CN111783565B - 一种基于正反证据信度结构的多传感器目标识别方法 - Google Patents
一种基于正反证据信度结构的多传感器目标识别方法 Download PDFInfo
- Publication number
- CN111783565B CN111783565B CN202010544823.6A CN202010544823A CN111783565B CN 111783565 B CN111783565 B CN 111783565B CN 202010544823 A CN202010544823 A CN 202010544823A CN 111783565 B CN111783565 B CN 111783565B
- Authority
- CN
- China
- Prior art keywords
- evidence
- positive
- credibility
- target
- sensor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于正反证据信度结构的多传感器目标识别方法,包括以下步骤:步骤一、依据各传感器的识别精度及识别结果生成正证据信度结构;步骤二、生成反证据信度结构;步骤三、依据正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标;步骤四、依据步骤三的计算结果判断识别目标所属的类型。本发明基于多传感器识别,从正反两方面对证据信度结构中的信息展开分析,将正反证据信度结构与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标,进而对目标类型进行识别,能够有效处理不确定信息,提高目标识别的准确率。
Description
技术领域
本发明属于目标识别领域,具体涉及一种基于正反证据信度结构的多传感器目标识别方法。
背景技术
随着现代科学技术及生产水平的提高,自动化、智能化逐渐应用在越来越多的领域,如工业、科研、医学等。在实际使用中,自动化系统运作首要解决的是操作对象的问题,即应用传感器实现目标识别。因此,对目标识别技术的研究具有很重要的现实意义。
目标识别是利用技术处理手段对目标特征信息进行分析,从而获取目标的定性或定量性质。在环境中进行目标识别通常可以分为三步:特征提取,特征处理,目标分类。证据理论常被用于目标识别领域,证据的信度结构作为证据理论的基础,在信息的处理过程中不可或缺。证据信度结构包含不确定性,可能具有随机性、非特异性等不确定性类型,不便于直接决策,而证据信度结构的否定即反证据信度结构推广了证据结构的逻辑特性,可以从另一角度获取信息特征,从而提取新的信息内容。因此,从正反两方面对证据信度结构中的信息进行分析处理很有必要,这样能够有效处理证据信度结构的不确定性。
此外,由于现代系统的复杂、多样化,传感器的识别精度不一,仅依靠单一传感器采集目标信息通常会偏离实际结果。基于多传感器识别目标类型可以实现对识别目标的准确认知。
因此,本申请基于多传感器识别,获取证据的正反信度结构,将其分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标来识别目标类型,一方面可以较好处理证据信度结构的不确定性,另一方面又可以提升目标识别的准确率。
发明内容
本发明所要解决的技术问题是:如何实现目标识别。使用该方法实现目标识别对信息处理及自动化领域具有重要意义。
为解决上述技术问题,本发明采用的技术方案是一种基于正反证据信度结构的多传感器目标识别方法,其特征在于,包括以下步骤:
步骤一、依据各传感器的识别精度及识别结果生成正证据信度结构;
系统对n个目标类型T1,T2,…,Tn进行目标识别,则系统的辨识框架表示为Θ={T1,T2,…,Ti,…,Tn},它的幂集包含2N个命题,使用p个传感器S1,S2,…,Sl,…,Sp对识别目标进行观测,各传感器的识别精度分别为E1,E2,…,El,…,Ep,每个传感器对目标进行观测后得到一个识别结果,根据各传感器的观测结果生成正证据信度结构,生成方法如下:
步骤101:对各传感器的识别精度进行规范化处理,使用公式计算传感器Sl的可靠度Rl;
步骤102:根据各传感器的识别结果及步骤101中生成的各传感器的可靠度,生成分配给目标类型Ti的正证据信度结构为i=1,2,…n,其中分配给未知的正证据信度结构为/>
步骤103:根据步骤102中生成的分配给目标类型Ti和未知的正证据信度结构,使用公式对其进行归一化处理,生成正证据信度结构m;
步骤二、生成反证据信度结构;
步骤201:基于步骤103生成的正证据信度结构,对其中任一命题的正证据信度结构m(B)=α,α≠0,根据公式/>生成命题B的反证据信度结构,其中|B|表示命题B中元素的基数;
步骤202:将步骤201所得结果中命题相同的反证据信度结构进行加和,并对加和结果进行归一化处理,由此生成反证据信度结构
步骤三、依据正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标;
步骤301:目标类型Ti的决策证据信度结构可以表示为将步骤103中生成的正证据信度结构m分别与各目标类型的决策证据信度结构/>进行匹配,使用公式计算正证据信度结构与目标类型的决策证据信度结构间的冲突程度,根据公式/> 计算正证据信度结构与目标类型的决策证据信度结构的距离,其中D为2n×2n的矩阵,/>j,k=1,2,…,2n,|Ai∩Aj|表示命题Ai与Aj中重合元素的基数,|Ai∪Aj|表示命题Ai与Aj中并集元素的基数;
