CN112418340B - 一种带振荡阻尼的复合加权融合方法和系统 - Google Patents
一种带振荡阻尼的复合加权融合方法和系统 Download PDFInfo
- Publication number
- CN112418340B CN112418340B CN202011367817.4A CN202011367817A CN112418340B CN 112418340 B CN112418340 B CN 112418340B CN 202011367817 A CN202011367817 A CN 202011367817A CN 112418340 B CN112418340 B CN 112418340B
- Authority
- CN
- China
- Prior art keywords
- formula
- evidence
- conflict
- group
- basic
- 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
- 230000010355 oscillation Effects 0.000 title claims abstract description 59
- 238000013016 damping Methods 0.000 title claims abstract description 46
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 16
- 239000002131 composite material Substances 0.000 title claims description 27
- 230000006870 function Effects 0.000 claims abstract description 99
- 238000005315 distribution function Methods 0.000 claims abstract description 58
- 230000004927 fusion Effects 0.000 claims abstract description 52
- 150000001875 compounds Chemical class 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 3
- 238000009795 derivation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种带振荡阻尼的复合加权融合方法和系统,对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数;根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;根据多个冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束,得到修正后的基本信度分配函数时序,使修正后的基本信度分配函数时序不会违背常理,避免在未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏,且性能高效稳定,理论推导完备,具有良好的学术及工程应用前景。
Description
技术领域
本发明涉及多源信息融合技术领域,尤其涉及一种带振荡阻尼的复合加权融合方法和系统。
背景技术
证据理论是一种处理不确定性问题的完整理论,能够将不同传感器数据或者分类器输出结果进行融合,从而获取各种假设下的综合决策;经典的证据理论具有良好的信息聚焦性,但其存在三个缺点:1、不区分证据间的置信度差异,导致综合决策往往不够准确;2、当证据间存在冲突时,通常会有违背常理的融合结果输出;3、未考虑起伏约束,导致融合概率时序输出不平稳;综上所述,经典的证据理论在未充分利用证据先验知识时以及证据间存在冲突时容易产生决策偏差与起伏。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种带振荡阻尼的复合加权融合方法和系统。
本发明的一种带振荡阻尼的复合加权融合方法的技术方案如下:
S1、对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数;
S2、根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;
S3、根据多个所述冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;
S4、根据振荡阻尼约束对所述基本信度分配函数时序进行约束,得到修正后的基本信度分配函数时序。
本发明的一种带振荡阻尼的复合加权融合方法的有益效果如下:
经典证据理论在未充分利用证据先验知识时以及证据间存在冲突时会导致融合决策结果与客观现实不相匹配,引起决策偏差;此外,经典证据理论是典型的无序融合算法,对于时序数据,无序融合无法约束融合后的概率起伏,导致输出概率时序出现不平稳的振荡。通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束抑制过大的概率振荡,通过复合加权引入证据先验知识,抑制证据间的冲突,得到修正后的基本信度分配函数时序,使修改后的基本信度分配函数时序不会违背常理,避免在未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏。本发明的一种带振荡阻尼的复合加权融合方法高效稳定,理论推导完备,具有良好的学术及工程应用前景。
在上述方案的基础上,本发明的一种带振荡阻尼的复合加权融合方法还可以做如下改进。
进一步,所述S1包括:
通过第一公式得到对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,所述第一公式为:
其中,表示第n组证据的第一基本信度分配函数,β=[β1,β2,...,βN],表示N组证据的置信配置向量,βn∈[0,1],/>Ω表示论域集合且Ω={tar_1,tar_2,...,tar_M},tar_1,tar_2,...,tar_M分别表示一个目标类型,N组证据中第n组证据的基本信度分配函数为mn:2Ω→[0,1],满足/>其中2Ω为Ω的幂集,A为幂集中的任一命题,φ为空集,N和M均为正整数。
进一步,所述S2包括:
S20、根据第二公式得到每组证据的第一基本信度分配函数所对应的关联Pignistic概率函数所述第二公式为:
表示第n组证据的关联Pignistic概率函数;
S21、获取任意两组证据对应的关联Pignistic概率函数,并根据第三公式得到冲突距离所述第三公式为:/>其中,/>和分别表示任意两组证据对应的关联Pignistic概率函数,/>
S22、根据第四公式得到第x组证据与第y组证据的概率冲突系数CRx,y,所述第四公式为:其中,/>
S23、根据第五公式得到第x组证据与第y组证据之间的冲突折扣系数Ratex,y,第五公式为:
其中,Th1为预设冲突系数下限,Th2为预设冲突系数上限,Pmin为预设冲突折扣系数下限,Pmax为预设冲突折扣系数上限;
S24、重复执行S20至S24,得到每两组证据之间的冲突折扣系数。
进一步,所述S3包括:
通过第六公式对第j组证据与第j+1组证据进行复合加权融合,所述第六公式为:
其中,:=为变量赋值算子;j∈{1,2,...,N-1};
将所述第六公式中j的取值按1到N-1的递增顺序遍历,同时按顺序更新Ratej,j+1,得到经复合加权融合后的基本信度分配函数时序: 其中,/>为第j+1组证据复合加权后的基本信度分配函数。
进一步,所述S4包括:
S40、通过第七公式对所述基本信度分配函数时序进行归一化处理,所述第七公式为:
S41、通过第八公式获取的最大偏差概率的索引位置I,所述第八公式为:Q表示兴趣目标类型且Q∈Ω;
S42、通过第九公式获取所述兴趣目标类型Q的振荡阻尼约束概率,所述第九公式为:其中,/>q表示预设概率振荡上界;▽为所述兴趣目标类型Q的概率振荡幅度约束;sign(·)为符号算子;
S43、通过第九公式对所述基本信度分配函数时序进行更新,得到修正后的基本信度分配函数时序:
本发明的一种带振荡阻尼的复合加权融合系统的技术方案如下:
包括加权模块、冲突折扣系数计算模块、复合加权融合模块、约束模块;
所述加权模块用于对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数;
所述冲突折扣系数计算模块用于根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;
所述复合加权融合模块用于根据多个所述冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;
所述约束模块用于根据振荡阻尼约束对所述基本信度分配函数时序进行约束,得到修正后的基本信度分配函数时序。
本发明的一种带振荡阻尼的复合加权融合系统的有益效果如下:
通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束,得到修正后的基本信度分配函数时序,使修正后的基本信度分配函数时序不会违背常理,避免在未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏,且本发明的一种带振荡阻尼的复合加权融合系统高效稳定,理论推导完备,具有良好的学术及工程应用前景。
在上述方案的基础上,本发明的一种带振荡阻尼的复合加权融合系统还可以做如下改进。
进一步,所述加权模块具体用于:
通过第一公式得到对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,所述第一公式为:
其中,表示第n组证据的第一基本信度分配函数,β=[β1,β2,...,βN],表示N组证据的置信配置向量,βn∈[0,1],/>Ω表示论域集合且Ω={tar_1,tar_2,...,tar_M},tar_1,tar_2,...,tar_M分别表示一个目标类型,N组证据中第n组证据的基本信度分配函数为mn:2Ω→[0,1],满足/>其中2Ω为Ω的幂集,A为幂集中的任一命题,φ为空集,N和M均为正整数。
进一步,所述冲突折扣系数计算模块具体用于:
根据第二公式得到每组证据的第一基本信度分配函数所对应的关联Pignistic概率函数所述第二公式为:/> 表示第n组证据的关联Pignistic概率函数;获取任意两组证据对应的关联Pignistic概率函数,并根据第三公式得到冲突距离/>所述第三公式为:其中,/>和/>分别表示任意两组证据对应的关联Pignistic概率函数,/>
根据第四公式得到第x组证据与第y组证据的概率冲突系数CRx,y,所述第四公式为:其中,/>
