CN111325277A - 目标识别中基于协商策略的信息融合方法 - Google Patents

Abstract

本发明公开了一种目标识别中基于协商策略的信息融合方法，包括如下步骤：(1)确定时域信息集合M；(2)计算各时刻的BPA(m_⊕t‑1、m_t、m_t+1)间的距离；(3)确定阈值μ；(4)非冲突信息融合；(5)冲突信息融合。本发明的效果如下：它可以根据时域证据间的冲突程度自适应的选择融合方法，提升融合方法的智能性和针对性，增强融合方法对冲突信息的处理能力，更好的适应目标融合识别系统对不确定信息处理的实时性和鲁棒性要求。

Description

目标识别中基于协商策略的信息融合方法

技术领域

本发明属于不确定信息处理、信息融合领域，具体涉及基于协商策略的时域证据自适应融合方法。

背景技术

现代战争条件下，对来袭目标的准确探测和有效预警、对战场环境的高清侦察与实时监控以及对己方武器的精确制导等，都要求武器系统具备全天候探测、超视距监视、高精度识别的能力。但是，由于战场环境的复杂性，单一传感器难以满足目标识别的需求。基于多传感器平台的多源信息融合技术为解决自动目标识别技术中的难题提供了有效途径。多源信息融合技术依据一定规则、按时间序列对各传感器获得的目标识别信息进行自动分析、优化融合来提升对目标的识别精度，从而为合理的决策提供依据。然而，各信息源获取的原始信息可能存在非完备性，多源信息之间也可能存在矛盾性，这些都将导致融合结果存在很大的不确定性。因此，需要使用不确定信息处理的理论和方法，对非完备信息进行有效融合，这对融合效果的提升具有重要意义。在众多可用于处理不确定信息的理论和方法中，证据理论以基本概率分配函数及其相关函数为基础，可以从多个角度合理量化信息中包含的不确定性，具有兼备主观性与客观性的优点，因此可以利用证据理论解决目标识别中的信息融合问题。

由于基于多传感器平台的目标综合识别是一个时空序贯融合识别的过程，涉及空间和时间两个维度上的不确定信息融合，因此，非常有必要在证据理论的框架内研究时空不确定信息融合方法。基于证据理论的时空信息融合模型有三种：递归集中式融合模型、递归分布无反馈式融合模型和递归分布有反馈式融合模型。这三种模型将证据分类为空域证据和时域证据，按照先空域后时域或先时域后空域的顺序进行融合。空域证据指的是不同传感器在同一时刻获得的证据，在获取所有证据后同时进行融合获得一个空域融合结果。时域证据指的是同一传感器随时间序列逐步获取的证据，时域证据融合具有明显的序贯性和实时性，在每一时刻每增加一条新证据后都要输出当前时刻时域累积融合结果。时域证据融合还具有动态性，即任何两个时间间隔的改变或证据获取顺序的改变都可能会导致时域融合结果的变化，这与空域证据融合结果不受证据融合顺序的影响区别很大。

在证据理论框架下，当证据间冲突较大时，Dempster规则的融合结果往往不合理。针对这一问题，国内外研究者将证据可靠性纳入融合过程中，对原始证据进行修正后再用Dempster规则融合，取得了较好的效果。这类方法能处理冲突较大的空域证据，但对冲突较大的时域证据并不适用，因为证据可靠性大都是依据证据间的相互支持度获取的。空域证据的数量往往大于等于3个，通过相似性/相异性测度很容易得到它们的相互支持度；而每一时刻参与融合的时域证据只有2个，即前一时刻时域累积融合结果和当前时刻时域证据，很难获取合理的相互支持度，证据可靠性也就无法获得。

在目标综合识别中，受干扰信息和传感器性能的影响，单个时间节点传感器所获取的证据并不一定准确，往往需要对多个时间节点的证据进行时域融合，因此对时域证据融合方法的研究是很有必要的。尽管有学者相继提出时空证据融合模型，但当相邻时刻的时域证据冲突较大时，获得的结果会出现不合理情况。在处理冲突较小的时域证据时，优势不明显，计算量较大。

