基于矩陣奇異值分解的多傳感器證據(jù)沖突檢測與度量方法
【專利摘要】基于矩陣奇異值分解的多傳感器證據(jù)沖突檢測與度量方法，本發(fā)明涉及證據(jù)沖突檢測與度量方法。本發(fā)明的目的是為了解決(1)現(xiàn)有技術(shù)對全局沖突的度量不準(zhǔn)確；(2)以及現(xiàn)有技術(shù)不能同時度量完全沖突的證據(jù)和焦元子集依次嵌套證據(jù)問題?；诰仃嚻娈愔捣纸獾亩鄠鞲衅髯C據(jù)沖突檢測與度量方法，步驟一、根據(jù)辨識框架，提取K，將K中元素按勢從小到大排序得到有序焦元集K′；步驟二、根據(jù)K′，將各證據(jù)數(shù)值進(jìn)行向量化；步驟三、用m′i構(gòu)造FBPA；步驟四、對FBPA進(jìn)行分解得到σ(FBPA)；步驟五、根據(jù)σ(FBPA)計算DSVD與CSVD；步驟六、以DSVD＝0.01為閾值，進(jìn)行全局沖突判斷。本發(fā)明應(yīng)用于數(shù)據(jù)融合領(lǐng)域。
【專利說明】基于矩陣奇異值分解的多傳感器證據(jù)沖突檢測與度量方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及證據(jù)沖突檢測與度量方法。

【背景技術(shù)】
[0002] 多傳感器信息融合在提高智能系統(tǒng)的決策科學(xué)性、反應(yīng)正確性、目標(biāo)定位的準(zhǔn)確 性和信息定位的精確性方面起著決定性的作用，被廣泛應(yīng)用于自動目標(biāo)識別、飛行器導(dǎo)航、 戰(zhàn)術(shù)態(tài)勢、威脅估計、故障檢測和定位等方面。然而，由于受傳感器性能和數(shù)據(jù)獲取環(huán)境等 影響，導(dǎo)致傳感器獲取數(shù)據(jù)間存在沖突，難以直接進(jìn)行數(shù)據(jù)的有效融合。因此，對數(shù)據(jù)進(jìn)行 沖突檢測和度量成為指導(dǎo)數(shù)據(jù)融合的關(guān)鍵步驟。D-S證據(jù)理論作為數(shù)據(jù)融合的常用手段，是 檢測和度量傳感器數(shù)據(jù)沖突的主要方法。將傳感器數(shù)據(jù)看做是一條條證據(jù)，其包含的獨(dú)立 元素稱為命題，則可運(yùn)用D-S證據(jù)理論來描述傳感器數(shù)據(jù)處理過程。
[0003] 設(shè)包含η個命題的辨識框架為0= 證據(jù)集為A=匕}} =1洪1條證據(jù)（即傳 感器數(shù)據(jù)），證據(jù)e』對應(yīng)的基本概率分配（Basic Probability Assigment，BPA)函數(shù)滿足：
[0004] Iiij (A)彡 0 且 Σ （A) = I，A E Θ
[0005] 證據(jù)集中所有滿足Iiij (A) > 0, j = 1,2, 1上集合A E 0稱為焦元。
[0006] Dempster-Shafer認(rèn)為證據(jù)之間的沖突量為

【權(quán)利要求】
1.基于矩陣奇異值分解的多傳感器證據(jù)沖突檢測與度量方法，其特征在于：基于矩陣 奇異值分解的多傳感器證據(jù)沖突檢測與度量方法具體是按照以下步驟進(jìn)行的： 步驟一、根據(jù)辨識框架，由傳感器數(shù)據(jù)得到證據(jù)數(shù)據(jù)n^(A)，Ae0,提取所有H^(A) > 〇的A組成焦元集Κ,將K中元素按勢從小到大排序得到有序焦元集Γ; 根據(jù)辨識框架，每一條證據(jù)對應(yīng)一個辨識框架上的BPA函數(shù)Hij (A)，Ae0，根據(jù)BPA函 數(shù)提取所有κι』(A) > 0的A形成焦元集K; 