基于多傳感器信息的狀態(tài)推理辨識(shí)方法*

葉彥斐 王柏林 張勇氣 張曉軍

(1.河海大學(xué)能源與電氣學(xué)院，江蘇南京211100;2.南京富島信息工程有限公司，江蘇南京210061)

在原油管道調(diào)合過程控制系統(tǒng)中，需要檢測(cè)管道壓力、調(diào)合罐液位、摻煉流量及原油溫度，辨識(shí)當(dāng)前調(diào)合過程運(yùn)行的壓力、液位、流量等狀態(tài)，這對(duì)順利實(shí)現(xiàn)原油調(diào)合的優(yōu)化控制至關(guān)重要［1］.對(duì)于流量、溫度等一般物理量，采用單一傳感器進(jìn)行測(cè)量判斷即可達(dá)到要求;而對(duì)于辨識(shí)壓力、液位狀態(tài)等關(guān)系到調(diào)合過程可靠運(yùn)行的重要物理量，往往需要安裝多個(gè)同種或不同種類型傳感器同時(shí)進(jìn)行數(shù)據(jù)采集.例如，為了辨識(shí)管道壓力狀態(tài)是“正?！薄ⅰ扒穳骸被颉斑^壓”，需在管道中不同位置安裝多臺(tái)壓力傳感器進(jìn)行推理辨識(shí);為了辨識(shí)調(diào)合罐液位狀態(tài)是“正?！?、“過低”或“過高”，往往需要安裝多個(gè)液位傳感器、壓力傳感器或最直接的液位開關(guān)，綜合多種傳感器信息實(shí)現(xiàn)對(duì)液位狀態(tài)的辨識(shí)［2］.

在自然或人為干擾條件下，單個(gè)傳感器抗干擾能力差，存在失效風(fēng)險(xiǎn)，系統(tǒng)可靠性不足;采用多個(gè)同種類或不同種類傳感器時(shí)，部分傳感器采集的信息不可避免地與實(shí)際量偏差較大，導(dǎo)致沖突信息存在.對(duì)于這些沖突信息，目前多采用數(shù)學(xué)平均或簡(jiǎn)單邏輯處理等方法辨識(shí)系統(tǒng)運(yùn)行狀態(tài)，也存在辨識(shí)精度低、可靠性差等缺點(diǎn).

D-S證據(jù)推理［3-4］可以方便表示、處理及合成不同層次屬性的不確定性，不受先驗(yàn)概率限制，靈活性強(qiáng)，廣泛應(yīng)用于狀態(tài)辨識(shí)、故障推理和信息融合等領(lǐng)域.然而，D-S證據(jù)理論在處理高度沖突證據(jù)推理時(shí)存在諸如組合結(jié)果矛盾、一票否決、魯棒性等問題［5］，導(dǎo)致最終獲得有悖常理、違反直覺的結(jié)論.

學(xué)者們對(duì)此提出了一些改進(jìn)的證據(jù)推理方法，但同時(shí)也帶來了諸如推理結(jié)果不收斂、收斂速度慢等新問題［6-10］.文中提出了一種新的證據(jù)推理規(guī)則，實(shí)現(xiàn)了基于證據(jù)全局有效性的證據(jù)源修正以及局部沖突的合理分配，從而最大程度地減少了“壞值”對(duì)融合結(jié)果和決策的影響.新的證據(jù)推理規(guī)則應(yīng)用于原油管道調(diào)合過程狀態(tài)辨識(shí)時(shí)，可以提高原油調(diào)合過程狀態(tài)辨識(shí)的收斂速度，降低決策風(fēng)險(xiǎn)，增強(qiáng)系統(tǒng)可靠性.