为了有效融合非冲突/冲突情况下的时域证据，本发明提出一种基于协商策略的时域证据自适应融合方法。将后一时刻时域证据作为参考信息，使其与前一时刻时域累积融合结果、当前时刻时域证据组成一个证据集，利用幂Pignistic概率距离综合分析三个时域证据包含的信息，将证据集分类为非冲突或冲突证据集。对非冲突情况，直接使用Dempster规则对前一时刻时域累积融合结果和当前时刻时域证据进行融合；对冲突情况，先评估二者的可靠性，用折扣法修正后再使用Dempster规则融合。

发明内容

本发明的目的是提供一种目标识别中基于协商策略的信息融合方法，它可以根据时域证据间的冲突程度自适应的选择融合方法，提升融合方法的智能性和针对性，增强融合方法对冲突信息的处理能力，更好的适应目标融合识别系统对不确定信息处理的实时性和鲁棒性要求。

本发明的技术方案如下：目标识别中基于协商策略的信息融合方法，包括如下步骤：

(1)确定时域信息集合M；

(2)计算各时刻的BPA(

m_t、m_t+1)间的距离；

(3)确定阈值μ；

(4)非冲突信息融合；

(5)冲突信息融合。

所述的步骤(1)具体包括集合M＝{Ω，inf(history)，inf(present)，inf(future)}，其中包含问题的辨识框架Ω，历史时刻对目标身份信息的累积融合结果inf(history)，当前时刻获得的目标身份信息inf(present)和未来时刻获得的目标身份信息inf(future)，其中各个时刻的目标身份信息inf均表示为将待识别目标判定为各个类别的概率，用m(x)表示，x∈Ω，选取t-1、t、t+1三个相邻时刻，各时刻获得的信息用BPA分别表示为

m_t和m_t+1，集合M确定为

所述的步骤(2)具体包括按照以下公式计算各BPA对应的Pignistic概率，

其中，A和B是Ω的子集，|A|表示集合A的势；

然后计算集合M中

m_t和m_t+1三个BPA中任意两个之间的距离：

取

d_PBet(m_t，m_t+1)中的最大值，记为max(d_PBet)。

所述的步骤(3)将判定冲突信息的阈值μ确定为0.3。

所述的步骤(4)当max(d_PBet)≤μ时，判定M为非冲突证据集，直接使用Dempster规则进行融合。

所述的步骤(5)当max(d_PBet)>μ时，M判定为冲突证据集，对证据进行折扣后再时域Dempster规则进行融合，输出的结果为t时刻的时域累积融合结果

其中

和m_t的可靠性

和α_t的计算过程如下：

步骤1：计算前t-1时刻的信息融合结果

当前时刻获得的信息m_t、下一时刻获得的信息m_t+1两两之间的d_PBet，对应的相似性测度Sim定义为：

Sim(m_t,m_t+1)＝1-d_PBet(m_t,m_t+1)

步骤2：依据下式计算m_⊕t-1、m_t、m_t+1的支持度Sup：

步骤3：分别计算m_⊕t-1、m_t、m_t+1的可信度Crd：

三个BPA的可信度和为1，可信度可以反映证据的相对重要性。

步骤4：由于m_t+1只在融合的过程中提供参考信息，并不参加融合，所以在融合

和m_t时，要将m_t+1的可信度按合适的比例分配给

和m_t，分配后

和m_t新的可信度如下：

步骤5：按照下式计算

和m_t的可靠性，用折扣法修正后，再使用Dempster规则进行融合；

本发明的效果如下：本发明在证据理论框架内，采用协商策略，提出了一种时域信息自适应融合方法。将后一时刻的时域信息作为参考，和前一时刻的累积融合结果、当前时刻的信息组成一个证据集，使用证据集中两两证据之间的最大幂Pignistic概率距离作为判据，将证据集分类为非冲突或冲突证据集。针对非冲突情况，使用Dempster规则融合前一时刻时域累积融合结果和当前时刻的时域证据；针对冲突情况，在获取证据可靠性后，使用折扣法修正，再用Dempster规则融合。对比分析表明，本发明提出的NTESAC方法具有较强的抗干扰能力，聚焦性能较好，有利于做出正确决策。

