宋華明

(湖北省咸寧市公安局，湖北 咸寧 437000)

基于傳感網(wǎng)絡(luò)對(duì)公共安全風(fēng)險(xiǎn)的數(shù)據(jù)融合及預(yù)測(cè)

宋華明

(湖北省咸寧市公安局，湖北 咸寧 437000)

利用傳感網(wǎng)絡(luò)對(duì)公共安全進(jìn)行實(shí)時(shí)監(jiān)測(cè)與風(fēng)險(xiǎn)預(yù)警，已成為公安信息化重要的一環(huán)。圍繞公共交通網(wǎng)絡(luò)中的諸多傳感器，收集了海量的監(jiān)測(cè)數(shù)據(jù)，并將其上傳到服務(wù)器端進(jìn)行監(jiān)測(cè)及公共安全風(fēng)險(xiǎn)預(yù)測(cè)。但其傳感數(shù)據(jù)龐大且密度低，對(duì)傳輸網(wǎng)絡(luò)帶寬及服務(wù)器端造成了不小的壓力。本文在傳感網(wǎng)絡(luò)的節(jié)點(diǎn)端及中繼處分別利用加權(quán)局部融合和約簡(jiǎn)融合，消除數(shù)據(jù)噪聲，提高數(shù)據(jù)密度，剔除冗余屬性；在服務(wù)器端利用基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分析預(yù)測(cè)，加速收斂速度，降低預(yù)測(cè)誤差6%以上。

傳感網(wǎng)絡(luò)；OWA算子；加權(quán)融合；基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)

1.引言

隨著城市化戰(zhàn)略格局的部署，城市內(nèi)部的交通網(wǎng)絡(luò)越發(fā)密集。在交通網(wǎng)絡(luò)上密布的眾多傳感器收集包括煙霧，溫度，聲音，人流等諸多屬性的數(shù)據(jù)，構(gòu)建了傳感網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)監(jiān)控。密集的傳感網(wǎng)絡(luò)作為公安信息化[1]的一部分，不僅保證了對(duì)各大交通樞紐中公共安全的實(shí)時(shí)監(jiān)控，也提供來海量的數(shù)據(jù)供公安部門預(yù)測(cè)不同地區(qū)的公共安全風(fēng)險(xiǎn)態(tài)勢(shì)。但隨著部署的節(jié)點(diǎn)越來越密集，監(jiān)控?cái)?shù)據(jù)的信息量不斷提升，將節(jié)點(diǎn)數(shù)據(jù)全部上傳到云端，集中式分析預(yù)測(cè)，對(duì)現(xiàn)有的帶寬，機(jī)房造成了不小的壓力。而且現(xiàn)有各類傳感器數(shù)據(jù)，規(guī)模龐大但價(jià)值不高，整體信息密度低，且會(huì)因?yàn)楸O(jiān)測(cè)地區(qū)廣而導(dǎo)致不同程度的噪聲數(shù)據(jù)。另外現(xiàn)有的預(yù)測(cè)算法如神經(jīng)網(wǎng)絡(luò)等，在處理這些數(shù)據(jù)時(shí)，因運(yùn)算量過大，導(dǎo)致收斂時(shí)間過長(zhǎng)，預(yù)測(cè)誤差大等。對(duì)此本文提出了以下創(chuàng)新點(diǎn)：

(1)在傳感網(wǎng)絡(luò)的節(jié)點(diǎn)端進(jìn)行局部數(shù)據(jù)融合，將同類型的傳感數(shù)據(jù)進(jìn)行加權(quán)融合，降低數(shù)據(jù)噪聲。再利用模糊集的知識(shí)，在中繼節(jié)點(diǎn)處，定義不同類型傳感數(shù)據(jù)的重要程度。配合OWA算子約簡(jiǎn)掉部分與預(yù)測(cè)對(duì)象無關(guān)的數(shù)據(jù)屬性，提高數(shù)據(jù)密度。

(2)在傳感網(wǎng)絡(luò)的終端進(jìn)行數(shù)據(jù)預(yù)測(cè)，將已被約簡(jiǎn)的傳感數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，配合遺傳算法“優(yōu)勝劣汰”加快其算法的收斂速度，提高預(yù)測(cè)的精準(zhǔn)度。通過實(shí)驗(yàn)證明經(jīng)約簡(jiǎn)之后的數(shù)據(jù)預(yù)測(cè)相對(duì)誤差在2%以內(nèi)，相比原有的BP神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)精度提高了6%。

