CN102930281A - 基于DS理论和DSm理论的交互自适应目标识别方法 - Google Patents

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

基于DS理论和DSm理论的交互自适应目标识别方法

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，...，θ_n}，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…m_k：G^Θ→[0，1]，其中

i＝1，2…k，其中G^Θ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(.)；

$\cos (m_1,m_2)=\frac{\underset{i=1}{\overset{2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}\underset{j=1}{\overset{2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}{m}_1\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\∩X_j|}{|X_i\∪X_j|}}{\sqrt{\left(\underset{i=1}{\overset{2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}\underset{j=1}{\overset{2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}{m}_1\left(X_i\right)m_1\left(X_j\right)\frac{|X_i\∩X_j|}{|X_i\∪X_j|}\right)\·\left(\underset{i=1}{\overset{2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}\underset{j=1}{\overset{2^{\mathrm{\Θ}}}{\mathrm{\Σ}}}{m}_2\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\∩X_j|}{|X_i\∪X_j|}\right)}}$

(3)对证据使用扩展Dempster组合规则处理得到m_g-DS(.)；

$m_{g-\mathrm{DS}}\left(A\right)\stackrel{\mathrm{\Δ}}{=}\mathrm{\φ}\left(A\right)[S_1\left(A\right)+S_2\left(A\right)+S_3\left(A\right)]$

其中

$S_1\left(A\right)={\mathrm{\Σ}}_{X,Y\∈D^{\mathrm{\Θ}},X\∩Y\≡A}{m}_1\left(X\right)m_2\left(Y\right)$

$S_2\left(A\right)=\frac{S_1\left(A\right)}{{\mathrm{\Σ}}_{Z\∈D^{\mathrm{\Θ}},Z\∉\mathrm{\φ}}{S}_1\left(Z\right)}{\mathrm{\Σ}}_{X,Y\∈{\mathrm{\φ}}_M}{m}_1\left(X\right)m_2\left(Y\right)$

$S_3\left(A\right)=\frac{S_1\left(A\right)}{{\mathrm{\Σ}}_{Z\∈D^{\mathrm{\Θ}},Z\∉\mathrm{\φ}}{S}_1\left(Z\right)}{\mathrm{\Σ}}_{X,Y\∈D^{\mathrm{\Θ}},X\∪Y\∉\mathrm{\φ},X\∩Y\∈{\mathrm{\φ}}_M}{m}_1\left(X\right)m_2\left(Y\right)$

(4)对证据使用PCR6规则处理得到m_PCR6(.)；

$m_{\mathrm{PCR}6}\left(X\right)=m_{\∩}\left(X\right)+\left(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{m}_i{\left(X\right)}^2\right).$

$\underset{(Y_{{\mathrm{\σ}}_i\left(1\right)},...,Y_{{\mathrm{\σ}}_i(M-1)})\∈{\left(G^{\mathrm{\Θ}}\right)}^{M-1}}{\underset{\underset{k=1}{\overset{M-1}{\∩}}{Y}_{{\mathrm{\σ}}_i\left(k\right)}\∩X\≡\mathrm{\φ}}{\mathrm{\Σ}}}\left(\frac{\underset{j=1}{\overset{M-1}{\mathrm{\Π}}}{M}_{{\mathrm{\σ}}_i\left(j\right)}\left(Y_{{\mathrm{\σ}}_i\left(j\right)}\right)}{m_i\left(X\right)+\underset{j=1}{\overset{M-1}{\mathrm{\Σ}}}{m}_{{\mathrm{\σ}}_i\left(j\right)}\left(Y_{{\mathrm{\σ}}_i\left(j\right)}\right)}\right)$

(5)根据证据相似度得到对两种处理方法的权重，对m_g-DS(.)和m_PCR6(.)加权求和得到合成信度；

m_合成(X)＝cos(.)·m_g-DS(.)+[1-cos(.)]·m_PCR6(.)