附图说明：

图1为目标识别中基于协商策略的信息融合方法流程图；

图2为冲突情况下t时刻的时域证据融合结构图；

图3为三种情况下Dempster规则的融合结果赋予A的信任度变化情况示意图；

图4为三种情况下NTESAC方法的融合结果赋予A的信任度变化情况示意图。

具体实施方式：

下面结合附图和具体实施例对本发明进行详细说明：

为了更好的理解本发明的内容，下面对本发明中涉及的一些概念做具体解释如下：

基本概率分配函数BPA：设Ω为一辨识框架，A是Ω的子集，

如果函数m:2^Ω→[0,1]满足下面的两个条件，则称其为Ω上的一个基本概率分配函数(basicprobability assignment，简称BPA)：

对于

如果m(A)＞0，则称A为Ω的一个焦元，m(A)是A的基本概率质量，它反映了证据对A的信任度。

对于目标识别问题而言，该问题的辨识框架为目标可能被识别的所有类型，假如目标可能被识别为战斗机(F)、运输机(T)、轰炸机(B)三种类型，那么辨识框架就为{F,T,B}，BPA可以认为是目标被识别为各种类型的概率，比如m(F)＝0.4，m(T)＝0.2，m(B)＝0.2，m(BF)＝0.1，表示目标可能为战斗机的概率为0.4，可能为运输机的概率为0.2，可能是轰炸机的概率为0.2，m(BF)表示目标不属于运输机的概率为0.1，即目标可能为战斗机或运输机的概率为0.1。

Dempster规则：设m₁和m₂是辨识框架Ω上两个相互独立的BPA，用

表示使用Dempster规则组合m₁和m₂得到的结果，则有：

其中，

k被称为冲突系数，当k＝1时，表示两个证据完全冲突，不能使用Dempster规则进行组合。

证据折扣：设Ω为一辨识框架，假设一个信息源的可靠性为α(0≤α≤1)，α表示对信息的综合评价，反映了该信息在信息融合在中的作用，如果m为由该信息对应的BPA，则可以依据下面的Shafer折扣准则对m进行折扣运算，m^α表示折扣后获得的新BPA：

其中，α被称为折扣因子。当α＝1时，证据源的可靠性为1，m完全可信，折扣后不发生变化；当α＝0时，证据源的可靠性为0，m完全不可信，折扣后变为空BPA，表明该证据源提供的证据没有实际意义，被完全丢弃。

假设t时刻为当前时刻，t-1时刻为前一时刻，t+1时刻为后一时刻，

表示t-1时刻的时域累积融合结果，m_t表示t时刻的BPA，m_t+1表示t+1时刻的BPA。

时域证据融合是对

和m_t进行融合以获取

的过程，在融合前，要判定

和m_t是否冲突。若不冲突，则可以比较容易地得到合理的融合结果；若冲突，则需要评估二者的可靠性，并使用折扣法修正以减弱不可靠证据对融合结果的影响。目前，相似性/相异性测度在证据冲突判定及可靠性评估中被广泛使用，但由于证据可靠性是基于3个以上证据间的相互支持度获取的，所以不能直接用于时域证据融合。

为了解决时域证据融合过程中的冲突判定与可靠性评估问题，采用如下协商策略：在融合

与m_t时引入m_t+1，将其作为参考证据，使

m_t以及m_t+1构成一个时域证据集，综合分析三个时域证据包含的信息，使它们“协商”判断证据集的冲突情况，如果为冲突证据集，则继续“协商”评估

与m_t的可靠性。协商策略的任务包含以下两个方面：(1)冲突判定，当证据集内任意两个证据之间的冲突较大时，使用Dempster规则进行融合都可能得到不合理结果，此时可以认为该证据集为冲突证据集，也就是说，使用证据集内两两证据之间冲突值的最大值来量化证据集的冲突情况；(2)可靠性评估，根据证据集中所有证据之间的相互支持度来评估

