一种面向冲突证据的多源信息融合方法技术

本发明专利技术涉及一种面向冲突证据的多源信息融合方法，属于目标识别技术领域。本发明专利技术的一种面向冲突证据的多源信息融合方法，具体包括以下步骤：(1)确定目标识别的识别框架；(2)根据传感器测量信息获得所对应证据的基本概率分配函数；(3)基于加权的思想获得每个证据对其他证据的排斥度，以排斥度为依据给每个证据分配权值，进一步获得分配权重后所有证据加权平均所得的新证据；(4)基于获得的新证据应用D

【技术实现步骤摘要】
一种面向冲突证据的多源信息融合方法


[0001]本专利技术涉及一种面向冲突证据的多源信息融合方法，属于目标识别


技术介绍

[0002]目标识别技术将多个传感器采集到的多源信息通过特定的方法进行融合处理，然后根据融合结果和决策准则来判定目标的具体身份。Dempester
‑
Shafer(D
‑
S)证据理论因为有着较好的理论基础和严密的组合规则，所以被作为多源信息融合的分析方法而广泛使用。D
‑
S证据理论是一种不确定性推理方法，是概率论的推广方法，D
‑
S证据理论将概率论中的基本元素空间拓展为基本元素的幂集空间，并构建其基本概率分配函数，克服传统概率论方法中难以表示和处理已有证据未知性的弊端，使用D
‑
S证据理论实现证据间的融合后能够有效增强系统的可靠性。
[0003]然而，在实际情况中，由于传感器自身的故障或是外部原因的干扰，导致不同传感器信号所对应的证据存在高度冲突现象，应用D
‑
S证据理论融合冲突证据时会产生与常理相悖的目标识别结果。如何在冲突证据存在的情况下实现多源信息的有效融合成为亟需解决的关键问题。

