（电力电子与电力传动专业论文）基于多源信息融合的心血管监护系统研究.pdf

西华人学硕士学位论文器采集与心血管健康相关的心音、脉搏波等信号，经过计算机的处理与分析获取一心音、脉搏等特征参数，利用智能化的信息融合方法观察人体的心血管功能是否正常。整个系统本身具有为无创伤、实时性好等优点。关键词：信息融合，心血管疾病，监护系统，l a b v i e w ，数据库西华人学硕士学位论文t h es y s t e mr e s e a r c ho fc a r d i o v a s c u l a rm o n i t o r i n gb a s e do nm u l t i s o u r c ei n f o r m a t i o nf u s i o nm a j o ro fp o w e re l e c t r o n i c sa n de l e c t r i cd r i v ep o s t g r a d u a t e ：z h a n gy o u c h u nt u t o r ：w a n gp i n gh e a r ts o u n ds i g n a li so n eo ft h em o s tp r i m a r yp h y s i o l o g i c a ls i g n a l s i tc o n t a i n sag r e a td e a lo fp a t h o l o g i c a li n f o r m a t i o nw h i c hb e l o n g st oe a c hp a r t so fh e a r t ，s u c ha sa t r i a ，v e n t r i c l ea n dc a r d i o v a s c u l a rf u n c t i o n a ls t a t u s i t i sa l s oa ni m p o r t a n te s s e n t i a lp a r a m e t e ru s e dt oe v a l u a t eh e a r tf u n c t i o n a ls t a t u s b e f o r et h ed e v e l o p m e n to fc a r d i o v a s c u l a rd i s e a s eh a v i n gn o ty e tb e e ns u f f i c i e n tt op r o d u c ec l i n i c a la n dp a t h o l o g i c a lc h a n g e s ，t h ea p p e a r a n c eo fn o i s ea n dd i s t o r t i o ni np h o n o c a r d i o g r a mi n d i c a t e ss o m ei m p o r t a n ti n f o r m a t i o n t h e r ei sa b u n d a n tc a r d i o v a s c u l a rh e a l t hi n f o r m a t i o ni np u l s es i g n a l ，s oi th a ss i g n i f i c a n tr e f e r e n c ev a l u ef o rc a r d i o v a s c u l a rm o n i t o r i n gt or e c o r dp h o n o c a r d i o g r a ma n dp u l s ed i a g r a m a tt h eb a s i so fa n a l y z i n gt h es i t u a t i o no fr e l a t e dr e s e a r c ha th o m ea n da r o a d ，t h i st h e s i sh a sm a d em o r ed e m i l e dd e s c r i p t i o no fm u l t i - s o u r c ei n f o r m a t i o nf u s i o nt h e o r y w h a t sm o r e ，i th a sa n a l y z e dt h ea d v a n t a g e sa n dd i s a d v a n t a g e so fs e v e r a lf u s i o nm e t h o d s d e m p s t e r - s h a f e re v i d e n c et h e o r yh a sb e e ns e l e c t e df i n a l l y , w h i c hh a so b v i o u sa d v a n t a g e si nd e a l i n gw i t hu n c e r t a i ni n f o r m a t i o n c o n s i d e r i n gt h ew e a k n e s so fd se v i d e n c et h