基于对数函数衡量证据冲突的融合方法技术

本发明专利技术公开了一种基于对数函数衡量证据冲突的融合方法，包括如下步骤：多个传感器测量信息转换为证据信息，根据证据之间焦元基本概率赋值函数的关系定义对数形式的差异性因子，采用Einstein算子计算证据之间的冲突系数；并通过求解的权重系数对融合证据进行修正，借鉴Murphy方法思想对干扰证据进行再次修正，最后采用Dempster组合规则对修正后的证据进行逐个融合，输出最终目标识别的决策结果。本发明专利技术综合考虑证据之间单子集焦元、非单子集焦元基本概率赋值的差异性和证据之间的相关性，共同衡量证据之间的冲突程度，通过融合证据的权重系数判断出干扰证据，对干扰证据进行再次修正，并考虑了融合证据的相关性，具有重要的理论意义和应用价值。

A fusion method for measuring evidence conflict based on logarithmic function

The invention discloses a fusion method based on logarithmic function to measure the conflict of evidence, which comprises the following steps: a plurality of sensor information into evidence information, according to the factor of evidence between the focal element of basic probability assignment function defined in logarithmic form difference, using the Einstein operator to calculate the conflict coefficient between the evidence and the evidence fusion; modified by the weight coefficient of solution, using Murphy method of correction of the interference of the evidence again, finally using the Dempster combination rule by fusion of the modified evidence, output the final result of target recognition. The present invention considers the difference between the correlation between the evidence list set focal element and non focal element list set the basic probability assignment of evidence, to measure the degree of conflict between the evidence and the weight coefficient fusion evidence judging interference evidence, again interference correction to the evidence, and considering the correlation of evidence fusion, has an important the theoretical significance and application value.

【技术实现步骤摘要】
基于对数函数衡量证据冲突的融合方法
本专利技术涉及多源信息融合
，尤其涉及一种基于对数函数衡量证据冲突的融合方法。
技术介绍
传感器技术的迅速发展为多源信息融合技术提供了硬件支持，使得多源信息融合技术在军事领域和民用领域得到了广泛应用，并成为了国内外信息融合领域相关学者的研究热点之一。多源信息融合技术对来自多源的数据和信息进行组合和综合的处理，以期得到比单一信息源更精确、更可靠的估计或推理决策，扩展了时间和空间上的观测范围，增强了数据的可信度，提高了决策系统的鲁棒性。在我国<<国家中长期科学和技术发展规划纲要(2006-2020年)>>中，多传感信息融合被列为信息科学、军民两用的前沿技术与重大专项中的研究内容，成为进一步推动信息科学发展和应用必须面对的重点研究课题。多源信息融合方法主要包括像素级融合方法、特征级融合方法和决策级融合方法等三种方法。决策级融合方法主要包括贝叶斯概率推理方法和Dempster-Shafer(D-S)证据理论等。D-S证据理论以Dempster组合规则为核心，满足比贝叶斯概率理论更弱的条件，具有表达“不确定”和“不知道”的能力，因此，证据理论以在不确定信息表示和融合方法等方面的独特优势，为决策级不确定信息的表征和融合提供了强有力的手段，在目标识别和图像处理等领域获得了广泛的应用。但在实际的多传感器系统应用中，由于传感器精度、系统组成各个环节、外部环境的干扰以及人为因素等影响，导致其输出识别的目标信息常常表现为不完整、不精确、模糊性、随机性甚至可能存在着冲突或矛盾的信息，因此，所有的融合方法必须面临着处理传感器获取的各种不确定性信息的问题。证据理论通常采用冲突系数衡量证据之间的冲突程度，但研究表明冲突系数存在着一些不足，例如两个完全一致的证据，计算证据之间的冲突系数却不为零。在传感器获取信息高度冲突的情况下，若直接采用Dempster组合规则往往会得到违背直觉的融合结果，无法进行有效决策，极大地影响了融合系统的决策性能。
技术实现思路
本专利技术的目的是提供一种基于对数函数衡量证据冲突的融合方法，能够有效地对识别目标做出正确决策。本专利技术采用的技术方案为：基于对数函数衡量证据冲突的融合方法，包括以下几个步骤：A、通过获取多个传感器测量信息相对应证据焦元的基本概率赋值，将每一个证据看作一个向量，所述第i个证据的向量用mi＝(mi(θ1),…,mi(θr),…,mi(θk))T表示，其中i＝1,2,…,n，n为证据向量的总数，k为辨识框架Θ中的焦元个数，r＝1,2,…,k；B、通过下述公式计算差异性因子，得到任意第i个证据向量mi和第j个证据向量mj之间的差异性因子df(mi,mj)，式中e为自然常数，Mr表示一个行向量，Dr表示一个列向量；C、通过下述公式计算相关系数，得到任意第i个证据向量mi和第j个证据向量mj之间的相关系数cp(mi,mj)，式中指在证据mi中的焦元θr基本概率赋值为最大值；D、由任意证据向量mi和mj之间的差异性因子df(mi,mj)和相关系数cp(mi,mj)，根据公式：计算证据向量mi和mj之间的冲突系数conf(mi,mj)，式中Sε为Einstein算子符号；E、由得到的任意第i个证据向量mi和第j个证据向量mj之间的冲突系数conf(mi,mj)通过公式：求得第i个证据与其他n-1个证据的总冲突程度因子conf(mi)和第i个证据与其它n-1个证据的相对支持程度因子truf(mi)，并利用n个证据中最大的相对支持程度因子trufmax和i个证据与其他n-1个证据的相对支持程度因子truf(mi)通过下述公式得到权重系数ωi，F、记第i个证据中焦元θr的基本概率赋值用mi(θr)表示，其中r＝1,2,…,k，修正后的第i个证据中焦元θr的基本概率赋值用表示，根据步骤E中得到的权重系数ωi通过公式：对融合的证据进行修正；G、若权重系数ωi<1/n时，将该证据作为干扰证据进行重新修正，重新修正后的第i个证据中焦元θr的基本概率赋值用表示。根据如下公式：对干扰证据进行再次修正；H、最后，采用Dempster组合规则对修正后的证据进行逐个融合,融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为目标识别的决策结果对应的识别目标，即为决策最终结果；所述的步骤B中所述一个行向量Mr＝[-mi(θr)mj(θ1),…,|mi(θr)-mj(θr)|,…,-mi(θr)mj(θk)]，一个列向量Dr表达式为其中，r＝1,2,…,k。所述的Dempster组合规则为：其中，m(A)表示焦元A的基本概率赋值，K为冲突系数，r,l＝1,2,…,k，为空集。本专利技术以多传感器测量为基础的目标识别为应用背景，将传感器提供的信息转化为证据，从证据焦元基本概率赋值的角度出发，利用对数函数定义证据之间的差异性因子和模糊集相似关系定义证据之间的相关性，通过Einstein算子构造表征证据之间的冲突系数，利用冲突系数求解出融合证据的权重系数，根据权重系数与1/n的关系判断出干扰证据，利用Murphy规则的思想对干扰证据再次修正。本专利技术方案与传统算法相比，综合考虑证据之间单子集焦元、非单子集焦元基本概率赋值的差异性和证据之间的相关性，共同衡量证据之间的冲突程度，在此基础上两次修正干扰证据的权重系数，降低了干扰证据对融合结果的影响，最后采用Dempster组合规则融合证据进行逐个融合做出对目标识别最后的决策，具有重要的理论意义和应用价值。附图说明图1为本专利技术的流程图。具体实施方式如图1所示，本专利技术包括以下几个步骤：A、通过获取多个传感器测量信息相对应证据焦元的基本概率赋值，将每一个证据看作一个向量，所述第i个证据的向量用mi表示，其中i＝1,2,…,n，n为证据向量的总数，k为辨识框架Θ中的焦元个数；首先将获取多个性质不同的传感器对目标的识别信息转化为多个证据，并将每一个融合的证据看作一个向量。假设获得n个证据分别为m1,m2,…,mn，假设辨识框架Θ中的焦元为θ1,θ2,…,θk，第i个证据对应的焦元基本概率赋值分别为mi(θ1),mi(θ2),…,mi(θk)，将证据看作向量，则第i个证据向量对应的元素依次为：mi(θ1),mi(θ2),…,mi(θk)。本专利技术所述的获取多传感器观测信息过程中，根据实际情况不同获取证据基本概率赋值的方式也有所不同，一般需要专家的经验知识，或者需要知识库的支持。可以采用距离函数、指数函数或者神经网络的训练误差以及网络初步识别结果来构造基本概率赋值函数。例如：经过训练后的人工神经网络在一定程度上已经具有领域专家的判别能力，神经网络输出值在[0，1]之间，需要对其输出进行归一化处理作为所需的基本概率赋值函数。B、对上述每个证据向量mi和mj进行差异性因子计算：并记录任意第i个证据向量mi和第j个证据向量mj之间的差异性因子为df(mi,mj)，其中i,j＝1,2,…,n；i≠j；证据之间的差异性因子计算通过基于对数函数以及向量关系得到证据的差异性因子。证据之间的差异性因子体现了两个证据之间的差异性，证据之间的差异性因子越大，证据之间的冲突程度就越大。具体的本专利技术所述的步骤B中差异性因子计算通过下述公式得到任意第i个证据向本文档来自技高网...

