文摘

各种自然灾害的危害和影响越来越明显。由于自然灾害和意外高信息共享的效率低,我们的压力系统仍将无法应对灾害。因此,面对当前复杂的自然环境和灾害的多样性,我们迫切需要一个实际的和全面的在线协作自然灾害防护系统。因此,本文提出一种灾难保护应用系统基于多传感器信息融合算法。首先,自然灾害防护系统的软件平台构建了基于多传感器;灾难多传感器采集的硬件平台设计。一个基于联合卡尔曼滤波器的信息融合算法。联合滤波器的主要问题是:(1)提高过滤精度,(2)提高滤波器的容错性能,和(3)优化的融合算法和减少计算和数据通信,便于算法的实时实现。结合DS证据理论、BP神经网络和支持向量机制,建立一个全面的诊断模型。初步诊断结果的模型使用BP神经网络和支持向量机进行DS证据理论的双酚a,避免了人工操作造成的失明。 The simulation results show that the comprehensive diagnosis model can significantly improve the prediction accuracy of disasters, solve the uncertainty and fuzziness of diagnosis results of a single diagnosis model, and provide a new method for disaster protection. The results of the BP neural network in the disaster nursing system are fused at the decision level, the results show that the distribution probability corresponding to the fusion disaster category is greater than the threshold value of 0.8, and the diagnosis result can be given immediately. The diagnosis result is completely consistent with the actual disaster category.

1。介绍

地质灾害是指地质现象的变化引起的外部环境或人工干预。通常是在不断变化,它总是处于活跃状态。因此,它无疑是难以决定地质灾害防治信息,因为它的变化往往会导致大量的数据干扰决策过程(1]。目前,传统的地质灾害预防和决策系统是基于GIS技术;根据这一技术,地质灾害的面积,和相关的信息输入,进行地质灾害预防信息和决策处理(2]。简而言之,系统可以基于信息处理,使用相关技术来定位空间信息,收集信息数据,存储,传输,以便生成预警(3,4]。信息的功能模块在系统收集和管理数据,提供不同的查询方法来满足不同部门的需求和用户,并为各级政府提供决策支持和有关部门。系统中的网络计划可以作为地质灾害预防和传输的基本保证,灾难信息披露、实时信息处理、和其他问题5]。有些学者测试的计算机研究地质灾害预防和决策支持,这为本文的研究奠定了相应的基础。信息融合的应用领域也不断扩大,从军事领域逐渐渗透到其他领域,如智能机器人和智能车辆领域,医学图像处理和诊断、天气预报、地球科学、农业应用领域,现代制造业领域,经济和商业领域。此外,信息融合也用于列车定位,鱼识别,或车辆通过检测。

“信息融合”一词首先来自美国。信息集成的概念或术语开始出现在一些公开发表的文件。在很长一段时间之后,“信息融合”一词被广泛使用(3]。考虑信息的多样性,“信息融合”一词被广泛使用根据信息和数据的意义。信息融合技术是信号处理过程6]。它的最终目标是提高有效性、稳定性和鲁棒性的整个传感器系统通过使用联合多个传感器的优势(7,8]。多个传感器的主要功能是获取相对更完善的信息,可以提供一个更强大的基础进行分析,研究,和决策,从而形成大量的数据。融合算法已成为使它发挥作用的关键9]。选择一个更智能的融合算法符合实际情况是信息融合的成功的关键(10]。多传感器监测的信息包含全面的信息,这是源和复杂性的特征。相对来说,这些特点要求信息融合方法必须稳定鲁棒性和并行处理能力强11]。另一种分类标准是分为信号电平,证据级别,根据传感器和动态水平集成和数据融合。原始数据的融合处理的对象主要是传感器和信息生成的每个阶段的预处理12]。在这个过程中,保持原始的特点主要是尽可能多的信息。融合不同于其他两个层次的目的是提供更微妙的信息。其局限性主要是由于各方面的成本造成的大量的数据,比如大流量和高处理成本,以及挑剔的要求传感器和像素精度的稳定性。特征级信息融合使用特征信息从原始数据中提取每个传感器进行中级水平的综合分析和处理的过程。特征级信息融合通常被用来提供决策依据的决策级信息融合,所以特征级信息融合的目的通常包括分类、收集和监控信息的综合。提取的信息量是完整的表示或统计的数据信息;它分为目标状态信息融合和目标特征信息融合。决策级信息融合是信息融合的融合处理的最高水平。监测数据得到一个初步简单的判断数据预处理后,特征提取和识别(13]。最后,它是由决策信息融合处理。智能融合方法用于决策融合判断获得的联合推理结果,然后最终决定提供坚实的基础。因此,特征级信息融合是决策级信息融合的基础(13]。

