基于Bayes估計的受限空間探測數據融合算法

張偉利,楊 喆,孫曉海,劉 銘,韓成浩

(1.吉林建筑大學 網絡信息中心,長春 130119; 2.吉林建筑大學 吉林省智慧城市與大數據應用工程研究中心,長春 130119; 3.吉林省消防救援總隊 法制與社會消防工作處,長春 130031; 4.云南農業大學 大數據學院,昆明 650201; 5.長春工業大學 數學與統計學院,長春 130012)

多傳感器信息融合方法能將多個傳感器采集的信息相融合,獲得對受限空間的全方位描述.但多傳感器數據形式復雜,因此不同層次數據能否有效融合是該技術廣泛應用的關鍵.目前,已有許多相關研究成果.吳會會等[1]提出了一種基于自適應模糊C均值聚類的數據融合算法,先將自適應系數引入到數據融合處理中,獲取不同的聚類子集,再以聚類結果為基礎,采用Kalman濾波原理估計誤差協方差,實現數據融合; 王浩等[2]采用分層聚簇融合算法完成數據融合,先對傳感器獲取的初始數據做一級冗余處理,將有價值的數據發送給簇頭節點,再通過灰色關聯對簇內數據做二級融合; 敬如雪等[3]提出了一種基于多傳感器的數據融合算法,先對數據進行一致性檢驗,以此剔除異常數據,再在數據處理的基礎上,將自適應加權估計作為理論基礎,進一步提升數據融合效果.雖然上述方法分別將數據融合技術應用于不同領域均取得了一定的成果,但仍存在一些局限性,如數據融合精度較低,數據融合時間較長等,影響了應用效果.

基于此,本文為增強數據融合質量,先對采集的數據進行濾波、限幅[4]等預處理,克服階躍信號[5]的影響,加強抗干擾性; 再構建動態Bayes網絡模型,制定數據融合目標函數,通過引入正態分布[6],實現數據融合.Bayes網絡是一種信度網絡,是在概率估計基礎上生成的,能結合變量數據得出其他信息,具有獨立性強、網絡結構簡單等優勢,可有效解決數據不完整等問題.因此,本文在Bayes網絡的基礎上,研究受限空間的探測數據融合問題.

1 數據預處理

1.1 建立探測信號

雖然檢測探測器輸出信號是一項復雜的工作,但能從中發現特定的規律[7],將探測器采集的信號表示為X(t),該信號由顯著信號Xf(t)和非顯著信號Xn(t)構成:

X(t)=Xf(t)+Xn(t).

(1)

上述信號中可能包括各類噪聲,影響數據的融合精度,所以本文通過數據預處理提高數據的利用率.

1.2 數據濾波

假設實際信號是Y(t),為去除瞬間干擾對探測器的影響,可利用微分信號[8]去除噪聲,實際信號表示為

(2)

從而獲得如下關系:

(3)

其中t0表示探測初始時間,t表示探測總時間.

1.3 限 幅

為改善探測信號的抗干擾性能,可對一段時間內的信號做限幅處理,X(t)可表示為

(4)

1.4 階躍信號去除

探測信號通常存在階躍性變化,為避免階躍信號的影響,可將相同檢測范圍的信號X1(t)(i=1,2,…,n)以映射方式[9]表示為Mi(t),添加最大和最小變化率參數k,處理過程表示為

(5)

經過上述處理后,階躍信號被有效去除,探測信號得到優化.

1.5 數據信號歸一化處理

因為不同類型探測器的工作原理不同,所以特征參數量綱與大小均不相關,無法直接融合.為保證不同參數在數據融合中具有相同作用,必須對信號數據進行歸一化處理,使數據具有相關性,便于信息融合.歸一化公式為

(6)

其中Aj表示參數j輸入的歸一化值,xj表示參數j的輸入值,Mj為j的標準門限[10],L表示信號采樣長度,Ij表示參數j的歸一化自相關系數,F表示信號復雜度.

