CN112232375A - 一种基于证据理论的未知类型目标识别方法 - Google Patents
一种基于证据理论的未知类型目标识别方法 Download PDFInfo
- Publication number
- CN112232375A CN112232375A CN202010992854.8A CN202010992854A CN112232375A CN 112232375 A CN112232375 A CN 112232375A CN 202010992854 A CN202010992854 A CN 202010992854A CN 112232375 A CN112232375 A CN 112232375A
- Authority
- CN
- China
- Prior art keywords
- target
- basic probability
- training set
- probability distribution
- detected
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于证据理论的未知类型目标识别方法,包括以下步骤:步骤一、采用传感器获取训练集的目标信息;步骤二、对训练集的目标信息提取图像特征;步骤三、对图像特征进行聚类,得到聚类中心;步骤四、生成待测目标的基础概率分布;步骤五、基本概率分配融合;步骤六、归一化;步骤七、基本概率转化得到最终决策。本发明用于对待测目标进行二分类,将待测目标归属于已知目标类型或未知目标类型,得到的结果可以用来对待测目标进行具体类别的识别。单一传感器判别方法中通过对基本概率分配进行融合在经过pignistic概率转换后得到最终决策。多传感器融合判别方法中采用D‑S组合规则将多传感器的BPA值进行融合,得到对待测目标的综合识别率。
Description
技术领域
本发明属于目标识别技术领域,具体涉及一种基于证据理论的未知类型目标识别方法。
背景技术
未知目标类别识别方法可应用在诸多领域,也是现代防空作战的重要研究内容,它根据不同目标产生不同的辐射和雷达回波进行识别。
复杂背景条件下,单一传感器系统的自动目标识别的能力非常有限,难以实现对空中目标的准确识别判断,而多传感器系统可以获取感兴趣目标的多光谱特征,提高目标识别的准确率,增强作战效能。
为了提高识别系统的稳定性,通常采用多传感器采集多源数据,以保证在某个或某些传感器失效时,系统仍能继续工作。各个传感器提高的信息包含大量的不确定性,目标识别过程本质上融合信息,消除传感器之间可能存在的冗余和矛盾,降低信息的不确定性,最后获得未知目标的类别。
D-S证据理论是对贝叶斯理论的推广,是一种满足比贝叶斯更弱条件的不确定推理方法。证据理论能够区分未知和不确定的差异,常被用于处理不确定数据,其提供了有用的证据合成方法,能有效地融合多个证据源提供的不确定信息,因而被很好地应用于数据融合、目标识别、威胁判断及故障诊断等领域。
因此利用证据理论进行多传感器目标识别得到了国内外广泛的关注与研究。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于证据理论的未知类型目标识别方法,其结构简单、设计合理,用于对待测目标进行二分类,将待测目标归属于已知目标类型或未知目标类型,得到的结果可以用来对待测目标进行具体类别的识别。单一传感器判别方法中通过对已知目标类型的基本概率分配和未知目标类型的基本概率分配进行融合,然后进行pignistic概率转换后得到最终决策。多传感器融合判别方法中采用D-S组合规则将多传感器的BPA值进行融合,建立了多源信息综合识别系统,得到对待测目标的综合识别率,提高了测量精度。
为解决上述技术问题,本发明采用的技术方案是:一种基于证据理论的未知类型目标识别方法,其特征在于:包括以下步骤:
步骤一:采用传感器获取训练集X的目标信息,X={X1,...Xi,...XN},Xi表示第i个类别的子训练集,1≤i≤N;
步骤二:对训练集X的目标信息提取图像特征;
步骤三:对步骤二获取的图像特征进行聚类,得到子训练集Xi的聚类中心XC-i;
步骤四、生成待测目标的基础概率分布:
步骤401、已知目标类型的基本概率分配:输入待测目标的目标信息,得到已知目标类别的基本概率分配M(YZ),M(YZ)=MAX(L(1),...L(i)...,L(N)),其中L(i)表示根据待测目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i)生成的隶属度;
步骤五、基本概率分配融合:计算机计算融合基本概率分配M(A)=M(YZ)+M(WZ)+M(YZ,WZ),其中M(YZ,WZ)=1-M(YZ);
步骤六、归一化:对融合基本概率分配M(A)进行归一化处理得到M'(A);
