孫力帆 張雅媛 鄭國(guó)強(qiáng) 冀保峰 何子述

(1.河南科技大學(xué)信息工程學(xué)院， 洛陽(yáng) 471023; 2.電子科技大學(xué)電子工程學(xué)院， 成都 611731)

0 引言

現(xiàn)代智能溫室環(huán)境控制系統(tǒng)受到越來(lái)越多的關(guān)注，與此相關(guān)的無(wú)線傳感器網(wǎng)絡(luò)信息融合技術(shù)更是得到了廣泛應(yīng)用[1-5]。無(wú)線傳感器網(wǎng)絡(luò)下智能溫室環(huán)境控制的核心是智慧管理和智能決策，即使用大量密集部署在溫室監(jiān)控區(qū)域的智能傳感器節(jié)點(diǎn)對(duì)溫室大棚內(nèi)溫濕度、光和有效輻射、二氧化碳、光照等小氣候環(huán)境參數(shù)數(shù)據(jù)進(jìn)行自動(dòng)采集和分析，以智能調(diào)控溫室達(dá)到適宜植物生長(zhǎng)的范圍。但是，由于受到外部環(huán)境和無(wú)線傳感器內(nèi)部構(gòu)造等多種因素的影響，傳感器測(cè)得的數(shù)據(jù)往往具有一定不確定性，而Dempster-Shafer(D-S)證據(jù)理論能夠?qū)ζ溥M(jìn)行有效處理，且具有很強(qiáng)的靈活性和可靠性，已被許多專家系統(tǒng)所應(yīng)用。盡管證據(jù)理論有許多優(yōu)點(diǎn)，但當(dāng)證據(jù)之間存在高度沖突時(shí)，D-S證據(jù)理論的處理結(jié)果往往與常理相悖。目前，解決證據(jù)沖突問(wèn)題主要有以下2類方法：①在不改變?nèi)诤弦?guī)則的前提下，對(duì)傳感器量測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，即采用剔除異常數(shù)據(jù)的方法或聚類分析，以減少數(shù)據(jù)波動(dòng)，從而使得數(shù)據(jù)在決策融合之前達(dá)到理想狀態(tài)降低證據(jù)沖突程度，提高融合精度[6-12]。雖然能從不同程度上減少證據(jù)沖突帶來(lái)的數(shù)據(jù)誤差，降低數(shù)據(jù)間波動(dòng)對(duì)融合結(jié)果的影響，但是它們幾乎都是剔除掉原始數(shù)據(jù)中存在的異常值，必然導(dǎo)致樣本數(shù)據(jù)減少，不利于提高后續(xù)的整體融合精度。②通過(guò)改進(jìn)證據(jù)理論融合規(guī)則以達(dá)到融合后置信函數(shù)的合理分配，或在融合之前選取各個(gè)證據(jù)最優(yōu)的信度函數(shù)[13-22]。當(dāng)證據(jù)間高度沖突或者完全沖突時(shí)，雖然修改證據(jù)理論融合規(guī)則可以使置信函數(shù)合理分配，但是這種做法有可能破壞證據(jù)融合中的交換律、結(jié)合律等優(yōu)良特性，不能真正達(dá)到降低沖突程度的目的。

上述兩類方法在處理決策融合時(shí)均具有一定局限性。本文結(jié)合它們各自優(yōu)點(diǎn)提出一種溫室環(huán)境控制決策融合框架。首先，使用箱線圖檢測(cè)出原始量測(cè)數(shù)據(jù)中存在的異常值；然后對(duì)其進(jìn)行預(yù)處理，提出一種異常數(shù)據(jù)自適應(yīng)修正算法以減少誤差，并對(duì)修正更新完成后的數(shù)據(jù)進(jìn)行系統(tǒng)聚類；最后，根據(jù)本文提出基于加權(quán)相似度的基本概率分配(Basic probability assignment, BPA)方法結(jié)合D-S證據(jù)理論進(jìn)行數(shù)據(jù)融合。

