本發(fā)明涉及智能安防檢測技術(shù)領(lǐng)域，尤其涉及一種空時二維信息融合的智能家居入侵檢測系統(tǒng)及檢測方法。

背景技術(shù)：

智能家居又稱為智能住宅，是指利用先進的計算機、網(wǎng)絡(luò)通信、自動控制等技術(shù)，將與家庭生活有關(guān)的各種應(yīng)用子系統(tǒng)有機的結(jié)合起來，通過綜合管理，讓家庭生活更舒適、安全、有效和節(jié)能，其中智能家居安防系統(tǒng)作為其中的子系統(tǒng)有著非常重要的地位。智能家居安防系統(tǒng)是傳感技術(shù)、無線電技術(shù)、模糊控制技術(shù)以及信息融合技術(shù)等多種技術(shù)為一體的綜合應(yīng)用，可以用來檢測和防止外來非法入侵，對家中安全情況進行實時監(jiān)控，把入侵警情及時告知用戶，并通過網(wǎng)絡(luò)進行報警。

智能家居安防系統(tǒng)雖然極大地提高了我們的生活品質(zhì)，使我們的生活變得更加舒適和安心。然而在實際應(yīng)用中該系統(tǒng)仍然存在一些問題，如室內(nèi)寵物的走動造成入侵檢測系統(tǒng)誤報，個別情況下還會出現(xiàn)入侵漏報的情況，這主要是由于所采用的入侵檢測算法為單傳感器閾值判別法，其誤警和漏警概率較高。引入智能化入侵檢測技術(shù)后，基于dempster–shafer(簡稱d-s)證據(jù)理論的信息融合檢測算法為主要檢測方式。多傳感器d-s融合規(guī)則實現(xiàn)了多傳感器信息的智能融合，提高了檢測精度，可是d-s信息融合檢測算法無法直接融合沖突度高以及完全矛盾的傳感器數(shù)據(jù)，當傳感器因為故障或干擾采集到的數(shù)據(jù)差異較大時，融合算法會得到與事實相悖的決策結(jié)果，這是因為矛盾的傳感器數(shù)據(jù)導(dǎo)致了d-s算法中的“一票否決”的現(xiàn)象而無法做出合理正確的決策；此外，d-s融合的結(jié)果需要采集到大量有利證據(jù)的情況下才會收斂決策出檢測的結(jié)果，如果收斂速度太慢就會直接影響到檢測系統(tǒng)的實時性，這對于智能安防系統(tǒng)存在的實際意義造成了嚴重的影響。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，而提供一種空時二維信息融合的智能家居入侵檢測系統(tǒng)及檢測方法。

這種系統(tǒng)組網(wǎng)方便、成本低。

這種方法實用性好、能夠提高入侵檢測的準確率和實時性。

實現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種空時二維信息融合的智能家居入侵檢測系統(tǒng)，包括信息處理單元和與信息處理單元連接的傳感器網(wǎng)絡(luò)及移動接收單元，所述傳感器網(wǎng)絡(luò)設(shè)有至少2個傳感器單元。

所述信息處理單元包括處理器和與處理器連接的存儲器、第一無線收發(fā)模塊及網(wǎng)絡(luò)收發(fā)模塊。

所述傳感器單元包括順序連接的傳感器模塊、數(shù)模轉(zhuǎn)換模塊、處理器模塊和第二無線收發(fā)模塊，第二無線收發(fā)模塊與第一無線收發(fā)模塊連接。

所述移動接收單元設(shè)有移動終端，移動終端與網(wǎng)絡(luò)收發(fā)模塊連接。

所述傳感器模塊為紅外、聲音、震動、微波傳感器。

傳感器網(wǎng)絡(luò)，用于實時采集家居環(huán)境物理信息，然后通過第二無線收發(fā)模塊將這些信息發(fā)送給信息處理單元上的第一無線收發(fā)模塊；

信息處理單元用于實時接收傳感器單元發(fā)送來的數(shù)據(jù)信息，并進行數(shù)據(jù)融合，檢測家中是否遭到入侵；如有，則發(fā)送提醒信息到移動接收單元。

