相應(yīng)隸屬度，這種方法容易受主觀性和局限性的影響，文獻［12］根據(jù)較復雜的高斯函數(shù)來確定，這種方法的準確性較高，但是算法比較復雜。本文綜合前人的經(jīng)驗和各傳感器的性能、算法的復雜性以及環(huán)境等因素，采用梯形函數(shù)來構(gòu)造隸屬函數(shù)。

設(shè)模糊集合A表示“有人”，模糊變量為x，一個周期內(nèi)對信號的采集次數(shù)為N。

聲音傳感器和紅外傳感器輸出的是開關(guān)信號，當檢測到周圍有聲音或有人移動時輸出高電平，因此將一個周期內(nèi)采集的高電平的次數(shù)作為模糊變量x。這兩者的隸屬函數(shù)定義為:

其中，b、a分別為判斷為“有人”的可能性的次數(shù)的上、下限，a、b的選取與傳感器性能及外部環(huán)境因素有關(guān)，需對傳感器進行多次測試以及聯(lián)系實際工作環(huán)境來確定a、b的值。

壓力傳感器輸出的是和壓力有對應(yīng)關(guān)系的電壓模擬信號，經(jīng)轉(zhuǎn)換后可得到相應(yīng)壓力值，因此將一周期內(nèi)采集到壓力的平均值作為模糊變量x。則隸屬函數(shù)定義為:

其中，n1為人體重的下限，n2～n3為正常體重的范圍，n4為上限。這些值都是根據(jù)經(jīng)驗或權(quán)衡多次試驗結(jié)果之后選取的。

3.4 實驗結(jié)果及分析

定義識別框架{A，B，Θ}，其中A表示有人，B表示沒有人，Θ表示不能確定。設(shè)α表示模糊變量的不確定程度，α的選取與傳感器自身性能和其所處環(huán)境等因素有關(guān)。則基本可信度分配如下［15］:

m(A)= μA(x)(1－α)；m(B)=(1－μA(x))(1－α)；m(Θ)=α。

傳感器1代表聲音傳感器，傳感器2代表紅外傳感器，傳感器3代表壓力傳感器。它們的隸屬函數(shù)分別為:

μ1，A(x)=0.6；μ2，A(x)=0.5；μ3，A(x)=0.9；

μ1，B(x)=0.4；μ2，B(x)=0.5；μ3，B(x)=0.1。

綜合各傳感器的性能與所處環(huán)境等因素，不確定程度 α1取0.1，α2取0.1，α3取0.05，則由三種傳感器確定的基本可信度分配分別為:

m1(A)=0.54；m1(B)=0.36；m1(Θ)=0.1；

m2(A)=0.45；m2(B)=0.45；m2(Θ)=0.1；

m3(A)=0.855；m3(B)=0.095；m3(Θ)=0.05。

首先由Dempster組合方法對m1(·)和m2(·)進行組合，組合情況如表1所示。

表1 m1(·)和 m2(·)組合情況

由表1可得這兩組證據(jù)的沖突概率K為:

可見沖突程度比較小，可以利用經(jīng)典D-S方法進行融合。

同理，將聲音、紅外傳感器數(shù)據(jù)融合結(jié)果與壓力傳感器進行組合，如表2所示。

表2 m1(·)和 m2(·)組合結(jié)果與 m3(·)組合情況

由表2可得這兩組證據(jù)的沖突概率K為:

可見沖突程度比較小，仍然可以利用經(jīng)典D-S方法進行融合。

根據(jù)決策規(guī)則得到最后融合結(jié)果。將上述融合結(jié)果總結(jié)于表3。

表3 最終融合結(jié)果

從最后的融合效果看，融合判別后的結(jié)果與實際事件一致，且對比單一傳感器的檢測效果，通過對多傳感器信息進行融合，大大增加了實際事件的基本可信度分配值，減小了其它類型的基本信度分配，系統(tǒng)的不確定性也大為降低。并且，當其中某一個傳感器所得信息不確定時，系統(tǒng)仍然有較好的識別率。這充分說明了基于D-S證據(jù)理論的多傳感器信息融合的可行性和有效性。并且根據(jù)沖突系數(shù)K與文中設(shè)定的閾值的比較來選用D-S方法，可以起到互補的作用，達到更好的識別效果。

