CN111563532A - 一种基于属性权重融合的未知目标识别方法 - Google Patents

Abstract

本发明公开了一种基于属性权重融合的未知目标识别方法，包括以下步骤：步骤一依据目标样本数据集生成高斯分布训练模型；步骤二将传感器探测得到的测试样本t扩展为高斯测试模型；步骤三计算高斯测试模型与高斯分布训练模型的匹配度，生成各属性上的证据；步骤四加权融合各属性上的证据；步骤五根据步骤四的融合结果判断测试样本目标类型。本发明在高斯分布模型基础上，结合广义证据理论处理不确定信息与辨识框架不完备的优势，在属性证据融合时采用面积分割方法为各属性分配权重；此外，改进的广义证据组合规则能更灵活有效地处理不确定信息，误差更小，提升目标识别的准确率与未知类型目标的识别。

Description

一种基于属性权重融合的未知目标识别方法

技术领域

本发明属于目标识别领域，具体涉及一种基于属性权重融合的未知目标识别方法。

背景技术

战场态势评估极大地关乎到战争的胜利与否，对战场决策至关重要，而目标识别是态势评估的前提与关键。然而，战场目标识别的对象往往是误闯和侵入我国领土、领海、凌空的目标，包括非合作目标和敌对目标。为识别战场目标，研究者需对所有可能出现的目标类型建立类型模板库，从而将探测到的目标与模板库中的目标进行匹配识别探测目标。但受科技发展与敌方保密等因素影响，新类型的目标随时可能在战争中出现，容易将新类型目标识别为已知目标类型，导致战场决策错误。因此，尽可能提升已知目标类型的识别准确率并识别新目标类型是战场态势评估的必然要求，具有重要的价值。

信息融合技术能够融合多源属性信息，实现对目标的更准确全面认知，广泛应用于多个领域。其中，广义证据理论是一种有效的信息融合模型，是传统D-S证据理论的扩展。该理论将传统D-S证据理论中对基本事件空间(也称为辨识框架)完备性的限制拓宽至开放世界，能够有效识别未知类型，符合实际应用场景。辨识框架不完整情况下，该理论提供的广义基本概率指派函数(generalized basic probability assignment，GBPA)可以有效表示目标类型与目标属性之间的复杂对应关系；辨识框架完整情况下，该理论退化为传统D-S证据理论，即具有向下兼容性。此外，改进的广义组合规则(modified GeneralizedCombination Rule，mGCR)可以有效融合多种属性信息，从而实现未知目标识别。

因此，本申请基于传感器探测的目标多属性信息，将广义证据理论应用于目标识别，一方面可以较好处理传感器信息的不确定性，另一方面又可以处理未知目标类型的识别。

发明内容

本发明所要解决的技术问题是：如何实现未知目标类型的识别。使用该方法实现未知目标识别具有重要的军事价值。

为解决上述技术问题，本发明采用的技术方案是一种基于属性权重融合的未知目标识别方法，其特征在于，包括以下步骤：

步骤一、依据目标样本数据集建立高斯分布训练模型；

输入n种类型、k种属性的目标样本数据集D_ij，i＝1,2,…,n，j＝1,2,…,k，n种类型记为θ₁,θ₂,…,θ_i,…,θ_n，k种属性记为att₁,att₂,…,att_j,…,att_k。目标样本数据集D_ij是k种属性的测量值，对每种目标类型每种属性建立高斯分布模型，所述高斯分布模型的建立方法为：

步骤101：计算目标样本数据集D_ij中所有属于类型θ_i的m个样本在属性att_j上的均值

和标准差σ_ij，

其中x_ij为目标样本数据集中属于类型θ_i的m个样本在属性att_j上的测量值；

步骤102：根据步骤101中的均值

和标准差σ_ij，计算类别θ_i在属性att_j上的高斯分布训练模型

步骤二、将传感器探测得到的测试样本t扩展为高斯测试模型；

步骤201：将测试样本t在属性att_j上的测量值t_j作为高斯测试模型的均值，目标样本数据集D_ij在属性att_j上各目标类型的标准差σ_ij的最小值ε_j作为高斯测试模型的标准差；

