基于多傳感器信息融合的自然災害預警模型研究

□李 濤 沈 江

[天津大學 天津 300072]

引言

2008年以來，各類自然災害事件處理過程及結(jié)果表現(xiàn)出了我國自然災害應(yīng)急系統(tǒng)整體聯(lián)動性的不足，為全面控制自然災害風險，一方面，不僅需要在災害日常管理中對自然災害承災體的脆弱性評估，根據(jù)評估結(jié)果采取各種措施降低承災體脆弱性；另一方面，更需要提高自然災害探測、預警可靠性，從而對自然災害做到有備無患，盡量將自然災害發(fā)生中由于準備不足產(chǎn)生的損失降到最低[1]。因此，本文針對自然災害有效預警問題進行深入研究，著力建立一套有效的自然災害預警系統(tǒng)模型。

一、自然災害預警系統(tǒng)模型

（一）自然災害預警系統(tǒng)模型

由于自然災害信息的海量多源異構(gòu)性，簡單的信息獲取→發(fā)出預警流程已不能滿足災害信息處理的復雜性、高效性需求[2]。本研究建立以傳感器部分、信息融合預處理部分、信息融合中心部分和決策控制部分等構(gòu)成的數(shù)據(jù)融合系統(tǒng)模式，在該系統(tǒng)模式下建立更為詳細的自然災害預警系統(tǒng)模型。

本文提出的預警系統(tǒng)是在傳感器獲得一定信息量的基礎(chǔ)上，利用融合準則和算法對獲得的信息進行融合，去除信息冗余，提高信息傳遞有效性，以便可為預警決策直接利用，系統(tǒng)包括傳感器探測子系統(tǒng)、預處理子系統(tǒng)、融合子系統(tǒng)以及決策支持子系統(tǒng)，如圖1所示。

圖1 基于多傳感器信息融合的自然災害預警系統(tǒng)模型

自然災害現(xiàn)場實時動態(tài)監(jiān)測報警系統(tǒng)利用計算機等先進技術(shù)對在不同時間點、不同類別、不同表達方式的信息，按照一定的準則并應(yīng)用合適的方法對其進行綜合分析，最終對自然災害災情做出及時正確的判斷[3]。本模型應(yīng)用多傳感器對信息進行探測，是融合模型的硬件基礎(chǔ)，其獲取的多源異構(gòu)信息則是融合的處理對象，信息融合處理方法與算法是信息融合的核心。

在由多傳感器探測子系統(tǒng)、融合預處理子系統(tǒng)、信息融合子系統(tǒng)和信息決策支持子系統(tǒng)構(gòu)成的自然災害預警決策模型中，傳感器探測系統(tǒng)是整個模型的硬件基礎(chǔ)，提供待處理的信息；信息融合預處理系統(tǒng)與信息融合系統(tǒng)是整個模型的核心，負責對加工對象進行綜合加工處理，得到需要的決策信息，為決策支持系統(tǒng)提供了很好的輸入信息；決策支持系統(tǒng)接收來自信息融合系統(tǒng)的融合結(jié)果，進行脆弱性評估與專家決策，最終得到有效的決策，并觸發(fā)一系列的行動[4]。

（二）自然災害預警決策系統(tǒng)模型

自然災害原因的多樣性和現(xiàn)象的錯綜復雜性對信息的獲取和處理提出了更高的要求，也給災害探測報警系統(tǒng)的及時性和準確性帶來了更大的挑戰(zhàn)。而且傳統(tǒng)的火災報警系統(tǒng)誤警和虛警率高、運行可靠性較差、自動化程度較低，本研究針對上述問題和缺陷提出了基于多傳感器信息融合的自然災害預警決策系統(tǒng)模型，如圖2所示。該模型融合了多傳感器采集的信息及專家經(jīng)驗、知識，對災害危險性進行分析，為最終決策提供優(yōu)化目標和相關(guān)參數(shù)，提高了系統(tǒng)的集成化和智能化水平[5]。

該模型運用多傳感器對自然災害信息進行探測，通過濾波和歸一化處理對探測信息進行預處理，然后經(jīng)過信息融合處理中心的多層融合處理，從而獲取支持最終決策的信息，達到對災情的及時準確掌握和控制。

圖2 基于多傳感器信息融合的自然災害預警決策系統(tǒng)模型

二、自然災害信息預處理

自然災害監(jiān)測數(shù)據(jù)是本文的研究對象，采用信息融合等現(xiàn)代信息處理技術(shù)對每個傳感器檢測的數(shù)據(jù)進行挖掘、分析、處理、綜合，提取出表征災害的信息，并用特征矩陣表示這些征兆信息[6]。由于災害種類繁多，監(jiān)測不同災害實時信息所需部署的傳感器陣列也大為不同，因此本文以火災為例說明信息融合的特征級及決策級信息融合災害預警模型的實現(xiàn)。

監(jiān)測火災時，重要的是要了解當?shù)氐沫h(huán)境條件，該實驗我們采用多傳感器網(wǎng)絡(luò)進行信息感知與獲取。對于火災來說，判斷其致災性時我們參考的指標包括溫度、光照強度、相對濕度、煙霧濃度、氣味等重要指標，響應(yīng)的傳感器我們也會選擇溫度傳感器、光感傳感器、濕度傳感器、CO傳感器等單一或復合傳感器。而為了簡化實驗，我們只采取溫度、光照強度和濕度這三個最突出和最重要的指標信息進行驗證，所以在試驗中我們只收集溫度傳感器、光感傳感器和濕度傳感器的數(shù)據(jù)，通過溫度、光照和相對濕度的數(shù)據(jù)來預測火災發(fā)生的可能性。實際上，傳感器種類越多，結(jié)構(gòu)越復雜，監(jiān)測過程的可靠性會越高，但同時也會增加能源的消耗和成本的增加，因此，我們要設(shè)計一個經(jīng)濟型并且高度可用的傳感器系統(tǒng)，這就需要我們在效率和成本之間做出了權(quán)衡和選擇。

根據(jù)上述對于火災數(shù)據(jù)需求的分析，設(shè)計選取6組實驗數(shù)據(jù)進行火災信息融合實驗，這些數(shù)據(jù)均是在可能引起火災的情況下選取的數(shù)據(jù)。以t、l、h分別表示傳感器探測的環(huán)境溫度、光照和相對濕度的數(shù)據(jù)。該實例分析數(shù)據(jù)來源于文獻[5]和文獻[8]等自然災害災情歷史資料。在數(shù)據(jù)進行融合之前，需要對其進行歸一化處理，對各項指標數(shù)據(jù)進行處理，即

式中：datann為歸一化數(shù)據(jù)；data為溫度、光照或相對濕度的數(shù)據(jù)；max和min分別為相應(yīng)指標中的最大值與最小值。表1列出了進行歸一化處理后的六組實驗數(shù)據(jù)。

表1 森林火災預警實驗數(shù)據(jù)

三、基于閾值的特征級信息融合及預警過程

（一）基于閾值方法的特征級信息融合

在這里，我們使用閾值法來進行信息的特征級融合。該算法基于圖3中所示的狀態(tài)機，該狀態(tài)機定義了五種狀態(tài)。當監(jiān)測到表示可能造成的火災的溫度，光或相對濕度值的變化時，狀態(tài)機就會從一種狀態(tài)過渡到另一種狀態(tài)[7]。

最初的狀態(tài)是0，代表正常的環(huán)境條件（即無火災發(fā)生）。狀態(tài)1和狀態(tài)2是過渡狀態(tài)，因為它們分別表示表明可能發(fā)生夜晚的火災和可能發(fā)生白天的火災。狀態(tài)3代表日出，而狀態(tài)4可能表明暴露于陽光的直射。最后，狀態(tài)5表示存在火災。

在正常情況下，狀態(tài)機在狀態(tài)0。即使溫度，光和相對濕度的信息都能被感知到，但在狀態(tài)0只有溫度值才能得到評估。每次的溫度被記錄時，滑動窗口的大小WT的平均值和新監(jiān)測的溫度值之間的比率就會被計算一次?；瑒哟翱诎俗钚掠涗浀腤T溫度值。如果這個比值大于tr_threshold，這意味著溫度值的大的變化，這表示可能檢測到了一次可能的火災。為了確定它是否是晚上發(fā)生的火災，我們會用評估溫度的類似的方式來評估光的變化率。因此，如果滑動窗口的大小WL的平均值與最新監(jiān)測到的光量值的比率值大于tl_threshold，狀態(tài)機器會轉(zhuǎn)換到狀態(tài)1。否則，它轉(zhuǎn)換到狀態(tài)2。需要特別說明的是，在狀態(tài)0時，temp_s0中我們存儲了最后一個穩(wěn)定的溫度值，也就是狀態(tài)機從狀態(tài)0移動之前的值。