步骤302:依据步骤301生成正证据信度结构与各目标类型的决策证据信度结构的冲突程度与距离,根据公式可得目标类型Ti的正质量指标;
步骤303:根据步骤301计算反证据信度结构与各目标类型的决策证据信度结构的冲突程度与距离/>由/>可得目标类型Ti的反质量指标;
步骤四、依据步骤三的计算结果识别目标所属的类型;
步骤401:根据公式对步骤三所得到的各目标类型的正反质量指标进行计算,生成传感器识别结果隶属于各目标类型的程度;
步骤402:对步骤401计算得到的值进行比较,最大的即为识别目标所属的类型。
本发明与现有技术相比具有以下有益效果:
1、本发明的步骤简单、设计合理,实现及使用操作方便。
2、本发明通过正反证据信度结构与各目标类型决策证据信度结构匹配生成各目标类型的正反质量指标,从而对识别目标所属类型进行判断,有效处理证据信度结构的不确定性;
3、本发明使用多传感器的识别精度与识别结果生成正证据信度结构,可以有效处理单一传感器识别结果的不确定性,提高识别准确率。
综上所述,本发明技术方案设计合理,依据多传感器的识别精度及识别结果生成正证据信度结构,并生成它的反证据信度结构,并使用正反证据信度结构与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标,既能够有效处理证据信度结构的不确定性,又提高故障识别的准确性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图
具体实施方式
下面结合附图及本发明的实施例对本发明的方法做进一步的详细说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的故障类型可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发明包括以下步骤:
步骤一、依据各传感器的识别精度及识别结果生成正证据信度结构;
实际使用时,首先明确系统需要识别的n个目标类型T1,T2,…,Tn,系统的辨识框架为Θ={T1,T2,…,Ti,…,Tn},幂集包含2N个命题,采用m个传感器S1,S2,…,Sl,…,Sp对识别目标进行观测,各传感器的识别精度分别为E1,E2,…,El,…,Ep,每个传感器可以得到一个识别结果。多传感器测量可以有效处理单一传感器识别结果的不确定性。因此,使用多传感器识别结果生成基本概率指派信度结构,生成方法为:
步骤101:对各传感器的识别精度进行规范化处理,使用公式计算传感器Sl的可靠度Rl;
步骤102:根据各传感器的识别结果及步骤101中生成的各传感器的可靠度,生成分配给目标类型Ti的正证据信度结构为i=1,2,…n,其中分配给未知的正证据信度结构为/>
步骤103:根据步骤102中生成的分配给目标类型Ti和未知的正证据信度结构,使用公式对其进行归一化处理,生成正证据信度结构m;
步骤二、生成反证据信度结构;
考虑到证据信度结构中包含各种不确定性,不便于直接决策,证据信度结构的否定即反证据信度结构可以推广证据结构的逻辑特性,从另一角度获取信息特征,本申请基于正反证据信度结构对信息进行处理。生成反证据信度结构的具体步骤为:
步骤201:基于步骤103生成的正证据信度结构,对其中任一命题的正证据信度结构m(B)=α,α≠0,根据公式/>生成命题B的反证据信度结构,其中|B|表示命题B中元素的基数;
步骤202:将步骤201所得结果中命题相同的反证据信度结构进行加和,并对加和结果进行归一化处理,由此生成反证据信度结构
步骤三、依据正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标;
生成正反证据信度结构后,需要将正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标。使用正反两方面的证据信度结构来进行判断,提高识别准确率,具体方法为:
步骤301:目标类型Ti的决策证据信度结构可以表示为将步骤103中生成的正证据信度结构m分别与各目标类型的决策证据信度结构/>进行匹配,使用公式计算正证据信度结构与目标类型的决策证据信度结构间的冲突程度,根据公式/> 计算正证据信度结构与目标类型的决策证据信度结构的距离,其中D为2n×2n的矩阵,/>j,k=1,2,…,2n,|Ai∩Aj|表示命题Ai与Aj中重合元素的基数,|Ai∪Aj|表示命题Ai与Aj中并集元素的基数;
步骤302:依据步骤301生成正证据信度结构与各目标类型的决策证据信度结构的冲突程度与距离,根据公式可得目标类型Ti的正质量指标;
步骤303:根据步骤301计算反证据信度结构与各目标类型的决策证据信度结构的冲突程度与距离/>由/>可得目标类型Ti的反质量指标;
步骤四、依据步骤三的计算结果识别目标所属的类型;
匹配后生成各目标类型的正反质量指标,需要对其进行进一步处理得到一个明确的数值来判断识别目标类型,具体方法为:
步骤401:根据公式对步骤三所得到的各目标类型的正反质量指标进行计算,生成传感器识别结果隶属于各目标类型的程度;
步骤402:对步骤401计算得到的值进行比较,最大的即为识别目标所属的类型。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (1)
1.一种基于正反证据信度结构的多传感器目标识别方法,其特征在于,包括以下步骤:
步骤一、依据各传感器的识别精度及识别结果生成正证据信度结构;
