技術(shù)特征：

1.基于結(jié)構(gòu)決策圖的魯棒多模型擬合方法，其特征在于包括以下步驟：

A.對輸入樣本數(shù)據(jù)隨機采樣產(chǎn)生大量的假設(shè)；

B.基于核密度估計和內(nèi)點尺度對產(chǎn)生的每個假設(shè)計算權(quán)重分數(shù)；

C.根據(jù)權(quán)重分數(shù)的大小，對所有的假設(shè)進行排序；

D.基于連續(xù)一致性集和皮爾遜積矩相關(guān)系數(shù)對排序后的每個假設(shè)分別計算最短抵達距離；

E.根據(jù)權(quán)重分數(shù)和最短抵達距離構(gòu)建結(jié)構(gòu)決策圖；

F.在結(jié)構(gòu)決策圖上確定所有結(jié)構(gòu)對應(yīng)的結(jié)構(gòu)原型并計算結(jié)構(gòu)數(shù)量；

G.根據(jù)結(jié)構(gòu)原型進行內(nèi)點和異常點的劃分，輸出每個結(jié)構(gòu)對應(yīng)的模型參數(shù)，完成基于結(jié)構(gòu)決策圖的魯棒多模型擬合。

2.如權(quán)利要求1所述基于結(jié)構(gòu)決策圖的魯棒多模型擬合方法，其特征在于在步驟A中，所述對輸入樣本數(shù)據(jù)隨機采樣產(chǎn)生大量的假設(shè)的具體方法為：

A1.給定輸入樣本數(shù)據(jù)D＝{d₁,d₂,....,d_N}，其中d_i表示第i個樣本數(shù)據(jù)；N為樣本數(shù)目且N為自然數(shù)；

A2.對輸入數(shù)據(jù)隨機抽取p個數(shù)據(jù)點形成一個模型假設(shè)，所述假設(shè)，當擬合一條直線時，抽取兩個數(shù)據(jù)點，即p＝2；當擬合一個圓時，抽取三個數(shù)據(jù)點，即p＝3；當擬合一個平面時，抽取三個數(shù)據(jù)點，即p＝3；當擬合一個運動目標時，抽取八個數(shù)據(jù)點，即p＝8；

A3.計算所有數(shù)據(jù)點到這個模型假設(shè)的距離，構(gòu)成殘差向量其中為對應(yīng)于第j假設(shè)的第i個殘差值。

3.如權(quán)利要求1所述基于結(jié)構(gòu)決策圖的魯棒多模型擬合方法，其特征在于在步驟B中，所述基于核密度估計和內(nèi)點尺度對產(chǎn)生的每個假設(shè)計算權(quán)重分數(shù)的具體方法為：

B1.計算每個假設(shè)H_j(j＝1,...,M)的內(nèi)點尺度估計v_j，計算公式為：

$v_j=\frac{\left|r_K^j\right|}{{\mathrm{\θ}}^{-1}\left(\frac{1}{2}\right(1+\frac{K}{N^j}\left)\right)},$

其中為對應(yīng)于第j個結(jié)構(gòu)的第K個最小的絕對值殘差；θ^-1(·)為累積密度函數(shù)；N^j為對應(yīng)于第j個假設(shè)的內(nèi)點數(shù)目；K為常數(shù)，通常設(shè)置為所有數(shù)據(jù)點數(shù)目的10％，即假定數(shù)據(jù)中最小結(jié)構(gòu)的內(nèi)點數(shù)量為所有數(shù)據(jù)的10％；

B2.計算每個假設(shè)H_j(j＝1,...,M)的核密度函數(shù)f(γ；H_j)，計算公式為：

$f(\mathrm{\γ};H_j)=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{1}{h_j}K\left(\frac{\mathrm{\γ}-r_j^i}{h_j}\right),$

其中K為Epanechnikov核函數(shù)，即且貝塔函數(shù)Γ(·)是高斯函數(shù)且滿足Γ(n)＝(n-1)?。籬_j為基于核函數(shù)和內(nèi)點噪聲尺度估計v_j得到的可變帶寬，其計算公式為：

$h_j={\[\frac{243{\∫}_{-1}^{1}K{\left(x\right)}^{2}dx}{35{\∫}_{-1}^1{x}^{2}K\left(x\right)dx}\]}^{1/5}{v}_j;$

