面向智慧小區(qū)的環(huán)境監(jiān)測與控制研究

王 豪，張 珣

（杭州電子科技大學(xué)電子信息學(xué)院，浙江杭州 310018）

0 引言

人與自然環(huán)境相互依存，相互影響。在不斷追尋更加舒適的生存環(huán)境的道路上，人類付出了極大努力。從原始的觀察自然、記錄環(huán)境變化等方式，到如今利用科技手段進(jìn)行環(huán)境指標(biāo)監(jiān)測，都是在采集與分析環(huán)境數(shù)據(jù)，以求掌握自然環(huán)境變化規(guī)律，由此建立預(yù)防、預(yù)警措施并提出環(huán)境治理相關(guān)對策，最終達(dá)到人與自然和諧共融的目的。

近年來，數(shù)據(jù)融合技術(shù)被廣泛應(yīng)用于軍事和民事工程等領(lǐng)域［1-2］。隨著我國信息化建設(shè)的不斷推進(jìn)，多數(shù)據(jù)融合技術(shù)也開始被運(yùn)用于環(huán)境數(shù)據(jù)融合中。改善小區(qū)環(huán)境作為智慧社區(qū)建設(shè)的重要組成部分，是智慧社區(qū)發(fā)展的必然要求，也是智慧社區(qū)的重要基礎(chǔ)?；诙鄶?shù)據(jù)融合技術(shù)對小區(qū)環(huán)境狀況進(jìn)行研究，不僅有助于對小區(qū)環(huán)境的精準(zhǔn)掌控，而且能夠?yàn)樾^(qū)環(huán)境的改善提供科學(xué)指導(dǎo)。

以往對智慧社區(qū)環(huán)境監(jiān)測系統(tǒng)的研究往往忽略了復(fù)雜環(huán)境因子對決策控制的影響，僅使用單一傳感器采集的環(huán)境數(shù)據(jù)判斷某一環(huán)境狀況，可能導(dǎo)致對整個(gè)環(huán)境狀況的誤判，最終使決策結(jié)果差強(qiáng)人意。如陸珂琳［3］側(cè)重于運(yùn)用物聯(lián)網(wǎng)技術(shù)采集和展示環(huán)境數(shù)據(jù)，并沒有將單個(gè)環(huán)境數(shù)據(jù)充分利用起來，也沒有通過這些數(shù)據(jù)指導(dǎo)小區(qū)建設(shè)，因此無法適應(yīng)未來智慧社區(qū)的建設(shè)要求。對于多源數(shù)據(jù)的融合辦法，任倩等［4］側(cè)重于多源數(shù)據(jù)采集以及系統(tǒng)架構(gòu)模型建立，沒有為數(shù)據(jù)融合提供具體的可行方法，也沒有結(jié)合多種測量數(shù)據(jù)；向朝興等［5］則使用模糊理論的方法處理多源數(shù)據(jù)，由于該方法的特點(diǎn)是將人的主觀判斷用數(shù)量形式進(jìn)行表達(dá)與處理，所以具有一定的主觀局限性。

綜合上述研究，本文以經(jīng)典的非概率融合算法為基礎(chǔ)，將傳統(tǒng)的D-S 證據(jù)理論引入到小區(qū)環(huán)境狀況決策中，通過對沖突因子的優(yōu)化與改進(jìn)，有效解決了證據(jù)間的高沖突問題，在提高決策準(zhǔn)確性的同時(shí)，也使得系統(tǒng)具有更強(qiáng)的適應(yīng)能力。另外，針對會(huì)造成監(jiān)測數(shù)據(jù)偏差的一些非可控干擾因素，謝苗苗等［6］提出箱線圖的方法處理原始數(shù)據(jù)，但這種方法僅針對室內(nèi)環(huán)境數(shù)據(jù)的處理效果顯著，而對于小區(qū)的大面積環(huán)境，則需要依靠更多組數(shù)據(jù)作為參照。因此，本文使用群體支持度的方式對數(shù)據(jù)進(jìn)行預(yù)處理操作，通過對多組實(shí)驗(yàn)數(shù)據(jù)支持度的計(jì)算，選取符合實(shí)際環(huán)境狀況的有效數(shù)據(jù)。該方法充分利用了小區(qū)的環(huán)境特點(diǎn)，增強(qiáng)了數(shù)據(jù)可靠性。