上述的一种基于证据理论的未知类型目标识别方法,其特征在于:步骤一中的传感器为多传感器,所述多传感器包括n个传感器组,根据多传感器进行未知类型目标识别的方法,包括以下步骤:
步骤201、计算多传感器的融合基本概率分配:其中K表示证据m1、m2的冲突系数,m1,...mi,...mn表示辨识框架上的n个相互独立的基本概率指派,其中mi(Ai)表示第i个传感器获取的训练集X的目标信息按照权利要求1的步骤一到步骤五计算得到的融合基本概率分配;
上述的一种基于证据理论的未知类型目标识别方法,其特征在于:步骤401中,生成隶属度L(i)的具体方法为:
步骤301、计算机计算子训练集Xi中各图像与子训练集Xi中聚类中心之间的余弦相似度SI(Xij,XC-i),Xij表示第i个类别的子训练集中第j个目标;
步骤302、按照SIMAX(Xij,XC-i),SIMIN(Xij,XC-i),以及理论上余弦相似度的最大值1绘制梯形模糊数,其中SIMAX(Xij,XC-i)表示余弦相似度SI(Xij,XC-i)的最大值,表示余弦相似度SI(Xij,XC-i)的平均值,SIMIN(Xij,XC-i)表示余弦相似度SI(Xij,XC-i)的最小值;
步骤303、未知类型目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i)根据梯形模糊数生成隶属度L(i)。
上述的一种基于证据理论的未知类型目标识别方法,其特征在于:步骤六中,对融合基本概率分配M(A)进行归一化的具体方法为:
本发明与现有技术相比具有以下优点:
1、本发明的结构简单、设计合理,实现及使用操作方便。
2、本发明对训练集的目标的图像特征进行聚类,,减少了分析过程中的人工操作,提高了自动化的程度,降低了目标信息的复杂性,能有效挖掘已知目标类型和未知目标类型的信息,基于聚类方法对待测目标进行分类识别,预测结果更加准确且具有现实意义。
3、本发明用于对待测目标进行二分类,将待测目标归属于已知目标类型或未知目标类型,得到的结果可以用来对待测目标进行具体类别的识别,实现了数据的快速二分类,且方法简单快捷,可靠性高,精确性好。若待测目标属于未知目标类型,则直接输出结果,若待测目标属于已知目标,则将待测目标转入下一个阶段的识别模型进行具体类别的细分。
4、本发明余弦相似度最大值、余弦相似度平均值和余弦相似度最小值作为已知类别目标与各类别聚类中心的余弦相似度的统计特性,以此对已知目标类别构建梯形模糊数,采用梯形模糊数对已知目标类别建模,解决了模糊信息的表示,为未知目标类型识别提供了依据,更能反应真实情况,使用效果好。
5、本发明对已知目标类型的基本概率分配和未知目标类型的基本概率分配进行融合,最后通过pignistic概率转换后得到最终决策,该框架能够高效地完成数据融合任务,且能够明确地处理已知目标类型的和未知目标类型之间的不确定性。
6、本发明可以是单一传感器判别,也可以是多传感器融合判别,多传感器融合判别方法中采用D-S组合规则将多传感器的BPA值进行融合,建立了多源信息综合识别系统,得到对待测目标的综合识别率,提高了测量精度。
综上所述,本发明结构简单、设计合理,用于对待测目标进行二分类,将待测目标归属于已知目标类型或未知目标类型,得到的结果可以用来对待测目标进行具体类别的识别。单一传感器判别方法中通过对已知目标类型的基本概率分配和未知目标类型的基本概率分配进行融合,然后进行pignistic概率转换后得到最终决策。多传感器融合判别方法中采用D-S组合规则将多传感器的BPA值进行融合,建立了多源信息综合识别系统,得到对待测目标的综合识别率,提高了测量精度。
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为本发明实施例一的方法流程图。
图2为本发明实施例二的方法流程图。
图3为本发明中基于余弦相似度的梯形模糊数。
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作进一步详细的说明。
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特征可以相互组合。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。
实施例一
如图1所示,本发明的一种基于证据理论的未知类型目标识别方法,包括以下步骤:
步骤一:采用传感器获取训练集X的目标信息,X={X1,...Xi,...XN},Xi表示第i个类别的子训练集,1≤i≤N。需要说明的是,此处传感器为一个传感器组,该传感器获取的目标信息包括目标的位置坐标、态姿、真实轨迹以及目标所在区域信息。
步骤二:对训练集X的目标信息提取图像特征。将步骤一中传感器获取的目标信息输入卷积神经网络,通过卷积神经网络提取目标的图像特征。
