基于证据置信熵与相似性的多传感器融合目标识别方法

摘要

本发明公开了一种基于证据置信熵与相似性的多传感器融合目标识别方法，包括：获取目标所属的多种预设类型；各传感器确定当前目标属于各个预设类型的第一概率，获得当前目标的多个目标识别证据；各传感器计算当前目标的多个目标识别证据的相似性及不确定度，并确定不确定度权重和相似性权重；根据不确定度权重和相似性权重对第一概率进行加权，得到当前目标属于各个预设类型的第二概率；获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，第k次融合时按照预设顺序选取(k+1)个传感器，并确定当前目标所属的预设类型。对于多传感器多源信息融合的目标识别问题，本发明有效提高了目标识别的正确率。

说明书

技术领域

本发明属于信息融合技术领域，具体涉及一种基于证据置信熵与相似性的多传感器融合目标识别方法。

背景技术

空中目标识别问题是判断对方目标具体身份或者类型的过程，但是某些因素的存在导致不同传感器平台所获得的目标类型识别结果不一致。近年来，利用数据融合算法来提升目标识别结果的准确率已成为趋势，但由于不同传感器平台所得到的目标身份类型识别结果存在相异之处，若直接采用数据融合算法对存在非一致性问题的目标识别证据进行融合，会得到与真实情况相悖的融合结果，因此研究不一致证据下的目标识别方法对于提升目标类型识别的正确率具有重要意义。

目前，D-S证据理论(Dempster-Shafer Evidence Theory，DSET)作为可以用来表示非确定数据的方法，被广泛应用于处理不确定信息中。文献(C.E.Shannon.AMathematical Theory of Communication.Acm Sigmobile Mob[J].Comput.Commun.Rev,2001,5(1):3–55.)提及香农熵是可以对所提供的数据进行混乱度统计的一种常用手段，然而，在DSET框架中，不仅仅存在单个要素，因此香农熵不适用于DSET框架下。

为了解决DSET框架下信息的混乱度表示，文献(G.J.Klir,M.J.Wierman.Uncertainty-based Information:Elements of Generalized InformationTheory[M].Physica,2013.)提出了用来衡量DSET框架下证据不确定度的测量置信熵的五个性质，利用该标准可以更标准的定义DSET框架下的证据不确定性度量方法；文献(L.Pan,Y.Deng.A New Belief Entropy to Measure Uncertainty of Basic ProbabilityAssignments Based on Belief Function and Plausibility Function[J].Entropy,2018,20(11):842.)基于Deng熵提出了一种新的基本概率指派不确定度衡量方法，该方法将区间引入该问题中；文献(R.Jirousek,P.P.Shenoy.A New Defifinition of Entropyof Belief Functions in the Dempster–shafer Theory[J].International Journal ofApproximate Reasoning,2018,92:49–65.)在前人提出的测量置信熵的五个性质条件上，对DSET框架下的证据构成进行分析，对五条性质进行了扩展，并提出了一种对于证据混乱度计算的方法。

然而，在相关技术中，D-S证据理论在解决部分不确定性问题时具有一定的优势，但是在证据之间存在不一致性时，根据其融合规则得到的结果往往与正确结果相悖，香农熵不适用于DSET框架下，因为在DSET框架中，不仅仅存在单个要素，而大多数置信熵模型只集中在基本概率的价值或每个基本概率的基数上，辨识框架的影响被完全忽略了，这些定义不能测量不同辨识框架下的不确定性程度。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于证据置信熵与相似性的多传感器融合目标识别方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供一种基于证据置信熵与相似性的多传感器融合目标识别方法，包括：

确定多个待识别的目标，并获取所述目标所属的多种预设类型；

各传感器确定当前目标属于各个预设类型的第一概率，获得当前目标的多个目标识别证据；

针对各传感器，计算所述当前目标的多个目标识别证据的相似性及不确定度，并确定每个所述目标识别证据的不确定度权重和相似性权重；

根据所述不确定度权重和所述相似性权重对所述第一概率进行加权，得到当前目标属于各个预设类型的第二概率；

获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，第k次融合时按照预设顺序选取(k+1)个所述传感器，并根据得到的K个融合结果确定所述当前目标所属的预设类型，其中，K＝N-1。