1 小區(qū)環(huán)境監(jiān)測與控制總體設(shè)計(jì)

1.1 系統(tǒng)總體架構(gòu)

本系統(tǒng)軟件部分總體架構(gòu)采用B/S（瀏覽器/服務(wù)器）模式，相較于傳統(tǒng)的C/S（客戶端、服務(wù)器）模式，既節(jié)省了客戶端資源，又方便了用戶，不需要下載專用的客戶端程序。系統(tǒng)軟件瀏覽器端使用HTML 和基于JavaScript 的easyUI 前端技術(shù)框架進(jìn)行頁面設(shè)計(jì)與開發(fā)。后端服務(wù)器使用基于Java 的springboot 微服務(wù)框架進(jìn)行開發(fā)，并使用MyBatis 技術(shù)操作數(shù)據(jù)庫，以及使用Ajax 技術(shù)局部響應(yīng)前端請求，實(shí)現(xiàn)數(shù)據(jù)管理與后臺控制。

系統(tǒng)硬件部分共包含5 類傳感器，分別用來采集小區(qū)的溫度、濕度、PM2.5、風(fēng)速和噪聲等環(huán)境數(shù)據(jù)，然后利用這些數(shù)據(jù)，結(jié)合改進(jìn)的D-S 證據(jù)理論算法，構(gòu)建出小區(qū)環(huán)境的智能決策模型，從而可利用模型判斷得出不同實(shí)時(shí)環(huán)境參數(shù)狀況下的決策結(jié)果，最后通過無線網(wǎng)絡(luò)將控制指令發(fā)送到相關(guān)設(shè)備，實(shí)現(xiàn)對設(shè)備的智能控制。其中，控制指令先由服務(wù)器通過因特網(wǎng)發(fā)送到路由器，再由路由器轉(zhuǎn)發(fā)到對應(yīng)的智能網(wǎng)關(guān)，最后由網(wǎng)關(guān)下達(dá)指令到設(shè)備。小區(qū)居民可通過智能手機(jī)或電腦端瀏覽器登錄服務(wù)器，實(shí)時(shí)查詢環(huán)境參數(shù)和決策結(jié)果，小區(qū)管理者也可根據(jù)實(shí)時(shí)環(huán)境信息手動(dòng)調(diào)控相應(yīng)的環(huán)境控制設(shè)備［4］。系統(tǒng)總體架構(gòu)如圖1所示。

Fig.1 System overall architecture圖1 系統(tǒng)總體架構(gòu)

1.2 通信方式選擇

傳感器及控制設(shè)備與智能網(wǎng)關(guān)之間的通信可分為兩大類：一類是無線通信方式，例如藍(lán)牙、ZigBee、NB-IOT等；另一類是有線通信方式，例如485 總線等。本文選用電力線載波通信（PLC -Internet of Things），其是一種以電力輸電線為傳輸介質(zhì)的通信方式［7］。與傳統(tǒng)的無線通信方式相比，PLC 更加穩(wěn)定。一方面由于藍(lán)牙和ZigBee 的傳輸距離有限，并不適合小區(qū)環(huán)境數(shù)據(jù)的傳輸；另一方面NB-IOT 作為遠(yuǎn)距離的無線通信方式，依賴于通信運(yùn)營商的基站，且實(shí)時(shí)性較差，因此也難以適應(yīng)智慧小區(qū)的實(shí)際要求。相比于485總線，PLC 僅由一組零火線便完成了485總線兩組線才能完成的功能，即設(shè)備供電和數(shù)據(jù)傳輸。另外，相比PLC 直接使用的通用電力輸電線，485 總線需要采用變壓器對家用電進(jìn)行轉(zhuǎn)換后才能為設(shè)備供電，因此PLC布線更加簡單、便捷。