1 數(shù)據(jù)預(yù)處理

1.1 異常數(shù)據(jù)自適應(yīng)修正算法

一般地，傳感器測(cè)量數(shù)據(jù)往往都是隨機(jī)的且有可能存在異常值，是指測(cè)量數(shù)據(jù)集合中嚴(yán)重偏離大部分?jǐn)?shù)據(jù)所呈現(xiàn)趨勢(shì)的小部分?jǐn)?shù)據(jù)點(diǎn)，由于傳感器自身或數(shù)據(jù)傳輸?shù)脑?，使得測(cè)量數(shù)據(jù)序列中存在某些錯(cuò)誤的測(cè)量。數(shù)據(jù)中存在的異常值會(huì)使后續(xù)的決策融合結(jié)果嚴(yán)重偏離預(yù)想狀態(tài)，繼而產(chǎn)生較大誤差。常用檢測(cè)異常值的方法有3δ法則、狄克遜準(zhǔn)則和z分?jǐn)?shù)方法等。以上方法均是假定測(cè)量數(shù)據(jù)呈正態(tài)分布，而實(shí)際上它們的分布往往是未知的，此外，這些方法判斷異常值的標(biāo)準(zhǔn)是通過(guò)計(jì)算批量數(shù)據(jù)的均值和標(biāo)準(zhǔn)差來(lái)實(shí)現(xiàn)，但是以上2個(gè)統(tǒng)計(jì)量易受異常值約束，使得異常數(shù)據(jù)檢測(cè)率偏低。本文采用箱線圖檢測(cè)并對(duì)其自適應(yīng)修正。

定義1：箱線圖是用來(lái)體現(xiàn)數(shù)據(jù)分散情況的統(tǒng)計(jì)圖，可以表示數(shù)據(jù)的分布差異，它由5個(gè)數(shù)據(jù)統(tǒng)計(jì)量組成：最小值Xmin、下四分位數(shù)Q1、中位數(shù)Q2、上四分位數(shù)Q3、最大值Xmax。箱線圖結(jié)構(gòu)如圖1所示，紅色圓圈為異常值標(biāo)記。

圖1 箱線圖結(jié)構(gòu)Fig.1 Structure of box-plot

待統(tǒng)計(jì)數(shù)據(jù)按從小到大排列X:(x1,x2,…,xN)，中位數(shù)Q2定義為第50%數(shù)據(jù)，下四分位數(shù)Q1定義為第25%數(shù)據(jù)也可定義為[Xmin,Q2]的中位數(shù)，上四分位數(shù)Q3定義為第75%數(shù)據(jù)同理可定義為[Q2,Xmax]的分位數(shù)[9]。以6個(gè)數(shù)據(jù)為例，按其從小到大順序排列為x1,x2,…,x6，具體計(jì)算方法為：

Q1的位置

(1)

Q2的位置

(2)

Q3的位置

(3)

異常點(diǎn)的上下邊緣為

(4)

其中

IQR=Q3-Q2

式中IQ——Q1與Q3之間的距離FU——異常值上邊緣分界點(diǎn)FI——異常值下邊緣分界點(diǎn)

顯然，使用箱線圖對(duì)數(shù)據(jù)分布進(jìn)行描述，異常值清晰可見(jiàn)。其判斷標(biāo)準(zhǔn)是大于Q3+1.5IQR或者小于Q1-1.5IQR(即式(4)中β=3)，經(jīng)驗(yàn)表明該標(biāo)準(zhǔn)的選取在處理批量數(shù)據(jù)時(shí)有較高的魯棒性。相較于現(xiàn)有主流的3δ法則、狄克遜準(zhǔn)則等異常值檢測(cè)方法，箱線圖的優(yōu)勢(shì)在于它從實(shí)際數(shù)據(jù)出發(fā)，無(wú)需假設(shè)其統(tǒng)計(jì)分布，并且四分位數(shù)表示形式不易受異常數(shù)據(jù)影響。

針對(duì)異常數(shù)據(jù)的處理通常采用直接將其剔除的辦法，但是僅僅剔除異常值不但會(huì)使樣本數(shù)量減少，而且有可能使得每組數(shù)據(jù)的維數(shù)不盡相同，從而導(dǎo)致精度降低。因此，本文提出了一種基于專家系統(tǒng)的異常數(shù)據(jù)自適應(yīng)修正算法，能夠在不改變樣本數(shù)量的前提下通過(guò)對(duì)其進(jìn)行修正，提高批量數(shù)據(jù)的魯棒性。

在文獻(xiàn)[9]的溫室控制專家系統(tǒng)表中，4種決策分別對(duì)應(yīng)的環(huán)境參數(shù)為25.3、31.3、39.3、35.4℃，則所提出的算法根據(jù)以上均值進(jìn)行如下修正。

情況1：x1>xm，Δ=x1-xm

(5)

(6)

(7)

情況2：x1

(8)

(9)

(10)