步骤202：计算机根据公式

计算属性att_j上的高斯测试模型f_t ^j；

步骤三、计算高斯测试模型与高斯分布训练模型的匹配度，生成各属性上的证据；

步骤301：计算辨识框架Θ＝{θ₁,θ₂,…,θ_i,…,θ_n}的命题集合2^Θ中各命题在属性att_j上的命题分布模型：

其中a＝1,2,…,n，b＝1,2,…,n；

步骤302：计算机根据公式

生成各属性上的证据，其中A_tj为测试样本t在属性att_j上的测试模型f_t ^j与横轴围城的封闭区域，

为命题B在属性att_j上的分布模型；

步骤四、加权融合各属性上的证据；

步骤401：根据公式

计算属性att_j的权重；

步骤402：将步骤三得到的k个属性上的k条证据m₁,m₂,…,m_k使用mGCR规则进行加权融合，得到融合后的证据

所述mGCR组合规则为

其中B∈2^Θ,D∈2^Θ，C表示B和D的交集；

步骤五、根据步骤四的融合结果判断测试样本目标类型：若融合后的证据中m({θ_i})大于0.5，则取θ_i作为测试样本目标类型；若融合后

大于0.5，则测试样本目标为一种新的目标类型，更新目标类型库。

本发明与现有技术相比具有以下有益效果：

1、本发明的步骤简单、设计合理，实现及使用操作方便。

2、本发明通过高斯分布模型表示目标属性信息，能够有效处理传感器探测信息的不确定性；

3、本发明通过面积分割生成目标属性权重分配，从而实现了属性对目标类型区分程度的划分；

4、本发明通过mGCR规则实现测试样本证据表示与融合，能够对未知目标类型进行识别。

综上所述，本发明技术方案设计合理，将目标样本数据集生成高斯分布训练模型，在特征权重生成时采用面积分割的方法确定目标属性的权重分配，并基于广义证据理论生成测试样本的证据表示与融合，既提高目标类型识别的准确性，又能够有效识别未知目标类型。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程图

图2为本发明中属性att_j权重分配方法示意图

具体实施方式

下面结合附图及本发明的实施例对本发明的方法做进一步的详细说明。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的属性可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

需要注意的是，这里所使用的术语仅仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。

如图1所示，本发明包括以下步骤：

步骤一、依据目标样本数据集建立高斯分布训练模型；

实际使用时，采用传感器采集n种目标类型θ₁,θ₂,…,θ_i,…,θ_n在k种属性att₁,att₂,…,att_j,…,att_k上的测量值生成目标样本数据集D_ij，i＝1,2,…,n，j＝1,2,…,k。多个属性数据能更充分地反映目标情况，从而提高目标识别地准确性。其次，高斯分布相对不易收到干扰，稳定性好，且高斯分布面积和为1，与证据理论中对各目标类别的信度分配即证据总和为1一致，因此对每种目标类型每种属性建立高斯分布模型，所述高斯分布模型的建立方法为：

步骤101：计算目标样本数据集D_ij中所有属于类型θ_i的m个样本在属性att_j上的均值

和标准差σ_ij，

其中x_ij为目标样本数据集中属于类型θ_i的m个样本在属性att_j上的测量值；

步骤102：根据步骤101中的均值

和标准差σ_ij，计算类别θ_i在属性att_j上的高斯分布训练模型

步骤二、将传感器探测得到的测试样本t扩展为高斯测试模型；

考虑到传感器测量值与真实值之间存在一定误差，本申请采用系统误差将传感器测量值扩展为高斯分布，从而有效处理传感器测量值的不确定性。为避免给测试模型中增加过大的不确定性，将属性att_j上的最小标准差作为系统误差，记为ε_j＝min(σ_ij)，具体步骤为：

步骤201：将测试样本t在属性att_j上的测量值t_j作为高斯测试模型的均值，目标样本数据集D_ij在属性att_j上各目标类型的标准差σ_ij的最小值ε_j作为高斯测试模型的标准差；

步骤202：计算机根据公式

计算属性att_j上的高斯测试模型f_t ^j；

步骤三、计算高斯测试模型与高斯分布训练模型的匹配度，生成各属性上的证据；

本申请基于广义证据理论生成测试样本t在各属性上的证据。广义证据理论具有处理辨识框架不完备、采集信息不确定的优势，在生成证据时就对空集进行赋值，空集代表辨识框架之外的命题，在本申请中除θ₁,θ₂,…,θ_i,…,θ_n以外的目标类型用空集表示，从而使得本申请具有识别未知类型目标的优势。具体步骤为：

