基于D-S证据理论的多传感器信息融合方法技术

基于D-S证据理论的多传感器信息融合方法，涉及证据理论的多传感器信息融合方法，属于信息融合领域。发明专利技术为了解决在证据合成中传统的证据融合方法的计算量大，存在一票否决的问题和合成结果不确定性的问题。基于D-S证据理论的多传感器信息融合方法，获得证据集E＝{ei，i＝1，2，...，l}；根据设定的辨识框架Θ＝{θ1，θ2，...，θn}将证据ei整理为证据数据mi(A)；按A的基数从小到大进行排序，形成有序焦元集K＝{C1，C2，...，CJ}，对证据数据mi(Cj)进行BPA确定化，得到m′i(Cj)；按wi(Cj)＝1-(m′i(Cj)-mi(Cj))得到融合权重函数wi(Cj)；按进行证据合成，得到全体证据集的合成结果，将其作为传感器的输出决策。本发明专利技术适用于多传感器信息融合。

【技术实现步骤摘要】
基于D-S证据理论的多传感器信息融合方法
本专利技术涉及证据理论的多传感器信息融合方法，属于信息融合领域。
技术介绍
多传感器信息融合是对不同数据源或不同传感器所获得的信息进行综合与处理，消除或约束多传感器信息之间可能存在的冗余与矛盾信息，降低原始信息的不确定性，以形成对系统环境相对完整一致的描述或判断。这在提高智能系统的决策科学性、反应正确性和目标定位的准确性、信息定位的精确性起着决定性的作用，从而降低整个系统的决策风险。多传感器信息融合在自动目标识别、飞行器导航、战术态势和威胁估计、故障检测与定位等方面都有着广泛的应用。多传感器信息融合的方法主要包括概率论方法、D-S证据理论方法、模糊集合理论和神经网络方法等。其中D-S证据理论能融合不同层次上的属性信息，同时能够最大程度接受不确定性信息，容错能力强，故而得到了人们的重视。D-S证据理论是Dempster在1976年首次提出，又由Shafer规范成一个完整理论体系。D-S证据理论是将待识别对象所有可能的集合所构成的空间定义为识别框架并把Θ的幂集记作2Θ。对于2Θ中的任何假设集合A，都有基本概率分配函数m(A)，为m:2Θ→[0，1]并且满足以下条件：其中φ为空集，m为识别框架Θ上的基本概率分配(BasicProbabilityAssignment，BPA)。在证据理论中，利用Dempster的证据融合规则来融合多种证据体。设m1和m2为二个证据的BPA函数，融合二个证据的规则定义如下：目前基于证据理论的多传感器信息融合方法多采用Dempster提出的融合规则，即公式(1)。该规则只考虑证据对命题信度的公共部分而忽略证据中命题信度属性，从而造成了合成结果的不合理性，虽然该融合规则具有很好的证据聚焦能力，但是它无法处理不一致的极限情况(即存在一票否决现象)，也没有分辨证据所在子集不确定性的大小。一些学者针对Dempster融合规则中的一票否决问题进行了改进，虽然能够处理证据冲突的情况，但都全部或部分存在以下问题：①算法聚焦能力弱，合成结果增加了证据的不确定性，不利于决策判断；②某些算法参数需要人为确定；③计算量较大，存在计算爆炸问题。有关文献：R.Yager.OntheDempster-Shaferframeworkandnewcombinationrules.Informationsciences[J]，1987，41(2)；向阳等.证据理论合成规则的一点修正.上海交通大学学报[J]，1999，33(3)；孙全等.一种新的基于证据理论的合成公式[J].电子学报，2000，28(8)；邓勇等.一种有效处理冲突证据的组合方法.红外与毫米波学报[J]，2004，23(1)；王肖霞等.一种处理冲突证据的合成方法.弹箭与制导学报[J]，2008，27(5).在尽量减少计算量的情况下，如何在消除证据合成中一票否决问题的同时，使合成结果有最大的确定性，成为证据理论能够正确进行多传感器信息融合的关键问题，同时在计算过程只依赖于原始证据数据，不需要进行人工参数设定。
技术实现思路