e o r ya n dt h er e q u i r e m e n to fm o n i t o r i n gs y s t e mf o rr e a l - t i m ep r o c e s s i n gc a p a b i l i t y , r e a c h i n gt a r g e td e c t i o na ss o o na sp o s s i b l e ，w er e s o r tt ot h eb pn e u r a ln e t w o r kw h i c hh a sag o o dn o n l i n e a rm a p p i n ga b i l i t ya n ds e l f - l e a r n i n ga b i l i t y o nt h es o f t w a r ed e s i g no fm o n i t o r i n gs y s t e ms i d e ，t h r e ef r i e n d l yp a n e l so fm o n i t o r i n gs y s t e mh a v eb e e nc o m p l e t e d ，i n c l u d i n gr e a l - t i m es a m p l i n gp a n e l ，s i g n a la n a l y s i sp a n e la n dr e c o r dm a n a g e m e n tp a n e la tt h ep l a t f o r mo fg r a p h i cv i r t u a li n s t r u m e n td e v e l o p m e n ts o f t w a r el a b v i e w8 2 t h es o f t w a r ed e s i g nm a i n l yr e a l i z e sh e a r ts o u n da n dp u l s es a m p l i n g ，d i s p l a y , p r o c e s s i n g ，c h a r a c t e r i s t i c se x t r a c t i n g ，s t o r a g e ，p l a y b a c k ，e t c o nt h ed a t as t o r a g eo fm o n i t o r i n gs y s t e ms i d e ，t h i st h e s i sd e s i g n sp a t i e n t sm a n a g e m e n td a t a b a s eb yu s eo fd a t a b a s et e c h n o l o g y nv i e wo fm o n i t o r i n gs y s t e mv i s i t i n gd a t a b a s er e a l t i m e l y , l a b s q li sc h o s e nt oa c c e s sd a t a b a s ed e v e l o p e db vm i c r o s o f ta c c e s s2 0 0 3 ，w h i c hi sas m a l ld e s k t o pr e l a t i o n a ld a t a b a s em a n a g e m e n ts y s t e m t h i ss t u d ym a k e sg o o du s eo fm u l t i s o u r c ei n f o r m a t i o nf u s i o nt e c h n 0 1 0 9 y ，n e u r a ln e t w o r kt e c h n o l o g y , d i g i t a ls i g n a lp r o c e s s i n gt e c h n o l o g y , d a t a b a s et e c h n o l o g y , e c t t h ed e s i g n e dm o n i t o r i n gs y s t e ma c q u i r e sh e a r ts o u n ds i g n a la n dp u l s es i g n a lf r o md i g i t a lh e a r ts o u n ds e n s o ra n dp u l s es e n s o r , w h i c hr e f l e c tc a r d i o v a s c u l a rh e a l t h t h ec h a r a c t e r i s t i cp a r a m e t e r sa r eo b t a i n e db yv i r t u eo fc o m p u t e rp r o c e s s i n ga n da n a l y s i s t h el i s co fi n t e l l i g e n ti n f o r m a t i o nf u s i o