和m_t的可靠性。

本发明使用幂Pignistic概率距离来度量证据冲突，其定义如下：

设Ω为一辨识框架，A和B是Ω的子集，

m是Ω上的一个BPA，则与m相应的幂集分配Pignistic概率函数PBetP_m:2^Ω→[0,1]定义为：

其中，|A|表示集合A的势。

基于幂集分配Pignistic概率函数，可以构建幂Pignistic概率距离，具体定义如下：

设m₁和m₂是辨识框架Ω上两个相互独立的BPA，

和

是它们各自对应的幂集分配Pignistic概率函数，则m₁和m₂之间的幂Pignistic概率距离定义为：

设Ω为一辨识框架，在时域信息融合中，前t-1时刻的信息融合结果用证据理论中的BPA表示为

当前时刻获得的信息用BPA表示为m_t，下一时刻获得的信息用BPA表示为m_t+1，

构成Ω上的时域证据集，max(d_PBet)表示证据集中两两BPA之间的距离d_PBet的最大值，μ表示判定为冲突证据集的阈值。若max(d_PBet)≤μ，则判定M为非冲突证据集；若max(d_PBet)＞μ，则判定M为冲突证据集。用以将时域证据集分类为非冲突或冲突证据集。本发明中的阈值设定为0.3。

经过“协商”判定后，若

为非冲突证据集，说明M中的任意两个证据之间的冲突都很小，即

m_t以及m_t+1意见统一，一致性高，可直接使用Dempster规则对

和m_t进行融合；若M为冲突证据集，说明M中至少有两个证据之间冲突较大，即

m_t以及m_t+1意见不统一，一致性低，需要综合利用三个时域证据中包含的信息，“协商”评估

和m_t的可靠性，也就是对历史信息和当前信息的可信性进行评估，评估后对历史信息和当前信息进行修正，在此用折扣法对BPA进行修正，最后再用Dempster规则进行融合，以此保证融合结果的合理性，如图1所示。

本发明的目标识别中基于协商策略的信息融合方法，具体包括如下步骤：

(1)确定时域信息集合M

集合M＝{Ω，inf(history)，inf(present)，inf(future)}，其中包含问题的辨识框架Ω，历史时刻对目标身份信息的累积融合结果inf(history)，当前时刻获得的目标身份信息inf(present)和未来时刻获得的目标身份信息inf(future)，其中各个时刻的目标身份信息inf均表示为将待识别目标判定为各个类别的概率，用m(x)表示，x∈Ω，本发明中，选取t-1、t、t+1三个相邻时刻，各时刻获得的信息用BPA分别表示为

m_t和m_t+1，集合M确定为

(2)计算各时刻的BPA(

m_t、m_t+1)间的距离

首先按照以下公式计算各BPA对应的Pignistic概率：

其中，A和B是Ω的子集，|A|表示集合A的势，即集合A包含元素的个数，BI A表示集合B与集合A的交集，|BI A|表示集合B与集合A的交集中所包含的元素个数。

然后计算集合M中m_⊕t-1、m_t和m_t+1三个BPA中任意两个之间的距离：

取

d_PBet(m_t,m_t+1)中的最大值，记为max(d_PBet)。

(3)确定阈值μ

根据大量的数值分析和算例验证，将判定冲突信息的阈值μ确定为0.3。

(4)非冲突信息融合

当max(d_PBet)≤μ时，判定M为非冲突证据集，直接使用Dempster规则进行融合。

(5)冲突信息融合

当max(d_PBet)>μ时，M判定为冲突证据集，对证据进行折扣后再时域Dempster规则进行融合，融合过程如图2。其中，最大的虚线框内包含的是一次时域证据融合需要的信息，输出的结果为t时刻的时域累积融合结果

其中

和m_t的可靠性

和α_t的计算过程如下：

步骤1：计算前t-1时刻的信息融合结果

当前时刻获得的信息m_t、下一时刻获得的信息m_t+1两两之间的d_PBet，对应的相似性测度Sim定义为：

Sim(m_t,m_t+1)＝1-d_PBet(m_t,m_t+1)

