本發(fā)明屬于信息融合技術(shù)領(lǐng)域，具體的說(shuō)是一種證據(jù)理論中低相似度碰撞的沖突證據(jù)管理方法。
背景技術(shù)：
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(dòng)目標(biāo)識(shí)別、飛行器導(dǎo)航、戰(zhàn)術(shù)態(tài)勢(shì)、威脅估計(jì)、故障檢測(cè)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(duì)數(shù)據(jù)進(jìn)行沖突檢測(cè)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(cè)和度量傳感器數(shù)據(jù)沖突的主要方法，被廣泛應(yīng)用于目標(biāo)識(shí)別、最優(yōu)化、可靠性分析等方面。
在證據(jù)理論中，一個(gè)證據(jù)中包含多個(gè)焦元，每一個(gè)焦元都對(duì)應(yīng)一個(gè)概率，代表著該事件為真的概率，例如m:m(a)＝0.1,m(b)＝0.3,m(c)＝0.2,m(ab)＝0.4代表著a發(fā)生的概率為0.1，ab至少一個(gè)發(fā)生但不確定是哪一個(gè)發(fā)生的概率為0.4。而所有焦元都包含于一個(gè)集合中，該集合被稱(chēng)作辨識(shí)框架，辨識(shí)框架除了包含焦元外，還包括一些對(duì)應(yīng)概率為0的子集。以上面的證據(jù)為例，辨識(shí)框架為{a,b,c}，證據(jù)中所有的焦元都是辨識(shí)框架的子集。
在應(yīng)用時(shí)，來(lái)自傳感器的數(shù)據(jù)會(huì)被轉(zhuǎn)化為證據(jù)，然后通過(guò)證據(jù)之間的融合來(lái)完成對(duì)傳感器所收集信息的處理過(guò)程。然而在證據(jù)融合之前，需要對(duì)轉(zhuǎn)化完成的證據(jù)進(jìn)行沖突管理，以降低錯(cuò)誤數(shù)據(jù)對(duì)融合結(jié)果的影響。在已有的沖突管理方法中，主要是基于兩兩證據(jù)之間的相似度的計(jì)算完成證據(jù)權(quán)重的確定。然而，相似度存在碰撞的問(wèn)題，會(huì)導(dǎo)致當(dāng)相似度碰撞發(fā)生時(shí)，權(quán)重分配不合理。
不同證據(jù)之間的相似度計(jì)算方面，相關(guān)學(xué)者提供了兩種計(jì)算方法，分別為：方法一、由wenc,wangy,xux.等人在internationalsymposiumonneuralnetworks上公開(kāi)的“fuzzyinformationfusionalgorithmoffaultdiagnosisbasedonsimilaritymeasureofevidence[c]”一文中記載的計(jì)算方法；方法二、由jousselmeal,grenierd,
技術(shù)實(shí)現(xiàn)要素：
為了解決現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種證據(jù)理論中低相似度碰撞的沖突證據(jù)管理方法，在相似度計(jì)算的基礎(chǔ)上，引入了焦元序列的計(jì)算，降低了相似度碰撞對(duì)權(quán)重確定的影響，使信息融合過(guò)程中證據(jù)的權(quán)重分配更加合理。
為了實(shí)現(xiàn)上述目的，本發(fā)明采用的具體方案為：
一種證據(jù)理論中低相似度碰撞的沖突證據(jù)管理方法，對(duì)辨識(shí)框架的所有子集排序，子集數(shù)量記為p，然后由辨識(shí)框架生成若干個(gè)證據(jù)，每個(gè)證據(jù)包括至少一個(gè)焦元，在證據(jù)生成后，依次對(duì)證據(jù)進(jìn)行焦元序列生成階段和證據(jù)權(quán)重分配階段；
所述焦元序列生成階段包括以下步驟：
步驟s1、對(duì)每個(gè)證據(jù)進(jìn)行擴(kuò)展生成擴(kuò)展證據(jù)，擴(kuò)展的方法為：在辨識(shí)框架的p個(gè)子集中，把每個(gè)不包含于該證據(jù)的子集添加到該證據(jù)中，形成若干個(gè)新的焦元，每個(gè)新的焦元對(duì)應(yīng)的概率記為0，記錄每個(gè)焦元在擴(kuò)展證據(jù)中的位置i；