PLC 技術(shù)包含多種編解碼方式，其中常見的有擴(kuò)頻、OFDM（Orthogonal Frequency Division Multiplexing）正交頻分復(fù)用和多維網(wǎng)格編碼等［8］。其基本工作原理是在電力輸電線中加入高頻載波信號，由輸電線作為載體運(yùn)輸信息，并在接收端進(jìn)行解析。PLC 的缺點(diǎn)是當(dāng)連接設(shè)備較多時(shí)，設(shè)備之間的干擾很大，尤其是在近距離使用時(shí)。但對于小區(qū)環(huán)境監(jiān)測數(shù)據(jù)傳輸和設(shè)備控制指令下發(fā)，PLC 仍是比較可靠的，原因是各設(shè)備間的距離不會(huì)太近。另外使用OFDM 技術(shù)可有效避免交流電力線上較多的低頻干擾，使得PLC 能夠適應(yīng)較遠(yuǎn)距離的信息傳輸。

2 小區(qū)環(huán)境數(shù)據(jù)融合算法分析

2.1 D-S證據(jù)理論

D-S 證據(jù)理論（Dempster-Shafer Envidence Theory）是一種處理不確定性問題的完整理論，在強(qiáng)調(diào)事物客觀性的同時(shí)，也強(qiáng)調(diào)了人類對事物估計(jì)的主觀性［9］。與傳統(tǒng)的概率論方法相比，其優(yōu)勢在于利用“區(qū)間估計(jì)”代替“點(diǎn)估計(jì)”來表示事物之間的關(guān)系。因此，D-S 證據(jù)理論在對不明確事物的處理決策上比傳統(tǒng)概率統(tǒng)計(jì)更有說服力。

D-S 證據(jù)理論通常包含4 個(gè)概念，分別為識別框架、基本概率分配函數(shù)、信任度函數(shù)和似然函數(shù)。其中，識別框架是D-S 證據(jù)理論的基礎(chǔ)，通常定義集合Θ={δ1，δ2，δ3，...δn}作為識別框架，其是一個(gè)包含事件所有可能性的集合，而識別框架中的每一個(gè)元素代表著一個(gè)事件的最終結(jié)果?；靖怕史峙浜瘮?shù)m(δi)表示證據(jù)對命題δi的信任程度，信任度函數(shù)表示證據(jù)對命題δi為真命題的信任程度，似然函數(shù)表示證據(jù)對命題δi的可疑程度。

其中，每個(gè)事件結(jié)果都與任何一個(gè)子集對應(yīng)，也即是說冪集中必定存在某一事件的答案。冪集中的元共有2n個(gè)，對應(yīng)識別框架中的n元素。

（2）基本概率分配函數(shù)。定義基本概率分配函數(shù)為m(δi)，其表示證據(jù)對命題δi的信任程度，滿足m(?)=0 和。即對于空集?，其信任度為0。則表示在識別框架中，n個(gè)證據(jù)的基本概率分配值之和為1。

（3）似然函數(shù)。定義似然函數(shù)為Pl(δi)，代表命題δi為真命題的信任程度，其需要滿足的條件是：Pl(δi)=(1 -Bel(δi))。其中，對于Pl(δi)>Bel(δi)，一般把Bel(δi)稱為對命題δi信任程度的上限，把Pl(δi)稱為對命題δi信任程度的下限。[Bel(δi)，Pl(δi)]代表對命題δi的不確定區(qū)間。

（4）信任度函數(shù)。若識別框架Θ 中的元素是集合，則必定存在δj<δi<Θ 在冪集中，其中δj是δi的子集，對δj的信任度等于δj集合里全部命題的信任度總和。

