论文部分内容阅读
传感器获取的信息表现形式多样,且具有复杂性、不确定性、冗余性等特点,使得传感器节点能耗升高,从而降低了网络的生存周期。因此,无线传感器网络决策融合技术应运而生,不仅可以减少数据传输量、降低传输能耗,还能够有效地提升传感器网络数据的处理精度,具有非常重要的现实意义。目前,Dempster-Shafer(D-S)证据理论被广泛用于解决无线传感器网络中的决策融合问题,然而其基本概率分配函数模型通常难以被精确构建,并且在融合高度冲突证据时通常会出现与常理相悖的结果,以致做出错误的决策。因此,本文基于D-S证据理论提出了以下三个方面的决策融合方法。1.针对现有的证据冲突度量方法无法有效区分单子集和多子集这一问题,提出一种基于改进证据距离的多传感器决策融合方法。首先,在分析Jousselme证据距离的基础上,对相似性Jaccard系数矩阵进行分块化处理,借此计算各证据的权值来修正证据源,最终得到融合后的决策结果。仿真结果表明该方法不仅能有效表征传感器的证据冲突,还能提高决策融合精度。2.传统的证据理论融合规则通常无法合理分配证据冲突,导致决策融合结果往往与事实相悖。针对这一问题,提出一种基于改进证据理论融合规则的多传感器决策融合方法,并将其应用到目标识别中。首先定义一种扩展冲突系数,不但具有传统证据理论全局冲突系数计算量小的优点,还可以适应多种实际情况,然后根据“冲突再分配”的思想,最终构造出新的证据理论融合规则。仿真结果表明相比现有的方法,该方法的决策融合规则简单易实现,收敛速度更快。3.以无线传感器网络下的智能温室环境控制为应用背景,提出一种基于D-S证据理论的数据预处理和决策融合方法。首先使用各类传感器节点所采集到的温室环境数据,对其中的异常值进行预处理(自适应修正和聚类),然后提出一种基于加权相似度的基本概率分配算法,最终在证据理论框架内进行决策融合。仿真结果表明该方法准确度较高,有效地降低了融合结果的不确定度和决策风险。