(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 $\∃A_1,A_2\⋐\mathrm{\Θ},$ 满足

$m\left(A_1\right)=\max \{m\left(A_i\right),A_i\⋐\mathrm{\Θ}\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.$

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(.)；

$\cos (m_1,m_2)=\frac{\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_1\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}}{\sqrt{\left(\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_1\left(X_i\right)m_1\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}\right)\&CenterDot;\left(\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_2\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}\right)}}$

(2)对两证据使用扩展Dempster组合规则处理得到m_g-DS(.)；

$m_{g-\mathrm{DS}}\left(A\right)\stackrel{\mathrm{\&Delta;}}{=}\mathrm{\&phi;}\left(A\right)[S_1\left(A\right)+S_2\left(A\right)+S_3\left(A\right)]$

其中

$S_1\left(A\right)={\mathrm{\&Sigma;}}_{X,Y\&Element;D^{\mathrm{\&Theta;}},X\&cap;Y\&equiv;A}{m}_1\left(X\right)m_2\left(Y\right)$

$S_2\left(A\right)=\frac{S_1\left(A\right)}{{\mathrm{\&Sigma;}}_{Z\&Element;D^{\mathrm{\&Theta;}},Z\&NotElement;\mathrm{\&phi;}}{S}_1\left(Z\right)}{\mathrm{\&Sigma;}}_{X,Y\&Element;{\mathrm{\&phi;}}_M}{m}_1\left(X\right)m_2\left(Y\right)$

$S_3\left(A\right)=\frac{S_1\left(A\right)}{{\mathrm{\&Sigma;}}_{Z\&Element;D^{\mathrm{\&Theta;}},Z\&NotElement;\mathrm{\&phi;}}{S}_1\left(Z\right)}{\mathrm{\&Sigma;}}_{X,Y\&Element;D^{\mathrm{\&Theta;}},X\&cup;Y\&NotElement;\mathrm{\&phi;},X\&cap;Y\&Element;{\mathrm{\&phi;}}_M}{m}_1\left(X\right)m_2\left(Y\right)$

(3)对两证据使用PCR6规则处理得到m_PCR6(.)；

$m_{\mathrm{PCR}6}\left(X\right)=m_{\&cap;}\left(X\right)+\left(\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{m}_i{\left(X\right)}^2\right).$

$\underset{(Y_{{\mathrm{\&sigma;}}_i\left(1\right)},...,Y_{{\mathrm{\&sigma;}}_i(M-1)})\&Element;{\left(G^{\mathrm{\&Theta;}}\right)}^{M-1}}{\underset{\underset{k=1}{\overset{M-1}{\&cap;}}{Y}_{{\mathrm{\&sigma;}}_i\left(k\right)}\&cap;X\&equiv;\mathrm{\&phi;}}{\mathrm{\&Sigma;}}}\left(\frac{\underset{j=1}{\overset{M-1}{\mathrm{\&Pi;}}}{M}_{{\mathrm{\&sigma;}}_i\left(j\right)}\left(Y_{{\mathrm{\&sigma;}}_i\left(j\right)}\right)}{m_i\left(X\right)+\underset{j=1}{\overset{M-1}{\mathrm{\&Sigma;}}}{m}_{{\mathrm{\&sigma;}}_i\left(j\right)}\left(Y_{{\mathrm{\&sigma;}}_i\left(j\right)}\right)}\right)$

(4)根据证据相似度得到对两种处理方法的权重，对m_g-DS(.)和m_PCR6(.)加权求和得到合成信度；

m_合成(X)＝cos(.)·m_g-DS(.)+[1-cos(.)]·m_PCR6(.)