系统对n个目标类型T1,T2,…,Tn进行目标识别,则系统的辨识框架表示为Θ={T1,T2,…,Ti,…,Tn},它的幂集包含2N个命题,使用p个传感器S1,S2,…,Sl,…,Sp对识别目标进行观测,各传感器的识别精度分别为E1,E2,…,El,…,Ep,每个传感器对目标进行观测后得到一个识别结果,根据各传感器的观测结果生成正证据信度结构,生成方法如下:
步骤101:对各传感器的识别精度进行规范化处理,使用公式计算传感器Sl的可靠度Rl;
步骤102:根据各传感器的识别结果及步骤101中生成的各传感器的可靠度,生成分配给目标类型Ti的正证据信度结构为其中/>分配给未知的正证据信度结构为/>
步骤103:根据步骤102中生成的分配给目标类型Ti和未知的正证据信度结构,使用公式对其进行归一化处理,生成正证据信度结构m;
步骤二、生成反证据信度结构;
步骤201:基于步骤103生成的正证据信度结构,对其中任一命题的正证据信度结构m(B)=α,α≠0,根据公式/>生成命题B的反证据信度结构,其中|B|表示命题B中元素的基数;
步骤202:将步骤201所得结果中命题相同的反证据信度结构进行加和,并对加和结果进行归一化处理,由此生成反证据信度结构m;
步骤三、依据正反证据信度结构分别与各目标类型的决策证据信度结构匹配生成各目标类型的正反质量指标;
步骤301:目标类型Ti的决策证据信度结构可以表示为将步骤103中生成的正证据信度结构m分别与各目标类型的决策证据信度结构/>进行匹配,使用公式计算正证据信度结构与目标类型的决策证据信度结构间的冲突程度,根据公式/> 计算正证据信度结构与目标类型的决策证据信度结构的距离,其中D为2n×2n的矩阵,/>j,k=1,2,…,2n,|Ai∩Aj|表示命题Ai与Aj中重合元素的基数,|Ai∪Aj|表示命题Ai与Aj中并集元素的基数;
步骤302:依据步骤301生成正证据信度结构与各目标类型的决策证据信度结构的冲突程度与距离,根据公式可得目标类型Ti的正质量指标;
步骤303:根据步骤301计算反证据信度结构m与各目标类型的决策证据信度结构的冲突程度与距离由/>可得目标类型Ti的反质量指标;
步骤四、依据步骤三的计算结果识别目标所属的类型;
步骤401:根据公式对步骤三所得到的各目标类型的正反质量指标进行计算,生成传感器识别结果隶属于各目标类型的程度;
步骤402:对步骤401计算得到的值进行比较,最大的即为识别目标所属的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010544823.6A CN111783565B (zh) | 2020-06-15 | 2020-06-15 | 一种基于正反证据信度结构的多传感器目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010544823.6A CN111783565B (zh) | 2020-06-15 | 2020-06-15 | 一种基于正反证据信度结构的多传感器目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783565A CN111783565A (zh) | 2020-10-16 |
CN111783565B true CN111783565B (zh) | 2024-03-22 |
Family
ID=72756593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010544823.6A Active CN111783565B (zh) | 2020-06-15 | 2020-06-15 | 一种基于正反证据信度结构的多传感器目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783565B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464991A (zh) * | 2020-11-04 | 2021-03-09 | 西北工业大学 | 一种基于多种群动力学的多传感器证据演化博弈融合识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011265563A1 (en) * | 2010-12-24 | 2012-07-12 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN104732072A (zh) * | 2015-03-04 | 2015-06-24 | 苏州西安交通大学苏州研究院 | 基于d-s证据理论的多属性压铸机模具模式识别方法 |
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 |
CN107767406A (zh) * | 2017-11-13 | 2018-03-06 | 西北工业大学 | 一种基于ds证据理论的多光谱图像弱小目标跟踪方法 |
CN110083604A (zh) * | 2019-04-17 | 2019-08-02 | 上海沄界信息科技有限公司 | 一种数据确权方法及装置 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
-
2020