步骤三:对步骤二获取的图像特征进行聚类,得到子训练集Xi的聚类中心XC-i。聚类是将训练集X中在某些方面相似的数据成员进行分类组织的过程,KMEANS聚类指的是k均值聚类算法,是一种迭代求解的聚类分析算法,其步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算,这个过程将不断重复直到满足某个终止条件。实际使用时,将子训练集Xi中的各个目标信息根据余弦相似度进行KMEANS聚类,得到各个类别子训练集Xi的聚类中心XC-i。
步骤四、生成待测目标的基础概率分布:
步骤401、已知目标类型的基本概率分配:输入待测目标的目标信息,得到已知目标类别的基本概率分配M(YZ),M(YZ)=MAX(L(1),...L(i)...,L(N)),其中L(i)表示根据待测目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i)生成的隶属度。
实际使用时,首先计算子训练集Xi中各图像与子训练集Xi中聚类中心之间的余弦相似度SI(Xij,XC-i),Xij表示第i个类别的子训练集中第j个目标;然后按照SIMAX(Xij,XC-i),SIMIN(Xij,XC-i),以及理论上余弦相似度的最大值1,共同绘制梯形模糊数,其中SIMAX(Xij,XC-i)表示余弦相似度SI(Xij,XC-i)的最大值,表示余弦相似度SI(Xij,XC-i)的平均值,SIMIN(Xij,XC-i)表示余弦相似度SI(Xij,XC-i)的最小值;接着按照待测目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i)在梯形模糊数上的对应值生成隶属度L(i)。
余弦相似度作为一种相似性的度量,理论上,待测目标与某类的聚类中心的余弦相似度越大,该待测目标归属于此类的可能性也就越大。但是将余弦相似度直接作为隶属度的话,就丧失了统计特性。如图3所示,本申请中,将余弦相似度最大值SIMAX(Xij,XC-i)、余弦相似度平均值和余弦相似度最小值SIMIN(Xij,XC-i)作为已知类别目标与各类别聚类中心的余弦相似度的统计特性。
余弦相似度平均值作为平均值代表了各已知类别目标与各类别聚类中心的相似程度,余弦相似度最大值SIMAX(Xij,XC-i)作为各已知类别目标与各类别聚类中心当前最大的一种相似程度。如果待测目标与某已知类别目标的聚类中心计算所得的余弦相似度处于这二者之间,有理由相信其有较大的可能性归属此已知类别,因此采用余弦相似度最大值SIMAX(Xij,XC-i)、余弦相似度平均值和余弦相似度最小值SIMIN(Xij,XC-i)构建梯形模糊数,更能反应真实情况,使用效果好。
计算待测目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i),Xwz表示未知类型目标,将该余弦相似度SI(Xwz,XC-i)作为梯形模糊数中X轴上的值,根据X轴上的值对应得到Y轴上的值,即为该余弦相似度SI(Xwz,XC-i)对应的隶属度L(i)。对N个隶属度L(i)取最大值,作为已知目标类别的BPA。对已知目标类别建立梯形模糊数并生成基本概率分配M(YZ),本申请采用梯形模糊数对已知目标类别建模,解决了模糊信息的表示,为未知目标类型识别提供了依据。
步骤五、计算融合的基本概率分配:计算机根据公式M(A)=M(YZ)+M(WZ)+M(YZ,WZ)计算融合的基本概率分配M(A),其中M(YZ,WZ)=1-M(YZ)。具体实施时,M(A)=M(YZ)+M(WZ)+M(YZ,WZ),因此融合的基本概率分配M(A)包括已知目标类别的基本概率分配M(YZ)、未知目标类别的基本概率分配M(WZ)和已知未知M(YZ,WZ)三个焦元。M(YZ,WZ)=1-M(YZ),因此可将已知未知M(YZ,WZ)这个焦元的值分配给已知目标类别的基本概率分配M(YZ)和未知目标类别的基本概率分配M(WZ)两个焦元。
步骤六、归一化:对融合基本概率分配M(A)进行归一化的具体方法为:
直接利用基本概率分配不便于进行决策,在实际应用中,常将基本概率分配转化为概率后再基于概率做出最终决策。实际使用时,本申请优选采用Semts提出的可传递信度模型中的pignistic概率转换,PPT方法。
通过pignistic概率转换对融合基本概率分配M'(A)进行概率转化,获得最终决策。根据待测目标识别概率BetP(x)判断待测目标属于已知目标类别还是未知目标类别,若为未知目标类别则直接输出识别结果,若为已知目标类别,则对待测目标进行具体类别的识别。
实施例二
与实施例一不同的是,本实施例中,传感器为多传感器,所述多传感器包括n个分布在不同位置的多个同类的或者不同类的传感器组,n不小于2,每一个传感器组获取的训练集X的目标信息按照实施例一的方法均可计算得到一条融合基本概率分配mi(Ai),将这些融合基本概率分配mi(Ai)通过公式进行融合,其中K表示证据m1、m2的冲突系数,m1,...mi,...mn表示辨识框架上的n个相互独立的基本概率指派,即可得到多传感器的融合基本概率分配m(D)。