在本发明的一个实施例中，针对各传感器，计算所述当前目标的多个目标识别证据的相似性及不确定度，并确定每个所述目标识别证据的不确定度权重和相似性权重的步骤，包括：

利用预设置信熵模型确定所述当前目标的多个目标识别证据的不确定度；

确定所述当前目标的多个目标识别证据的冲突程度，并根据所述冲突程度确定所述当前目标的多个目标识别证据之间的相似性；

分别根据当前目标的多个目标识别证据的不确定度和相似性，确定每个所述目标识别证据的不确定度权重和相似性权重。

在本发明的一个实施例中，确定所述当前目标的多个目标识别证据的冲突程度，并根据所述冲突程度确定所述当前目标的多个目标识别证据之间的相似性的步骤，包括：

利用Minkowski距离确定所述当前目标的多个目标识别证据之间的冲突程度，得到所述目标识别证据之间的冲突程度系数；

根据所述目标识别证据之间的冲突程度系数，按照如下公式计算所述当前目标的多个目标识别证据之间的相似性：

sim

其中，MDismP(m

在本发明的一个实施例中，各传感器确定当前目标属于各个预设类型的第一概率，获得当前目标的多个目标识别证据的步骤，包括：

所述各传感器利用mass函数确定当前目标属于各个预设类型的第一概率。

在本发明的一个实施例中，按照如下公式确定所述当前目标的多个目标识别证据之间的冲突程度系数：

其中，

在本发明的一个实施例中，预设置信熵模型为：

式中，A表示待目标所属的多种预设类型中的某一种，

在本发明的一个实施例中，根据所述不确定度权重和所述相似性权重对所述第一概率进行加权，得到当前目标属于各个预设类型的第二概率的步骤，包括：

各传感器根据所述不确定度权重及所述相似性权重，确定所述当前目标的每个所述目标识别证据的第一权重，并与所述当前目标属于各个预设类型的第一概率相乘，得到当前目标属于各个预设类型的第二概率。

在本发明的一个实施例中，获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，第k次融合时按照预设顺序选取(k+1)个所述传感器，并根据得到的K个融合结果确定所述当前目标所属的预设类型的步骤，包括：

获取每个传感器对应的当前目标属于各个预设类型的第二概率；

在第k次融合时，从所述N个传感器中选取第1、2、……、(k+1)个所述传感器；

获取当前目标在第1、2、……、(k+1)个传感器中属于同一预设类型的多个第二概率，并对所述多个第二概率进行融合，得到本次融合结果；

在进行K次融合后，获得K个融合结果，并根据所述K个融合结果中的非零值确定所述当前目标所述的预设类别，其中，K＝N-1。

在本发明的一个实施例中，按照如下公式对所述多个第二概率进行融合：

式中，m

与现有技术相比，本发明的有益效果在于：

本发明提供了一种基于证据置信熵与相似性的多传感器融合目标识别方法，各传感器获得当前目标的多个目标识别证据后，计算当前目标的多个目标识别证据的相似性及不确定度，确定每个目标识别证据的不确定度权重和相似性权重，并根据不确定度权重和相似性权重对第一概率进行加权，得到当前目标属于各个预设类型的第二概率，进而获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，以确定目标识别结果，由于基于置信熵和证据相似性进行目标识别能够很好的消除各传感器对应的目标识别证据之间的冲突与矛盾，因此对于多传感器多源信息融合的目标识别问题，有效提高了目标识别的正确率。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的基于证据置信熵与相似性的多传感器融合目标识别方法的一种流程示意图；

图2是本发明实施例提供的基于证据置信熵与相似性的多传感器融合目标识别方法的另一种流程示意图；

图3是本发明实施例提供的基于证据置信熵与相似性的多传感器融合目标识别方法的另一种流程示意图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

