CN112464991A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112464991A CN112464991A CN202011215224.6A CN202011215224A CN112464991A CN 112464991 A CN112464991 A CN 112464991A CN 202011215224 A CN202011215224 A CN 202011215224A CN 112464991 A CN112464991 A CN 112464991A
- Authority
- CN
- China
- Prior art keywords
- evidence
- sensor
- game
- target
- evolution
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000010076 replication Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- ZUROCNHARMFRKA-UHFFFAOYSA-N 4,5-dibromo-1h-pyrrole-2-carboxylic acid Chemical compound OC(=O)C1=CC(Br)=C(Br)N1 ZUROCNHARMFRKA-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了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,包括以下步骤:步骤一依据传感器样本数据生成对应的基本概率指派函数;步骤二依据辨识框架建立证据的命题层博弈模型;步骤三依据命题层博弈矩阵建立证据层博弈收益矩阵;步骤四依据多种群动力学对证据进行演化;步骤五依据步骤四的演化结果进行加权平均处理和决策判断。本发明在建立命题层博弈模型的基础上,建立证据层博弈模型,既考虑了证据命题之间的博弈,又考虑了证据之间的相互博弈,使用多种群动力学对生成的证据进行演化,并对演化结果进行加权平均处理进而识别出目标类型,能够动态的反映证据之间的相互作用及影响,为不确定信息融合问题提供了一种新的解决思路。
Description
技术领域
本发明属于目标识别领域,具体涉及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。
背景技术
目标识别技术是现代军事指挥系统达到高效决策与指挥的重要手段,要做到正确、及时地对局势进行决策、指挥,就需要对多源信息进行快速合理的处理,提高指挥员对局面的感知程度和反应能力,从而提高决策质量和水平。
演化博弈论最初是用于生物模型的建模,与经典的博弈论相比,具有很大的发展。后来演化博弈论被用于社会制度分析,便出现了演化博弈论向其他学科交叉、融合的使用现象。近些年来,演化博弈论在不确定信息融合领域的应用越来越受到人们的关注。对于不确定信息的处理,在以往的研究中都是采取静态的方式,使用Dempster组合规则以及修正的Dempster组合规则甚至其他的融合方法将证据模型进行融合。而这些方法都忽略了信息之间动态的相互影响。演化博弈论在复制者动态这一演化动态的模型上,建立了相应的动态分析方法。将演化博弈论应用到不确定信息处理模型上,可以动态地分析信息之间的相互影响,并且能观察到信息的动态演化状态,这为不确定信息融合的问题提供了新的解决方案和研究思路。
此外,多种群动力学模型主要用于模仿多种群之间的相互作用及影响,也可以将这种思想应用到不确定信息融合问题上,为其提供一种解决思路。
因此,本申请基于多种群动力学,使用演化博弈论方法融合多传感器证据模型,一方面可以动态的分析证据之间的相互作用和影响,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:如何实现传感器目标识别。使用该方法实现传感器目标识别问题具有重要意义。
为解决上述技术问题,本发明采用的技术方案是一种基于多种群动力学的多传感器证据演化博弈融合识别方法,其特征在于,包括以下步骤:
步骤一、依据传感器样本数据生成对应的基本概率指派函数;
使用n个传感器对k个目标进行目标识别,将第i个传感器对第j个目标的识别概率记为Pi(j),i=1,2,…,n,j=1,2,…,k,辨识框架为Ω={F1,F2,...,Fk},Ω的幂集合为2Ω={φ,{F1},...,{Fk},{F1F2},...,{F1FN},...,Ω},将传感器对每个目标识别的概率值转换成对应的基本概率指派函数,从而建立证据模型,所述基本概率指派函数的转换方法为:
步骤101:令传感器i对第j个目标的识别概率Pi(j)为证据i对元素Fj的支持程度mi({Fj}),即转换成基本概率指派函数,依据基本概率指派函数的性质可知m(φ)=0,且若传感器i识别出一个目标B的概率为x,且无法得到其他的识别结果,这种情况下,转换成的基本概率指派函数即为mi({B})=x,mi({Ω})=1-x,其中Ω={F1,F2,...,Fk}为全集;
