郭忠文，王 璽，胡乃軍，仇利克

（1.中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島266100；2.青島市工商信息中心，山東青島266071）

一種多傳感器融合事件識別算法?

郭忠文1，王 璽1，胡乃軍2，仇利克1

（1.中國海洋大學(xué)信息科學(xué)與工程學(xué)院，山東青島266100；2.青島市工商信息中心，山東青島266071）

針對傳感器網(wǎng)絡(luò)中事件識別存在的誤判問題，提出一種新的多傳感器融合事件識別算法。算法通過對網(wǎng)絡(luò)中產(chǎn)生的事件識別數(shù)據(jù)，進(jìn)行統(tǒng)一的變換處理，建立可實(shí)時(shí)更新的基于概率的事件識別規(guī)則。算法有效提高了事件識別的成功率，利用實(shí)測數(shù)據(jù)進(jìn)行仿真試驗(yàn)，驗(yàn)證了算法的有效性。

傳感器網(wǎng)絡(luò)；多傳感器融合；事件識別；概率識別

近年來，多傳感器融合技術(shù)在軍事、工業(yè)等多個(gè)領(lǐng)域得到了廣泛應(yīng)用［1-2］。事件識別作為傳感器網(wǎng)絡(luò)的一項(xiàng)主要應(yīng)用，也受到廣泛關(guān)注。各種特定的傳感器被研制出來，用于某一特定類型的事件識別，例如火焰?zhèn)鞲衅饔糜诨馂?zāi)識別，紅外傳感器用于入侵識別等。受環(huán)境的復(fù)雜性、變化性以及傳感器的靈敏度、穩(wěn)定性等因素影響，單一傳感器環(huán)境下的事件識別容易失敗。

在傳感器網(wǎng)絡(luò)中，多個(gè)不同類型的傳感器與某一事件存在直接或間接的關(guān)系，例如同時(shí)安裝火焰?zhèn)鞲衅骱蜏囟葌鞲衅?，一旦火?zāi)發(fā)生，火焰?zhèn)鞲衅鲿苯訄?bào)警，同時(shí)溫度傳感器的監(jiān)測值也會升高，而溫度升高是火災(zāi)發(fā)生的一個(gè)必要條件。如果將多傳感器融合技術(shù)應(yīng)用于事件識別，將可以提高事件識別的成功率。

在多傳感器融合事件識別方面，已經(jīng)進(jìn)行了一定研究。文獻(xiàn)［3］提出一種合作檢測協(xié)議，利用傳感器和鄰居節(jié)點(diǎn)的合作關(guān)系，來輔助事件識別。文獻(xiàn)［4］提出一種用于無線傳感器網(wǎng)絡(luò)的兩層事件識別算法，其核心也是利用了多傳感器融合技術(shù)?；馂?zāi)識別一直是事件識別應(yīng)用中的熱點(diǎn)，文獻(xiàn)［5］應(yīng)用SVM［10］算法對多傳感器數(shù)據(jù)進(jìn)行融合處理，提高了火災(zāi)報(bào)警成功率。相似的，文獻(xiàn)［6］則采用C4.5決策樹算法用于火災(zāi)識別。在醫(yī)療領(lǐng)域，多傳感器融合技術(shù)也有應(yīng)用，文獻(xiàn)［7］中的應(yīng)用場景為病人監(jiān)控系統(tǒng)，選取了來自病人的若干體征參數(shù)用于報(bào)警，分別用Naive Bayes［8］，Decision Trees［9］，SVM［10］，k NN［11］，Multi-Layer Perceptron［12］等算法對數(shù)據(jù)進(jìn)行處理，并比較了各種算法對誤報(bào)率降低的貢獻(xiàn)。

目前的研究存在以下不足：（1）認(rèn)為傳感器的輸出為連續(xù)值，但實(shí)際中隨著傳感器技術(shù)的發(fā)展，傳感器更加智能，許多傳感器都對原始監(jiān)測結(jié)果進(jìn)行了處理，輸出事件為是否發(fā)生的信號，即輸出由連續(xù)值變?yōu)殡x散值。（2）算法針對某一類事件進(jìn)行設(shè)計(jì)，通用性不夠。（3）算法中的事件識別規(guī)則離線生成，無法實(shí)時(shí)更新，不能適應(yīng)傳感器及其所處環(huán)境的不斷變化。

本文針對上述問題，提出一種新的多傳感器融合事件識別算法，事件識別規(guī)則可以實(shí)時(shí)更新，并可在事件識別基礎(chǔ)上，對傳感器進(jìn)行故障診斷。

