ترکیب چند حسگر به ترکیب هم افزایی داده های حسی از چندین حسگر برای ارائه اطلاعات دقیق تر و قابل اعتمادتر اشاره دارد. مزایای بالقوه Fusion، افزونگی چند حسگر و کسب اطلاعات اضافی است. ادغام اطلاعات اضافی می تواند عدم قطعیت کلی را کاهش دهد و بنابراین به ارائه اطلاعات دقیق تر کمک می کند. چندین حسگر ارائه کننده اطلاعات اضافی نیز می توانند برای افزایش قابلیت اطمینان در صورت خطا، حذف یا خرابی سنسورها استفاده شوند. عملگرهای ترکیبی نمایی هستند و از نظر محاسبه پیچیده تر هستند. عملگر Dempster-Shafer برای بیش از سه (3) منبع اطلاعاتی نمایی است [ 1 ] [ 2 ]] . کار ما بر تعریف فرمول دیگری از این عملیات متمرکز است و آن را در یک فرم ماتریسی قرار می دهد تا پیچیدگی محاسباتی، ضمانت دقت بیشتر و حداقل زمان اجرا را روشن کند. ما پیشنهاد می کنیم از هر منبع اطلاعاتی به شکل یک ماتریس استفاده کنیم که حاوی مقدار 0 در خطوطی است که جرم ها را ندارند (m(Ai) = 0) یا زمانی که m(Ai) تهی نباشد (m(Ai) ≠ 0 ). استفاده از این ماتریس بیان شده تلاش می‌کند تا عملگر دمپستر-شفر را از طریق پاراف کردن معیار یا راه‌حل منابع معیار بهبود بخشد، کارایی عملگر دمپستر-شفر را افزایش داده و ترکیب بین منابع را تسهیل می‌کند. ما رویکرد خود را با انجام یک مطالعه موردی برای نشان دادن اثربخشی این ماتریس ارزیابی می‌کنیم.

کلید واژه ها:

اپراتور Dempster-Shafer، فرآیند فیوژن، منابع اطلاعات معیار، منابع اطلاعات معیارها، مدیریت تضاد، عوامل قابلیت اطمینان، تصمیم

1. مقدمه

تکامل فن آوری MEMS (سیستم میکرو الکترومکانیکی) و فناوری ارتباطات بی سیم در سال های اخیر مسیر صعودی را برای دقت تصمیم گیری دقیق، محاسبه، نظارت و احساس محیطی، به حداقل رساندن مصرف انرژی، هزینه، شکل، در پیش گرفته است. و غیره.

فن آوری مدرن نشان می دهد که ممکن است یک منبع اطلاعاتی بتواند بر اساس چندین معیار اطلاعات اضافی بیشتری ارائه دهد. به راحتی می توان یک معیار اطلاعاتی منبع را پیدا کرد که اطلاعاتی در مورد معیارهای هندسی (فاصله اقلیدسی، شکل و مساحت در یک زمان) ارائه می دهد، و معیار اطلاعاتی منبع دیگری اطلاعاتی را در مورد دو یا چند معیار به طور همزمان ارائه می دهد (هر دو معیار هندسی و معیارهای توپوگرافی)، یعنی می‌تواند چندین اطلاعات ناهمگن را بگیرد، مانند مثال منبعی که می‌تواند فاصله اقلیدسی و فاصله معنایی را بگیرد. این مقاله استفاده مورد نظر از این نوع منابع را نشان می دهد که اطلاعات را از نظر غنی می کند:

Ÿ به دست آوردن و ارائه اعتبار اطلاعات ارائه شده توسط منابع معیارهای مختلف.

Ÿ رفع کمبود داده های جغرافیایی بر اساس عملیات تطبیق.

Ÿ اعتبار سنجی اپراتور Dempster-Shafer برای استفاده گسترده و گسترده.

