一种数据与知识融合的目标识别方法及装置制造方法及图纸

本发明专利技术提出了一种数据与知识融合的目标识别方法，综合考虑数据与知识互补性，通过获取待识别数据，以及从现有数据库获取已打标签的数据组成的第一样本、未打标签的数据组成的第二样本；依次对第一样本构建第一规则前提以及通过标签对第一规则前提融合的方式，构建数据驱动置信规则库；通过重复为第二样本构建候选规则前提，利用互信息准则在候选规则前提中选择第二规则前提，并将第二规则前提提供给专家，从而构建知识驱动置信规则库；最终过利用遗传算法对置信规则库进行融合，能够有效减少规则冗余和冲突。本发明专利技术通过提取实时数据的特征与规则库中的特征比对找到对应的规则，如此准确确定实时所属目标种类。准确确定实时所属目标种类。准确确定实时所属目标种类。

【技术实现步骤摘要】
一种数据与知识融合的目标识别方法及装置


[0001]本专利技术属于目标识别
，具体涉及一种数据与知识融合的目标识别方法及装置。

技术介绍

[0002]在远程预警系统等强实时、高对抗的复杂环境下，目标的种类增多，需要能快速且准确地探测目标并对其进行识别，从而给决策者提供可靠的支持信息。信息融合在战场信息综合处理中已成为关键支撑技术。传统的信息融合主要对物理传感器的量测数据进行融合处理。然而，随着非友方目标的隐蔽性及对抗措施的不断增强，传统的融合方法显现出一定的局限性。人们逐渐意识到由具有一定领域知识的人提供的信息在目标识别过程中发挥着重要作用，因此，数据与知识的融合可以为目标可靠识别提供一种有效的识别手段。
[0003]目前，已经有一些技术尝试实现专家知识与数据进行融合提高目标识别的精度。这些现有的技术根据知识与数据参与的先后顺序可以分为三种方式。即，先数据构建模型，再由专家知识对模型进行修正；先根据专家知识构建初始模型，再由数据对模型参数进行修正；由数据与知识分别构建模型，最后在一个统一基础上进行模型融合。在这些方法中，依旧没能解决知识的获取问题。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种数据与知识融合的目标识别方法及装置。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术提供了一种数据与知识融合的目标识别方法包括：
[0006]步骤1，获取远程预警系统侦测目标产生的实时数据，并将该实时数据作为待识别数据，以及从现有数据库获取已打标签的数据组成的第一样本、未打标签的数据组成的第二样本；
[0007]步骤2，按照顺序依次对第一样本构建第一规则前提以及，通过对第一规则前提按照语言标签进行模糊划分以及规则结果的融合，从而构建数据驱动置信规则库；
[0008]步骤3，利用数据驱动置信规则库中的规则前提的划分方式，为每个第二样本构建候选规则前提，并利用互信息准则在候选规则前提中选择第二规则前提，并将第二规则前提提供给专家，从而构建知识驱动置信规则库；
[0009]步骤4，利用遗传算法对所述数据驱动置信规则库与专家驱动置信规则库进行融合，得到混合置信规则库；
[0010]步骤5，利用混合置信规则库中的规则前提对所述实时数据进行分类，确定实时所属目标种类。
[0011]本专利技术的有益效果：
[0012]本专利技术提出了一种数据与知识融合的目标识别方法，综合考虑数据与知识互补性，通过获取远程预警系统侦测目标产生的实时数据，并将该实时数据作为待识别数据，以
及从现有数据库获取已打标签的数据组成的第一样本、未打标签的数据组成的第二样本；按照顺序依次对第一样本构建第一规则前提以及通过标签对第一规则前提融合的方式，构建数据驱动置信规则库；通过重复为第二样本构建候选规则前提，利用互信息准则在候选规则前提中选择第二规则前提，并将第二规则前提提供给专家，从而构建知识驱动置信规则库；最终通过利用遗传算法对置信规则库进行融合，能够有效减少规则冗余和冲突，提高目标识别精度。最终通过提取实时数据的特征与规则库中的特征比对找到对应的规则，如此确定实时所属目标种类。