信息融合是信息获取的主要手段,处理和合成的多传感器系统和智能信息处理系统的关键核心技术。它的基本任务是合成来自不同传感器的信息流动形成一个更高智能模型特征的监测和控制环境。其研究水平直接决定了信息集成系统的性能。换句话说,多传感器系统能否有效整合提供多维信息取决于信息融合结构和算法。在洪涝灾害预警模型的研究,文献[14)提出了一个早期预警模型和评价方法基于时间维度通过分析洪水灾害的破坏电力设施。在滑坡灾害的研究,文献[15]判断滑坡与降雨量之间的相关性根据发生滑坡灾害的规模和频率。文献[16)用多元回归模型进行回归分析滑坡质量和描述质量滑坡的水平运动规律从统计学的观点。在电网脆弱性的研究,针对电力系统的不稳定,文献[17)构建输电线路故障的概率模型。文献[18提出了一种方法来测试电缆刚度。通过比较分析,该方法是更有效的离散模型。然而,灾害预测研究使用目标识别技术在多传感器数据融合技术仍处于起步阶段,我希望通过我自己的努力发展和突破。d - s(法官沙佛)证据理论算法有很强的处理不确定信息的能力。它不需要先验信息,不需要准确地了解各种传感器数据之间的关系。“区间估计的方法”,而不是“点估计”是用来描述不确定的信息。它显示了极大的灵活性在区分未知和不确定信息和准确地反映了证据收集;灾难事故灾难系统本身是受许多因素的影响。如果只有一个因素是,它往往会导致地下状态的误判和严重的后果。此外,在灾难中各种传感器系统之间的关系相对较小,这就符合d - s证据理论的应用范围。

总结了本文的主要贡献如下:(一)自然灾害防护系统的软件平台构建了基于多传感器。灾难多传感器采集的硬件平台设计。(b)提出了基于联合卡尔曼滤波器的信息融合算法。(c)减少计算和数据通信,并促进算法的实时实现。结合DS证据理论、BP神经网络和支持向量机,建立了综合诊断模型。

2。灾害护理系统的设计

2.1。灾难护理系统的总体框架设计

系统主要包括一个信息采集模块、传输模块、决策支持模块、可视化模块。灾难护理系统的总体框架设计如图1。

作为显示在图1(一)收集地质灾害的预防信息。数据信息管理程序的主要功能是预防地质灾害信息的收集。它还可以输入、存储、管理、查询、显示和更新各种地质灾害防治信息。在功能上,它可以通过一个信息集合管理,从而实现数据录入和编辑,系统库编辑、设置等信息组成的六子,一起浏览和搜索实现数据输出。实现了数据集的信息所代表的信息结构管理目录树窗口,这是整个的信息数据管理的核心子程序。通过建设数据目录树来反映数据信息来源及其相关性,使用多层结构实现预防地质灾害信息的收集。(b)构建决策支持平台的开发环境。这个系统设计的总体目标应该满足的辅助管理应急管理“正常”和“战斗结构分析”的地质灾害进行分析和决策。此外,在国家过渡的连锁分析功能正常的紧急和地质灾害救援的应急管理和决策分析,应急计划,紧急检查,计划和培训,紧急协调、应急管理文档准备,等,必须事先完成,满足所需的信息处理和分析功能,决策平台的措施。充分利用风险监测数据来源和应急巡逻地质灾害信息,分析、评估和预测根据既定的模型,并给出异常条件的早期预警和风险水平。 Once problems occur, it is necessary to formulate reasonable solutions according to the emergency plan and take preventive measures immediately in combination with the dynamic changes of geological disasters. (c) Establish the database of the decision support platform. To build the database of the whole decision support system, we should start from the specific data of geological disaster prevention information, select the area where the data is located, establish a general platform for data management, input the information of the platform into the database program, and build it in groups, so as to divide different types of information into different categories for subsequent processing. (d) Visualize geological disaster prevention decision-making information. GML is organized and developed by OGC, which can realize the output of decision information of the whole decision support platform. When it is used, it needs to exchange data in advance to transform spatial information. In addition, it does not pay attention to the visualization function and can directly realize the output and visualization of decision information.