nm e t h o di su s e dt oo b s e r v ew h e t h e rt h eb o d y sc a r d i o v a s c u l a rf u n c t i o ni sn o n n a lo rn o t t h ee n t i r es y s t e mi t s e l fh a sn o n i n v a s i v e ，r e a l t i m ea d v a n t a g e sa n ds oo n k e y w o r d s ：i n f o r m a t i o nf u s i o n ，c a r d i o v a s c u l a rd i s e a s e ，m o n i t o r i n gs y s t e m ，l a b v i e 彤d a t a b a s e西华人学硕士学位论文声明本人声明所呈交的学术论文是本人在导师指导下进行的研究工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得西华大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。本学位论文成果是本人在西华大学读书期间在导师指导下取得的，论文成果归西华大学所有，特此声明。储虢 协名夯冲g 月夕日导师签名：6 5如年占月_ - 日，西华火学硕士学位论文西华大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅，西华大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于1 、保密口，在年解密后适用本授权书；2 、不保密匝适用本授权书。( 请在以上口内划4 )学位论文作者签名：号钐务日期：少刁、y指导教师签名：日期：切新西华大学硕十学位论文1 引言1 1 本课题研究意义心血管疾病由于其突发性，病人一旦在睡眠、外出、独自在家等无人看护状态下发病，往往丧失主动呼救报警能力，难以得到及时救治，由此很容易导致病人残疾甚至死亡。据不完全统计，全世界每年有2 0 0 0 多万人因心血管疾病而死亡，我国每年死于心血管疾病的总人数约是2 8 0 万人，每小时约有3 2 0 人被心血管疾病夺去了生命 6 】 9 】。并且该病的发病率呈逐年上升趋势，年龄呈年轻化。为降低患有心血管疾病病人死亡率，除了病人自身饮食节制和运动适当外，开发出一种基于多源信息融合的智能化心血管疾病实时监护系统显得尤为重要。多源信息融合的智能化心血管疾病监护系统的研究为心血管疾病的及时诊断和监护提供了依据，它避免了传统的医生诊断的主观性和时间局限性，是为了实现对病人的2 4 小时不问断安全监护而提出的一种新型系统，该系统能实时监护患有心血管疾病病人的病情，以实现迅速救治。1 2 国内外研究现状上世纪7 0 年代，随着医学、计算机科学等高速发展，越来越多的科学家将心血管状况与心音、脉搏波特征信息结合起来进行探讨，其中包括对心音信号传导和基本特征的理论研究，对采集到的心音信号进行用数字信号处理的方法进行时频特性的研究，将脉搏波传播速度与诊断各种疾病联系起来等7 】【1 0 】。主要涉及：对心音微弱成分的研究冠状动脉阻塞( 狭窄) 即使小至2 5 也将产生阻塞后湍流，相应地在心音图( p h o n oc a r d i og r a p h y , p c g ) 中表现为杂音成分。而高度阻塞( 9 5 以上) 则由于血流的减少使杂音反而减少。冠状动脉阻塞产生的听觉成分往往经中f i j j 组织的衰减，而且为相应的瓣膜音所掩盖，所幸这些杂音成分发生在相对“安静”的舒张期，因此利用舒张期p c g 信号研究对冠状脉非症状性缺陷的无创性检测极有潜力。第三心音和第四心音这些心音的微弱成分也逐渐为人们所重视。西华人学硕士学位论文心音的模式识别与自动解释心音中含有人体心脏大量的生理、病理信息，因此对用现代数字信号处理方法提取的心音特征，用模式识别或神经网络对心音进行自动分类和识别，一直是人们感兴趣的研究课题之一。对人工心脏瓣膜的无创伤检测从上个世纪七十年代起，人工心脏瓣膜的无创伤性检测方法显得很贫乏。人们开始利用心音的频谱分析来评估瓣膜的功能和大小参数。l d u r a n d 等将传统谱分析方法和现代谱分析方法应用于植入主动脉瓣位置上的人工生物瓣膜音的分析，并对这两种谱分析方法的性能进行了比较研究p j 。心胸传播特性的建模与分析心胸声传播系统对心音信号的作用是不容忽视的，然而由于技术上和和认识上的原因，多年以来心胸传播特性对心音和心杂音的影响一直未受到临床医生的注意。国内研究的方法主要是集中在对以前用老式心音图机采集的信号进行分析，或者就是用声卡或其它方法对以前临床采集的听诊病例进行信号的分子研究，真正的把电子产品应用到临床的还很少。对脉搏波传播速度的测定一般是临床完成，利用一定的装置，在心血管上测试出两点之间的距离和传播这段距离所需的时间，然后平均得到脉搏波传播速度，最后将得到脉搏波传播速度与生理因素以及病理状况结合起来进行研究分析。国内针对脉搏波的研究工作有清华大学电机系孔谙，白净等发表了心血管系统参数关系的仿真研究等文章；北京工业大学生物医学工程中心罗志昌发表了脉搏波波形特征信息的研究；此外还有上海医科大学与上海交通大学合作进行了脉搏波频域内的一些研究工作。