采用上述空時二維信息融合的智能家居入侵檢測系統(tǒng)的入侵檢測方法，包括如下步驟：

1)得到證據(jù)集e1：將傳感器網(wǎng)絡(luò)中所有節(jié)點實測的數(shù)據(jù)作為證據(jù)，按照時域融合規(guī)則進行處理，具體為：將家庭安防網(wǎng)絡(luò)中任一傳感器i在t時刻獲取的實測數(shù)據(jù)按照概率映射規(guī)則函數(shù)mi,t,p(·)為命題集合θ＝{有人、寵物、沒人}分配概率初值，然后將其作該傳感器的實時證據(jù)ei,t,p＝{mi,t,p(有人)，mi,t,p(寵物)，mi,t,p(沒人)}，接下來按照時域自適應(yīng)加權(quán)融合規(guī)則對該證據(jù)進行融合，得到當前時刻該傳感器的積累證據(jù)ei,t,c＝{mi,t,c(有人)，mi,t,c(寵物)，mi,t,c(沒人)}，把所有傳感器的積累證據(jù)組合起來進而得到證據(jù)集e1；

2)得到證據(jù)集e2：將證據(jù)集e1按照空域融合規(guī)則進行處理，即將紅外、聲音、震動、微波傳感器組成的積累證據(jù)集e1在空域中的沖突數(shù)據(jù)進行修正，得到修正后的證據(jù)集e2；

3)融合：將證據(jù)集e2按照信息融合的規(guī)則進行融合，得到融合結(jié)果，即將證據(jù)集e2中的證據(jù)依次按照d-s證據(jù)組合規(guī)則進行融合，得到命題集合“有人、寵物、沒人”的融合概率分配值；

4)判斷：將步驟3)融合結(jié)果與設(shè)定閾值0.7進行比較，判斷是否有入侵者，即將步驟3)融合結(jié)果中命題為“有人”的融合概率值與設(shè)定閾值0.7進行比較，判斷是否有入侵者；

5)處理：如融合結(jié)果小于閾值，則返回步驟1)；如融合結(jié)果大于或等于閾值，則信息處理單元向移動接收單元發(fā)送入侵提示信息并報警。

步驟1)中所述的時域融合規(guī)則具體包括：

對任意單個傳感器i在t時刻的累計證據(jù)中所包含的任意命題累積概率值計算表達式為

mi,t,c(a)＝αi,t-1,c,i,t,pmi,t-1,c(a)+βi,t-1,c,i,t,pmi,t,p(a),

其中，a為是命題集合中的任意命題，mi,t,c(a)為該傳感器當前t時刻累積證據(jù)中對應(yīng)命題a累積概率值，mi,t-1,c(a)為該傳感器t-1時刻累積證據(jù)中對應(yīng)命題a的累積概率值；mi,t,p(a)為該傳感器t時刻實時證據(jù)中命題a的實時概率值；αi,t-1,c,i,t,p為該傳感器在t時刻的實時證據(jù)與t-1時刻的累積證據(jù)之間相似度系數(shù)，范圍為0到1；βi,t-1,c,i,t,c為沖突系數(shù)，βi,t-1,c,i,t,p＝1-αi,t-1,c,i,t,p。證據(jù)間相似度系數(shù)αi,t-1,c,i,t,p的計算方式為：其中ki,t-1,c,i,t,p為t時刻證據(jù)ei,t,p與t-1時刻積累證據(jù)ei,t-1,c的d-s證據(jù)理論沖突值，為t時刻證據(jù)ei,t,p與t-1時刻積累證據(jù)ei,t-1,c的pignistic概率距離。

步驟2)中所述的空域融合規(guī)則包括如下步驟：

2.1)：證據(jù)集e2中的各個傳感器累積證據(jù)任意排序，然后將它們首尾相接構(gòu)成一個環(huán)形證據(jù)序列，計算任意兩個相鄰的證據(jù)之間的相似度系數(shù)；

