论文部分内容阅读
随着大数据和汽车信息物理系统(Vehicular Cyber-Physical Systems,VCPS)的发展,多传感器数据融合技术得到了进一步深入应用。但是VCPS中的传感器易受到环境因素的干扰,导致采集的数据具有不确定性,高冲突性等特点,如何从这些低质量的数据中得到一个可靠的融合结果和决策,是一个亟待解决的问题。本文为实现高冲突数据有效融合,提出了一种在Dempster-Shafer(DS)证据理论框架下的新的基于模糊推理机制和信任熵的高冲突数据融合算法,主要包括以下几个重点:1)本文从两个角度度量证据间的冲突度,即模糊贴近度和相关系数,为了准确全面地表达证据间的模糊贴近度,相关系数和证据的冲突度之间的关系,本文采用模糊推理机制提出了模糊相似度测量(FSM)方法。2)提出对证据源模型的改进不仅考虑证据间的冲突信息,也要考虑证据本身的信息量。本文通过计算证据的信任熵来得到证据所包含的信息量,结合模糊理论和信任熵进一步降低证据源中不可靠证据的权值,以此来提高证据源的质量。3)提出了一种新颖的基于FSM和信任熵的高冲突数据融合算法。首先利用FSM方法测量证据间的相似度,同时利用信任熵计算证据的信息量,结合考虑证据的相似度和信息量得到证据的权值,以此来计算平均证据,然后利用DS组合规则对平均证据融合多次即可获得联合统一结果。本文所提出的融合算法不仅从多角度度量了证据间的冲突程度,也将证据源自身的信息量加以考虑,结合这两个因素消除证据源中噪声证据的影响,提升证据源模型的质量,因此修改后的证据源通过DS组合规则后不仅避免了反直觉结果的出现,也提高了融合结果的准确性。4)设计了一个面向VCPS的交通拥堵状态识别模型,同时采用本文所提出的高冲突数据融合算法模拟仿真VCPS中各车辆对交通拥堵状态描述的证据的融合,实验验证本文所提方法可以有效应用于交通拥堵状态识别模型中。