本实施例中,对基本概率分配做二次融合,随着融合层次的升高,数据的抽象性越强,但也越容易忽略有价值的信息,图2给出了本实施例的融合过程,每个传感器组获得一个独立的融合基本概率分配mi(Ai),然后融合来自每个传感器组的融合基本概率分配,得到多传感器的融合基本概率分配m(D)。本方法协调使用多个传感器,把分布在不同位置的多个同类的或者不同类的传感器所提供的局部不完整观察量加以综合,消除多传感器信息之间可能存在的冗余和矛盾,加以互补,降低其不确定性,实现了复杂场景下多传感器的联合融合,使用效果好。
实际使用时,首先用证据mi(Ai)表示多传感器决策层数据,然后对各证据mi(Ai)进行Pignistic概率转换,计算机根据多传感器下待测目标识别概率BetmP(x)判断待测目标属于已知目标类别还是未知目标类别,若为未知目标类别则直接输出识别结果,若为已知目标类别,则将待测目标转入下一个阶段的识别模型进行具体类别的细分。
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 (4)
1.一种基于证据理论的未知类型目标识别方法,其特征在于:包括以下步骤:
步骤一:采用传感器获取训练集X的目标信息,X={X1,...Xi,...XN},Xi表示第i个类别的子训练集,1≤i≤N;
步骤二:对训练集X的目标信息提取图像特征;
步骤三:对步骤二获取的图像特征进行聚类,得到子训练集Xi的聚类中心XC-i;
步骤四、生成待测目标的基础概率分布:
步骤401、已知目标类型的基本概率分配:输入待测目标的目标信息,得到已知目标类别的基本概率分配M(YZ),M(YZ)=MAX(L(1),...L(i)...,L(N)),其中L(i)表示根据待测目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i)生成的隶属度;
步骤五、基本概率分配融合:计算机计算融合基本概率分配M(A)=M(YZ)+M(WZ)+M(YZ,WZ),其中M(YZ,WZ)=1-M(YZ);
步骤六、归一化:对融合基本概率分配M(A)进行归一化处理得到M'(A);
2.按照权利要求1所述的一种基于证据理论的未知类型目标识别方法,其特征在于:步骤一中的传感器为多传感器,所述多传感器包括n个传感器组,根据多传感器进行未知类型目标识别的方法,包括以下步骤:
步骤201、计算多传感器的融合基本概率分配:其中K表示证据m1、m2的冲突系数,m1,...mi,...mn表示辨识框架上的n个相互独立的基本概率指派,其中mi(Ai)表示第i个传感器获取的训练集X的目标信息按照权利要求1的步骤一到步骤五计算得到的融合基本概率分配;
3.按照权利要求1所述的一种基于证据理论的未知类型目标识别方法,其特征在于:步骤401中,生成隶属度L(i)的具体方法为:
步骤301、计算机计算子训练集Xi中各图像与子训练集Xi中聚类中心之间的余弦相似度SI(Xij,XC-i),Xij表示第i个类别的子训练集中第j个目标;
步骤302、按照SIMAX(Xij,XC-i),SIMIN(Xij,XC-i),以及理论上余弦相似度的最大值1绘制梯形模糊数,其中SIMAX(Xij,XC-i)表示余弦相似度SI(Xij,XC-i)的最大值,表示余弦相似度SI(Xij,XC-i)的平均值,SIMIN(Xij,XC-i)表示余弦相似度SI(Xij,XC-i)的最小值;
步骤303、未知类型目标与子训练集Xi的聚类中心XC-i的余弦相似度SI(Xwz,XC-i)根据梯形模糊数生成隶属度L(i)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010992854.8A CN112232375B (zh) | 2020-09-21 | 2020-09-21 | 一种基于证据理论的未知类型目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010992854.8A CN112232375B (zh) | 2020-09-21 | 2020-09-21 | 一种基于证据理论的未知类型目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232375A true CN112232375A (zh) | 2021-01-15 |
CN112232375B CN112232375B (zh) | 2023-05-12 |
Family
