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

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

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

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P_i(j)，i＝1,2,…,n，j＝1,2,…,k，辨识框架为Ω＝{F₁,F₂,...,F_k}，Ω的幂集合为2^Ω＝{φ,{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,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P_i(j)为证据i对元素F_j的支持程度m_i({F_j})，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m_i({B})＝x，m_i({Ω})＝1-x，其中Ω＝{F₁,F₂,...,F_k}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,...,F_k}，可令博弈的策略空间为{{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,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J_Ω(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J_Ω；

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301：引入证据距离矩阵D(i,j)＝d_BPA(m_i,m_j)，计算机依据公式

计算两个证据之间的距离，其中

依据公式

计算，其中A,B∈2^Θ；

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501：在起始时刻，令各个证据均拥有相同的权重，即

将步骤四演化得到的证据，按照公式加权平均公式

计算得到一条新的证据；

步骤502：在步骤501得到的新证据m^*中，m^*({F_i})代表着传感器对第i个目标{F_i}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P_i(j)，i＝1,2,…,n，j＝1,2,…,k，辨识框架为Ω＝{F₁,F₂,...,F_k}，Ω的幂集合为2^Ω＝{φ,{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,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P_i(j)为证据i对元素F_j的支持程度m_i({F_j})，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m_i({B})＝x，m_i({Ω})＝1-x，其中Ω＝{F₁,F₂,...,F_k}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,...,F_k}，可令博弈的策略空间为{{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,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J_Ω(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J_Ω；

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301：引入证据距离矩阵D(i,j)＝d_BPA(m_i,m_j)，计算机依据公式

计算两个证据之间的距离，其中

依据公式

计算，其中A,B∈2^Θ；

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501：在起始时刻，令各个证据均拥有相同的权重，即

将步骤四演化得到的证据，按照公式加权平均公式

计算得到一条新的证据；

步骤502：在步骤501得到的新证据m^*中，m^*({F_i})代表着传感器对第i个目标{F_i}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P_i(j)，i＝1,2,…,n，j＝1,2,…,k，辨识框架为Ω＝{F₁,F₂,...,F_k}，Ω的幂集合为2^Ω＝{φ,{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,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P_i(j)为证据i对元素F_j的支持程度m_i({F_j})，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m_i({B})＝x，m_i({Ω})＝1-x，其中Ω＝{F₁,F₂,...,F_k}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,...,F_k}，可令博弈的策略空间为{{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,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J_Ω(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J_Ω；

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301：引入证据距离矩阵D(i,j)＝d_BPA(m_i,m_j)，计算机依据公式

计算两个证据之间的距离，其中

依据公式

计算，其中A,B∈2^Θ；

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501：在起始时刻，令各个证据均拥有相同的权重，即

将步骤四演化得到的证据，按照公式加权平均公式

计算得到一条新的证据；

步骤502：在步骤501得到的新证据m^*中，m^*({F_i})代表着传感器对第i个目标{F_i}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。

Images