2.2)：設(shè)定證據(jù)間強相關(guān)性閾值和弱相關(guān)性閾值分別記為ηer和ηir，若環(huán)形證據(jù)序列中的某一條證據(jù)與其前一條證據(jù)的相似度系數(shù)及后一條證據(jù)的相似度系數(shù)均大于ηer，則標記該證據(jù)為強相關(guān)性證據(jù)；若均小于ηir，則標記該證據(jù)弱相關(guān)性證據(jù)；其余的證據(jù)則標記為一般相關(guān)性證據(jù)；

2.3)：將弱相關(guān)證據(jù)丟棄、強相關(guān)證據(jù)保留、一般相關(guān)性證據(jù)以證據(jù)集期望值對其替換修正。

步驟2.3)中所述的證據(jù)集期望的計算包括如下步驟：

2.3.1)：根據(jù)傳感器證據(jù)之間的相似度系數(shù)計算出單個證據(jù)在證據(jù)集中的支持度，即根據(jù)單個傳感器i在t時刻的累積證據(jù)ei,t,c＝{mi,t,c(有人)，mi,t,c(寵物)，mi,t,c(沒人)}，計算出其在證據(jù)集e2中的支持度其中ki,t,c,j,t,c和分別是證據(jù)ei,t,c和證據(jù)ej,t,c的d-s理論的沖突系數(shù)和pignistic概率距離；

2.3.2)：證據(jù)集中單個證據(jù)的支持度比上所有證據(jù)支持度和值得到該證據(jù)的權(quán)值，通過加權(quán)求和的方式計算出證據(jù)集期望，即把證據(jù)集中任意一個證據(jù)ei,t,c的支持度sup(ei,t,c)比上所有證據(jù)支持度和值得到該證據(jù)的權(quán)值通過加權(quán)求和方式計算該證據(jù)集期望其中

這種空時二維信息融合的智能家居安防入侵檢測系統(tǒng)及檢測方法可以消除傳感器采集數(shù)據(jù)間矛盾沖突較高的問題，進而避免d-s算法在決策時產(chǎn)生“一票否決”現(xiàn)象并提高了融合收斂的速度，以此提高算法決策的準確性和系統(tǒng)的實時性，進而降低智能家居安防系統(tǒng)的誤警率和漏警率。

這種系統(tǒng)組網(wǎng)方便、成本低。

這種方法實用性好、能夠提高入侵檢測的準確率和實時性。

附圖說明

圖1為實施例中系統(tǒng)的結(jié)構(gòu)示意圖；

圖2為實施例中方法流程示意圖；

圖3為實施例中空時域信息融合原理示意圖；

圖4為實施例中入侵檢測融合結(jié)果示意圖。

圖中，1.傳感器單元2.信息處理單元3.移動接收單元11.傳感器模塊12.模數(shù)轉(zhuǎn)換模塊13.處理器模塊14第二無線收發(fā)模塊21.包括存儲器22.處理器模塊23.第一無線收發(fā)模塊24.網(wǎng)絡(luò)收發(fā)模塊31.智能終端。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明內(nèi)容做進一步的闡述，但不是對本發(fā)明的限定。

實施例：

參照圖1，一種空時二維信息融合的智能家居入侵檢測系統(tǒng)，包括信息處理單元2和與信息處理單元2連接的傳感器網(wǎng)絡(luò)及移動接收單元3，所述傳感器網(wǎng)絡(luò)設(shè)有至少2個傳感器單元1。

所述信息處理單元2包括處理器22和與處理器22連接的存儲器21、第一無線收發(fā)模塊23及網(wǎng)絡(luò)收發(fā)模塊24。

所述傳感器單元1包括順序連接的傳感器模塊11、數(shù)模轉(zhuǎn)換模塊12、處理器模塊13和第二無線收發(fā)模塊14，第二無線收發(fā)模塊14與第一無線收發(fā)模塊23連接。

所述移動接收單元3設(shè)有移動終端31，移動終端31與網(wǎng)絡(luò)收發(fā)模塊24連接。

所述傳感器模塊11為紅外、聲音、震動、微波傳感器。

傳感器網(wǎng)絡(luò)，用于實時采集家居環(huán)境物理信息，然后通過第二無線收發(fā)模塊14將這些信息發(fā)送給信息處理單元2上的第一無線收發(fā)模塊23；

