CN102930281A - 基于DS理论和DSm理论的交互自适应目标识别方法 - Google Patents
基于DS理论和DSm理论的交互自适应目标识别方法 Download PDFInfo
- Publication number
- CN102930281A CN102930281A CN2011102314902A CN201110231490A CN102930281A CN 102930281 A CN102930281 A CN 102930281A CN 2011102314902 A CN2011102314902 A CN 2011102314902A CN 201110231490 A CN201110231490 A CN 201110231490A CN 102930281 A CN102930281 A CN 102930281A
- Authority
- CN
- China
- Prior art keywords
- sigma
- theta
- cap
- theory
- dsm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于DS理论和DSm理论的交互自适应目标识别方法。首先,得到所有可能目标类型,确定辨识框架,获得各信息源对目标识别的基本信度分配;其次,计算两证据间的角度相似度,并对证据分别采用Dempster组合规则和PCR6规则进行合成,分别得到合成结果。再次,利用角度相似度对两种规则处理结果加权求和得到最终合成信度;最后,选择合适的决策规则作出最后的识别判决。本发明方法自适应地处理多信息源关于目标识别信息中存在的各种程度的冲突证据,降低了干扰证据的影响,实现了对各种程度冲突证据的有效处理,提高识别结果的可信性。不仅能在Shafer模型下使用,还能在混合DSm模型和自由DSm模型下使用。处理过程简单,不涉及高阶累积量运算,计算量小。此外,本发明还可采用其它的组合规则或方法进行交互自适应应用,具有很好的开放性和扩展性。具有推广应用价值。
Description
技术领域
本发明涉及多源信息融合领域中的一种目标识别方法,适用于具有多源信息的融合系统,如空中目标属性识别系统、机器人等,可以用于多源信息下的目标识别,实现对未知目标的属性、身份等判别。
背景技术
在多源信息融合中,由于存在环境干扰或人为干扰等因素,各信息源所获得关于目标的信息往往存在不精确性、部分未知性,甚至是模糊的、彼此不一致的、时变的等特征,从而造成了多源融合识别结果可能出现悖论,特别是各信息源获得证据之间冲突较强时,甚至会得出错误的识别结果,导致决策失误。因此,如何有效的处理冲突证据实现融合识别一直是相关领域的难点。在此背景下,提出了两类处理思路:一是针对DS理论进行改进,虽然这些改进方法在某些方面取得了效果,但这些方法或者无法从根本上解决不一致证据融合以及按权重聚焦的问题,或者在解决这些问题的同时又带来新的问题。同时,这些方法都对辨识框架进行了限制。二是提出了新的处理方法,即DSm理论。它用来处理高不确定性、高冲突和高不精确的信息源证据可获得较好的效果,但由于DSm理论超平方集元素量过于巨大,存在计算量大的缺陷,并且处理低冲突证据时,会带来置信度降低的问题。因此,一种能够简单、自适应的处理各种证据冲突问题的识别方法成为融合识别领域应用的关键。
发明内容
本发明的目的在于克服上述背景技术中的不足,不改变基本的识别框架和识别处理流程,降低干扰证据的影响,实现对各种程度冲突证据的有效处理,提高识别结果的可信性。
为了实现上述的发明目的,本发明提供了一种基于DS理论和DSm理论的交互自适应目标识别方法,包括如下步骤:
(1)得到所有可能目标类型,确定辨识框架,获得各信息源对目标识别的基本信度分配。假设辨识框架Θ={θ1,θ2,...,θn},在其框架下有k个证据的基本信度分配(或广义基本信度分配)m1,m2…mk:GΘ→[0,1],其中i=1,2…k,其中GΘ表示可以选取不同的模型;
(2)计算两证据间的角度相似度cos(.);
(3)对证据使用扩展Dempster组合规则处理得到mg-DS(.);
其中
(4)对证据使用PCR6规则处理得到mPCR6(.);
(5)根据证据相似度得到对两种处理方法的权重,对mg-DS(.)和mPCR6(.)加权求和得到合成信度;
m合成(X)=cos(.)·mg-DS(.)+[1-cos(.)]·mPCR6(.)