式中x1——異常值xm——專家系統(tǒng)值——修正值

一般地，溫室大棚中的小氣候參數(shù)，如溫度、光照強(qiáng)度和二氧化碳體積分?jǐn)?shù)的原始量測(cè)數(shù)據(jù)(含異常值)范圍是在專家系統(tǒng)均值上下波動(dòng)不超過(guò)15 (不包括量綱)，只是溫度和光照強(qiáng)度波動(dòng)范圍會(huì)比二氧化碳體積分?jǐn)?shù)小一些。文中分3段依次對(duì)其進(jìn)行修正，其最終目的是讓異常值逐漸收斂于專家系統(tǒng)值。

情況1：異常值x1大于專家系統(tǒng)均值xm時(shí)，其差值記為Δ，為修正后值，當(dāng)Δ≤5時(shí)，則=x1-Δ/2，稱為1次收斂運(yùn)算；當(dāng)5<Δ≤10，對(duì)異常值進(jìn)行2次收斂運(yùn)算；當(dāng)5<Δ≤10，則對(duì)異常值進(jìn)行3次收斂運(yùn)算。

情況2：異常值x1小于專家系統(tǒng)均值xm時(shí)，其差值記為Δ，為修正后的值，當(dāng)Δ≤5時(shí)，=x1+Δ/2，同樣稱為一次收斂運(yùn)算；當(dāng)5<Δ≤10與5<Δ≤10時(shí)，與情況1一樣分別對(duì)異常值進(jìn)行2次、3次收斂運(yùn)算。當(dāng)所有異常值修正完成后，通過(guò)箱線圖觀察更新數(shù)據(jù)是否還有異常值，如果有，繼續(xù)對(duì)其進(jìn)行修正直至沒(méi)有異常值。本文研究表明，完成全部數(shù)據(jù)更新一般不超過(guò)3次迭代修正。

1.2 不同聚類準(zhǔn)則下的數(shù)據(jù)聚類融合

當(dāng)所有數(shù)據(jù)更新完成后，需要對(duì)個(gè)數(shù)較多且分散的數(shù)據(jù)聚類融合分析使之系統(tǒng)化。本文首先利用凝聚的層次聚類對(duì)數(shù)據(jù)處理，把每個(gè)數(shù)據(jù)作為一類，計(jì)算數(shù)據(jù)距離并根據(jù)類間距離進(jìn)行合并直至所有數(shù)據(jù)都?xì)w為一類。

(11)

由式(11)可得馬氏距離矩陣

(12)

根據(jù)式(12)中Dn(X)選取不同的距離準(zhǔn)則對(duì)修正后的數(shù)據(jù)進(jìn)行聚類：一是使用最小距離聚類準(zhǔn)則首先在Dn(X)中查找最小值，然后將距離最小的這2個(gè)數(shù)據(jù)進(jìn)行聚類得到新的一類值，再重新計(jì)算距離矩陣，依次聚類得到最終的聚類值。二是使用平均加權(quán)距離聚類準(zhǔn)則對(duì)分布密集的數(shù)據(jù)進(jìn)行聚類，繼而最終將其歸為一類。研究表明，2種距離準(zhǔn)則下的聚類結(jié)果基本一致，但使用加權(quán)平均距離可得到比最小距離更高的聚類精度，且更接近實(shí)際。

2 基于D-S證據(jù)理論的溫室環(huán)境控制決策融合

溫室環(huán)境控制系統(tǒng)的目的是根據(jù)農(nóng)作物實(shí)際生長(zhǎng)需求做出某種控制決策，但直接使用上述聚類融合處理后的數(shù)據(jù)仍然會(huì)因其本身所具有的不確定性而產(chǎn)生一定誤差，以致無(wú)法精確調(diào)控溫室達(dá)到適宜農(nóng)作物生長(zhǎng)的范圍。本文引入D-S證據(jù)理論來(lái)解決數(shù)據(jù)不確定性所產(chǎn)生的誤差而帶來(lái)的決策風(fēng)險(xiǎn)問(wèn)題。

2.1 經(jīng)典證據(jù)理論

D-S證據(jù)理論是將2個(gè)或多個(gè)基本概率分配函數(shù)通過(guò)理論規(guī)則融合成新的概率分配函數(shù)，并將其作為最終的決策依據(jù)，用以提高整個(gè)決策可靠性。

(1)基本概率分配函數(shù)(BPA)