ادغام اطلاعات در سال‌های اخیر در زمینه‌های مختلف، به‌ویژه در سیستم‌های اطلاعات، چشم‌انداز، رباتیک و شبکه‌های حسگر بی‌سیم (WSN) به‌طور قابل توجهی تکامل یافته است، منابع اطلاعاتی به این معنا افزایش یافته است که گره‌های حسگر آن اطلاعات دانش پیشینی و عمومی بوده‌اند. هر منبع اطلاعاتی عموماً ناقص است. ترکیب اطلاعات بیشتر برای درک بهتر دنیای واقعی مهم است. سپس ادغام اطلاعات را می توان به عنوان ترکیبی (اغلب ناقص و ناهمگن) از اطلاعات برای به دست آوردن اطلاعات کامل تر و کیفیت بهتر و بهبود تصمیم گیری و اقدام تعریف کرد. از آنجایی که روش‌های مدل‌سازی دانش اطلاعاتی ناقص بودند، ترکیب آن‌ها پیشرفت‌های نظری عمده را می‌دانند و بسیاری از آزمایش‌ها به سمت حوزه‌های کاربردی آن‌ها گسترش یافته‌اند. این روش ها، اغلب از تئوری های تصمیم گیری، عدم قطعیت و هوش مصنوعی، می تواند عددی یا نمادین باشد. به طور کلی، هشدار آمیختگی اطلاعات را افزایش می دهد که فناوری و پردازش اطلاعات را به خود اختصاص می دهد.

اطلاعاتی که در یک فرآیند ترکیبی به کار می‌روند اولاً اطلاعاتی هستند که باید ترکیب شوند و ثانیاً اطلاعات اضافی مورد استفاده برای راهنمایی یا پشتیبانی از عملیات ترکیبی است. ممکن است اطلاعات مربوط به ترکیب اطلاعات مانند اطلاعات منابع، وابستگی و قابلیت اطمینان آنها، ترجیحات ترکیب اطلاعات و غیره باشد.

به طور کلی، فیوژن کار ساده ای نیست. می توان آن را به چند کار به صورت شماتیک تقسیم کرد. مراحل اصلی برای حل فرآیند فیوژن عبارتند از:

Ÿ مدل سازی: این مرحله شامل انتخاب فرمالیسم و ​​بیان اطلاعاتی است که باید در این فرمالیسم ادغام شوند.

Ÿ تخمین: اکثر مدل ها نیاز به مرحله تخمین دارند (یعنی تمام روش ها با استفاده از توزیع ها).

Ÿ ترکیب: این مرحله انتخاب یک عملگر سازگار با فرمالیسم مدلسازی انتخاب شده است و با اطلاعات اضافی هدایت می شود.

Ÿ تصمیم: این مرحله نهایی فرآیند ادغام است که می تواند از طریق اطلاعات ارائه شده توسط منابع به سمت انتخاب یک تصمیم نهایی و بهترین حرکت کند.

ادبیات بسیار زیادی در مورد نقد عملگرهای ترکیبی و عملگرهای ترکیبی جدید وجود دارد. اولین عملگر به نام Dempster-Shafer [ 3 ] شناخته می شد که توسط چندین تعاریف عملگرهای دیگر مانند Smets [ 4 ]، Yager [ 5 ] و Dubois and Prade [ 6 ] به شدت مورد انتقاد قرار گرفت.]، اما عملگر Dempster تنها اپراتوری بود که تا به امروز کارایی خود را برای ترکیب اطلاعات نامشخص از منابع مختلف نشان داد. در این مقاله سعی می کنیم عملیات ترکیبی را در ماتریس بیانی اصلاح کنیم. بنابراین، هم منابع معیار اطلاعاتی منبع و هم معیارها با هدف به حداقل رساندن پیچیدگی محاسباتی، و بهبود قابلیت اطمینان و دقت تصمیم‌گیری‌ها انجام می‌شوند. بقیه این مقاله به شرح زیر سازماندهی شده است: بخش 2 به آثار مرتبط مختلف در مورد عملگرهای ترکیبی مختلف اشاره می کند. بخش 3 فرمالیسم ترکیبی منابع اطلاعاتی معیار را نشان می دهد. بخش 4 فرمالیسم ترکیبی از معیارهای اطلاعاتی منابع را ارائه می کند. بخش 5 سهم ما را در بیان عملگرهای ترکیبی در فرمول ماتریسی ارائه می‌کند. بخش 6 ارزیابی این تکنیک را بر اساس مورد مطالعه نشان می دهد که مقایسه ای را بین فرمالیسم کلاسیک، معیارها و منابع اطلاعاتی شرکت کننده در فرآیند مرحله ترکیبی انجام می دهد. بخش 7 این مقاله را با یک نتیجه گیری کلی به پایان می رساند.

