本发明专利技术提出的一种语义网络目标识别判证方法,旨在提供一种能够降低证据合成更新计算量,并能降低多重属性证据间冲突,改善识别结果一致性的综合判证方法。本发明专利技术通过下述技术方案予以实现:在证据接收与证据输出之间创建目标语义库和与目标语义库交互数据的证据接收模块、证据语义知识抽取模块和证据语义知识扩展模块,证据接收模块实时接收来自不同类型传感器识别源的目标识别证据,证据语义知识聚类模块对扩展后的属性约束关系所涉及的多重属性集合中的元素进行聚类,获得若干个属性分类,证据合成更新模块从多重属性间的约束关系中,对不同层次属性的识别证据、各个属性分类证据进行正交计算、正交合成更新,获得更新后的识别证据判证结果。
【技术实现步骤摘要】
本专利技术涉及一种目标识别和跟踪模式识别领域基于多传感器数据融合的目标识别方法,尤其是涉及目标综合识别系统多辨识框架下,多识别源多重属性的综合判证方法。
技术介绍
随着目标识别技术的发展,利用多种类型传感器以及多种识别技术手段对目标进行综合识别是一个发展趋势。目前,基于多传感器(雷达和红外)信号融合的目标识别和跟踪系统,由于不同类型识别源对目标独立识别,给出的识别结果在属性层次往往不同,相同识别层次的识别结果也往往不一致。为了使综合识别系统具有统一的输出,需要对多种识别手段给出目标识别结果进行判证与决策。判证决策处理包括单属性即单辨识框架判证、多重属性即多辨识框架判证。然而目前针对多识别源多重属性进行综合判证,难以降低多重属性证据间的冲突,改善识别结果的一致性。在现有技术中,多传感器数据融合作为一门新兴交叉学科在近年来得到了广泛关注和飞速发展。多传感器数据融合技术能够综合多个传感器提供的各个侧面信息,可以获得观测对象更全面、更准确的信息,从而得到准确、快捷的决策和判断。目标识别是数据融合技术的一个重要组成部分。目标识别笼统的定义就是对目标类型或属性等做出某种判别,目标识别亦称属性分类或身份估计。来源于多个目标源的输出数据既可以是动态信息,也可以是身份信息.动态信息即目标运动的动态参数,通常包括位置、速度和加速度.身份信息是从多目标源得到的有助于确立目标身份的命题或陈述的有关信息.由于目标身份信息由传感器信号、属性信息、身份说明组成。由于单传感器系统通常只提供识别跟踪对象的部分信息,多传感器系统运用数据融合技术从不同信源综合信息来克服单传感器的缺陷,多传感器系统利用不同传感器的数据互补和冗余,从各自独立测量空间获取信息。由于目标在不断运动,姿态在不断变化,姿态的图像千差万别,使得在三维空间中进行目标识别的难度大大增加。传统的多传感器数据融合是在数据级、特征级和决策级上进行的。在多传感器目标识别中,传统方法是直接将多元的局部决策送入融合中心,进行最后的整体决策。现有技术对多识别源多重属性判证的方法大致可分为三类:(1)贝叶斯网络推理;(2)证据理论推理;(3)启发式判证。贝叶斯网络(Bayesian network)是一种基于概率推理数学模型的概率网络,它是基于概率推理的图形化网络,贝叶斯公式则是这个概率网络的基础。所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程。基于概率推理的贝叶斯网络是为了解决不定性和不完整性问题而提出的,它对于解决复杂设备不确定性和关联性引起的故障有很好的优势,在多个领域中获得广泛应用。贝叶斯网络又称信度网络,本身是一种不定性因果关联模型。贝叶斯网络与其他决策模型不同,它本身是将多元知识图解可视化的一种概率知识表达与推理模型,是目前不确定知识表达和推理领域最有效的理论模型之一。它是一个有向无环图(Directed Acyclic Graph,DAG),由代表变量节点及连接这些节点有向边构成。节点代表随机变量,节点间的有向边代表了节点间的互相关系(由父节点指向其后代节点),用条件概率进行表达关系强度,没有父节点的用先验概率进行信息表达。节点变量可以是任何问题的抽象,如:测试值,观测现象,意见征询等。适用于表达和分析不确定性和概率性的事件,应用于有条件地依赖多种控制因素的决策,可以从不完全。不精确或不确定的知识或信息中做出推理。贝叶斯网络的建造是一个复杂的任务,需要知识工程师和领域专家的参与,需要建立各种属性之间的条件概率表,以量化形式来表征不同属性之间的约束关系,而在现实中,这种量化关系不易获得;同时,贝叶斯网络推理不能解决“不明”情况。证据理论推理对单辨识框架较为简单,对多信息融合识别框架多辨识框架而言,还未有较为明确的实现方式。虽然证据理论推理DS方法已广泛应用于各种数据融合系统中,但是由于DS方法的核心—Dempster合成规则的计算复杂性,使得其算法实现成为一个难题。启发式判证主要通过属性之间的约束知识,按照一定的规则如打分,对属性的信度进行更新,从而进行判证决策,该方法虽然也简单,但没有严格的数学基础。而且目前已有的判证方法没有很好的利用目标属性之间的语义知识,以及没有明晰的多重属性判证的数学实现,可靠性较差,结果的合理性不能得到保障。