2.國(guó)內(nèi)外相關(guān)工作

傳感器網(wǎng)絡(luò)由眾多的傳感器節(jié)點(diǎn)組成的，各個(gè)節(jié)點(diǎn)實(shí)時(shí)檢測(cè)收集多維度，多種類的數(shù)據(jù)[2]，在整個(gè)網(wǎng)絡(luò)中利用分步路由將數(shù)據(jù)匯總上傳。為了減少帶寬占用，消除單個(gè)傳感器的不穩(wěn)定，提高整體性能。我們將眾多監(jiān)測(cè)數(shù)據(jù)按時(shí)間序列進(jìn)行收集匯總[3]，按一定規(guī)則拼合使用。這就是傳感器的數(shù)據(jù)融合。傳感器融合技術(shù)不僅提升了同源數(shù)據(jù)的共性優(yōu)勢(shì)，還從綜合信息的角度提高了多種信息的觀測(cè)精度[4]，現(xiàn)已被廣泛應(yīng)用于智能監(jiān)測(cè)和自動(dòng)化控制等專業(yè)領(lǐng)域[5]。

現(xiàn)有的傳感器融合技術(shù)或依賴于證據(jù)推理、統(tǒng)計(jì)決策理論的統(tǒng)計(jì)學(xué)理論知識(shí)[6]；或利用加權(quán)平均、貝葉斯估計(jì)等數(shù)學(xué)原理上的知識(shí)。近來也有利用人工智能的神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)的權(quán)值協(xié)作，過濾冗余數(shù)據(jù)等[7]。本文首先利用基礎(chǔ)的數(shù)學(xué)理論進(jìn)行同組數(shù)據(jù)的局部融合，再利用模糊集約簡(jiǎn)屬性，配合OWA算子進(jìn)行數(shù)據(jù)融合。

將經(jīng)過融合之后的傳感數(shù)據(jù)傳到云端的數(shù)據(jù)中心來進(jìn)行數(shù)據(jù)挖掘，提取其中的價(jià)值，分析潛在的公共安全風(fēng)險(xiǎn)并及時(shí)進(jìn)行預(yù)警。BP神經(jīng)網(wǎng)絡(luò)作為人工智能的優(yōu)秀算法之一，被廣泛應(yīng)用于數(shù)據(jù)壓縮、模式識(shí)別、數(shù)據(jù)挖掘之中。BP神經(jīng)網(wǎng)絡(luò)一般具有三層或者三層以上的網(wǎng)絡(luò)結(jié)構(gòu)。利用輸出誤差反傳，即將輸出后一層的誤差來估計(jì)輸出前一層的誤差，按照網(wǎng)絡(luò)層級(jí)，一層層的反傳回去[8]，并由此獲得所有層的誤差估計(jì)。通過不斷修正和訓(xùn)練，達(dá)到較好的預(yù)測(cè)效果。

在利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)挖掘的過程中，會(huì)因?yàn)殡[層節(jié)點(diǎn)過多，造成預(yù)測(cè)效果不好，學(xué)習(xí)時(shí)間長(zhǎng)，或因節(jié)點(diǎn)數(shù)量過少造成整體網(wǎng)絡(luò)難以收斂。為此有對(duì)BP神經(jīng)網(wǎng)絡(luò)引入訓(xùn)練函數(shù)，例如比例梯度共軛減少搜索時(shí)間，提高訓(xùn)練精度[9]；或利用Fletcher-Reeves算法降低訓(xùn)練時(shí)間[10]?；?qū)P神經(jīng)網(wǎng)絡(luò)與其他算法結(jié)合，如模擬退火算法用于緩解選擇壓力[11]。本文中利用遺傳算法，對(duì)BP神經(jīng)網(wǎng)絡(luò)中連接權(quán)進(jìn)行改進(jìn)調(diào)優(yōu)。