步骤102:根据步骤101将其余的传感器对目标识别的概率值均转换为相应的基本概率指派函数;
步骤二、依据辨识框架建立证据的命题层博弈模型;
步骤201:依据辨识框架Ω={F1,F2,...,Fk},可令博弈的策略空间为{{F1},...,{Fk},{F1F2},...,{F1FN},...,Ω},其中{F1F2}是集合{F1,F2}的简写。策略F1,F2两个个体相遇时各自的收益为JΩ(F1,F2),它在数值上等于F1与F2的Jaccard相似性系数,即其中|F1∩F2|指的是F1和F2的交集元素的个数,|F1∪F2|指的是F1和F2的并集元素的个数;
步骤202:根据步骤201,计算出证据的命题层博弈矩阵JΩ;
步骤三、依据命题层博弈矩阵建立证据层博弈收益矩阵;
步骤302:基于步骤二计算得到的命题层的博弈收益矩阵,以及步骤301引入的证据距离,将证据层博弈矩阵定义为A=J·(1-D);
步骤四、依据多种群动力学对证据进行演化;
步骤401:基于步骤三计算得到的证据层博弈矩阵,使用多种群复制动力学公式对步骤一中产生的基本概率指派函数进行演化。在多种群复制动力学中,代表着第s个物种的第i个个体,s=1,...,n,表示随时间的变化量,A代表着相互作用的两个物种相遇时各自的收益,n指的是物种的总数。把这种思想应用到证据的演化博弈问题中,令代表第s个证据的第i个基本概率指派数,表示随时间的变化量,A代表两个证据相互作用时各自的收益;
步骤402:依据步骤401的演化模型对基本概率指派函数进行演化得到时间t之后的证据m1',m'2,...,m'n;
步骤五、依据演化结果进行加权平均处理和决策判断;
步骤502:在步骤501得到的新证据m*中,m*({Fi})代表着传感器对第i个目标{Fi}的支持程度,据此可以得到传感器对所有目标的支持程度,依据传感器对各个目标的支持程度就可以做出相应的决策判断。
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、本发明通过辨识框架建立命题层博弈模型,并基于命题层博弈模型建立证据层博弈模型,能够有效反映证据之间的相互作用及影响;
3、本发明通过多种群动力学对证据进行演化,不仅能动态的对证据相互之间的作用和影响进行分析,而且将多种群动力学思想应用到不确定信息融合问题上,为其提供了一种新的解决思路。
综上所述,本发明技术方案设计合理,将传感器样本数据生成对应的基本概率指派函数,并依据辨识框架建立命题层博弈模型,基于命题层建立证据层博弈模型,并依据多种群动力学对证据进行演化,既能够动态的分析证据之间的相互作用和影响,又能提高目标识别的准确性。
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。
如图1所示,本发明包括以下步骤:
步骤一、依据传感器样本数据生成对应的基本概率指派函数;
实际使用时,采用n个传感器对k个目标进行目标识别,将第i个传感器对第j个目标的识别概率记为Pi(j),i=1,2,…,n,j=1,2,…,k,辨识框架为Ω={F1,F2,...,Fk},Ω的幂集合为2Ω={φ,{F1},...,{Fk},{F1F2},...,{F1FN},...,Ω}。多个目标进行识别能更充分地反映目标情况,从而提高目标识别的准确性;其次,转换成证据模型便于后面进行融合处理。因此,将传感器对每个目标识别的概率值转换成对应的基本概率指派函数,从而建立证据模型,所述基本概率指派函数的转换方法为:
步骤101:令传感器i对第j个目标的识别概率Pi(j)为证据i对元素Fj的支持程度mi({Fj}),即转换成基本概率指派函数,依据基本概率指派函数的性质可知m(φ)=0,且若传感器i识别出一个目标B的概率为x,且无法得到其他的识别结果,这种情况下,转换成的基本概率指派函数即为mi({B})=x,mi({Ω})=1-x,其中Ω={F1,F2,...,Fk}为全集;
步骤102:根据步骤101将其余的传感器对目标识别的概率值均转换为相应的基本概率指派函数;
步骤二、依据辨识框架建立证据的命题层博弈模型;
为了将证据的命题层间的相互博弈关系考虑进去,本申请在辨识框架的基础上,建立命题层博弈模型,反映证据命题之间的相互作用,具体方法为:
步骤201:依据辨识框架Ω={F1,F2,...,Fk},可令博弈的策略空间为{{F1},...,{Fk},{F1F2},...,{F1FN},...,Ω},其中{F1F2}是集合{F1,F2}的简写。策略F1,F2两个个体相遇时各自的收益为JΩ(F1,F2),它在数值上等于F1与F2的Jaccard相似性系数,即其中|F1∩F2|指的是F1和F2的交集元素的个数,|F1∪F2|指的是F1和F2的并集元素的个数;
