基于改进D-S证据理论的室内环境控制决策系统*

谢苗苗,李华龙

(1.安徽大学江淮学院，安徽 合肥 230031；2.中国科学院合肥智能机械研究所，安徽 合肥 230031)

1 引言

随着人们生活水平不断提高，室内环境质量越来越被重视和关注。据统计现代人约有80%以上的时间在室内度过，因此室内环境质量直接影响着人们的身心健康。然而室内环境因子多，且互相作用关系复杂[1]，如何实现室内环境控制的精准决策至关重要。本文设计了一种基于改进D-S证据理论的室内环境控制决策系统，首先实时采集室内环境温度、湿度、光照、噪声、CO2浓度5种关键环境参数，采用箱线图法检测出原始采集数据中的异常值，并用均值替换后，利用距离自适应加权融合算法对同类数据进行一级融合；最后采用改进的D-S证据理论算法，对各类传感器数据进行全局融合，实现室内环境控制的精准决策，为人们提供舒适健康的室内环境。

2 基于改进D-S证据理论的室内环境控制决策系统总体设计

系统利用传感器实时采集室内环境温度、湿度、光照、噪声、CO2浓度等数据，利用无线路由器WiFi无线组网功能，组建室内环境无线监控网络，将采集的环境数据接入Internet，实时传输至远程服务器。服务器端利用SQL Server 2008数据库实时存储采集数据，利用提出的改进D-S证据理论算法，构建室内环境控制决策模型，有效避免了冲突证据带来的融合决策误差，实现对家居环境控制的智能决策。用户可以通过Android手机或者电脑客户端实时查询环境参数和决策结果，根据环境控制决策信息实时调控相应的环境控制设备[2]。基于改进D-S证据理论的室内环境控制决策系统框图如图1所示。

Figure 1 System diagram of indoor environment control decision-making system based on improved D-S evidence theory图1 基于改进D-S证据理论的室内环境控制决策系统框图

3 基于改进D-S证据理论的室内环境控制决策模型构建

本文设计的基于改进D-S证据理论的室内环境控制决策模型，首先采用箱线图法和均值替代法，检测并修复采集的室内环境温度、湿度、光照、噪声、CO2浓度5类关键环境参数异常值；然后利用距离自适应加权融合算法对同类数据进行一级融合；最后采用改进的D-S证据理论算法，对各类传感器数据进行全局融合，实现对室内环境控制的精准决策。模型构建的流程图如图2所示。

Figure 2 Flow chart of indoor environment control decision-making system based on improved D-S evidence theory图2 基于改进D-S证据理论的室内环境控制决策模型构建流程

控制决策模型构建步骤如下：

步骤1数据预处理——箱线图法和均值替代法。

由于传感器在采集室内参数的过程中，可能会受外界环境干扰或者传感器自身老化等原因的影响，出现异常的采集数据，从而降低后续数据融合算法的精度，导致出现错误决策结果，因此在对室内环境数据进行融合分析前，首先要对异常采集数据进行甄别剔除。传统的分析异常数据方法主要有3δ法则、狄克逊准则、Z分数法等，但上述方法均要求采样数据具有正态分布特征[3]。而箱线图法对于采集数据的分布没有严格要求，相对传统的方法，其检测效率更高。针对利用箱线图法检测出的异常值，如果采用直接剔除的方法，可能会导致采集数据样本的减少，进而影响后续融合数据的精度[4]，所以对于异常值数据的处理，可以用剩余数据取平均数进行填补的方法来解决数据样本减少的问题。

系统采用的箱线图法则如图3所示，箱线图主要包括6个数据节点，将数据从小到大排序分别为：最小值Xmin、下四分位数FL、中位数Q2、最大值Xmax、上四分位数FU、异常值。FU和FL之间的距离为IQ=FU-FL，则可以计算数据上截断点为FU+1.5IQ，下截断点为FL-1.5IQ，即为异常值的上、下边缘分界点。大量研究表明截断点的选取在处理异常数据时有较强的鲁棒性，箱线图的异常值标准为：大于FU+1.5IQ或小于FL-1.5IQ[3,4]。

Figure 3 Rule of boxplot图3 箱线图法则

步骤2利用距离自适应加权融合算法实现同类传感器数据一级融合。

步骤3利用基于改进D-S证据理论的室内环境控制决策模型实现全局融合决策。

在改进的D-S证据理论中，首先根据各证据间的关系，找到单个命题下各证据与平均证据之间的距离，利用距离与权重成反比的关系，通过加权计算出单个命题下的平均证据概率mave；然后再计算单个证据与各平均证据概率mave的距离，求出新的加权平均证据概率mω；最后利用D-S证据理论融合规则对修正后的证据进行迭代组合n-1次得到最终的融合结果[13 - 15]。

