[发明专利]一种基于证据模糊因子的多源数据融合识别方法

说明书

本发明提供了一种基于证据模糊因子的多源数据融合识别方法，确定本次目标识别的辨识类别框架后，计算每个证据的自身差异因子、自身一致因子、自身模糊因子和修正系数，对每个证据对分配给各个命题的BPA进行修正，并对修正后的证据进行融合。本发明提出一种证据模糊因子的概念并对原始证据集进行异常检测，基于检测结果对原始证据体进行修正，引入全集项，修正证据源，在此基础上对修正后的证据体进行融合，达到更精确的多源传感器目标融合识别概率。

技术领域

本发明属于信息融合技术领域，用于多传感器对目标进行识别过程中的数据融合。

背景技术

在多传感器进行目标识别过程中，由于环境恶劣以及目标在运动过程中姿态的变化，部分节点的传感器采集到的数据往往不精确，不完整，甚至是受到严重干扰的。因此需要通过数据融合的方法来进行多源目标身份信息融合处理，以达到对目标的精确识别判断。用于目标识别的多源数据融合就是把来自多个传感器的信息源的目标数据校准、联合、相关，完成对目标身份的联合估计。

传统的数据融合识别算法在融合高度冲突的数据源时往往会导致一些反常理的结果，如经典的证据理论算法存在的最大问题是在处理强冲突的数据时存在的Zadeh悖论。如在某次两个传感器对某一目标进行识别时，传感器1认为该目标为我方成员的概率为99％，敌方成员概率为1％，中立成员概率为0％。而传感器2认为该目标为我方成员的概率为0％，敌方成员概率为1％，中立成员概率为99％。在这种不同传感器提供的证据存在很强冲突的情况下，经典证据理论算法融合两个传感器数据得出的结果是敌方成员概率100％，我方成员和中立成员概率为0％，该结果明显有违常理。

发明内容

为了克服现有技术的不足，本发明提供一种基于证据异常度的多源数据融合识别方法，达到精确识别的目的。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1，确定本次目标识别的辨识类别框架为θ＝{A₁，A₂，...，A_N}，辨识类别框架为本次识别目标的类别集合，N为目标要识别的类别数；若有n个传感器数据进行融合，则多传感器数据提供的证据集为E＝{E₁，E₂，...，E_n}，各证据对应的基本概率赋值BPA为m₁，m₂，...，m_n，m_i分配给θ中A_j的BPA组成数据矩阵矩阵的第i行表示证据对辨识类别框架中类别分配的基本概率估值；

步骤2，计算每个证据的自身差异因子其中，D_ij为证据E_i和E_j的差异系数，A，B∈θ；

步骤3，计算每个证据的自身一致因子其中，U_ij为证据E_i和E_j的一致系数，U_ij＝∑_A＝Bm_i(A)m_j(B)，A，B∈θ；

步骤4，计算每个证据的自身模糊因子其中，

步骤5，计算每个证据的修正系数

步骤6，对每个证据对分配给各个命题的BPA进行修正，

步骤7，对步骤6中修正后的证据进行融合，

其中

本发明的有益效果是：综合考虑各传感器证据体之间的差异程度和一致程度，提出一种证据模糊因子的概念并对原始证据集进行异常检测，基于检测结果对原始证据体进行修正，引入全集项，修正证据源，在此基础上对修正后的证据体进行融合，达到更精确的多源传感器目标融合识别概率。