技术实现思路

[0004]本专利技术的目的是提出一种面向冲突证据的多源信息融合方法，依据各个证据的排斥度给每个证据重新分配权重，进而得到加权平均后的新证据，然后在新证据基础上应用D
‑
S证据理论进行融合并给出决策依据，解决存在冲突证据的情况下，D
‑
S证据理论难以实现多源信息的有效融合的问题。
[0005]本专利技术的目的是通过下述技术方案实现的，本专利技术的一种面向冲突证据的多源信息融合方法，包括以下步骤：
[0006]步骤一：确定识别框架：
[0007]确定目标识别的识别框架Θ，识别框架Θ由一系列元素构成，识别框架Θ中的元素之间两两互斥，且包含当前识别的全体目标，即识别框架为Θ＝{θ1,θ2,
…
θ
n
}；
[0008]其中，θ1,θ2,
…
θ
n
为识别框架Θ中的元素；
[0009]步骤二：确定每个证据的基本概率分配：
[0010]步骤一中所述识别框架Θ的所有子集A构成集合2
Θ
，识别框架Θ上的基本概率分配函数为m：2
Θ
→
[0,1]，表示证据m对任一子集A的支持程度；N个传感器测量信息所对应证据的基本概率分配函数为m
i
(i＝1,2,
…
,N)，子集为A
j
(j＝1,2,
…
,n)，m
i
(A
j
)为证据m
i
的子集A
j
的基本概率分配；
[0011]步骤三：确定加权平均后的新证据：
[0012]基于加权的思想，根据每个证据的重要程度分配权值，并确定加权平均后的新证据，包括以下子步骤：
[0013]步骤3.1：识别框架Θ上的多个证据分别为m1,m2,
…
,m
i
(i＝1,2,
…
,N)，对应的子
集分别为A
j
(j＝1,2,
…
,n)；
[0014]证据m
i
和证据m
x
的差异度如式(1)所示：
[0015][0016]若两个证据相同，则定义它们的差异度为0；
[0017]如式(2)所示，差异度矩阵Dif表示差异度结果；
[0018][0019]步骤3.2：确定证据的排斥度：
[0020]如式(3)所示，确定证据m
i
的排斥度Rej(m
i
)为；
[0021][0022]证据m
i
的排斥度Rej(m
j
)是证据m
i
被其他证据所排斥的程度，即不支持程度，证据的排斥度反应与其他证据之间的差异度；
[0023]排斥度大的证据，在融合决策过程中的重要度低，分配的权重占比小；
[0024]排斥度小的证据，在融合决策过程中的重要度高，分配的权重占比大；
[0025]步骤3.3：重新分配每个证据的权重：
[0026]如式(4)所示，每个证据m
i
的权重w
i
为：
[0027][0028]步骤3.4：确定新证据：
[0029]根据步骤3.3重新分配的权重，通过加权平均后得出新证据，如式(5)所示：
[0030][0031]步骤四：确定融合结果：
[0032]将步骤三中所得新证据，应用D
‑
S证据理论融合N
‑
1次，得到最终的融合结果，包括以下子步骤：
[0033]步骤4.1：确定新证据之间的冲突因子：
[0034]根据D
‑
S证据理论，确定N个新证据之间的冲突因子K，如式(6)所示：
[0035][0036]步骤4.2：确定最终的基本概率分配值：
[0037]根据D
‑
S证据理论，确定每个子集的最终的基本概率分配值，如式(7)所示：
[0038][0039]步骤五：决策与识别，完成对目标对象的识别任务，包括以下子步骤：
[0040]步骤5.1：寻找最大与次大基本概率分配值相对应的子集A1，A2：
[0041]在识别框架Θ中，寻找需满足式(8)和式(9)条件的A1、A2；
[0042][0043][0044]步骤5.2：确定识别结果：
[0045]若满足式(10)条件，则A1为判定的识别结果；
[0046][0047]其中，ε1,ε2为预先设定的阈值。
[0048]有益效果：
[0049]1、本专利技术的一种面向冲突证据的多源信息融合方法，通过证据间的差异度，确定该证据与其他证据的排斥度，每个证据的排斥度反映该证据在决策过程中的重要度大小，由此实现对各个证据间冲突程度的量化，更加直观的表征出各证据间的相互联系。
[0050]2、本专利技术的一种面向冲突证据的多源信息融合方法，根据每个证据的排斥度重新分配各个证据的权重，通过加权平均后得到新证据，在新证据基础上应用D
‑
S证据理论进行自身融合，所得最终融合结果更加精确，有效解决冲突证据对融合结果的影响。
附图说明
[0051]图1是本专利技术的一种面向冲突证据的多源信息融合方法流程图；
[0052]图2是本专利技术的一种面向冲突证据的多源信息融合方法确定新证据流程图；
[0053]图3不同方法的面向冲突证据的多源信息融合结果对比图。
具体实施方式
[0054]为了更好的说明本专利技术的目的和优点，下面结合附图和实例对
技术实现思路
做进一步说明。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向冲突证据的多源信息融合方法，其特征在于，包括以下步骤：步骤一：识别框架的确定：确定目标识别的识别框架Θ，识别框架Θ由一系列元素构成，元素之间两两互斥，且包含当前识别的全体目标，即识别框架为Θ＝{θ1,θ2,
…
θ
n
}；其中，θ1,θ2,
…
θ
n
为识别框架Θ中的元素；步骤二：确定每个证据的基本概率分配：步骤一中所述识别框架Θ的所有子集A构成的集合2
Θ
，识别框架Θ上的基本概率分配函数为m：2
Θ
→
[0,1]，表示证据m对任一子集A的支持程度；N个传感器测量信息所对应证据的基本概率分配函数为m
i
(i＝1,2,
…
,N)，子集为A
j
(j＝1,2,
…
,n)，m
i
(A
j
)为证据m
i
的子集A
j
的基本概率分配；步骤三：确定加权平均后的新证据：基于加权的思想，根据每个证据的重要程度给其分配权值，并确定加权平均后的新证据；步骤四：确定融合结果：将步骤三中所得新证据，应用D
‑
S证据理论融合N
‑
1次，得到最终的融合结果；步骤五：决策与识别，完成对目标对象的识别任务。2.根据权利要求1所述的一种面向冲突证据的多源信息融合方法，其特征在于，所述步骤三包括以下子步骤：步骤3.1：同一识别框架Θ上的多个证据为m1,m2,
…
,m
i
(i＝1,2,
…
,N)，对应的子集分别为A
j
(j＝1,2,...

【专利技术属性】
技术研发人员：魏剑峰，张发平，卢继平，杨向飞，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：