定義信任度函數(shù)為Bel(δi)，且δi上的所有子集δj存在，同時(shí)符合δj<δi<Θ，則信任度函數(shù)滿足：Bel(δi)=。對于識別框架內(nèi)的元素，若m(δi)>0，則稱δi為信任度函數(shù)的焦元。

（5）合成規(guī)則。由于多種環(huán)境因子都可能對環(huán)境質(zhì)量造成不同的影響，所以在實(shí)際情況中要使用多種類型的傳感器測量出多種環(huán)境數(shù)據(jù)，然后利用這些不同種類的信息合成不同的基本概率分配函數(shù)，最終得到新的決策輸出。假設(shè)在識別框架Θ 下有兩個(gè)不同的基本概率分配函數(shù)m1、m2，其對應(yīng)的信任度函數(shù)分別為Bel1、Bel2，對應(yīng)的焦元分別為A、B。如果A∩B=X，則利用合成規(guī)則可得式（2）：

其中，k為沖突因子，并且滿足k-1=。沖突因子k反映兩個(gè)證據(jù)之間的沖突程度，k值越大，證據(jù)間的沖突越強(qiáng)烈。

2.2 D-S證據(jù)理論的不足

傳統(tǒng)D-S 證據(jù)理論主要依靠信任度函數(shù)計(jì)算，相較于傳統(tǒng)的概率論方法，其對于應(yīng)對復(fù)雜情況下的融合更具優(yōu)勢。但是，一般的D-S證據(jù)理論算法仍然存在缺陷：

（1）證據(jù)的高度沖突問題。D-S 證據(jù)理論無法解決證據(jù)沖突嚴(yán)重和完全沖突的情況，沖突因子k越大，越容易造成證據(jù)高度沖突的問題，最終導(dǎo)致融合結(jié)果與實(shí)際情況不符。

（2）基本概率分配值偏差問題?；靖怕史峙渲凳侨诤咸幚淼年P(guān)鍵要素，直接影響到最終的融合結(jié)果，因此基本概率分配值的選取十分重要。基本概率分配值的選取方法也有多種，通常會(huì)根據(jù)不同應(yīng)用背景選擇適合的基本概率分配值。以文獻(xiàn)［10］為例，基本概率分配值依靠主觀經(jīng)驗(yàn)獲取，這樣很容易導(dǎo)致結(jié)果產(chǎn)生偏差。

（3）魯棒性差。由于基本概率分配值對后續(xù)合成結(jié)果有很大影響，對基本概率分配函數(shù)的些許變動(dòng)，都可能造成融合結(jié)果出現(xiàn)較大偏差，因此傳統(tǒng)的D-S 證據(jù)理論算法不具有普適性。

2.3 D-S證據(jù)理論改進(jìn)

傳統(tǒng)的D-S 證據(jù)理論在進(jìn)行證據(jù)合成時(shí)，沖突因子k僅代表存在沖突的焦元之間的沖突程度，而忽略了證據(jù)間距離與沖突的關(guān)系。所以當(dāng)k值較大時(shí)，證據(jù)之間的沖突也較大。此時(shí)，若使用傳統(tǒng)D-S 證據(jù)理論算法對數(shù)據(jù)進(jìn)行融合操作，很可能會(huì)產(chǎn)生有悖于實(shí)際情況的融合結(jié)果，進(jìn)而導(dǎo)致決策出錯(cuò)。

證據(jù)間距離作為衡量證據(jù)之間信息相似度的指標(biāo)，能夠較準(zhǔn)確地描述各證據(jù)間的支持程度［11］。因此，為解決證據(jù)之間由于高沖突所帶來的合成結(jié)果錯(cuò)誤問題，考慮利用可改進(jìn)證據(jù)間距離的計(jì)算方式對傳統(tǒng)D-S 證據(jù)理論進(jìn)行改進(jìn)［12-13］。

具體改進(jìn)措施主要包括兩個(gè)方面：一是使用巴氏距離計(jì)算方式作為證據(jù)間距離的計(jì)算方法。在統(tǒng)計(jì)學(xué)中，巴氏距離通常被用于測量兩個(gè)樣本的相似性，其具備對稱性。證據(jù)ai與aj之間的巴氏距離可表示為式（3）：