3.傳感數(shù)據(jù)的融合

3.1傳感器數(shù)據(jù)的局部融合

將整個(gè)傳感網(wǎng)絡(luò)的數(shù)據(jù)全部傳輸?shù)皆贫?，除了大量的帶寬能耗的消耗，也可能?dǎo)致后一步預(yù)測(cè)過程中較長(zhǎng)的收斂時(shí)間。我們選擇在節(jié)點(diǎn)端對(duì)傳感數(shù)據(jù)先進(jìn)行局部融合，將同組傳感器中的數(shù)據(jù)通過簡(jiǎn)單的加權(quán)方式進(jìn)行合并。這可使得傳感數(shù)據(jù)被進(jìn)一步的優(yōu)化，有效地屏蔽掉環(huán)境中的噪聲污染，節(jié)約帶寬與能耗。

傳感數(shù)據(jù)的局部融合是將根據(jù)同組傳感器中的數(shù)據(jù)方差大小來分配權(quán)數(shù)的。數(shù)據(jù)變化程度低的方差小，分配的權(quán)數(shù)小，傳感數(shù)據(jù)變化差值大表明數(shù)據(jù)存在異樣，分配權(quán)數(shù)較大[12]。

(1)

因?yàn)槟硶r(shí)間段內(nèi)，同一類型的傳感器測(cè)值方差不大，證明這段時(shí)間內(nèi)無明顯情況變化，數(shù)據(jù)顯示趨同性，證明其公共安全風(fēng)險(xiǎn)較低[13]。所以可以合并對(duì)應(yīng)測(cè)量數(shù)據(jù)，提高數(shù)據(jù)密度。同時(shí)也能降低噪聲，方便之后我們?cè)谥欣^節(jié)點(diǎn)對(duì)傳感數(shù)據(jù)進(jìn)行約簡(jiǎn)融合。

3.2傳感器數(shù)據(jù)的約簡(jiǎn)融合

在中繼節(jié)點(diǎn)中，我們獲得經(jīng)局部融合的同組傳感器監(jiān)測(cè)數(shù)據(jù)。首先假設(shè)整個(gè)傳感網(wǎng)絡(luò)中一共有若干種傳感器，這若干種傳感器總計(jì)收集回m種不同的數(shù)據(jù)屬性，定義傳感器中數(shù)據(jù)屬性A包含m種不同屬性，表示為{a1,a2,…,am}。針對(duì)每個(gè)不同的數(shù)據(jù)屬性，我們會(huì)根據(jù)其對(duì)于后期預(yù)測(cè)對(duì)象的重要程度，來進(jìn)行約簡(jiǎn)。

這里我們根據(jù)模糊集的知識(shí)定義：該屬性在預(yù)測(cè)對(duì)象中出現(xiàn)的次數(shù)越多，說明該屬性在知識(shí)表達(dá)系統(tǒng)中越重要[14]。定義屬性a對(duì)于預(yù)測(cè)對(duì)象的重要程度T。并利用OWA算子[15―16](Ordered Weighted Averaging operator)來聚合屬性，表達(dá)其對(duì)象的重要度。則OWA算子描述如下：

為了獲得屬性aj對(duì)于預(yù)測(cè)對(duì)象的重要度的加權(quán)向量，我們定義模糊量詞Q來獲?。?/p>

(2)

其中Q(l)會(huì)根據(jù)參數(shù)α和β，有多種不同的取值。當(dāng)l小于α?xí)r，Q(l)為0；當(dāng)l大于β時(shí)，Q(l)為1。α和β∈[0,1]，對(duì)應(yīng)不同取值時(shí)可以表示這是模糊量詞的多寡范圍，比如，當(dāng)(α，β)取(0.5,1)表示，盡可能多的意思。對(duì)應(yīng)的我們就能定義經(jīng)過有序加權(quán)之后的向量h

(3)

根據(jù)上述的公式，我們可以定義預(yù)測(cè)對(duì)象的重要度IM：在經(jīng)局部融合后的數(shù)據(jù)，其中每個(gè)屬性A{a1,a2,…,an}對(duì)應(yīng)為：

(4)

其中j的取值[1,m]，Tj表示屬性aj對(duì)所有對(duì)象的重要度的由大到小的排列，V是OWA算子；Hj是根據(jù)公式2,3來確定的加權(quán)后n維向量h。