步骤202:根据步骤201,计算出证据的命题层博弈矩阵JΩ;
步骤三、依据命题层博弈矩阵建立证据层博弈收益矩阵;
建立命题层博弈之后,若仅考虑命题之间的相互关系而不考虑证据之间的关系是不合理的,因此需要建立证据层博弈模型,来反映证据之间的相互关系,具体方法为:
步骤302:基于步骤二计算得到的命题层的博弈收益矩阵,以及步骤301引入的证据距离,将证据层博弈矩阵定义为A=J·(1-D);
步骤四、依据多种群动力学对证据进行演化;
生成基本概率指派函数以及建立证据层博弈之后,就需要对各个证据进行演化。若采用单种群动力学对多个证据情况进行演化时,需要在演化之前将证据进行处理转化成一个证据,而这种情况下就不能反映各个证据的动态演化情况。因此,采用多种群动力学,先对各个证据进行演化,再进行处理,具体方法为:
步骤401:基于步骤三计算得到的证据层博弈矩阵,使用多种群复制动力学公式对步骤一中产生的基本概率指派函数进行演化。在多种群复制动力学中,代表着第s个物种的第i个个体,s=1,...,n,表示随时间的变化量,A代表着相互作用的两个物种相遇时各自的收益,n指的是物种的总数,把这种思想应用到证据的演化博弈问题中,令代表第s个证据的第i个基本概率指派数,表示随时间的变化量,A代表两个证据相互作用时各自的收益;
步骤402:依据步骤401的演化模型对基本概率指派函数进行演化得到时间t之后的证据m′1,m′2,...,m′n;
步骤五、依据演化结果进行加权平均处理和决策判断;
演化后的结果仍为n个证据,此时需要对其进行加权平均处理转换成一个证据,根据得到的证据判断目标识别结果,具体方法为:
步骤502:在步骤501得到的新证据m*中,m*({Fi})代表着传感器对第i个目标{Fi}的支持程度,据此可以得到传感器对所有目标的支持程度,依据传感器对各个目标的支持程度就可以做出相应的决策判断。
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)
1.一种基于多种群动力学的多传感器证据演化博弈融合识别方法,其特征在于,包括以下步骤:
步骤一、依据传感器样本数据生成对应的基本概率指派函数;
使用n个传感器对k个目标进行目标识别,将第i个传感器对第j个目标的识别概率记为Pi(j),i=1,2,…,n,j=1,2,…,k,辨识框架为Ω={F1,F2,...,Fk},Ω的幂集合为2Ω={φ,{F1},...,{Fk},{F1F2},...,{F1FN},...,Ω},将传感器对每个目标识别的概率值转换成对应的基本概率指派函数,从而建立证据模型,所述基本概率指派函数的转换方法为:
步骤101:令传感器i对第j个目标的识别概率Pi(j)为证据i对元素Fj的支持程度mi({Fj}),即转换成基本概率指派函数,依据基本概率指派函数的性质可知m(φ)=0,且若传感器i识别出一个目标B的概率为x,且无法得到其他的识别结果,这种情况下,转换成的基本概率指派函数即为mi({B})=x,mi({Ω})=1-x,其中Ω={F1,F2,...,Fk}为全集;
步骤102:根据步骤101将其余的传感器对目标识别的概率值均转换为相应的基本概率指派函数;
步骤二、依据辨识框架建立证据的命题层博弈模型;
步骤201:依据辨识框架Ω={F1,F2,...,Fk},可令博弈的策略空间为{{F1},...,{Fk},{F1F2},...,{F1FN},...,Ω},其中{F1F2}是集合{F1,F2}的简写。策略F1,F2两个个体相遇时各自的收益为JΩ(F1,F2),它在数值上等于F1与F2的Jaccard相似性系数,即其中|F1∩F2|指的是F1和F2的交集元素的个数,|F1∪F2|指的是F1和F2的并集元素的个数;
步骤202:根据步骤201,计算出证据的命题层博弈矩阵JΩ;
步骤三、依据命题层博弈矩阵建立证据层博弈收益矩阵;
步骤302:基于步骤二计算得到的命题层的博弈收益矩阵,以及步骤301引入的证据距离,将证据层博弈矩阵定义为A=J·(1-D);
步骤四、依据多种群动力学对证据进行演化;
步骤401:基于步骤三计算得到的证据层博弈矩阵,使用多种群复制动力学公式对步骤一中产生的基本概率指派函数进行演化。在多种群复制动力学中,代表着第s个物种的第i个个体,s=1,...,n,表示随时间的变化量,A代表着相互作用的两个物种相遇时各自的收益,n指的是物种的总数。把这种思想应用到证据的演化博弈问题中,令代表第s个证据的第i个基本概率指派数,表示随时间的变化量,A代表两个证据相互作用时各自的收益;
步骤402:依据步骤401的演化模型对基本概率指派函数进行演化得到时间t之后的证据m'1,m'2,...,m'n;
步骤五、依据演化结果进行加权平均处理和决策判断;