在溫室環(huán)境控制系統(tǒng)中，假設(shè)所有可能的決策結(jié)果組成一個(gè)完備集合Θ，其中各個(gè)元素相互獨(dú)立。那么，Θ中各焦元的m函數(shù)分配定義為

m:2Θ→[0,1]

滿足

(13)

其中滿足m(Ai)>0的元素Ai稱為焦元,Ai(i=1,2，…,n)∈Θ。

(2)m函數(shù)合成規(guī)則

?Ai,Ai(i=1,2，…,n)∈Θ均不為空集，Θ上n個(gè)m函數(shù)m1,m2,…,mn的合成規(guī)則為

(14)

2.2 概率分配算法

當(dāng)證據(jù)之間存在高度沖突時(shí)，直接使用上述經(jīng)典證據(jù)理論有可能會(huì)偏離實(shí)際結(jié)果而做出錯(cuò)誤判斷。本文提出了一種基于加權(quán)相似度的概率分配算法。

在1.2節(jié)中得到的聚類值集合X表示為(x1,x2,…,xn)，專家系統(tǒng)均值集合ω表示為(ω1,ω2,…,ωn)，辨別框架Θ表示為(L1,L2,L3,L4)，其中Li(i=1,2,3,4)代表最終的4個(gè)決策內(nèi)容。以數(shù)據(jù)x1為例進(jìn)行分析，首先根據(jù)聚類值與系統(tǒng)均值之間的距離得出相似度，相似度越高說(shuō)明此數(shù)據(jù)的信任度越高、概率分配也越高，然后根據(jù)加權(quán)系數(shù)進(jìn)行調(diào)整。令ω1≤x1≤ω2，ω1和ω2分別對(duì)應(yīng)的決策為L(zhǎng)1和L2，分別計(jì)算x1與ω1、ω2的距離和相似度為

(15)

(16)

式中d1——x1與ω1的距離d2——x1與ω2的距離s1——x1與ω1的相似度s2——x1與ω2的相似度

由式(15)、(16)可知距離越小，兩者的相似度越大。如果d1>d2，則表明x1相較于ω1更接近ω2，對(duì)決策L2也更信任，則所提出的基本概率分配函數(shù)為

(17)

參數(shù)ρ1和ρ2的設(shè)定是為了避免信任度過(guò)大而偏離實(shí)際結(jié)果，實(shí)驗(yàn)表明ρ1=3、ρ2=5時(shí)結(jié)果最為精確。

3 實(shí)驗(yàn)結(jié)果與性能對(duì)比

實(shí)驗(yàn)采用文獻(xiàn)[9]中提到的溫度(℃)、光照度(klx)、二氧化碳體積分?jǐn)?shù)(μL/L)這3個(gè)環(huán)境參數(shù)，并選取早中晚6個(gè)時(shí)刻對(duì)以上3個(gè)參數(shù)進(jìn)行數(shù)據(jù)采集。每個(gè)時(shí)刻的每個(gè)參數(shù)各采集26個(gè)數(shù)據(jù)，記為X:(x1,x2,…,x26)，決策結(jié)果共分為4個(gè)：開(kāi)啟卷膜、開(kāi)啟卷膜和啟動(dòng)風(fēng)機(jī)、啟動(dòng)風(fēng)機(jī)與濕簾、無(wú)動(dòng)作，即D:(L1,L2,L3,L4)。最后，按照本文提出的方法在每個(gè)時(shí)刻對(duì)各個(gè)環(huán)境參數(shù)下的測(cè)量數(shù)據(jù)進(jìn)行聚類，并根據(jù)同一時(shí)刻的3個(gè)環(huán)境參數(shù)做出決策。

3.1 傳感器異常數(shù)據(jù)檢測(cè)及其修正

以傳感器采集到的溫度數(shù)據(jù)為例，圖2和圖3分別是6個(gè)時(shí)刻原始數(shù)據(jù)和修正后數(shù)據(jù)的箱線圖表示。由圖3可以看出，箱線圖的箱體寬度不一，中位數(shù)的位置也不同，這取決于測(cè)量數(shù)據(jù)的分散程度和傳感器的精確度，但是數(shù)據(jù)整體呈正態(tài)分布，中午溫度最高，早晨和傍晚溫度較低。顯然，圖中每個(gè)時(shí)刻原始溫度數(shù)據(jù)都存在異常值，而修正之后數(shù)據(jù)如圖3所示，可見(jiàn)修正后異常數(shù)據(jù)不復(fù)存在，且沒(méi)有改變?cè)紨?shù)據(jù)的統(tǒng)計(jì)分布。