之后根據(jù)IM來對(duì)重要度進(jìn)行從小到大的排序，根據(jù)預(yù)測(cè)對(duì)象的要求，篩掉較小的IM。若IMj=0，證明該屬性對(duì)于預(yù)測(cè)對(duì)象重要程度為空，屬于冗余屬性，即可約簡(jiǎn)該屬性。

4.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

我們利用BP神經(jīng)網(wǎng)絡(luò)對(duì)傳感器數(shù)據(jù)，進(jìn)行公共安全的風(fēng)險(xiǎn)預(yù)測(cè)，提取公共安全風(fēng)險(xiǎn)因子。但是由于原有的BP神經(jīng)網(wǎng)絡(luò)在確定學(xué)習(xí)速率和記憶因子時(shí)，會(huì)因規(guī)則的好壞造成學(xué)習(xí)速率選擇過大或過小。這會(huì)導(dǎo)致訓(xùn)練中出現(xiàn)跳躍現(xiàn)象或收斂速度較慢。其次在利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行挖掘分析時(shí)，如果選擇不合適的初值權(quán)重，則可能在訓(xùn)練中出現(xiàn)跳躍現(xiàn)象，或陷入局部最優(yōu)。為解決上述問題，我們引入遺傳算法的“優(yōu)勝劣汰”思想對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，使其更適合傳感數(shù)據(jù)的進(jìn)行預(yù)測(cè)。其具體操作步驟如下：

步驟1：對(duì)閾值進(jìn)行編碼，用隨機(jī)生成的一組分布對(duì)應(yīng)一組閾值。

步驟2：將訓(xùn)練樣本的誤差平方和倒數(shù)定義為適應(yīng)度，令適應(yīng)度與誤差負(fù)相關(guān)，并以此評(píng)判閾值好壞。

步驟3：在訓(xùn)練樣本內(nèi)挑選出適應(yīng)度大的個(gè)體，遺傳至下一代，保留優(yōu)質(zhì)屬性。

步驟4：利用交叉、變異令群體完成進(jìn)化，得到下一代群體。

步驟5：重復(fù)步驟2—4，令閾值不斷進(jìn)化直到滿足預(yù)設(shè)條件。

在參數(shù)初始階段，我們首先對(duì)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)進(jìn)行設(shè)置。嘗試隱層數(shù)目為一層或三層，因?yàn)閱坞[層網(wǎng)絡(luò)可以對(duì)任一非線性函數(shù)進(jìn)行擬合；而三層遺傳學(xué)習(xí)更優(yōu)。

之后，定義各層神經(jīng)元數(shù)目，輸入層神經(jīng)元數(shù)根據(jù)所預(yù)測(cè)的屬性種類設(shè)定，輸出層神經(jīng)元數(shù)由預(yù)測(cè)對(duì)象決定。然后利用“試湊法”來確定隱層神經(jīng)元數(shù)的大致范圍，計(jì)算公式如下：

(5)

其中，k為隱層神經(jīng)元數(shù)，m、n分別為輸入輸出神經(jīng)元數(shù)，a為1到10間常數(shù)。之后各層神經(jīng)元數(shù)目按經(jīng)驗(yàn)公式設(shè)定：

(6)

其中m為輸入層神經(jīng)元數(shù)，n為輸出層神經(jīng)元數(shù)。

之后我們定義遺傳算法的種群規(guī)模及迭代次數(shù)。種群規(guī)模過大將加大計(jì)算量進(jìn)而降低學(xué)習(xí)效率，規(guī)模過小將容易導(dǎo)致遺產(chǎn)算法收斂于局部極小點(diǎn)。同理，迭代次數(shù)過小將有可能導(dǎo)致算法無法找出最優(yōu)解，多大將擴(kuò)大計(jì)算時(shí)間。經(jīng)過反復(fù)測(cè)試，我們將迭代次數(shù)和種群規(guī)模都設(shè)置為50。

在遺傳算法中的交叉概率過大將導(dǎo)致個(gè)體充分交叉從而生成不必要的解空間，過小將導(dǎo)致算法搜索能力的降低，我們定義好交叉概率設(shè)置為0.3。對(duì)于變異概覽來說，過大的變異概率有可能破壞種群模式，過小則會(huì)降低種群進(jìn)化速度。故最終設(shè)定變異概率設(shè)置為0.1。

