劉冬樂(lè)，高春艷，李滿宏，張明路，陶 淵

河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300401

石化?；返男孤﹪?yán)重危害公共安全，對(duì)氣味源的識(shí)別尤為重要，氣味源的識(shí)別是實(shí)現(xiàn)快速定位關(guān)鍵步驟。目前研究成果大都側(cè)重于單類(lèi)傳感器通過(guò)模仿生物行為識(shí)別泄漏源，Hayes等[1]首次提出主動(dòng)嗅覺(jué)概念，文獻(xiàn)[2-5]應(yīng)用仿生嗅覺(jué)對(duì)泄漏源識(shí)別，但嗅覺(jué)識(shí)別時(shí)間長(zhǎng)，效率低；Ishida、Jiang 等[6-9]通過(guò)提取顏色、外形等視覺(jué)特征，識(shí)別泄漏源，很顯然視覺(jué)只能識(shí)別泄漏本體外形特征，對(duì)于判定是否泄漏還有待提高；少數(shù)研究者[10-11]應(yīng)用嗅覺(jué)和視覺(jué)傳感器進(jìn)行識(shí)別，盡管取得了一定成果，但只是將兩種識(shí)別結(jié)果進(jìn)行簡(jiǎn)單的切換處理，并沒(méi)有實(shí)現(xiàn)真正意義的融合。泄漏環(huán)境復(fù)雜多變，存在多種介質(zhì)干擾，單類(lèi)傳感器已無(wú)法滿足氣味源識(shí)別決策要求，事實(shí)上，人類(lèi)在泄漏環(huán)境中通過(guò)嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)多感官模態(tài)切換[12-15]，能夠快速、準(zhǔn)確識(shí)別泄漏源。因此通過(guò)模仿人類(lèi)多感知識(shí)別機(jī)制[16]，在泄漏源識(shí)別決策系統(tǒng)中應(yīng)用多傳感器合作識(shí)別，能夠改善多重影響因素導(dǎo)致單類(lèi)傳感器帶來(lái)的不確定性。對(duì)于多傳感器信息則需采取一系列信息數(shù)據(jù)融合方法進(jìn)行處理以提高數(shù)據(jù)的可靠性，典型融合方法包括估計(jì)方法、分類(lèi)方法、推理方法和人工智能方法[17]，其中Dempster-Shafer（D-S）算法作為推理方法中的典型代表，用于解決定性問(wèn)題量化的不確定性和信息數(shù)據(jù)的模糊性，廣泛應(yīng)用于多傳感器決策層融合。

為了提高泄漏源識(shí)別的可靠性和準(zhǔn)確性，本文提出一種改進(jìn)D-S 算法的多感知泄漏源識(shí)別方法。該方法通過(guò)模仿人類(lèi)識(shí)別機(jī)制，以嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)傳感器識(shí)別信度作為證據(jù)源，同時(shí)引入?yún)⒖甲C據(jù)，結(jié)合Jousselme距離為證據(jù)源分配權(quán)重，解決經(jīng)典D-S算法“一票否決”的局限性，減弱單類(lèi)傳感器對(duì)識(shí)別環(huán)境的依賴(lài)。

1 多感知泄漏源識(shí)別

氣體泄漏環(huán)境多相介質(zhì)彌漫且存在多重影響因素，人類(lèi)進(jìn)入泄漏環(huán)境通過(guò)視覺(jué)探測(cè)位置、輔以嗅覺(jué)和聽(tīng)覺(jué)進(jìn)行搜尋定位，在這個(gè)過(guò)程中大腦相當(dāng)于一個(gè)信息融合綜合處理器，對(duì)來(lái)自嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)三種通道的識(shí)別結(jié)果進(jìn)行融合處理，進(jìn)而做出決策。因此，人類(lèi)通過(guò)嗅視聽(tīng)多感官模態(tài)切換與信息融合可在復(fù)雜泄漏環(huán)境中快速、準(zhǔn)確識(shí)別泄漏源。如圖1所示，通過(guò)采用嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)三種傳感器對(duì)泄漏源進(jìn)行識(shí)別，同時(shí)，應(yīng)用多感知信息融合技術(shù)綜合處理氣體傳感器、可見(jiàn)光/紅外攝像機(jī)、麥克風(fēng)陣列等獲取的本征模態(tài)信息，可實(shí)現(xiàn)復(fù)雜環(huán)境下氣味源的精準(zhǔn)識(shí)別，有效提高氣味源識(shí)別的魯棒性和準(zhǔn)確性。

