一种农田多源信息动态调节融合方法及系统与流程
本发明涉及农业信息化技术领域，特别是涉及一种农田多源信息动态调节融合方法及系统。
背景技术：
随着精细化、信息化现代农业的发展，物联网技术、计算机技术等高新技术开始大量的应用于农业领域，开始形成基于信息技术平台、结合大数据与机械设备、优化作物管理和农业资源使用效率的综合性农田管理优化技术，即精准农业。精准灌溉作为精准农业的一环，可精细准确的调整各项土壤和作物管理措施，最大限度的优化使用水投入量，以获得最高产量和最大经济效益，而实现精准灌溉需要依靠多种农田灌溉决策因子，这涉及到多源农田环境信息的融合。
目前常用的信息融合技术包括贝叶斯原理、模糊粗糙集理论、人工神经网络、d-s证据理论等多种融合技术。其中，d-s证据理论常用于解决不确定性问题，在农田灌溉，可以很好的消除灌溉不确定性等问题，但是由于d-s证据理论在证据高度冲突的情况下容易产生完全错误的结果。
现在对经典理论进行了改进，以解决这种高冲突带来的问题，常见的是从两个方面进行修改，其一是对冲突证据源进行修改，这样直接进行修改，简单处理了冲突，造成了整体信息的损失，同时带来聚焦能力下降问题；其二是修改证据合成规则，通过判断证据之间的可信度，基于可信度采用加权平均的思想将证据冲突概率分配给各个命题。其中，目前现有的农田信息数据融合方式在解决证据冲突的时候，采用平均证据代替冲突证据，从而形成证据对命题分配概率一致的效果，这样虽然会降低冲突系数，但忽略了冲突因子携带信息，丧失了数据的完整性，同时也带来证据聚焦能力下降的问题，并且由于没有考虑不同证据因子的重要程度，可能导致核心证据因子的主导地位不能发挥作用，从而使得融合结果脱离实际，误导决策结果，另外没有考虑历史积累数据的影响，由于农田环境监测是一个连续的过程，并且是一个缓慢变化的过程，所以应该吸收历史积累数据规律，从而在对当前冲突进行概率分配的时候进行动态的调节。
综上所述，现有的进行决策级数据融合的方法普遍存在的问题为：证据因子高冲突情况下，数据融合结果不确定性高甚至出现与事实相悖的融合结果，因此需要一种新的数据融合方法。
技术实现要素：
本发明的目的是提供一种农田多源信息动态调节融合方法及系统，通过引入证据权重和历史积累数据因子改进了d-s证据理论合成规则，解决了现有技术在多源数据融合时，因忽略灌溉因子和历史累计数据对当前数据的影响而导致的融合结果不确定甚至与事实相悖，从而误导决策结果的问题。该方法对于不同的情况可以得到较好的融合结果，提高了农田监测数据融合的可靠性和合理性，降低了决策的风险。
为实现上述目的，本发明提供了如下方案：
一种农田多源信息动态调节融合方法，包括：
获取农田多源数据，并将所述农田多源数据确定为证据因子；所述证据因子包括土壤水分、水分胁迫指数以及气孔导度；
确定数据融合的识别框架；所述识别框架包括三个命题，分别为灌溉命题、不灌溉命题以及不确定命题；
计算各个所述证据因子分别对所述识别框架中各个命题的概率分配值，并建立基本概率分配矩阵；所述基本概率分配矩阵的元素为概率分配值；
根据所述基本概率分配矩阵，结合d-s证据理论中的冲突系数计算公式，计算冲突系数；
判断所述冲突系数是否在设定阈值区间内，得到第一判断结果；
若所述第一判断结果表示所述冲突系数不在所述设定阈值区间内，则采用经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率；
若所述第一判断结果表示所述冲突系数在所述设定阈值区间内，则确定各个所述证据因子的权重系数，并根据所述基本概率分配矩阵中的概率分配值，确定冲突因子；
判断所述冲突因子的权重系数是否大于权重平均值，得到第二判断结果；
若所述第二判断结果表示所述冲突因子的权重系数小于或者等于所述权重平均值，则采用平均证据因子的概率分配值替代所述冲突因子的概率分配值的方式修正所述基本概率分配矩阵，并采用经典d-s证据理论合成规则对修正后的基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率；
若所述第二判断结果表示所述冲突因子的权重系数大于所述权重平均值，则根据各个所述证据因子的权重系数和历史积累数据因子对所述经典d-s证据理论合成规则进行改进，并采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