圖2 原始溫度數(shù)據(jù)分布圖Fig.2 Distribution of raw temperature data

圖3 修正后的溫度數(shù)據(jù)分布圖Fig.3 Distribution of corrected temperature data

接下來(lái)，本文對(duì)箱線圖和狄克遜準(zhǔn)則的異常數(shù)據(jù)檢測(cè)率進(jìn)行對(duì)比，如圖4所示，由圖4可見(jiàn)，箱線圖的異常數(shù)據(jù)檢測(cè)率相比于狄克遜準(zhǔn)則提高了約19.2%，該方法更為有效。

圖4 異常數(shù)據(jù)檢測(cè)率Fig.4 Detection rate of outlier data

3.2 異常數(shù)據(jù)剔除、修正后的聚類結(jié)果對(duì)比

在加權(quán)平均距離準(zhǔn)則和最小距離準(zhǔn)則下對(duì)修正異常數(shù)據(jù)后與直接剔除異常數(shù)據(jù)后的聚類結(jié)果進(jìn)行對(duì)比(圖5和圖6)。特別在無(wú)線傳感器網(wǎng)絡(luò)下的智能溫室環(huán)境控制系統(tǒng)中，由于需要檢測(cè)和收集大量的傳感器量測(cè)數(shù)據(jù)，需要首先著重考慮異常數(shù)據(jù)的處理工作是否會(huì)影響溫室環(huán)境控制系統(tǒng)的穩(wěn)定性，因?yàn)樗窃u(píng)估系統(tǒng)性能的根本標(biāo)準(zhǔn)。相應(yīng)地，穩(wěn)定性就作為一個(gè)關(guān)鍵評(píng)價(jià)指標(biāo)被用來(lái)判定不同方法的性能。雖然直接剔除法減少了異常數(shù)據(jù)對(duì)環(huán)境控制決策所產(chǎn)生的不利影響，但是這種做法會(huì)造成后續(xù)聚類結(jié)果上下波動(dòng)，不僅有可能導(dǎo)致錯(cuò)誤的控制決策產(chǎn)生，而且更關(guān)鍵是增加了環(huán)境控制系統(tǒng)不穩(wěn)定的風(fēng)險(xiǎn)。由圖5、6可以得到，直接剔除異常值后的聚類值雖然接近專家系統(tǒng)值(因其直接剔除掉異常數(shù)據(jù)這一不利因素)，但是相對(duì)于專家系統(tǒng)值波動(dòng)過(guò)大，極其不穩(wěn)定。而修正后的聚類值則完全根據(jù)專家系統(tǒng)值的變化而變化，也就是它們的聚類趨向一致，性能也更為穩(wěn)定。實(shí)際的智能溫室控制系統(tǒng)中分布著大量的傳感器，則使用剔除法勢(shì)必會(huì)帶來(lái)更大的聚類性能波動(dòng)，從而嚴(yán)重影響控制系統(tǒng)的穩(wěn)定性，因此本文提出的自適應(yīng)修正的方法更為穩(wěn)健和優(yōu)異。

圖5 加權(quán)平均距離準(zhǔn)則下異常數(shù)據(jù)剔除、修正后的聚類結(jié)果對(duì)比Fig.5 Clustering comparison after removing or correcting outliers using weighted average distance

圖6 最小距離準(zhǔn)則下異常值剔除、修正后的聚類結(jié)果對(duì)比Fig.6 Clustering comparison after removing or correcting outliers using minimum distance

3.3 異常數(shù)據(jù)修正后不同距離準(zhǔn)則下的聚類性能評(píng)估

此外，還對(duì)異常數(shù)據(jù)修正后2種不同距離準(zhǔn)則下的聚類結(jié)果進(jìn)行對(duì)比(圖7)，由圖7可得，使用平均加權(quán)距離更接近專家系統(tǒng)值。這是因?yàn)楫惓Ｖ敌拚蟮拇蟛糠謹(jǐn)?shù)據(jù)都與專家系統(tǒng)值相差無(wú)幾且分布較為密集，在平均加權(quán)距離準(zhǔn)則下對(duì)分布居中的數(shù)據(jù)進(jìn)行聚類，能夠使其信任度升高。而在最小距離準(zhǔn)則下其聚類結(jié)果有可能受到分散數(shù)據(jù)的影響，因此需要首先對(duì)離散點(diǎn)進(jìn)行聚類，但這樣處理會(huì)加大離散點(diǎn)的信任度。顯然，使用平均加權(quán)距離準(zhǔn)則對(duì)異常值修正后的數(shù)據(jù)進(jìn)行聚類更符合實(shí)際。