【技术保护点】
基于对数函数衡量证据冲突的融合方法，其特征在于：包括以下几个步骤：A、通过获取多个传感器测量信息相对应证据焦元的基本概率赋值，将每一个证据看作一个向量，所述第i个证据的向量用m

【技术特征摘要】
1.基于对数函数衡量证据冲突的融合方法，其特征在于：包括以下几个步骤：A、通过获取多个传感器测量信息相对应证据焦元的基本概率赋值，将每一个证据看作一个向量，所述第i个证据的向量用mi＝(mi(θ1),…,mi(θr),…,mi(θk))T表示，其中i＝1,2,…,n，n为证据向量的总数，k为辨识框架Θ中的焦元个数，r＝1,2,…,k；B、通过下述公式计算差异性因子，得到任意第i个证据向量mi和第j个证据向量mj之间的差异性因子df(mi,mj)，式中Mr表示一个行向量，Dr表示一个列向量；C、通过下述公式数，得到任意第i个证据向量mi和第j个证据向量mj之间的相关系数cp(mi,mj)，若证据向量mi和mj焦元基本概率赋值最大值所对应的焦元相同，令相关系数为0；式中指在证据mi中的焦元θr基本概率赋值为最大值，r＝1,2,…,k；D、由任意证据向量mi和mj之间的差异性因子df(mi,mj)和相关系数cp(mi,mj)，通过公式：计算任意证据向量mi和mj之间的冲突系数conf(mi,mj)；E、由得到的任意第i个证据向量mi和第j个证据向量mj之间的冲突系数conf(mi,mj)通过公式：求得第i个证据与其他n-1个证据的总冲突程度因子conf(mi)和第i个证据与其它n-1个证据的相对支持程度因子truf(mi)，并利用n个证据中最大的相对支持程度因子...

【专利技术属性】
技术研发人员：李军伟，刘先省，金勇，周林，胡振涛，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南,41