可选的，所述计算各个所述证据因子分别对所述识别框架中各个命题的概率分配值，并建立基本概率分配矩阵，具体包括：
利用所述识别框架，建立模糊粗糙集隶属度函数；所述模糊粗糙集隶属度函数包括三个概率分配函数，分别为灌溉命题概率分配函数、不灌溉命题概率分配函数以及不确定命题概率分配函数；
确定所述识别框架中各个命题的模糊区间；
根据各个所述证据因子，结合所述灌溉命题概率分配函数和灌溉命题的模糊区间的最小值和最大值，计算各个所述证据因子对所述灌溉命题的概率分配值；其中，第i个证据因子对所述灌溉命题的概率分配函数为mi1；
根据各个所述证据因子，结合所述不灌溉命题概率分配函数和不灌溉命题的模糊区间的最小值和最大值，计算各个所述证据因子对所述不灌溉命题的概率分配值；其中，第i个证据因子对所述不灌溉命题的概率分配函数为mi2；
所述各个所述证据因子对所述识别框架中灌溉命题的概率分配值和各个所述证据因子对所述识别框架中不灌溉命题的概率分配值，结合所述不确定命题概率分配函数，计算各个所述证据因子对所述不确定命题的概率分配值；其中，第i个证据因子对所述不确定命题的概率分配函数为mi3；
将所有所述概率分配值组合，建立基本概率分配矩阵；其中，所述基本概率分配矩阵的列元素表示各个证据因子对每个命题的概率分配值。
可选的，所述灌溉命题概率分配函数为
所述不灌溉命题概率分配函数为
所述不确定命题概率分配函数为mi3＝1-mi1-mi2；
其中，x表示证据因子；d1、d2表示灌溉命题的模糊区间的最小值和最大值；d3、d4表示不灌溉命题的模糊区间的最小值和最大值。
可选的，所述确定各个所述证据因子的权重系数，具体包括：
根据专家经验，确定每个所述证据因子的权重系数。
可选的，所述根据各个所述证据因子的权重系数和历史积累数据因子对所述经典d-s证据理论合成规则进行改进，并采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率，具体包括：
计算每个所述证据因子的可信度；
根据所述证据因子的可信度和权重系数，计算每个所述证据因子的可用度；
获取一组历史积累数据因子；
根据所述历史积累数据因子，计算均值矩阵；所述均值矩阵的元素表示各个历史积累数据因子对各个命题的平均支持度；
将所述均值矩阵中的元素按列求和取平均，得到每个命题的平均概率分配值；
计算各个所述证据因子中每个命题的概率分配值与所述平均概率分配值的相似度并归一化，得到每个所述证据因子的相似度；
根据所述证据因子的可用度和相似度，计算每个所述证据因子的调节度；
根据每个所述证据因子的调节度，改进所述经典d-s证据理论合成规则；
采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
可选的，所述计算每个所述证据因子的可信度，具体包括：
根据每个所述证据因子所对应的概率分配值，计算各个所述证据因子之间的距离；
根据各个所述证据因子之间的距离，建立两两所述证据因子之间的相似矩阵；
根据所述相似矩阵，计算每个所述证据因子的可信度。
可选的，所述根据所述证据因子的可信度和权重系数，计算每个所述证据因子的可用度，具体包括：
将所述证据因子对应的权重系数与可信度进行比较，得到每个所述证据因子的初始可用度；
对所述证据因子的初始可用度进行归一化处理，得到每个所述证据因子最终的可用度。
可选的，所述根据所述证据因子的可用度和相似度，计算每个所述证据因子的调节度，具体包括：
将每个所述证据因子的可用度与相似度相乘，得到每个所述证据因子的初始调节度；
对所述证据因子的初始调节度进行归一化处理，得到每个所述证据因子最终的调节度。
可选的，所述改进后的经典d-s证据理论合成规则为：
其中，m(a)表示命题a的基本概率分配函数，表示证据因子对命题a的信任程度；m1(a)、m2(a)分别表示证据因子1和证据因子2对命题a的概率分配；f(a)表示概率分配函数，k表示冲突系数；q(a)表示对于命题a的各个证据因子融合时所分配的冲突系数k的权重；δi表示命题的基本概率分配函数的调节度；αi表示证据因子之间的相似度；crd(ei)表示各证据因子的可信度；ωi表示各证据因子的权重系数；命题a表示识别框架中的灌溉命题、不灌溉命题或者不确定命题；