这些年来，还有不少生物医学工程研究者致力于对超声血流信号、生物电信号进行信号分析的研究，力图提取信号的某些有用特征，根据特征进行论断，例如有研究者利用电阻抗血流容积描记器，从体外记录体内血管容积随血流脉动而变化的情况，利用血管容积的变化测算出血管弹性峰值，利用峰值判定血管状态【13 1 ，最近几年也有大批的生物医学研究者力图根据脉搏波速度判定血管的弹性功能。但目前尚未成熟，有待遇进一步发展完善。2两华大学硕士学位论文近年来，世界各国纷纷建立起冠心病监护病房、重症监护室、脑疾患者监护室，在手术室、分娩室、康复室等一些专科病房也加强了监护措施。对于心血管疾病的监护，目前己提出的主要手段有临床医用监测系统、便携式心电参数监测终端和远程心电监护系统三大类。临床监测系统一般用于对住院病人的监测，设备体积和重量较大，测量参数较多，由护理人员按时记录，再经医生诊断；便携式监测终端目前已有的系统包括心率监测终端、呼吸监测终端等，它们多是根据某一监测参数的变化来提供声音报警，这些便携终端由于监测参数单一，误报率高，能投入实用的很少，难以得到普及；此外，还有远程心电遥测监护系统，该系统通过佩戴在病人身上的传感器实时监测生理参数，利用无线或有线通信技术实现远程医疗和监护，但其必须要有医生进行诊断，不具有智能诊断功能【3 j 【引。从发表论文和专利成果来看，目前国外的主要研究趋势和内容包括：基于蓝牙技术的家庭成员监护系统，通过布设在室内的传感器网络，对家庭成员进行无线安全监护；基于无线传感器网络的病人监护系统，通过非接触传感器监护病人身体状态；可植入人体的微型化传感器监测终端，利用无线技术和微型化技术，实现病人的无负担工作生活等。目前的技术趋势是以监护终端尽量不影响病人的日常生活为目的，实现微型化和智能化，不仅可以用来显示病人的各类信息，而且可以通过计算机的处理和分析，已能综合分析检测结果来对病人进行可靠的看护，让医务人员做出快速判断、治疗。1 3 本文研究内容本文的监护系统为无创伤心血管功能检测分析系统，系统通过数字化心音、脉搏波等传感器采集与心血管系统疾病相关的心音、脉搏波等信号，经过计算机的多源信息融合处理与分析获取心音、脉搏等特征参数，利用智能化的信息融合方法分析人体的心血管功能是否正常。本课题的研究涉及传感器检测与转换技术、数据采集技术、讨算机技术、软件设计、基于多源信息融合的心血管系统疾病分析算法等方面。本课题是立足于广大心血管疾病患者的健康与安全而提出的，可以满足他们的现实需求，本课题的实施能够为广大心血管疾病患者更好地健康生活提供可靠的保障。明华大学硕士学位论文本次设计的主要研究内容有：多源信息融合理论研究，主要是基于d s 证据理论的研究；神经网络研究，主要是b p 神经网络研究；数字化病人身体状态参数的采集研究，主要是几种信号的基本特征点的检测方法研究；病人身体状态参数分析系统研究等，主要包括：参数记录，数据回放，病人状态数据库开发等。4西华人学硕士学位论文2 多源信息融合理论随着自动化技术在各个领域的深入渗透，有效地运用传感器所提供的信息进行信号的综合处理，提高系统的性能，满足系统完成各种复杂任务的需要，显得愈来愈重要，尤其在智能系统中，要求系统能够快速地获取周围环境的信息并对这些信息加以解释和处理采用具有多级别、多方面和多层次处理能力的多源信息融合( m u l t i s o u r c ei n f o r m a t i o nf u s i o n ) 技术，融合来自多种信息源的信息，综合分析而得到对周围环境的稳定可靠信息，使系统具有容错性，提高了系统信息处理的速度和决策的正确性。多源信息融合方法主要有：经典推理法、卡尔曼滤波法、贝叶斯估计法、d e m p s t e r - - s h a r e r 证据推理法、聚类分析法、估计理论法和专家系统法等【l 】。近年来，模糊集合理论、神经网络、粗集理论、小波分析理论和支持向量机等也被用于多源信息融合的计算智能里其中神经网络方法是在现代神经生物学和认知科学对人类信息处理研究成果的基础上提出的，它具有良好的容错性、层次性、可塑性、自适应性、联想记忆和并行处理能力【l9 】【2 0 1 。使用神经网络的主要优点是能够自适应样本数据，当样本数据中有噪声、形变和非线性时，它也能正常地工作，很容易继承现有的领域知识，使用灵活，能够处理来自多个资源和决策系统的信息；提供简单工具进行自动特征获取，产生有用的数据表示，可作为智能系统的前端( 预处理器) 。由于信息融合应用领域相当广泛，单独采用一种方法往往具有一定的局限性，将各种方法进行优势集成逐渐成为信息融合算法研究的主要方向，其中将神经网络与其他方法相结合进行信息融合技术的研究效果显著，已经形成了一种趋势。如d s 证据理论与神经网络、模糊集与神经网络、小波分析与神经网络以及遗传算法与神经网络等的结合。本文提出了一种基于d s 证据理论和b p神经网络的多源信息融合方法，并给出了应用实例。2 1 信息融合的基本原理所谓多源信息融合，就是充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配，得到被测对象的一致性解释与描述，以完成所需的任务使系统获得比它的各组成部分更优越的性能。可见，多传感器系统是信息融合的西华人学硕士学位论文硬件基础，多源信息是信息融合的加工对象，协调优化和综合处理是信息融合的核心。