其中，BC(ai，aj)=為巴氏系數(shù)，當(dāng)巴氏系數(shù)趨近于0 時(shí)，兩證據(jù)間距離dBPA(ai，aj)趨近于正無窮大，此時(shí)證據(jù)ai與其他證據(jù)之間的距離總和趨近于無窮大。

二是利用新的證據(jù)距離改進(jìn)原始的沖突因子k，通過其之間的互補(bǔ)，形成新的沖突因子k’，如式（4）所示：

新的沖突系數(shù)k’充分結(jié)合了原始沖突因子k和證據(jù)距離。只有在兩者都為0 的情況下，才表示兩證據(jù)間沒有沖突；只有在兩者都較大的情況下，才能說明證據(jù)間的沖突較大。該方法有效解決了在傳統(tǒng)D-S 證據(jù)理論合成規(guī)則中因證據(jù)間沖突引起較大誤差的問題。

3 小區(qū)環(huán)境數(shù)據(jù)融合模型構(gòu)建與實(shí)現(xiàn)

3.1 模型構(gòu)建流程

為使小區(qū)的環(huán)境監(jiān)測結(jié)果更加準(zhǔn)確，在收集到傳感器直接檢測到的數(shù)據(jù)后，首先需要對這些原始數(shù)據(jù)進(jìn)行預(yù)處理操作。這里采用群體支持度方法對采集到的原始數(shù)據(jù)作有效性判斷，從而剔除無效的異常數(shù)據(jù)，僅保留有效數(shù)據(jù)作進(jìn)一步融合操作；然后對同類型的傳感器數(shù)據(jù)使用自適應(yīng)加權(quán)平均算法進(jìn)行一級融合，得到一級融合值，再對一級融合結(jié)果作歸一化處理；最后利用改進(jìn)的D-S 證據(jù)理論進(jìn)行決策級融合，得到對小區(qū)環(huán)境狀況的整體判斷。小區(qū)環(huán)境控制決策模型構(gòu)建流程如圖2所示。

Fig.2 Flow of building a community environment control decision model圖2 小區(qū)環(huán)境控制決策模型構(gòu)建流程

3.2 模型實(shí)現(xiàn)

3.2.1 數(shù)據(jù)預(yù)處理

在傳感器測量環(huán)境參數(shù)的過程中，不僅會(huì)受到傳感器自身靈敏度或準(zhǔn)確性的影響，而且會(huì)受到特殊位置或特定環(huán)境的影響，這些客觀條件都可能使測量結(jié)果出現(xiàn)偏差［14］，甚至在后面的融合計(jì)算中不斷放大誤差，最終導(dǎo)致完全相反的錯(cuò)誤決策出現(xiàn)。因此，為避免無效的異常數(shù)據(jù)對實(shí)驗(yàn)結(jié)果造成影響，對原始的采集數(shù)據(jù)進(jìn)行預(yù)處理操作是十分必要的［15］。

本文利用群體支持度思想判斷采集的數(shù)據(jù)是否為有效數(shù)據(jù)，群體支持度的核心是通過數(shù)據(jù)間的聯(lián)系得出其對彼此的支持度。具體而言，利用多個(gè)同類分別對其中某一個(gè)傳感器節(jié)點(diǎn)計(jì)算支持度，當(dāng)總支持度越大，則證明其與大多數(shù)傳感器節(jié)點(diǎn)測量值越接近，此時(shí)該節(jié)點(diǎn)的測量數(shù)據(jù)為有效數(shù)據(jù)的可能性越大；反之，說明該節(jié)點(diǎn)的測量數(shù)據(jù)為無效數(shù)據(jù)的可能性越大，應(yīng)予以剔除。

