1.基于模糊分类的加权冲突证据融合方法,其特征在于:包括如下步骤:
步骤一:获得目标识别的辨识框架Θ={θ1,θ2,θ3,…,θu},u为识别框架Θ中元素的个数,θu为识别目标的类型,这是由u个两两互斥元素组成的集合,存在θk且若m(θk)≥0,就称θk为辨识框架Θ上的基本概率赋值m的焦元;获取多个传感器测量信息相对应证据焦元的基本概率赋值,并将每个证据看作一个向量,第i个证据可以表示为:mi=(mi(θ1),mi(θ2),…,mi(θr),…,mi(θu)),其中i=1,2,…,n,n为证据总数目,u为识别框架Θ中元素的个数,r=1,2,…,u;mi(θr)为证据mi的θr焦元的基本概率赋值;
步骤二:当证据含有多子集焦元时,采用基于信度函数Bel和似真函数Pl组合成的区间概率赋值公式将步骤一中证据的多子集焦元转变为单子集焦元;公式如下:计算得到修正后的证据向量m'i=(m'i(θ1),m'i(θ2),…,m'i(θr)),其中m'i(θr)=Pi(θr),为修正后的单子集焦元的基本概率赋值,代表对命题θu为真的信任度量,代表着信任程度的上限,此时θk=θu,为单子集焦元;代表对命题θu为非假的似真度量,代表着信任程度的下限,此时为多子集焦元;代表所有单子集焦元θr为真的信任度量的累加;
步骤三:求出n个证据两两之间的隶属度rij,数值越大代表两个证据之间的相关程度越高,数值越小代表两个证据之间相关程度越低;根据步骤二修正后的证据向量m'i和m'j求第i个证据对于第j个证据的隶属度,函数公式为:其中i,j=1,2,…,n,m'jT为修正后的证据向量m'j的转置;
步骤四:由步骤三得到的n个证据两两之间的隶属度rij构建一个n行n列的隶属度矩阵R,步骤五:由矩阵R的性质得出矩阵R为一个模糊相似矩阵;
步骤六:由模糊相似矩阵R用传递闭包法求出模糊等价矩阵R;
所述的传递闭包法为:为传递闭包的定义,e=max(min(a,a),min(b,c)),f=max(min(a,b),min(b,d)),g=max(min(c,a),min(d,c)),h=max(min(c,b),min(d,d)),直到得到N、K为任意正整数且N<K,此时模糊相似矩阵R的模糊等价矩阵为步骤七:根据设定好的阈值λ,将得到模糊等价矩阵改变为布尔等价矩阵将布尔等价矩阵每列元素值为1的归为一类,得到λ水平上的模糊分类;
步骤八:将归属于同一类的证据进行类内的加权平均融合;
步骤801:同一类中含有l个证据,当两个证据相似程度大越时,那么证据之间的支持度sij就越高,其中i,j=1,2,…,l,ε为需要计算相互支持度的证据的总数目,此时ε=l;
步骤802:由l个证据之间的相互支持度sij构建一个l行l列的相互支持度矩阵S,步骤803:由相互支持度矩阵S得到证据m'i在同类证据中的最终支持度si,其中i=1,2,…,l;
步骤804:将每个证据的最终支持度si进行归一化处理其中i=1,2,…,l,归一化后的最终支持度就是同类证据中各自的权重wi=Si,其中i=1,2,…,l,对同类证据进行加权平均融合求出新的证据;若同类证据中只含有一个证据,加权平均后仍是证据本身;
步骤九:将步骤八的同类证据加权融合后得到新的证据,由于每类证据中证据个数并不相同,由多个证据融合而来的新证据相比于单个证据融合成的新证据具有更大的可靠性,起更大的主导作用;
步骤901:将新证据最终支持度归一化后与可靠性结合作为新证据的各自的权重,然后对权重进行归一化;
步骤902:由得到的权重将新证据进行加权平均得出最终的证据;
步骤十:将最终的证据进行n-1次自身DS融合,得到的证据就是最后结果。
2.根据权利要求1所述的基于模糊分类的加权冲突证据融合方法,其特征在于:所述的步骤十的DS融合采用Dempster组合规则为:其中θr和θu为辨识框架Θ上的焦元,代表两个证据之间的冲突程度,K越大,两个证据之间的冲突程度越大。
3.根据权利要求1所述的基于模糊分类的加权冲突证据融合方法,其特征在于:
所述的步骤901具体为:证据最终分为p类,那么融合后就会有p个新证据,不仅需要考虑每个证据受到其他证据的支持度,还需要考虑证据自身的可靠性,将证据的支持度与可靠性结合,得到融合后的证据中每个证据的权重,Si为证据mi”归一化后的最终支持度,Ti为证据mi”的可靠性;求出证据的权重Wi后,对权重进行归一化处理
4.根据权利要求1所述的基于模糊分类的加权冲突证据融合方法,其特征在于:
所述的步骤902求得最终证据m”':θr为证据的焦元。