根据第五公式得到第x组证据与第y组证据之间的冲突折扣系数Ratex,y,第五公式为:
其中,Th1为预设冲突系数下限,Th2为预设冲突系数上限,Pmin为预设冲突折扣系数下限,Pmax为预设冲突折扣系数上限,直到得到两组证据之间的冲突折扣系数。
进一步,所述复合加权融合模块具体用于:
通过第六公式对第j组证据与第j+1组证据进行复合加权融合,所述第六公式为:
其中,:=为变量赋值算子;j∈{1,2,...,N-1};
将所述第六公式中j的取值按1到N-1的递增顺序遍历,同时按顺序更新Ratej,j+1,得到经复合加权融合后的基本信度分配函数时序: 其中,/>为第j+1组证据复合加权后的基本信度分配函数。
进一步,所述约束模块具体用于:
通过第七公式对所述基本信度分配函数时序进行归一化处理,所述第七公式为:
通过第八公式获取的最大偏差概率的索引位置I,所述第八公式为:Q表示兴趣目标类型且Q∈Ω;
通过第九公式获取所述兴趣目标类型Q的振荡阻尼约束概率,所述第九公式为:其中,/>q表示预设概率振荡上界;▽为所述兴趣目标类型Q的概率振荡幅度约束;sign(·)为符号算子;
通过第九公式对所述基本信度分配函数时序进行更新,得到修正后的基本信度分配函数时序:
附图说明
图1为本发明实施例的一种带振荡阻尼的复合加权融合方法的流程示意图;
图2为本发明实施例的一种带振荡阻尼的复合加权融合系统的结构示意图;
具体实施方式
如图1所示,本发明实施例的一种带振荡阻尼的复合加权融合方法,包括如下步骤:
S1、对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数;
S2、根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;
S3、根据多个所述冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;
S4、根据振荡阻尼约束对所述基本信度分配函数时序进行约束,得到修正后的基本信度分配函数时序。
通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束,得到修正后的基本信度分配函数时序,使修正后的基本信度分配函数时序不会违背常理,避免未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏,且本发明的一种带振荡阻尼的复合加权融合方法高效稳定,理论推导完备,具有良好的学术及工程应用前景。
根据系统任务需求,提取修正后基本信度分配函数时序中兴趣目标类型的函数取值,形成归一化概率时序,送系统终端显控界面输出显示;操作员可根据显控终端输出的不同目标间概率时序的相对关系,人为选择相对概率较高的若干目标进行重点关注或采取相应措施;此外,主控计算机也可实时依据瞬时时刻不同目标间概率时序的相对关系,自动进行目标威胁等级排序,依排序结果自动采取相应措施。
其中,所述S1包括:
通过第一公式得到对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,所述第一公式为:
其中,表示第n组证据的第一基本信度分配函数,β=[β1,β2,...,βN],表示N组证据的置信配置向量,βn∈[0,1],/>Ω表示论域集合且Ω={tar_1,tar_2,...,tar_M},tar_1,tar_2,...,tar_M分别表示一个目标类型,N组证据中第n组证据的基本信度分配函数为mn:2Ω→[0,1],满足/>其中2Ω为Ω的幂集,A为幂集中的任一命题,φ为空集,N和M均为正整数。
需要注意的是:
1)M个目标类型的类间互不相容,论域集合Ω是完备有穷的;
2)第n组证据的基本信度分配函数为,mn:2Ω→[0,1]表示将幂集2Ω中的任一命题映射到闭集[0,1]内的一个实数上,幂集2Ω构建论域集合Ω中的所有命题,一般来说,论域集合Ω中有M个元素即tar_1,tar_2,...,tar_M时,则幂集2Ω中有2M个元素即命题;
3)定义φ为空集,满足mn(φ)=0;
4)N组证据的置信配置向量:β=[β1,β2,...,βN]可由专家直接指定,也可结合不同证据的有效识别信噪比边界范围、带宽差异、精度差异等因素综合指定;
5)根据可知,A表示2Ω中的任一个命题;
6)·为基数算子,用于统计命题中的元素个数,例如,A表示统计命题A中的元素个数。
其中,所述S2包括:
S20、根据第二公式得到每组证据的第一基本信度分配函数所对应的关联Pignistic概率函数所述第二公式为:/> 表示第n组证据的关联Pignistic概率函数;
S21、获取任意两组证据对应的关联Pignistic概率函数,并根据第三公式得到冲突距离所述第三公式为:/>其中,/>和/>分别表示任意两组证据对应的关联Pignistic概率函数,
S22、根据第四公式得到第x组证据与第y组证据的概率冲突系数CRx,y,所述第四公式为:其中,/>S23、根据第五公式得到第x组证据与第y组证据之间的冲突折扣系数Ratex,y,第五公式为:
其中,Th1为预设冲突系数下限,Th2为预设冲突系数上限,Pmin为预设冲突折扣系数下限,Pmax为预设冲突折扣系数上限;
S24、重复执行S20至S24,得到任意两组证据之间的冲突折扣系数。
其中,冲突距离表示/>和/>之间的冲突距离;
其中,所述S3包括:
通过第六公式对第j组证据与第j+1组证据进行复合加权融合,所述第六公式为:
其中,=为变量赋值算子;j∈{1,2,...,N-1};
将所述第六公式中j的取值按1到N-1的递增顺序遍历,同时按顺序更新Ratej,j+1,得到经复合加权融合后的基本信度分配函数时序: 其中,/>为第j+1组证据复合加权后的基本信度分配函数。具体地:
S30、将j初始化为1;
S31、根据第五公式计算出Ratej,j+1;
S32、根据第六公式计算出
S33、根据第六公式将赋值给第j+1组证据的第一基本信度分配函数/>
S34、令j:=j+1,重复迭代S31~S34,直至得到基本信度分配函数时序:
其中,根据可知,B、C分别表示2Ω中的任一个命题,且/>可清楚表示A、B、C之间的关系。
以表示第n组证据复合加权后的基本信度分配函数n,win为设定的阻尼窗长,前序融合的基本信度分配函数时序为/>设定集内命题即A∈Ω和全集命题即A=Ω的基本信度分配函数存在,其余命题的基本信度分配函数为零,那么:
所述S4包括:
S40、通过第七公式对所述基本信度分配函数时序进行归一化处理,所述第七公式为:
S41、通过第八公式获取的最大偏差概率的索引位置I,所述第八公式为:Q表示兴趣目标类型且Q∈Ω;
S42、通过第九公式获取所述兴趣目标类型Q的振荡阻尼约束概率,所述第九公式为:其中,/>q表示预设概率振荡上界;▽为所述兴趣目标类型Q的概率振荡幅度约束;sign(·)为符号算子;
S43、通过第九公式对所述基本信度分配函数时序进行更新,得到修正后的基本信度分配函数时序:
通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束,得到修正后的基本信度分配函数时序,使修正后的基本信度分配函数时序不会违背常理,避免在未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏,且本发明的一种带振荡阻尼的复合加权融合方法高效稳定,理论推导完备,具有良好的学术及工程应用前景。
在上述各实施例中,虽然对步骤进行进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图2所示,本发明实施例的一种带振荡阻尼的复合加权融合系统200,包括加权模块210、冲突折扣系数模块计算220、复合加权融合模块230、约束模块240;
所述加权模块210用于对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数;
所述冲突折扣系数计算模块220用于根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;
所述复合加权融合模块230用于根据多个所述冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;
所述约束模块240用于根据振荡阻尼约束对所述基本信度分配函数时序进行约束,得到修正后的基本信度分配函数时序。
通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束,得到修正后的基本信度分配函数时序,使修正后的基本信度分配函数时序不会违背常理,避免在未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏,且本发明的一种带振荡阻尼的复合加权融合系统200高效稳定,理论推导完备,具有良好的学术及工程应用前景。
其中,所述加权模块210具体用于:
通过第一公式得到对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,所述第一公式为:
其中,表示第n组证据的第一基本信度分配函数,β=[β1,β2,...,βN],表示N组证据的置信配置向量,βn∈[0,1],/>Ω表示论域集合且Ω={tar_1,tar_2,...,tar_M},tar_1,tar_2,...,tar_M分别表示一个目标类型,N组证据中第n组证据的基本信度分配函数为mn:2Ω→[0,1],满足/>其中2Ω为Ω的幂集,A为幂集中的任一命题,φ为空集,N和M均为正整数。
其中,所述计算冲突折扣系数模块220具体用于:根据第二公式得到每组证据的第一基本信度分配函数所对应的关联Pignistic概率函数所述第二公式为:/> 表示第n组证据的关联Pignistic概率函数;
获取任意两组证据对应的关联Pignistic概率函数,并根据第三公式得到冲突距离所述第三公式为:/>其中,/>和/>分别表示任意两组证据对应的关联Pignistic概率函数,/>
根据第四公式得到第x组证据与第y组证据的概率冲突系数CRx,y,所述第四公式为:其中,/>
根据第五公式得到第x组证据与第y组证据之间的冲突折扣系数Ratex,y,第五公式为:
其中,Th1为预设冲突系数下限,Th2为预设冲突系数上限,Pmin为预设冲突折扣系数下限,Pmax为预设冲突折扣系数上限,直至得到任意两组证据之间的冲突折扣系数。
其中,所述复合加权融合模块230具体用于:
通过第六公式对第j组证据与第j+1组证据进行复合加权融合,所述第六公式为:
其中,:=为变量赋值算子;j∈{1,2,...,N-1};
将所述第六公式中j的取值按1到N-1的递增顺序遍历,同时按顺序更新Ratej,j+1,得到经复合加权融合后的基本信度分配函数时序: 其中,/>为第j+1组证据复合加权后的基本信度分配函数。
其中,所述约束模块240具体用于:
通过第七公式对所述基本信度分配函数时序进行归一化处理,所述第七公式为:
通过第八公式获取的最大偏差概率的索引位置I,所述第八公式为:Q表示兴趣目标类型且Q∈Ω;
通过第九公式获取所述兴趣目标类型Q的振荡阻尼约束概率,所述第九公式为:其中,/>q表示预设概率振荡上界;▽为所述兴趣目标类型Q的概率振荡幅度约束;sign(·)为符号算子;
通过第九公式对所述基本信度分配函数时序进行更新,得到修正后的基本信度分配函数时序:
上述关于本发明的一种带振荡阻尼的复合加权融合系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种带振荡阻尼的复合加权融合方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例的一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现上述任一实施的一种带振荡阻尼的复合加权融合方法的步骤。
通过振荡阻尼约束对基本信度分配函数时序的随机起伏进行约束,得到修正后的基本信度分配函数时序,使修正后的基本信度分配函数时序不会违背常理,避免在未充分利用证据先验知识时以及证据间存在冲突时产生的决策偏差与起伏,且性能高效稳定,理论推导完备,具有良好的学术及工程应用前景。
其中,电子设备可以选用电脑、手机等,相对应地,其程序为电脑软件或手机APP等,且上述关于本发明的一种电子设备中的各参数和步骤,可参考上文中一种带振荡阻尼的复合加权融合方法的实施例中的各参数和步骤,在此不做赘述。
在本发明中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种带振荡阻尼的复合加权融合方法,其特征在于,包括:
S1、对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,其中,所述证据是不同传感器数据;
S2、根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;
S3、根据多个所述冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;
S4、根据振荡阻尼约束对所述基本信度分配函数时序进行约束,得到修正后的基本信度分配函数时序;
所述S1包括:
通过第一公式得到对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,所述第一公式为:
其中,表示第n组证据的第一基本信度分配函数,β=[β1,β2,...,βN],表示N组证据的置信配置向量,βn∈[0,1],/>Ω表示论域集合且Ω={tar_1,tar_2,...,tar_M},tar_1,tar_2,...,tar_M分别表示一个目标类型,N组证据中第n组证据的基本信度分配函数为mn:2Ω→[0,1],满足/>其中2Ω为Ω的幂集,A为幂集中的任一命题,φ为空集,N和M均为正整数;
所述S2包括:
S20、根据第二公式得到每组证据的第一基本信度分配函数所对应的关联Pignistic概率函数所述第二公式为:
表示第n组证据的关联Pignistic概率函数;
S21、获取任意两组证据对应的关联Pignistic概率函数,并根据第三公式得到冲突距离所述第三公式为:
其中,/>和/>分别表示任意两组证据对应的关联Pignistic概率函数,/>
S22、根据第四公式得到第x组证据与第y组证据的概率冲突系数CRx,y,所述第四公式为:
其中,/>
S23、根据第五公式得到第x组证据与第y组证据之间的冲突折扣系数Ratex,y,第五公式为:
其中,Th1为预设冲突系数下限,Th2为预设冲突系数上限,Pmin为预设冲突折扣系数下限,Pmax为预设冲突折扣系数上限;
S24、重复执行S20至S24,得到每两组证据之间的冲突折扣系数;
所述S3包括:
通过第六公式对第j组证据与第j+1组证据进行复合加权融合,所述第六公式为:
其中,:=为变量赋值算子;j∈{1,2,...,N-1};
将所述第六公式中j的取值按1到N-1的递增顺序遍历,同时按顺序更新Ratej,j+1,得到经复合加权融合后的基本信度分配函数时序: 其中,/> 为第j+1组证据复合加权后的基本信度分配函数;
所述S4包括:
S40、通过第七公式对所述基本信度分配函数时序进行归一化处理,所述第七公式为:
S41、通过第八公式获取的最大偏差概率的索引位置I,所述第八公式为:Q表示兴趣目标类型且Q∈Ω,win为约束统计窗长;
S42、通过第九公式获取所述兴趣目标类型Q的振荡阻尼约束概率,所述第九公式为:其中,/>q表示预设概率振荡上界;▽为所述兴趣目标类型Q的概率振荡幅度约束;sign(·)为符号算子;
S43、通过第九公式对所述基本信度分配函数时序进行更新,得到修正后的基本信度分配函数时序:
2.一种带振荡阻尼的复合加权融合系统,其特征在于,包括加权模块、冲突折扣系数计算模块、复合加权融合模块、约束模块;
所述加权模块用于对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,其中,所述证据是不同传感器数据;
所述冲突折扣系数计算模块用于根据每组证据的第一基本信度分配函数得到每两组证据之间的冲突折扣系数;
所述复合加权融合模块用于根据多个所述冲突折扣系数对每两组证据的第一基本信度分配函数进行复合加权融合,得到经复合加权融合后的基本信度分配函数时序;
所述约束模块用于根据振荡阻尼约束对所述基本信度分配函数时序进行约束,得到修正后的基本信度分配函数时序;
所述加权模块具体用于:
通过第一公式得到对每组证据的基本信度分配函数进行加权,得到每组证据的第一基本信度分配函数,所述第一公式为:
其中,表示第n组证据的第一基本信度分配函数,β=[β1,β2,...,βN],表示N组证据的置信配置向量,βn∈[0,1],/>Ω表示论域集合且Ω={tar_1,tar_2,...,tar_M},tar_1,tar_2,…,tar_M分别表示一个目标类型,N组证据中第n组证据的基本信度分配函数为mn:2Ω→[0,1],满足/>其中2Ω为Ω的幂集,A为幂集中的任一命题,φ为空集,N和M均为正整数;
所述冲突折扣系数计算模块具体用于:
根据第二公式得到每组证据的第一基本信度分配函数所对应的关联Pignistic概率函数所述第二公式为:
Pignistic概率函数;
获取任意两组证据对应的关联Pignistic概率函数,并根据第三公式得到冲突距离所述第三公式为:/>其中,/>和/>分别表示任意两组证据对应的关联Pignistic概率函数,/>
根据第四公式得到第x组证据与第y组证据的概率冲突系数CRx,y,所述第四公式为:
其中,/>
根据第五公式得到第x组证据与第y组证据之间的冲突折扣系数Ratex,y,第五公式为:
其中,Th1为预设冲突系数下限,Th2为预设冲突系数上限,Pmin为预设冲突折扣系数下限,Pmax为预设冲突折扣系数上限;直至得到每两组证据之间的冲突折扣系数;
所述复合加权融合模块具体用于:
通过第六公式对第j组证据与第j+1组证据进行复合加权融合,所述第六公式为:
其中,:=为变量赋值算子;j∈{1,2,...,N-1};
将所述第六公式中j的取值按1到N-1的递增顺序遍历,同时按顺序更新Ratej,j+1,得到经复合加权融合后的基本信度分配函数时序: 其中,/> 为第j+1组证据复合加权后的基本信度分配函数;
所述约束模块具体用于:
通过第七公式对所述基本信度分配函数时序进行归一化处理,所述第七公式为:
通过第八公式获取的最大偏差概率的索引位置I,所述第八公式为:
Q表示兴趣目标类型且Q∈Ω,win为约束统计窗长;
通过第九公式获取所述兴趣目标类型Q的振荡阻尼约束概率,所述第九公式为:其中,/>q表示预设概率振荡上界;▽为所述兴趣目标类型Q的概率振荡幅度约束;sign(·)为符号算子;
通过第九公式对所述基本信度分配函数时序进行更新,得到修正后的基本信度分配函数时序:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367817.4A CN112418340B (zh) | 2020-11-27 | 2020-11-27 | 一种带振荡阻尼的复合加权融合方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011367817.4A CN112418340B (zh) | 2020-11-27 | 2020-11-27 | 一种带振荡阻尼的复合加权融合方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418340A CN112418340A (zh) | 2021-02-26 |
CN112418340B true CN112418340B (zh) | 2024-06-04 |
Family
ID=74828805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011367817.4A Active CN112418340B (zh) | 2020-11-27 | 2020-11-27 | 一种带振荡阻尼的复合加权融合方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418340B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009007395A1 (de) * | 2008-03-25 | 2009-10-01 | Volkswagen Ag | Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN110008985A (zh) * | 2019-02-03 | 2019-07-12 | 河南科技大学 | 基于改进d-s证据理论规则的舰载机群目标识别方法 |
CN110380429A (zh) * | 2019-05-17 | 2019-10-25 | 武汉大学 | 一种兼顾阻尼特性的水电机组一次调频多目标优化方法 |
CN111625775A (zh) * | 2020-05-28 | 2020-09-04 | 河南大学 | 基于Hellinger距离和信度熵的加权冲突证据融合方法 |
-
2020
- 2020-11-27 CN CN202011367817.4A patent/CN112418340B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009007395A1 (de) * | 2008-03-25 | 2009-10-01 | Volkswagen Ag | Verfahren zur kartenbasierten Umfelddarstellung eines Fahrzeugs |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN107967487A (zh) * | 2017-11-27 | 2018-04-27 | 重庆邮电大学 | 一种基于证据距离和不确定度的冲突数据融合方法 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN110008985A (zh) * | 2019-02-03 | 2019-07-12 | 河南科技大学 | 基于改进d-s证据理论规则的舰载机群目标识别方法 |