值得一提的是，該實例中參與狀態(tài)監(jiān)測的傳感器只有三種，證據(jù)和焦元個數(shù)都不多，因此計算比較簡便，很容易實現(xiàn)。一旦實際應(yīng)用中的傳感器種類增多，前文所提到的D-S理論計算量的指數(shù)“爆炸”問題就會顯現(xiàn)出來，運算速度會受到很大影響。單憑分布合成公式或改進公式，并不能減少太多工作量，因此，進一步簡化算法，降低計算復雜度將成為今后研究的重要內(nèi)容。

4 結(jié)束語

本文基于D-S理論對無線感知狀態(tài)監(jiān)測中的多傳感器信息融合技術(shù)進行研究，并根據(jù)實際中不同的證據(jù)沖突狀況，合理選擇融合算法。多傳感器融合可以多方位全面獲取目標不同屬性信息，提高監(jiān)測信息的準確度和可靠性。本文研究的無線感知中的多傳感器融合技術(shù)在實際中還需多方面深入研究，如隸屬函數(shù)的確定，傳感器的不確定值的選擇及具體決策規(guī)則的確定等，沒有形成統(tǒng)一的理論，需要依靠經(jīng)驗進行設(shè)置，通過數(shù)據(jù)積累和實踐效果來不斷校正，進行更準確的設(shè)置。

基于無線感知的監(jiān)測系統(tǒng)具有經(jīng)濟實用，易安裝維護的優(yōu)點，且系統(tǒng)可以根據(jù)用戶不同的需求進行配置，增減模塊或改變傳感器的類型，可適用于不同環(huán)境下的狀態(tài)監(jiān)測。在車輛運行狀態(tài)監(jiān)測，機場跑道侵入檢測，區(qū)域安全及智能家居系統(tǒng)等方面，具有非常廣闊的應(yīng)用前景。

［1］孫凌逸，黃先祥，蔡偉，等.基于神經(jīng)網(wǎng)絡(luò)的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法［J］.傳感技術(shù)學報，2011，24(1):122－127.

［2］Hall D L.An Introduction to Multisensor Data Fusion［J］.Proceeding of the IEEE，1997，85(1):6－25.

［3］何友，王國宏，彭應(yīng)寧，等.多傳感器信息融合及應(yīng)用［M］.北京:電子工業(yè)出版社，2007:1－10，301－308.

［4］Morelli M.Application of Dempster-Shafer Theory of Evidence to the Correlation Problem［C］//Proceeding of the Fifth International Conference on Information Fusion，2002，2(2):759－762.

［5］孫慧影，張彥軍，崔平遠.用D-S證據(jù)理論方法實現(xiàn)多傳感器數(shù)據(jù)融合［J］.青島科技大學學報，2003，24(5):463－465.

［6］李弼程，王波，魏俊.一種有效的證據(jù)理論合成公式［J］.數(shù)據(jù)采集與處理，2002，17(1):34－36.

［7］Yager R R.On the D-S Framework and New Combination Rules［J］.Information Sciences，1987，41(2):93－138.

［8］褚洪濤，閻波.基于ZigBee無線傳感器網(wǎng)絡(luò)的監(jiān)控系統(tǒng)設(shè)計與實現(xiàn)［J］.電子設(shè)計應(yīng)用，2009(8):52－54.

［9］王俊林，張劍云.基于統(tǒng)計證據(jù)的Mass函數(shù)和D-S證據(jù)理論的多傳感器目標識別［J］.傳感技術(shù)學報，2006，19(3):862－864.

［10］劉同明.基于證據(jù)理論模糊推理的多傳感器信息融合海上目標識別［J］.模式識別與人工智能.1999，12(1):25－31.

［11］肖利平，楊嘉偉.一種基于模糊理論與D-S證據(jù)理論的紅外小目標與誘餌識別算法［J］.紅外技術(shù)，2005，27(3):240－244.

［12］王云飛，李輝，李云彬.利用模糊推理的證據(jù)理論信息融合算法［J］.計算機工程與應(yīng)用，2010，46(36):144－146.

［13］汪永東，陳穎.模糊證據(jù)理論及其在信息融合中的應(yīng)用［J］.工礦自動化，2006，(5):32－34.

［14］韓峰，楊萬海，袁曉光，等.基于模糊集合的證據(jù)理論信息融合方法［J］.控制與決策，2010，25(3):449－452.

［15］孔金生，李文藝.基于模糊集合的證據(jù)理論信息融合方法［J］.計算機工程與應(yīng)用，2008，44(20):152－154.