[发明专利]基于卷积神经网络的证据权重确定方法、装置和电子设备

权利要求书

1.一种基于卷积神经网络的证据权重确定方法，其特征在于，包括：

从多个传感器测量信息中获取多个证据，将每个证据看作一个证据向量；

将所有所述证据向量输入到预构建的输入网络中，对所述证据向量进行拼接，得到证据向量矩阵；

将所述证据向量矩阵输入到预构建的卷积网络中，得到证据内部及证据之间的潜在特征；

将证据内部及证据之间的潜在特征输入到预构建的输出网络中，得到与输入证据相对应的证据权值预测值；

根据输入证据、对应的所述证据权值预测值、真实标签向量以及预设的权重损失函数，对由所述输入网络、所述卷积网络和所述输出网络组成的卷积神经网络进行训练，得到输入证据相对应的证据权值。

2.根据权利要求1所述的基于卷积神经网络的证据权重确定方法，其特征在于，从多个传感器测量信息中获取多个证据，将每个证据看作一个证据向量，包括：

将多个传感器测量信息作为训练数据集，并对所述训练数据集进行处理，得到所述训练数据集的类别；

将所述训练数据集的每个类别作为识别框架内的一个元素，各元素之间是相互独立而又穷尽的；

将所述训练数据集中的每个训练样本分别输入到三个训练好的神经网络中，生成每个元素的三个原始基本概率赋值函数；所述原始基本概率赋值函数是所述训练样本在单个神经网络上的概率输出；所述三个训练好的神经网络分类为多层感知器、全卷积网络和ResNet神经网络；

根据神经网络生成的所述原始基本概率赋值函数，采用人工仿真方法获取包含多个元素子集的原始基本概率赋值函数，以获取多个证据；

将每个证据看作一个1×N的证据向量，其中N表示所述训练数据集中类别数量；N为正整数。

3.根据权利要求1所述的基于卷积神经网络的证据权重确定方法，其特征在于，所述卷积网络包括一个卷积层；所述卷积层的卷积核为k×k，其中k为输入证据的数量；k为正整数。

4.根据权利要求1所述的基于卷积神经网络的证据权重确定方法，其特征在于，所述输出网络包括两个全连接层、一层Softmax函数输出层，其中所述Softmax函数输出层的节点数量与输入证据的数量相同。

5.根据权利要求1所述的基于卷积神经网络的证据权重确定方法，其特征在于，根据输入证据、对应的所述证据权值预测值、真实标签向量以及预设的权重损失函数，对由所述输入网络、所述卷积网络和所述输出网络组成的卷积神经网络进行训练，得到输入证据相对应的证据权值，包括：

将每个证据和对应的所述证据权值预测值进行加权求和，得到加权平均证据；

利用Dempster组合规则融合所述加权平均证据k-1次，得到最终的融合结果，其中k为输入证据的数量；

将所述最终的融合结果、真正类别标签向量输入到预设的权重损失函数中进行计算，得到权重损失函数值；

当未达到预设网络训练终止条件时，根据所述权重损失函数值对由所述输入网络、所述卷积网络以及所述输出网络组成的卷积神经网络进行训练，更新网络参数，直到满足预设网络训练终止条件为止，得到输入证据相对应的证据权值。

6.根据权利要求5所述的基于卷积神经网络的证据权重确定方法，其特征在于，所述预设的权重损失函数为：

其中，为预设的权重损失函数，n为训练样本的数量，为第i个证据的真正类别标签向量，为最终的融合结果证据。

7.根据权利要求1所述的基于卷积神经网络的证据权重确定方法，其特征在于，输入证据向量与真实标签向量之间的相似性越高，输入证据相对应的证据权值越大；

输入证据的重要性和可靠性越高，输入证据相对应的证据权值越大；

输入证据向量与真实标签向量之间的冲突越大，输入证据相对应的证据权值越小。