(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 $\&Exists;A_1,A_2\&Subset;\mathrm{\&Theta;},$ 满足

$m\left(A_1\right)=\max \{m\left(A_i\right),A_i\&Subset;\mathrm{\&Theta;}\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.$

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，θ_n}，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 m_k：G^Θ→[0，1]，其中

i＝1，2Lk，其中G^Θ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(.)；

$\cos (m_1,m_2)=\frac{\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_1\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}}{\sqrt{\left(\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_1\left(X_i\right)m_1\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}\right)\&CenterDot;\left(\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_2\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}\right)}}$

(3)对证据使用扩展Dempster组合规则处理得到m_g-DS(.)；

m_g-DS(A)@φ(A)[S₁(A)+S₂(A)+S₃(A)]

其中

$S_1\left(A\right)={\mathrm{\&Sigma;}}_{X,Y\&Element;D^{\mathrm{\&Theta;}},X\&cap;Y\&equiv;A}{m}_1\left(X\right)m_2\left(Y\right)$

$S_2\left(A\right)=\frac{S_1\left(A\right)}{{\mathrm{\&Sigma;}}_{Z\&Element;D^{\mathrm{\&Theta;}},Z\&NotElement;\mathrm{\&phi;}}{S}_1\left(Z\right)}{\mathrm{\&Sigma;}}_{X,Y\&Element;{\mathrm{\&phi;}}_M}{m}_1\left(X\right)m_2\left(Y\right)$

$S_3\left(A\right)=\frac{S_1\left(A\right)}{{\mathrm{\&Sigma;}}_{Z\&Element;D^{\mathrm{\&Theta;}},Z\&NotElement;\mathrm{\&phi;}}{S}_1\left(Z\right)}{\mathrm{\&Sigma;}}_{X,Y\&Element;D^{\mathrm{\&Theta;}},X\&cup;Y\&NotElement;\mathrm{\&phi;},X\&cap;Y\&Element;{\mathrm{\&phi;}}_M}{m}_1\left(X\right)m_2\left(Y\right)$

(4)对证据使用PCR6规则处理得到m_PCR6(.)；

$m_{\mathrm{PCR}6}\left(X\right)=m_{\&cap;}\left(X\right)+\left(\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{m}_i{\left(X\right)}^2\right).$

$\underset{(Y_{{\mathrm{\&sigma;}}_i\left(1\right)},K,Y_{{\mathrm{\&sigma;}}_i(M-1)})\&Element;{\left(G^{\mathrm{\&Theta;}}\right)}^{M-1}}{\underset{\underset{k=1}{\overset{M-1}{I}}{Y}_{{\mathrm{\&sigma;}}_i\left(k\right)}\&cap;X\&equiv;\mathrm{\&phi;}}{\mathrm{\&Sigma;}}}\left(\frac{\underset{j=1}{\overset{M-1}{\mathrm{\&Pi;}}}{M}_{{\mathrm{\&sigma;}}_i\left(j\right)}\left(Y_{{\mathrm{\&sigma;}}_i\left(j\right)}\right)}{m_i\left(X\right)+\underset{j=1}{\overset{M-1}{\mathrm{\&Sigma;}}}{m}_{{\mathrm{\&sigma;}}_i\left(j\right)}\left(Y_{{\mathrm{\&sigma;}}_i\left(j\right)}\right)}\right)$

(5)利用证据间的角度相似度作为权重，对m_g-DS(.)和m_PCR6(.)加权求和得到合成信度；

m_合成(X)＝cos(.)·m_g-DS(.)+[1-cos(.)]·m_PCR6(.)

(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 $\&Exists;A_1,A_2\&Subset;\mathrm{\&Theta;},$ 满足

$m\left(A_1\right)=\max \{m\left(A_i\right),A_i\&Subset;\mathrm{\&Theta;}\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Theta;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Theta;}\right)\end{array}\right.$

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：

$\cos (m_1,m_2)=\frac{\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_1\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}}{\sqrt{\left(\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_1\left(X_i\right)m_1\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}\right)\&CenterDot;\left(\underset{i=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{2^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_2\left(X_i\right)m_2\left(X_j\right)\frac{|X_i\&cap;X_j|}{|X_i\&cup;X_j|}\right)}}$

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m_g-DS(.)和m_PCR6(.)加权求和得到最终合成信度：

m_合成(X)＝cos(.)·m_g-DS(.)+[1-cos(.)]·m_PCR6(.)