如果機器是在狀態(tài)1，我們計算的滑動窗口WH的平均值與最新的相對濕度值的比率。如果該比率小于th_threshold的大小，狀態(tài)機移動到狀態(tài)3，否則，它會返回到狀態(tài)0。當機器在狀態(tài)3時，該比率會處于被計算中，并且如果它們大于（或小于，對濕度而言）各自的閾值，比如當相對濕度下降時溫度仍在增加，機器就會移動到狀態(tài)5并且報警會被觸發(fā)，表示晚上可能會發(fā)生火災。

圖3 監(jiān)測火災的狀態(tài)機

與此相反，如果狀態(tài)機從狀態(tài)0移動到狀態(tài)2，可能已經(jīng)發(fā)生了火災或者傳感器暴露在陽光直射的地方或者它只是一種正常溫度的升高。要確定事件的真相，我們需要計算滑動窗口的大小WH的平均值和最新得到的相對濕度值的比率。如果該比例小于th_threshold，機器移動到狀態(tài)4，否則，它會回到狀態(tài)0。在狀態(tài)4，如果溫度和濕度值的比保持它們之間的關(guān)系，我們計算當前的溫度值與temp_s0的差異，如果它們的差值大于th_threshold，狀態(tài)機會移動到狀態(tài)5，這意味著白天可能會發(fā)生火災。

（二）計算結(jié)果與分析

表2列出了閾值法所獲得的結(jié)果。通過對收集的數(shù)據(jù)的分析，本案例憑經(jīng)驗定義了算法中所用的參數(shù)?；瑒哟翱赪T、WL與WH的值從5變化到35，增量為5。我們使用這些值對算法的性能進行評價。根據(jù)經(jīng)驗當我們使用的滑動窗口的值大于或等于15時我們的算法會得到最佳的狀態(tài)，能夠檢測出所有的火災，但是誤警的次數(shù)并沒有減少，并且我們選取的閾值采取下面的數(shù)據(jù)：tr_threshold=1.01，tl_threshold=1.1，th_threshold=1，并且tm_threshold=3℃。

為了評估該算法的性能，我們用以下指標：誤報和漏報。誤報表示誤認為發(fā)生了火災，而漏報表示當火災發(fā)生時不能正確的發(fā)出預報。

我們可以觀察到，在算法中設(shè)置適當?shù)膮?shù)值，能夠檢測出所有存在的火災。另一方面，如果我們排除陽光直接照射帶來的環(huán)境參數(shù)的影響的話，我們就可以很容易地減少甚至消除誤報的數(shù)量。

表2 閾值法的火災評估結(jié)果

四、基于D-S理論的決策級信息融合及預警過程

（一）基于D-S理論方法的決策級信息融合

對于較為復雜的多源異構(gòu)信息，可以采取D-S（Dempster-Shafer）證據(jù)理論進行決策層融合，該方法是決策級融合比較常用的方法，是在貝葉斯方法的基礎(chǔ)上衍生出來的，有著更大的優(yōu)越性，目前對該方法的研究已經(jīng)趨于完善，它既能處理隨機性和不確定性問題，又可以處理一些模糊性問題，在火災探測上，不明信息與不確定信息尤其常見。該方法的優(yōu)勢之處就在于其不需要基礎(chǔ)先驗概率與條件概率密度函數(shù)值。所以，對融合火災信息具有無可比擬的優(yōu)勢[8]。

從特征級融合獲得的結(jié)果，可以得出結(jié)論，光照的強度在夜晚時檢測火災時是很有用的，但是，在白天，光照強度的變化對火災的探測影響不大。由于僅使用溫度傳感器和相對濕度傳感器，也可以檢測到晚上的火災災害。為了簡化說明，在決策級融合中我們僅研究溫度傳感器和相對濕度傳感器的探測數(shù)據(jù)，并且這樣我們可以節(jié)省能源消耗。

本研究采取的決策級融合算法是基于Dempster-Shafer理論，并使用溫度傳感器和相對濕度傳感器進行探測[9]。Dempster-Shafer理論，也被稱為信度函數(shù)的理論，是一個概括的主觀概率的貝葉斯理論。它是基于A.P.Dempster關(guān)于上下概率的研究[10]，后來被G.Shafer擴展和細化為一種證據(jù)理論數(shù)學模型。Shafer在Dempster理論的基礎(chǔ)上重新構(gòu)建了數(shù)學理論并介紹了置信度的概念。