2. کارهای مرتبط

در ادبیات، دو نوع ترکیب وجود دارد. نوع اول ترکیبی از منابع معتبر، دومی ترکیبی از منابع غیرقابل اعتماد است. اولی همان ایده اپراتور Dempster-Shafer [ 3 ] [ 7 ] و Smets [ 4 ] است، آنها معتقدند که منابع قابل اعتماد هستند و ترکیب شواهد برای این تضاد مشکلی ناشی از عدم در نظر گرفتن یک یا مفروضات بیشتر در چارچوب تشخیص بنابراین جرم متضاد (K) را به مجموعه خالی تحت تأثیر قرار می دهد . سپس این ترکیب با فرمول زیر تعریف می شود:

(1)

یاگر رویکرد مشابهی را در [ 5 ] بر اساس معرفی یک فرضیه جدید در چارچوب تشخیص ارائه می دهد. این فرضیه هرگونه توده متضاد را می پذیرد. علاوه بر این، می توان متوجه شد که عملگرها با فرض اینکه منابع قابل اعتماد هستند، عمدتاً بر اساس یک ترکیب ربطی هستند.

نوع دوم (ترکیبی از منابع غیرقابل اعتماد) در نظر می گیرد که تعارض می تواند توسط نقص قابلیت اطمینان برخی از منابع اطلاعاتی ایجاد شود. این استدلال در زمینه عملگرهایی که توسط Yager [ 5 ] و Dubois و Prade [ 8 ] معرفی شدند، مطرح شد. در مورد عملگر Yager [ 5 ]، فرض می شود که یکی از منابع درگیر در ترکیب قابل اعتماد است. بنابراین، راه حل لزوما در تشخیص است. اما بدون دانستن اینکه کدام منبع راه حل واقعی را می دهد، یاگر پیشنهاد می کند که جرم متضاد (K) را به همه Θ اختصاص دهیم. جرم حاصل از این ترکیب برای اطلاعات دو منبع {S ₁ , S ₂ } به صورت زیر به دست می آید:

(2)

فرمول ترکیبی پیشنهاد شده توسط Dubois و Prade در [ 8 ]، به عنوان بخشی از ادغام دو منبع اطلاعات ترکیبی {S ₁ ، S ₂ }، را می توان به صورت زیر توضیح داد. S ₁ منبعی است که از پروپوزال B با جرم باور پشتیبانی می کند و S ₂ منبعی است که از پیشنهاد C با جرم اعتقاد پشتیبانی می کند. هنگامی که پیشنهادهای پشتیبانی شده توسط هر دو منبع متناقض هستند و نمی‌دانیم کدام منبع قابل اعتماد است، اصل حداقل ویژگی مورد نیاز برای توزیع مجدد توده‌های مرتبط با این تناقض، یا اتحاد پیشنهادها است .

سپس اپراتور Dubois و Prade برای دو منبع اطلاعاتی به صورت زیر تعریف می شود:

(3)

این کار بر اساس یک ترکیب خطی پیچیده از نظر محاسباتی است، به ویژه در صورت استفاده از منابع بیش از دو (2)، در صورت استفاده از فناوری‌های جدید که از منابع معیاری مانند حسگرها، رادار تشکیل شده‌اند، این ترکیب‌ها بیشتر قابل استفاده نیستند. این کار شامل عملگرهای ترکیبی شامل منابع اطلاعاتی سنتی و عملگرهای جدید است.

3. منابع معیار

شافر [ 9 ] در کار خود قانون ترکیبی دمپستر را پیشنهاد کرد که نماد آن با ? برای ترکیب یا فیوژن دو منبع اطلاعاتی متمایز به نام‌ها: عملگر ترکیبی Dempster-Shafer.

Let و Two مجموعه ای از توده ها به ترتیب با توابع باور و

در همان چارچوب تشخیص Θ. تابع کلی باور، تحت نظریه دمپستر-شفر (DST) از مجموعه‌های ترکیبی جرم و . اجازه دهید به ترتیب دو (2) قسمت از Θ توسط منابع پشتیبانی شوند . جرم مرتبط با ترکیب آنها عبارت است از:

(4)

که نشان دهنده تضاد بین منابع است که ناآگاهی نیز نامیده می شود (به عنوان یک عامل عادی سازی استفاده می شود).

4. منابع معیار

اختصارات و حروف اختصاری را در اولین باری که در متن استفاده می شود، حتی پس از تعریف چکیده تعریف کنید. اختصاراتی مانند IEEE، SI، MKS، CGS، sc، dc و rms نیازی به تعریف ندارند. از اختصارات در عنوان یا سرفصل ها استفاده نکنید مگر اینکه اجتناب ناپذیر باشد.