圖1 多感知泄漏源識(shí)別算法模型Fig.1 Algorithm model of multi-perception leakage source identification

將嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)三種識(shí)別信息進(jìn)行有效融合得到可靠結(jié)果是實(shí)現(xiàn)多感知泄漏源識(shí)別的核心。多傳感器信息融合技術(shù)是利用信息互補(bǔ)性將分布在不同位置，處于不同狀態(tài)的多個(gè)同類(lèi)或不同類(lèi)型的傳感器所提供的局部不完整觀察量加以綜合處理，以形成對(duì)系統(tǒng)環(huán)境相對(duì)完整一致的理解，從而提高決策準(zhǔn)確性和可靠性。在融合過(guò)程中，按照信息處理層次可分為數(shù)據(jù)級(jí)、特征級(jí)和決策級(jí)融合三類(lèi)。對(duì)于泄漏源識(shí)別，考慮本文是對(duì)嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)三種識(shí)別結(jié)果進(jìn)行融合，因此采用決策級(jí)融合。D-S證據(jù)理論是決策級(jí)融合的典型方法，但當(dāng)某一識(shí)別主體失效時(shí)，即存在證據(jù)沖突，會(huì)出現(xiàn)“一票否決”的現(xiàn)象，因此需要對(duì)D-S算法進(jìn)行適當(dāng)改進(jìn)。

2 D-S證據(jù)理論及其改進(jìn)

目前研究對(duì)導(dǎo)致D-S 證據(jù)理論出現(xiàn)高沖突的原因并沒(méi)有統(tǒng)一的說(shuō)法，主要解決方法包括調(diào)整組合規(guī)則、修改證據(jù)源、修改證據(jù)源和組合規(guī)則三類(lèi)[18]。孫權(quán)、孫貴東等[19-20]是第一類(lèi)的典型代表，但所提方法容易喪失一些數(shù)學(xué)特性；文獻(xiàn)[21-24]對(duì)證據(jù)源進(jìn)行修正，保留了組合規(guī)則的數(shù)學(xué)特性，具有較好的融合效果，但缺乏對(duì)獨(dú)立識(shí)別焦元下各識(shí)別主體的關(guān)聯(lián)性，即缺乏對(duì)全局?jǐn)?shù)據(jù)的評(píng)判。綜合來(lái)看，修改證據(jù)源更符合實(shí)際運(yùn)用，但需要進(jìn)行適應(yīng)性改進(jìn)。

2.1 D-S證據(jù)理論

D-S理論用“識(shí)別框架”Θ表示感興趣的命題集，定義集函數(shù)m:2Θ→[0,1]，且滿足條件：

式中m為基本概率函數(shù)，又稱(chēng)信度函數(shù)；m(A)為識(shí)別焦元A的基本概率賦值，其大小代表了對(duì)識(shí)別焦元A的信任程度。

如果將命題看作識(shí)別框架Θ上的元素，且存在兩個(gè)證據(jù)e1和e2，對(duì)應(yīng)基本概率分配為m1和m2，對(duì)應(yīng)焦元為A1,A2,…,Ak和B1,B2,…,BL，則證據(jù)e1和e2的合成公式為：

對(duì)于多個(gè)證據(jù)融合，將式（3）進(jìn)行推廣，令m1,m2,…,mn分別表示n個(gè)信息的概率分配，則融合后的信度函數(shù)m=m1⊕m2⊕…⊕mn可用式（4）表示：

融合后的結(jié)果需遵循判決準(zhǔn)則：（1）m(Aξ)=max{m(Ai)}，即具有最大信度的焦元是目標(biāo)類(lèi)；（2）m(Aξ)-m(Ai)＞ε1(ε1＞0)，即識(shí)別目標(biāo)與其他焦元的信任度差值必須大于某一門(mén)限；（3）m(Aξ)-m(Φ)＞ε2(ε2＞0)，即識(shí)別目標(biāo)的信度必須大于不確定焦元的信度值；（4）m(Φ)＜θ(θ ＞0)，即對(duì)識(shí)別主體的不確定性不能太大，否則視為無(wú)效結(jié)果。