多源信息融合的基本原理就像人脑综合处理信息的过程一样，它充分利用多传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，产生对观测环境的一致性解释和描述。信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。这是最佳协同作用的结果，它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。多传感器信号处理或低层次的多传感器数据处理都是对人脑信息处理过程的一种低水平模仿，而多传感器信息融合系统则是通过有效地利用多传感器资源，来最大限度地获取被探测目标和环境的信息量。多源信息融合与经典信号处理方法之间也存在着本质差别，其关键在于信息融合所处理的多源信息具有更复杂的形式，而且通常在不同的信息层次上出现【1 儿引。2 2 信息融合的层次结构信息融合由浅到深可分为数据层融合、特征层融合、决策层融合三个层次：数据层融合数据级融合是直接在采集到的原始数据层上进行的融合，是最低层次上的融合。数据级融合处理是对大量的测量数据、人工观测数据并结合传感器自身信息，进行校准、关联、跟踪等局部融合处理过程，以达到对测量范围内的物理现象及性质进行估计的目的。数据层融合的作用是消除测量数据中大量的冗余，提取出有关现象( 征兆) 的信息或分析出可能出现的征兆信息，形成数据层处理的输出，供在特征层的进一步融合处理使用。在数据层融合方法中，匹配的传感器数据直接融合，而后对融合数据进行特征提取和状态( 属性) 说明。实现数据层融合的传感器必须是相同的或匹配的，在原始数据上实现关联，且保证同一目标或状态的数据进行融合。传感器的原始数据融合后，识别的处理等价于对单传感器信息的处理。数据级融合所达到的精度依赖于可得到的物理模型的精度。最简单、最直观的数据级融合方法是算术平均法和加权平均法。数据级融合的优点是能保持尽可能多的现场数据，提供其他融合层次所不西华大学硕士学位论文能提供的细微信息；缺点是所要处理的传感器数据量大，处理时间长，导致实时性差，同时在原始信息不精确、不完整和不稳定时，要求在数据融合时有较高的纠错能力。特征层融合特征层融合就是特征层的联合识别，它实际上是模式识别问题，属于中间层次融合。多传感器系统为识别提供了比单传感器更多的有关目标( 状态) 的特征信息，增大了特征空间维数。具体的融合方法仍是模式识别的相应技术，只是在融合前，融合系统首先对传感器数据进行预处理以完成特征提取及数据配准，即通过传感器信息变换，把各传感器输入数据变换成统一的数据表达形式( 即具有相同的数据结构) 。在数据配准后，还必须对特征进行关联处理。对目标( 状态) 进行的融合识别，就是基于关联后的联合特征矢量。具体实现技术包括参量模板法、特征压缩和聚类分析、人工神经网络及基于知识的技术等。特征层融合的优点是实现了信息压缩，有利于实时处理，并且由于所提取的特征直接与决策有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。目前大多数c 3 j 系统的数据融合研究都是在该层次上展开的。决策层融合决策层融合的基本概念是：不同类型的传感器监测同一个目标或状态，每个传感器各自完成变换和处理，其中包括预处理、特征提取、识别或判决，以建立对所监测目标或状态的初步结论。而后通过关联处理、决策层融合判决，最终获得联合推断结果，是一种高层次融合。决策层融合输出是一个联合决策结果，所采用的主要方法有b a y e s i a n 推断、d e m p s t e r - s h a f e r 证据理论、模糊集理论、专家系统等。决策层融合的主要优点是数据量小，所以融合中心处理代价低，同时系统对信息、传输带宽要求也降低了；另外，对传感器的依赖性小，当一个或几个传感器出现错误时，通过适当的融合，系统还能获得正确的结果，所以具有容错性。决策层融合的缺点是要对原传感器信息进行预处理以获得各自的判定结果，所以预处理代价高。两华人学硕士学位论文2 3 信息融合方法的选择通常，信息融合有三个层次，分别是：数据层、特征层和决策层信息融合。每一个层次代表了对原始数据不同的抽象，本文研究决策层信息融合。多源信息决策层融合方式可表述为：同类或不同类型的传感器监测同一系统运行状态的相同或不同物理参数，首先对每个传感器监测信息分别进行独立的变换和处理，其中包括预处理、特征提取、识别或判决，以建立对所监测状态的初步结论；而后通过关联处理、决策层融合判决，最终获得联合推断结果【2 】【3 。决策层融合输出是一个联合决策结果，在理论上这个联合决策比任何单传感器决策更精确或更明确。决策层融合所采取的方法有模糊集理论( f u z z ys e t s ) 、b a y e s i a n 推理、d e m p s t e r - s h a f e r 证据理论等。模糊集理论模糊集理论又称为可能性理论。它是由控制论专家z a d e h 为了描述人类认识或看待事物中的各种模糊概念而提出的一套应用数学方法。这种方法的主要优点在于能将直观经验知识中的模糊概念给以定量的描述，处理方法也不是通常方法中的是与否的二者回答，而是对某个特征属性隶属程度给出的描述，与实际看法相类似。