图1是本发明实施例提供的基于证据置信熵与相似性的多传感器融合目标识别方法的一种流程示意图。请参见图1，本发明实施例提供一种基于证据置信熵与相似性的多传感器融合目标识别方法，包括：

S1、确定多个待识别的目标，并获取目标所属的多种预设类型；

S2、各传感器确定当前目标属于各个预设类型的第一概率，获得当前目标的多个目标识别证据；

S3、针对各传感器，计算当前目标的多个目标识别证据的相似性及不确定度，并确定每个目标识别证据的不确定度权重和相似性权重；

S4、根据不确定度权重和相似性权重对第一概率进行加权，得到当前目标属于各个预设类型的第二概率；

S5、获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，第k次融合时按照预设顺序选取(k+1)个传感器，并根据得到的K个融合结果确定当前目标所属的预设类型，其中，K＝N-1。

具体地，本实施例提供的目标识别方法基于DEST框架。首先获取待识别目标所属的多种预设类型，然后由各传感器确定当前目标属于各个预设类型的第一概率，作为当前目标的多个目标识别证据。例如，预设类型有4种，那么各个传感器则会分别确定出当前目标属于这四种预设类型的第一概率；其中，各传感器可利用mass函数确定当前目标属于各个预设类型的第一概率。

可选地，在上述步骤S3中，针对各传感器，计算当前目标的多个目标识别证据的相似性及不确定度，并确定每个目标识别证据的不确定度权重和相似性权重的步骤，包括：

S301、利用预设置信熵模型确定当前目标的多个目标识别证据的不确定度；

S302、确定当前目标的多个目标识别证据的冲突程度，并根据冲突程度确定当前目标的多个目标识别证据之间的相似性；

S303、分别根据当前目标的多个目标识别证据的不确定度和相似性，确定每个目标识别证据的不确定度权重和相似性权重。

本实施例采用置信熵模型确定当前目标的多个目标识别证据的不确定度，应当理解，目标识别证据的信息量越大、置信熵也越大，进而其不确定度也就越大，因此应该赋予该目标识别证据的权重就越小。

具体而言，预设置信熵模型可以为：

式中，A表示待目标所属的多种预设类型中的某一种，

进一步地，步骤S302中，确定当前目标的多个目标识别证据的冲突程度，并根据冲突程度确定当前目标的多个目标识别证据之间的相似性的步骤，包括：

利用Minkowski距离确定当前目标的多个目标识别证据之间的冲突程度，得到目标识别证据之间的冲突程度系数；

根据目标识别证据之间的冲突程度系数，按照如下公式计算当前目标的多个目标识别证据之间的相似性。

具体而言，本实施例利用Hamacher-T-conorm融合规则求解上述冲突程度系数和相似性：

式中：

当前目标的多个目标识别证据之间的冲突程度系数为：

其中，

需要说明的是，本实施例通过Minkowski距离确定各个目标识别证据之间的距离值，以衡量目标识别证据之间的冲突程度，其中，冲突程度与距离值成反比，冲突程度系数越大、则两个目标识别证据之间的相似性越小。

进一步地，当前目标的多个目标识别证据之间的相似性为：

sim

其中，MDismP(m

定义矩阵S

式中，sim

求解W

λ

式中，λ

则相似性权重定义和不确定度权重分别为：

可选地，在上述步骤S4中，根据不确定度权重和相似性权重对第一概率进行加权，得到当前目标属于各个预设类型的第二概率的步骤，包括：

各传感器根据不确定度权重及相似性权重，确定当前目标的每个目标识别证据的第一权重，并与当前目标属于各个预设类型的第一概率相乘，得到当前目标属于各个预设类型的第二概率。

具体而言，确定各目标识别证据的不确定度权重和相似性权重后，按照下式确定目标识别证据的第一权重：

进而将目标识别证据对应的第一权重与当前目标属于各个预设类型的第一概率分别相乘，得到当前目标属于各个预设类型的第二概率。

可选地，在上述步骤S5中，获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，第k次融合时按照预设顺序选取(k+1)个传感器，并根据得到的K个融合结果确定当前目标所属的预设类型，其中，K＝N-1的步骤，包括：