1 原油管道調(diào)合過程狀態(tài)推理辨識(shí)概述

如圖1所示，基于多傳感器信息的原油管道調(diào)合系統(tǒng)中，控制系統(tǒng)采集大量現(xiàn)場(chǎng)過程數(shù)據(jù)，基于文中提出的推理辨識(shí)方法對(duì)調(diào)合過程狀態(tài)進(jìn)行辨識(shí)，獲得調(diào)合過程狀態(tài)的準(zhǔn)確估計(jì)，進(jìn)而執(zhí)行相應(yīng)的控制策略，實(shí)現(xiàn)對(duì)原油管道調(diào)合過程的優(yōu)化控制.具體推理辨識(shí)過程為:多個(gè)同種類或不同種類傳感器采集原油管道不同測(cè)點(diǎn)壓力(或儲(chǔ)罐液位等)物理量數(shù)據(jù)，基于模糊化方法獲取多個(gè)不同傳感器對(duì)同一物理量多種運(yùn)行狀態(tài)子集的基本概率分配(BPA)，即實(shí)現(xiàn)多個(gè)傳感器的證據(jù)信息獲取，得到對(duì)應(yīng)不同證據(jù)E1、E2、…、En;然后，采用新的證據(jù)推理規(guī)則基于證據(jù)全局有效性的證據(jù)源修正以及局部沖突的合理分配，對(duì)各傳感器BPA進(jìn)行融合推理，辨識(shí)獲得原油管道調(diào)合過程的關(guān)鍵運(yùn)行狀態(tài).

圖1 基于多傳感器信息的原油管道調(diào)合系統(tǒng)Fig.1 Crude oil pipeline blending system based on multisensor information

2 基于隸屬度曲線的BPA獲取

在原油管道調(diào)合過程中，基于傳感器事先獲得的物理量值與對(duì)應(yīng)的實(shí)際運(yùn)行狀態(tài)，建立該傳感器對(duì)某調(diào)合狀態(tài)的隸屬度曲線;傳感器實(shí)時(shí)采集實(shí)際物理量值，基于建立的隸屬度曲線，獲取各傳感器對(duì)應(yīng)的運(yùn)行狀態(tài)子集的BPA［11］.

2.1 隸屬度曲線建立

傳感器獲取的大量物理量值與實(shí)際運(yùn)行狀態(tài)數(shù)據(jù)形成量值-狀態(tài)樣本，統(tǒng)計(jì)測(cè)得的量值的最小值、最大值、平均值及對(duì)應(yīng)狀態(tài)關(guān)系，可以建立隸屬度曲線來描述該屬性的多種狀態(tài)子集.

為辨識(shí)原油管道調(diào)合中摻煉線中的壓力狀態(tài)，首先，收集某傳感器采集的壓力值與實(shí)際運(yùn)行狀態(tài)數(shù)據(jù)，形成該傳感器的的壓力值-狀態(tài)樣本數(shù)據(jù)，基于這些壓力樣本數(shù)據(jù)建立該傳感器的原油調(diào)合壓力值-狀態(tài)隸屬度曲線.以某一臺(tái)壓力傳感器為例，壓力狀態(tài)“正?！钡膮^(qū)間范圍為2.00～2.20 MPa，均值為2.10MPa;壓力狀態(tài)“欠壓”的區(qū)間范圍為1.00～2.05MPa，低于1.80MPa確認(rèn)“欠壓”置信度為1;壓力狀態(tài)“過壓”的區(qū)間范圍為2.15～3.00 MPa，高于2.50MPa確認(rèn)“過壓”置信度為1.該壓力傳感器對(duì)應(yīng)的隸屬度曲線如圖2所示，橫坐標(biāo)表示實(shí)際采集的壓力大小，3條曲線分別表示“欠壓”、“正常”及“過壓”狀態(tài)的隸屬度曲線，某壓力與某條隸屬度曲線的交點(diǎn)縱坐標(biāo)表示該壓力屬于對(duì)應(yīng)狀態(tài)的可能性大小.

同樣方法獲得其他傳感器對(duì)原油調(diào)合過程壓力狀態(tài)的隸屬度曲線.