یک منبع معیار یا چند اطلاعاتی منبعی است که می تواند اطلاعات بیشتری را به طور همزمان برای یک شی معین ارائه دهد. اجازه دهید به ترتیب دو (2) قسمت از Θ توسط منابع پشتیبانی شود . جرم مرتبط با ترکیب آنها عبارت است از:

که نشان دهنده تضاد بین منابع است که ناآگاهی نیز نامیده می شود (به عنوان یک عامل عادی سازی استفاده می شود).

5. مشارکت

5.1. بیان واحدهای ترکیب اپراتور ماتریس

هر کدام منبع اطلاعاتی برای هر فاصله گرفتن است .

یا ضریب اطمینان منبعی که فاصله را ثبت می کند.

(5)

اجازه دهید مجموعه های توده ها:

(6)

5.2. بیان ماتریس ترکیب معیار

اجازه دهید ، دو منبع اطلاعاتی با رابطه زیر تعریف شوند:

(7)

ترکیب این دو منبع تحت نظریه جدید دمپستر-شفر با معیارهای تک به شرح زیر است:

(8)

مشارکت ما در تعریف مجدد این عملیات معیار با یک معادله ماتریسی است:

(9)

یعنی می‌توانیم شکل ماتریسی را بیان کنیم ، ترکیب در ماتریس شکل به صورت زیر است:

(10)

5.3. بیان ترکیب ماتریس معیارها

اجازه دهید دو منبع اطلاعات با معیارهای رابطه زیر را تعریف کنند:

(11)

ترکیب این دو منبع به عنوان اپراتور پیشرفته Dempster-Shafer به شرح زیر است:

(12)

6. مطالعه موردی

ما در این مطالعه موردی سعی می‌کنیم مثال‌هایی ارائه کنیم که سودمندی هر نوع عملگر (چه با معیار، معیار با یا بدون ضرایب قابلیت اطمینان) را نشان دهد، به‌ویژه کاهش پیچیدگی محاسباتی اگر اطلاعات منابع بیشتری برای ترکیب وجود داشت.

6.1. بیان ترکیب ماتریس معیارها

اجازه دهید ، دو منبع اطلاعاتی معیار، توده های زیر را به دست می دهند:

(13)

نمایش ماتریسی این منابع به شرح زیر است:

هر منبع اطلاعات ، ماتریس های فرم و به صورت زیر تعریف می شود:

این ترکیب با ماتریس زیر تعریف می شود:

(14)

که این است که بگوییم:

(15)

پیچیدگی الگوریتم برای عملیات فیوژن کلاسیک (عملیات Dempster-Shaffer) است، بنابراین پیچیدگی الگوریتم برای عبارت Advanced Matrix ما برابر است .

6.2. مثال 2: منابع معیار

اجازه دهید ، دو منبع اطلاعات چند معیاره; منبع S ₁ اطلاعاتی در مورد معیارهای C1, C2 ارائه می دهد که به شرح زیر تعریف شده است:

(16)

(17)

نمایش ماتریسی این منابع اطلاعاتی به شرح زیر است:

هر منبع را به شکل ماتریس منفجر کنید: , et , , که برای مثال ما به صورت زیر تعریف شده است:

ترکیب با ماتریس زیر تعریف می شود: , به طوری که:

،

بنابراین

،

بنابراین

بنابراین:

پس بگویم:

7. نتیجه گیری

در این مقاله ما اپراتور ترکیب منابع اطلاعاتی را در ماتریس بیانی، در گستره عملگر Dempster-Shafer، اپراتور Smets، عملگر Yager، Hedging Technique و اپراتور Dubois و Prade بیان کردیم. این ماتریس بیانی در ساده‌سازی پیچیدگی محاسبات (پیچیدگی الگوریتم) بسیار مؤثر است و تضاد بین منابع اطلاعاتی را در منشا آنها مدیریت می‌کند. در واقع، این ماتریس بیانی در ساده‌سازی ترکیب دو یا چند منبع به روشی ساده شرکت می‌کند، عملیات ترکیب را در بین منابع اطلاعاتی در منابع اطلاعاتی معیار و معیار تعمیم می‌دهد و بر مشکلاتی که در فاز ترکیبی با آن مواجه می‌شوند غلبه می‌کند. علاوه بر این، ما اثربخشی آن را در یک مطالعه موردی در مقایسه با بیان سنتی نشان داده‌ایم.

منابع