一种基于OPD-S的信息融合算法

文献发布时间：2023-06-19 11:14:36

技术领域

本发明涉及数据处理和机器学习领域，主要是一种对灾情信息进行数据融合的算法。

背景技术

灾情信息融合对开展灾情评估，提供了有力的信息保障。随着传感器技术的不断发展，适用于灾情信息获取的传感器种类不断增加，在面对各种复杂灾情场景时，单一传感器只能了解局部信息且指标较为单一，无法感知整体情况，对复杂灾情信息的处理能力不足，而多传感器增大了灾情环境探测范围，增强了系统探测性能及可靠性。目前对于信息融合的研究主要有基于参数识别的方法、基于概率模型的方法和基于新型信息融合算法。基于概率模型的方发由于采用事先预置的模型和规则，所以需要系统存储有先验概念为依据，方能做出决策；基于参数识别的算法主要是利用模式划分以及参数估计对初始信息进行特征提取，但是其需要事先收集大量数据进行训练，灾情的多样性导致其训练模型时，数据量过多或数据收集不完整。同时由于灾情的复杂性，不同传感器采集到的环境信息容易被复杂的环境噪声信号干扰，导致信息融合过程中出现误差。

对于灾情信息的融合，关键点在于降低噪声干扰对融合产生的误差，以及在复杂环境中对不合理、不确定的信息进行合理的融合。针对以上问题，提出了一种基于开放识别框架证据理论信息融合的算法，通过构建灾情信息数据集与灾情环境信息的对应关系，在无需先验知识的前提下，对灾情信息进行概率判断，剔除概率论弱的条件信息，区分噪声干扰信号、保留模糊信息，从而提高灾情信息融合的准确性与高效性。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于OPD-S的信息融合算法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定集合的信任函数Bel(A)：

式中，A表示为一个集合，B表示为A集合内的一个子集，m(B)表示为B的基本信任分配函数。确定集合的似然函数Pl：

式中，

(2)确定开放识别框架下的基本概率分配函数m'：

对已经存在的开放识别框架θ添加新元素形成新的框架θ'，之后确定基本概率分配函数：

式中，λ表示为线性参数，为常数，i表示为计数参数，A表示为识别框架θ的命题中任意一个，A

(3)确定证据间可信度Crd(m

式中，m

(4)确定证据综合可信度w

式中，E

(5)确定加权平均证据

根据综合可靠性系数，确定各证据基本概率分配函数的权重系数，根据权重系数，得到加权平均证据的基本概率分配函数：

(6)D-S组合规则进行信息融合m(A)：

本发明比现有技术具有的优点：

(1)本发明克服了传统灾情信息融合过程中，由于背景环境的复杂，导致采集信息噪声占比过大，影响信息融合的问题，有效的滤除噪声干扰，大大提高信息融合的准确率。

(2)本发明通过改进传统算法，极大的改善了对于处理不确定信息的系统能力，合理修正模糊信息占比，提高融合效率。这说明本发明针对灾情信息进行融合时，可以达到较好的融合效果。

附图说明

为了更好地理解本发明，下面结合附图作进一步的说明。

图1是建立基于OPD-S的信息融合算法的步骤流程图；

图2是建立基于OPD-S的信息融合算法流程图；

图3是利用本发明对四组灾情信息进行融合的结果；

具体实施方案

下面通过实施案例对本发明作进一步详细说明。

本实施案例选用的数据来自地下遮蔽空间的典型示范区，一共有1000组样本，其中，来自地下隧道、铁路隧道、地下商场、地下停车场、地铁站5种场景，每种场景各有200组数据，采用随机抽样的方法从5组场景中的每份数据中各抽取140组样本作为训练集，剩下的作为测试集。最终，用作训练集的样本总数为700，用作测试集的样本总数为300。

本发明所提供的灾情信息融合算法整体流程如图1所示，具体步骤如下：