2 受限空間探測數據融合

2.1 建立數據融合架構

圖1 數據融合架構示意圖Fig.1 Schematic diagram of data fusion architecture

目前,多數數據融合算法處理方式簡單,缺乏智能性,不能對探測信息作出有效地綜合分析與處理,系統靈敏度[11]與探測準確性之間的矛盾突出.因此,本文結合Bayes估計算法特征,建立一種包含數據層、特征層與決策層的數據融合結構.圖1為數據融合架構示意圖.

1) 數據層: 利用各類探測器采集特征參量[12],同時對信號做預處理,變換為Bayes網絡能識別的數據.如果各類參數值超出安全范圍,則提取該數據供特征層使用,進一步排除數據干擾.

2) 特征層: 分析數據特征,將變化明顯的數據作為特征參數.

3) 決策層: 將特征層顯示的融合結果和其他有關信息做融合處理,輸出系統決策結果.在環境干擾較大的情況下,估計環境干擾因子[13],并以此為根據提高探測結果的精準度.

2.2 構建動態Bayes網絡

通常狀態下探測出的變量具有時變性,即系統為動態的[14].動態Bayes網絡以概率網絡為基礎,融合時間信息,構成具有處理時序的模型.此處動態表示模型系統為動態的,并不是網絡結構具有的動態特征.

(H1) 假設在固定時間內,條件概率變化平穩且一致;

(H2) 假設動態過程符合Markov理論:

P(X′(t+1)|X′(1),X′(2),…,X′(t))=P(X′(t+1)|X′(t)),

(7)

其中P表示轉移概率.

(8)

2.3 確定數據融合目標函數

要達到更好的融合效果,需利用上述Bayes網絡模型,并結合已有節點觀測值Z進行估計,獲得n維狀態矢量X′的后驗概率,為提高數據融合精度,構建融合目標函數p(Z|X′).

假設X′的先驗概率P(X′=x′)與目標函數之間相互獨立,此時Z=z,則X′=x′的后驗條件概率表示為

(9)

其中x′表示狀態矢量的預估計,z表示觀測值的估計值.從而獲得融合目標函數為

(10)

2.4 添加正態分布的Bayes數據融合算法

在用Bayes網絡融合數據過程中,引入如下正態分布模型:

(11)

其中σ表示探測值存在的不確定性.假設Z和X′均為似然函數,則有

(12)

其中K=1,2分別表示第一個與第二個節點.結合目標函數,可得融合最大后驗概率為

(13)

經過推導,可得:

(14)

當傳感器較多時,易發生融合異常現象,假設相同時間內不同傳感器之間的數據均呈現“兩兩相遇”的情形,則對兩個不同探測功能的傳感器進行數據融合方式為: 假設節點狀態正常事件S=0,模型為p(Z=z|X′=x′,S=0),如果節點都滿足正態分布,則節點z1的融合公式表示為

(15)

其他節點的數據融合方法同理.

3 仿真實驗數據分析

為驗證本文算法的數據融合效果進行仿真實驗.以MATLAB為仿真實驗軟件,對實驗中的數據進行統計與處理,同時,為保證實驗結果的有效性與準確性,需保證其他實驗條件一致.

火災通常發生在受限空間內,是因失控燃燒導致的災害.可燃物與火源是火災發生的關鍵因素,在燃燒時產生的物理和化學現象能被探測到,可根據探測得到災情的有關信息,從而對火場環境作出相應的分析和處理,以實現準確、及時預警.因此,本文以火災探測數據為研究對象,驗證本文方法對火災探測數據的融合效果.