圖7 兩種不同距離準(zhǔn)則下異常數(shù)據(jù)修正后的聚類結(jié)果對(duì)比Fig.7 Clustering comparison after correcting outliers using two different distances

修正異常值后的數(shù)據(jù)在2種距離準(zhǔn)則下的聚類性能對(duì)比如圖8所示，由圖8可以看出，加權(quán)平均距離下的聚類性能較為穩(wěn)定且總體高于最小距離下的聚類性能。這里特別注意的是，雖然最小距離相較于加權(quán)平距離下的聚類性能相差不大(在0.1以內(nèi))，但是前者明顯波動(dòng)較大，其聚類結(jié)果不夠可靠，顯然不能被后續(xù)融合處理所采用。以上性能對(duì)比結(jié)果分析再次印證了修正數(shù)據(jù)聚類使用加權(quán)平均距離準(zhǔn)則比最小距離準(zhǔn)則魯棒性更高，適用性更強(qiáng)。

圖8 兩種不同距離準(zhǔn)則下異常數(shù)據(jù)修正后的聚類性能對(duì)比Fig.8 Comparison of clustering performance after correcting outliers using two different distances

3.4 決策融合結(jié)果對(duì)比及其性能評(píng)估

為了驗(yàn)證所提出基于加權(quán)相似度概率分配函數(shù)對(duì)于溫室環(huán)境控制決策融合的有效性，本文與文獻(xiàn)[9]提出的決策融合方法進(jìn)行了對(duì)比分析。依次選取了4組數(shù)據(jù)進(jìn)行基本概率分配實(shí)驗(yàn)，2種方法的概率分配分別如表1和表2所示，其決策融合對(duì)比結(jié)果見(jiàn)表3。從表1、2可以看出，2種方法的基本可信度分配效果一致，其中t、c、i分別代表溫度、光照度、二氧化碳體積分?jǐn)?shù)，但是，文獻(xiàn)[9]提出的方法(采用均值劃分)中不確定的基本概率分配全部為默認(rèn)的0.1(表1)。但由于每個(gè)時(shí)刻不同溫室環(huán)境參數(shù)下的數(shù)據(jù)不同，傳感器精度也不同，不確定的基本概率分配也必然不同，那么顯然該方法并不符合實(shí)際。

表1 基本均值劃分的概率分配表Tab.1 Probability allocation of basic mean division

表2 基于加權(quán)相似度的概率分配表Tab.2 Probability allocation based on weighted similarity

對(duì)比表1、表2中提出的基于加權(quán)相似度的概率分配方法，能夠根據(jù)實(shí)際情況嚴(yán)格按照更新數(shù)據(jù)與專家系統(tǒng)值進(jìn)行對(duì)比加權(quán)，從而大大減少了經(jīng)驗(yàn)選取所帶來(lái)的風(fēng)險(xiǎn)。此外，本文的方法相比文獻(xiàn)[9]中的方法不但在不確定的基本信度分配上降低了1～2個(gè)數(shù)量級(jí)，而且有效地減小了數(shù)據(jù)間的沖突程度，使得同一樣本間各環(huán)境參數(shù)信任度高度匹配。

本文對(duì)兩種方法中證據(jù)理論融合后的概率分配進(jìn)行比較(表3)，可以看出，相比于文獻(xiàn)[9]，本文的方法提高了判斷精度使得決策結(jié)果更加準(zhǔn)確。特別注意的是，文獻(xiàn)[9]中基于平均劃分的融合結(jié)果表明其不確定性融合精度為10-3，而從本文提出的基于加權(quán)相似度融合結(jié)果中可以觀察到不確定性融合精度降為10-4或10-5，可見(jiàn)融合后的不確定性大幅度降低(即1～2個(gè)數(shù)量級(jí))，表現(xiàn)了極快的收斂速度。

表3 兩種方法的融合結(jié)果對(duì)比Tab.3 Comparison of fusion results in two approaches

4 結(jié)論

(1)通過(guò)采用箱線圖法檢測(cè)原始數(shù)據(jù)的異常值，可以達(dá)到比現(xiàn)有方法更高的檢測(cè)率，最高可以達(dá)到22.3%。