此外,该系统的开发的主要目的是实现一个国家音乐分类系统,可以为任何用户提供批处理歌剧分类和注释服务谁的民族音乐排序和分类的必要性。本系统选择Mel-cepstrum系数反映音色和音调的频率,共振峰和频带能量分布,反映出旋律。结合深信心网络模型,列车大量标记样本的获取能力对民族音乐进行分类并保存分类模型,该模型满足分类要求通过系统测试集,从而达到分类目的不明的民族音乐风格。

2.2。系统硬件架构的分析和设计

本文描述了测量系统对于数据融合处理,系统需求分析认为是相对全面和完整。它不仅涉及到硬件平台要求的数据融合,但也需要匹配的特定需求工业区和扩大必要的通信接口。总之,系统设计的需求分析如下。

(1)有必要实现基于多传感器数据融合算法和部分完成的模型建立过程的法官沙佛融合算法,也就是说,数据融合处理的整个过程。(2)需要一个输入通道外部传感器来收集数据,以获得工业现场测量数据实时、准确地,然后将其交给算法处理模块进行计算和处理。(3)一定操作界面需要输入的外部操作,手动算法的参数设置,启动和停止系统的每个功能模块的开关和调整,计算结果信息的查询,等。(4)一定显示界面显示当前操作所需的设置和参数设置,并提供一个完整的中文人机界面,方便用户操作和设置。(5)各种通信接口必须确保普遍性和测量平台的平台,促进互联与其他控制和检测设备,包括网络接口、串行通信接口、USB接口和各种总线接口。

考虑到设计要求的测量平台研究了模块化设计是最合适的实现方法。硬件结构图如图2。也就是说,整个硬件平台分为四个子模块根据不同的设计要求。每个模块完成特定的系统功能,同时,良好的沟通和维护模块之间的连接。根据这一理念,系统的硬件平台主要由四个模块组成:核心板、传感器板、I / O接口板,和人机界面。5所示,本文中所述的软测量平台的核心是TI公司的双核处理器芯片OMAP-l137如图2。这个处理器TI公司推出了可以用于工业控制、网络通信、高速编码,和专业的音频处理,所以它非常适合软测量的应用程序环境。300 MHz的ARM处理器主要负责整体的进程调度算法和各种信号的控制功能在工业区。如果操作系统移植,它还可以实现文件管理的功能,进程调度、内存管理、等,而300七4 z DSP浮点处理器主要负责数字信号的处理和高精度的浮点操作,它有效地弥补短缺ARM926EJ-S处理器的计算精度。

3所示。对灾难护理的研究基于多传感器融合技术

根据自然灾害的特点,该算法框架图如图3设计。首先,相机、GIS和GPS数据预处理,并进行多传感器信息融合。然后,融合数据被用来使灾害预警和保护通过BP神经网络和d - s证据理论,最后通过可视化平台。

3.1。多传感器信息融合技术

信息融合的信息表示和处理方法来自这些字段。从信息融合的功能模型,我们可以看到,融合的基本功能相关性,估计,和认可,强调评估和认可。

因此,融合算法的设计基于联合卡尔曼滤波器的信息融合技术的核心内容。记住,状态估计向量,系统协方差矩阵和状态向量的协方差矩阵局部滤波器是 , , 。全球过滤器 , , 。然后,计算结构的联合滤波器如图4。

假设初始值全局状态的起始时间 ,其协方差矩阵 ,和系统协方差矩阵 。此信息分发给每个局部滤波器和全球滤波器通过信息分布因素根据以下规则:

然后,信息更新的测量:测量的当地更新过滤器

信息更新

因此,最优信息融合

3.2。对灾难护理的研究基于DSBP预测算法

尽管BP网络已广泛应用,但也有一些缺陷和不足,主要包括几个方面:(1)学习速度是固定的,因为网络的收敛速度很慢,需要很长时间来训练。对于一些复杂的问题,BP算法的训练时间可能会很长。这主要是因为学习速率太小,可以提高通过改变学习速率或自适应学习速率19]。(2)BP算法可以使体重收敛到一定值,但不能保证它是全球最小的误差。这是因为梯度下降方法可能会产生一个局部最小值。附加动量法可以用来解决这个问题(20.]。

首先,火灾的特征参数是火灾探测传感器检测到的组,然后,规范化和处理测量数据作为输入参数的BP。这些参数是由BP神经网络处理和输出。输出结果之间的范围 。这些输出结果DS证据理论的输入。这个时候,结果具有一定的可靠性和准确性后初始神经网络的融合。然后,再次融合的数据使用DS证据理论获得独特的概率分布函数。最后,判断火灾是否发生的结果根据获得的判断规则。具体的算法结构如图5。