2.2 改進(jìn)D-S算法

2.2.1 算法主要思想

目前D-S 改進(jìn)方法多數(shù)對(duì)獨(dú)立識(shí)別主體證據(jù)源進(jìn)行處理，即將識(shí)別主體證據(jù)源看成高維向量，通過(guò)賦予相應(yīng)的權(quán)重系數(shù)解決沖突問(wèn)題，但未討論數(shù)據(jù)的縱向關(guān)聯(lián)性，缺乏對(duì)獨(dú)立識(shí)別焦元下各識(shí)別主體間的關(guān)聯(lián)分析。本文通過(guò)對(duì)各識(shí)別主體獨(dú)立焦元賦予權(quán)重，建立各目標(biāo)識(shí)別主體之間的關(guān)聯(lián)，引入?yún)⒖甲C據(jù)，同時(shí)采用Jousselme 距離表示證據(jù)源與參考證據(jù)間的關(guān)聯(lián)程度，加以修正證據(jù)源，使得更加高效、全面的利用證據(jù)源信息，能夠有效解決經(jīng)典D-S算法證據(jù)沖突問(wèn)題，如圖2所示為算法流程圖。

圖2 改進(jìn)D-S算法流程圖Fig.2 Flow chart of improved D-S algorithm

2.2.2 算法形式化描述

設(shè)識(shí)別框架Θ={θ1,θ2,…,θk} ，證據(jù)e1,e2,…,ei對(duì)應(yīng)的BPA為m1,m2,…,mi。具體融合步驟如下：

（1）計(jì)算平均證據(jù)及各證據(jù)與平均證據(jù)間的距離

式中，i=1,2,…,n，di′(θk)為識(shí)別焦元θk下證據(jù)mi與平均證據(jù)m′間的距離，距離越大代表兩證據(jù)間的關(guān)聯(lián)度越小。

（2）計(jì)算初始權(quán)重系數(shù)及參考證據(jù)

為使得高信任度證據(jù)獲得高權(quán)重系數(shù)，構(gòu)造函數(shù)Proi使得證據(jù)所獲得的權(quán)重系數(shù)與距離di′成反比，同時(shí)定義在識(shí)別焦元θk下各證據(jù)的初始權(quán)重系數(shù)ωi，以識(shí)別焦元為參考對(duì)象獲取初始權(quán)重系數(shù)：

（3）計(jì)算證據(jù)源與參考證據(jù)間的距離

通過(guò)Jousselme距離公式測(cè)量證據(jù)源與參考證據(jù)間的差異，公式如下：

（4）構(gòu)造關(guān)聯(lián)度函數(shù)并修正權(quán)重系數(shù)

由式（9）可知，d0i越大表明兩證據(jù)間關(guān)聯(lián)度越小，因此定義關(guān)聯(lián)度函數(shù)r0i，且滿足條件：①0 ≤r0i≤1；②關(guān)于兩證據(jù)間距離d0i單調(diào)遞減的函數(shù)。

式中，r0i為反映兩證據(jù)間的關(guān)聯(lián)程度，越大代表關(guān)聯(lián)程度越高。

其次，將證據(jù)源與參考證據(jù)間的關(guān)聯(lián)度作為評(píng)判標(biāo)準(zhǔn)，以各識(shí)別通道為參考對(duì)象修正各證據(jù)的權(quán)重系數(shù)：

將新證據(jù)mnew作為證據(jù)源，根據(jù)公式（4）進(jìn)行n-1 次融合得到最終結(jié)果。

3 算例驗(yàn)證

設(shè)定識(shí)別框架Θ={θ1,θ2,θ3}，其中θ1表示目標(biāo)主體泄漏，θ2表示目標(biāo)主體未泄漏，θ3表示識(shí)別結(jié)果不確定，設(shè)定判決準(zhǔn)則ε1=ε2=0.1，應(yīng)用多感知移動(dòng)機(jī)器人進(jìn)行泄漏源識(shí)別，可得到3條證據(jù)，結(jié)合文獻(xiàn)[25]中的算例，嗅覺(jué)(e1)、視覺(jué)(e2)和聽(tīng)覺(jué)(e3)傳感器提供的識(shí)別信度如表1所示。

表1 基本概率分配函數(shù)Table 1 Basic probability distribution function

3.1 各識(shí)別通道數(shù)據(jù)正常

根據(jù)上節(jié)所述方法對(duì)3 條證據(jù)進(jìn)行融合計(jì)算。根據(jù)式（5）求得平均證據(jù)e～=[0.673 3,0.193 3,0.133 3] ，進(jìn)而根據(jù)式（6）、式（7）計(jì)算初始權(quán)重系數(shù)：