但是这一理论的和谐性和数学的严密性仍没有得到解决。 b a y e s i a n 推理b a y e s i a n 推理是最早用于处理不确定性推理的方法，它具有公理基础和易于理解的数学性质，并且仅需中等的计算时间。但是它要求给出先验概率和条件概率，一方面，这是比较困难的，另一方面，由于很难保证领域专家给出的概率具有前后一致性，就需要领域专家和计算机花大量的时间来检验系统中概率的一致性；而且它要求所有的概率都是独立的，这给实际系统带来了很大的困难，有时甚至是不实际的。即使满足了以上条件，它的输出仍不能区分不确定与不知道。这些缺点都限制了b a y e s i a n 推理的应用。 d e m p s t e r s h a f e r 证据理论证据理论是由d e m p s t e r 在1 9 6 7 年最初提出的，他用多值映射得出了概率的上下界，后来由s h a f e r 在1 9 7 6 年推广并形成证据推理，因此又称为d e m p s t e r s h a f e r 理论。相比之下，d s 证据理论也具有比较强的理论基础，既8西华大学硕十学位论文能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。作为b a y e s i a n 推理的延伸，d s 证据理论无需预先知道有关先验概率和条件概率的确切数据，即可进行证据融合，它用信任测度与似然测度刻画不确定性，由确定性和可能性区分不确定与不知道。在建立命题和集合间一一对应关系的基础上，将命题的不确定性问题转化成集合的不确定性问题进行处理。由于d s 证据理论在表达不确定性方面具有独特优势，所以应用最广泛l 】【3 引。本课题选用d s 证据理论实现决策层的信息融合。下面简要介绍d s 证据理论的基本概念。2 4 d e m p s t e r - s h a f e r t j e 据理论d s ( d e m p s t e r s h a f e r ) 证据推理理论又称信任理论，由于它比主观概率满足更弱的公理系统，并在区分不确定性和不知道以及精确反映证据收集过程等方面显示了很大的灵活性，因而受到人们的重视，该理论是g s h a f e r 等人于1 9 7 6年在a p d e m p s t e r 合成法则的基础上提出来的。d s 理论针对事件发生后的结果( 证据) ，探求事件发生的主要原因( 假设) 。首先，分别通过各证据对所有的假设进行独立的判断，这样，每个证据下都存在各假设发生的概率分布；然后，将某假设在各证据下的判断信息进行融合，进而形成“综合”证据下该假设发生的概率。这样可以分别求出各假设在“综合”证据下发生的概率，而发生概率最大的假设被认为是事件发生的主要原因。例如，在设备故障诊断中，若干可能发生的故障产生一些症状，每个症状下各种故障都有一定的发生概率，融合各个症状信息以求得各故障发生的概率，而发生概率最大的为主要故障。d s 证据理论能融合不同层次上的属性信息，能区分不确定性信息与未知性信息，还能较好地解决报告冲突，容错能力强，利用理论可以将多个传感器分别提供的有关目标对象的证据综合为一致的结果描述。2 5 1 基本概念 1 2 】 3 3 】设o 表示x 所有可能取值的一个论域集合，且所有在o 内的元素是互不相容的，则称o 为x 的鉴别框架( f r a m eo f d i s c e r n m e n to定义1 设o 为一鉴别框架，那么当函数m ：2 0 - o 0 ，l 】，且满足：9两华大学硕士学位论文朋( 巾) = 0 ，聊( 彳) = 1则称函数m 是2 上的基本概率分配b p a ( b a s i cp r o b a b i l i t ya s s i g n m e n t ) ，m ( h )为a 的基本概率数( b a s i cp r o b a b i l i t yn u m b e r ) ，表示对a 的精确信任，其中m 为空集，a 为焦点元素( f o c a le l e m e n t ) 或命题。定义2 命题的信任函数( b e l i e ff u n c t i o n ) b e l ：2 _ o ，1 ，且b e l ( a ) 2 r e ( b ) ，v a ob e ，函数也称为下限函数：e 袅示对a 的全部信任。由概率分配函数的定义容易得到：b e l ( o ) ：聊( ) ：0b e l ( o ) = r e ( b )口c 0定义3 似然函数( p l a u s i b i l i t yf u n c t i o n ) p l ：2 - - , o ，1 ，且p i ( a ) = 1 一b e l ( a ) ，v a ep ，也称为上限函数或不可驳斥函数，表示对a 非假的信任程度。容易证明信任函数和似然函数有如下关系：p l ( a ) b e i ( a ) ，v a ea 的不确定性由u ( a ) = p ( a ) 一b e l ( a ) 表示，( b e l ( a ) ，p l ( a ) ) 称为信任区间( b e l i e fi n t e r v a l ) 。