為更加直觀地體現(xiàn)不同采集數(shù)據(jù)之間的支持度，使用支持度函數(shù)來量化這一概念。設(shè)支持度函數(shù)為sup（x，y），用來表示數(shù)據(jù)y對數(shù)據(jù)x的支持程度。通常選用指數(shù)衰減型函數(shù)作為支持度函數(shù)，如式（5）所示：

其中，β為衰減因子，該值越大，支持度函數(shù)衰減速度越快，所以可通過調(diào)節(jié)衰減因子的方式改變支持度函數(shù)的衰減幅度。兩個(gè)相同類型傳感器的測量數(shù)據(jù)越接近，其支持度函數(shù)值則越大。因此，該支持度函數(shù)可較好地反映傳感器測量數(shù)據(jù)的準(zhǔn)確性。

假設(shè)在監(jiān)測區(qū)域內(nèi)采集溫度的傳感器節(jié)點(diǎn)有n個(gè)，在一定時(shí)間段內(nèi)共采集到m個(gè)環(huán)境數(shù)據(jù)，得到支持度矩陣。則其他傳感器節(jié)點(diǎn)對傳感器節(jié)點(diǎn)ai的綜合支持度為si=。

其中，si表示節(jié)點(diǎn)ai與同類型傳感器節(jié)點(diǎn)測量值的接近程度，即si值越大，ai值為有效數(shù)據(jù)的可能性越大。因此，某時(shí)間段內(nèi)該監(jiān)測區(qū)域采集的溫度數(shù)據(jù)經(jīng)過預(yù)處理后的值為xi(t)(i=1，2，...，n)。同理，可得到某個(gè)時(shí)間段內(nèi)該監(jiān)測區(qū)域采集的濕度、PM2.5、風(fēng)速和噪聲數(shù)據(jù)經(jīng)過預(yù)處理后的值分別為yi(t)(i=1，2，...，n)、zi(t)(i=1，2，...，n)、wi(t)(i=1，2，...，n)、vi(t)(i=1，2，...，n)。

3.2.2 數(shù)據(jù)一級融合

原始測量數(shù)據(jù)經(jīng)過預(yù)處理操作后，按照不同的傳感器類型進(jìn)行劃分，并采用自適應(yīng)加權(quán)平均算法對有效數(shù)據(jù)進(jìn)行一級融合［16-20］。自適應(yīng)加權(quán)平均算法依靠自適應(yīng)尋找方法找到不同類型傳感器所對應(yīng)的最優(yōu)加權(quán)值，并在滿足總均方誤差最小的情況下，獲得最優(yōu)融合結(jié)果［21］。自適應(yīng)加權(quán)平均算法模型如圖3所示。

Fig.3 Adaptive weighted average algorithm model圖3 自適應(yīng)加權(quán)平均算法模型

由于不同位置的同類型傳感器測量的環(huán)境數(shù)據(jù)也會(huì)存在差異，為了縮小差距，得到更加均衡的環(huán)境數(shù)據(jù)，首先使用最小均方誤差理論找到不同位置傳感器對應(yīng)的權(quán)值，再將預(yù)處理后的數(shù)據(jù)與相應(yīng)權(quán)值的乘積相加，得到一級融合結(jié)果。

其中，由于同類型傳感器在小區(qū)的安裝位置不同，且距離較遠(yuǎn)，可近似認(rèn)為其之間相互獨(dú)立，因此有E[(x-xi)(x-xj)]=0(i≠j)。均方誤差可簡化為式（7）：

3.2.3 全局融合決策

經(jīng)過一級融合后，可得出對小區(qū)各種環(huán)境狀況的局部判斷。為了使小區(qū)環(huán)境監(jiān)測結(jié)果更加準(zhǔn)確，還需要利用改進(jìn)后的D-S證據(jù)理論進(jìn)行決策級融合。

假設(shè)有識別框架Θ={δ1，δ2，δ3，δ4}，經(jīng)過一級融合后，得到各證據(jù)在識別框架下的基本概率分別為m1、m2、m3、m4、m5。首先利用式（8）計(jì)算原始的沖突因子k：