步驟s2、將擴(kuò)展證據(jù)中的所有焦元按對(duì)應(yīng)的概率從大到小排序生成排序證據(jù)，記錄每個(gè)焦元在排序證據(jù)中的位置j；
步驟s3、生成p階矩陣，稱(chēng)為排序矩陣，排序矩陣中每個(gè)焦元對(duì)應(yīng)一個(gè)(i，j)坐標(biāo)，該坐標(biāo)處的矩陣元素值為1，沒(méi)有焦元對(duì)應(yīng)的矩陣元素值為0；
所述權(quán)重分配階段包括以下步驟：
步驟n1、提取一個(gè)證據(jù)的排序矩陣記為焦點(diǎn)排序矩陣，然后計(jì)算余下所有證據(jù)的排序矩陣的平均矩陣，之后計(jì)算焦點(diǎn)排序矩陣與平均矩陣的差計(jì)為該證據(jù)的排序差矩陣，并將排序差矩陣的二階范式的值計(jì)為排序范數(shù)；
步驟n2、對(duì)所有證據(jù)執(zhí)行步驟n1；
步驟n3、對(duì)每個(gè)證據(jù)的排序差矩陣，計(jì)算自然對(duì)數(shù)e的負(fù)排序范數(shù)次方，計(jì)為排序因子，并計(jì)算該證據(jù)的排序因子占所有證據(jù)排序因子和的比重，以比重值乘以證據(jù)個(gè)數(shù)，得到結(jié)果計(jì)為排序數(shù)；
步驟n4、計(jì)算每個(gè)證據(jù)與其它證據(jù)的相似度并求和，記為該證據(jù)的支持度；
步驟n5、計(jì)算每個(gè)證據(jù)的支持度占所有證據(jù)支持度之和的比重，記為該證據(jù)的信譽(yù)度；
步驟n6、計(jì)算每個(gè)證據(jù)的信譽(yù)度與排序數(shù)的積，記為該證據(jù)的聯(lián)合支持度；
步驟n7、計(jì)算每個(gè)證據(jù)的聯(lián)合支持度占所有證據(jù)聯(lián)合支持的之和的比重，記為該證據(jù)的權(quán)重。
所述步驟s1中，每個(gè)證據(jù)中新添加的焦元按照辨識(shí)框架子集的順序進(jìn)行排序。
所述步驟s2中，當(dāng)若干個(gè)焦元對(duì)應(yīng)的概率相等時(shí)，按照辨識(shí)框架子集的順序進(jìn)行排序。
有益效果：本發(fā)明能對(duì)證據(jù)集合中的每一個(gè)證據(jù)進(jìn)行更好的權(quán)重分配。傳統(tǒng)的通過(guò)相似度計(jì)算來(lái)實(shí)現(xiàn)沖突證據(jù)管理的方法，容易因?yàn)橄嗨贫扰鲎驳膯?wèn)題而影響沖突證據(jù)的判定，進(jìn)而影響各個(gè)證據(jù)的權(quán)重分配，干擾最終的信息融合過(guò)程。而在相似度計(jì)算的過(guò)程中，只會(huì)計(jì)算焦元的大小而不會(huì)對(duì)焦元的順序進(jìn)行計(jì)算，因此通過(guò)生成排序證據(jù)進(jìn)而計(jì)算排序數(shù)，把排序數(shù)作為確定沖突證據(jù)的一個(gè)依據(jù)，能夠在發(fā)生相似度碰撞的情況下依靠排序數(shù)來(lái)準(zhǔn)確找到?jīng)_突證據(jù)，實(shí)現(xiàn)降低沖突證據(jù)的權(quán)重分配比例，減小其對(duì)融合結(jié)果的影響，從而在傳感器收集到含有噪聲的數(shù)據(jù)時(shí)能更準(zhǔn)確的做出正確的決策，提升決策系統(tǒng)的抗噪聲能力。
附圖說(shuō)明
圖1是管理方法的簡(jiǎn)化流程圖。
具體實(shí)施方式
下面根據(jù)附圖具體說(shuō)明本發(fā)明的實(shí)施方式。
如圖1所示，一種證據(jù)理論中低相似度碰撞的沖突證據(jù)管理方法，對(duì)辨識(shí)框架的所有子集排序，子集數(shù)量記為p，然后由辨識(shí)框架生成若干個(gè)證據(jù)，每個(gè)證據(jù)包括至少一個(gè)焦元，在證據(jù)生成后，依次對(duì)證據(jù)進(jìn)行焦元序列生成階段和證據(jù)權(quán)重分配階段；
所述焦元序列生成階段包括以下步驟：