CN110380429A (zh) * | 2019-05-17 | 2019-10-25 | 武汉大学 | 一种兼顾阻尼特性的水电机组一次调频多目标优化方法 |
CN111625775A (zh) * | 2020-05-28 | 2020-09-04 | 河南大学 | 基于Hellinger距离和信度熵的加权冲突证据融合方法 |
Non-Patent Citations (2)
Title |
---|
Excitation Spectrum of a Trapped Dipolar Supersolid and Its Experimental Evidence;G. Natale等;Physics;20190801;第123卷(第05期);1-6 * |
动力定位系统的定位精度与功率优化研究;王洪超;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20150615;C036-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN112418340A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11190536B2 (en) | Website vulnerability scan method, device, computer apparatus, and storage medium | |
US9531746B2 (en) | Generating accurate preemptive security device policy tuning recommendations | |
US20170206485A1 (en) | Automatic learning of weight settings for multi-objective models | |
CN109408731A (zh) | 一种多目标推荐方法、多目标推荐模型生成方法以及装置 | |
CN111444009A (zh) | 一种基于深度强化学习的资源分配方法及装置 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN113128419A (zh) | 一种障碍物识别方法和装置、电子设备及存储介质 | |
CN111309975A (zh) | 一种增强图模型抗攻击能力的方法和系统 | |
CN113920022A (zh) | 一种图像优化方法、装置、终端设备及可读存储介质 | |
CN114416351A (zh) | 资源分配方法、装置、设备、介质及计算机程序产品 | |
CN116996272A (zh) | 一种基于改进的麻雀搜索算法的网络安全态势预测方法 | |
CN115795535A (zh) | 一种提供自适应梯度的差分私有联邦学习方法及装置 | |
CN112418340B (zh) | 一种带振荡阻尼的复合加权融合方法和系统 | |
US20160330232A1 (en) | Malicious authorized access prevention apparatus and method of use thereof | |
CN114972113A (zh) | 图像处理方法、装置、电子设备及可读存储介质 | |
US11509662B2 (en) | Method, device and computer program product for processing access management rights | |
US11388223B2 (en) | Management device, management method, and management program | |
CN117235770A (zh) | 一种基于差分隐私的电力数据共享分析系统及方法 | |
Grzybowska et al. | Application of Machine Learning Method under IFRS 9 Approach to LGD Modeling. | |
Che et al. | “Near” weighted utilitarian characterizations of Pareto optima | |
CN113672807A (zh) | 推荐方法、装置、介质、装置和计算设备 | |
Mohamed et al. | Approximation of aggregate losses using simulation | |
CN113961556A (zh) | 用于信息处理的方法、装置、设备和存储介质 | |
EP3748549A1 (en) | Learning device and learning method | |
CN115550259B (zh) | 基于白名单的流量分配方法及相关设备 |
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 |