(6)选择合适的决策规则作出最后的识别判决,本发明中选取基于基本信度分配的决策方法。即设 满足
若有
则A1即为判决结果,其中ε1,ε2为预先设定的门限。
本发明的优点在于:
(1)本发明自适应地处理多信息源关于目标识别信息中存在的各种程度的冲突证据,降低了干扰证据的影响,实现对各种程度冲突证据的有效处理,提高识别结果的可信性。
(2)本发明不仅能在Shafer模型下使用,还能在混合DSm模型和自由DSm模型下使用。
(3)本发明的处理过程简单,不涉及高阶累积量运算,计算量小。
(4)本发明还可采用其它的组合规则或方法进行交互自适应应用,具有很好的开放性和扩展性。
具体实施方式
实施本发明的原理如下:
针对DS理论不能进行高冲突证据合成和DSm理论处理低冲突会造成信度降低问题,本发明提出一种基于DS理论和DSm理论的交互自适应目标识别方法。该方法在确定辨识框架和获得各信息源对目标识别的基本信度分配的前提下,计算证据之间的角度相似度,将其作为权重,对DS理论和DSm理论中的两种组合规则加权求和,得到最终合成结果,并依据决策规则进行识别判决。
假设某识别系统中,空中目标可能是我机、敌机或属性不明,则辨识框架为Θ={F,H,N}。在某时刻2部传感器获得的基本信度分配分别为m1和m2。下面具体说明整个发明的详细步骤:
(1)计算两证据间的角度相似度cos(.);
(2)对两证据使用扩展Dempster组合规则处理得到mg-DS(.);
其中
(3)对两证据使用PCR6规则处理得到mPCR6(.);
(4)根据证据相似度得到对两种处理方法的权重,对mg-DS(.)和mPCR6(.)加权求和得到合成信度;
m合成(X)=cos(.)·mg-DS(.)+[1-cos(.)]·mPCR6(.)
(5)选择合适的决策规则作出最后的识别判决,本发明中选取基于基本信度分配的决策方法。即设 满足
若有
则A1即为判决结果,其中ε1,ε2为预先设定的门限。
本领域普通技术人员可以在所附权利要求的范围内作出各种变形或修改。
Claims (3)
1.一种基于DS理论和DSm理论的交互自适应目标识别方法,包括以下技术步骤:
(1)得到所有可能目标类型,确定辨识框架,获得各信息源对目标识别的基本信度分配。假设辨识框架Θ={θ1,θ2,K,θn},在其框架下有k个证据的基本信度分配(或广义基本信度分配)m1,m2 L mk:GΘ→[0,1],其中i=1,2Lk,其中GΘ表示可以选取不同的模型;
(2)计算两证据间的角度相似度cos(.);
(3)对证据使用扩展Dempster组合规则处理得到mg-DS(.);
mg-DS(A)@φ(A)[S1(A)+S2(A)+S3(A)]
其中
(4)对证据使用PCR6规则处理得到mPCR6(.);
(5)利用证据间的角度相似度作为权重,对mg-DS(.)和mPCR6(.)加权求和得到合成信度;
m合成(X)=cos(.)·mg-DS(.)+[1-cos(.)]·mPCR6(.)