步骤2：依据下式计算

m_t、m_t+1的支持度Sup：

步骤3：分别计算

m_t、m_t+1的可信度Crd：

三个BPA的可信度和为1，可信度可以反映证据的相对重要性。

步骤4：由于m_t+1只在融合的过程中提供参考信息，并不参加融合，所以在融合

和m_t时，要将m_t+1的可信度按合适的比例分配给

和m_t。分配后

和m_t新的可信度如下：

步骤5：按照下式计算

和m_t的可靠性，用折扣法修正后，再使用Dempster规则进行融合。

为了体现本发明中信息融合方法的有效性，下面选用具体的实施例，通过弹道目标综合识别系统来进行验证。

在某弹道目标综合识别系统中，光电传感器在t₁＝1s，t₂＝3s，t₃＝5s，t₄＝7s，t₅＝9s，t₆＝11s六个时刻对同一目标进行探测并对其类别进行软判决，该目标可能为弹头、诱饵或碎片，即辨识框架为Ω＝{A(弹头),B(诱饵),C(碎片)}。已知目标的真实类别为A(弹头)，光电传感器按时间先后顺序获取的BPA分别为m₁，m₂，m₃，m₄，m₅，m₆。由于战场环境复杂，传感器在某一时刻失效，该时刻获得的证据为干扰证据。分别考虑干扰证据出现在t₁＝1s(开始时刻)、t₃＝5s(接近中间时刻)、t₅＝9s(接近最终时刻)三种情况，计算三种情况下Dempster规则和NTESAC方法在每一时刻输出的判决结果，分析两种方法的抗干扰能力。

(1)当干扰证据出现在t₁＝1s时(开始时刻)，六个BPA的详细情况如表1所示。使用Dempster规则和本发明中的NTESAC方法对六个BPA进行时域融合，每一时刻输出的融合结果如表2所示。

表1光电传感器获取的证据(干扰证据出现在t₁＝1s)

表2两种方法的融合结果(干扰证据出现在t₁＝1s)

分析：在表2中，当t₁＝1s时，m₁是唯一的时域证据，无需融合，m₁即为该时刻的时域累积融合结果

由于m₁是干扰证据，所以

将最大的信任度0.8赋予B是不可信的；当t₂＝3s时，m₂将最大的信任度0.5赋予了A，由于Dempster规则在融合时只考虑

和m₂包含的信息，且

赋予B的信任度0.8比m₂赋予A信任度0.5大很多，所以该时刻的时域累积融合结果

把更大的信任度0.8333赋予了B，只把很小的信任度0.1667赋予A，可见Dempster规则的融合结果受干扰证据影响严重。本发明的NTESAC方法综合考虑

m₂和m₃包含的信息，由于m₂和m₃的一致性更高，

与它们的一致性都较低，所以融合

和m₂时，依据可靠性对它们用折扣法进行了修正，获得的结果赋予B和A的信任度已经基本相等，受干扰证据影响较小；在t₃＝5s、t₄＝7s和t₅＝9s三个时刻，m₃，m₄，m₅都与m₂一致性较高，Dempster规则和NTESAC方法逐渐将信任度聚焦到A，NTESAC方法在t₃＝5s时已经判断目标类别为A，表现出较强的聚焦性，而Dempster规则在t₃＝5s时依然受干扰证据影响严重，判断目标类别为B，直到t₄＝7s时才给出合理结果，聚焦性相对较弱；当t₆＝11s时，NTESAC方法由于采用协商策略，在没有后一时刻参考证据的情况下，无法给出该时刻的时域累积融合结果。

(2)当干扰证据出现在t₃＝5s时(接近中间时刻)，六个BPA的详细情况如表3所示，实际上是将表1中的m₁和m₃调换了位置，其它保持不变。使用Dempster规则和NTESAC方法对六个BPA进行时域融合，每一时刻输出的融合结果如表4所示。

表3光电传感器获取的证据(干扰证据出现在t₃＝5s)

表4两种方法的融合结果(干扰证据出现在t3＝5s)

