CN109766933A - 一种基于证据模糊因子的多源数据融合识别方法 - Google Patents
一种基于证据模糊因子的多源数据融合识别方法 Download PDFInfo
- Publication number
- CN109766933A CN109766933A CN201811596396.5A CN201811596396A CN109766933A CN 109766933 A CN109766933 A CN 109766933A CN 201811596396 A CN201811596396 A CN 201811596396A CN 109766933 A CN109766933 A CN 109766933A
- Authority
- CN
- China
- Prior art keywords
- evidence
- factor
- target
- itself
- identification
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种基于证据模糊因子的多源数据融合识别方法,确定本次目标识别的辨识类别框架后,计算每个证据的自身差异因子、自身一致因子、自身模糊因子和修正系数,对每个证据对分配给各个命题的BPA进行修正,并对修正后的证据进行融合。本发明提出一种证据模糊因子的概念并对原始证据集进行异常检测,基于检测结果对原始证据体进行修正,引入全集项,修正证据源,在此基础上对修正后的证据体进行融合,达到更精确的多源传感器目标融合识别概率。
Description
技术领域
本发明属于信息融合技术领域,用于多传感器对目标进行识别过程中的数据融合。
背景技术
在多传感器进行目标识别过程中,由于环境恶劣以及目标在运动过程中姿态的变化,部分节点的传感器采集到的数据往往不精确,不完整,甚至是受到严重干扰的。因此需要通过数据融合的方法来进行多源目标身份信息融合处理,以达到对目标的精确识别判断。用于目标识别的多源数据融合就是把来自多个传感器的信息源的目标数据校准、联合、相关,完成对目标身份的联合估计。
传统的数据融合识别算法在融合高度冲突的数据源时往往会导致一些反常理的结果,如经典的证据理论算法存在的最大问题是在处理强冲突的数据时存在的Zadeh悖论。如在某次两个传感器对某一目标进行识别时,传感器1认为该目标为我方成员的概率为99%,敌方成员概率为1%,中立成员概率为0%。而传感器2认为该目标为我方成员的概率为0%,敌方成员概率为1%,中立成员概率为99%。在这种不同传感器提供的证据存在很强冲突的情况下,经典证据理论算法融合两个传感器数据得出的结果是敌方成员概率100%,我方成员和中立成员概率为0%,该结果明显有违常理。
发明内容
为了克服现有技术的不足,本发明提供一种基于证据异常度的多源数据融合识别方法,达到精确识别的目的。
本发明解决其技术问题所采用的技术方案包括如下步骤:
步骤1,确定本次目标识别的辨识类别框架为θ={A1,A2,...,AN},辨识类别框架为本次识别目标的类别集合,N为目标要识别的类别数;若有n个传感器数据进行融合,则多传感器数据提供的证据集为E={E1,E2,...,En},各证据对应的基本概率赋值BPA为m1,m2,...,mn,mi分配给θ中Aj的BPA组成数据矩阵矩阵的第i行表示证据对辨识类别框架中类别分配的基本概率估值;
步骤2,计算每个证据的自身差异因子其中,Dij为证据Ei和Ej的差异系数,A,B∈θ;
步骤3,计算每个证据的自身一致因子其中,Uij为证据Ei和Ej的一致系数,Uij=∑A=Bmi(A)mj(B),A,B∈θ;
步骤4,计算每个证据的自身模糊因子其中,
步骤5,计算每个证据的修正系数
步骤6,对每个证据对分配给各个命题的BPA进行修正,
步骤7,对步骤6中修正后的证据进行融合,
其中
本发明的有益效果是:综合考虑各传感器证据体之间的差异程度和一致程度,提出一种证据模糊因子的概念并对原始证据集进行异常检测,基于检测结果对原始证据体进行修正,引入全集项,修正证据源,在此基础上对修正后的证据体进行融合,达到更精确的多源传感器目标融合识别概率。
本发明在步骤2度量了每个证据与其余证据的差异程度,在步骤3度量了每个证据与其余证据的一致程度,并在步骤4综合考虑差异因子和一致因子并提出了证据的模糊因子,模糊因子的优点是当某个证据与证据集中其他证据的差异较大时,说明该证据存在某种程度的模糊和不确定性,对融合结果的影响较大,其可信程度应该较低,在步骤5中赋予其较低的权重;反之,该证据对最终合成结果的影响较小,其可信程度较高,在步骤5中赋予其较高的权重。基于该方法,本发明在步骤7中进行数据融合时降低证据间的差异和模糊,避免了Zadeh悖论等冲突问题,提高了融合识别的精度。
附图说明
图1是本发明的整体流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明采用的技术方案包括如下步骤:
步骤1:确定本次目标识别的辨识类别框架为θ={A1,A2,...,AN},辨识框架为本次识别目标的类别集合,N为目标要识别的类别数。若有n个传感器数据进行融合,则多传感器数据提供的证据集为E={E1,E2,...,En},各证据对应的BPA(基本概率赋值)为m1,m2,...,mn,mi(i=1,2,...,n)分配给θ中命题Aj(j=1,2,...,N)的BPA组成数据矩阵Bn×N如下:
矩阵的第i行表示证据对辨识类别框架中类别分配的基本概率估值。
步骤2:每个证据按照如下公式计算其自身的差异因子:
其中,Dij为证据Ei和Ej的差异系数,定义为A,B∈θ。
步骤3:每个证据按照如下公式计算其自身的一致因子:
其中,Uij为证据Ei和Ej的一致系数,定义为Uij=∑A=Bmi(A)mj(B),A,B∈θ。
步骤4:综合考虑证据的差异因子与一致因子对融合结果的影响,每个证据按照如下公式计算其自身的模糊因子:
其中,
步骤5:结合证据的模糊因子,采用如下公式计算每个证据的修正系数:
步骤6:根据步骤5中计算的权重,采用如下公式对每个证据对分配给各个命题的BPA进行修正:
步骤7:对步骤6中修正后的证据,采用如下公式进行融合:
其中
下面结合实施例对本发明作更详细的说明。
本发明基于证据异常度的多传感器数据融合识别方法,具体步骤如下:
步骤1:在本次针对某一目标的融合识别中,确定融合识别的辨识框架为θ={A1,A2,A3}={敌方成员,我方成员,中立成员},命题数为3。有红外传感器、光电传感器、电子战、雷达和可见光传感器数据作为证据源进行融合,则证据集为E={E1,E2,E3,E4,E5}={红外,光电,电子战,雷达,可见光},各证据对目标初步识别结果的BPA(基本概率赋值)为m1,m2,m3,m4,m5,各证据分配给各个命题的BPA组成数据矩阵B3×5如下表1所示:
表1
步骤2:每个证据按照如下公式计算其自身的差异因子:
其中,Dij为证据Ei和Ej的差异系数,定义为A,B∈θ,在本例中,n等于5。则对表1中的数据计算得:
步骤3:每个证据按照如下公式计算其自身的一致因子:
其中,Sij为证据Ei和Ej的一致系数,定义为Uij=∑A=Bmi(A)mj(B),A,B∈θ。则对表1中的数据计算得:
步骤4:综合考虑证据的差异因子与一致因子对融合结果的影响,每个证据按照如下公式计算其自身的模糊因子:
其中,因此,根据步骤2和步骤3中的结果,计算如下:
步骤5:结合证据的模糊因子,采用如下公式计算每个证据的修正系数:
根据步骤4中的结果,计算如下:
步骤6:根据步骤5中计算的修正系数,采用如下公式对每个证据对分配给各个命题的BPA进行修正:
根据步骤5的结果,对表1中的数据进行修正,得到结果如表2所示:
表2
步骤7:对步骤6中修正后的证据,采用如下公式进行融合:
其中因此,根据公式对表2中的数据计算得:
m(A1)=0.7611
m(A2)=0.0240
m(A3)=0.2150
即通过将五个传感器的数据作为证据源融合后,得出我方成员概率为76.11%,敌方成员概率为2.4%,中立成员的概率为21.50%。
Claims (1)
1.一种基于证据模糊因子的多源数据融合识别方法,其特征在于包括下述步骤:
步骤1,确定本次目标识别的辨识类别框架为θ={A1,A2,...,AN},辨识类别框架为本次识别目标的类别集合,N为目标要识别的类别数;若有n个传感器数据进行融合,则多传感器数据提供的证据集为E={E1,E2,...,En},各证据对应的基本概率赋值BPA为m1,m2,...,mn,mi分配给θ中Aj的BPA组成数据矩阵矩阵的第i行表示证据对辨识类别框架中类别分配的基本概率估值;
步骤2,计算每个证据的自身差异因子其中,Dij为证据Ei和Ej的差异系数,
步骤3,计算每个证据的自身一致因子其中,Uij为证据Ei和Ej的一致系数,Uij=∑A=Bmi(A)mj(B),A,B∈θ;
步骤4,计算每个证据的自身模糊因子其中,
步骤5,计算每个证据的修正系数
步骤6,对每个证据对分配给各个命题的BPA进行修正,
步骤7,对步骤6中修正后的证据进行融合,
其中
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596396.5A CN109766933A (zh) | 2018-12-26 | 2018-12-26 | 一种基于证据模糊因子的多源数据融合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811596396.5A CN109766933A (zh) | 2018-12-26 | 2018-12-26 | 一种基于证据模糊因子的多源数据融合识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109766933A true CN109766933A (zh) | 2019-05-17 |
Family
ID=66450368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811596396.5A Pending CN109766933A (zh) | 2018-12-26 | 2018-12-26 | 一种基于证据模糊因子的多源数据融合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766933A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556651A (zh) * | 2009-04-15 | 2009-10-14 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN103279033A (zh) * | 2013-05-03 | 2013-09-04 | 河海大学 | 一种原油管道调合过程状态辨识方法 |
CN104021392A (zh) * | 2014-01-27 | 2014-09-03 | 河南大学 | 一种基于向量度量的冲突证据融合方法 |
CN105046067A (zh) * | 2015-07-03 | 2015-11-11 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
CN106650785A (zh) * | 2016-11-09 | 2017-05-10 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN106778847A (zh) * | 2016-12-02 | 2017-05-31 | 河南大学 | 基于对数函数衡量证据冲突的融合方法 |
CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
CN109086470A (zh) * | 2018-04-08 | 2018-12-25 | 北京建筑大学 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