(6)选择合适的决策规则作出最后的识别判决,本发明中选取基于基本信度分配的决策方法。即设 满足
若有
则A1即为判决结果,其中ε1,ε2为预先设定的门限。
2.根据权利要求1所述的基于DS理论和DSm理论的交互自适应目标识别方法,为了衡量交互作用的两种组合规则的权重,将角度相似度作为两种组合规则的权重。证据间的角度相似度:
3.根据权利要求1所述的基于DS理论和DSm理论的交互自适应目标识别方法,按照证据相似度得到对两种处理方法的权重,对mg-DS(.)和mPCR6(.)加权求和得到最终合成信度:
m合成(X)=cos(.)·mg-DS(.)+[1-cos(.)]·mPCR6(.)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102314902A CN102930281A (zh) | 2011-08-11 | 2011-08-11 | 基于DS理论和DSm理论的交互自适应目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011102314902A CN102930281A (zh) | 2011-08-11 | 2011-08-11 | 基于DS理论和DSm理论的交互自适应目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102930281A true CN102930281A (zh) | 2013-02-13 |
Family
ID=47645078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011102314902A Pending CN102930281A (zh) | 2011-08-11 | 2011-08-11 | 基于DS理论和DSm理论的交互自适应目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930281A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281580A (zh) * | 2013-07-02 | 2015-01-14 | 李鸿飞 | 基于混合DSm模型的证据融合信息流程 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088982A1 (en) * | 2005-10-18 | 2007-04-19 | Valerie Guralnik | System and method for combining diagnostic evidences for turbine engine fault detection |
CN101639864A (zh) * | 2009-08-18 | 2010-02-03 | 东南大学 | 一种分层递阶DSmT快速近似推理融合方法 |
-
2011
- 2011-08-11 CN CN2011102314902A patent/CN102930281A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088982A1 (en) * | 2005-10-18 | 2007-04-19 | Valerie Guralnik | System and method for combining diagnostic evidences for turbine engine fault detection |
CN101639864A (zh) * | 2009-08-18 | 2010-02-03 | 东南大学 | 一种分层递阶DSmT快速近似推理融合方法 |
Non-Patent Citations (3)
Title |
---|
FLORENTIN SMARANDACHE等: "《Advances and Applications of DSmT for Information Fusion》", 31 December 2006, article "A generalization of Dempster’s rule", pages: 96,108 * |
JIN HONGBIN等: "Interactive-Adaptive Combination Rule", 《中国通信》, no. 2, 31 March 2011 (2011-03-31), pages 140 - 146 * |
金宏斌等: "一种有效融合高冲突证据的目标身份识别方法", 《装备指挥技术学院学报》, vol. 22, no. 1, 28 February 2011 (2011-02-28), pages 88 - 92 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104281580A (zh) * | 2013-07-02 | 2015-01-14 | 李鸿飞 | 基于混合DSm模型的证据融合信息流程 |
CN107065834A (zh) * | 2017-05-25 | 2017-08-18 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
CN107065834B (zh) * | 2017-05-25 | 2019-01-22 | 东北大学 | 湿法冶金过程中浓密机的故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318258B (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
US20190318158A1 (en) | Multi-pose face feature point detection method based on cascade regression | |
CN104115192B (zh) | 三维近距离交互的改进或与其有关的改进 | |
Wu et al. | Automatic road extraction from high-resolution remote sensing images using a method based on densely connected spatial feature-enhanced pyramid | |
TW201830278A (zh) | 使用神經網路之同時物件偵測及剛性轉換估計 | |
CN112070729B (zh) | 一种基于场景增强的anchor-free遥感图像目标检测方法及系统 | |
CN104021559B (zh) | 基于互信息和Harris角点检测的图像配准方法 | |
CN105046717B (zh) | 一种鲁棒性的视频目标对象跟踪方法 | |
CN108052624A (zh) | 点云数据处理方法、装置及计算机可读存储介质 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN104657717B (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
CN110211176A (zh) | 一种相机外参数校正系统与方法 | |
CN101464948A (zh) | 一种基于关键点的仿射不变矩的目标识别方法 | |
CN109146972A (zh) | 基于快速特征点提取及网格化三角形约束的视觉导航方法 | |
CN105046694A (zh) | 一种基于曲面拟合系数特征的点云快速配准方法 | |
CN103942535B (zh) | 多目标跟踪方法及装置 | |
CN110068302A (zh) | 一种基于深度神经网络的车辆测距方法 | |
CN105320937A (zh) | 基于Kinect的交警手势识别方法 | |
CN103984936A (zh) | 用于三维动态目标识别的多传感器多特征融合识别方法 | |
CN109101932B (zh) | 基于目标检测的多任务及临近信息融合的深度学习方法 | |
CN105224935A (zh) | 一种基于Android平台的实时人脸关键点定位方法 | |
CN109241901A (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
Chen et al. | Robust vehicle detection and viewpoint estimation with soft discriminative mixture model | |
CN101369309A (zh) | 基于主动表观模型和外耳长轴的人耳图像归一化方法 | |
CN106846382A (zh) | 一种基于直方图控制点的图像配准目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130213 |