(2)在不改變樣本數(shù)量的前提下，提出了一種異常數(shù)據(jù)自適應(yīng)修正算法，有效降低了異常數(shù)據(jù)對(duì)聚類性能的影響，且修正后的數(shù)據(jù)聚類使用加權(quán)平均距離準(zhǔn)則比最小距離準(zhǔn)則穩(wěn)定性更強(qiáng)。

(3)為了使基本概率分配更加合理，提出了一種基于加權(quán)相似度的函數(shù)方法，并將此方法應(yīng)用在溫室環(huán)境控制決策融合中。實(shí)驗(yàn)對(duì)比結(jié)果表明，本文提出的方法簡(jiǎn)單有效，不但能夠?qū)⒆C據(jù)的不確定程度降低1～2個(gè)數(shù)量級(jí)，而且有效地降低了數(shù)據(jù)之間的沖突程度，有利于快速做出正確決策。

1 李昌璽, 周焰, 林菡, 等. 考慮傳感器置信度的改進(jìn)D-S證據(jù)合成算法[J]. 解放軍理工大學(xué):自然科學(xué)版, 2017, 18(1): 81-86. LI Changxi, ZHOU Yan, LIN Han, et al. Improved D-S evidence combination rule based on reliability of sensors[J]. Journal of PLA University of Science and Technology: Natural Science Edition, 2017, 18(1): 81-86.(in Chinese)

2 鄧雪峰, 孫瑞志, 聶娟, 等. 基于時(shí)間自動(dòng)機(jī)的溫室環(huán)境監(jiān)控物聯(lián)網(wǎng)系統(tǒng)建模[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(7): 301-308.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160741&flag=1.DOI：10.6041/j.issn.1000-1298.2016.07.041. DENG Xuefeng, SUN Ruizhi, NIE Juan, et al. Greenhouse environment monitoring IOT system modeling based on timed automata[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7): 301-308.(in Chinese)

3 郭文川, 程寒杰, 李瑞明, 等. 基于無(wú)線傳感器網(wǎng)絡(luò)的溫室環(huán)境信息監(jiān)測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(7): 181-185. GUO Wenchuan, CHENG Hanjie, LI Ruiming, et al. Greenhouse monitoring system based on wireless sensor networks[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(7): 181-185.(in Chinese)

4 何東健, 鄒志勇, 周曼. 果園環(huán)境參數(shù)遠(yuǎn)程檢測(cè)WSN網(wǎng)關(guān)節(jié)點(diǎn)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2010, 41(6): 182-186. HE Dongjian, ZOU Zhiyong, ZHOU Man. Design of WSN gateway notes for remote detection of orchards environment parameters[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(6): 182-186.(in Chinese)

5 李莉, 李海霞, 劉卉. 基于無(wú)線傳感器網(wǎng)絡(luò)的溫室環(huán)境監(jiān)測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(增刊): 228-231. LI Li, LI Haixia, LIU Hui. Greenhouse environment monitoring system based on wireless sensor network[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(Supp.): 228-231. (in Chinese)

6 蔡振江, 康健一, 張青, 等. 數(shù)據(jù)融合技術(shù)在溫室溫度檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2006, 37(10): 101-103. CAI Zhenjiang, KANG Jianyi, ZHANG Qing, et al. Application of multi-sensor data fusion in greenhouse temperature test system[J]. Transactions of the Chinese Society for Agricultural Machinery, 2006, 37(10): 101-103. (in Chinese)

7 溫靜, 程茂. 多傳感器數(shù)據(jù)融合技術(shù)在溫室控制中的應(yīng)用[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào), 2015, 38(4): 111-115. WEN Jing, CHENG Mao. Application of multi-sensor data fusion technique in greenhouse control[J]. Journal of Agricultural University of Hebei, 2015, 38(4): 111-115.(in Chinese)

8 駱盈盈, 陳川, 毛云芳. 基于傳感器網(wǎng)絡(luò)的K-均值聚類算法研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2007, 28(6): 1349-1351. LUO Yingying, CHEN Chuan, MAO Yunfang. Research on K-means clustering arithmetic based on sensor networks[J]. Computer Engineering and Design, 2007, 28(6): 1349-1351.(in Chinese)

9 王俊, 劉剛. 融合粗糙集和證據(jù)理論的溫室環(huán)境控制推理決策方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(17): 172-178. WANG Jun, LIU Gang. Decision-making method based on rough set and evidential theory for greenhouse environmental control[J]. Transactions of the CSAE, 2012, 28(17): 172-178．(in Chinese)

