CN109766933A - 一种基于证据模糊因子的多源数据融合识别方法 - Google Patents

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

一种基于证据模糊因子的多源数据融合识别方法

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，...，A_N}，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，...，E_n}，各证据对应的基本概率赋值BPA为m₁，m₂，...，m_n，m_i分配给θ中A_j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，D_ij为证据E_i和E_j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，U_ij为证据E_i和E_j的一致系数，U_ij＝∑_A＝Bm_i(A)m_j(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，...，A_N}，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，...，E_n}，各证据对应的BPA(基本概率赋值)为m₁，m₂，...，m_n，m_i(i＝1，2，...，n)分配给θ中命题A_j(j＝1，2，...，N)的BPA组成数据矩阵B_n×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，D_ij为证据E_i和E_j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，U_ij为证据E_i和E_j的一致系数，定义为U_ij＝∑_A＝Bm_i(A)m_j(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B_3×5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，D_ij为证据E_i和E_j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，S_ij为证据E_i和E_j的一致系数，定义为U_ij＝∑_A＝Bm_i(A)m_j(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，...，A_N}，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，...，E_n}，各证据对应的基本概率赋值BPA为m₁，m₂，...，m_n，m_i分配给θ中A_j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，D_ij为证据E_i和E_j的差异系数，

步骤3，计算每个证据的自身一致因子其中，U_ij为证据E_i和E_j的一致系数，U_ij＝∑_A＝Bm_i(A)m_j(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