5.實(shí)驗(yàn)結(jié)果及分析

在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的數(shù)目選擇上，若樣本數(shù)過少，BP神經(jīng)網(wǎng)絡(luò)難以捕獲其中包含的信息，導(dǎo)致較大的預(yù)測(cè)誤差。而過大的樣本數(shù)量則會(huì)延長(zhǎng)訓(xùn)練時(shí)間，預(yù)測(cè)代價(jià)高?？紤]到其直接影響模型預(yù)測(cè)的準(zhǔn)確度，為保證訓(xùn)練效果，本節(jié)選取了600個(gè)樣本作為訓(xùn)練樣本。原有的傳感器屬性種類有14種，這里我們使用了經(jīng)過降噪局部融合，和約簡(jiǎn)融合之后的6個(gè)屬性，故輸入層神經(jīng)元可以設(shè)置為4個(gè)。預(yù)測(cè)對(duì)象設(shè)定為單一的風(fēng)險(xiǎn)因子，故輸出層神經(jīng)元設(shè)置為1個(gè)。則根據(jù)公式(5)(6)隱含層神經(jīng)元為2或更多。

我們通過實(shí)驗(yàn)，分別對(duì)比在隱含層數(shù)為1,3時(shí)，計(jì)算整體預(yù)測(cè)對(duì)象的均方誤差mse，利用設(shè)定好的參數(shù)對(duì)模型進(jìn)行訓(xùn)練和預(yù)測(cè)。

(7)

其中，n為總體的預(yù)測(cè)樣本數(shù)量，這里我們選取約簡(jiǎn)數(shù)據(jù)的中30個(gè)為預(yù)測(cè)樣本。由圖1可以看出，隱含層數(shù)為1時(shí)在訓(xùn)練到14次時(shí)即達(dá)到收斂，隱含層數(shù)為3時(shí)在11次時(shí)達(dá)到收斂。兩者的訓(xùn)練曲線如下：

Figure2 The mean square error of the hidden layer number is 3

圖2 隱含層數(shù)為3時(shí)的均方誤差

由圖可以發(fā)現(xiàn)，在處理約簡(jiǎn)后的傳感器數(shù)據(jù)時(shí)，隱含層選為3層時(shí)，預(yù)測(cè)的收斂速度更快。在第十次訓(xùn)練之后可以認(rèn)為其收斂。所以我們之后我們用隱含層數(shù)為3的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)與原有的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。驗(yàn)證在數(shù)據(jù)融合之后，在公共安全的預(yù)測(cè)上精準(zhǔn)程度。我們利用相對(duì)誤差Rerror和來判定預(yù)測(cè)后的誤差大小，公式如下：

(8)

其中xi為預(yù)測(cè)數(shù)據(jù)，xj為真實(shí)數(shù)據(jù)。

對(duì)比兩者預(yù)測(cè)結(jié)果，按公式(8)計(jì)算出相對(duì)誤差，如圖3。

Figure3 The comparison of the relative error of two kinds of BP neural network prediction

由圖3可以看出基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的傳感器數(shù)據(jù)，總體的相對(duì)誤差在±2%內(nèi)，充分說明利用該模型預(yù)測(cè)經(jīng)約簡(jiǎn)后的傳感器數(shù)據(jù)是可行的。而原有的BP神經(jīng)相對(duì)誤差在±8%內(nèi)，可以證明經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果更加精準(zhǔn)。

6.總結(jié)

龐大的傳感網(wǎng)絡(luò)所帶來的海量傳感數(shù)據(jù)，已給網(wǎng)絡(luò)傳輸造成了不小壓力。本文在傳感網(wǎng)末端節(jié)點(diǎn)利用局部融合消除噪聲，提高數(shù)據(jù)密度；在中繼節(jié)點(diǎn)利用模糊集知識(shí)，配合OWA算子進(jìn)行約簡(jiǎn)融合，簡(jiǎn)化無關(guān)數(shù)據(jù)屬性，降低傳輸數(shù)據(jù)量，減緩網(wǎng)絡(luò)帶寬壓力。在分析傳感數(shù)據(jù)，預(yù)測(cè)公共安全風(fēng)險(xiǎn)上，本文利用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)中連接權(quán)，進(jìn)行數(shù)據(jù)預(yù)測(cè)，加快了收斂速度；經(jīng)實(shí)驗(yàn)證明，經(jīng)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的相對(duì)誤差在2%以內(nèi)，相比原有的BP神經(jīng)網(wǎng)絡(luò)提高了6%。

[1] Liu A H, Bunn J J, Chandy K M. Sensor Networks for the Detection and Tracking of Radiation and Other Threats in Cities[C]// International Conference on Information Processing in Sensor Networks. 2011:1―12.