信息處理單元2用于實時接收傳感器單元1發(fā)送來的數(shù)據(jù)信息，并進行數(shù)據(jù)融合，檢測家中是否遭到入侵；如有，則發(fā)送提醒信息到移動接收單元31。

本例中，傳感器單元1的構(gòu)建是把傳感器的引腳與搭載有zigbee協(xié)議的cc2530芯片的i/o口進行連接，實現(xiàn)家居物理環(huán)境信息的采集。

本例中，信息處理單元2的構(gòu)建是把ti公司的cc2530開發(fā)板的串口與ti公司的am3358開發(fā)板的串口進行連接，實現(xiàn)接收傳感單元1傳送的數(shù)據(jù)，通過以太網(wǎng)網(wǎng)口向移動接收單元3的移動終端31傳輸數(shù)據(jù)。

參照圖2，采用上述空時二維信息融合的智能家居入侵檢測系統(tǒng)的入侵檢測方法，包括如下步驟：

1)得到證據(jù)集e1：將傳感器網(wǎng)絡(luò)中所有節(jié)點實測的數(shù)據(jù)作為證據(jù)，按照時域融合規(guī)則進行處理，具體為：將家庭安防網(wǎng)絡(luò)中任一傳感器i在t時刻獲取的實測數(shù)據(jù)按照概率映射規(guī)則函數(shù)mi,t,p(·)為命題集合θ＝{有人、寵物、沒人}分配概率初值，然后將其作該傳感器的實時證據(jù)ei,t,p＝{mi,t,p(有人)，mi,t,p(寵物)，mi,t,p(沒人)}，接下來按照時域自適應(yīng)加權(quán)融合規(guī)則對該證據(jù)進行融合，得到當前時刻該傳感器的積累證據(jù)ei,t,c＝{mi,t,c(有人)，mi,t,c(寵物)，mi,t,c(沒人)}，把所有傳感器的積累證據(jù)組合起來進而得到證據(jù)集e1；

2)得到證據(jù)集e2：將證據(jù)集e1按照空域融合規(guī)則進行處理，即將紅外、聲音、震動、微波傳感器組成的積累證據(jù)集e1在空域中的沖突數(shù)據(jù)進行修正，得到修正后的證據(jù)集e2；

3)融合：將證據(jù)集e2按照信息融合的規(guī)則進行融合，得到融合結(jié)果，即將證據(jù)集e2中的證據(jù)依次按照d-s證據(jù)組合規(guī)則進行融合，得到命題集合“有人、寵物、沒人”的融合概率分配值；

4)判斷：將步驟3)融合結(jié)果中命題為“有人”的融合概率值與設(shè)定閾值0.7進行比較，判斷是否有入侵者；

5)處理：如融合結(jié)果小于閾值，則返回步驟1)；如融合結(jié)果大于或等于閾值，則信息處理單元2向移動接收單元3發(fā)送入侵提示信息并報警。

具體地，本例步驟1)中，所述的映射規(guī)則函數(shù)mi,t,p(·)可以按照如下概率映射表進行設(shè)置：

經(jīng)典d-s理論中，兩個證據(jù)e1和e2之間的沖突系數(shù)表示為：

其中a和b均為命題集合θ中的命題事件，顯然，k1,2越接近于1，表明兩個證據(jù)之間的沖突就越大，然而，此種方式表征證據(jù)間的沖突程度存在明顯缺陷，例如兩個完全相同的證據(jù)e1＝{0.7，0.3}和e2＝{0.7，0.3}，它們間的沖突系數(shù)本應(yīng)為0，然而，上式算出的沖突系數(shù)為k1,2＝0.42；

為了改進這個缺陷，引入pignistic概率距離來修正沖突系數(shù)的表示式，假設(shè)e1和e2為傳感器網(wǎng)絡(luò)結(jié)點采集到的2個證據(jù)，則e1和e2之間的pignistic概率距離表達式為：