本专利技术为了解决在证据合成中传统的证据融合方法的计算量大，存在一票否决的问题和合成结果不确定性的问题，进而提出了基于D-S证据理论的多传感器信息融合方法。基于D-S证据理论的多传感器信息融合方法，包括以下步骤：步骤一、原始证据的获取：将l个传感器的每一条传感器源(从数据获取的角度，将传感器称作传感器源)当做一个证据源，获得由l条证据ei组成的证据集E＝{ei，i＝1，2，…，l}；根据设定的辨识框架Θ＝{θ1，θ2，…，θn}将证据ei整理为证据数据mi(A)，i＝1，2，…，l；Θ＝{θ1，θ2，…，θn}为命题互斥且完备的集合称为辨识框架，n为辨识框架的命题数目，表示证据数据所指向的事件或目标；步骤二、焦元集提取与排序：将证据集E中所有满足证据数据mi(A)＞0的A提取出来，并按A的基数从小到大进行排序，形成有序焦元集K＝{C1，C2，…，CJ}，C1，C2，…，CJ为焦元，一共有J个焦元；对于有序焦元集K中的焦元Cj，j＝1，2，…，J，Cj对应的证据数据为mi(Cj)；步骤三、BPA确定化：对于有序焦元集K中某一焦元Cj，用与焦元Cj相应的证据数据mi(Cj)，对其基本概率分配(BasicProbabilityAssignment)进行确定化，即BPA确定化，得到mi′(Cj)；确定化公式为：|Cj|表示焦元Cj的基数；式中B和Cj均表示有序焦元集K中的焦元，某一焦元Cj为当前计算的焦元，B为除了Cj以外有序焦元集K中的其他焦元；|Cj|＝1，即当|Cj|＝1时，排除当前计算的焦元Cj以后，在有序焦元集K中将剩下的所有焦元依次进行计算，一次取一个焦元进行计算，当所有的焦元计算完成后，求和；进行BPA确定化的目的，是把BPA函数中不确定部分(焦元基数大于1)平均分配到基数为1的焦元上；步骤四、焦元的信度与合成权重：不同证据所得到的mi′(Cj)值其来源不同，导致其信度不同，需要计算其在融合过程中的权重；计算第i条证据对于基数为1的焦元Cj的融合权重函数wi(Cj)，如下式：wi(Cj)＝1-(mi′(Cj)-mi(Cj))，|Cj|＝1步骤五、证据合成：根据融合权重函数wi(Cj)和mi′(Cj)，按公式(2)进行证据合成式中D表示基数为1的焦元；对所有焦元Cj运用上式进行证据合成，得到全体证据集的合成结果，将其作为传感器的输出决策。本专利技术有益效果：以包含n个命题的辨识框架Θ＝{θ1，θ2，…，θn}为例，设有l条数据，即证据集E＝{ei，i＝1，2，…，l}，焦元集为K＝{C1，C2，…，CJ}。传统证据融合方法(如Dempster方法)的计算量随着焦元个数的增加而指数增加(详见“
技术介绍
”部分的融合公式)，即计算量为O(Jl)。本专利技术方法的计算量主要集中在步骤三和步骤五，步骤三的计算量为O(Jl)，步骤五的计算量为O(Jl)，总的计算量只是焦元数与证据数之乘积Jl的倍数，计算量较小。焦元数J和证据数l越大，本专利技术方法节约的计算量越可观。以焦元数J＝10和证据数l＝5为例，传统证据融合方法计算量为O(105)；本专利技术方法的计算量为O(10*5)。本专利技术在大幅减少计算量的情况下，消除了证据合成中的一票否决问题。对于存在单条证据否定的焦元，可按照该焦元在各个证据中权重进行合成，对一票否决现象的消除能力为100％。无论原始证据的不确定性如何，本专利技术对于证据的确定化均在90％以上。附图说明图1是多传感器信息融合流程图；图2证据数据流向图。具体实施方式具体实施方式一：结合图1和图2说明本实施方式，基于D-S证据理论的多传感器信息融合方法，包括以下步骤：步骤一、原始证据的获取：将l个传感器的每一条传感器源(从数据获取的角度，将传感器称作传感器源)当做一个证据源，获得由l条证据ei组成的证据集E＝{ei，i＝1，2，…，l}；根据设定的辨识框架Θ＝{θ1，θ2，…，θn}将证据ei整理为证据数据mi(A)，i＝1，2，…，l；Θ＝{θ1，θ2，…，θn}为命题互斥且完备的集合称为辨识框架，n为辨识框架的命题数目，表示证据数据所指向的事件或目标；步骤二、焦元集提取与排序：将证据集E中所有满足证据本文档来自技高网...