B3.計算核密度函數(shù)f(γ；H_j)在原點處的值f(0；H_j)；

B4.計算每個假設(shè)H_j(j＝1,...,M)的權(quán)重分數(shù)，計算公式為：

${\mathrm{\Ψ}}_j=\frac{f(0;H_j)}{v_j}.$

4.如權(quán)利要求1所述基于結(jié)構(gòu)決策圖的魯棒多模型擬合方法，其特征在于在步驟D中，所述基于連續(xù)一致性集和皮爾遜積矩相關(guān)系數(shù)對排序后的每個假設(shè)計算最短抵達距離的具體方法為：

D1.根據(jù)步驟A中得到的每個假設(shè)H_j(j＝1,...,M)的殘差向量得到每個假設(shè)對應(yīng)的連續(xù)一致性集，計算公式為：

$\mathrm{\Δ}\left(H_j\right)=\left(\mathrm{\δ}\right(r_j^1),\mathrm{\δ}(r_j^2),...,\mathrm{\δ}(r_j^N\left)\right),$

其中，當時，否則E₀為一常數(shù)閾值，通常設(shè)置為2.5，即假設(shè)數(shù)據(jù)服從高斯分布，當E₀＝2.5時，98％的數(shù)據(jù)點被認為是內(nèi)點；

D2.利用皮爾遜積矩相關(guān)系數(shù)計算任意兩個假設(shè)之間的相似性，所述兩個假設(shè)記為H_j和H_k，計算公式為：

$\mathrm{\Φ}(H_j,H_k)=\frac{\mathrm{cov}\left(\mathrm{\Δ}\right(H_j),\mathrm{\Δ}(H_k\left)\right)}{{\mathrm{\σ}}_{\mathrm{\Δ}\left(H_j\right)}{\mathrm{\σ}}_{\mathrm{\Δ}\left(H_k\right)}},$

其中，協(xié)方差cov(Δ(H_j),Δ(H_k))＝E(Δ(H_j)-μ)E(Δ(H_k)-μ)，μ為所有假設(shè)對應(yīng)的連續(xù)一致性集的均值，E(.)是期望操作符；

D3.對于權(quán)重分數(shù)最高的假設(shè)其最小抵達距離MinAD的計算公式如下：

${\mathrm{\θ}}_{{\mathrm{\λ}}_1}=\underset{1\≤j,k\≤M}{min}\mathrm{\Φ}(H_j,H_k);$

D4.對于其他的假設(shè)其最小抵達距離MinAD定義為當前的隨機假設(shè)到任何其他比當前的假設(shè)具有更高的權(quán)重分數(shù)的隨機假設(shè)的最短的距離，計算公式如下：

${\mathrm{\θ}}_{{\mathrm{\λ}}_j}=\underset{k:{\mathrm{\ψ}}_{{\mathrm{\λ}}_j}\<{\mathrm{\ψ}}_k}{min}(H_{{\mathrm{\λ}}_j},H_k).$

5.如權(quán)利要求1所述基于結(jié)構(gòu)決策圖的魯棒多模型擬合方法，其特征在于在步驟E中，所述構(gòu)建結(jié)構(gòu)決策圖的方式為：將所有假設(shè)的最短抵達距離MinAD按照從小到大的遞增順序排序，作為縱軸，而對應(yīng)的權(quán)重分數(shù)作為橫軸，從而構(gòu)成一個結(jié)構(gòu)決策圖。

6.如權(quán)利要求1所述基于結(jié)構(gòu)決策圖的魯棒多模型擬合方法，其特征在于在步驟F中，所述在結(jié)構(gòu)決策圖上確定所有結(jié)構(gòu)對應(yīng)的結(jié)構(gòu)原型并計算結(jié)構(gòu)數(shù)量的具體方法包括以下步驟：

F1.計算相鄰兩個假設(shè)點的最短抵達距離MinAD之間的差值，得到一個差值序列；

F2.根據(jù)差值序列中差值最大的元素位置k，從該元素位置k到差值序列最后一個元素位置M之間所對應(yīng)的所有假設(shè)均認為是結(jié)構(gòu)原型；

F3.計算結(jié)構(gòu)數(shù)量為M-k+1。