ID=74108043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010992854.8A Active CN112232375B (zh) | 2020-09-21 | 2020-09-21 | 一种基于证据理论的未知类型目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232375B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239979A (zh) * | 2021-04-23 | 2021-08-10 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN113298006A (zh) * | 2021-06-04 | 2021-08-24 | 西北工业大学 | 基于脑机融合认知与决策的异常目标检测新方法 |
CN113449412A (zh) * | 2021-05-24 | 2021-09-28 | 河南大学 | 基于K-means聚类和综合相关度的故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697006A (zh) * | 2009-09-18 | 2010-04-21 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
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 |
CN107967449A (zh) * | 2017-11-13 | 2018-04-27 | 西北工业大学 | 一种基于广义证据理论的多光谱图像未知目标识别方法 |
US20180330198A1 (en) * | 2017-05-14 | 2018-11-15 | International Business Machines Corporation | Systems and methods for identifying a target object in an image |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN111563532A (zh) * | 2020-04-07 | 2020-08-21 | 西北工业大学 | 一种基于属性权重融合的未知目标识别方法 |
-
2020
- 2020-09-21 CN CN202010992854.8A patent/CN112232375B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697006A (zh) * | 2009-09-18 | 2010-04-21 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
US20180330198A1 (en) * | 2017-05-14 | 2018-11-15 | International Business Machines Corporation | Systems and methods for identifying a target object in an image |
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 |
CN107967449A (zh) * | 2017-11-13 | 2018-04-27 | 西北工业大学 | 一种基于广义证据理论的多光谱图像未知目标识别方法 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN111563532A (zh) * | 2020-04-07 | 2020-08-21 | 西北工业大学 | 一种基于属性权重融合的未知目标识别方法 |
Non-Patent Citations (6)
Title |
---|
张公永;王平;张佑春;: "基于模糊C均值聚类和D-S证据理论的多传感器信息融合技术研究" * |
张扬: "基于多域特征组合优化与证据分类的水声目标识别算法研究" * |
张扬;杨建华;侯宏;: "基于证据聚类的水声目标识别算法研究" * |
张铁柱;蒋宏;: "机载雷达和红外数据融合的智能目标识别" * |
牛鹏飞;王晟达;马健;: "基于隶属度和D-S理论的雷达目标识别方法", 微计算机信息 * |
高智勇;董荣光;高建民;王荣喜;: "采用聚类特征的基本概率分配生成方法及应用" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239979A (zh) * | 2021-04-23 | 2021-08-10 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN113239979B (zh) * | 2021-04-23 | 2024-01-09 | 广州市祺能电子科技有限公司 | 一种物联网传感器数据采集的方法及装置 |