步骤502:在步骤501得到的新证据m*中,m*({Fi})代表着传感器对第i个目标{Fi}的支持程度,据此可以得到传感器对所有目标的支持程度,依据传感器对各个目标的支持程度就可以做出相应的决策判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011215224.6A CN112464991A (zh) | 2020-11-04 | 2020-11-04 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011215224.6A CN112464991A (zh) | 2020-11-04 | 2020-11-04 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464991A true CN112464991A (zh) | 2021-03-09 |
Family
ID=74834374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011215224.6A Pending CN112464991A (zh) | 2020-11-04 | 2020-11-04 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464991A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002081041A2 (en) * | 2001-04-06 | 2002-10-17 | Feldman Barry E | Method and system for using cooperative game theory to resolve statistical joint effects |
CN101308544A (zh) * | 2008-07-11 | 2008-11-19 | 中国科学院地理科学与资源研究所 | 一种基于栅格的空间异质模式识别方法及分层方法 |
CN103122486A (zh) * | 2011-11-04 | 2013-05-29 | 加利福尼亚大学董事会 | 肽微阵列及使用方法 |
CN108428008A (zh) * | 2018-02-08 | 2018-08-21 | 河南科技大学 | 一种d-s证据理论中基于优化证据距离的证据融合方法 |
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 |
CN111626567A (zh) * | 2020-04-30 | 2020-09-04 | 中国直升机设计研究所 | 一种保障资源相似性识别计算方法 |
CN111783565A (zh) * | 2020-06-15 | 2020-10-16 | 西北工业大学 | 一种基于正反证据信度结构的多传感器目标识别方法 |
-
2020
- 2020-11-04 CN CN202011215224.6A patent/CN112464991A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002081041A2 (en) * | 2001-04-06 | 2002-10-17 | Feldman Barry E | Method and system for using cooperative game theory to resolve statistical joint effects |
CN101308544A (zh) * | 2008-07-11 | 2008-11-19 | 中国科学院地理科学与资源研究所 | 一种基于栅格的空间异质模式识别方法及分层方法 |
CN103122486A (zh) * | 2011-11-04 | 2013-05-29 | 加利福尼亚大学董事会 | 肽微阵列及使用方法 |
CN108428008A (zh) * | 2018-02-08 | 2018-08-21 | 河南科技大学 | 一种d-s证据理论中基于优化证据距离的证据融合方法 |
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 |
CN111626567A (zh) * | 2020-04-30 | 2020-09-04 | 中国直升机设计研究所 | 一种保障资源相似性识别计算方法 |
CN111783565A (zh) * | 2020-06-15 | 2020-10-16 | 西北工业大学 | 一种基于正反证据信度结构的多传感器目标识别方法 |
Non-Patent Citations (4)
Title |
---|
FEDERICO CAMARDA 等: "Fusion of evidential occupancy grids for cooperative perception", 《2018 13TH ANNUAL CONFERENCE ON SYSTEM OF SYSTEMS ENGINEERING (SOSE)》 * |
XINYANG DENG 等: "Evidence Combination From an Evolutionary Game Theory Perspective", 《IEEE TRANSACTIONS ON CYBERNETICS》 * |
张雅媛: "基于D-S证据理论的无线传感器网络决策融合研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
邓鑫洋: "不确定环境下的博弈模型与群体行为动态演化", 《中国博士学位论文全文数据库 经济与管理科学辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Microstructural materials design via deep adversarial learning methodology | |
Wells et al. | Artificial intelligence in dermatopathology: Diagnosis, education, and research | |
JPH07295989A (ja) | データを解析するためのインタプリタを形成する装置 | |
CN108108762A (zh) | 一种用于冠心病数据分类的基于核极限学习机及并行化的随机森林分类方法 | |
CN111292195A (zh) | 风险账户的识别方法及装置 | |
CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
CN112256866A (zh) | 一种基于深度学习的文本细粒度情感分析方法 | |
CN114817663A (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
CN113407864A (zh) | 一种基于混合注意力网络的群组推荐方法 | |
JP2022080285A (ja) | ディープニューラルネットワーク(dnn)を保護するための方法、装置、およびコンピュータプログラム製品(dnnに対する敵対的攻撃の検出) | |
CN114239585A (zh) | 一种生物医学嵌套命名实体识别方法 | |
Korfmann et al. | Deep learning in population genetics | |
Tavakoli | Seq2image: Sequence analysis using visualization and deep convolutional neural network | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
CN107480627A (zh) | 行为识别方法、装置、存储介质和处理器 | |
CN112541541B (zh) | 基于多元素分层深度融合的轻量级多模态情感分析方法 | |
Terziyan et al. | Causality-aware convolutional neural networks for advanced image classification and generation | |
CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 | |
CN115952360B (zh) | 基于用户和物品共性建模的域自适应跨域推荐方法及系统 | |
CN112464991A (zh) | 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 | |
CN112424784A (zh) | 用于使用神经网络的改进的表标识的系统、方法和计算机可读介质 | |
Sateesh et al. | Optimized ensemble learning‐based student's performance prediction with weighted rough set theory enabled feature mining | |
Lu et al. | Image recognition algorithm based on improved AlexNet and shared parameter transfer learning | |
Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
CN115083511A (zh) | 基于图表示学习与注意力的外围基因调控特征提取方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210309 |
|
WD01 | Invention patent application deemed withdrawn after publication |