分析：在表4中，m₁为t₁＝1s时的时域累积融合结果

由于m₁不是干扰证据，所以

将最大的信任度0.6赋予A是可信的；当t₂＝3s时，m₂将最大的信任度0.5赋予了A，此时

和m₂一致性较高，干扰证据还未出现，Dempster规则在融合时只考虑

和m₂包含的信息，在该时刻的时域累积融合结果

把最大的信任度0.8077赋予了A，是合理的。NTESAC方法将

和m₂的可靠性加入了融合过程中，获得的结果合理，聚焦性与Dempster规则相差不大；当t₃＝5s时，由于m₃是干扰证据，Dempster规则未考虑证据可靠性，所以融合结果受到严重影响，将最大的信任度赋予了B，给出了不合理结果。NTESAC方法考虑了证据可靠性，受干扰较小，依然能给出合理结果；干扰过后，在t₄＝7s和t₅＝9s两个时刻，Dempster规则和NTESAC方法都将最大的信任度赋予A，相比之下，NTESAC方法的聚焦性更好；当t₆＝11s时，NTESAC方法由于采用协商策略，在没有后一时刻参考证据的情况下，无法给出该时刻的时域累积融合结果。

(3)当干扰证据出现在t₅＝9s时(接近最终时刻)，六个BPA的详细情况如表5所示，实际上是将表1中的m₁和m₅调换了位置，其它保持不变。使用Dempster规则和NTESAC方法对六个BPA进行时域融合，每一时刻输出的融合结果如表6所示。

表5光电传感器获取的证据(干扰证据出现在t₅＝9s)

表6两种方法的融合结果(干扰证据出现在t5＝9s)

分析：由表6可知，在t₁＝1s、t₂＝3s、t₃＝5s、t₄＝7s四个时刻，由于无干扰证据出现，Dempster规则和NTESAC方法获得的时域累积融合结果都是合理的，由于NTESAC方法在融合时考虑证据可靠性，使用折扣法进行了修正，所以在某些时刻聚焦性弱于Dempster规则，但不影响决策；当t₅＝9s时，m₅是干扰证据，正常情况下，Dempster规则由于未考虑证据可靠性，融合结果应该受干扰证据影响较大，但此时其结果依然合理，而且赋予A的最大信任度仅由0.9853下降至0.8937，表面上Dempster规则表现出了较强的抗干扰能力，但仔细分析后就能发现真正原因：前四个时刻的证据一致性较高，使用Dempster规则获得的融合结果已经将接近于1的信任度0.9853赋予A，而将接近于0的信任度0.0147赋予B，即使后续时刻有干扰证据加入融合过程，但类似于“一票否决”悖论，对融合结果只能产生很小影响，最大的信任度依然会赋予A，所以t₅＝9s时刻的合理结果并不能说明Dempster规则的抗干扰能力强。NTESAC方法在t₅＝9s时刻由于考虑了证据可靠性，受干扰较小，给出的结果合理；当t₆＝11s时，NTESAC方法由于采用协商策略，在没有后一时刻参考证据的情况下，无法给出该时刻的时域累积融合结果。

通过分析可知，无论干扰证据出现在什么时刻，NTESAC方法由于采用协商策略，对当前时刻和前一时刻时域累积融合结果的可靠性进行了评估，所以有较强的抗干扰能力，获得的结果都是合理的。Dempster规则由于未考虑证据可靠性，所以抗干扰能力相对较弱，有时会获得不合理结果。

(4)时间因素对Dempster规则与NTESAC方法融合结果的影响。

时域证据融合具有动态性，一般情况下，改变时域证据的融合顺序会使最终融合结果发生变化。图3和图4分别展示了干扰证据出现在t₁＝1s、t₃＝5s、t₅＝9s三种情况下Dempster规则和NTESAC方法的融合结果赋予A的信任度的变化情况。其中，[1]表示干扰证据出现在t₁＝1s的情况，[2]表示干扰证据出现在t₃＝5s的情况，[3]表示干扰证据出现在t₅＝9s的情况。