圖2 壓力值-狀態(tài)隸屬度曲線Fig.2 Pressure value-status membership degree curve

2.2 基本概率分配獲取

基于確定的隸屬度曲線函數(shù)值大小，獲取基本概率分配具體策略如下:

(1)當(dāng)傳感器采樣的數(shù)據(jù)與所有運(yùn)行狀態(tài)子集表示的隸屬度曲線不相交時(shí)，m(?)=1，認(rèn)為該采樣數(shù)據(jù)不支持任一運(yùn)行狀態(tài)子集分類;

(2)當(dāng)采樣數(shù)據(jù)與某運(yùn)行狀態(tài)子集屬性的隸屬度曲線相交時(shí)，交點(diǎn)縱坐標(biāo)為支持該運(yùn)行狀態(tài)子集分類的基本概率分配;

(3)當(dāng)采樣數(shù)據(jù)與多個(gè)運(yùn)行狀態(tài)子集的隸屬度曲線相交時(shí)，多個(gè)交點(diǎn)的縱坐標(biāo)為支持多種不同運(yùn)行狀態(tài)子集的基本概率分配［12］;

(4)對(duì)生成的基本概率分配進(jìn)行歸一化處理，使多種運(yùn)行狀態(tài)子集的基本概率分配之和等于1，獲得對(duì)應(yīng)該傳感器的多種運(yùn)行狀態(tài)子集BPA.

分布于原油管道調(diào)合摻練線管道不同位置的壓力傳感器采集不同測(cè)點(diǎn)壓力數(shù)據(jù)，這些數(shù)據(jù)與對(duì)應(yīng)傳感器多種運(yùn)行狀態(tài)子集隸屬度曲線對(duì)比，可以獲取該傳感器的多種運(yùn)行狀態(tài)BPA.

如圖2所示，若以Q代表“欠壓”，R代表“正?！?，S代表“過壓”，若某一臺(tái)壓力傳感器測(cè)得當(dāng)前管道壓力為2.04MPa，則f(Q)=0.13，f(R)=0.48，f(S)=0;對(duì)其進(jìn)行歸一化獲得該傳感器對(duì)當(dāng)前原油調(diào)合狀態(tài)的BPA:

m(Q)=0.213，m(R)=0.787，m(S)=0.

然后，將不同壓力傳感器采集到的不同壓力數(shù)據(jù)與其對(duì)應(yīng)的隸屬度曲線對(duì)比，獲得不同傳感器對(duì)當(dāng)前原油調(diào)合狀態(tài)的基本概率分配.

3 已有推理辨識(shí)方法

3.1 D-S證據(jù)推理

同一識(shí)別框架下n個(gè)獨(dú)立概率分配函數(shù)m1，m2，…，mn，其D-S證據(jù)推理結(jié)果的概率分配函數(shù)m是n個(gè)概率分配函數(shù)的正交和:

3.2 D-S推理規(guī)則改進(jìn)方法

基于修改D-S推理規(guī)則的方法，認(rèn)為D-S方法的歸一化步驟產(chǎn)生不合理結(jié)果，主要解決如何將沖突重新分配和管理的問題.

Yager推理規(guī)則［6-7］認(rèn)為，既然對(duì)證據(jù)的全局沖突無法作出合理的選擇分配，就應(yīng)將其歸入未知集合.該方法在各證據(jù)間沖突為零時(shí)與D-S合成公式處理是一樣的;而對(duì)沖突證據(jù)信息則完全否定，顯得非常保守.

文獻(xiàn)［8］推理規(guī)則采用了加權(quán)和的形式，當(dāng)證據(jù)沖突k較小時(shí)，合成結(jié)果近似于D-S的結(jié)果;當(dāng)證據(jù)沖突較大時(shí)，合成結(jié)果主要由總體證據(jù)可信度和證據(jù)平均支持度的乘積決定.文獻(xiàn)［8］認(rèn)為證據(jù)之間沖突是部分可用的，并且可用程度取決于總體證據(jù)的可信度.但是該方法未考慮不同證據(jù)的可信程度，使不同可信程度證據(jù)不加區(qū)別地加入推理過程.同時(shí)，由于其基于全局沖突分配，分配精度低，“聚焦”速度較慢.

基于修改原始證據(jù)源的方法認(rèn)為，D-S推理規(guī)則本身并沒錯(cuò)，在證據(jù)高度沖突時(shí)，首先應(yīng)對(duì)沖突證據(jù)信息進(jìn)行預(yù)處理，然后再使用D-S證據(jù)推理規(guī)則.

