基于證據(jù)相似度的多傳感器信息融合方法
【技術領域】
[0001] 本發(fā)明涉及一種多傳感器信息融合技術和D-S證據(jù)理論。
【背景技術】
[0002] D-S證據(jù)理論是由Dempster于1967年提出的，后由Shafer于1976年加以推廣和 發(fā)展，形成的一種不確定推理方法。D-S證據(jù)理論以其對不確定性、非精確性信息綜合處理 方面的優(yōu)勢，可以在不需要先驗概率和條件概率密度的條件下較好地處理隨機性和模糊性 所導致的不確定性問題，并通過引入信任函數(shù)、似然函數(shù)將"不知道"和"不確定"區(qū)分開 來，近年來已經(jīng)廣泛應用于信息融合、模式識別、決策分析和故障診斷等領域。
[0003] 多傳感器信息融合是指協(xié)調(diào)使用多個傳感器，把分布在不同位置的多個同類的或 者不同類的傳感器所提供的局部不完整觀察量加以綜合，消除多傳感器信息之間可能存在 的冗余和矛盾，加以互補，降低其不確定性，獲得對事物或環(huán)境的一致性描述的過程。D-S 證據(jù)理論為不確定信息的表達和合成提供了自然而強有力的方法，這使得它成為多傳感器 信息融合中一種基本的、重要的融合算法，適合多傳感器數(shù)據(jù)融合的決策層數(shù)據(jù)處理。但 是，在實際的多源傳感器信息融合系統(tǒng)應用中，由于傳感器測量誤差、自然環(huán)境噪聲的干擾 (如氣象惡劣）、人為地干擾（如釋放電子誘餌）、極個別傳感器突發(fā)故障等因素，使得從不 同傳感器獲取的證據(jù)之間常常會存在沖突。然而在證據(jù)之間存在沖突時，證據(jù)合成的過程 中會導致推理結果出現(xiàn)悖論，尤其是證據(jù)間高度沖突時，甚至會得出與實際相反的結論。如 果不能有效解決這一問題，將極大限制D-S證據(jù)理論的應用。當前證據(jù)理論研究的熱點在 于如何判斷證據(jù)沖突的程度及其衡量方法，確定表征證據(jù)沖突強弱的衡量指標，選用不同 的證據(jù)合成方法。目前，很多研究方法都是在假設已經(jīng)識別沖突的情況下，從不同的角度和 側面、在不同程度上改善了高度沖突證據(jù)的合成結果，但總的來說，這些方法本身還不夠完 善，合成效果還不夠理想。

【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有技術的不足，本發(fā)明提供一種基于證據(jù)相似度的多傳感器信息融合 方法。
[0005] 本發(fā)明解決其技術問題所采用的技術方案包括以下步驟：
[0006] (1)將所有可能的目標類型組成辨識框架Θ = {θ1，θ2，···，θη}，其中代表 一種目標類型，每個傳感器可被視為一個證據(jù)源，每個證據(jù)源給出候選目標類型的列表，并 且每個候選目標類型A k都有一個概率賦值m (A k)，其中候選目標類型Ak稱為焦元，m稱為Θ 上的基本概率賦值函數(shù)，m(A k)稱為焦元\的基本概率賦值，且Xm(Ak) = 1 ;
[0007] (2)對各證據(jù)進行Pignistic概率轉換，多源傳感器信息融合系統(tǒng)提供N條相互獨 立的證據(jù)，Pignistic概率函數(shù)
t = 1，2,…，n，其中| Ak |表示 焦元Ak包含單子的個數(shù)；
[0008] 證據(jù)i的基本概率賦值函數(shù)叫經(jīng)Pignistic概率函數(shù)轉換為
[0010] (3)計算轉換后基本概率賦值函數(shù)為m'廊m' 2的相似度sim(m' i，m' 2)，
[0014] (4)確定其它所有證據(jù)對證據(jù)i的支持度〃
1，2，*"，1證據(jù)1的可信度
[0015] (5)將可信度0吔作為權重，對m' i進行加權修正，得到新的基本概率賦值函數(shù)
[0019] (6)進行證據(jù)合成，證據(jù)合成規(guī)則如下：
[0020]
[0021] 本發(fā)明的有益效果是：采用上述方法對多傳感器決策層數(shù)據(jù)進行信息融合可以克 服以往方法計算量大、人為給定權重系數(shù)的主觀因素影響的缺點，能充分利用已有證據(jù)信 息對沖突程度進行合理衡量以及修正，降低沖突證據(jù)的影響，避免不合理結果的產(chǎn)生，并加 快了多傳感器信息融合的速度和精度。
【具體實施方式】
[0022] 下面結合實施例對本發(fā)明進一步說明，本發(fā)明包括但不僅限于下述實施例。
[0023] 本發(fā)明包括以下步驟：
[0024] 1.用證據(jù)表示多傳感器決策層數(shù)據(jù)。
[0025] 合成孔徑雷達、紅外探測器、電子支援測量裝置可被安裝于多個偵察平臺上用 于目標識別。將所有可能的目標類型組成辨識框架?，? = {θ1，Θ2,…，θη}，其中 Θ t(l < t < η)代表一種目標類型。每個傳感器可被視為一個證據(jù)源，每個證據(jù)源給出候 選目標類型的列表，并且每個候選目標類型Ak都有一個概率賦值m (Ak)。其中候選目標類型 Ak稱為焦元，m稱為Θ上的基本概率賦值函數(shù)，m(A k)稱為焦元基本概率賦值（Basic probability Assignment，BPA)，且 Xm(Ak) = 1〇