[2]楊李博.基于Wi-Fi的無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)設(shè)計(jì)與實(shí)現(xiàn)[D].上海：上海交通大學(xué)碩士學(xué)位論文, 2014.

[3]孔繁強(qiáng).基于傳感網(wǎng)的大樓火源定位及預(yù)警算法的研究[D].哈爾濱：黑龍江大學(xué)碩士學(xué)位論文, 2012.

[4] Song Guo, Chen Zhang, Liu Xihui. Software development and data processing of tool wear based on mapping measurement[J].AdvancedMaterialsResearch, 2012，(383―390):4971―4976.

[5]郭鍵.一種模糊神經(jīng)網(wǎng)絡(luò)在礦井膠帶機(jī)火災(zāi)探測(cè)中的應(yīng)用[J].蘭州理工大學(xué)學(xué)報(bào),2007,33(3):88―91.

[6]涂國(guó)平,鄧群釗.多傳感器數(shù)據(jù)的統(tǒng)計(jì)融合方法[J].傳感器與微系統(tǒng),2001,20(3):28―29.

[7]王萌萌.氯氣無線傳感網(wǎng)監(jiān)測(cè)的數(shù)據(jù)挖掘與融合研究[D].哈爾濱：哈爾濱理工大學(xué)碩士學(xué)位論文,2014.

[8] Wu W, Wang J, Cheng M, et al. Convergence analysis of online gradient method for BP Neural Networks[J].NeuralNetworks, 2011, 24(1):91―98.

[9]史春朝,張國(guó)山.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的PID控制方法研究[J].計(jì)算機(jī)仿真,2006,23(12):156―159.

[10] Jiang M, Gielen G, Bo Z, et al. Fast Learning Algorithms for Feedforward Neural Networks[J].AppliedIntelligence, 2003, 18(1):37―54.

[11]郭曉婷,朱巖.基于遺傳算法的進(jìn)化神經(jīng)網(wǎng)絡(luò)[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2000,40(10):116―119.

[12]楊萬海．多傳感器數(shù)據(jù)融合及其應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2006

[13]司鵠,賈文梅.城市公共安全風(fēng)險(xiǎn)評(píng)估指標(biāo)敏感性分析[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù),2014(11):71―76.

[14]苗奪謙.粗糙集理論、算法與應(yīng)用[M].北京：清華大學(xué)出版社,2008.

[15] Yager R.On ordered weighted averaging aggregation operators in multicriteria decisionmaking[J].IEEETransactionsonSystems，Man，andCybernetics，1988，8(1)：183―190.

[16] Ronald R.Families of OWA operators[J].FuzzySetsandSystems，1993，59(1)：125―148.

(責(zé)任編輯 李志虹)

Data Fusion and Forecast of Public Safety Risks Based on Sensor Network

SONG Huaming

(PublicSecurityBureau,Xianning, 437000,HubeiProvince)

The application of sensor network to monitor and forecast public safety risks has become an important part of public security informationization. The large quantities of sensors of public transportation are used to collect data, and then upload to the servers to monitor and forecast public safety risks. However, problems do exist, such as large data with lower density on the sensors. As a result, great pressure is imposed on both bandwidth and the servers of the network. This paper is devoted to the application of local weighted fusion and leaning fusion at the node ends and the trunk offices to reduce noise, increase data density and eliminate redundancy. Meanwhile, the application of the BP neural network based on the genetic algorithm at the server ends can increase convergence rate and lower the forecast error rate by 6%.

sense network, OWA (ordered weighted averaging) operator, weighted fusion, BP neural network based on the genetic algorithm

2017 - 03 - 04

宋華明(1978―)，男，湖北省咸寧市公安局網(wǎng)絡(luò)工程師，研究方向：計(jì)算機(jī)網(wǎng)絡(luò)。

TP212

A

1671 - 7406(2017)03 - 0063 - 05