對于焦元集K中焦元A按照焦元的勢進(jìn)行排序，相同焦元勢的焦元按照其元素在辨識 框架中順序排序，得到有序焦元集C,有序焦元集Γ為對焦元集中的焦元按照焦元勢的 大小進(jìn)行排序所得到的焦元集，相同焦元勢的焦元按框架中命題的順序排列；焦元勢為焦 元元素個數(shù)； 式中，Iiij(A) > 0的A稱為焦元，Iiij(A)為焦元A的BPA值，焦元集K為焦元組成的集合，θ= {θi，θ2，…，θJ為命題互斥且完備的集合稱為辨識框架，η為辨識框架的命題數(shù)目， j為計數(shù)索引； 步驟二、根據(jù)有序焦元集K'，將各證據(jù)數(shù)值進(jìn)行向量化，得到證據(jù)向量Hlj,j= 1，2,…，1 ;由于證據(jù)向量滿足⑷二：U即其1范數(shù)為1，IImjII1= 1 ; 證據(jù)向量位于第一象限的超平面H上，
式中Xi為向量X的第i個元素，證據(jù)向量為對于某一辨識框架下的證據(jù)E，將其BPA值 按照對應(yīng)冪集元素順序排列所得向量，1為證據(jù)條數(shù)； 超平面H上的點(diǎn)所代表的證據(jù)向量大小并不相等，對證據(jù)向量Hlj進(jìn)一步歸一化，即將 證據(jù)向量的點(diǎn)歸一化到單位球面上
式中：Hij⑷為第j條證據(jù)對焦元A的BPA,IImjII2為證據(jù)向量IIij的2范數(shù)； 步驟三、運(yùn)用V^構(gòu)造歸一化BPA矩陣得到FBPA 對辨識框架為? = {ΘPΘ2，…，ΘJ，其冪集為P(O)，則證據(jù)集歸一化BPA矩陣為
其中Ve 焦元關(guān)聯(lián)矩陣D的列歸一化形式，D定義為：
Ai,eP(0)且Ai的排列順序與焦元集K中的順序一致；關(guān)聯(lián)矩陣為以有序焦元集K'為基礎(chǔ)，根據(jù)焦元之間的關(guān)系所得到的矩陣； 步驟四、對Fbpa進(jìn)行奇異值分解得到奇異值集合σ(Fbpa) Fbpa=PAQτ 其中，T表示矩陣的轉(zhuǎn)置，Q為奇異值分解的右矩陣，P為奇異值分解的左矩陣，Λ的非 負(fù)對角元素稱為矩陣Fbpa的奇異值，所有奇異值的集合記為〇 (Fbpa), 〇 (Fbpa)表示了矩陣 Fbpa的矩陣特性，用于描述矩陣FΒΡΑ各行或各列向量之間的關(guān)系； Pe配'QeR2?2":為正交陣，略·--和股211x211分別表示大小為IX2^2nX2n且焦元 元素為實(shí)數(shù)的矩陣Eixi大小為1X1的實(shí)矩陣，λ對角元為奇異值的方陣； 步驟五、根據(jù)σ(Fbpa)計算證據(jù)全局沖突檢測值Dsvd與度量值Csvd 證據(jù)的全局沖突可用下式檢測：
其中，σI(Fbpa)表不第一個奇異值，σ2(Fbpa)表不第二個奇異值； 全局沖突程度用下式度量
式中，r為證據(jù)矩陣Fbpa的秩，即r=rank(FBPA) ;i為計數(shù)索引；〇JFbpa)為表示第i個 奇異值； 步驟六、以Dsvd= 0.Ol為閾值，進(jìn)行全局沖突判斷 當(dāng)Dsvd〈0. 01,表明證據(jù)一致，即Csvd= 0 ; 當(dāng)DsvdS0.01，表明證據(jù)相互沖突，此時Csvd大于零；其值越大，表明證據(jù)的全局沖突程 度越嚴(yán)重；Csvd為全局沖突程度； 證據(jù)的全局沖突是指兩條或多條證據(jù)在邏輯上互相沖突，導(dǎo)致證據(jù)融合與部分或全部 證據(jù)矛盾。
【文檔編號】G06F19/00GK104462826SQ201410764644
【公開日】2015年3月25日 申請日期:2014年12月11日 優(yōu)先權(quán)日:2014年12月11日
【發(fā)明者】王保云, 王桂林, 王婷, 楊昆, 朱彥輝 申請人:云南師范大學(xué)