[0013]以下将结合附图及实施例对本专利技术做进一步详细说明。
附图说明
[0014]图1是本专利技术提供了一种数据与知识融合的目标识别方法的流程示意图；
[0015]图2是本专利技术提供的数据与知识融合模型示意图；
[0016]图3是本专利技术提供的基因编码的示意图；
[0017]图4是本专利技术提供的三种飞机目标的特征分布曲线图；
[0018]图5是本专利技术提供的规则前提特征的语言模糊划分示意图。
具体实施方式
[0019]下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。
[0020]结合图1以及图2，本专利技术提供了一种数据与知识融合的目标识别方法包括：
[0021]步骤1，获取远程预警系统侦测目标产生的实时数据，并将该实时数据作为待识别数据，以及从现有数据库获取已打标签的数据组成的第一样本、未打标签的数据组成的第二样本；
[0022]步骤2，按照顺序依次对第一样本构建第一规则前提以及，通过对第一规则前提按照语言标签进行模糊划分以及规则结果的融合，从而构建数据驱动置信规则库；
[0023]步骤3，利用数据驱动置信规则库中的规则前提的划分方式，为每个第二样本构建候选规则前提，并利用互信息准则在候选规则前提中选择第二规则前提，并将第二规则前提提供给专家，从而构建知识驱动置信规则库；
[0024]步骤4，利用遗传算法对所述数据驱动置信规则库与专家驱动置信规则库进行融合，得到混合置信规则库；
[0025]步骤5，利用混合置信规则库中的规则前提对所述实时数据进行分类，确定实时所属目标种类。
[0026]现有的数据与知识融合目标识别方法，忽略了知识的获取，因此难以实现数据与知识的高度互补。本专利技术提出了一种综合考虑数据与知识互补性的目标识别方法。首先，在置信规则基础上通过数据构造出数据驱动的置信规则目标识别模型。然后基于主动学习策略，获取到专家驱动的置信规则库。最后，利用遗传算法对数据驱动置信规则库与知识驱动置信规则库进行融合，减少规则冗余与冲突，提高目标识别精度。最终可以利用融合的规则库去识别待分类的目标，在库中查找相应的规则就可以得到携带标签的规则，查找时通过特征值比较确定符合的规则。
[0027]在一种具体的实施例中，步骤2包括：
[0028]步骤21，根据第一个样本的特征值构造第一个样本的规则前提，对于之后的样本，通过计算样本对于其他规则前提的隶属度，确定样本的规则前提；
[0029]步骤22，按照语言标签的索引值，将所有样本的规则前提划分至对应的语言标签，以实现对规则前提的模糊划分；
[0030]步骤23，根据样本携带的标记，利用置信函数理论将每个语言标签中所有样本先使用类内聚合、再使用类间聚合，获得每个规则前提相关联的规则结果，以实现规则结果的融合；
[0031]步骤24，将所有规则结论形成数据驱动置信规则库。
[0032]数据驱动置信规则学习：
[0033]在这一模块，利用已标记数据学习一个可解释性与精度折中的数据驱动的置信规则目标识别系统，采用自组织的聚类策略，以增量形式进行学习规则前提。
[0034]在一种具体的实施例中，步骤21包括：
[0035]步骤211，根据第一个样本的特征值为其构建规则前提。首先在第一个样本的基础上建立第一条规则前提，规则前提的形式是：
[0036][0037]步骤212，将第一个样本的特征值作为步骤211中规则前提中高斯隶属函数的中心：
[0038][0039]其中，高斯隶属函数的初始标准差σ0设置为一个较小的正整数；
[0040]步骤213，对于在第一个样本之后新进入的样本，首先计算样本对于步骤211中规则前提的隶属度：...