决策级融合是基于独立决策或分类的每个局部传感器收集的信息经过预处理,特征提取,和认可,然后,融合系统传输的初步决策信息决策综合评价中心的帮助下一定标准和算法,使全局最优决策(21]。决策级融合的数据处理是集中在融合中心,拥有强大的系统稳定性和容错性,并不会极大地影响融合系统的性能由于几个传感器的有效性。与此同时,由于少量的数据,计算量将大大小于数据级融合、特征级融合。然而,决策融合层只处理相关的特性,将忽略一些重要的信息在原始数据和特性数据,导致大量的信息损失,从而减少损失鉴定的准确性。

把测试数据集作为输入参数,两个BP神经网络训练,和规范化的输出两个BP神经网络。在d - s证据理论中,信任区间 是用来描述事件,而不是单点值概率值在传统的概率理论。在哪里表明支持命题”的程度是真的,”表示程度的证据不能否认”是真的,“和反映了程度的未知事件 。集合的所有子集组成的识别框架被称为幂集的 ,这是记录为 。每个元素的识别框架代表了一个特定问题的答案;也就是说,这个问题的答案中包含 。在获得识别框架,DS证据理论处理幂集的元素识别框架的 :

贝尔叫做信任函数,和PL似然函数。概率上限和下限概率和信任区间 事件的概率变化范围吗 。基本概率分配函数 ,贝尔信任函数和似然函数计算pl的证据,分别。其次,基本概率赋值函数,信任函数和似然函数的联合行动下获得了所有证据的证据合成公式。最后,我们使用某些决策规则选择最大的假设下联合证据的支持。这个函数是一个信任函数 。从上面的公式的信任函数和似然函数,它可以发现基本的概率分布函数是DS证据理论的核心,而信任函数和似然函数得到它:

BP神经网络采用常见的三层神经网络,这将在这里不能详细描述。

4所示。实验结果和分析

4.1。传感器信息融合算法的有效性

相机信息(CS)的组合,GPS, GIS作为一个例子,本文模拟上述联合卡尔曼滤波算法。以GIS为公共参考子系统和CS和GPS辅助子系统,这两个系统包括两个子系统:CS / GPS和GPS / GIS。如果采用信息融合算法,来验证这些信息融合算法的有效性,本文比较了信息融合结果与小波滤波和卡尔曼滤波算法。融合结果如图6。

图6显示了上述系统的计算机仿真结果。图中的虚线是定位误差条件下的常规卡尔曼滤波器。实线是定位误差在使用联合卡尔曼滤波技术。可以看出融合系统的准确性大大提高。这表明该方案非常有效提高整个系统的精度和可靠性。

4.2。模型的收敛性验证

我们应用BP网络在MATLAB神经网络工具箱2018 b实现训练算法。这个工具箱包含了许多工具函数对BP网络的分析和设计。在此系统中,提出了网络初始化函数主要用于:newff给网络训练的初始阈值和重量。功能:BP网络训练的训练,训练BP神经网络的阈值和权重矩阵。最后,仿真功能:Sim是用来模拟训练网络。与此同时,d - s证据理论应用于BP神经网络来证明该方法的有效性。我们使用隶属度作为BP神经网络的输入。灾害系统的安全状态分为四个级别:安全S1,一般状态(S2),危险的(S3),相对危险(S4)。灾难的安全状态系统编码为以下:S1水平:0.1,0.1,0.1,0.9;S2级:0.1,0.1,0.9,0.1; S3: 0.1, 0.9, 0.1, 0.1; and Grade S4: 0.9, 0.1, 0.1, 0.1. Since the data is designed when the disaster system is in the S1 state, the expected output of the neural network corresponding to the training samples is the following: design a BP neural network with 6 inputs and 4 outputs, using a three-layer neural network, with 6 inputs, 10 nodes in the negative layer, 4 nodes in the output layer, a learning rate of 0.01, a log sigmoid transfer function in the negative layer, and a purelin linear transfer function in the output layer. The expected error is 0.001, and the transfer function is trained by MATLAB software.