其中，為證據(jù)ei正在命題全集上的pignistic概率函數(shù)，經(jīng)pignistic概率距離修正后e1和e2之間的沖突系數(shù)可表示為相應(yīng)的相似度系數(shù)可表示為α1,2＝1-β1,2。

時域融合常用的方法是d-s融合或加權(quán)融合，然而時域數(shù)據(jù)出現(xiàn)極端沖突的頻率很高，加權(quán)融合由于人為設(shè)定權(quán)值使得融合結(jié)果不合理，因此本例中采用時域自適應(yīng)加權(quán)融合規(guī)則，避免了證據(jù)間的沖突程度高帶來融合結(jié)果不理想以及人為設(shè)定權(quán)值的方法不合理，其實施過程為步驟1)，具體實現(xiàn)步驟參見圖3。

具體地，本例步驟1)中，時域融合規(guī)則包括：

對紅外、聲音、震動、微波傳感器中任一傳感器i在t時刻累積證據(jù)ei,t,c中所包含的命題a的累積概率值計算表達式為：

mi,t,c(a)＝αi,t-1,c,i,t,pmi,t-1,c(a)+βi,t-1,c,i,t,pmi,t,p(a)；

其中，mi,t,c(a)為紅外、聲音、震動、微波傳感器中任一傳感器i在t時刻累積證據(jù)ei,t,c中命題a的累積概率值，mi,t-1,c(a)為該傳感器在t-1時刻累積證據(jù)ei,t-1,c中命題a的累積概率值，mi,t,p(a)為該傳感器在t時刻實時證據(jù)ei,t,p中命題a的實時概率值，ai,t-1,c,i,t,p＝1-βi,t-1,c,i,t,p為該傳感器在t時刻的實時證據(jù)ei,t,p與t-1時刻的累積證據(jù)ei,t-1,c之間相似性系數(shù)。其中，為沖突系數(shù)。

其中，ki,t-1,c,i,t,p為該傳感器在t時刻的實時證據(jù)ei,t,p與t-1時刻的累積證據(jù)ei,t-1,c之間的d-s證據(jù)理論沖突值，表示該傳感器在t時刻的實時證據(jù)ei,t,p與t-1時刻的累積證據(jù)ei,t-1,c之間的pignistic概率距離。例如，紅外傳感器在t時刻采集到的證據(jù)er,t,p為mr,t,p(有人)、mr,t,p(寵物)、mr,t,p(沒人)，其在t-1時刻的積累證據(jù)er,t-1,c為mr,t-1,c(有人)、mr,t-1,c(寵物)、mr,t-1,c(沒人)，則紅外傳感器在t時刻的累積證據(jù)的表達式為：

mr,t,c(有人)＝αr,t,p,r,t-1,cmr,t-1,c(有人)+βr,t,p,r,t-1,cmr,t,p(有人)；

mr,t,c(寵物)＝αr,t,p,r,t-1,cmr,t-1,c(寵物)+βr,t,p,r,t-1,cmr,t,p(寵物)；

mr,t,c(沒人)＝αr,t,p,r,t-1,cmr,t-1,c(沒人)+βr,t,p,r,t-1,cmr,t,p(沒人)。

步驟2)中所述的空域融合規(guī)則包括如下步驟：

2.1)：證據(jù)集e2中的各個傳感器累積證據(jù)任意排序，然后將它們首尾相接構(gòu)成一個環(huán)形證據(jù)序列，計算任意兩個相鄰的證據(jù)之間的相似度系數(shù)；

2.2)：設(shè)定證據(jù)間強相關(guān)性閾值和弱相關(guān)性閾值分別記為ηer和ηir，若環(huán)形證據(jù)序列中的某一條證據(jù)與其前一條證據(jù)的相似度系數(shù)及后一條證據(jù)的相似度系數(shù)均大于ηer，則標記該證據(jù)為強相關(guān)性證據(jù)；若均小于ηir，則標記該證據(jù)弱相關(guān)性證據(jù)；其余的證據(jù)則標記為一般相關(guān)性證據(jù)；