通過(guò)初始權(quán)重系數(shù)求得參考證據(jù)e′=[0.677 9,0.213 8,0.119 9]。

根據(jù)Jousselme 距離公式（8）計(jì)算證據(jù)源與參考證據(jù)間的距離，由式（10）、式（11）修正各個(gè)證據(jù)所對(duì)應(yīng)的權(quán)重系數(shù)如表2所示。

表2 證據(jù)源對(duì)應(yīng)權(quán)重系數(shù)Table 2 Weight coefficient corresponding to evidence source

其次根據(jù)公式（12）計(jì)算新證據(jù)，應(yīng)用D-S融合法則對(duì)新證據(jù)進(jìn)行融合3次，得到融合結(jié)果如表3所示。

表3 融合結(jié)果Table 3 Fusion results

如圖3 所示為融合識(shí)別信度與單識(shí)別通道識(shí)別信度的對(duì)比圖。由結(jié)果可知，融合信度最高為0.968 9（泄漏），相比下一項(xiàng)0.023 9（未泄漏）的差值為0.945 0，判斷識(shí)別結(jié)果為泄漏，相比單通道識(shí)別信度分別提高了42.5%、51.2%、38.4%，降低了單通道識(shí)別的不確定性，提高了識(shí)別信度。

圖3 融合識(shí)別與單通道識(shí)別對(duì)比圖Fig.3 Comparison of fusion recognition and single channel recognition

3.2 某識(shí)別通道數(shù)據(jù)異常

嗅覺(jué)、視覺(jué)和聽(tīng)覺(jué)三種傳感器在識(shí)別過(guò)程中易受到風(fēng)速、光照、遮擋、噪聲等多重因素的影響，導(dǎo)致識(shí)別失效或提供錯(cuò)誤證據(jù)。為了驗(yàn)證算法在泄漏源識(shí)別中的可靠性，假設(shè)在泄漏源識(shí)別過(guò)程中某識(shí)別通道提供了錯(cuò)誤證據(jù)，根據(jù)公式（4）～（12）進(jìn)行融合計(jì)算，沖突證據(jù)及融合結(jié)果如表4 所示。由結(jié)果可知，對(duì)于第1 組和第2組沖突數(shù)據(jù)，相比單通道識(shí)別的最高信度分別提高了6.6%和14.3%；對(duì)于第3 組沖突數(shù)據(jù)，由于證據(jù)e3對(duì)θ2支持度為100%，導(dǎo)致融合信度有所下降，但依然能識(shí)別正確命題。

表4 三組沖突證據(jù)及融合結(jié)果Table 4 Three groups of conflict evidence and fusion results

為進(jìn)一步驗(yàn)證本文算法在處理沖突證據(jù)的優(yōu)越性，通過(guò)擴(kuò)展識(shí)別焦元及增加證據(jù)數(shù)量，引入文獻(xiàn)[25]中兩個(gè)錯(cuò)誤數(shù)據(jù)時(shí)的沖突證據(jù)、文獻(xiàn)[26]中虹膜識(shí)別數(shù)據(jù)、文獻(xiàn)[27]中例5 三種沖突數(shù)據(jù)，并與經(jīng)典算法進(jìn)行對(duì)比分析，融合結(jié)果如表5 所示，其中算法運(yùn)行時(shí)間為在MATLAB2016b 中程序運(yùn)行時(shí)間。根據(jù)第一組融合結(jié)果，當(dāng)融合沖突證據(jù)e′2時(shí)，D-S算法給予識(shí)別焦元A零信度，反而給予C高信度概率，究其原因D-S 算法存在“一票否決”的局限性，導(dǎo)致融合有悖于常理的結(jié)果；同樣，Yager 算法針對(duì)沖突證據(jù)同樣賦予A零信度，與經(jīng)典D-S不同的是，該算法將沖突證據(jù)的更多信度賦予了不確定命題，很顯然不能準(zhǔn)確地給出識(shí)別結(jié)果；Murphy算法能夠很好地處理沖突證據(jù)，相比前兩者能夠給出準(zhǔn)確的識(shí)別結(jié)果，但該算法只是簡(jiǎn)單的對(duì)初始證據(jù)算數(shù)平均后進(jìn)行組合，缺乏證據(jù)源的全局性，故融合結(jié)果對(duì)A的信任度不是很高；文獻(xiàn)[26]、文獻(xiàn)[27]和本文算法都能給出準(zhǔn)確的識(shí)別結(jié)果，而且提高了對(duì)A的信度值。從三組沖突數(shù)據(jù)來(lái)看，在處理沖突數(shù)據(jù)時(shí)Yager 算法將更多的置信度賦予了不確定命題，顯然不能給出正確的識(shí)別結(jié)果；Murphy 算法和文獻(xiàn)[26]能夠較好地處理沖突數(shù)據(jù)，并給出正確的識(shí)別結(jié)果，但置信度有待提高；文獻(xiàn)[27]和本文算法都能夠很好地處理沖突數(shù)據(jù)，在前兩組沖突數(shù)據(jù)中，文獻(xiàn)[27]表現(xiàn)較好，以高置信度給予正確命題，但計(jì)算過(guò)程復(fù)雜，算法運(yùn)行時(shí)間較長(zhǎng)，綜合來(lái)看，本文算法在處理沖突證據(jù)時(shí)性能較好。