2 5 2d e m p s t e r 合成法则设b e l l 和b e l ：是同一鉴别框架 上的两个信任函数，m l 和m 2 分别是其对应的基本概率分配函数，焦元分别为a 1 ，a 2 , - , a k 和b l ，b 2 ，b l ，则以9 = 川觇=勘( 4 溉哆)4 倦刊1 一沏( 4 耽吗)4 偈卸对于多个基本概率数的融合，有o1 0v a c q 彳中，a = o西华大学硕士学位论文聊( 彳) =n 研i ( 彳，)j ! 量生三1 - 一，v ac0 a 西r l7 。一1 一h 聊m ，)n a ? = 中i = 10a = 西2 5 d s 证据推理融合决策过程基于d s 证据理论的融合决策模型如图2 1 所示。b e l j ，p l lb e l 2 , p 1 2b e l 。，口1 nb e l i ，p l lb e l 2 ，p 1 2b e l 。o l 。f i 9 2 1f u s i o nd e c i s i o nm o d e lo fd se v i d e n c et h e o r y图2 1d s 证据理论融合决策模型我们可以把分析目标看作一个信息系统，它在运行过程中不断地产生各种信息，我们可以通过获取这些信息，并把这些信息加工成对分析目标运行状态的变化比较敏感的特征，把所得的特征构成识别分析目标状态的证据；然后，利用d s 证据理论对所获取的证据进行推理，从而达到对这些信息进行融合处理与分析的目的；最终，通过特定的分析决策规则，得出融合结论，即当前分析目标的运行状态1 25 i 。，2nppd，2neeebbb两华大学硕士学位论文2 6 d s 证据理论的优缺点证据理论具的优点：证据理论采用信任函数而不是概率作为度量，通过对一些时间的概率加以约束以建立信任函数而不必说明精确的难以获得的概率。证据理论具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定。证据理论可以依靠证据的积累，不断地缩小假设集。证据理论能将“不知道”和“不确定”区分开来。证据理论可以不需要先验概率和条件概率密度。证据理论的缺点：证据理论具有潜在的指数复杂度。利用d s 公式合成证据的计算复杂度与证据个数成线性关系，与假设集的模成指数关系。在推理链较长时，使用证据理论很不方便。这是因为在应用证据理论时，必须首先把相应于每个步骤和证据的信度函数变换成一个一般的识别框架，然后再应用d e m p s t e r 组合规则。当推理步骤增加时，由于最后结果的信度函数的焦元结构的复杂性也相应增加，所以d e m p s t e r 规则的递归应用就会十分困难。d e m p s t e r 组合规则具有组合灵敏性。有时，给基本概率赋值一个很小的变化都可能导致结果很大的变化。此外，使用d e m p s t e r 组合规则要求证据是独立的，这个要求有时使用起来很不方便2 9 】【3 4 】。在诸多多传感器信息融合的应用场合，除了精确性之外的另一个重要指标就是要求系统的实时处理能力，而往往这些场合数据量非常大，且常常要以很高的速度到达检测目标，此时d s 证据理论就显得有些力不从心，为了弥补理论的不足，我们借助了神经网络。1 2西华大学硕士学位论文3 神经网络与d s 证据理论结合的融合方法3 1 神经网络概述美国的神经网络学家h e c h tn i e l s e n 给出了人工神经网络的一般定义神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统是靠其状态对外部输入信息的动态响应来处理信息的。由大量神经元相互连接组成人工神经元网络会显示出人脑的某些基本特征：分布存储和容错性；大规模并行处理；自学习、自组织和自适应性；神经元网络是大量神经元的集体行为，并不是各单元行为的简单的相加，而表现出一般复杂非线性动态系统的特性；神经元可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。通常神经网络是通过调整、训练来使一个特定的输入导致一个指定的输出。网络通过不断的比较输出和目标值，直到网络的输出和目标值接近一致后训练结束，通常网络在这种有监督的训练方式下含有很多这种输入输出对 2 3 】【2 4 1 。神经网络的训练方法( 学习算法) 主要有四种：有导师学习：待分类的模式类别属性己知。基于网络输出端监督信号与实际输出的某种目标函数准则，通过不断调整网络的连接权值，使得网络输出端的输出与监督信号的误差逐渐减小到预定的要求。无导师学习：待分类的模式类别属性未知。网络结构和连接权值根据某种聚类法则，自动对周围环境的模式样本进行学习调整，直至网络的结构和连接分布能合理地反映训练样本的统计分布。自监督学习：待分类的模式类别属性己知。对于每次模式样本的输入，网络能够根据样本本身的特性，基于某种法则，通过不断调整网络的连接分布，直至得到给定的精度要求。有导师和无导师混合学习；待分类的模式类别属性己知。网络的内部结构和参数按照无导师聚类方法学习，而网络输出端仍然有一个对应的指导( 监督)信号。按照某种准则，通过不断调整隐层与输出层的连接权值，使得网络输出西华大学硕士学位论文端的输出与监督信号的误差逐渐减d , n 预定的要求。3 2 b p 神经网络神经网络按其拓扑结构可分成简单单层网络、多层网络和回归型网络。单层网络只有一层处理单元，第一层( 输入层) 只起着分配输入信号的作用，没有计算功能，各处理单元和输入节点采用前馈全连接。