2.3)：將弱相關(guān)證據(jù)丟棄、強相關(guān)證據(jù)保留、一般相關(guān)性證據(jù)以證據(jù)集期望值對其替換修正。

空域融合常用的方法是多傳感器以d-s規(guī)則融合，然而經(jīng)典d-s融合算法無法直接處理沖突度高的數(shù)據(jù)，當證據(jù)集合中某個傳感器因為故障或干擾得到的證據(jù)與其他證據(jù)存在極端沖突時，融合結(jié)果就會出現(xiàn)“一票否決”現(xiàn)象，即融合結(jié)果趨近于故障或干擾傳感器的證據(jù)，針對這種情況，本例采用空域修正沖突數(shù)據(jù)融合的規(guī)則，對當前時刻采集到的傳感器積累數(shù)據(jù)進行處理，找出沖突證據(jù)并用證據(jù)集期望值對其修正，這樣不僅加快了d-s融合結(jié)果的收斂速度，還使得融合結(jié)果更加合理有效，進而提高了檢測裝置的準確性和實時性，其實施過程為步驟2)，具體實現(xiàn)步驟參見圖3，包括：

本例步驟2)中，所述的空域融合規(guī)則包括如下步驟：

步驟2.1)：假設(shè)紅外傳感器、聲音傳感器、震動傳感器、微波傳感器在t時刻的累積證據(jù)分別記為er,t,c、ev,t,c、es,t,c、ew,t,c，首先將它們首尾相接構(gòu)成一個環(huán)形證據(jù)序列，然后按照對證據(jù)相似度的定義，可得到上述傳感器累積證據(jù)間的相似度依次為αr,t,c,v,t,c、αv,t,c,s,t,c、αs,t,c,w,t,c、αw,t,c,r,t,c；

步驟2.2)：假定強相關(guān)性證據(jù)的閾值ηer＝0.7、弱相關(guān)性證據(jù)的閾值ηir＝0.3，若環(huán)形證據(jù)序列中的某一條證據(jù)與其前一條證據(jù)的相似度系數(shù)和后一條證據(jù)的相似度系數(shù)均大于ηer，則該證據(jù)為強相關(guān)性證據(jù)，如果均小于ηir，則該證據(jù)為弱相關(guān)證據(jù)；其余的證據(jù)為一般相關(guān)性證據(jù)，例如對于聲音傳感器證據(jù)ev,t,c，其與前一條證據(jù)的相似度系數(shù)為αr,t,c,v,t,c，其與后一條證據(jù)的相似度系數(shù)為αv,t,c,s,t,c；如果αr,t,c,v,t,c和αv,t,c,s,t,c均大于0.7，則聲音傳感器證據(jù)ev,t,c為強相關(guān)性證據(jù)；

步驟2.3)、將弱相關(guān)性證據(jù)丟棄、強相關(guān)證據(jù)保留、一般相關(guān)性證據(jù)以證據(jù)集期望對其進行替換修正。

步驟2.3)中所述的證據(jù)集期望的計算包括如下步驟：

2.3.1)：根據(jù)傳感器證據(jù)之間的相似度系數(shù)計算出單個證據(jù)在證據(jù)集中的支持度，即根據(jù)單個傳感器i在t時刻的累積證據(jù)ei,t,c＝{mi,t,c(有人)，mi,t,c(寵物)，mi,t,c(沒人)}，計算出其在證據(jù)集e2中的支持度其中ki,t,c,j,t,c和分別是證據(jù)ei,t,c和證據(jù)ej,t,c的d-s理論的沖突系數(shù)和pignistic概率距離；

2.3.2)：證據(jù)集中單個證據(jù)的支持度比上所有證據(jù)支持度和值得到該證據(jù)的權(quán)值，通過加權(quán)求和的方式計算出證據(jù)集期望，即把證據(jù)集中任意一個證據(jù)ei,t,c的支持度sup(ei,t,c)比上所有證據(jù)支持度和值得到該證據(jù)的權(quán)值通過加權(quán)求和方式計算該證據(jù)集期望其中