10 熊迎軍, 沈明霞, 陸明洲, 等. 溫室無(wú)線傳感器網(wǎng)絡(luò)系統(tǒng)實(shí)時(shí)數(shù)據(jù)融合算法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(23): 160-166. XIONG Yingjun, SHEN Mingxia, LU Mingzhou, et al. Algotithm of real time data fusion for greenhouse WSN system[J]. Transactions of the CSAE, 2012, 28(23): 160-166.(in Chinese)

11 宋慶恒, 劉英德, 馬源, 等. 基于多傳感器數(shù)據(jù)融合的溫室溫濕度控制系統(tǒng)設(shè)計(jì)[J]. 江蘇農(nóng)業(yè)科學(xué)， 2015，43(6)：394-396.

12 李富娟, 李仕華, 趙新遠(yuǎn), 等. 溫室控制系統(tǒng)多傳感器數(shù)據(jù)融合方法的設(shè)計(jì)[J]. 湖北農(nóng)業(yè)科學(xué), 2016(16)： 4287-4289. LI Fujuan, LI Shihua,ZHAO Xinyuan, et al. Design of multi-sensor data fusion algorithm of greenhouse control system[J]. Hubei Agricultural Sciences, 2016(16): 4287-4289.(in Chinese)

13 YANG Y, HAN D, DEZERT J, et al. Comparative study of focal distance measures in theory of belief functions[C]∥2016 19th International Conference on Information Fusion, IEEE, 2016:1308-1315.

14 SHANNON C E. A mathematical theory of communication. AT&T tech J[J]. ACM Sigmobile Mobile Computing & Communications Review, 2001, 5(1): 3-55.

15 DENG Y. Entropy: a generalized shannon entropy to measure uncertainty[J]. 2015. Available online: http:∥vixra.org/abs/1502.0222.

16 WANG J, XIAO F, DENG X, et al. Weighted evidence combination based on distance of evidence and entropy function[J]. International Journal of Distributed Sensor Networks, 2016, 12(7): 3218784-3218784.

17 WANG J, QIAO K, ZHANG Z, et al. A new conflict management method in Dempster-Shafer theory[J]. International Journal of Distributed Sensor Networks, 2017: 1769650.

18 曹建福, 曹雯. 基于改進(jìn)證據(jù)理論的大型制造裝備故障診斷[J]. 振動(dòng)、測(cè)試與診斷, 2012, 32(4): 532-537.

19 劉海波, 殷越, 艾永樂(lè). 基于D-S證據(jù)理論的瓦斯突出危險(xiǎn)等級(jí)評(píng)判策略[J]. 濟(jì)南大學(xué)學(xué)報(bào): 自然科學(xué)版, 2017, 31(1): 73-76. LIU Haibo, YIN Yue, AI Yongle. Evaluation strategy of gas outburst risk level based on D-S evidence theory[J]. Journal of University of Ji’nan: Science and Technology, 2017, 31(1): 73-76.(in Chinese)

20 李文立, 郭凱紅. D-S證據(jù)理論合成規(guī)則及沖突問(wèn)題[J]. 系統(tǒng)工程理論與實(shí)踐, 2010, 30(8): 1422-1432. LI Wenli, GUO Kaihong. Combination rules of D-S evidence theory and conflict problem [J]. Systems Engineering-Theory & Practice, 2010, 30(8): 1422-1432.(in Chinese)

21 蔣黎明, 何加浪, 張宏. D-S證據(jù)理論中一種新的沖突證據(jù)融合方法[J]. 計(jì)算機(jī)科學(xué), 2011, 38(4): 236-238. JIANG Liming, HE Jialang, ZHANG Hong. New fusion approach for conflicting evidence in D-S theory of evidence[J]. Computer Science, 2011, 38(4): 236-238.(in Chinese)

22 安春蓮, 黃靜, 吳耀云. 基于證據(jù)理論的多源信息融合模型[J]. 電子信息對(duì)抗技術(shù), 2017, 32(1): 23-26. AN Chunlian, HUANG Jing, WU Yaoyun. A multi-source information fusion model based on evidence theory[J]. Electronic Information Warfare Technology, 2017, 32(1): 23-26.(in Chinese)

23 LIU Z, PAN Q, DEZERT J. Classifier fusion based on cautious discounting of beliefs[C]∥International Conference on Information Fusion, IEEE, 2016.