1.基于区间数距离和模型可靠性的目标识别方法，其特征在于：包括以下几个步骤：步骤1、构造观测目标各个属性的区间数模型：记输入传感器观测到的目标总为n个，L1,L2,…,Li,…,Ln i＝1,2,…,n；子集Al表示一个或者多个观测到的目标集合；

步骤2、计算传感器观测到的测试样本与模型之间的区间数距离：由传感器观测到目标的k个属性的参数构成一个测试样本ξ，测试样本ξ在属性attj下的区间数为表示最大值， 表示最小值，j∈1,2…，k；通过下面区间数之间的距离公式计算区间数为 与子集Al在属性attj下的区间数 之间的区间数距离， 表示最小值， 表示最大值；

其中，λ和μ分别称为区间数的中点影响因子和区间数的宽度影响因子；

步骤3、确定初始基本概率指派；

步骤4、计算模型的综合可靠性Rj；

步骤5、确定最终基本概率指派：利用综合可靠性Rj对步骤3中所求的初始基本概率指派进行折扣，折扣结果作为最终基本概率指派；

步骤6、利用Dempster组合规则对步骤5中的最终基本概率指派进行逐个融合，总共融合k‑1次；

步骤7、输出目标类型识别结果，最终融合结果中最大的基本概率赋值所对应的子集即为最终的识别目标。

2.根据权利要求1所述的基于区间数距离和模型可靠性的目标识别方法，其特征在于，步骤1的具体步骤为：

步骤1‑1：输入传感器观测到的n个目标，L1,L2,…,Li,…,Ln i＝1,2,…,n；k个属性，att1,att2,…,attj,…,attk j＝1,2，…,k的目标样本数据集；

Θ

步骤1‑2：可以确定辨识框架为：Θ＝{L1,L2,…,Li,…,Ln}；2 为辨识框架的幂集，包含辨识框架的所有子集， 若函数Θ

m:2 →[0,1]满足 0≤m(A)≤1, 则称m为辨识框架Θ上的基本概率指派；

步骤1‑3：分别确定目标样本数据集中所有属于子集 的样本在属性attj上的最小值 和最大值 即为子集Al在属性attj下的区间数模型；

对样本中的每一个属性进行建模，可以得到k个不同的属性模型。

3.根据权利要求2所述的基于区间数距离和模型可靠性的目标识别方法，其特征在于：步骤3的具体步骤为：

步骤3‑1：将步骤2所求的结果通过下面的公式转换为相似度；

其中，α是支持系数，α＞0；

步骤3‑2：对步骤3‑1中获取的相似度进行归一化，归一化后的结果作为初始基本概率指派，m(Al)表示为子集Al的基本概率赋值；

4.根据权利要求3所述的基于区间数距离和模型可靠性的目标识别方法，其特征在于：步骤4的具体步骤为：

步骤4‑1：通过下式计算各个目标在属性attj下的区间数模型两两之间的相似度；其中，分别为目标L1,L2,…,Li,…,Ln在属性attj下的区间数；

其中，

步骤4‑2：根据步骤4‑1计算的结果，可以得到所有目标在属性attj下的区间数模型的相似度矩阵SMMj；

步骤4‑3：若 很大，说明L1,L2这两个目标的区间模型交集范围很大；由于交集范围很大将会对识别结果产生负面影响，此时被错误识别的可能性就越大，说明模型的静态可靠性越低，通过下式计算属性attj下的区间数模型的静态可靠性步骤4‑4：通过下式计算测试样本ξ在属性attj下的区间数 与各个目标在属性attj下的区间数模型两两之间交集的距离；

其中，

步骤4‑5：根据步骤4‑4计算的结果，可以得到测试样本ξ在属性attj下的区间数与属性j

attj区间数模型的距离矩阵d；

步骤4‑6：通过下式计算平均距离；

步骤4‑7：若 很大，说明测试样本ξ在属性attj下的区间数和L1,L2这两个目标的区间模型交集距离很远；此时L1,L2这两个目标的区间模型交集对测试样本ξ的影响很小，测试样本ξ被错误识别为L1,L2这两个目标的可能性就越小，说明模型的动态可靠性很好，通过下式对平均距离进行处理，结果作为动态可靠性其中，e为自然常数，是一个约等于2.71828182845904523536……的无理数；

步骤4‑8：通过下式将静态可靠性和动态可靠性结合起来，并归一化处理，作为区间数模型的综合可靠性Rj；

5.根据权利要求4所述的基于区间数距离和模型可靠性的目标识别方法，其特征在于：所述的步骤5中，折扣的过程为：|Θ|表示Θ中元素的个数。

6.根据权利要求5所述的基于区间数距离和模型可靠性的目标识别方法，其特征在于：步骤6中所述的Dempster组合规则为：其中，

为由上述步骤生成的属性att1和属性att2的最终基本概率指派， 是由m1和m2经Dempster组合规则融合后生成的新的基本概率指派，m(Al)表示子集Al的基本概率赋值，K为冲突系数，p,q＝|Θ|

1,2,…,2 ， 为空集。