步骤301：计算辨识框架Θ＝{θ₁,θ₂,…,θ_i,…,θ_n}的命题集合2^Θ中各命题在属性att_j上的命题分布模型：

其中a＝1,2,…,n，b＝1,2,…,n；

步骤302：计算机根据公式

生成各属性上的证据，其中A_tj为测试样本t在属性att_j上的测试模型f_t ^j与横轴围城的封闭区域，

为命题B在属性att_j上的分布模型；

步骤四、加权融合各属性上的证据；

不同属性对目标类型的区分能力不同，若对各属性分配相同的权重并融合生成的证据，则会使目标类型的识别信度较低，造成决策困难。实际使用时，本申请基于面积分割的方法确定各属性的权重，以属性att_j权重分配为例，如图2所示，长虚线表示目标样本数据集D_ij中目标类型θ₁在属性att_j上的高斯分布模型，实线表示目标样本数据集D_ij中目标类型θ₂在属性att_j上的高斯分布模型，短虚线表示目标样本数据集D_ij中目标类型θ₃在属性att_j上的高斯分布模型，则没有面积重叠的部分为属性att_j对目标类型的区分能力，分配给属性att_j的权重则为没有重叠的面积与总面积的比值。之后，根据分配的权重和改进的广义证据组合规则对证据进行加权融合。具体步骤为：

步骤401：根据公式

计算属性att_j的权重；

步骤402：将步骤三得到的k个属性上的k条证据m₁,m₂,…,m_k使用改进的广义证据组合规则(modified Generalized Combination Rule,mGCR)进行加权融合，得到融合后的证据

所述mGCR组合规则为

其中B∈2^Θ,D∈2^Θ，C表示B和D的交集；

本申请对测试样本在不同属性上生成的证据进行加权融合。融合规则能够对多源信息进行有效地处理和融合，提高目标识别的准确定，同时能够识别出未知的目标类型。

步骤五、根据步骤四的融合结果判断测试样本目标类型：若融合后的证据中m({θ_i})大于0.5，则取θ_i作为测试样本目标类型；若融合后

大于0.5，则测试样本目标为一种新的目标类型，更新目标类型库。

实际使用时，本申请不仅可以识别辨识框架中包含的目标类型，同时当新的类型的目标出现时，也可以有效识别。此外，当测试样本目标识别为未知类型时，更新当前目标类型库。

以上所述，仅是本发明的实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (1)

1.一种基于属性权重融合的未知目标识别方法，其特征在于，包括以下步骤：

步骤一、依据目标样本数据集建立高斯分布训练模型；

输入n种类型、k种属性的目标样本数据集D_ij，i＝1,2,…,n，j＝1,2,…,k，n种类型记为θ₁,θ₂,…,θ_i,…,θ_n，k种属性记为att₁,att₂,…,att_j,…,att_k。目标样本数据集D_ij是k种属性的测量值，对每种目标类型每种属性建立高斯分布模型，所述高斯分布模型的建立方法为：

步骤101：计算目标样本数据集D_ij中所有属于类型θ_i的m个样本在属性att_j上的均值

和标准差σ_ij，

其中x_ij为目标样本数据集中属于类型θ_i的m个样本在属性att_j上的测量值；

步骤102：根据步骤101中的均值

和标准差σ_ij，计算类别θ_i在属性att_j上的高斯分布训练模型

步骤二、将传感器探测得到的测试样本t扩展为高斯测试模型；

步骤201：将测试样本t在属性att_j上的测量值t_j作为高斯测试模型的均值，目标样本数据集D_ij在属性att_j上各目标类型的标准差σ_ij的最小值ε_j作为高斯测试模型的标准差；

步骤202：计算机根据公式

计算属性att_j上的高斯测试模型f_t ^j；

步骤三、计算高斯测试模型与高斯分布训练模型的匹配度，生成各属性上的证据；

步骤301：计算辨识框架Θ＝{θ₁,θ₂,…,θ_i,…,θ_n}的命题集合2^Θ中各命题在属性att_j上的命题分布模型：

其中a＝1,2,…,n，b＝1,2,…,n；

步骤302：计算机根据公式

生成各属性上的证据，其中A_tj为测试样本t在属性att_j上的测试模型f_t ^j与横轴围城的封闭区域，

为命题B在属性att_j上的分布模型；

步骤四、加权融合各属性上的证据；

步骤401：根据公式

计算属性att_j的权重；

步骤402：将步骤三得到的k个属性上的k条证据m₁,m₂,…,m_k使用mGCR规则进行加权融合，得到融合后的证据

所述mGCR组合规则为

其中B∈2^Θ,D∈2^Θ，C表示B和D的交集；

步骤五、根据步骤四的融合结果判断测试样本目标类型：若融合后的证据中m({θ_i})大于0.5，则取θ_i作为测试样本目标类型；若融合后

大于0.5，则测试样本目标为一种新的目标类型，更新目标类型库。

Images