技术实现思路
本专利技术的任务是针对多目标识别源不同信源综合信息、多重属性综合识别系统存在的不足之处,提供一种判证更加合理,能够降低证据合成更新计算量,并能对来源于多类识别源包含“不明”声明的目标属性、类型、型号等多重属性证据的综合判证方法,以降低多重属性证据间的冲突,改善识别结果的一致性。本专利技术解决现有技术问题所采用的方案是:一种语义网络目标识别判证方法,具有如下技术特征:在证据接收与证据输出之间创建存储各类目标实体、关于多重属性间语义隶属知识和目标不同层次属性约束关系的目标语义库,对接收的证据所涉及的属性进行分类处理并与目标语义库交互数据的证据接收模块、证据语义知识抽取模块、证据语义知识扩展模块、以及顺次通过证据语义知识聚类模块、证据合成更新模块输出判证数据结果的证据输出模块;证据接收模块实时接收来自不同类型传感器识别源的目标识别证据,包括目标属性、目标类型、目标型号,目标属性层次中的一种或多种属性的识别声明和/或包含的“不明”识别证据声明;证据语义知识抽取模块在目标语义库存储的各种目标属性间的隶属关系中,抽取证据接收模块中接收到的识别证据声明所涉及的语义知识;证据语义知识扩展模块根据目标属性间隶属关系的传递规则将抽取出的语义知识进行扩展,获得扩展后的属性支持约束关系与属性冲突约束关系;证据语义知识聚类模块对扩展后的属性约束关系所涉及的多重属性集合S中的元素进行聚类,获得若干个属性分类,且每个分类中的属性均为存在相互约束关系的最小属性集合,证据合成更新模块从多重属性间的约束关系中,对不同层次属性的识别证据、各个属性分类证据进行正交计算、正交合成更新,获得更新后的识别证据判证结果;证据输出模块将更新后的识别证据判证结果输出到其它调用本专利技术方法的模块。本专利技术相比于现有技术具有如下有益效果。本专利技术在证据接收与证据输出之间引入包含:目标语义库、证据接收模块、证据语义知识抽取模块、证据语义知识扩展模块、证据语义知识聚类模块、证据合成更新模块和证据输出模块语义网络,通过目标语义库描述的目标不同层次属性之间的约束关系,作为判证过程的依据,使得判证更加合理。目标语义库在判证过程中独立存储,利于维护;证据语义知识抽取模块、证据语义知识扩展模块、证据本文档来自技高网...
【技术保护点】
一种语义网络目标识别判证方法,具有如下技术特征:在证据接收与证据输出之间创建存储各类目标实体、关于多重属性间语义隶属知识和目标不同层次属性约束关系的目标语义库,对接收的证据所涉及的属性进行分类处理并与目标语义库交互数据的证据接收模块、证据语义知识抽取模块、证据语义知识扩展模块、以及顺次通过证据语义知识聚类模块、证据合成更新模块输出判证数据结果的证据输出模块;证据接收模块实时接收来自不同类型传感器识别源的目标识别证据,包括目标属性、目标类型、目标型号,目标属性层次中的一种或多种属性的识别声明和/或包含的“不明”识别证据声明;证据语义知识抽取模块在目标语义库存储的各种目标属性间的隶属关系中,抽取证据接收模块中接收到的识别证据声明所涉及的语义知识;证据语义知识扩展模块根据目标属性间隶属关系的传递规则将抽取出的语义知识进行扩展,获得扩展后的属性支持约束关系与属性冲突约束关系;证据语义知识聚类模块对扩展后的属性约束关系所涉及的多重属性集合S中的元素进行聚类,获得若干个属性分类,且每个分类中的属性均为存在相互约束关系的最小属性集合,证据合成更新模块从多重属性间的约束关系中,对不同层次属性的识别证据、各个属性分类证据进行正交计算、正交合成更新,获得更新后的识别证据判证结果;证据输出模块将更新后的识别证据判证结果输出。...
【技术特征摘要】
1.一种语义网络目标识别判证方法,具有如下技术特征:在证据接收与证据输出之间创建
存储各类目标实体、关于多重属性间语义隶属知识和目标不同层次属性约束关系的目标语义
库,对接收的证据所涉及的属性进行分类处理并与目标语义库交互数据的证据接收模块、证
据语义知识抽取模块、证据语义知识扩展模块、以及顺次通过证据语义知识聚类模块、证据
合成更新模块输出判证数据结果的证据输出模块;证据接收模块实时接收来自不同类型传感
器识别源的目标识别证据,包括目标属性、目标类型、目标型号,目标属性层次中的一种或
多种属性的识别声明和/或包含的“不明”识别证据声明;证据语义知识抽取模块在目标语
义库存储的各种目标属性间的隶属关系中,抽取证据接收模块中接收到的识别证据声...
【专利技术属性】
技术研发人员:王连亮,
申请(专利权)人:中国电子科技集团公司第十研究所,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。