其中f(a)≥0为冲突因子的概率分配函数，满足
一种农田多源信息动态调节融合系统，包括：
农田多源数据获取模块，用于获取农田多源数据，并将所述农田多源数据确定为证据因子；所述证据因子包括土壤水分、水分胁迫指数以及气孔导度；
识别框架确定模块，用于确定数据融合的识别框架；所述识别框架包括三个命题，分别为灌溉命题、不灌溉命题以及不确定命题；
基本概率分配矩阵建立模块，用于计算各个所述证据因子分别对所述识别框架中各个命题的概率分配值，并建立基本概率分配矩阵；所述基本概率分配矩阵的元素为概率分配值；
冲突系数计算模块，用于根据所述基本概率分配矩阵，结合d-s证据理论中的冲突系数计算公式，计算冲突系数；
第一判断结果得到模块，用于判断所述冲突系数是否在设定阈值区间内，得到第一判断结果；
冲突因子确定模块，用于当所述第一判断结果表示所述冲突系数在所述设定阈值区间内时，确定各个所述证据因子的权重系数，并根据所述基本概率分配矩阵中的概率分配值，确定冲突因子；
第二判断结果得到模块，用于判断所述冲突因子的权重系数是否大于权重平均值；
识别框架中各个命题支持率确定模块，用于当所述第一判断结果表示所述冲突系数不在所述设定阈值区间内时，采用经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率，或当所述第二判断结果表示所述冲突因子的权重系数小于或者等于所述权重平均值时，采用平均证据因子的概率分配值替代所述冲突因子的概率分配值的方式修正所述基本概率分配矩阵，并采用经典d-s证据理论合成规则对修正后的基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率，或当所述第二判断结果表示所述冲突因子的权重系数大于所述权重平均值，则根据各个所述证据因子的权重系数和历史积累数据因子对所述经典d-s证据理论合成规则进行改进，并采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种农田多源信息动态调节融合方法及系统，通过引入证据因子的重要程度和历史积累数据规律的影响，给出冲突分配调节度因子，动态的将冲突系数分配给命题，改进了d-s证据理论合成规则，解决了现有技术中忽略农田证据因子重要程度以及历史积累数据对当前数据的影响而进行数据融合导致的融合结果不确定甚至与事实相悖，从而误导决策结果的问题。该方法对于不同的情况可以得到较好的融合结果，提高了农田监测数据融合的可靠性和合理性，降低了决策的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例农田多源信息动态调节融合方法的流程示意图；
图2为本发明实施例农田多源信息动态调节融合系统的结构示意图；
图3为本发明实施例农田多源信息动态调节融合方法的整体流程图；
图4为本发明实施例采用平均证据因子进行数据融合的方法流程示意图；
图5为本发明实施例改进d-s证据理论合成规则进行数据融合的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的在于解决现有技术中忽略灌溉因子重要程度不同以及历史积累数据对当前数据的影响进行数据融合导致的融合结果不确定甚至的与事实相悖，从而误导决策结果的问题，提供了一种农田多源信息动态调节融合方法及系统。该方法或系统对于有冲突情况下，可根据冲突情况，提供不同的融合策略，对于不同的情况可以得到较好的融合结果，提高了农田监测数据融合的可靠性和合理性，降低了决策的风险。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供的农田多源信息动态调节融合方法包括：
步骤101：获取农田多源数据，并将所述农田多源数据确定为证据因子；所述证据因子包括土壤水分、水分胁迫指数以及气孔导度。
步骤102：确定数据融合的识别框架；所述识别框架包括三个命题，分别为灌溉命题、不灌溉命题以及不确定命题。
步骤103：计算各个所述证据因子分别对所述识别框架中各个命题的概率分配值，并建立基本概率分配矩阵；所述基本概率分配矩阵的元素为概率分配值。
步骤104：根据所述基本概率分配矩阵，结合d-s证据理论中的冲突系数计算公式，计算冲突系数。