具體地，本例步驟2.3)中，證據(jù)集期望的計算步驟如下：

已知紅外傳感器、聲音傳感器、震動傳感器、微波傳感器在同t時刻的累積證據(jù)分別記為er,t,c、ev,t,c、es,t,c、ew,t,c；

步驟2.3.1)：按照證據(jù)間相似度系數(shù)定義，計算任意兩個傳感器之間的相似度系數(shù)αr,t,c,v,t,c、αr,t,c,s,t,c、αr,t,c,w,t,c、αv,t,c,s,t,c、αv,t,c,w,t,c、αs,t,c,w,t,c；然后計算出紅外、聲音、震動、微波等相應(yīng)傳感器的支持度分別為

sup(er,t,c)＝αr,t,c,v,t,c+αr,t,c,s,t,c+αr,t,c,w,t,c

sup(ev,t,c)＝αr,t,c,v,t,c+αv,t,c,s,t,c+αv,t,c,w,t,c

sup(es,t,c)＝αr,t,c,s,t,c+αv,t,c,s,t,c+αs,t,c,w,t,c

sup(ew,t,c)＝αr,t,c,w,t,c+αv,t,c,w,t,c+αs,t,c,w,t,c；

步驟2.3.2)：用單個證據(jù)的支持度比上所有證據(jù)支持度和值得到該證據(jù)的權(quán)值，以此方式計算得到紅外、聲音、震動、微波等傳感器的權(quán)值分別為其中ω＝{r,v,s,w}；

以加權(quán)求和方式計算出證據(jù)集期望為其中

具體地，本例中步驟3)中，將證據(jù)集合e2中的證據(jù)依次按照d-s融合規(guī)則進行融合，具體為融合規(guī)則包括：

對于證據(jù)集合e2中的任意兩個證據(jù)ei＝{mi(有人)，mi(寵物)，mi(沒人)}和ej＝{mj(有人)，mj(寵物)，mj(沒人)}，d-s融合規(guī)則為

其中，為d-s理論沖突值。

具體地，本例中步驟4)中，將步驟3)中按照d-s融合規(guī)則得到結(jié)果中命題“有人”的融合概率值于0.7進行比較，具體為：

對于步驟3)得到的融合結(jié)果eresult＝{mresult(有人)，mresult(寵物)，mresult(沒人)}，將mresult(有人)與決策閾值0.7進行比較，若大于或等于0.7則決策為有入侵事件發(fā)生，否則，決策為無入侵事件發(fā)生。

本例中，實驗?zāi)M入侵者進入各類傳感器所采集到數(shù)據(jù)及其融合結(jié)果如圖4所示，實驗分3個階段來模擬不同的入侵情況和傳感器工作狀態(tài)下的檢測結(jié)果：

第一階段(采樣次序0-15)，模擬入侵者進入的情況：由圖4的采樣次序0-15可以看出入侵者在第3個采樣周期時進入，4類傳感器均感應(yīng)到了有人進入，基礎(chǔ)概率分配值也相應(yīng)增加，最終的融合檢測結(jié)果收斂于有人進入；

第二階段(采樣次序15-25)，模擬檢測系統(tǒng)中任一個傳感器在單獨出現(xiàn)故障或者受到外界干擾的情況下的數(shù)據(jù)：由圖4的采樣次序0-15可以看出四類傳感器在分別受到干擾時，所采集的數(shù)據(jù)對最終的融合結(jié)果并未造成影響，均不會因為受到干擾而檢測到有人的存在；

第三階段(采樣次序25-45)，模擬檢測系統(tǒng)中任兩個傳感器同時出現(xiàn)故障或者受到干擾的情況下的數(shù)據(jù)：由圖4的采樣次序25-45可以看出即便在2個傳感器受到干擾的情況下，故障數(shù)據(jù)對最終的融合得到的結(jié)果均為造成明顯影響；

步驟5)：如步驟4)決策出是有入侵行為的發(fā)生，則信息處理單元2向移動接收單元3發(fā)送入侵提示信息并報警。