CN114792112A - 基于自适应处理策略的时域证据融合方法 - Google Patents

Abstract

本发明公开了一种基于自适应处理策略的时域证据融合方法，包括如下步骤：首先，将多个传感器收集的信息转化为证据信息；其次，计算各个历史时刻证据信息的相关性，并确定历史证据信息的权重因子；对历史证据信息进行加权平均获得当前时刻的预测值，根据预测值和真实值判断当前时刻是否出现失真；再通过可信度衰减模型，获得相邻时刻证据的实时可靠度，根据实时可靠度对时域证据进行折扣；最后，利用Dempster组合规则对时域证据进行融合。本发明考虑了当前时刻的证据有可能出现失真的情况，同时对失真情况进行了研究，对当前时刻获取的证据和历史积累的证据进行对比，选择最合适的处理策略，具有重要的理论意义和应用价值。

Description

基于自适应处理策略的时域证据融合方法

技术领域

本发明涉及目标识别领域，尤其涉及一种基于自适应处理策略的时域证据融合方法。

背景技术

在防空反导作战系统中，目标识别是必不可少的一个重要环节，其结果的准确性直接影响态势评估和威胁估计的准确性以及指挥员的战略部署。随着武器技术的迅速发展，现代防空反导战场对抗性不断的增强，复杂电磁环境和自然环境导致在战场中的信息往往具有很大的不确定性，通过传感器获取的目标信息有可能存在失真的现象。因此，不仅需要对单个测量周期内的各传感器提供的信息进行空域融合，更需要对多个时刻的信息进行时域融合，以获得更好的融合结果。

Dempster-Shafer证据理论是一种不确定性推理方法，为决策级不确定信息的表征和融合提供了强有力的工具，在处理不确定信息方面具有独特的优势，受到了国内外学术界的关注，广泛应用于目标识别、故障诊断、决策分析等领域。在时域证据融合过程中，将处于同一时刻的多传感器获取的信息首先进行单周期的空域融合，然后融合中心将序贯上报的空域融合结果依次融合，实现对信息的时域融合。由于时域证据融合有明显的序贯性、动态性和实时性，因此不能直接采用空域证据融合的方法对时域证据进行融合，这样会导致信息丢失。

文献[1]中的可靠度衰减模型充分考虑了时间因素对时域证据融合的影响，提出了基于可靠度衰减模型的相对可靠度因子，但在对时域证据进行评估时存在不足。

文献[2]在进行时域证据融合时，考虑了基于可靠度衰减模型的实时可靠性评估，但没有考虑证据的相对可靠性评估，易造成证据信息的丢失。

文献[3]在时域信息融合时，将直觉模糊集同可靠度衰减模型结合，由于在可靠度设置中可靠度衰减模型认为最新时刻的证据具有最大的可靠度，因此将最新获得证据的可靠度因子设置为1，之前时刻的证据的可靠度因子由可信度衰减模型进行量化，但是若传感器在最新时刻获得证据信息发生失真，此时仍然赋予它最大的权重，将会带来较大的误差。

以上方法在处理时域信息时都存在证据信息容易丢失的问题。因此本发明专利在以上方法的基础上，提出了更为合理的时域证据融合方法。

发明内容

本发明提出了一种基于自适应处理策略的时域证据融合方法，能够解决现有技术可信度衰减模型在时域融合中存在的问题，具有更好的抗干扰能力，并且在融合过程中满足时域证据融合的序贯性、动态性和实时性。

本发明采用的技术方案为：

A、对于n个传感器：S₁,S₂,…,S_q,…,S_n(q＝1,2,…,n)针对某个传感器获取的数据信息，构建目标识别系统的辨识框架Θ＝{θ₁,θ₂,…,θ_γ,…,θ_N}，γ＝1,2,…,N，θ_γ为第γ种识别目标的类型；

B、通过多个传感器在多个时刻对目标进行观测，将采集到的数据构造区间数模型，然后计算待识别样本属性值与区间数之间的距离，接着计算待识别样本属性值与模型区间数之间的相似度，最后对相似度进行归一化获得基本概率赋值函数m，将每个传感器获得的证据进行空域融合，获得各传感器在每个时刻的证据向量m_i，i＝1,2,…,k；

C、针对传感器S_q(q＝1,2,…,n)中的证据信息，假设当前时刻为T_k，则当前时刻的证据向量为m_k，该传感器积累的历史时刻T₁,T₂,…,T_k-1的证据向量分别为m₁,m₂,…,m_k-1，所述的第i个时刻的证据向量用m_i＝(m_i(θ₁),m_i(θ₂),…,m_i(θ_r),…,m_i(θ_p))表示，其中i＝1,2,…,k-1，k表示第k个时刻，p表示辨识框架Θ的焦元(设A为辨识框架Θ的任意一个子集，若m(A)＞0，则称A为Θ上的基本概率赋值函数m的焦元)个数，r＝1,2,…,p，p＝2^N；

D、使用Hellinger距离公式

衡量任意第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的冲突，其中，i,j＝1,2,…,k-1；

E、由计算得到第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的Hellinger距离，利用以下所述的相关性公式cor(m_i,m_j)＝1-d_H(m_i,m_j)来计算各个证据之间的相关性，得到第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性cor(m_i,m_j)；

F、当证据中多子集焦元存在基本概率赋值时，需要通过Pignistic概率转换公式

将多子集焦元的基本概率赋值转化为单子集焦元的基本概率赋值，其中，

|A|表示焦元A的元素个数，

为空集，m(A)表示证据中多子集焦元A的基本概率赋值；

G、由计算得到的第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性cor(m_i,m_j)构建传感器积累的第k-1时刻证据之间的相关性矩阵，所述的相关性矩阵CD_k-1如下所示：

H、根据第k-1时刻的证据所获得的相关性矩阵CD_k-1，计算第i个历史时刻的证据信息的权重因子

其中，i,j＝1,2,…,k-1；

I、根据所求的各个历史时刻证据的权重因子ζ_i，通过如下公式

预测第k时刻的证据向量

其中，m_i(A)表示第i个时刻的证据中焦元A的基本概率赋值，i＝1,2,…,k-1；

J、当前时刻获取的证据受到干扰时有可能出现失真的情况，基于此问题本发明专利通过如下关联系数公式来计算预测证据向量

和实际测得的证据向量m_k之间的关联程度，

其中，

|θ_r∪θ_l|表示焦元θ_r与θ_l取并集时元素的个数，|θ_r∩θ_l|表示焦元θ_r与θ_l取交集时元素的个数；

K、设置相关阈值δ，设α₁和α₂分别为第k-1时刻和第k时刻获得证据的可靠度因子，通过如下公式来确定α₁和α₂的值：

其中，

表示预测证据与真实证据之间的关联系数，δ表示阈值，λ表示可靠度衰减因子；

L、根据关联系数

和阈值δ的关系，通过α₁和α₂的值及如下公式进行自适应处理，获得第k-1时刻和第k时刻的时域修正基本概率赋值函数分别为

和

其中，α₁和α₂分别表示第k-1时刻和第k时刻获得证据的可靠度因子，θ_r为除去Θ以外的其它焦元，Θ为辨识框架；

M、利用Dempster组合规则进行k-1时刻和k时刻的时域证据融合。

所述的Dempster组合规则为：

其中，m(A)表示焦元A的基本概率赋值，K为冲突系数，

θ_r和θ_l为辨识框架Θ上的焦元，r,l＝1,2,…,p，

为空集。

本发明以多传感器测量为基础的多目标识别为应用背景，在此基础上对时域证据融合方法进行改进，通过对历史时刻获得的证据进行融合，然后通过加权平均的方法对当前时刻的证据进行预测，同时获得当前时刻的实际证据，对当前时刻实际证据与利用历史时刻证据预测的证据进行关联系数的计算，如果两者的关联系数大于所设定的阈值，就利用Dempster组合规则对历史时刻证据与当前时刻证据进行融合；如果预测证据和当前时刻获得的实际证据的关联系数小于所设定的阈值，就对当前时刻的证据进行修正，再利用Dempster组合规则对两者进行融合，获得合理的目标识别结果，可以很好的应用于目标识别领域，降低了干扰证据对融合结果的影响，有效提高了识别系统对冲突信息的处理能力，对时间变化更为敏感，提高了目标识别系统的实时性，最后采用Dempster组合规则对第k-1时刻和第k时刻的证据进行融合，并做出最终的决策，对多目标识别的准确率和效率具有大大的提升。因此本发明提出的一种基于自适应处理策略的时域证据融合方法，改进了可靠度因子的确定方法，能够很好的解决上述问题，具有重要的理论意义和应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明包括以下几个步骤：

A、本专利以空中目标识别为例，在现代化军事领域的目标识别系统中，对传感器获取的信息进行处理非常重要，不仅需要对单个测量周期内的各传感器提供的信息进行空域融合，还需要对多个时刻的信息进行时域融合，以至于能够精准的进行决策。通过不同传感器获取的数据，对检测的数据构建目标综合识别系统的辨识框架，识别的目标分为：歼击机、轰炸机、预警机，因此辨识框架为：Θ＝{θ₁,θ₂,θ₃}，其中，θ₁为歼击机，θ₂为轰炸机，θ₃为预警机；

B、通过多个传感器在多个时刻对目标进行观测，将采集到的数据构造区间数模型，然后计算待识别样本属性值与区间数之间的距离，接着计算待识别样本属性值与模型区间数之间的相似度，最后对相似度进行归一化获得基本概率赋值函数m，将各个时刻多传感器获得的证据通过Dempster组合规则进行空域融合，获得各传感器在每个时刻的证据向量m_i，i＝1,2,…,k；

C、针对传感器S_q(q＝1,2,…,n)中的证据信息，假设当前时刻为T_k，则当前时刻的证据向量为m_k，该传感器积累的历史时刻T₁,T₂,…,T_k-1的证据向量分别为m₁,m₂,…,m_k-1，所述的第i个时刻的证据向量用m_i＝(m_i(θ₁),m_i(θ₂),…,m_i(θ_r),…,m_i(θ_p))表示，其中i＝1,2,…,k，k表示第k个时刻，p表示辨识框架Θ的焦元(设A为辨识框架Θ的任意一个子集，若m(A)＞0，则称A为Θ上的基本概率赋值m的焦元)个数，r＝1,2,…,p，p＝2^N；

D、由于获取的证据有可能出现反常的数据，因此本专利使用Hellinger距离公式

衡量任意第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的冲突程度，其中，i,j＝1,2,…,k-1；

Hellinger距离满足以下性质：

(1)有界性，即0≤d_H(m₁,m₂)≤1；

(2)对称性，即d_H(m₁,m₂)＝d_H(m₂,m₁)；

(3)不退化性，即

(4)三角形不等式，即d_H(m₁,m₂)+d_H(m₂,m₃)≥d_H(m₁,m₃)。

下面给出Hellinger距离满足的性质证明。

假设m₁和m₂为辨识框架Θ下的两组基本概率赋值函数，证据向量m₁和证据向量m₂的焦元分布为m₁(θ₁),…,m₁(θ_p)和m₂(θ₁),…,m₂(θ_p)，满足0≤m(θ_r)≤1和

Hellinger距离性质证明如下。

(1)

由于0≤m(θ_r)≤1和

因此

故

又因为分子分母均为正数，所以0≤d_H(m₁,m₂)≤1。

(2)

(3)

(4)

由闵可夫斯基不等式：

可得

又因为

于是

E、根据计算得到的第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的Hellinger距离d_H(m_i,m_j)，利用以下所述的相关性公式cor(m_i,m_j)＝1-d_H(m_i,m_j)计算得到第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性cor(m_i,m_j)，若cor(m_i,m_j)的值越大，则第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性就越大；反之，cor(m_i,m_j)的值越小，第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性就越小；

F、当证据中存在多子集焦元的基本概率赋值时，冲突系数

不能有效衡量融合证据之间的冲突，针对此问题，本发明通过使用Pignistic概率转换公式

将多子集焦元的基本概率赋值转化为单子集焦元的基本概率赋值，其中，

A|表示焦元A的元素个数，

为空集，m(A)表示证据中多子集焦元A的基本概率赋值；

G、由计算得到的第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性cor(m_i,m_j)构建k-1时刻传感器积累的历史时刻证据之间的相关性矩阵，所述的相关性矩阵CD_k-1如下所示：

H、根据第k-1时刻的证据所获得的相关性矩阵CD_k-1，计算第i个历史时刻的证据信息的权重因子

其中，i,j＝1,2,…,k-1；

I、根据所求的各个历史时刻证据的权重因子ζ_i，通过公式

预测第k个时刻的证据向量

其中，m_i(A)表示第i个时刻的证据中子集元素A的基本概率赋值，i＝1,2,…,k-1；

J、当前时刻获取的证据受到干扰时有可能出现失真的情况，基于此问题本发明专利通过如下关联系数公式来计算预测证据向量

和实际测得的证据向量m_k之间的关联程度，

其中，

|θ_r∪θ_l|表示焦元θ_r与θ_l取并集时元素的个数，|θ_r∩θ_l|表示焦元θ_r与θ_l取交集时元素的个数；

关联系数满足以下性质：

假设m₁和m₂是定义在辨识框架Θ下的两条证据，r_BPA(m₁,m₂)表示两条证据的关联系数，则有：

(1)r_BPA(m₁,m₂)＝r_BPA(m₂,m₁)；

(2)0≤r_BPA(m₁,m₂)≤1；

(3)若m₁＝m₂，r_BPA(m₁,m₂)＝1；

(4)

其中，θ_r和θ_l分别为证据m₁和m₂的焦元。

证据关联系数性质证明如下。

证明将幂集2^Θ中的2^N个元素按下列顺序排列{θ₁,θ₂,…,θ_r,…,θ_p}，则m₁和m₂可以分别表示成一个确定的列向量，即

m₁:x＝(m₁(θ₁),m₁(θ₂),…,m₁(θ_r),…,m₁(θ_p))^T

m₂:y＝(m₂(θ₁),m₂(θ₂),…,m₂(θ_r),…,m₂(θ_p))^T

做矩阵

其中θ_r，θ_l∈2^Θ并且排列方法与前面对应，则D为正定矩阵，从而

满足D＝C^TC。显然c(m₁,m₁)＝x^TDx＝x^TC^TCx，类似的有c(m₁,m₂)＝x^TDx＝x^TC^TCy，c(m₂,m₂)＝x^TDx＝y^TC^TCy，

则有：

(1)

又x^TC^TCy为实数，x^TC^TCy＝(x^TC^TCy)^T＝y^TC^TCx。也即r_BPA(m₁,m₂)＝r_BPA(m₂,m₁)。

(2)所有x，y，D中的元素为非负实数，显然有

注意到：

从而根据2-范数的三角不等式性质可以得到：

则

(3)r_BPA(m₁,m₂)＝1，即

则||C(x+y)||₂＝||Cx||₂+||Cy||₂。又因为Cx＝κCy，C为可逆矩阵，故x＝κy。考虑到向量x和y各自代表一个BPA，它们的长度均为1，从而x＝y，m₁＝m₂。

(4)若

则

上式表明如果m₁(θ_r)m₂(θ_l)≠0，即θ_r，θ_l分别为m₁，m₂各自的焦元时，必有|θ_r∩θ_l|＝0，等价于

若θ_r，θ_l为m₁，m₂的焦元时，有

从而

反之亦然。

K、设置相关阈值δ，在本次仿真实验中，令阈值δ＝0.75，可靠度衰减因子λ＝0.05。设α₁和α₂分别为第k-1时刻和第k时刻获得证据的可靠度因子，当预测证据和真实证据之间的关联系数大于阈值时，最新时刻获得证据的可靠度因子设置为1，之前时刻获得证据的可靠度因子用可信度衰减模型进行量化；当预测证据和真实证据之间的关联系数小于阈值时，则最新时刻获得的证据的可靠度因子用可信度衰减模型量化，之前时刻获得的证据的可靠度因子设置为1，这样可以合理的对时域证据进行修正，提高了时域证据融合的准确性，确定方法如下公式所示：

其中

表示第k时刻的预测证据和第k时刻的实际证据之间的关联系数，δ表示阈值，λ表示可靠度衰减因子；

L、根据关联系数

和阈值δ的关系，通过α₁和α₂的值及如下公式进行自适应处理，获得第k-1时刻和第k时刻的时域修正基本概率赋值函数分别为

和

其中，

和

分别表示第k-1时刻修正后证据中的子集θ_r和Θ的基本概率赋值，

和

分别表示第k时刻修正后证据中的子集θ_r和Θ的基本概率赋值，θ_r为除去Θ以外的其它焦元，Θ＝{θ₁,θ₂,…,θ_N}，α₁和α₂分别表示第k-1时刻和第k时刻的可靠度因子；

M、最后，利用Dempster组合规则进行k-1时刻和k时刻的时域证据融合。

所述的Dempster组合规则如下所示：

其中，m(A)表示焦元A的基本概率赋值，K为冲突系数，

θ_r和θ_l为辨识框架Θ上的焦元，r,l＝1,2,…,p，

为空集。

以下以具体实验说明本专利中的融合方法可以有效解决在时域证据融合过程中可信度衰减模型中存在的问题，有效解决了时域证据融合过程中当前证据可能失真的情况。

例：现有某个目标综合识别系统对空中目标进行识别，假设识别系统的辨识框架为：Θ＝{θ₁，θ₂，θ₃}，其中θ₁为歼击机，θ₂为轰炸机，θ₃为预警机；对于某个传感器分别在5个时刻对观测目标所获取的信息转化为基本概率指派如表1所示。

表1传感器在各个时刻获得的证据

综合该传感器获取的证据信息结合本发明方法中的时域证据融合方法，通过Dempster组合规则对时域证据进行融合。采用不同的时域证据融合方法的融合结果如表2所示。从表中的融合结果可知，根据表1中传感器在各个时刻获得的证据，采用Dempster组合规则、文献[1-3]的方法以及本发明提出的方法都能对目标类型做出有效的识别结果，即都认为所识别目标的类型为歼击机。虽然Dempster组合规则也能做出有效的识别，但是Dempster组合规则只是简单的对证据进行依次融合，未考虑时间因素对融合结果的影响，因此Dempster组合规则不能直接用于时域证据融合。文献[1-3]的方法以及本发明所提出的方法都考虑了时间因素对融合结果的影响，由于各个时刻获得的证据均为正常证据，没有发现最新时刻的证据发生失真的现象，所以本发明提出的方法在对历史时刻的融合信息进行可信度衰减的过程与文献[1]的方法的融合结果一致，因此两种方法具有相同的结果。但从表中可以看出本发明专利中提出的方法在各个时刻对目标{θ₁}的融合结果相较于文献[2,3]的方法具有更快的收敛性和更大的置信度，更有利于决策。

表2不同方法的时域累积融合结果

为了说明本发明提出的时域证据融合方法的有效性，在T₃＝10s的时刻增加了干扰信息，让传感器识别出错误的结果，再次进行上述步骤对时域证据进行融合，分析上述方法的有效性。T₃＝10s时刻获得的错误证据信息为：m_10s(θ₁)＝0,m_10s(θ₂)＝0.85,m_10s(θ₃)＝0.15。再次利用Dempster组合规则、文献[1-3]提出的方法以及本发明提出的方法在各个时刻的时域证据进行融合，融合结果如表3所示。

表3受到干扰后不同方法的时域累积融合结果

从表3中可以看出，Dempster组合规则在融合受到干扰证据后，直接得出错误的结果，在后续时刻的序贯融合时，得到的依旧是不合理的结果，因此只使用Dempster组合规则将不满足时域证据融合的特点。文献[1-3]的方法以及本发明提出的方法虽然体现了时域证据融合的实时性和序贯性的特点，显示了融合结果的继承和更新。但是与文献[1-3]的方法相比，本发明提出的基于自适应策略的时域证据融合方法具有更强的抗干扰能力，即使遇到干扰信息也可以很好地处理干扰数据，这是因为通过综合利用历史时刻的信息进行预测，然后将预测信息与当前时刻实际获得的信息之间的关联系数判断当前时刻信息是否失真，通过自适应处理策略，使得提出的方法具有更好的鲁棒性。

参考文献如下：

[1]宋亚飞,王晓丹,雷蕾,等.时域证据融合中的可信度衰减模型[J].系统工程与电子技术,2015,37(7):1489-1693.

[2]陈云翔,罗承昆,王攀,等.考虑可靠性的时域证据组合方法[J].控制与决策,2018,33(3):463-470.

宋亚飞,王晓丹,雷蕾.基于直觉模糊集的时域证据组合方法研究[J].自动化学报,2016,42(9):1322-1338.

本发明通过综合利用历史时刻的信息对当前时刻信息进行预测，通过当前时刻的预测信息和当前时刻的实际信息之间的关联系数判断当前时刻是否失真，再经过自适应处理策略，即根据前k-1时刻的证据信息对第k时刻的证据进行预测，然后将第k时刻的预测证据与第k时刻的实际证据进行对比，选择合适的可靠度因子对证据进行修正和融合，使所提出的时域证据融合方法具有更好的鲁棒性。

本发明提出的方法解决了可信度衰减模型在时域融合中存在的一些问题，具有更好的抗干扰能力，并且在融合过程中满足时域证据融合的序贯性、动态性和实时性的特点。

需要说明的是，本申请的说明书和权利要求书中的术语术语“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。

注意，上述仅为本发明的较佳实施例及运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行较详细的说明，但本发明不限于这里所述的特定实施例，在不脱离本发明构思的情况下，还可以包括更多其他等有效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (4)

1.基于自适应处理策略的时域证据融合方法，其特征在于：包括以下几个步骤：

A、对于n个传感器：S₁,S₂,…,S_q,…,S_n，q＝1,2,…,n，针对某个传感器获取的数据信息，构建目标识别系统的辨识框架Θ＝{θ₁,θ₂,…,θ_γ,…,θ_N}，γ＝1,2,…,N，θ_γ为第γ种识别目标的类型；

B、通过多个传感器在多个时刻对目标进行观测，将采集到的数据构造区间数模型，然后计算待识别样本属性值与区间数之间的距离，接着计算待识别样本属性值与模型区间数之间的相似度，最后对相似度进行归一化获得基本概率赋值函数m，将每个传感器获得的证据进行空域融合，获得各传感器在每个时刻的证据向量m_i，i＝1,2,…,k；

C、针对传感器S_q中的证据信息，假设当前时刻为T_k，则当前时刻的证据向量为m_k，该传感器积累的历史时刻T₁,T₂,…,T_k-1的证据向量分别为m₁,m₂,…,m_k-1，所述的第i个时刻的证据向量用m_i＝(m_i(θ₁),m_i(θ₂),…,m_i(θ_r),…,m_i(θ_p))表示，其中i＝1,2,…,k-1，k表示第k个时刻，p表示识别框架Θ的焦元个数，设A为识别框架Θ的任意一个子集，若m(A)＞0，则称A为Θ上的基本概率赋值函数m的焦元；

D、使用Hellinger距离公式

衡量任意第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的冲突程度，其中，i,j＝1,2,…,k-1；

E、由计算得到的第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的Hellinger距离d_H(m_i,m_j)，利用以下所述的相关性公式cor(m_i,m_j)＝1-d_H(m_i,m_j)计算第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性cor(m_i,m_j)；

F、当证据中存在多子集焦元的基本概率赋值时，需要通过Pignistic概率转换公式

将多子集焦元的基本概率赋值转化为单子集焦元的基本概率赋值，其中，

|A|表示焦元A的元素个数，

为空集，m(A)表示证据中多子集焦元A的基本概率赋值；

G、由计算得到的第i个时刻的证据向量m_i和第j个时刻的证据向量m_j之间的相关性cor(m_i,m_j)构建传感器积累的第k-1时刻证据之间的相关性矩阵CD_k-1，所述的相关性矩阵CD_k-1如下所示：

H、根据第k-1时刻的证据所获得的相关性矩阵CD_k-1，计算第i个历史时刻的证据信息的权重因子

其中，i,j＝1,2,…,k-1；

I、根据所求的各个历史时刻证据的权重因子ζ_i，通过如下公式

预测第k时刻的证据向量

其中，m_i(A)表示第i个时刻的证据中子集元素A的基本概率赋值，i＝1,2,…,k-1；

J、当前时刻获取的证据受到干扰有可能出现失真的情况，基于此问题本发明专利通过如下关联系数公式来计算预测证据向量

和实际测得的证据向量m_k之间的关联程度，

|θ_r∪θ_l|表示焦元θ_r与θ_l取并集时元素的个数，|θ_r∩θ_l|表示焦元θ_r与θ_l取交集时元素的个数；

K、设置相关阈值δ，设α₁和α₂分别为第k-1时刻和第k时刻获得证据的可靠度因子，通过如下公式来确定α₁和α₂的值：

其中，

表示第k时刻的预测证据与第k时刻的实际证据之间的关联系数，δ表示阈值，λ表示可靠度衰减因子；

L、根据关联系数

和阈值δ的关系，通过α₁和α₂的值及如下公式进行自适应处理，获得第k-1时刻和第k时刻的时域修正基本概率赋值函数分别为

和

其中，α₁和α₂分别表示第k-1时刻和第k时刻的可靠度因子；

M、最后，利用Dempster组合规则进行k-1时刻和k时刻的时域证据融合。

2.根据权利要求1所述的基于自适应处理策略的时域证据融合方法，其特征在于：所述的Dempster组合规则为：

其中，m(A)表示焦元A的基本概率赋值函数，

θ_r和θ_l为辨识框架Θ上的焦元，r,l＝1,2,…,p，

为空集。

3.根据权利要求1所述的基于自适应处理策略的时域证据融合方法，其特征在于：步骤J中所述的

为：

其中，|θ_r∪θ_l|表示焦元θ_r与θ_l取并集时元素的个数，|θ_r∩θ_l|焦元θ_r与θ_l取交集时元素的个数。

4.根据权利要求1所述的基于自适应处理策略的时域证据融合方法，其特征在于：步骤L中所述的

和

分别表示第k-1时刻修正后证据中的子集θ_r和Θ的基本概率赋值，

和

分别表示第k时刻修正后证据中的子集θ_r和Θ的基本概率赋值，θ_r为除去Θ以外的其它焦元，Θ＝{θ₁,θ₂,…,θ_γ,…,θ_N}。

Images