【技术实现步骤摘要】
本专利技术涉及信息融合领域，尤其是一种多传感器信息融合算法和d-s证据理论的融合方法。
技术介绍
1、d-s证据理论是一种应用广泛的不确定性建模与推理方法，通过定义信任函数与似然函数构造置信区间来表征不确定性，其定义的组合规则满足交换律与结合律，证据理论可以在不需要先验概率和条件概率密度的条件下较好地处理随机性和模糊性所导致的不确定性问题，有效解决多传感器信息融合问题，近年来在信息融合、目标识别、故障诊断图像处理等领域都有着广泛应用。
2、多传感器信息融合是对分布在不同位置的多个同质或异质传感器所提供的多层次、多角度的数据信息，以一定的准则进行自动分析、综合与优化组合处理，以完成所需的决策和估计，得到最终判决。多传感器信息融合可降低多传感器信息之间可能存在的冗余和矛盾，提升信息的互补性，降低其不确定性，获得对事物或环境的一致性解释。d-s证据理论为不确定信息的表达和合成提供了有力的理论支持，现已成为多源信息融合领域的重要理论和方法。但是，在实际应用中，由于电磁环境的干扰以及传感器本身可能存在不稳定问题(极个别传感器突发故障)等因素，使得从不同传感器收集到的信息具有很大的不确定性和高冲突性，在使用d-s证据理论融合高冲突证据时，往往会出现反直观的结果，这一缺陷也限制了d-s证据理论的应用。
3、目前，在证据理论的相关研究中，如何更加准确地判断证据冲突的程度及其衡量方法，确定表征证据冲突强弱的衡量指标，以及在确定证据权重时如何合理地利用证据本身的信息，是很重要的研究方向。目前，很多研究方法在确定证据权重时大多
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种基于信任指数散度的多传感器信息融合方法。
2、本专利技术解决其技术问题所采用的技术方案的步骤为：
3、(1)将所有可能的n个目标单类型θi组成一个目标类型集合θ，表示为θ＝{θ1,θ2,…θi,…,θn}，i＝1,2,…n，定义aj为候选目标类型，包含一个或多个目标单类型，即j＝1，2，…，m，n个传感器分别对同一个目标进行探测识别，分别给出候选目标类型对应的基本概率赋值，那么称第l个传感器提供候选目标类型aj对应的基本概率赋值ml(aj)列表为第l条证据el，即
4、el:ml(a1),ml(a2),…,ml(aj),…,ml(am)，(l＝1,2,…,n)，其中ml为证据el的基本概率赋值函数，ml(aj)为候选目标类型aj对应的基本概率赋值,
5、(2)n个传感器提供n条证据；对证据el进行pignistic概率转换得到对应的新证据el′，l＝1，2，…，n，同时得到新证据el′的基本概率赋值函数ml′：
6、(3)计算n个传感器提供的n条证据中任意两条证据eu、ev的信任指数散度bed(eu,ev)，u＝1，2，…，n，v＝1，2，…，n；
7、计算n个传感器提供的n条证据两两之间的信任指数散度，构造一个n×n的信任散度矩阵dmm；
8、计算证据eu的平均信任指数散度
9、
10、(4)确定其它所有证据对证据eu的支持度supu，
11、
12、确定证据eu的可信度credu，
13、
14、(5)计算证据eu的信度熵edu，
15、
16、计算证据eu的信息量iu，
17、
18、(6)确定证据eu的权重wu，
19、
20、(7)对n个传感器提供的n条证据进行加权修正得到加权平均证据其基本概率赋值函数为表示为：
21、
22、其中，wu为证据eu的权重，为加权平均证据中候选目标类型aj的基本概率赋值，mu(aj)为证据eu中候选目标类型aj的基本概率赋值；
23、(8)利用d-s证据融合规则对加权平均证据进行n-1次合成得到融合结果e；
24、融合结果e为：
25、e:m(θ1),m(θ2),…,m(θi),…,m(θn)(i＝1,2,…,n)
26、融合结果e中基本概率赋值最大的目标单类型即为多传感器目标识别的最终结果。
27、所述基本概率赋值函数ml′：
28、
29、其中为pignistic概率转换函数，ml′(θi)为新证据el′中目标单类型θi的基本概率赋值，pignistic概率转换函数定义如下：
30、其中|aj|表示候选目标类型aj包含的目标单类型个数。
31、所述信任指数散度bed(eu,ev)为：
32、
33、其中，mu′(θi)为证据eu经pignistic概率转换后对应新证据eu′中目标单类型θi的基本概率赋值，mv′(θi)为证据ev经pignistic概率转换后对应新证据ev′中目标单类型θi的基本概率赋值。
34、所述信任散度矩阵dmm为：
35、
36、所述d-s证据融合规则如下：
37、
38、其中，m(θi)为融合结果e中目标单类型θi的基本概率赋值，as,at(s＝1,2,…,m，t＝1,2,…,m)为加权平均证据的候选目标类型，为加权平均证据中候选目标类型as,at的基本概率赋值。
39、一种电子设备，包括一个或多个处理器；存储器；一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如上所述的方法。
40、一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码可被处理器调用执行如上所述的方法。
41、本专利技术的有益效果在于本专利技术在确定证据权重时同时考虑了证据间冲突程度与证据本身的不确定性，克服以往研究在确定证据权重时大多基于证据之间的冲突程度，而很少考虑证据本身的特征的问题，能充分利用已有证据信息对冲突程度进行合理衡量以及修正，能够降低冲突证据的影响，避免不合理结果的产生。采用上述方法对多传感器决策层数据进行信息融合可以克服以往方法计算量大、人为给定权重系数的主观因素影响的缺点，降低冲突证据的影响，并加快了多传感器信息融合的速度和精度。本专利技术提出的多传感器信息融合方法适用于工程应用中多传感器高冲突信息的目标识别场景，可有效解决多传感器高冲突信息的融合问题。
本文档来自技高网...【技术保护点】
1.一种基于信任指数散度的多传感器信息融合方法，其特征在于包括下述步骤：
2.根据权利要求1所述的基于信任指数散度的多传感器信息融合方法，其特征在于：
3.根据权利要求2所述的基于信任指数散度的多传感器信息融合方法，其特征在于：
4.根据权利要求3所述的基于信任指数散度的多传感器信息融合方法，其特征在于：所述信任散度矩阵DMM为：
5.根据权利要求6所述的基于信任指数散度的多传感器信息融合方法，其特征在于：所述D-S证据融合规则如下：
6.一种电子设备，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-5中任意一项所述的方法。
【技术特征摘要】
1.一种基于信任指数散度的多传感器信息融合方法，其特征在于包括下述步骤：
2.根据权利要求1所述的基于信任指数散度的多传感器信息融合方法，其特征在于：
3.根据权利要求2所述的基于信任指数散度的多传感器信息融合方法，其特征在于：
4.根据权利要求3所述的基于信任指数散度的多传感器信息融合方法，其特征在于：所述信...
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。