[0026] 2.對各證據(jù)進行Pignistic概率轉換。
[0027] 定義1 :多源傳感器信息融合系統(tǒng)提供N條相互獨立的證據(jù)。m為辨識框架Θ下 的基本概率賦值函數(shù)，其焦元為Ak，則Pignistic概率函數(shù)BetP miS
[0029] 其中|Ak|表示焦元Ak包含單子的個數(shù)。Pignistic概率函數(shù)把多單子的BPA平 均分配到所包含的各個單子中。
[0030] 證據(jù)i (1彡i彡N)的基本概率賦值函數(shù)叫經(jīng)Pignistic概率函數(shù)轉換為
[0032] 3.計算轉換后基本概率賦值函數(shù)為m' JP m' 2的兩證的相似度。
[0033] 定義2 :m'挪m' 2的相似度sim(m' u m' 2)為
[0035] 獲得兩兩證據(jù)間的相似度后，可構造一個NXN的證據(jù)相似度矩陣S頂。
[0036]
[0037] 4.確定各證據(jù)的支持度和可信度。
[0038] 定義3 :其它所有證據(jù)對證據(jù)i的支持度Sup (mi'）為：
轉
[0040] 將各證據(jù)的支持度歸一化可得到證據(jù)的可信度。
[0041] 定義4 :證據(jù)i的可信度Cred1S :
[0043] 5.修正證據(jù)源。
[0044] 將可信度Credit為權重，對m' i進行加權修正，得到新的基本概率賦值函數(shù)^。
[0051] 下面以多傳感器信息融合中的一項功能"空中目標識別"為例說明上述基于證據(jù) 相似度的多傳感器信息融合的具體實施過程，即采用所提出的方法確定目標類型。
[0052] 1.現(xiàn)有5個傳感器對空中目標進行觀測識別。設辨識框架Θ = {a:民航機，b:轟 炸機，c:戰(zhàn)斗機}，數(shù)據(jù)庫中存有3種目標類型的特征數(shù)據(jù)。當5個傳感器對目標觀測時， 構造觀測目標與辨識框架目標的求解映射，得到5個傳感器對觀測目標在識別框架下的分 配，即辨識框架Θ下的5條證據(jù)：
[0064] 3.根據(jù)式（4)計算證據(jù)兩兩間的相似度，得到一個5X5的證據(jù)相似度矩陣
[0066] 4.根據(jù)式（6)求的各證據(jù)的支持度，
[0067] Sup (m，J = 2. 7662 ;Sup (m，2) = 0· 7699 ;Sup (m，3) = 3. 0012 ;Sup (m，4) = 2. 9348 ; Sup (m' 5) = 2. 9749.
[0068] 并利用式（7)得到各證據(jù)的可信度。
[0069] Cred1= 0. 9217 ；Cred 2= 0. 2565 ；Cred 3= I ；Cred 4= 0. 9779 ；Cred 5= 0. 9912.
[0070] 5.將計算得到的各證據(jù)的可信度作為權重，根據(jù)式⑶對各證據(jù)進行加權平均， 得到新的證據(jù)。
[0076] 6.根據(jù)式（9)的證據(jù)合成規(guī)則進行證據(jù)合成，可以得到合成后的結果
[0077] E:m(a) = 0. 9921,m(b) =0.0018, m(c) = 0.0061
[0078] 從合成結果可以知道，用多傳感器信息觀測空中目標，采用基于證據(jù)相似度的證 據(jù)理論來進行信息融合，識別出真實目標是a:民航機。
【主權項】
1. 一種基于證據(jù)相似度的多傳感器信息融合方法，其特征在于包括下述步驟： (1) 將所有可能的目標類型組成辨識框架? = {91，9 2,…，9n}，其中9 4代表一種 目標類型，每個傳感器可被視為一個證據(jù)源，每個證據(jù)源給出候選目標類型的列表，并且每 個候選目標類型Ak都有一個概率賦值m(Ak)，其中候選目標類型Ak稱為焦元，m稱為?上 的基本概率賦值函數(shù)，m(Ak)稱為焦元\的基本概率賦值，且2m(Ak) = 1 ; (2) 對各證據(jù)進行Pignistic概率轉換，多源傳感器信息融合系統(tǒng)提供N條相互獨立(6)進行證據(jù)合成，證據(jù)合成規(guī)則如下：
【專利摘要】本發(fā)明提供了一種基于證據(jù)相似度的多傳感器信息融合方法，首先用證據(jù)表示多傳感器決策層數(shù)據(jù)，然后對各證據(jù)進行Pignistic概率轉換，計算轉換后兩兩證據(jù)間的相似度，并確定各證據(jù)的支持度和可信度，最后修正證據(jù)源，進行證據(jù)合成。本發(fā)明能充分利用已有證據(jù)信息對沖突程度進行合理衡量以及修正，降低沖突證據(jù)的影響，避免不合理結果的產(chǎn)生，并加快了多傳感器信息融合的速度和精度。
【IPC分類】G06F19/00
【公開號】CN105046067
【申請?zhí)枴緾N201510385883
【發(fā)明人】張安, 畢文豪
【申請人】西北工業(yè)大學
【公開日】2015年11月11日
【申請日】2015年7月3日