然后計(jì)算出該證據(jù)與其他證據(jù)之間的巴氏距離dBPA，并求出平均距離u1，如式（9）所示：

最后，將原始沖突因子k與證據(jù)距離dBPA相結(jié)合，取二者均值作為新的沖突因子，再利用D-S 證據(jù)理論合成規(guī)則計(jì)算出最終融合結(jié)果，如式（10）所示：

同理，可求出m（δ2）、m（δ3）、m（δ4）、m（δ5）的值。

3.2.4 實(shí)驗(yàn)結(jié)果分析

為了得到更加均衡的環(huán)境數(shù)據(jù)，實(shí)驗(yàn)選擇在3 個(gè)不同區(qū)域安置5 類傳感器，分別在小區(qū)的建筑附近、道路附近和綠植附近。實(shí)驗(yàn)每隔5min 采集一次傳感器數(shù)據(jù)，在當(dāng)天下午的6～7 點(diǎn)共采集1h 數(shù)據(jù)。表1 為經(jīng)過預(yù)處理剔除無效數(shù)據(jù)后的測試環(huán)境數(shù)據(jù)。

Table 1 Test environment data表1 測試環(huán)境數(shù)據(jù)

假設(shè)識別框架Θ={δ1，δ2，δ3，δ4}，其中，δ1代表無動(dòng)作，δ2代表開啟灌溉設(shè)備，δ3代表開啟凈化設(shè)備，δ4代表給居民發(fā)送環(huán)境情況提醒。經(jīng)過融合計(jì)算后的結(jié)果對比如表2所示。

實(shí)驗(yàn)結(jié)果表明，兩種融合結(jié)果的最終決策對應(yīng)同一控制指令，結(jié)合實(shí)際環(huán)境數(shù)據(jù)和決策指令，可判斷該決策結(jié)果是正確的。但是從融合結(jié)果來看，傳統(tǒng)D-S 理論對δ1和δ4的融合結(jié)果十分相近，說明對該決策結(jié)論的支持度并不高，而改進(jìn)D-S 理論的融合結(jié)果明顯指向了δ1。因此，在沖突相對較高的情況下，改進(jìn)的D-S 理論能更好地適應(yīng)需求。

Table 2 Test environment fusion results表2 測試環(huán)境融合結(jié)果

4 結(jié)語

本文從智慧小區(qū)環(huán)境研究入手，提出適用于未來小區(qū)環(huán)境監(jiān)測的方案和智能決策模型。系統(tǒng)整體利用物聯(lián)網(wǎng)技術(shù)，結(jié)合計(jì)算機(jī)軟件和云服務(wù)，實(shí)現(xiàn)了對環(huán)境狀況的可視化操作和對設(shè)備的精準(zhǔn)控制。其中，針對小區(qū)環(huán)境監(jiān)測目標(biāo)，重點(diǎn)分析了傳統(tǒng)D-S 證據(jù)理論算法存在的缺陷，利用改進(jìn)沖突因子的計(jì)算方法，實(shí)現(xiàn)了更精準(zhǔn)的控制決策。經(jīng)過分析比較，將群體支持度思想運(yùn)用到初始測量數(shù)據(jù)預(yù)處理中，從而有效避免了無效值對決策結(jié)果的影響，進(jìn)而利用加權(quán)自適應(yīng)算法對同類型測量值進(jìn)行一級融合，最后采用改進(jìn)的D-S 證據(jù)理論算法得到?jīng)Q策級融合結(jié)果。經(jīng)過實(shí)驗(yàn)驗(yàn)證，該模型可實(shí)現(xiàn)對小區(qū)環(huán)境的智慧決策和智能控制。然而，本文利用數(shù)據(jù)融合生成的控制決策，僅在傳感器種類較少的情況下效果顯著，而對更多類型測量證據(jù)的支持度有限。因此，未來智慧小區(qū)建設(shè)還有很長的路要走。