多层网络是单层网络的简单叠加，即一层的输出作为下一层的输入，在构成多层网络时，层间的激励函数应是非线性的，否则多层网络的计算能力并不比单层网络的强。反馈网络指包含反馈连接的网络均为回归型网络。反馈连接是一层的输出又通过连接权回送到该层或前面层的输入。多层神经网络和回归网络是广泛应用的两类网络模型，前者以b p 网络为典型，后者以h o p f i e l d 网络为代表。目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都是采用b p 网络，它是前向网络的核心部分，也是人工神经网络最精华的部分【26 | 。b p ( b a c kp r o p a g a t i o n ) 神经网络，是一种利用误差反向传播训练算法的多层前馈网络( m f n n ，m u l t i l a y e rf e e d f o r w a r dn e u r a ln e t w o r k s ) ，其算法的基本原理是梯度最速下降法，实质是调整权值使网络总误差最小【2 8 1 。3 2 1b p 网络结构b p 神经网络一般由输入层、隐含层和输出层构成，如图3 1 所示。输入层隐含层输出层o l0 2：0 。f i 9 3 1t h et y p i c a ls t r u c t u r eo fb pn e u r a ln e t w o r k图3 1 典型b p 神经网络结构图1 4曲华大学硕士学位论文其中，输入层节点数为r l ，隐层节点数为r ，输出层节点数为m ；第j 个输入节点与第i 个隐节点的连接权值为w ”第i 个隐节点与第1 个输出节点的连接权值为t l i ；隐层阈值为0 i ，输出节点的阈值为0 1 传递函数一般为( o ，1 ) s 型函数：f ( x ) = l ( 1 + e 略) ：对p 个样本误差计算公式为：e p = ( ，p ，一d p ，) 2 ，其中t p i 、o p i 分别为期望输出和网络的计算输出。3 2 2b p 模型参数计算输出节点的输出o l 计算输入节点的输入：x j 隐节点的输出：y j = 厂( w i j x j 一谚) ，其中，连接权值w i j ，节点阈值o i ；输出节点输出：o i = 厂( 乃y ，一谚) ，其中，连接权值t i j ，节点阈值0 1 ；输出层的修正i输出节点的期望输出：t l ；误差控制：所有样本误差e = e k ，其中，一个样本误差吼= ff j 幻一研。ip 为样本数，m 为输出节点裁i 1仁1误差公式：4 = ( t ，一0 ，) 0 ，( 1 0 ，) ；权修正值：死( 尼+ 1 ) = 五( 七) + r l t 霉y ，其中，k 为迭代次数，t 1 为学习速率；阈值修正：岛( k + 1 ) = 够( 尼) + 7 7 一；隐节点层的修正误差公式：= y f ( 1 - y ，) 4 瓦：权值修正：( 意+ 1 ) = ) + r 工，；阈值修正：谚( k + 1 ) = 只( 尼) + r 3 3 b p 算法网络训练流程网络初始化，设定连接权值向量与阈值向量的初始值，设定隐节点数及步长；提供输入样本数据；计算隐层单元输出值，隐层单元输出值采用s 型函数；西华大学硕士学位论文计算输出单元的输出值，输出值仍采用s 型函数；计算输出层和隐层训练误差；修正权值：判断样本误差e 是否满足给定允许偏差，当满足时，转向，否则转向；结束训练。神经网络可解决信息融合非线性和快速性问题，其并行结构为多源信息融合提供了多输入结构。但b p 神经网络分析存在着其固有的缺陷。首先正确的诊断需要大量的样本训练集，而实际中神经网络训练的大量样本获得是困难的，由此造成了神经网络记忆的诊断知识存在先天性缺陷；广泛用于b p 神经网络训练的梯度下降训练算法，存在训练速度慢的缺陷并且随着网络结构复杂度的增加而训练时间显著增加；由于网络结构的各项参数都是根据经验进行选择，所以很难保证选取得当，网络的学习和泛化能力难以保障：再者，当系统的分析参数较多、征兆信息量很大时，采用的样本不可避免地存在矛盾性和随机性，此时若将高维的征兆信息同时输入到同一网络处理，将使训练时间延长，而且训练效果差，有时甚至导致网络不收敛。这些都极大地影响了神经网络分析的效果。3 4 d s 证据理论和b p 神经网络的融合模型由于神经网络与信息融合各自都有自身的优点，还有自身的不足，为了克服它们各自的缺陷，将两者结合起来应用于融合决策系统中可以相互弥补，以扬长避短。神经网络和证据理论融合技术除了具有一般神经网络的性质和特点外，还具有一些特殊性质。比如，由于采用证据理论中的不确定推理方法，避免了b a y e s 推理无法区分“不知道”和“不确定”，也不需要明确先验概率和条件概率，同时克服了证据理论基本可信度分配主观性过强的缺陷。证据理论可以使多个证据都支持的命题合成后的信度提高，减少未知信度，从而减少判断模糊性，达到提高决策准确率的目的，这将使得系统的决策能力得到明显加强。结合d s 证据理论在处理不确定信息方面的优点和b p 神经网络在数值逼近上的长处【3 川，本文提出了一种可用于心血管病的融合决策模型。1 6两华大学硕士学位论文如图3 2 所示，病人的心血管状况可以通过心音传感器和脉搏传感器采集，经过特征提取后送给b p 神经网络作为其输入，再通过d s 证据理论