步骤105判断所述冲突系数是否在设定阈值区间内，得到第一判断结果；若所述第一判断结果表示所述冲突系数不在所述设定阈值区间内，则执行步骤106，若所述第一判断结果表示所述冲突系数在所述设定阈值区间内，则执行步骤107。
步骤106：采用经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
步骤107：确定各个所述证据因子的权重系数，并根据所述基本概率分配矩阵中的概率分配值，确定冲突因子。
步骤108：判断所述冲突因子的权重系数是否大于权重平均值，得到第二判断结果；若所述第二判断结果表示所述冲突因子的权重系数小于或者等于所述权重平均值，则执行步骤109；若所述第二判断结果表示所述冲突因子的权重系数大于所述权重平均值，则执行步骤110。
步骤109：采用平均证据因子的概率分配值替代所述冲突因子的概率分配值的方式修正所述基本概率分配矩阵，并采用经典d-s证据理论合成规则对修正后的基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
步骤110：根据各个所述证据因子的权重系数和历史积累数据因子对所述经典d-s证据理论合成规则进行改进，并采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
步骤103具体包括：
利用所述识别框架，建立模糊粗糙集隶属度函数；所述模糊粗糙集隶属度函数包括三个概率分配函数，分别为灌溉命题概率分配函数、不灌溉命题概率分配函数以及不确定命题概率分配函数。
确定所述识别框架中各个命题的模糊区间。
根据各个所述证据因子，结合所述灌溉命题概率分配函数和灌溉命题的模糊区间的最小值和最大值，计算各个所述证据因子对所述灌溉命题的概率分配值；其中，mi1表示第i个证据因子对所述灌溉命题的概率分配值。
根据各个所述证据因子，结合所述不灌溉命题概率分配函数和不灌溉命题的模糊区间的最小值和最大值，计算各个所述证据因子对所述不灌溉命题的概率分配值；其中，mi2表示第i个证据因子对所述不灌溉命题的概率分配值。
所述各个所述证据因子对所述识别框架中灌溉命题的概率分配值和各个所述证据因子对所述识别框架中不灌溉命题的概率分配值，结合所述不确定命题概率分配函数，计算各个所述证据因子对所述不确定命题的概率分配值；其中，mi3表示第i个证据因子对所述不确定命题的概率分配值。
将所有所述概率分配值组合，建立基本概率分配矩阵；其中，所述基本概率分配矩阵的列元素表示各个证据因子对每个命题的概率分配值。
所述灌溉命题概率分配函数为
所述不灌溉命题概率分配函数为
所述不确定命题概率分配函数为mi3＝1-mi1-mi2(3)。
其中，x表示证据因子；d1、d2表示灌溉命题的模糊区间的最小值和最大值；d3、d4表示不灌溉命题的模糊区间的最小值和最大值。
在本实施例中，根据专家经验，确定每个所述证据因子的权重系数。
步骤110具体包括：
计算每个所述证据因子的可信度；具体包括：根据每个所述证据因子所对应的概率分配值，计算各个所述证据因子之间的距离；根据各个所述证据因子之间的距离，建立两两所述证据因子之间的相似矩阵；根据所述相似矩阵，计算每个所述证据因子的可信度。
根据所述证据因子的可信度和权重系数，计算每个所述证据因子的可用度；具体包括：将所述证据因子对应的权重系数与可信度进行比较，得到每个所述证据因子的初始可用度；对所述证据因子的初始可用度进行归一化处理，得到每个所述证据因子最终的可用度。
获取一组历史积累数据因子。
根据所述历史积累数据因子，计算均值矩阵；所述均值矩阵的元素表示各个历史积累数据因子对各个命题的平均支持度。
将所述均值矩阵中的元素按列求和取平均，得到每个命题的平均概率分配值。
计算各个所述证据因子中每个命题的概率分配值与所述平均概率分配值的相似度并归一化，得到每个所述证据因子的相似度。
根据所述证据因子的可用度和相似度，计算每个所述证据因子的调节度。具体包括：将每个所述证据因子的可用度与相似度相乘，得到每个所述证据因子的初始调节度；对所述证据因子的初始调节度进行归一化处理，得到每个所述证据因子最终的调节度。
根据每个所述证据因子的调节度，改进所述经典d-s证据理论合成规则。
采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