■感溫探測器; ●感煙探測器; ▲一氧化碳探測器; ★火源.圖2 仿真環境示意圖Fig.2 Schematic diagram of simulation environment

實驗所選傳感器類型如下.感溫探測器: 利用熱敏元件達到探測目的,當火災發生時會釋放大量熱量,使溫度快速上升,這種探測器包括定溫式和差定溫式等,本文實驗選擇定溫式.感煙探測器: 是感應燃燒產生液體微粒的探測器,可獲取火災初期生成的煙霧粒子濃度,本文選取離子型探測設備.一氧化碳探測器: 正常情況下,室內幾乎不存在一氧化碳,但當火災發生時,氣體中的一氧化碳濃度上升較快,對其含量探測,能達到火災預警要求.

結合上述3種傳感器的功能,本文對每種傳感器選取兩個進行仿真實驗.受限空間和探測器擺放位置如圖2所示.實驗中將楊木視為關鍵燃燒材料,因其資源豐富,在建筑、家具中被廣泛使用.楊木尺寸選擇30 mm×30 mm×500 mm的木條.首先,利用本文算法對3種探測器采集的信號做預處理,處理結果分別如圖3～圖5所示.

圖3 感溫探測器信號處理結果Fig.3 Signal processing results of temperature detector

圖4 感煙探測器信號處理結果Fig.4 Signal processing results of smoke detector

由圖3～圖5可見,3種傳感器采集到的初始信號中均存在不同程度的噪聲,利用本文算法對信號進行去噪和限幅處理,能獲得清晰的信號波形,且將幅值限定在一定范圍內,從而提高數據質量,減少數據冗余,避免了冗余數據對數據融合效果產生的負面影響.這是因為本文算法為避免階躍信號的影響,將相同檢測范圍的信號以映射方式進行表示,使階躍信號被有效去除,優化了探測信號.

數據融合效果最終體現在火警預報性能中,利用構建的動態Bayes網絡對上述采集的數據進行融合,將漏報次數作為評價指標,并與模糊神經網絡融合和分層聚簇融合算法進行對比,實驗結果如圖6所示.由圖6可見,本文算法的整體漏報次數較少,始終低于3次,甚至個別月份未出現漏報現象.而對比算法的漏報次數最多為15次,這是因為探測器采集的信號沒有經過適當處理,當各傳感器數據相互融合后,不能最大程度體現火災特征,影響了判斷結果.此外,Bayes模型具有較強的動態性,探測數據是不斷變化的,因此該模型更適用于動態數據融合.為進一步驗證本文算法的有效性,以數據融合效率為實驗指標,進一步對上述3種算法進行對比,結果如圖7所示.

圖5 一氧化碳探測器信號處理結果Fig.5 Signal processing results of carbon monoxide detector

圖6 不同數據融合算法的火災漏報次數對比Fig.6 Comparison of number of fire missed reports of different data fusion algorithms

圖7 不同算法數據融合效率對比Fig.7 Comparison of data fusion efficiency of different algorithms

由圖7可見,采用本文算法對數據進行融合時,隨著迭代次數的增加,數據融合時間呈現逐漸增加的趨勢,雖然迭代次數低于2次前,本文算法的數據融合時間略高于模糊神經網絡融合算法,但在整體上,本文算法的數據融合時間遠低于對比算法,其數據融合時間最高值僅為2.4 s.因此,本文算法的數據融合效率較高,這是因為該算法通過數據濾波、數據信號歸一化處理等操作對數據進行了預處理,為數據融合提供了可靠的數據基礎,使本文算法的數據融合效率得到有效提升.

綜上所述,為提高數據融合效果,使融合后的數據能應用在實際場景中,本文提出了一種基于Bayes估計的探測數據融合算法.首先,為減少融合誤差,對初始數據進行濾波、歸一化等處理,確保了融合的有效性; 其次,建立Bayes動態模型及融合目標函數,根據正態分布函數完成數據融合,有效提升了數據融合精度; 最后,將相同檢測范圍內的信號以映射的方式進行表示,有效去除了階躍信號,使探測信號得到了優化.在實驗驗證階段,以火災數據為研究對象,分析了本文算法的數據融合效果.實驗結果表明,在本文算法的支持下火災漏報次數明顯降低,提高了數據質量,減少了數據冗余.