【技术保护点】
基于D‑S证据理论的多传感器信息融合方法，其特征在于，包括以下步骤：步骤一、原始证据的获取：将l个传感器的每一条传感器源当做一个证据源，获得由l条证据ei组成的证据集E＝{ei，i＝1，2，...，l}；根据设定的辨识框架Θ＝{θ1，θ2，...，θn}将证据ei整理为证据数据mi(A)，i＝1，2，...，l；Θ＝{θ1，θ2，...，θn}为命题互斥且完备的集合称为辨识框架，n为辨识框架的命题数目，表示证据数据所指向的事件或目标；步骤二、焦元集提取与排序：将证据集E中所有满足证据数据mi(A)＞0的A提取出来，并按A的基数从小到大进行排序，形成有序焦元集K＝{C1，C2，...，CJ}，C1，C2，...，CJ为焦元，一共有J个焦元；对于有序焦元集K中的焦元Cj，j＝1，2，...，J，Cj对应的证据数据为mi(Cj)；步骤三、BPA确定化：对于有序焦元集K中某一焦元Cj，用与焦元Cj相应的证据数据mi(Cj)，对其基本概率分配进行确定化，即BPA确定化，得到m′i(Cj)；确定化公式为：mi′(Cj)=ΣBmi(B)|Cj∩B||B|,|Cj|=10,|Cj|≠1---(1)]]>|Cj|表示焦元Cj基数为1；式中B和Cj均表示有序焦元集K中的焦元，某一焦元Cj为当前计算的焦元，B为除了Cj以外有序焦元集K中的其他焦元；即当|Cj|＝1时，排除当前计算的焦元Cj以后，在有序焦元集K中将剩下的所有焦元依次进行计算，一次取一个焦元进行计算，当所有的焦元计算完成后，求和；步骤四、焦元的信度与合成权重：计算第i条证据对于基数为1的焦元Cj的融合权重函数wi(Cj)，如下式：wi(Cj)＝1‑(m′i(Cj)‑mi(Cj))，|Cj|＝1步骤五、证据合成：根据融合权重函数wi(Cj)和m′i(Cj)，按公式(2)进行证据合成m(Cj)=Σiwi(Cj)Σpwp(Cj)mi′(Cj),|Cj|=11-sum|D|=1m(D),Cj=Θ---(2)]]>式中D表示基数为1的焦元；对所有焦元Cj运用上式进行证据合成，得到全体证据集的合成结果，将其作为传感器的输出决策。...

【技术特征摘要】
1.基于D-S证据理论的多传感器信息融合方法，其特征在于，包括以下步骤：步骤一、原始证据的获取：将l个传感器的每一条传感器源当做一个证据源，获得由l条证据ei组成的证据集E＝{ei,i＝1,2,…,l}；根据设定的辨识框架Θ＝{θ1,θ2,…,θn}将证据ei整理为证据数据mi(A),i＝1,2,…,l；Θ＝{θ1,θ2,…,θn}为命题互斥且完备的集合称为辨识框架,n为辨识框架的命题数目，表示证据数据所指向的事件或目标；步骤二、焦元集提取与排序：将证据集E中所有满足证据数据mi(A)＞0的A提取出来，并按A的基数从小到大进行排序，形成有序焦元集K＝{C1,C2,…,CJ}，C1,C2,…,CJ为焦元，一共有J个焦元；对于有序焦元集K中的焦元Cj，j＝1,2,…,J，Cj对应的证据数据为mi(Cj)；步骤三、BPA确定化：对于有序焦元集K中某一焦元Cj，用与焦元Cj相应的证据数据mi(Cj)，对其基本概率分配进行确定化，即BPA确定化，得到m′i(Cj)；确定化公式为：|Cj|表示焦元Cj的基数；式中B和Cj均表示有序焦元集K中的焦元，某一焦元Cj为当前计算的焦元，B为除了Cj以外有序焦元集K中的其他焦元；即当|Cj|＝1时，排除当前计算的焦元Cj以后，在有序焦元集K中将剩下的所有焦元依次进行计算，一次取一个焦元进行计算，当所有的焦元计算完成后，求和；步...

【专利技术属性】
技术研发人员：王保云，王婷，杨昆，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：云南;53