[發明專利]一種農田多源信息動態調節融合方法及系統

有效

• 申請號: 201910298465.2
• 申請日: 2019-04-15
• 公開（公告）號: CN110009251B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 趙小強;高強;權恒;晏珠峰;石俊麗;趙治偉;劉耀文
• 申請（專利權）人: 西安郵電大學;西安碧海藍天電子信息技術有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/02;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 杜陽陽

1.一種農田多源信息動態調節融合方法，其特征在于，所述農田多源信息動態調節融合方法包括：

獲取農田多源數據，并將所述農田多源數據確定為證據因子；所述證據因子包括土壤水分、水分脅迫指數以及氣孔導度；

確定數據融合的識別框架；所述識別框架包括三個命題，分別為灌溉命題、不灌溉命題以及不確定命題；

計算各個所述證據因子分別對所述識別框架中各個命題的概率分配值，并建立基本概率分配矩陣；所述基本概率分配矩陣的元素為概率分配值；

根據所述基本概率分配矩陣，結合D-S證據理論中的沖突系數計算公式，計算沖突系數；

判斷所述沖突系數是否在設定閾值區間內，得到第一判斷結果；

若所述第一判斷結果表示所述沖突系數不在所述設定閾值區間內，則采用D-S證據理論合成規則對所述基本概率分配矩陣中所有的概率分配值進行數據融合，確定所述識別框架中各個命題的支持率；

若所述第一判斷結果表示所述沖突系數在所述設定閾值區間內，則確定各個所述證據因子的權重系數，并根據所述基本概率分配矩陣中的概率分配值，確定沖突因子；

判斷所述沖突因子的權重系數是否大于權重平均值，得到第二判斷結果；

若所述第二判斷結果表示所述沖突因子的權重系數小于或者等于所述權重平均值，則采用平均證據因子的概率分配值替代所述沖突因子的概率分配值的方式修正所述基本概率分配矩陣，并采用D-S證據理論合成規則對修正后的基本概率分配矩陣中所有的概率分配值進行數據融合，確定所述識別框架中各個命題的支持率；

若所述第二判斷結果表示所述沖突因子的權重系數大于所述權重平均值，則根據各個所述證據因子的權重系數和歷史積累數據因子對所述D-S證據理論合成規則進行改進，并采用改進后的D-S證據理論合成規則對所述基本概率分配矩陣中所有的概率分配值進行數據融合，確定所述識別框架中各個命題的支持率；

所述根據各個所述證據因子的權重系數和歷史積累數據因子對所述D-S證據理論合成規則進行改進具體包括：

步驟1：對概率分配函數f(A)進行優化，改進D-S證據理論證據合成規則，改進后的合成規則為：

其中，f(A)≥0為證據沖突概率的分配函數，滿足m(A)表示命題A的基本概率分配函數；m₁(A)、m₂(A)分別表示證據因子1和證據因子2對命題A的概率分配；f(A)表示概率分配函數，K表示沖突系數；q(A)表示對于命題A的各個證據因子融合時所分配的沖突系數K的權重；δ_i表示命題的基本概率分配函數的調節度；α_i表示證據因子之間的相似度；crd(e_i)表示各證據因子的可信度；ω_i表示各證據因子的權重系數；命題A表示識別框架中的灌溉命題、不灌溉命題或者不確定命題；

步驟2：計算各證據的可信度crd(e_i)；

E_i和E_j是兩個證據因子，m_i和m_j分別為其相應的概率分配值，證據因子E_i和證據因子E_j的距離為兩證據因子之間的距離越大，說明證據因子之間相似性越小，則用s(e_i，e_j)＝1-d(e_i，e_j)來表示證據因子之間的相似性，則兩兩證據因子之間的相似矩陣可以表示為：

故證據因子E_i的支持度為sup越大，證明證據因子之間相似程度越高，則支持程度也越高，對證據因子的支持度進行歸一化，則各證據因子的可信度為

其中，s_ij表示證據因子i與證據因子j之間的相似性，sup(e_i)表示證據因子i與其他所有證據因子的相似性之和，crd(e_i)表示證據因子i的可信度；

步驟3：引入權重系數ω_i，對權重系數和可信度進行比較，得出證據因子的可用度λ_i^*＝max{crd(e_i),ω_i}，并對其進行歸一化得到最終的歸一化可用度λ_i，

其中，λ_i^*為證據因子i的可用度，通過可信度crd(e_i)與引入的初始權重系數ω_i進行比較來確定；通過歸一化，得到證據因子i的最終可用度λ_i；

步驟4：引入歷史積累數據因子H_i，動態調節證據因子的可用度；

將歷史積累數據因子H_i按照所述計算各個所述證據因子分別對所述識別框架中各個命題的概率分配值，并建立基本概率分配矩陣，計算得到歷史積累數據相應的概率分配矩陣HM_i，將得到的矩陣HM_i按元素相加，并分別求其均值，得到前序數據概率分配函數的均值矩陣H_mean，其元素為hm_ij，表示各證據因子對各個命題的平均支持程度，計算公式為：

計算歷史積累數據因子對第j個命題的平均分配概率其中n為證據因子的數目，計算公式為：

其中，hm_ij為歷史積累數據的平均概率分配矩陣H_mean中的元素，表示第j個命題的平均分配概率；

將計算得到的概率分配矩陣提取各個證據因子，計算各個證據因子與平均分配概率的相似程度ms_i，計算公式為：

對其進行歸一化處理，則得到了各證據因子的相似度α_i，計算公式為：

其中，ms_i表示第i個證據因子與平均分配概率的相似程度，α_i表示第i個證據因子的相似度；

步驟5：將步驟3得到的可用度和步驟4得到的相似度α_i相乘，得到調節度δ_i'＝λ_i*α_i，對其進行歸一化，得到最終的調節度δ_i，計算公式為：

其中，δ_i'表示第i個證據因子的調節度，通過將可用度λ_i與相似度α_i相乘得到；通過對其進行歸一化，得到最終的調節度δ_i；

將最終的調節度δ_i帶入步驟1中的公式進行計算，得到融合結果m(A)；

所述計算各個所述證據因子分別對所述識別框架中各個命題的概率分配值，并建立基本概率分配矩陣，具體包括：

利用所述識別框架，建立模糊粗糙集隸屬度函數；所述模糊粗糙集隸屬度函數包括三個概率分配函數，分別為灌溉命題概率分配函數、不灌溉命題概率分配函數以及不確定命題概率分配函數；

確定所述識別框架中各個命題的模糊區間；

根據各個所述證據因子，結合所述灌溉命題概率分配函數和灌溉命題的模糊區間的最小值和最大值，計算各個所述證據因子對所述灌溉命題的概率分配值；其中，第i個證據因子對所述灌溉命題的概率分配函數為m_i1；

根據各個所述證據因子，結合所述不灌溉命題概率分配函數和不灌溉命題的模糊區間的最小值和最大值，計算各個所述證據因子對所述不灌溉命題的概率分配值；其中，第i個證據因子對所述不灌溉命題的概率分配函數為m_i2；

所述各個所述證據因子對所述識別框架中灌溉命題的概率分配值和各個所述證據因子對所述識別框架中不灌溉命題的概率分配值，結合所述不確定命題概率分配函數，計算各個所述證據因子對所述不確定命題的概率分配值；其中，第i個證據因子對所述不確定命題的概率分配函數為m_i3；

將所有所述概率分配值組合，建立基本概率分配矩陣；其中，所述基本概率分配矩陣的列元素表示各個證據因子對每個命題的概率分配值。