- 2020-06-15 CN CN202010544823.6A patent/CN111783565B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2011265563A1 (en) * | 2010-12-24 | 2012-07-12 | Commonwealth Scientific And Industrial Research Organisation | System and method for detecting and/or diagnosing faults in multi-variable systems |
CN104732072A (zh) * | 2015-03-04 | 2015-06-24 | 苏州西安交通大学苏州研究院 | 基于d-s证据理论的多属性压铸机模具模式识别方法 |
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 |
CN107767406A (zh) * | 2017-11-13 | 2018-03-06 | 西北工业大学 | 一种基于ds证据理论的多光谱图像弱小目标跟踪方法 |
CN110083604A (zh) * | 2019-04-17 | 2019-08-02 | 上海沄界信息科技有限公司 | 一种数据确权方法及装置 |
CN110796194A (zh) * | 2019-10-29 | 2020-02-14 | 中国人民解放军国防科技大学 | 一种用于多传感器信息的目标检测结果融合判定方法 |
Non-Patent Citations (2)
Title |
---|
基于幂均算子和证据理论的故障诊断方法;王鸿飞 等;《信息与控制》;第48卷(第5期);全文 * |
基于证据理论的多传感器信息融合目标识别方法;焦准;王伟平;张蓉;;弹箭与制导学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783565A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | A bearing fault diagnosis technique based on singular values of EEMD spatial condition matrix and Gath-Geva clustering | |
WO2016091017A1 (zh) | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 | |
CN108398939B (zh) | 一种基于ds证据理论的故障诊断方法 | |
CN109947047B (zh) | 一种电主轴失衡故障诊断方法 | |
CN111783565B (zh) | 一种基于正反证据信度结构的多传感器目标识别方法 | |
CN111523582A (zh) | 一种基于迁移学习的跨仪器拉曼光谱定性分析方法 | |
Liao et al. | Recognition of partial discharge patterns | |
CN111563532B (zh) | 一种基于属性权重融合的未知目标识别方法 | |
US11496379B1 (en) | Network traffic analysis method and device based on multi-source network traffic data | |
CN111031042A (zh) | 一种基于改进d-s证据理论的网络异常检测方法 | |
CN115797804A (zh) | 一种基于不平衡时序航空飞行数据的异常检测方法 | |
Wang | A new multi-Sensor target recognition framework based on Dempster-Shafer evidence theory | |
CN111506045B (zh) | 一种基于单值中智集相关系数的故障诊断方法 | |
JP7101349B1 (ja) | 分類システム | |
Khelil et al. | Accurate diagnosis of non-Hodgkin lymphoma on whole-slide images using deep learning | |
Barrau et al. | A note on the intrinsic Cramer-Rao bound | |
CN115015131A (zh) | 红外光谱训练集样本筛选方法 | |
CN111179254B (zh) | 一种基于特征函数和对抗学习的域适应医学图像分割方法 | |
CN114240230A (zh) | 一种基于员工互评的定向群体识别及其可视化方法 | |
Wu et al. | Significance test in operational ROC analysis | |
Teng et al. | The calculation of similarity and its application in data mining | |
CN116564423B (zh) | 一种微生物宏基因组数据库构建方法及系统 | |
CN112464735A (zh) | 一种基于否定证据信度结构的多特征故障诊断方法 | |
CN103955640A (zh) | 一种基于模糊控制理论的身份识别系统 | |
US8738303B2 (en) | Identifying outliers among chemical assays |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |