語義網(wǎng)絡(luò)目標(biāo)識別判證方法
【專利摘要】本發(fā)明提出的一種語義網(wǎng)絡(luò)目標(biāo)識別判證方法，旨在提供一種能夠降低證據(jù)合成更新計(jì)算量，并能降低多重屬性證據(jù)間沖突，改善識別結(jié)果一致性的綜合判證方法。本發(fā)明通過下述技術(shù)方案予以實(shí)現(xiàn)：在證據(jù)接收與證據(jù)輸出之間創(chuàng)建目標(biāo)語義庫和與目標(biāo)語義庫交互數(shù)據(jù)的證據(jù)接收模塊、證據(jù)語義知識抽取模塊和證據(jù)語義知識擴(kuò)展模塊，證據(jù)接收模塊實(shí)時(shí)接收來自不同類型傳感器識別源的目標(biāo)識別證據(jù)，證據(jù)語義知識聚類模塊對擴(kuò)展后的屬性約束關(guān)系所涉及的多重屬性集合中的元素進(jìn)行聚類，獲得若干個(gè)屬性分類，證據(jù)合成更新模塊從多重屬性間的約束關(guān)系中，對不同層次屬性的識別證據(jù)、各個(gè)屬性分類證據(jù)進(jìn)行正交計(jì)算、正交合成更新，獲得更新后的識別證據(jù)判證結(jié)果。
【專利說明】語義網(wǎng)絡(luò)目標(biāo)識別判證方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種目標(biāo)識別和跟蹤模式識別領(lǐng)域基于多傳感器數(shù)據(jù)融合的目標(biāo)識別方法，尤其是涉及目標(biāo)綜合識別系統(tǒng)多辨識框架下，多識別源多重屬性的綜合判證方法。
【背景技術(shù)】
[0002]隨著目標(biāo)識別技術(shù)的發(fā)展，利用多種類型傳感器以及多種識別技術(shù)手段對目標(biāo)進(jìn)行綜合識別是一個(gè)發(fā)展趨勢。目前，基于多傳感器(雷達(dá)和紅外)信號融合的目標(biāo)識別和跟蹤系統(tǒng)，由于不同類型識別源對目標(biāo)獨(dú)立識別，給出的識別結(jié)果在屬性層次往往不同，相同識別層次的識別結(jié)果也往往不一致。為了使綜合識別系統(tǒng)具有統(tǒng)一的輸出，需要對多種識別手段給出目標(biāo)識別結(jié)果進(jìn)行判證與決策。判證決策處理包括單屬性即單辨識框架判證、多重屬性即多辨識框架判證。然而目前針對多識別源多重屬性進(jìn)行綜合判證，難以降低多重屬性證據(jù)間的沖突，改善識別結(jié)果的一致性。
[0003]在現(xiàn)有技術(shù)中，多傳感器數(shù)據(jù)融合作為一門新興交叉學(xué)科在近年來得到了廣泛關(guān)注和飛速發(fā)展。多傳感器數(shù)據(jù)融合技術(shù)能夠綜合多個(gè)傳感器提供的各個(gè)側(cè)面信息，可以獲得觀測對象更全面、更準(zhǔn)確的信息，從而得到準(zhǔn)確、快捷的決策和判斷。目標(biāo)識別是數(shù)據(jù)融合技術(shù)的一個(gè)重要組成部分。目標(biāo)識別籠統(tǒng)的定義就是對目標(biāo)類型或?qū)傩缘茸龀瞿撤N判另IJ，目標(biāo)識別亦稱屬性分類或身份估計(jì)。來源于多個(gè)目標(biāo)源的輸出數(shù)據(jù)既可以是動態(tài)信息，也可以是身份信息.動態(tài)信息即目標(biāo)運(yùn)動的動態(tài)參數(shù)，通常包括位置、速度和加速度.身份信息是從多目標(biāo)源得到的有助于確立目標(biāo)身份的命題或陳述的有關(guān)信息.由于目標(biāo)身份信息由傳感器信號、屬性信息、身份說明組成。由于單傳感器系統(tǒng)通常只提供識別跟蹤對象的部分信息，多傳感器系統(tǒng)運(yùn)用數(shù)據(jù)融合技術(shù)從不同信源綜合信息來克服單傳感器的缺陷，多傳感器系統(tǒng)利用不同傳感器的數(shù)據(jù)互補(bǔ)和冗余，從各自獨(dú)立測量空間獲取信息。由于目標(biāo)在不斷運(yùn)動，姿態(tài)在不斷變化，姿態(tài)的圖像千差萬別，使得在三維空間中進(jìn)行目標(biāo)識別的難度大大增加。傳統(tǒng)的多傳感器數(shù)據(jù)融合是在數(shù)據(jù)級、特征級和決策級上進(jìn)行的。在多傳感器目標(biāo)識別中，傳統(tǒng)方法是直接將多元的局部決策送入融合中心，進(jìn)行最后的整體決策?，F(xiàn)有技術(shù)對多識別源多重屬性判證的方法大致可分為三類:(I)貝葉斯網(wǎng)絡(luò)推理；(2)證據(jù)理論推理；(3)啟發(fā)式判證。貝葉斯網(wǎng)絡(luò)(Bayesian network)是一種基于概率推理數(shù)學(xué)模型的概率網(wǎng)絡(luò)，它是基于概率推理的圖形化網(wǎng)絡(luò)，貝葉斯公式則是這個(gè)概率網(wǎng)絡(luò)的基礎(chǔ)。所謂概率推理就是通過一些變量的信息來獲取其他的概率信息的過程。基于概率推理的貝葉斯網(wǎng)絡(luò)是為了解決不定性和不完整性問題而提出的，它對于解決復(fù)雜設(shè)備不確定性和關(guān)聯(lián)性引起的故障有很好的優(yōu)勢，在多個(gè)領(lǐng)域中獲得廣泛應(yīng)用。貝葉斯網(wǎng)絡(luò)又稱信度網(wǎng)絡(luò)，本身是一種不定性因果關(guān)聯(lián)模型。貝葉斯網(wǎng)絡(luò)與其他決策模型不同，它本身是將多元知識圖解可視化的一種概率知識表達(dá)與推理模型，是目前不確定知識表達(dá)和推理領(lǐng)域最有效的理論模型之一。它是一個(gè)有向無環(huán)圖(Directed Acyclic Graph, DAG),由代表變量節(jié)點(diǎn)及連接這些節(jié)點(diǎn)有向邊構(gòu)成。節(jié)點(diǎn)代表隨機(jī)變量，節(jié)點(diǎn)間的有向邊代表了節(jié)點(diǎn)間的互相關(guān)系(由父節(jié)點(diǎn)指向其后代節(jié)點(diǎn))，用條件概率進(jìn)行表達(dá)關(guān)系強(qiáng)度，沒有父節(jié)點(diǎn)的用先驗(yàn)概率進(jìn)行信息表達(dá)。節(jié)點(diǎn)變量可以是任何問題的抽象，如:測試值，觀測現(xiàn)象，意見征詢等。適用于表達(dá)和分析不確定性和概率性的事件，應(yīng)用于有條件地依賴多種控制因素的決策，可以從不完全。不精確或不確定的知識或信息中做出推理。貝葉斯網(wǎng)絡(luò)的建造是一個(gè)復(fù)雜的任務(wù)，需要知識工程師和領(lǐng)域?qū)＜业膮⑴c，需要建立各種屬性之間的條件概率表，以量化形式來表征不同屬性之間的約束關(guān)系，而在現(xiàn)實(shí)中，這種量化關(guān)系不易獲得；同時(shí)，貝葉斯網(wǎng)絡(luò)推理不能解決“不明”情況。證據(jù)理論推理對單辨識框架較為簡單，對多信息融合識別框架多辨識框架而言，還未有較為明確的實(shí)現(xiàn)方式。雖然證據(jù)理論推理DS方法已廣泛應(yīng)用于各種數(shù)據(jù)融合系統(tǒng)中，但是由于DS方法的核心一Dempster合成規(guī)則的計(jì)算復(fù)雜性，使得其算法實(shí)現(xiàn)成為一個(gè)難題。啟發(fā)式判證主要通過屬性之間的約束知識，按照一定的規(guī)則如打分，對屬性的信度進(jìn)行更新，從而進(jìn)行判證決策，該方法雖然也簡單，但沒有嚴(yán)格的數(shù)學(xué)基礎(chǔ)。而且目前已有的判證方法沒有很好的利用目標(biāo)屬性之間的語義知識，以及沒有明晰的多重屬性判證的數(shù)學(xué)實(shí)現(xiàn)，可靠性較差，結(jié)果的合理性不能得到保障。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的任務(wù)是針對多目標(biāo)識別源不同信源綜合信息、多重屬性綜合識別系統(tǒng)存在的不足之處，提供一種判證更加合理，能夠降低證據(jù)合成更新計(jì)算量，并能對來源于多類識別源包含“不明”聲明的目標(biāo)屬性、類型、型號等多重屬性證據(jù)的綜合判證方法，以降低多重屬性證據(jù)間的沖突，改善識別結(jié)果的一致性。
[0005]本發(fā)明解決現(xiàn)有技術(shù)問題所采用的方案是:一種語義網(wǎng)絡(luò)目標(biāo)識別判證方法，具有如下技術(shù)特征:在證據(jù)接收與證據(jù)輸出之間創(chuàng)建存儲各類目標(biāo)實(shí)體、關(guān)于多重屬性間語義隸屬知識和目標(biāo)不同層次屬性約束關(guān)系的目標(biāo)語義庫，對接收的證據(jù)所涉及的屬性進(jìn)行分類處理并與目標(biāo)語義庫交互數(shù)據(jù)的證據(jù)接收模塊、證據(jù)語義知識抽取模塊、證據(jù)語義知識擴(kuò)展模塊、以及順次通過證據(jù)語義知識聚類模塊、證據(jù)合成更新模塊輸出判證數(shù)據(jù)結(jié)果的證據(jù)輸出模塊；證據(jù)接收模塊實(shí)時(shí)接收來自不同類型傳感器識別源的目標(biāo)識別證據(jù)，包括目標(biāo)屬性、目標(biāo)類型、目標(biāo)型號，目標(biāo)屬性層次中的一種或多種屬性的識別聲明和/或包含的“不明”識別證據(jù)聲明；證據(jù)語義知識抽取模塊在目標(biāo)語義庫存儲的各種目標(biāo)屬性間的隸屬關(guān)系中，抽取證據(jù)接收模塊中接收到的識別證據(jù)聲明所涉及的語義知識；證據(jù)語義知識擴(kuò)展模塊根據(jù)目標(biāo)屬性間隸屬關(guān)系的傳遞規(guī)則將抽取出的語義知識進(jìn)行擴(kuò)展，獲得擴(kuò)展后的屬性支持約束關(guān)系與屬性沖突約束關(guān)系；證據(jù)語義知識聚類模塊對擴(kuò)展后的屬性約束關(guān)系所涉及的多重屬性集合S中的元素進(jìn)行聚類，獲得若干個(gè)屬性分類，且每個(gè)分類中的屬性均為存在相互約束關(guān)系的最小屬性集合，證據(jù)合成更新模塊從多重屬性間的約束關(guān)系中，對不同層次屬性的識別證據(jù)、各個(gè)屬性分類證據(jù)進(jìn)行正交計(jì)算、正交合成更新，獲得更新后的識別證據(jù)判證結(jié)果；證據(jù)輸出模塊將更新后的識別證據(jù)判證結(jié)果輸出到其它調(diào)用本發(fā)明方法的模塊。
[0006]本發(fā)明相比于現(xiàn)有技術(shù)具有如下有益效果。
[0007]本發(fā)明在證據(jù)接收與證據(jù)輸出之間引入包含:目標(biāo)語義庫、證據(jù)接收模塊、證據(jù)語義知識抽取模塊、證據(jù)語義知識擴(kuò)展模塊、證據(jù)語義知識聚類模塊、證據(jù)合成更新模塊和證據(jù)輸出模塊語義網(wǎng)絡(luò)，通過目標(biāo)語義庫描述的目標(biāo)不同層次屬性之間的約束關(guān)系，作為判證過程的依據(jù)，使得判證更加合理。目標(biāo)語義庫在判證過程中獨(dú)立存儲，利于維護(hù)；證據(jù)語義知識抽取模塊、證據(jù)語義知識擴(kuò)展模塊、證據(jù)語義知識聚類模塊三個(gè)模塊對接收的證據(jù)所涉及的屬性進(jìn)行了分類處理，降低了證據(jù)合成更新的計(jì)算量；證據(jù)合成更新模塊從多重屬性間的約束關(guān)系全局出發(fā)，對不同層次屬性的識別證據(jù)通過嚴(yán)格的正交計(jì)算、正交合成等過程，從而獲得全局較優(yōu)的判證結(jié)果；多類屬性中“不明”屬性的參與判證，使得判證結(jié)果的描述更加合理。
[0008]本發(fā)明采用目標(biāo)語義庫和與目標(biāo)語義庫交互數(shù)據(jù)的證據(jù)接收模塊、證據(jù)語義知識抽取模塊、證據(jù)語義知識擴(kuò)展模塊，對接收的證據(jù)所涉及的屬性進(jìn)行分類處理，對來源于多類識別源包含“不明”聲明的目標(biāo)屬性、類型、型號等多識別源、多重屬性證據(jù)進(jìn)行綜合判證，進(jìn)一步降低了多重屬性證據(jù)間的沖突，改善了識別結(jié)果的一致性。
【專利附圖】

【附圖說明】
[0009]為了更清楚地理解本發(fā)明，現(xiàn)將通過本發(fā)明實(shí)施例，同時(shí)參照附圖，來描述本發(fā)明，其中:
圖1是本發(fā)明語義網(wǎng)絡(luò)目標(biāo)識別判證原理示意圖。
[0010]圖2是本發(fā)明所涉及的證據(jù)語義知識聚類模塊的流程圖。
[0011]圖3是本發(fā)明所涉及的證據(jù)合成更新模塊的流程圖。
【具體實(shí)施方式】
[0012]參閱圖1。在以下描述的語義網(wǎng)絡(luò)目標(biāo)識別判證實(shí)施例中，在證據(jù)接收與證據(jù)輸出之間包含:目標(biāo)語義庫、證據(jù)接收模塊、證據(jù)語義知識抽取模塊、證據(jù)語義知識擴(kuò)展模塊、證據(jù)語義知識聚類模塊、證據(jù)合成更新模塊、證據(jù)輸出模塊。目標(biāo)語義庫中存儲各類目標(biāo)實(shí)體的關(guān)于多重屬性之間的語義隸屬知識；證據(jù)接收模塊實(shí)時(shí)接收來源于不同類型傳感器識別源的可包含“不明”聲明的多重屬性的目標(biāo)識別證據(jù)；證據(jù)語義知識抽取模塊在目標(biāo)語義庫中存儲的各種目標(biāo)屬性間的隸屬關(guān)系中，抽取接收到的識別證據(jù)聲明所涉及的語義知識；證據(jù)語義知識擴(kuò)展模塊根據(jù)目標(biāo)屬性間隸屬關(guān)系的傳遞規(guī)則將抽取出的語義知識進(jìn)行擴(kuò)展，獲得擴(kuò)展后的屬性支持約束關(guān)系與屬性沖突約束關(guān)系；證據(jù)語義知識聚類模塊對擴(kuò)展后的屬性約束關(guān)系所涉及的屬性類型集合中的元素進(jìn)行聚類，獲得若干個(gè)屬性分類，每個(gè)分類中的屬性均為存在相互約束關(guān)系的最小屬性集合；證據(jù)合成更新模塊從多重屬性間的約束關(guān)系中，對不同層次屬性的識別證據(jù)、各個(gè)屬性分類證據(jù)進(jìn)行正交計(jì)算、正交合成更新，獲得更新后的識別證據(jù)判證結(jié)果；證據(jù)輸出模塊將更新后的識別證據(jù)判證結(jié)果輸出。多重屬性集合為s={型號、大小類型、平臺類型、環(huán)境類型、屬性、國籍、--?};具體實(shí)施步驟如下:在步驟S0，目標(biāo)語義庫中存儲有不同目標(biāo)關(guān)于型號、大小類型、平臺類型、屬性等各層次目標(biāo)屬性中所包含的各對象之間的語義描述。以目標(biāo)型號所包含的對象“F16”為例，其語義隸屬知識描述為:小型空中目標(biāo)、以平臺類型所包含的對象為例，其語義隸屬知識描述為:固定翼飛機(jī)、小型空中目標(biāo)。為了敘述方便，不同目標(biāo)屬性對象之間的約束關(guān)系簡記為R[ (T1, t:)，r, (T2, t2)]。其中，R表示一條約束知識；(T1, t:)、(T2, t2)分別代表屬性T1的對象^，以及屬性T2的對象t2;r代表(T1, t:)與(T2，t2)之間的關(guān)系，具有“支持”、“沖突”、“不聲明”等三種關(guān)系，分別記作rs、rc;、ru。其中，I\、T2分別為目標(biāo)屬性山、t2分別為目標(biāo)屬性T1所對應(yīng)的屬性對象與目標(biāo)屬性T2所對應(yīng)的屬性對象。[0013]在步驟SI，證據(jù)接收模塊實(shí)時(shí)接收來源于雷達(dá)、光電、電子偵察、識別器等不同類型傳感器識別源的可包含“不明”聲明的多重屬性的目標(biāo)識別證據(jù)，并存入至緩存中。
[0014]在步驟S2，證據(jù)語義知識抽取模塊在緩存中取出當(dāng)前拍接收的多重屬性識別證據(jù)，然后在目標(biāo)語義庫中存儲的各種目標(biāo)屬性間的隸屬關(guān)系中，抽取接收到的識別證據(jù)所涉及的語義知識。
[0015]在步驟S3，證據(jù)語義知識擴(kuò)展模塊根據(jù)目標(biāo)屬性間隸屬關(guān)系的傳遞規(guī)則將抽取出的語義知識進(jìn)行擴(kuò)展，獲得擴(kuò)展后的屬性支持約束關(guān)系與屬性沖突約束關(guān)系；所涉及的目標(biāo)屬性間隸屬關(guān)系的傳遞規(guī)則如下:
【支持?jǐn)U展規(guī)則】:若 R[ (T1, h)，rs, (T2, t2)]且 R[ (T2，t2)，rs, (T3, t3)]，則 R[ (T1, ，rs,(T3, t3)]；
【沖突擴(kuò)展規(guī)則】:若 R[ (T1, t:)，rs, (T2, t2)]且 R[(T2, t2)，rc, (T3, t3)]，則 R[ (T1, t:)，rc，(T3, t3)]。
[0016]在步驟S4,證據(jù)語義知識聚類模塊對擴(kuò)展后的屬性約束關(guān)系所涉及的屬性類型集合中的元素進(jìn)行聚類。
[0017]參閱圖2。在步驟S41，聚類模塊將聚類結(jié)果進(jìn)行初始化，將每種目標(biāo)屬性分別作為一個(gè)聚類；聚類模塊遍歷步驟S42所有當(dāng)前聚類結(jié)果，選擇一個(gè)聚類對，將其中一個(gè)作為參考類，將另一個(gè)作為待比較類，聚類模塊判斷步驟S43選擇的聚類對中，參考類所涉及的對象與待比較類所涉及的對象之間是否存在約束關(guān)系。若存在約束關(guān)系，則進(jìn)入步驟S44聚類模塊將待比較類中屬性合并到參考類中；否則，轉(zhuǎn)入步驟S45聚類模塊判斷是否遍歷完所有存在的聚類中形成的聚類對。若遍歷完，則進(jìn)入步驟S46聚類模塊將獲得的聚類結(jié)果保存在緩存中；否則，轉(zhuǎn)入步驟S42 ；
參閱圖3。在步驟S5，證據(jù)合成更新模塊從緩存中的聚類結(jié)果中的每一個(gè)聚類，結(jié)合該聚類所對應(yīng)的屬性集合所涉及的證據(jù)，通過對輸入識別證據(jù)進(jìn)行正交運(yùn)算、正交合成等過程，對各個(gè)屬性分類的置信度進(jìn)行合成更新，獲得更新后的識別證據(jù)。在步驟S51，證據(jù)合成更新模塊在緩存中的屬性類聚類中選擇一個(gè)未處理過的聚類，針對該聚類中所涉及的屬性實(shí)施如下步驟:通過步驟S52對步驟S51所選聚類中的屬性進(jìn)行正交計(jì)算，計(jì)算方法包括:所選聚類Cq中包含m個(gè)屬性，第i個(gè)屬性包含Iii個(gè)確定變量與I個(gè)“不明”變量，共計(jì)(ni+l)個(gè)屬性對象。由輸入證據(jù)分配的關(guān)于第i個(gè)屬性所對應(yīng)的第j個(gè)對象的置信度記為
【權(quán)利要求】
1.一種語義網(wǎng)絡(luò)目標(biāo)識別判證方法，具有如下技術(shù)特征:在證據(jù)接收與證據(jù)輸出之間創(chuàng)建存儲各類目標(biāo)實(shí)體、關(guān)于多重屬性間語義隸屬知識和目標(biāo)不同層次屬性約束關(guān)系的目標(biāo)語義庫，對接收的證據(jù)所涉及的屬性進(jìn)行分類處理并與目標(biāo)語義庫交互數(shù)據(jù)的證據(jù)接收模塊、證據(jù)語義知識抽取模塊、證據(jù)語義知識擴(kuò)展模塊、以及順次通過證據(jù)語義知識聚類模塊、證據(jù)合成更新I旲塊輸出判證數(shù)據(jù)結(jié)果的證據(jù)輸出I旲塊；證據(jù)接收I旲塊實(shí)時(shí)接收來自不同類型傳感器識別源的目標(biāo)識別證據(jù)，包括目標(biāo)屬性、目標(biāo)類型、目標(biāo)型號，目標(biāo)屬性層次中的一種或多種屬性的識別聲明和/或包含的“不明”識別證據(jù)聲明；證據(jù)語義知識抽取模塊在目標(biāo)語義庫存儲的各種目標(biāo)屬性間的隸屬關(guān)系中，抽取證據(jù)接收模塊中接收到的識別證據(jù)聲明所涉及的語義知識；證據(jù)語義知識擴(kuò)展模塊根據(jù)目標(biāo)屬性間隸屬關(guān)系的傳遞規(guī)則將抽取出的語義知識進(jìn)行擴(kuò)展，獲得擴(kuò)展后的屬性支持約束關(guān)系與屬性沖突約束關(guān)系；證據(jù)語義知識聚類模塊對擴(kuò)展后的屬性約束關(guān)系所涉及的多重屬性集合S中的元素進(jìn)行聚類，獲得若干個(gè)屬性分類，且每個(gè)分類中的屬性均為存在相互約束關(guān)系的最小屬性集合，證據(jù)合成更新模塊從多重屬性間的約束關(guān)系中，對不同層次屬性的識別證據(jù)、各個(gè)屬性分類證據(jù)進(jìn)行正交計(jì)算、正交合成更新，獲得更新后的識別證據(jù)判證結(jié)果；證據(jù)輸出模塊將更新后的識別證據(jù)判證結(jié)果輸出。
2.如權(quán)利要求1所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:多重屬性集合為S={型號、大小類型、平臺類型、環(huán)境類型、屬性、國籍、…}。
3.如權(quán)利要求1所述的種語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:目標(biāo)語義庫中存儲有不同目標(biāo)關(guān)于型號、大小類型、平臺類型、屬性及各層次目標(biāo)屬性中所包含的各對象之間的語義描述。
4.如權(quán)利要求1所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:不同目標(biāo)屬性對象之間的約束關(guān)系為R[ (T1, t:), r, (T2, t2)]，其中，R表示一條約束知識；(Tpt1)、(T2, t2)分別代表屬性T1的對象t1;以及屬性T2的對象t2 ；r代表(T1, t:)與(T2, t2)之間的關(guān)系,具有“支持”、“沖突”、“不聲明”三種關(guān)系，其中，I\、T2分別為目標(biāo)屬性；tpt2分別為目標(biāo)屬性T1所對應(yīng)的屬性對象與目標(biāo)屬性T2所對應(yīng)的屬性對象。
5.如權(quán)利要求1所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:證據(jù)語義知識聚類模塊對擴(kuò)展后的屬性約束關(guān)系所涉及的屬性類型集合中的元素進(jìn)行聚類，將聚類結(jié)果進(jìn)行初始化，把每種目標(biāo)屬性分別作為一個(gè)聚類，遍歷所有當(dāng)前聚類結(jié)果，選擇一個(gè)聚類對，將其中一個(gè)作為參考類，將另一個(gè)作為待比較類，判斷選擇的聚類對中，參考類所涉及的對象與待比較類所涉及的對象之間是否存在約束關(guān)系，若存在約束關(guān)系，則將待比較類中屬性合并到參考類中；否則，判斷是否遍歷完所有存在的聚類中形成的聚類對；若遍歷完，則將獲得的聚類結(jié)果保存在緩存中。
6.如權(quán)利要求1所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:證據(jù)合成更新模塊從緩存中的聚類結(jié)果中的每一個(gè)聚類，結(jié)合該聚類所對應(yīng)的屬性集合所涉及的證據(jù)，通過對輸入識別證據(jù)進(jìn)行正交運(yùn)算和正交合成，對各個(gè)屬性分類的置信度進(jìn)行合成更新，獲得更新后的識別證據(jù)。
7.如權(quán)利要求6所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:證據(jù)合成更新模塊在緩存中的屬性類聚類中選擇一個(gè)未處理過的聚類，針對該聚類中所涉及的屬性，對所選聚類中的屬性進(jìn)行正交計(jì)算，計(jì)算方法包括:所選聚類Cq中包含m個(gè)屬性，第i個(gè)屬性包含Hi個(gè)確定變量與I個(gè)“不明”變量，共計(jì)(叫+1)個(gè)屬性對象，由輸入證據(jù)分配的關(guān)于第i個(gè)屬性所對應(yīng)的第j個(gè)對象的置信度記為
8.如權(quán)利要求7所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:正交積矩陣中的元素
9.如權(quán)利要求8所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:證據(jù)合成更新模塊將正交矩陣中的各元素進(jìn)行歸一化獲得歸一化矩陣，計(jì)算歸一化矩陣中的歸一化值
10.如權(quán)利要求9所述的語義網(wǎng)絡(luò)目標(biāo)識別判證方法，其特征在于:證據(jù)合成更新模塊對歸一化正交矩陣中的正交元素進(jìn)行邊際化，獲得更新后各屬性對象的置信度值
【文檔編號】G06F17/30GK103810266SQ201410040106
【公開日】2014年5月21日 申請日期:2014年1月27日 優(yōu)先權(quán)日:2014年1月27日
【發(fā)明者】王連亮 申請人:中國電子科技集團(tuán)公司第十研究所