其中，所述改进后的经典d-s证据理论合成规则为：
其中，m(a)表示命题a的基本概率分配函数，表示证据因子对命题a的信任程度；m1(a)、m2(a)分别表示证据因子1和证据因子2对命题a的概率分配；f(a)表示概率分配函数，k表示冲突系数；q(a)表示对于命题a的各个证据因子融合时所分配的冲突系数k的权重；δi表示命题的基本概率分配函数的调节度；αi表示证据因子之间的相似度；crd(ei)表示各证据因子的可信度；ωi表示各证据因子的权重系数；命题a表示识别框架中的灌溉命题、不灌溉命题或者不确定命题。
其中，f(a)≥0为冲突因子的概率分配函数，满足
实施例2
如图2所示，本实施例提供的一种农田多源信息动态调节融合系统包括：
农田多源数据获取模块100，用于获取农田多源数据，并将所述农田多源数据确定为证据因子；所述证据因子包括土壤水分、水分胁迫指数以及气孔导度。
识别框架确定模块200，用于确定数据融合的识别框架；所述识别框架包括三个命题，分别为灌溉命题、不灌溉命题以及不确定命题。
基本概率分配矩阵建立模块300，用于计算各个所述证据因子分别对所述识别框架中各个命题的概率分配值，并建立基本概率分配矩阵；所述基本概率分配矩阵的元素为概率分配值。
冲突系数计算模块400，用于根据所述基本概率分配矩阵，结合d-s证据理论中的冲突系数计算公式，计算冲突系数。
第一判断结果得到模块500，用于判断所述冲突系数是否在设定阈值区间内，得到第一判断结果。
冲突因子确定模块600，用于当所述第一判断结果表示所述冲突系数在所述设定阈值区间内时，确定各个所述证据因子的权重系数，并根据所述基本概率分配矩阵中的概率分配值，确定冲突因子。
第二判断结果得到模块700，用于判断所述冲突因子的权重系数是否大于权重平均值。
识别框架中各个命题支持率确定模块800，用于当所述第一判断结果表示所述冲突系数不在所述设定阈值区间内时，采用经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率，或当所述第二判断结果表示所述冲突因子的权重系数小于或者等于所述权重平均值时，采用平均证据因子的概率分配值替代所述冲突因子的概率分配值的方式修正所述基本概率分配矩阵，并采用经典d-s证据理论合成规则对修正后的基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率，或当所述第二判断结果表示所述冲突因子的权重系数大于所述权重平均值，则根据各个所述证据因子的权重系数和历史积累数据因子对所述经典d-s证据理论合成规则进行改进，并采用改进后的经典d-s证据理论合成规则对所述基本概率分配矩阵中所有的概率分配值进行数据融合，确定所述识别框架中各个命题的支持率。
实施例3
本发明是在多种类型传感器采集的与作物本身和生长环境相关的监测信息的基础上进行的，包括土壤水分传感器、土壤温度传感器、电导率传感器、风速风向传感器、光照强度传感器、光辐射传感器以及观测农田作物生长的冠层温度传感器和气孔导度传感器实时数据，上述传感器每10分钟采集一次数据。
如图3所示，在以上实验环境的背景下，本实施例提供的农田多源信息动态调节融合方法具体步骤为：
步骤1：选取多源农田监测数据作为数据融合的证据因子，并根据数据特征和融合决策需求确定合理的识别框架。
步骤2：利用模糊粗糙集中的隶属度函数计算各证据因子对识别框架中的各个命题的概率分配值，从而得到基本概率分配矩阵m。
步骤3：确定各证据因子的权重系数ωi。
步骤4：将步骤2得到的基本概率分配矩阵m中的概率分配值mij带入d-s证据理论的冲突系数计算公式
其中，k反映了各证据因子之间的冲突程度，ai表示第i个证据因子对命题a的概率分配，m1(ai)表示第一个证据因子对于命题a的概率分配，m2(bj)表示第二个证据因子对于命题b的概率分配。
步骤5：对步骤4得到的冲突系数k进行判断，分情况进行不同方式的数据融合处理：当冲突系数k不趋近于1的时候，经典d-s证据理论可以达到很好的融合结果，所以直接采用经典d-s证据理论合成规则对数据进行融合；当其趋近于1的时候，再判断冲突因子的权重系数ωi，分为两种情况：当
进一步的，步骤1的具体步骤包括：