收集50组样本数据和20组测试数据;建立BP神经网络、CEF-BP PSO-BP, DSBP,即3证据体E1, E2和E3;火车50组样本数据和BP神经网络;然后通过BP算法优化它们。英国石油(BP)的长度设置为5,神经网络误差的阈值是0.05,概率分布阈值是0.8。优化BP神经网络时,输入20组测试数据灾难的BP神经网络诊断。三个BP神经网络的灾难预测结果得到了相应的一些测试样品。只有从多个BP神经网络,将表盘上的不确定性,无法得到准确的诊断结果。当获得的结果从BP神经网络和DS证据理论融合,灾害预测的准确性可以大大提高(图7)。

把测试数据优化的神经网络诊断模型和可行神经网络诊断模型,分别。20迭代后的训练,它可以发现,优化后的神经网络的识别能力强于数据可行的神经网络。图8展示了英国石油公司(BP)的误差曲线,CEF-BO PSO-BP, DSBP神经网络进行了优化。经过15操作,可行BP神经网络误差值不会改变连续6操作。在这个时候,神经网络训练将自动结束。验证样本误差 ,不能满足一组神经网络预测误差的要求,不能准确地诊断灾害。优化DSBP神经网络验证样本误差可以达到0.0021左右,可满足精度要求的神经网络灾难。

对于这样一个复杂的问题,是不现实的使用反向传播网络(BP网络)来存储知识和判断状态与它的学习速度和推理能力。当一个单一的神经网络(ANN)是用于判断目标状态,它将不可避免地导致一个大型网络结构和训练样本的增加,使网络训练很难顺利进行。因为网络有可怜的鲁棒性和对样本误差很敏感,很容易引起一系列的问题,如分类精度低,网络训练时间长、网络收敛困难,诊断精度低,且不可靠的结论。因此,其他模式需要探索。结合神经网络和d - s证据理论的优点,提出了一种多传感器数据融合算法基于multineural网络和d - s证据理论。首先,多个传感器数据的特征值提取的小波分析方法,然后,每个传感器信号的隶属度和煤矿安全状态是通过模糊数学中的隶属函数方法获得。然后,有效的分组进行,每组的神经网络设计数据。其次,神经网络的输出归一化的d - s证据理论的基本概率分布函数;然后,我们使用d - s证据理论的融合原理融合多个证据空间,最后得出结论。

来验证算法的预测精度,本文比较了美指数、最大误差指数和RMSE索引。性能指标如图9,相对应的分布概率融合灾难类别大于阈值0.8,立即给出的诊断结果可以,诊断结果是完全符合实际的灾难类别。因此,本文方法明显提高了缺陷只使用一个单一的灾害预测方法具有良好的融合效果的灾难预测不确定的结果。因此,它具有较强的可行性。根据d - s证据理论的优缺点和BP神经网络,改进的d - s证据理论和BP神经网络算法,并结合这两种方法的融合算法;即使用两种方法的优点,和分离的方法,证据是用来解决d - s证据理论的局限性,需要相对独立的证据,和神经网络的精度不足的问题,由于大数据量是解决。该方法有效地提高了地下安全状态判断的准确性。

5。结论

由于自然灾害的频率和高风险,是非常必要的灾难预警系统进行研究。在5 g时代,一切都是相互关联的,也是一个时代的应用大数据云计算更成熟。当新的监测手段应用于灾难预警系统,我们将更熟悉灾害情况。为了一个共同的灾难,我们可以发现和预测。新技术的应用将更好地确保防灾系统的操作。本文旨在使协调灾害预警系统尽可能全面,这不仅可以使一个有效的预警的灾害数据协作但也起到了很好的辅助作用在灾后应急反应的协同作用,充分发挥平台。根据比较不同融合层次的多传感器数据融合技术,它决心采取决策级融合,融合各种各样的传感器收集的数据在煤矿和法官灾难状态。介绍了改进的d - s证据理论和BP神经网络算法和结合使用这两种方法,即两级融合算法。具体应用过程训练网络的传感器信号,计算会员的价值分为两个subneural网络培训,和两个神经网络输出的规范化为d - s证据理论的基本概率函数,然后融合。通过融合结果的比较和分析,我们可以获得比单独使用这两种方法更准确的结果。 At present, there is no mature theoretical guidance for the determination of the hidden layer of the BP neural network. At present, the approximate range is basically determined by an empirical formula, and then, the final number of hidden layers is determined by the trial and error method, which has certain randomness. Therefore, we need to return to the algorithm of the BP neural network and give a better solution to this problem through the study of the basic algorithm.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作得到了四川省卫生和卫生委员会医学研究项目基金:研究防灾的状态和训练效果的轮椅用户的家庭根据脆弱性的角度(19 pj220)。