1 數(shù)據(jù)收集和預(yù)處理

多傳感器環(huán)境中，在不應(yīng)用任何算法的情況下，事件識別規(guī)則為：任意傳感器提示事件發(fā)生，則認(rèn)為事件發(fā)生。在后文中，將這一規(guī)則稱為“普通事件識別規(guī)則”。當(dāng)某一傳感器提示事件“發(fā)生”時(shí)，需要記錄所有傳感器的輸出，以及事件是否真實(shí)發(fā)生。

生成本文算法中的事件識別規(guī)則，首先需要收集網(wǎng)絡(luò)中產(chǎn)生的事件識別數(shù)據(jù)。數(shù)據(jù)收集完畢后進(jìn)行數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理首要任務(wù)是找出哪些傳感器與事件有關(guān)聯(lián)，這一步可以借助相關(guān)分析等數(shù)學(xué)工具來完成。

數(shù)據(jù)預(yù)處理第二步為變換。用于事件識別的傳感器，大部分輸出為二元離散值，小部分輸出為連續(xù)值。為了對數(shù)據(jù)進(jìn)行統(tǒng)一處理，對于這些傳感器，需要對其輸出進(jìn)行變換。

設(shè)X為傳感器原輸出，Y為變換后的輸出，f為變換函數(shù)，則有如下公式：

式中：X為連續(xù)型變量；Y為離散型變量；f的具體形式需要根據(jù)具體應(yīng)用場景來決定。不論變換形式如何，變換結(jié)果都是二元值。以下列舉幾種常用的變換函數(shù)。

當(dāng)事件發(fā)生頻率較低時(shí)，可計(jì)算傳感器輸出在正常情況下的最大值或者最大變化率，并以此作為區(qū)分事件是否發(fā)生的閾值。具體方法如下：

（1） 最大值

設(shè)傳感器輸出為x，最大值為outmax，變換后的輸出為y，則有：

（2） 最大變化率

設(shè)在時(shí)間t內(nèi)傳感器輸出的最大變化率為CRmax，則有：

公式（2）、（3）中，y=1代表事件發(fā)生，y=0代表事件未發(fā)生。

當(dāng)事件發(fā)生頻率較高時(shí)，可取事件發(fā)生時(shí)的傳感器輸出進(jìn)行分析，得到特征值區(qū)間或者特征變化率區(qū)間。具體方法如下：

（3） 特征值區(qū)間

設(shè)傳感器輸出為x，當(dāng)事件發(fā)生時(shí)，x∈（a，b），則有：

（4） 特征變化率

設(shè)在時(shí)間t內(nèi)輸出變化率為cr，當(dāng)事件發(fā)生時(shí)，cr∈（a，b），則有：

公式（4）、（5）中，y=1代表事件發(fā)生，y=0代表事件未發(fā)生。

2 多傳感器融合事件識別算法

多傳感器融合事件識別算法的基本思路是：首先進(jìn)行數(shù)據(jù)收集和預(yù)處理，然后對數(shù)據(jù)分析，得到基于概率的事件識別規(guī)則，最后應(yīng)用規(guī)則進(jìn)行事件識別，并在此基礎(chǔ)上對傳感器進(jìn)行故障診斷。

2.1基于概率的事件識別規(guī)則

受傳感器和環(huán)境的不確定性影響，采用普通事件識別規(guī)則，誤報(bào)率較高，從而導(dǎo)致整體的事件識別成功率很低。

假設(shè)在某一應(yīng)用場景中安裝N個(gè)傳感器，則所有傳感器的輸出組合共計(jì)2N種（數(shù)據(jù)預(yù)處理后）。每一種組合對應(yīng)一個(gè)事件識別結(jié)果，即事件是否發(fā)生。

用i代表某一種組合，設(shè)P為當(dāng)i發(fā)生時(shí)事件發(fā)生的概率，設(shè)Ci為i發(fā)生的次數(shù)，設(shè)C為當(dāng)i發(fā)生時(shí)事件發(fā)生次數(shù)，基于統(tǒng)計(jì)規(guī)律則有：

用Y代表事件是否發(fā)生，則有：

公式（7）中，Y=1代表事件發(fā)生，Y=0代表事件未發(fā)生。事件識別規(guī)則生成算法（DR）見表1。

表1 事件識別規(guī)則生成算法（DR）Table 1 Detection rules generation algorithm（DR）

DR算法是在線完成的，當(dāng)有新數(shù)據(jù)產(chǎn)生，就可以實(shí)時(shí)更新事件識別規(guī)則。

2.2事件識別步驟

事件識別規(guī)則生成后，就可以用于事件識別，具體步驟見表2。

表2 事件識別步驟Table 2 Event detection procedures

2.3傳感器故障診斷步驟

事件識別規(guī)則生成后，在進(jìn)行事件識別的同時(shí)，也可以用于傳感器故障診斷，具體的步驟見表3。

表3 傳感器故障診斷步驟Table 3 Sensor fault diagnosis procedures

上述過程中，N一般可取N≥3。事件識別規(guī)則反映的是概率最大的事件發(fā)生可能，如果多次出現(xiàn)傳感器輸出與事件識別結(jié)果不一致，可以認(rèn)為是小概率事件反復(fù)發(fā)生，因此可認(rèn)為傳感器出現(xiàn)故障。

3 仿真

使用2種不同應(yīng)用場景的實(shí)測數(shù)據(jù)進(jìn)行仿真：第一種應(yīng)用場景為機(jī)房監(jiān)控系統(tǒng)，系統(tǒng)用于對機(jī)房內(nèi)的設(shè)備以及機(jī)房環(huán)境進(jìn)行監(jiān)控；第二種應(yīng)用場景為火災(zāi)監(jiān)測系統(tǒng)，系統(tǒng)通過使用多種傳感器，監(jiān)測火災(zāi)是否發(fā)生并采取相應(yīng)措施。

3.1機(jī)房監(jiān)控系統(tǒng)事件識別

在一個(gè)典型的機(jī)房監(jiān)控系統(tǒng)中，在機(jī)房的入口處，通常會安裝3種類型的傳感器：紅外傳感器、門磁傳感器以及攝像頭，對出入機(jī)房的人員進(jìn)行監(jiān)測并報(bào)警。其中，紅外傳感器一般安裝在機(jī)房入口處上方，利用紅外原理感應(yīng)是否有人進(jìn)入，門磁傳感器安裝在門上，可以監(jiān)測到門的開合，攝像頭安裝位置一般正對入口，其配套的客戶端軟件中，加入了圖像識別算法，當(dāng)有人進(jìn)入時(shí)，客戶端軟件能夠進(jìn)行報(bào)警，因此攝像頭和配套的客戶端軟件可以一同視為一種視頻傳感器。

試驗(yàn)環(huán)境中，每種類型傳感器數(shù)目為1個(gè)，共選取了3 000條數(shù)據(jù)。每隔400條記錄計(jì)算一次傳感器報(bào)警漏報(bào)率和誤報(bào)率，計(jì)算結(jié)果見圖1。

分別應(yīng)用本文提出的DR算法、SVM算法和C4.5決策樹算法處理數(shù)據(jù)，遵循如下規(guī)則進(jìn)行事件識別。

（1）使用前1 000條數(shù)據(jù)分別應(yīng)用3種算法得到不同的事件識別規(guī)則。

（2）從第1 000條數(shù)據(jù)開始，DR算法在識別同時(shí)，持續(xù)更新識別規(guī)則，并用于后續(xù)數(shù)據(jù)的事件識別。

（3）對于SVM和C4.5決策樹算法，在識別第2 000條數(shù)據(jù)時(shí)重新生成事件識別規(guī)則，然后用于識別第2 000到第3 000條數(shù)據(jù)。

識別第1 000～3 000條數(shù)據(jù)時(shí)3種算法事件識別成功率對比見圖2。

3.2火災(zāi)監(jiān)測系統(tǒng)事件識別

火災(zāi)監(jiān)測系統(tǒng)中選用4種傳感器：煙霧傳感器、CO傳感器、溫度傳感器、光傳感器進(jìn)行事件識別。其中，煙霧傳感器根據(jù)煙霧濃度來識別事件，CO傳感器根據(jù)CO氣體濃度來識別事件，溫度傳感器根據(jù)溫度變化趨勢及數(shù)值來識別事件，光傳感器根據(jù)單位時(shí)間內(nèi)光強(qiáng)變化率來識別事件。

試驗(yàn)環(huán)境中，溫度傳感器數(shù)目為2個(gè)，其他類型傳感器各1個(gè)，共選取2 000條數(shù)據(jù)。每隔100條記錄計(jì)算一次傳感器報(bào)警漏報(bào)率和誤報(bào)率，計(jì)算結(jié)果見圖3。

分別應(yīng)用本文提出的DR算法、SVM算法和C4.5決策樹算法，遵循如下規(guī)則進(jìn)行事件識別。

（1）使用前500條數(shù)據(jù)分別應(yīng)用3種算法得到不同的事件識別規(guī)則。

（2）從第500條數(shù)據(jù)開始，DR算法在識別同時(shí)，持續(xù)更新識別規(guī)則，并用于后續(xù)數(shù)據(jù)的事件識別。

（3）對于SVM和C4.5決策樹算法，分別在第500、1 000、1 500條數(shù)據(jù)時(shí)重新生成事件識別規(guī)則，并分別用于識別第500～1 000條，第1 000～1 500條，第1500～2000條數(shù)據(jù)。算法事件識別成功率對比見圖4。