CN110033028A (zh) * | 2019-03-19 | 2019-07-19 | 河南大学 | 基于算术平均贴近度的冲突证据融合方法 |
-
2018
- 2018-12-26 CN CN201811596396.5A patent/CN109766933A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556651A (zh) * | 2009-04-15 | 2009-10-14 | 北京航空航天大学 | 一种分簇无线传感器网络内多源数据融合方法 |
CN103279033A (zh) * | 2013-05-03 | 2013-09-04 | 河海大学 | 一种原油管道调合过程状态辨识方法 |
CN104021392A (zh) * | 2014-01-27 | 2014-09-03 | 河南大学 | 一种基于向量度量的冲突证据融合方法 |
CN105046067A (zh) * | 2015-07-03 | 2015-11-11 | 西北工业大学 | 基于证据相似度的多传感器信息融合方法 |
CN106650785A (zh) * | 2016-11-09 | 2017-05-10 | 河南大学 | 基于证据分类和冲突衡量的加权证据融合方法 |
CN106778847A (zh) * | 2016-12-02 | 2017-05-31 | 河南大学 | 基于对数函数衡量证据冲突的融合方法 |
CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
CN109086470A (zh) * | 2018-04-08 | 2018-12-25 | 北京建筑大学 | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 |
CN110033028A (zh) * | 2019-03-19 | 2019-07-19 | 河南大学 | 基于算术平均贴近度的冲突证据融合方法 |
Non-Patent Citations (1)
Title |
---|
麻锐: "基于证据异常度的水下多源信息预处理方法" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611905B (zh) | 一种可见光与红外融合的目标识别方法 | |
CN103279768B (zh) | 一种基于增量学习人脸分块视觉表征的视频人脸识别方法 | |
CN111189837B (zh) | 一种烟支外观在线检测方法及其装置 | |
CN110119726B (zh) | 一种基于YOLOv3模型的车辆品牌多角度识别方法 | |
CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
CN105224947A (zh) | 分类器训练方法和系统 | |
CN106446799A (zh) | 一种热成像目标识别的方法和装置 | |
CN107909053B (zh) | 一种基于等级学习级联卷积神经网络的人脸检测方法 | |
CN108985373A (zh) | 一种多传感器数据加权融合方法 | |
CN111209799A (zh) | 基于部分共享网络和余弦间隔损失函数的行人搜索方法 | |
CN109766933A (zh) | 一种基于证据模糊因子的多源数据融合识别方法 | |
Bao et al. | Multi-objective optimization algorithm and preference multi-objective decision-making based on artificial intelligence biological immune system | |
CN109523129B (zh) | 一种无人车多传感器信息实时融合的方法 | |
CN108288273B (zh) | 基于多尺度耦合卷积网的铁路接触网异常目标自动检测法 | |
Zeng et al. | A new improved ds evidence theory based on bjs divergence in multi-source information fusion | |
CN102831379A (zh) | 人脸图像识别方法及装置 | |
CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
CN111368829B (zh) | 一种基于rgb-d图像的视觉语义关系检测方法 | |
CN108176607A (zh) | 一种注塑产品质量高效检测方法 | |
Brillowski et al. | Overcoming Data Scarcity In The Quality Control Of Safety-Critical Fibre-Reinforced Composites By Means Of Transfer And Curriculum Learning | |
CN114550210A (zh) | 基于模态自适应混合和不变性卷积分解的行人重识别方法 | |
CN109800384B (zh) | 一种基于粗糙集信息决策表的基本概率赋值计算方法 | |
Chen | A corner matching algorithm based on Harris operator | |
CN114373091A (zh) | 基于深度学习融合svm的步态识别方法 | |
CN106919917A (zh) | 人脸比对方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190517 |
|
WD01 | Invention patent application deemed withdrawn after publication |