【技术保护点】

【技术特征摘要】
1.一种数据与知识融合的目标识别方法，其特征在于，包括：步骤1，获取远程预警系统侦测目标产生的实时数据，并将该实时数据作为待识别数据，以及从现有数据库获取已打标签的数据组成的第一样本、未打标签的数据组成的第二样本；步骤2，按照顺序依次对第一样本构建第一规则前提以及，通过对第一规则前提按照语言标签进行模糊划分以及规则结果的融合，从而构建数据驱动置信规则库；步骤3，利用数据驱动置信规则库中的规则前提的划分方式，为每个第二样本构建候选规则前提，并利用互信息准则在候选规则前提中选择第二规则前提，并将第二规则前提提供给专家，从而构建知识驱动置信规则库；步骤4，利用遗传算法对所述数据驱动置信规则库与专家驱动置信规则库进行融合，得到混合置信规则库；步骤5，利用混合置信规则库中的规则前提对所述实时数据进行分类，确定实时所属目标种类。2.根据权利要求1所述的一种数据与知识融合的目标识别方法，其特征在于，步骤2包括：步骤21，根据第一个样本的特征值构造第一个样本的规则前提，对于之后的样本，通过计算样本对于其他规则前提的隶属度，确定样本的规则前提；步骤22，按照语言标签的索引值，将所有样本的规则前提划分至对应的语言标签，以实现对规则前提的模糊划分；步骤23，根据样本携带的标记，利用置信函数理论将每个语言标签中所有样本先使用类内聚合、再使用类间聚合，获得每个规则前提相关联的规则结果，以实现规则结果的融合；步骤24，将所有规则结论形成数据驱动置信规则库。3.根据权利要求1所述的一种数据与知识融合的目标识别方法，其特征在于，步骤21包括：步骤211，根据第一个样本的特征值为其构建规则前提，规则前提的形式是：步骤212，将第一个样本的特征值作为步骤211中规则前提中高斯隶属函数的中心：其中，高斯隶属函数的初始标准差σ0设置为一个较小的正整数；步骤213，对于在第一个样本之后新进入的样本，首先计算样本对于步骤211中规则前提的隶属度：其中，
步骤214，如果步骤123中计算得到的隶属度小于阈值ε，对新进入的样本以步骤211中同样的方式再构建一个规则前提；步骤215，如果步骤123中计算得到的隶属度大于阈值ε，则将新进入的样本归入步骤211中的规则前提中，并对隶属函数的标准差与均值进行更新；其中，同一个样本可能会归入多个规则前提中，更新公式如下所示：其中，同一个样本可能会归入多个规则前提中，更新公式如下所示：其中，是对分配给规则前提A
q
的总样本数量的更新；步骤216，重复步骤212至步骤215，直至所有样本都存在与其对应的至少一个规则前提。4.根据权利要求3所述的一种数据与知识融合的目标识别方法，其特征在于，步骤22包括：步骤221，按照需求确定语言标签的个数以及语言标签的自身索引值；步骤222，按照步骤215中的隶属函数的标准差与均值，计算每个规则前提在语言标签的索引值；并计算该索引值与每个语言标签的自身索引值的距离，根据距离确定规则前提所隶属的语言标签。5.根据权利要求4所述的一种数据与知识融合的目标识别方法，其特征在于，步骤222包括：步骤2221，找出每个样本的每个特征维度上的高斯隶属函数均值的最大值与最小值步骤2222，计算出每个样本的特征上相邻语言标签的距离dis
p
：其中，语言标签的个数为N
L
；步骤2223，每个规则前提中高斯隶属函数在每个特征上的均值以及标准差，分别表示为：为：其中λ代表隶属函数的重叠参数，在[0，1]之间选取；步骤2224，根据均值和标准差，计算每个规则前提在语言标签的索引值，表示为：
其中，k
*
代表对语言标签的索引值；步骤2225，计算步骤2224得到的索引值与每个语言标签的自身索引值的距离，将距离最近的语言标签确定为规则前提所隶属的语言标签。6.根据权利要求5所述的...

【专利技术属性】
技术研发人员：焦连猛，马皓楠，张晗，缑圣杰，刘准钆，梁彦，潘泉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：