假设有识别框架Θ={A,B,C,D},n个证据在识别框架下的基本概率分别为m1,m2,…,mn。改进的D-S证据理论步骤如下所示：

(1)计算平均证据概率m′ave(A)，以及单个命题下各证据与平均证据的距离d′i。

(2)与平均证据概率距离越近，权重越大，即两者成反比的关系，所以定义单个命题下各证据概率的权重ωi，并利用每个证据的权重计算出新的平均证据概率mave(A)。

(3)用相同的方法计算出mave(B),mave(C)和mave(D)，计算每个证据与平均证据的距离。

(4)定义各证据的权重ωl并求出加权平均证据概率mω。

(5)应用D-S基本合成规则对mω迭代组合n-1次后即可得到最终的融合结果。

4 实验验证

将本文设计的基于改进D-S证据理论的室内环境控制决策系统布置于我校某办公室内，在办公室内布置有环境温度、湿度、光照、噪声、CO2浓度5类传感器实时采集室内数据，利用无线路由器WiFi无线组网功能，组建室内环境无线监控网络；利用提出的改进D-S证据理论算法，构建室内环境控制决策模型。实验时间从2018年7月21日至2018年9月21日，系统每隔10 min采集1次监测数据，每次采集6组传感器数据。以2018年8月31日上午11:00采集的室内环境数据为例，验证本文设计的室内环境控制决策系统决策精度。5类传感器在该时刻采集的6组原始数据如表1所示。

Table 1 Environmental data collected by the sensors

以CO2浓度为例，用箱线图求得上四分位数FU=1392 ppm，下四分位数FL=1250 ppm，上、下截断点分别为1 605 ppm和1 037 ppm，由此可判断第5个测量值为异常值。按照相同方法可以检测出其他环境参数的异常值。利用均值替代法修复异常值后的数据如表2所示。

Table 2 Environmental data after repair

4.1 距离自适应加权一级融合

(1)根据如表2所示的修复后的传感器数据，可求出各测量指标之间的方差加权距离矩阵D：

D=

(2)支持度向量Sj=[3.296 3.449 3.33 3.353 3.454 3.303]。

(3)各传感器权重向量ω=[0.163 0.171 0.165 0.166 0.171 0.164]。

(4)根据距离自适应加权一级融合算法计算出各环境参数的一级融合值为[27.1 59.2 146.7 34.1 1267]。

4.2 改进的室内环境控制决策模型

在一级融合数据的基础上，验证基于改进D-S证据理论的室内环境控制决策方法的有效性。

首先构造系统决策识别框架Θ:

A={无动作}

B={开启空调、加湿设备}

C={开窗通风}

D={开启照明设备}

先将5类传感器采集的数据预处理后生成的一级融合决策值，转换成独立证据E1，E2，E3，E4和E5，基本概率分配函数如表3所示。

Table 3 Basic probability assignment table

(1)单个命题下各个证据与平均证据的距离矩阵di为：

(2)单个命题下各证据的权重矩阵ωi为：

(4)各证据的权重为[0.1853 0.3662 0.1443 0.1099 0.1943]T，加权平均证据为[0.2496 0.2377 0.4351 0.0776]T。

(5)应用D-S基本合成规则对据mω迭代组合n-1次后即可得到最终的融合结果，为了进行比较，本文还利用传统的D-S证据理论算法进行了数据融合，结果如表4所示。

Table 4 The fusion probability

由表3可知，在单个证据命题下，证据E2和E3,E4和E5高度冲突，证据E1和E2均支持决策目标C，证据E3和E4支持决策目标B，没有证据支持决策目标A。在高冲突证据情况下，利用传统D-S证据理论融合算法，融合决策结果支持目标A，出现了决策结果错误的情况。此外，决策目标A和C的概率分配函数差别不大，决策结果精度不高。从表4中的结果看出，利用改进的D-S证据理论算法决策目标为C，即开窗通风，与前面传感器测量数据中CO2浓度较高需要开窗通风这种实际情况高度吻合，决策目标准确。此外，从表4还可以看出，改进的D-S证据理论算法提高了决策目标C的概率，降低了决策目标A的概率，判决结果精度和准确度大大提高。

为了进一步检验改进D-S证据理论方法的准确性，对2018年8月27日～9月2日采集的环境数据进行融合决策验证，得出系统正确决策987次，不当决策21次，决策准确度达到97.9%以上，系统决策精度高。

5 结束语

本文提出了一种改进的D-S证据理论算法，综合考虑室内多环境因子的相互作用关系，设计基于改进D-S证据理论的室内环境控制决策系统，实现了当前家居环境控制的精准决策。系统在采集多个传感器数据的基础上，采用箱线图法对异常值进行判别，并采用剔除异常值后的平均值对异常值进行修正；然后利用距离加权自适应融合算法对同类室内环境传感器采集数据进行自适应一级融合;最后采用改进的D-S证据理论算法，对各类传感器数据进行全局融合。实验表明，该系统可以实现室内多因子共同作用下的环境控制精准决策，具有广泛的应用前景。