CN103377312A - 基于单多时间片的目标识别方法 - Google Patents

Abstract

本发明公开了一种基于单多时间片的目标识别方法。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，采用DSm理论中的PCR6规则计算某单个时间片上的基本信度分配和连续的N(N＞1)个单个时间片的基本信度分配；再次，采用DS理论中的Dempster组合规则计算N个时间片融合后的基本信度分配；最后，选择合适的决策规则作出最后的识别判决。本发明方法在单时间片处理时采用DSm理论可以化解可能的高冲突问题，得出比较好的结果；在多时间片处理时采用DS理论，可以发挥其收敛性好、计算量小及加性融合方法所具有的可靠性高的优点，提高识别结果的可信性。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。此外，本发明还可采用其它的组合规则或方法进行应用，具有很好的开放性和扩展性。具有推广应用价值。

Description

基于单多时间片的目标识别方法

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，如何结合实际应用，充分利用DS理论和DSm理论的优点，已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，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单多时间片的目标识别方法，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)计算某单个时间片上的基本信度分配。根据m₁，m₂，…，m_M，利用DSm理论中的PCR6规则得到第l时间片上融合后的基本信度分配

即

其中，M表示数据源个数，m_∩(X)表示组合规则对X的合成信度，Y_j∈G^Θ对应证据源j，m_j(Y_j)是其相关的信度函数，σ_i表示从1到M的数中排除i，即 $\left\{\begin{array}{cc}{\mathrm{\&sigma;}}_i\left(j\right)=j& j<i\\ {\mathrm{\&sigma;}}_i\left(j\right)=j+1& j\&GreaterEqual;i\end{array}\right.;$

(3)计算连续时间片的基本信度分配。对于连续的N(N＞1)时间片，依次重复(1)和(2)的过程N次，分别得到连续单个时间片融合后的基本信度分配

(4)计算最终融合后的基本信度分配。根据

利用DS理论中的Dempster组合规则得到N个时间片融合后的基本信度分配m，即

$m\left(A\right)=\frac{1}{1-k}\underset{X_i\&cap;X_j\&cap;X_s\&cap;...=X}{\underset{X_i,X_j,X_s...\&Element;D^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_{\mathrm{PCR}6}^l\left(X_i\right)m_{\mathrm{PCR}6}^{l+1}\left(X_j\right)...m_{\mathrm{PCR}6}^{l+N-1}\left(X_s\right)A\&Subset;2^{\mathrm{\&Theta;}}A\&NotEqual;\mathrm{\&phi;}$

其中， $k=\underset{X_i\&cap;X_j\&cap;X_s\&cap;...=\mathrm{\&phi;}}{\underset{X_i,X_j,X_s...\&Element;D^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_{\mathrm{PCR}6}^i\left(X_i\right)m_{\mathrm{PCR}6}^{i+1}\left(X_j\right)...m_{\mathrm{PCR}6}^{i+N-1}\left(X_s\right);$

(5)识别决策。选择合适的决策规则作出最后的识别判决，本发明选取基于基本信度分配的决策方法，即设

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。

本发明的优点在于：

(1)本发明可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，提高识别结果的可信性。

(2)本发明在单时间片处理时采用DSm理论可以化解可能的高冲突问题，得出比较好的结果；在多时间片处理时采用DS理论，可以发挥其收敛性好、计算量小及加性融合方法所具有的可靠性高的优点。

(3)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。

(4)本发明还可采用其它的组合规则或方法进行应用，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：

各传感器将获得的信息实时地传递到融合系统中，通常情况下一般采用的是在一个时间片内将各个传感器的信息进行融合，得出一个初步的识别结果；经过几个时间片后，再将这几个时间片得出的识别结果进行再次融合，从而给出最终结论。它的好处是既能在当前时刻给出一个初步的识别结果，又能经过几个时刻的综合判断后，给出一个比较精确的识别结果。因此，考虑工程上的实际应用，将DSm理论和DS理论混合运用，先将每个时刻各传感器的基本信度分配采用DSm理论进行融合，再通过时序积累的方法将多个时间片内融合后得到的基本信度分配利用DS理论再次进行融合，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)计算某单个时间片上的基本信度分配；

(2)计算连续单个时间片的基本信度分配；

同(1)。

(3)计算最终融合后的基本信度分配；

$m\left(A\right)=\frac{1}{1-k}\underset{X_i\&cap;X_j\&cap;X_s\&cap;...=X}{\underset{X_i,X_j,X_s...\&Element;D^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_{\mathrm{PCR}6}^l\left(X_i\right)m_{\mathrm{PCR}6}^{l+1}\left(X_j\right)...m_{\mathrm{PCR}6}^{l+N-1}\left(X_s\right)A\&Subset;2^{\mathrm{\&Theta;}}A\&NotEqual;\mathrm{\&phi;}$

其中， $k=\underset{X_i\&cap;X_j\&cap;X_s\&cap;...=\mathrm{\&phi;}}{\underset{X_i,X_j,X_s...\&Element;D^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_{\mathrm{PCR}6}^i\left(X_i\right)m_{\mathrm{PCR}6}^{i+1}\left(X_j\right)...m_{\mathrm{PCR}6}^{i+N-1}\left(X_s\right);$

(4)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

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

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 (1)

1.一种基于单多时间片的目标识别方法，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，...，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)计算某单个时间片上的基本信度分配。根据m₁，m₂，…，m_M，利用DSm理论中的PCR6规则得到第l时间片上融合后的基本信度分配

即

其中，

M表示数据源个数，m_∩(X)表示组合规则对X的合成信度，Y_j∈G^Θ对应证据源j，m_j(Y_j)是其相关的信度函数，σ_i表示从1到M的数中排除i，即 $\left\{\begin{array}{cc}{\mathrm{\&sigma;}}_i\left(j\right)=j& j<i\\ {\mathrm{\&sigma;}}_i\left(j\right)=j+1& j\&GreaterEqual;i\end{array}\right.;$

(3)计算连续时间片的基本信度分配。对于连续的N(N＞1)时间片，依次重复(1)和(2)的过程N次，分别得到连续单个时间片融合后的基本信度分配

(4)计算最终融合后的基本信度分配。根据

利用DS理论中的Dempster组合规则得到N个时间片融合后的基本信度分配m，即

$m\left(A\right)=\frac{1}{1-k}\underset{X_i\&cap;X_j\&cap;X_s\&cap;...=X}{\underset{X_i,X_j,X_s...\&Element;D^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_{\mathrm{PCR}6}^l\left(X_i\right)m_{\mathrm{PCR}6}^{l+1}\left(X_j\right)...m_{\mathrm{PCR}6}^{l+N-1}\left(X_s\right)A\&Subset;2^{\mathrm{\&Theta;}}A\&NotEqual;\mathrm{\&phi;}$

其中， $k=\underset{X_i\&cap;X_j\&cap;X_s\&cap;...=\mathrm{\&phi;}}{\underset{X_i,X_j,X_s...\&Element;D^{\mathrm{\&Theta;}}}{\mathrm{\&Sigma;}}}{m}_{\mathrm{PCR}6}^i\left(X_i\right)m_{\mathrm{PCR}6}^{i+1}\left(X_j\right)...m_{\mathrm{PCR}6}^{i+N-1}\left(X_s\right);$

(5)识别决策。选择合适的决策规则作出最后的识别判决，本发明选取基于基本信度分配的决策方法，即设

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。