CN113449412A (zh) * | 2021-05-24 | 2021-09-28 | 河南大学 | 基于K-means聚类和综合相关度的故障诊断方法 |
CN113449412B (zh) * | 2021-05-24 | 2022-07-22 | 河南大学 | 基于K-means聚类和综合相关度的故障诊断方法 |
CN113298006A (zh) * | 2021-06-04 | 2021-08-24 | 西北工业大学 | 基于脑机融合认知与决策的异常目标检测新方法 |
CN113298006B (zh) * | 2021-06-04 | 2024-01-19 | 西北工业大学 | 基于脑机融合认知与决策的异常目标检测新方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232375B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232375A (zh) | 一种基于证据理论的未知类型目标识别方法 | |
Wong et al. | Identifying unknown instances for autonomous driving | |
CN112233097B (zh) | 基于空时域多维融合的道路场景他车检测系统和方法 | |
CN110533048B (zh) | 基于全景区域场景感知的组合语义层次连接模型的实现方法及系统 | |
Vakil et al. | A survey of multimodal sensor fusion for passive RF and EO information integration | |
CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
CN109993224B (zh) | 基于深度学习与多核学习的geo卫星形状与姿态识别方法 | |
CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
CN113989851B (zh) | 一种基于异构融合图卷积网络的跨模态行人重识别方法 | |
Farley et al. | Real time IP camera parking occupancy detection using deep learning | |
CN113484875B (zh) | 一种基于混合高斯排序的激光雷达点云目标分级识别方法 | |
Dev et al. | Multi-level semantic labeling of sky/cloud images | |
CN114818916B (zh) | 一种基于毫米波雷达多帧点云序列的道路目标分类方法 | |
Yu et al. | A cascaded deep convolutional network for vehicle logo recognition from frontal and rear images of vehicles | |
Wang et al. | An entropy-awareness meta-learning method for sar open-set atr | |
CN111563528B (zh) | 基于多尺度特征学习网络与双边滤波的sar图像分类方法 | |
CN109840518A (zh) | 一种结合分类与域适应的视觉追踪方法 | |
CN115620261A (zh) | 基于多传感器的车辆环境感知方法、系统、设备及介质 | |
CN110991377B (zh) | 一种基于单目视觉神经网络的汽车安全辅助系统前方目标识别方法 | |
CN116109950A (zh) | 一种低空域反无人机视觉检测、识别与跟踪方法 | |
CN114283326A (zh) | 一种结合局部感知和高阶特征重构的水下目标重识别方法 | |
CN113064489A (zh) | 一种基于L1-Norm的毫米波雷达手势识别方法 | |
CN111931833A (zh) | 一种基于多源数据驱动的天基多维信息融合方法及系统 | |
CN114663916A (zh) | 一种基于深度抽象特征的热红外人体目标识别方法 | |
CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及系统 |
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 |