Murphy推理規(guī)則首先將證據(jù)的基本概率分配進(jìn)行平均來減少?zèng)_突信息的影響，然后再用D-S推理規(guī)則進(jìn)行信息融合［9］.該推理規(guī)則可以處理沖突證據(jù)且收斂速度較快，但并沒有考慮各個(gè)證據(jù)之間的相互關(guān)系.

文獻(xiàn)［10］的推理規(guī)則引入基于證據(jù)相似性的可信度，并將其作為權(quán)重對(duì)多源證據(jù)進(jìn)行加權(quán)平均，然后再利用D-S推理規(guī)則推理證據(jù)信息.該方法考慮了證據(jù)之間的關(guān)聯(lián)可信程度，繼承了Murphy方法的所有優(yōu)點(diǎn)，具有更快的收斂速度和更強(qiáng)的抗干擾能力.

但是，由于這兩種規(guī)則最終均靠D-S推理規(guī)則融合，因此都存在局部沖突在全局分配的問題.

4 一種新的證據(jù)推理規(guī)則

文中綜合證據(jù)源的修正和局部沖突的合理分配提出了一種新的證據(jù)推理規(guī)則，具體步驟如下.

4.1 證據(jù)眾信度計(jì)算

Θ是一個(gè)包含N(大于2的自然數(shù))個(gè)兩兩互斥命題的完備辨識(shí)框架，2Θ是Θ的冪集，Ap是2Θ中第p個(gè)元素，m(Ap)是Ap的基本概率分配，一個(gè)證據(jù)的基本概率分配是一個(gè)以m(Ap)為坐標(biāo)的向量m，表示為m=［m(A1)，m(A2)，…，m(A2N)］，其中，Ap∈2Θ，A2N=Θ，m(Ap)≥0，p=1，2，…，

設(shè)mi和mj是辨識(shí)框架Θ上的兩個(gè)基本概率分配，mi和mj間的Jousselme距離［15］為

若系統(tǒng)中證據(jù)體的數(shù)目為n，計(jì)算其中不同證據(jù)體之間的距離，獲得距離矩陣:

則第i個(gè)證據(jù)Ei到證據(jù)集中其他證據(jù)的均方根距離為

式中，di反映了證據(jù)Ei與證據(jù)集中其他證據(jù)的差異程度［16］.

定義證據(jù)Ei的眾信度:

式中，di、dj分別反映了證據(jù)Ei、證據(jù)Ej與證據(jù)集中其他證據(jù)的差異程度.

定義證據(jù)絕對(duì)眾信度:

若某一證據(jù)絕對(duì)眾信度為1，表示其受支持程度最高，為首要證據(jù);而其余證據(jù)則為次要證據(jù).

4.2 證據(jù)源修正

以絕對(duì)眾信度ri作為證據(jù)Ei的權(quán)重，對(duì)原始證據(jù)集的基本概率分配進(jìn)行修正.若原始證據(jù)Ei的基本概率分配為 mi=［mi(A1)，mi(A2)，…，mi(As)，…，mi(Θ)］，則證據(jù)源修正后基本概率分配為

4.3 證據(jù)按權(quán)重排序

為減小沖突證據(jù)對(duì)最終組合結(jié)果的影響，對(duì)修正后多個(gè)證據(jù)源按其權(quán)重ri(i=1，2，…n)由小到大重新排列為m'a，m'b，…，m'k，即眾信度小的證據(jù)先組合，大的后組合.

4.4 新的證據(jù)組合公式

產(chǎn)生沖突的焦元可能有多個(gè)，這些焦元之間都存在不同程度的一致性和矛盾性，其對(duì)相關(guān)命題的影響應(yīng)在融合中分別體現(xiàn)出來.D-S證據(jù)組合規(guī)則等全局沖突再分配方式較為粗糙，而新的證據(jù)組合公式對(duì)于一致性部分采用乘性算子，提高聚焦能力;對(duì)于沖突部分，將局部沖突在引起沖突的焦元間進(jìn)行加性合理分配，增加組合推理可靠性.

對(duì)于最小權(quán)重的兩個(gè)基本概率分配m'a、m'b，按新的公式組合:

按式(8)得到新的組合結(jié)果，再與下一個(gè)修正排序后的證據(jù)源組合得到新的結(jié)果，反復(fù)執(zhí)行，直到最后一個(gè)證據(jù)m'k參與組合后結(jié)束.

5 過程狀態(tài)推理辨識(shí)分析

4臺(tái)壓力傳感器安裝在原油同一摻煉線管路不同測(cè)點(diǎn)測(cè)量壓力，獲得各自對(duì)應(yīng)BPA，進(jìn)而通過新的證據(jù)推理規(guī)則辨識(shí)管路處于“正?！薄ⅰ斑^壓”或“欠壓”的具體狀態(tài).

新的證據(jù)推理規(guī)則具體推理辨識(shí)過程是先基于式(2)-(6)計(jì)算各傳感器的眾信度，按式(7)對(duì)不同傳感器的BPA進(jìn)行修正，修正后的證據(jù)信息按傳感器的眾信度大小由小到大排列;然后按式(8)依次對(duì)其組合推理，獲得原油調(diào)合運(yùn)行狀態(tài)的最終辨識(shí)結(jié)果.

5.1 傳感器低沖突情況

若4臺(tái)壓力傳感器工作正常，各傳感器證據(jù)間沖突較小，其各自BPA如下:m1(Q)=0.213，m1(R)=0.787，m1(S)=0.000;m2(Q)=0.200，m2(R)=0.700，m2(S)=0.100;m3(Q)=0.150，m3(R)=0.600，m3(S)=0.250;m4(Q)=0.120，m4(R)=0.650，m4(S)=0.230.

分別采用不同推理規(guī)則，對(duì)上述4個(gè)證據(jù)信息進(jìn)行組合推理，結(jié)果見表1.

表1 傳感器低沖突時(shí)不同規(guī)則對(duì)壓力狀態(tài)的推理辨識(shí)Table 1 Pressure status reasoning and identifying of different rules based on lightly conflicting sensor evidence

從表1可以看出，D-S推理規(guī)則對(duì)于傳感器低沖突證據(jù)信息能取得令人非常滿意的效果，4個(gè)證據(jù)推理結(jié)果中，命題R的概率賦值m(R)迅速趨近于1，說明系統(tǒng)能迅速識(shí)別出目標(biāo)R，即摻煉線管道壓力處于“正?！睜顟B(tài);而使用Yager規(guī)則、文獻(xiàn)［8］規(guī)則進(jìn)行推理辨識(shí)時(shí)，命題Q的概率賦值不但不會(huì)收斂到1，反而會(huì)發(fā)散，顯然不合常理;Murphy規(guī)則、文獻(xiàn)［10］規(guī)則和文中方法都能使命題Q的概率賦值收斂，但文中方法收斂速度最為迅速，組合結(jié)果和D-S規(guī)則得到的的結(jié)果最為接近.可見，新的推理辨識(shí)方法能有效組合原油調(diào)合過程狀態(tài)辨識(shí)中的低沖突證據(jù)信息.

5.2 傳感器高沖突情況

由于受惡劣環(huán)境影響或本身不可靠，若第1臺(tái)壓力傳感器產(chǎn)生了細(xì)微異常證據(jù)信息;第2臺(tái)和第4臺(tái)壓力傳感器產(chǎn)生了嚴(yán)重異常證據(jù)信息.4臺(tái)傳感器的BPA具體變化為:m1(Q)=0.213，m1(R)= 0.780，m1(S)=0.007;m2(Q)=0.870，m2(R)= 0.000，m2(S)=0.130;m3(Q)=0.150，m3(R)= 0.600，m3(S)=0.250;m4(Q)=0.120，m4(R)= 0.800，m4(S)=0.080.即此時(shí)各傳感器證據(jù)間存在較大沖突，采用不同推理規(guī)則進(jìn)行推理，結(jié)果見表2.

從表2看出，D-S推理規(guī)則無法有效處理傳感器高沖突情況，組合結(jié)果m(R)始終為0，盡管多數(shù)證據(jù)都支持目標(biāo)R，但由于證據(jù)m2否定了R，結(jié)果系統(tǒng)永遠(yuǎn)無法識(shí)別目標(biāo)為R.Yager推理規(guī)則中，增加的支持R的證據(jù)沒有使組合結(jié)果m(R)增加，而是不斷增加未知項(xiàng)m(Θ)的數(shù)值，顯得過于保守，不利于決策.而且，D-S及Yager推理規(guī)則都存在“一票否決”問題，根本無法識(shí)別出目標(biāo).

文獻(xiàn)［8］和Murphy推理規(guī)則可以部分克服前兩種推理規(guī)則的缺點(diǎn)，但由于沒有考慮到證據(jù)間相關(guān)性且沖突在全局進(jìn)行分配，隨著支持R的證據(jù)增多，m(R)的數(shù)值有所增加，但是增加速度都較慢，且文獻(xiàn)［8］推理中未知項(xiàng)m(Θ)的數(shù)值也沒有明顯降低.系統(tǒng)只有在收集到4個(gè)證據(jù)時(shí)，兩種方法才可以識(shí)別出目標(biāo).

文獻(xiàn)［10］和文中新方法在收到第3個(gè)證據(jù)時(shí)，就可以正確識(shí)別出目標(biāo)了.分析原因可以發(fā)現(xiàn):當(dāng)出現(xiàn)異常證據(jù)信息時(shí)，Murphy推理規(guī)則通過對(duì)證據(jù)簡(jiǎn)單平均來抵消“壞值”的影響，本例中m2(Q)= 0.87，說明第2個(gè)壓力傳感器的證據(jù)E2強(qiáng)烈支持目標(biāo)Q管路“欠壓”，這就需要更多的證據(jù)才能有效“抵消”“壞值”對(duì)結(jié)果的影響.而文獻(xiàn)［10］和文中方法考慮了各個(gè)證據(jù)的有效性，有效地降低了“壞值”對(duì)最終組合結(jié)果的影響，使得在比較少的證據(jù)下就能收斂到正確目標(biāo).

文中提出的新推理辨識(shí)方法，在引入證據(jù)眾信度表征全局有效性基礎(chǔ)上，還將局部沖突進(jìn)行了合理分配，從而可以比文獻(xiàn)［10］方法更大程度地減少“壞值”對(duì)推理結(jié)果的影響，具有更快的收斂速度和更強(qiáng)的可靠性.隨著支持R的證據(jù)越來越多，文中方法組合結(jié)果迅速向R聚焦;而文獻(xiàn)［10］推理規(guī)則的組合結(jié)果中R的基本概率分配隨著支持Q的證據(jù)越來越多并沒有太大變化.可見，新的證據(jù)推理辨識(shí)方法對(duì)原油調(diào)合過程狀態(tài)辨識(shí)中的傳感器高沖突性證據(jù)信息組合同樣也非常有效.

表2 傳感器高沖突時(shí)不同規(guī)則對(duì)壓力狀態(tài)推理辨識(shí)Table 2 Pressure status reasoning and identifying of different rules based on heavily conflicting sensor evidence

6 結(jié)論

為獲得原油管道調(diào)合過程狀態(tài)的準(zhǔn)確估計(jì)，文中提出一種新的推理辨識(shí)方法，實(shí)現(xiàn)了基于隸屬度曲線的基本概率分配獲取和基于證據(jù)源修正及局部沖突合理分配的證據(jù)推理.首先，基于傳感器前期獲得的物理量值與對(duì)應(yīng)的實(shí)際運(yùn)行狀態(tài)，建立該傳感器對(duì)某調(diào)合狀態(tài)的隸屬度曲線;在此基礎(chǔ)上，傳感器實(shí)時(shí)采集當(dāng)前物理量，獲取各傳感器對(duì)狀態(tài)子集的基本概率分配.然后，根據(jù)各傳感器證據(jù)眾信度表征的相關(guān)性對(duì)其進(jìn)行修正、排序及推理;推理辨識(shí)過程中，對(duì)于焦元中的一致性部分采用乘性算子，對(duì)沖突部分在引起沖突的焦元間進(jìn)行加性局部分配.數(shù)值仿真實(shí)驗(yàn)表明，新的過程狀態(tài)推理辨識(shí)方法最大程度地減少了“壞值”對(duì)辨識(shí)結(jié)果和決策的影響，既能適應(yīng)傳感器低沖突證據(jù)信息的組合，同樣又能有效處理傳感器高沖突證據(jù)信息的融合.新的推理辨識(shí)方法可以充分利用原油管道調(diào)合過程多傳感器的一致性或沖突性信息，提高狀態(tài)辨識(shí)的收斂速度，減小誤判率，降低決策風(fēng)險(xiǎn)，增強(qiáng)系統(tǒng)可靠性.

［1］ 蔡智，黃維秋，李為民，等.油品調(diào)合技術(shù)［M］.北京:中國(guó)石化出版社，2006.

［2］ 劉準(zhǔn)釓，程詠梅，潘泉，等.多傳感器沖突信息的加權(quán)融合算法［J］.傳感技術(shù)學(xué)報(bào)，2009，22(3):366-370. Liu Zhun-ga，Cheng Yong-mei，Pan Quan，et al.Weight evidence combination for multi-sensor conflict information［J］.Chinese Journal of Sensors and Actuators，2009，22 (3):366-370.

［3］ Dempster A.Upper and lower probabilities induced by a multivalued mapping［J］.Annals of Mathematical Statistics，1967，38(2):325-339.

［4］ Shafer G.A mathematic theory of evidence［M］.Princeton:Princeton University Press，1976:22-34.

［5］ 于洪珍，徐立中，王慧斌.監(jiān)測(cè)監(jiān)控信息融合技術(shù)［M］.北京:清華大學(xué)出版社，2011:143-157.

［6］ Yager R R.On the relationships of methods of aggregation of evidence in expert systems［J］.Cybernetics and Systems，1985，16(1):1-21.

［7］ Yager R R.On the Dempster-Shafer framework and new combination rules［J］.Information Sciences，1987，41 (2):93-138.

［8］ 孫全，葉秀清，顧偉康.一種新的基于證據(jù)理論的合成公式［J］.電子學(xué)報(bào)，2000，28(8):117-119. Sun Quan，Ye Xiu-qing，Gu Wei-kang.A new combination rules ofevidence theory［J］.Acta Electronica Sinica，2000，8(8):117-119.

［9］ Murphy C K.Combining belief functions when evidence conflicts［J］.Decision Support Systems，2000，29(1):1-9.

［10］ 鄧勇，施文康，朱振福.一種有效處理沖突證據(jù)的組合方法［J］.紅外與毫米波學(xué)報(bào)，2004，23(1):27-32. Deng Yong，Shi Wen-kang，Zhu Zhen-fu.Efficient combination approach of conflict evidence［J］.Journal of Infrared and Millimeter Waves，2004，23(1):27-32.

［11］ Chen S J，Chen S M.Fuzzy risk analysis based on similarity measures of generalized fuzzy numbers［J］.IEEE Transactions on Fuzzy Systems，2003，11(1):45-56.

［12］ Deng Yong，Shi Wen-kang，Liu Qi.Combining belief function based on distance of evidence［J］.Decision Support Systems，2004，38(3):489-493.

［13］ Xu Hong，Smes P.Some strategies for explanations in evidential reasoning［J］.IEEE Transactions on Systems，Man and Cybernetic-Part A:Systems Human，1996，26 (5):599-607.

［14］ Zadeh L.A mathematical theory of evidence［J］.The AI Magazine，1984，5(3):81-83.

［15］ Jousselme A L，Dominic G，Bossé E.A new distance between two bodies of evidence［J］.Information Fusion，2001，2(2):91-101.

［16］ 馮海山，徐曉濱，文成林.基于證據(jù)相似性度量的沖突性區(qū)間證據(jù)融合方法［J］.電子與信息學(xué)報(bào)，2012，34(4):852-857. Feng Hai-shan，Xu Xiao-bin，Wen Cheng-lin.A new fusion method of conflicting interval evidence based on the similarity measure of evidence［J］.Journal of Electronics＆Information Technology，2012，34(4):852-857.