步骤1.1，选取农田作物生长环境最重要的土壤水分监测数据，冠层温度监测数据和气孔导度监测数据作为多源数据，其中由于水分胁迫指数是表征植物缺水状态的重要指标，所以这里将监测的冠层温度带入公式(5)和(6)计算得到水分胁迫指数，因此，选取土壤水分e1、水分胁迫指数e2、气孔导度e3作为输入多源数据。
其中，cwsi表示水分胁迫指数，tc表示冠层温度，tw表示平均温度，tdry表示干球温度加5℃，ta表示空气温度，es表示饱和水汽压，ea表示实际水汽压，δ表示饱和水汽压与温度关系曲线斜率，γ表示温度计常数。
步骤1.2，进行数据融合处理的最终目的是将融合结果用于田间灌溉的决策，因此将数据融合的识别框架确定为θ＝{灌溉，不灌溉，不确定}，之后用字母a、b、c来表示灌溉、不灌溉、不确定，即θ＝{a，b，c}。
进一步的，步骤2的具体步骤包括：
步骤2.1：根据步骤1.2确定的识别框架，建立模糊粗糙集隶属度函数，如以下公式所示，
所述灌溉命题概率分配函数为
所述不灌溉命题概率分配函数为
所述不确定命题概率分配函数为mi3＝1-mi1-mi2(3)。
其中，x表示证据因子；d1、d2表示灌溉命题的模糊区间的最小值和最大值；d3、d4表示不灌溉命题的模糊区间的最小值和最大值。
步骤2.2：由步骤1选取的证据因子作为输入，根据各个命题得到模糊区域的最小值和最大值，带入步骤2.1建立的隶属度函数公式，得到各个证据因子对每个命题的概率分配值，组合各个证据因子的概率分配值，则可得到d-s证据理论中的基本概率分配矩阵m，
进一步的，步骤3的具体步骤为：
这里的权重系数是根据专家经验确定的，分别为土壤水分的权重系数0.6，水分胁迫指数的权重系数0.2，气孔导度的权重系数0.2，因为土壤的水分是最能反应灌溉的需求的，因此土壤水分参数属于核心因子。
进一步的，步骤4的具体步骤为：
这一步主要是为了得到各证据因子之间的冲突程度，将步骤2得到的基本概率分配矩阵m中的概率分配值mij带入d-s证据理论的冲突系数计算公式
进一步的，步骤5具体包括：
步骤5.1：根据步骤4计算得到的冲突系数k，进行判断，当冲突系数k不趋近于1的时候，认为各证据因子对于命题的支持程度趋近于一致，采用经典d-s证据理论合成规则进行融合，即可得到较好的融合效果。其具体合成规则如公式(7)所示。公式(7)包括三个式子，分别为公式(7.1)、公式(7.2)以及公式(7.3)。
命题a的合成规则为
其中，m(a)表示证据因子合成后对于命题a的最终概率分配，m1(a1)表示第一个证据因子对命题a的概率分配函数、m2(a2)表示第二个证据因子对命题a的概率分配函数，依次类推。
命题b的合成规则为
命题c的合成规则为
步骤5.2：当冲突系数k趋近于1，说明证据因子之间高度冲突，此时，需要确定冲突因子。其确定方法为根据将每个证据因子对各个命题的概率分配值进行比较，差别较大的概率分配值对应的证据因子确定为冲突因子。然后引入证据因子的权重系数，进而确定冲突因子的权重系数ωi并判断。
分为两种情况，当冲突因子的权重系数
进一步的，步骤5.2具体包括：
(1)计算两两证据因子之间的接近程度
用k-l信息距离来表示两个证据因子的概率分配值的接近程度，信息距离计算公式如(8)式所示。
其中，i12表示证据因子1与证据因子2之间的接近程度，m1(ai)表示证据因子1对命题a的概率分配，m2(aj)表示证据2对于命题a的概率分配。
(2)构建从证据因子i到证据j因子的信息距离形成的接近度矩阵；该接进度矩阵为
(3)计算第i个证据因子受其他证据因子的支持程度，计算公式如公式(9)所示。
其中，iij表示第i个证据因子与第j个证据因子之间的接近程度，ii表示第i个证据因子受其他所有证据因子的支持程度。
(4)进行归一化，如公式(10)所示，经过计算得到每种证据因子的权重。
其中，ii表示第i个证据因子受其他所有证据因子的支持程度，βi表示第i个证据因子的权重系数。
(5)进行加权平均
步骤5.3：当冲突因子的权重系数
进一步的，步骤5.3具体包括：
(1)对调节因子f(a)进行优化，改进经典d-s证据理论证据合成规则，改进后的合成规则如式(4)所示。
其中，f(a)≥0为证据冲突概率的分配函数，满足
(2)计算各证据的可信度crd(ei)。
ei和ej是两个证据因子，mi和mj分别为其相应的概率分配值，证据因子ei和证据因子ej的距离为