表5 不同算法處理沖突證據(jù)融合結(jié)果Table 5 Fusion results of conflict evidence processed by different algorithms

為了更直觀地體現(xiàn)本文算法在處理證據(jù)沖突時(shí)的優(yōu)越性，繪制第一組沖突數(shù)據(jù)與本文算法融合結(jié)果的對(duì)比圖及六種算法對(duì)識(shí)別焦元A的融合過(guò)程圖，如圖4和圖5所示。圖4中兩組沖突證據(jù)e′2、e′5均對(duì)A給予極低的置信度，即k→1，反觀融合結(jié)果能夠正確識(shí)別焦元A，并且給予較高的置信度，相比沖突證據(jù)置信度提高了73%、62%。由圖5可知，在第一次融合沖突證據(jù)時(shí)經(jīng)典D-S算法和Yager算法均失效，兩條曲線高度重合，無(wú)論后面的證據(jù)對(duì)A的信任度多大，都不能改變零信度結(jié)果；另外四種算法都能給出準(zhǔn)確識(shí)別命題，可以看出Murphy 算法和文獻(xiàn)[26]融合結(jié)果與起始點(diǎn)信度基本持平，識(shí)別置信度較低；文獻(xiàn)[27]和本文算法均以高信度識(shí)別準(zhǔn)確命題，但在融合沖突證據(jù)過(guò)程中可以看出本文算法并沒(méi)有降低對(duì)A的信度值，這是因?yàn)橐雲(yún)⒖甲C據(jù)后，削弱了沖突證據(jù)的影響，增強(qiáng)了融合過(guò)程的魯棒性，并且融合過(guò)程更加穩(wěn)定，相比Murphy算法、文獻(xiàn)[26]融合信度提高了33%、48%；綜合來(lái)看，本文算法在處理證據(jù)沖突時(shí)具有一定的優(yōu)越性。

圖4 證據(jù)源與融合結(jié)果對(duì)比圖Fig.4 Comparison chart of evidence sources and fusion results

圖5 不同算法對(duì)m(A)的融合過(guò)程Fig.5 Fusion process of different algorithms for m(A)

4 結(jié)束語(yǔ)

本文對(duì)仿人多感知泄露源識(shí)別方法進(jìn)行了探討，同時(shí)對(duì)D-S 證據(jù)理論在多感知泄漏源目標(biāo)識(shí)別中的應(yīng)用進(jìn)行了研究，針對(duì)復(fù)雜泄漏環(huán)境可能導(dǎo)致某識(shí)別通道失效，即證據(jù)間存在高沖突問(wèn)題，引入?yún)⒖甲C據(jù)，提出了一種綜合考慮目標(biāo)識(shí)別焦元可信性和證據(jù)間關(guān)聯(lián)度的計(jì)算方法。結(jié)果表明，本文算法克服了高沖突證據(jù)融合“一票否決”缺陷，同時(shí)在有效證據(jù)較少情況下能夠準(zhǔn)確獲取高信度識(shí)別結(jié)果，與其他幾種經(jīng)典融合算法相比具有更高可靠性。

下一步將針對(duì)復(fù)雜泄漏環(huán)境對(duì)各識(shí)別主體可信度的影響，量化影響因素，提高證據(jù)源數(shù)據(jù)的可靠性，進(jìn)一步提高算法的適應(yīng)性。