分析：由图3可知，在t₃＝5s时刻，情况[2]中的干扰证据出现后，情况[1]与情况[2]的时域累积融合结果相同；在t₅＝9s时刻，情况[3]中的干扰证据出现后，情况[1]、情况[2]和情况[3]的时域累积融合结果相同。实际上，在这三种情况中，由开始时刻到干扰证据出现的时刻，参与融合的所有时域证据是相同的，只是融合的顺序不同，Dempster规则在融合时域证据时表现出了与空域证据融合相同的特点，没有反映出时间因素对时域累积融合结果的影响，不符合时域证据融合的动态性特点。由图4可知，使用NTESAC方法获得的三种情况下的时域累积融合结果在任意时刻都是不同的，可以反映出时间因素对时域累积融合结果的影响，符合时域证据融合的动态性特点。

时域证据融合具有序贯性、实时性和动态性，是将前一时刻的时域累积融合结果和当前时刻的时域证据进行融合，以获得当前时刻的时域累积融合结果。由于只有两个证据，无法判断哪一个更可靠，很难将证据可靠性纳入融合过程中。

Claims (6)

1.目标识别中基于协商策略的信息融合方法，其特征在于，包括如下步骤：

(1)确定时域信息集合M；

(2)计算各时刻的

间的距离；

(3)确定阈值μ；

(4)非冲突信息融合；

(5)冲突信息融合。

2.如权利要求1所述的目标识别中基于协商策略的信息融合方法，其特征在于：所述的步骤(1)具体包括集合M＝{Ω，inf(history)，inf(present)，inf(future)}，其中包含问题的辨识框架Ω，历史时刻对目标身份信息的累积融合结果inf(history)，当前时刻获得的目标身份信息inf(present)和未来时刻获得的目标身份信息inf(future)，其中各个时刻的目标身份信息inf均表示为将待识别目标判定为各个类别的概率，用m(x)表示，x∈Ω，选取t-1、t、t+1三个相邻时刻，各时刻获得的信息用BPA分别表示为

m_t和m_t+1，集合M确定为

3.如权利要求1所述的目标识别中基于协商策略的信息融合方法，其特征在于：所述的步骤(2)具体包括按照以下公式计算各BPA对应的Pignistic概率，

其中，A和B是Ω的子集，|A|表示集合A的势；

然后计算集合M中

m_t和m_t+1三个BPA中任意两个之间的距离：

取

d_PBet(m_t,m_t+1)中的最大值，记为max(d_PBet)。

4.如权利要求1所述的目标识别中基于协商策略的信息融合方法，其特征在于：所述的步骤(3)将判定冲突信息的阈值μ确定为0.3。

5.如权利要求1所述的目标识别中基于协商策略的信息融合方法，其特征在于：所述的步骤(4)当max(d_PBet)≤μ时，判定M为非冲突证据集，直接使用Dempster规则进行融合。

6.如权利要求1所述的目标识别中基于协商策略的信息融合方法，其特征在于：所述的步骤(5)当max(d_PBet)>μ时，M判定为冲突证据集，对证据进行折扣后再时域Dempster规则进行融合，输出的结果为t时刻的时域累积融合结果

其中

和m_t的可靠性

和α_t的计算过程如下：

步骤1：计算前t-1时刻的信息融合结果

当前时刻获得的信息m_t、下一时刻获得的信息m_t+1两两之间的d_PBet，对应的相似性测度Sim定义为：

Sim(m_t,m_t+1)＝1-d_PBet(m_t,m_t+1)

步骤2：依据下式计算

m_t、m_t+1的支持度Sup：

步骤3：分别计算

m_t、m_t+1的可信度Crd：

三个BPA的可信度和为1，可信度可以反映证据的相对重要性。

步骤4：由于m_t+1只在融合的过程中提供参考信息，并不参加融合，所以在融合

和m_t时，要将m_t+1的可信度按合适的比例分配给

和m_t，分配后

和m_t新的可信度如下：

步骤5：按照下式计算

和m_t的可靠性，用折扣法修正后，再使用Dempster规则进行融合；

Images