S501、获取每个传感器对应的当前目标属于各个预设类型的第二概率；

S502、在第k次融合时，从N个传感器中选取第1、2、……、(k+1)个传感器；

S503、获取当前目标在第1、2、……、(k+1)个传感器中属于同一预设类型的多个第二概率，并对多个第二概率进行融合，得到本次融合结果；

S504、在进行K次融合后，获得K个融合结果，并根据K个融合结果中的非零值确定当前目标的预设类别，其中，K＝N-1。

具体而言，本实施例基于Dempster组合规则对第二概率进行融合。以传感器的数量为N、预设类型包括S1、S2、S3和S4为例，第一次融合过程中选取第1、2个传感器，分别获取当前目标在第1个传感器中属于预设类型S1的第二概率及当前在第2个传感器中属于预设类型S1的第二概率并相乘、获取当前目标在第1个传感器中属于预设类型S2的第二概率及当前在第2个传感器中属于预设类型S2的第二概率并相乘、获取当前目标在第1个传感器中属于预设类型S3的第二概率及当前目标在第2个传感器中属于预设类型S3的第二概率并相乘、获取当前目标在第1个传感器中属于预设类型S4的第二概率及当前在第2个传感器中属于预设类型S4的第二概率并相乘，而后按照如下公式进行融合：

式中，m

应到理解，后续对第二概率的融合过程与第一次融合过程相同，区别之处仅在于选取的传感器不同，具体来说，第二次选取的传感器包括第1、2、3个传感器，第三次选取的传感器包括第1、2、3、4个传感器……第K次融合选取的传感器包括1、2、……、N个传感器，融合过程此处不再赘述。

下面通过仿真实验对上述基于证据置信熵与相似性的多传感器融合目标识别方法做进一步说明。

假设辨识框架中有15个预设类型，Θ＝{1,2,…,14,15}，m(3,4,5)＝0.05,m(7)＝0.05,m(A

表1

表1中，H

由表1中结果可知，当命题A

进一步地，本实施例对上述基于置信熵与相似性的多传感器目标识别方法进行仿真验证。假设辨识框架由三类目标组成，Θ＝{a,b,c}，五个传感器确定出的第一概率如表2所示。

表2

对上述五个传感器得到的当前目标的目标识别证据进行分析可知，传感器1、传感器3、传感器4、传感器5给出的当前目标为预设类型a的第一概率最大，而传感器2给出的当前目标为预设类型b的第一概率最大。显然，可以得出当前目标为预设类型a的概率最大，但是传感器2与其他传感器数据是冲突的，因此需要对传感器数据进一步融合以得到最终的识别结果。

将上述基于证据置信熵与相似性的多传感器融合目标识别方法中的融合结果与基于Yager方法、Murphy方法、Deng方法融合的结果进行比较，结果如表3所示：

表3

显然，由表3可知，上述基于证据置信熵与相似性的多传感器融合目标识别方法在不确定信息下仍然稳定可靠，能够快速对当前目标加以识别。

通过上述各实施例可知，本发明的有益效果在于：

本发明提供了一种基于证据置信熵与相似性的多传感器融合目标识别方法，各传感器获得当前目标的多个目标识别证据后，计算当前目标的多个目标识别证据的相似性及不确定度，确定每个目标识别证据的不确定度权重和相似性权重，并根据不确定度权重和相似性权重对第一概率进行加权，得到当前目标属于各个预设类型的第二概率，进而获取每个传感器对应的当前目标属于各个预设类型的第二概率之后，对N个传感器进行K次融合，以确定目标识别结果，由于基于置信熵和证据相似性进行目标识别能够很好的消除各传感器对应的目标识别证据之间的冲突与矛盾，因此对于多传感器多源信息融合的目标识别问题，有效提高了目标识别的正确率。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。