一种基于证据理论的目标识别方法技术

本发明专利技术涉及一种基于证据理论的目标识别方法，研究其在目标识别中的应用，属于数据收集领域，具体处于数据分析处理阶段。本发明专利技术首先引入证据向量的概念，并通过该向量定义证据间的距离，依据距离来量化证据间的相似与冲突程度，并在此基础上计算获得证据信任系数，以该系数作为衡量证据可信度的依据，对原证据的概率进行重新分配，再通过合成公式对证据进行合成。本发明专利技术相比于常规D

【技术实现步骤摘要】
一种基于证据理论的目标识别方法


[0001]本专利技术涉及一种基于证据理论的目标识别方法，研究其在目标识别中的应用，属于信息收集领域，具体处于信息分析处理阶段。

技术介绍

[0002]在当前环境下，需要准确地把握环境态势，通过完整的态势信息了解双方状态、完成策划及资源部署。在态势生成中，首先需要通过分析各传感器获得的信息得到目标态势，而目标态势生成的过程，就是对各个目标位置、类别、类型、航向、方位、身份等信息识别的过程，它是当前环境每个目标识别结果的集合体。由此可以看出，只有准确地识别各类目标，才能获取有效、可靠的环境态势。
[0003]Dempster
‑
Shafer证据理论本质上是对Bayes理论的拓展，是一种较为先进的数据融合决策理论。D
‑
S证据理论在广泛的使用过程当中，理论本身存的问题是：对存在高度冲突的证据进行融合时，其结果经常产生与人们直觉或常理相悖的情况，甚至产生一票否决的极端现象；而且随着个数的增长，其计算量也呈指数级增长。

技术实现思路

[0004]本专利技术所要解决的技术问题在于克服在环境态势目标识别中的短板，提出了一种基于证据理论的目标识别方法，为目标识别提供一种快速便捷的方法。
[0005]本专利技术可以通过以下技术手段实现：
[0006]一种基于证据理论的目标识别方法，包括以下步骤：
[0007]步骤1、针对不同传感器,依据已有的传感器先验知识,得到不同传感器探测目标类别的信任度；
[0008]步骤2、根据目标类别的信任度构建不同传感器输出的证据向量,并计算证据之间的距离；
[0009]步骤3、根据证据之间的距离计算证据的相对冲突度，并根据信任系数对概率进行二次分配；
[0010]步骤4、使用Dempster
‑
Shafer公式对二次分配的概率进行融合处理，得出置信的目标类别。
[0011]进一步的，所述步骤2具体包括以下步骤：
[0012]步骤2
‑
1、根据目标类别的信任度设定不同传感器对应的概率分配函数分别为，，，；为传感器个数；
[0013]步骤2
‑
2、根据不同传感器辨识的目标类别和不同传感器对应的概率分配函数，计算传感器输出证据集合的证据向量；其中，为目标类别；
[0014],
[0015]步骤2
‑
3、计算证据和之间的距离：
[0016]，
[0017]其中，
[0018][0019]得到距离后，依据构建距离矩阵：
[0020]。
[0021]进一步的，所述步骤3具体包括以下步骤：
[0022]步骤3
‑
1、对距离矩阵进行卷积计算：
[0023][0024]得到证据的相对冲突度：
[0025]；
[0026]步骤3
‑
2、对原证据进行概率重新分配，假设原始概率分配为，重新分配的概率：
[0027][0028][0029]式中，为原始概率分配表示不确定情况，为信任系数，信任系数是证据相对冲突度的函数，即=。
[0030]本专利技术相比于常规D
‑
S算法，可以显著降低证据的冲突度以和计算量，同时获得较好的目标识别效果。
附图说明
[0031]图1是本专利技术实施例一种基于证据理论的目标识别方法流程图。
具体实施方式
[0032]下面结合附图和具体实例对本发进行详细说明。
[0033]在环境态势生成中，首先需要通过分析各传感器获得的信息得到目标态势，而目标态势生成的过程，就是对当前环境中各个目标位置、类别、类型、航向、方位、身份等信息识别的过程，它是环境中每个目标识别结果的集合体。由此可以看出，只有准确地识别目标，才能获取有效、可靠的环境态势。如图1所示，一种基于证据理论的目标识别方法，包括以下步骤：
[0034]步骤1、针对不同传感器,依据已有的传感器先验知识,得到不同传感器探测目标类别的信任度；
[0035]步骤2、根据目标类别的信任度构建不同传感器输出的证据向量,并计算证据之间的距离；具体包括以下步骤：
[0036]步骤2
‑
1、根据目标类别的信任度设定不同传感器对应的概率分配函数分别为，，，；下标为传感器个数；
[0037]步骤2
‑
2、根据不同传感器辨识的目标类别和不同传感器对应的概率分配函数，计算传感器输出证据集合的证据向量；其中，为目标类别；
[0038],
[0039]步骤2
‑
3、计算证据和之间的距离：
[0040]，
[0041]其中，
[0042][0043]得到距离后，依据构建距离矩阵：
[0044][0045]由上述定义可知，间距离具有对称性，，当时，证据间距离达到最小值，表明证据之间存在相互支持；当时，证据间距离达到最大值，表明证据之间存在强烈冲突。
[0046]步骤3、根据证据之间的距离计算证据的相对冲突度，并根据信任系数对概率进行二次分配；具体包括以下步骤：
[0047]步骤3
‑
1、基于少数服从多数的指导思想，即：证据与其他证据间的距离越远（证据群越稀疏），说明该证据与其他证据的相互支持度越低（冲突程度就越高），则该证据出错的概率越高，在最终的融合结果中应当置后考虑或者赋予较小的权重。通过卷积计算：
[0048][0049]后得到证据的相对冲突度：
[0050][0051]步骤3
‑
2、根据信任系数，对原证据进行概率重新分配，假设原始概率分配为，重新分配的概率假设为。
[0052]*
[0053][0054]式中，为原始概率分配表示不确定情况，为信任系数，信任系数是证据相对冲突度的函数，即=。
[0055]步骤4、使用Dempster
‑
Shafer公式对二次分配的概率进行融合处理，输出置信的目标类别。
[0056]本实例对待复杂环境下目标识别事件，本专利技术提出了一种能够修改证据冲突的D
‑
S证据理论改进方法，相比于常规D
‑
S算法，本专利技术可以显著降低证据的冲突度和计算量，同时获得较好的目标识别效果。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于证据理论的目标识别方法，其特征在于，包括以下步骤：步骤1、针对不同传感器,依据已有的传感器先验知识,得到不同传感器探测目标类别的信任度；步骤2、根据目标类别的信任度构建不同传感器输出的证据向量,并计算证据之间的距离；步骤3、根据证据之间的距离计算证据的相对冲突度，并根据信任系数对概率进行二次分配；步骤4、使用Dempster
‑
Shafer公式对二次分配的概率进行融合处理，得出置信的目标类别。2.根据权利要求1所述的一种基于证据理论的目标识别方法，其特征在于，所述步骤2具体包括以下步骤：步骤2
‑
1、根据目标类别的信任度设定不同传感器对应的概率分配函数分别为；其中，下标m为传感器个数；步...

【专利技术属性】
技术研发人员：刘伟刚，戎纪光，马培博，李宝莲，马茜，钟麟，李祥民，康彦肖，任志国，刘保柱，马晓娅，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：