2種不同應(yīng)用場景的試驗(yàn)結(jié)果顯示，在試驗(yàn)環(huán)境和傳感器自身特性均不斷變化的情況下，采用基于概率的事件識別規(guī)則，事件識別成功率優(yōu)于其他2種分類算法。

圖1 傳感器誤報(bào)率和漏報(bào)率變化Fig.1 Change of the sensors’false negative rate and false positive rate

圖2 事件識別成功率對比Fig.2 Success rate comparison

圖3 傳感器誤報(bào)率和漏報(bào)率變化Fig.3 Change of the sensors’false negative rate and false positive rate

圖4 事件識別成功率對比Fig.4 Success rate comparison

4 結(jié)語

對網(wǎng)絡(luò)中的事件識別數(shù)據(jù)進(jìn)行分析和處理，得到基于概率的事件識別規(guī)則，用于事件識別和傳感器故障診斷。事件識別規(guī)則可實(shí)時(shí)更新，事件識別成功率較高。本文提出的多傳感器融合事件識別算法對所有的事件識別應(yīng)用場景是通用的，但算法的實(shí)際效果需要在更多應(yīng)用場景中驗(yàn)證，然后做進(jìn)一步的改進(jìn)。

［1］ MaciiD，Boni A，De Cecco M，et al.Tutorial 14：multi-sensor data fusion［J］.Instrumentation&Measurement Magazine，IEEE，2008，11（3）：24-33.

［2］ BahadorKhaleghi，AlaaKhamis，F(xiàn)akhreddine O，et al.Multi-sensor data fusion：A review of the state-of-the-art［J］.Inf Fusion，2013，14（1）：28-44.

［3］ SkanderBanaouas，Mühlethaler P.Sensor collaboration in event detection［C］.Santa Barbara：IEEE International Conference on Distributed Computing in Sensor Systems Workshops-DCOSSW，2010.

［4］ Majid Bahrepour，Nirvana Meratnia，Paul J，et al.Sensor fusionbased event detection in Wireless Sensor Networks［C］.Toronto：Mobile and Ubiquitous Systems：Networking&Services，MobiQ-uitous，2009.

［5］ Hairong Wang，Dongmei Li，Yun Wang，et al.Fire detecting technology of information fusion using support vector machines［C］.Nanjing：Artificial Intelligence and Computational Intelligence（AICI），International Conference on，2010，2：194-198.

［6］ Liu Weili，Wang fan，Hu Xiaopeng，et al.Detection of fire based on Multi-Sensor Fusion［C］.Harbin：International Conference on Computer Science and Network Technology，2011.

［7］ Benedikt Baumgartner，KoljaRodel，AloisKnoll.A data mining approach to reduce the false alarm rate of patient［C］.San Diego：Annual International Conference of the IEEE EMBS，2012.

［8］ Pat Langley，Wayne Iba，Kevin Thompson.An analysis of bayesian classifiers［C］.San Jose：National Conference on Artificial Intelligence-AAAI，1992：223-228.

［9］ Murthy S K.Automatic construction of decision trees from data：a multi-disciplinary survey［J］.Data Mining and Knowledge Discovery，1998，2（4）：345-389.

［10］ Cristianini N，Shawe-Taylor J.An Instruction to Support Vector Machines and Other Kernel-based Learning Methods［M］.Cambridge：University Press，2000.

［11］ Cover T M，Hart P E.Nearest Neighbor Pattern Classification［J］.Cambridge：Knowledge Based Systems，1995，8（6）：373-389.

［12］ Christopher M，Bishop.Neural Networks for Pattern Recognition［M］.New York：Oxford University Press，1995.

An Event Detection Algorithm Based on Multi-Sensor Data Fusion

GUO Zhong-Wen1，WANG Xi1，HU Nai-Jun2，QIU Li-Ke1
（1.College of Information Science and Engineering，Ocean University of China，Qingdao 266100，China；2.Information Center of Qingdao Administration Bureau for Industry and Commerce Qingdao 266071，China）

To solve the misjudgmentproblem of event detection in sensor networks，this paper proposesd an event detection algorithm based on multi-sensor data fusion.The algorithm was based on the event detection data in the network，transformed the sensors’outputs into binary values，and obtainsed the classification rules based on probability which could be updated online.The algorithm effectively improves the accuracy of event detection.This paper uses real data to do the simulation，verifies the effectiveness of the algorithm.

sensor network；multi-sensor fusion；event detection；probabilitydetection

TP202

A

1672-5174（2014）10-0155-06

責(zé)任編輯 陳呈超

國家自然科學(xué)基金項(xiàng)目（61379127；61170258）資助

2014-07-20；

2014-09-15

郭忠文（1965-），男，教授，博導(dǎo)。E-mail：guozhw2007＠163.com