故证据因子ei的支持度为
其中，sij表示证据因子i与证据因子j之间的相似性，sup(ei)表示证据因子i与其他所有证据因子的相似性之和，sup(ei)表示证据因子i与其他所有证据因子的相似性之和，crd(ei)表示证据因子i的可信度。
(3)引入权重系数ωi，对权重系数和可信度进行比较，得出证据因子的可用度λi*＝max{crd(ei),ωi}，并对其进行归一化得到最终的归一化可用度λi，如公式(11)所示。
其中，λi*为证据因子i的可用度，通过可信度crd(ei)与引入的初始权重系数ωi进行比较来确定。通过归一化，得到证据因子i的最终可用度λi。
(4)引入历史积累数据hi，动态调节证据因子的可用度。
将历史积累数据因子hi按照步骤2所述，计算得到历史积累数据相应的概率分配矩阵hmi，将得到的矩阵hmi按元素相加，并分别求其均值，得到前序数据概率分配函数的均值矩阵h_mean，其元素为hmij，表示各证据因子对各个命题的平均支持程度，计算公式如公式(12)所示。
计算历史积累数据因子对第j个命题的平均分配概率
其中，hmij为历史积累数据的平均概率分配矩阵h_mean中的元素，
将步骤2计算得到的概率分配函数矩阵m提取各个证据因子，计算各个证据因子与平均分配概率的相似程度msi，计算公式如公式(14)所示。
对其进行归一化处理，则得到了各证据因子的相似度αi，计算公式如公式(15)所示。
其中，msi表示第i个证据因子与平均分配概率的相似程度，αi表示第i个证据因子的相似度。
(5)将第(2)步得到的可用度和步骤(3)得到的相似度αi相乘，得到调节度δi'＝λi*αi，对其进行归一化，得到最终的调节度δi，计算公式如公式(16)所示。
其中，δi'表示第i个证据因子的调节度，通过将可用度λi与相似度αi相乘得到；通过对其进行归一化，得到最终的调节度δi。
将公式(16)带入步骤(1)中的公式(4)进行计算，得到融合结果m(a)。
本发明的创新之处在于对经典d-s证据理论的合成规则进行改进，改进的合成规则如公式(4)。
具体为，本发明的改进之处在于对合成规则中的f(a)进行了优化，f(a)是通过q(a)来实现对冲突系数k的分配，q(a)是本发明根据证据因子的重要程度和历史累计数据的影响得到调节度因子δi，从而动态的调节q(a)，实现对冲突的分配，δi是通过证据因子的重要程度ωi与证据因子的信任度crdi进行比较，得出冲突系数可用度λi，再将当前数据与历史累计数据的相似度αi与可用度λi相乘，进行归一化，最终得到动态调节度δi。最后依据改进的合成规则得到数据融合最终结果，用于决策。本发明实现了冲突分配的动态管理，从而动态的调节数据融合结果，使得得出的融合结果更加客观、合理。
对于现有农田信息数据融合常从两方面解决证据冲突问题，其一是修改证据源，这种采用平均证据代替冲突证据的方法，常带来的证据聚焦能力下降的问题，其二是修改数据融合合成规则，现有技术常把证据冲突概率按各命题的平均支持程度加权进行分配，如公式(17)所示，这样直接进行平均分配，在一定程度上能够处理冲突证据的合成问题，但是没有考虑证据之间的支持度、重要程度等多种因素，得到的合成结果存在与事实相悖的情况；
还有是根据各证据之间的可信度，进行加权平均分配，如式(18)所示，这种方法考虑的是证据本身数据之间的信任程度，忽略了证据本身在命题分类中所占的比重，同时没有考虑历史累计数据规律对于当前数据的影响容易导致融合结果有悖于常理。
其中crd(ei)是证据ei的可信度。
本发明通过对冲突因子进行分析，当冲突因子为一般证据因子时，认为该发生冲突的证据因子具有较小的影响力，可以利用平均概率分布进行替代，但当冲突因子为核心证据因子时，采用改进的证据合成规则进行数据融合，避免了因聚焦能力下降的问题。同时，发明方法引入证据权重和历史积累数据来动态调节对冲突系数的分配，如式(4)所示，其中的可用度λi保证了核心因子对于命题的主导地位，同时利用历史积累数据与当前数据的相似度αi动态的调节核心因子的主导程度，避免过度依赖核心因子，解决了现有方法中加权平均分配冲突系数引起融合结果有悖于常理及融合结果不确定性高的问题。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！