D-S理論的主要優(yōu)點是能夠處理不確定性；也就是說，它不需要完整的概率模型的知識。相比之下，貝葉斯推理需要先驗知識，不允許不知道分配的概率或不確定性[11]。

在D-S證據(jù)理論方法中，由互不相容的基本命題或者假定組成的完備集合稱為識別框架，包含對某一特定問題的所有可能答案，但其中只有一個答案是正確的。我們將該框架的子集稱為命題。分配給各命題的信任程度稱為基本概率分配，也稱為m函數(shù)，其定義如下：

設(shè)U為互不相容的基本命題（假定）組成的完備集合，稱為辨識框架，φ表示空的命題集合。如果函 數(shù)m：2U→[0,1]同 時 滿 足 條 件m(φ)=0 和∑A∈Um(A)=1，則稱m(A) 為命題A 的基本信任測度或基本可信數(shù)。

（二）計算結(jié)果與分析

表3列示出了基于DS證據(jù)理論這一算法所得到的評價結(jié)果。我們可以觀察到，使用WT=35的一個滑動窗口值，該算法能夠檢測出現(xiàn)有的所有火災。對于較小的WT值，算法在檢測晚上的火災時可能會失敗。與基于閾值的特征級融合算法比較發(fā)現(xiàn)其虛警的次數(shù)明顯增多，但漏警的情況明顯減少，即通過此方法能夠預測到絕大多數(shù)火災，虛警的次數(shù)較多可能與信息的模糊性增強有關(guān)，處理過程更加謹慎與細致。此外，該算法無法區(qū)分火災帶來的火光和陽光直射的火光。然而，如果如前面提到的那樣避免陽光直射，那么一些誤警虛報可能會減少。

表3 D-S證據(jù)理論的火災探測結(jié)果

五、研究結(jié)論

本文在自然災害的嚴重性和災害特征分析的基礎(chǔ)上，集成了多傳感技術(shù)、信息融合技術(shù)、智能決策技術(shù)等高新技術(shù)，對災害的多源、多平臺、多傳感器信息進行了特征分析、特征提取及決策級融合的研究，形成了支撐自然災害應(yīng)急預警決策模型及其支撐體系，為自然災害檢測及預警提供了強有力的技術(shù)和系統(tǒng)支持；研究了系統(tǒng)結(jié)構(gòu)及其實現(xiàn)的步驟和方法；深入研究了如何利用閾值理論實現(xiàn)特征級融合和基于D-S證據(jù)理論融合方法的決策級融合，保證了自然災害預警系統(tǒng)做出更加及時、準確的決策，對提高自然災害應(yīng)急水平以及減少災害損失具有重要意義。

[1]HAY B,WETS G,VANHOOF K.Clustering navigation patterns on a website using a sequence alignment method [C].17th International Joint Conference on Artificial Intelligence,2001:267-268.

[2]GABBAY D M,WOODS J.Logic and the Modalities in the Twentieth Century,volume 7(handbook of the history of logic)[C].Elsevier,2006:601-664.

[3]LIU M,SHEN W,HAO Q,YAN J W.An weighted ontology-based semantic similarity algorithm for web service[J].Expert Systems with Applications,2009,4(34):12480-12490.

[4]JUAREZ J M,GUIL F,PALMA J,MARIN R.Temporal similarity by measuring possibilistic uncertainty in CBR[J].Fuzzy Sets and Systems,2009,5(17):214-230.

[5]KOSCHMIDER A,SONG M,REIJERS H A.Advanced social features in a recommendation system for process modeling[J].Business Information Systems,2009,8(21):109-120.

[6]張堯庭,張璋.幾種選取部分代表性指標的統(tǒng)計方法[J].統(tǒng)計研究,1990(1):52-58.

[7]郭亞軍.綜合評價理論、方法及應(yīng)用[M].北京:科學出版社,2007:6-13.

[8]趙林度.城市群協(xié)同應(yīng)急決策生成理論研究[J].東南大學學報：哲學社會科學版,2009(1):28-30.

[9]徐曼,沈江.基于Vague集的方案決策模型及其推理機制[J].系統(tǒng)工程,2010(2):17-22.

[10]袁曉芳,田水承,王莉.基于PSR與貝葉斯網(wǎng)絡(luò)的非常規(guī)突發(fā)事件情景分析[J].中國安全科學學報,2011(1):169-176.

[11]遲國泰,曹婷婷,張昆.基于相關(guān)-主成分分析的人的全面發(fā)展評價指標體系構(gòu)建[J].系統(tǒng)工程理論與實踐,2012(1):111-119.