步驟s1、對(duì)每個(gè)證據(jù)進(jìn)行擴(kuò)展生成擴(kuò)展證據(jù)，擴(kuò)展的方法為：在辨識(shí)框架的p個(gè)子集中，把每個(gè)不包含于該證據(jù)的子集添加到該證據(jù)中，形成若干個(gè)新的焦元，每個(gè)新的焦元對(duì)應(yīng)的概率記為0，記錄每個(gè)焦元在擴(kuò)展證據(jù)中的位置i；
步驟s2、將擴(kuò)展證據(jù)中的所有焦元按對(duì)應(yīng)的概率從大到小排序生成排序證據(jù)，記錄每個(gè)焦元在排序證據(jù)中的位置j；
步驟s3、生成p階矩陣，稱(chēng)為排序矩陣，排序矩陣中每個(gè)焦元對(duì)應(yīng)一個(gè)(i，j)坐標(biāo)，該坐標(biāo)處的矩陣元素值為1，沒(méi)有焦元對(duì)應(yīng)的矩陣元素值為0；
所述權(quán)重分配階段包括以下步驟：
步驟n1、提取一個(gè)證據(jù)的排序矩陣記為焦點(diǎn)排序矩陣，然后計(jì)算余下所有證據(jù)的排序矩陣的平均矩陣，之后計(jì)算焦點(diǎn)排序矩陣與平均矩陣的差計(jì)為該證據(jù)的排序差矩陣，并將排序差矩陣的二階范式的值計(jì)為排序范數(shù)；
步驟n2、對(duì)所有證據(jù)執(zhí)行步驟n1；
步驟n3、對(duì)每個(gè)證據(jù)的排序差矩陣，計(jì)算自然對(duì)數(shù)e的負(fù)排序范數(shù)次方，計(jì)為排序因子，并計(jì)算該證據(jù)的排序因子占所有證據(jù)排序因子和的比重，以比重值乘以證據(jù)個(gè)數(shù)，得到結(jié)果計(jì)為排序數(shù)；
步驟n4、計(jì)算每個(gè)證據(jù)與其它證據(jù)的相似度并求和，記為該證據(jù)的支持度；
步驟n5、計(jì)算每個(gè)證據(jù)的支持度占所有證據(jù)支持度之和的比重，記為該證據(jù)的信譽(yù)度；
步驟n6、計(jì)算每個(gè)證據(jù)的信譽(yù)度與排序數(shù)的積，記為該證據(jù)的聯(lián)合支持度；
步驟n7、計(jì)算每個(gè)證據(jù)的聯(lián)合支持度占所有證據(jù)聯(lián)合支持的之和的比重，記為該證據(jù)的權(quán)重。
所述步驟s1中，每個(gè)證據(jù)中新添加的焦元按照辨識(shí)框架子集的順序進(jìn)行排序。
所述步驟s2中，當(dāng)若干個(gè)焦元對(duì)應(yīng)的概率相等時(shí)，按照辨識(shí)框架子集的順序進(jìn)行排序。
下面采用一個(gè)證據(jù)處理的實(shí)例來(lái)具體說(shuō)明本發(fā)明所述沖突證據(jù)管理方法的計(jì)算過(guò)程。
一個(gè)由p個(gè)子集組成的辨識(shí)框架，由辨識(shí)框架生成五個(gè)證據(jù)m1,m2,m3,m4,m5，同時(shí)確定所有子集的順序?yàn)?imgfile="bda0001240701340000041.gif"wi="643"he="54"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>五個(gè)證據(jù)的焦元如下：
然后以證據(jù)m1為例進(jìn)行計(jì)算。
對(duì)證據(jù)m1進(jìn)行擴(kuò)展，生成證據(jù)m1的擴(kuò)展證據(jù)
步驟s2、生成擴(kuò)展證據(jù)m'的排序證據(jù)
生成證據(jù)m1的排序矩陣
對(duì)其他證據(jù)m2,m3,m4,m5重復(fù)進(jìn)行步驟s1～s3，分別得到他們的排序矩陣mx：
步驟n1、計(jì)算證據(jù)m1的排序差矩陣，記為mm1：
步驟n2、計(jì)算其余證據(jù)的排序差矩陣mmx，具體如下：
步驟n3、計(jì)算每個(gè)證據(jù)的排序數(shù)，記為fx：
計(jì)算每個(gè)證據(jù)與其他證據(jù)的相似度sim并求和，記為該證據(jù)的支持度supx，相似度的計(jì)算方法優(yōu)選為方法二，具體結(jié)果如下；
計(jì)算每個(gè)證據(jù)的支持度占所有證據(jù)支持度之和的比重，記為該證據(jù)的信譽(yù)度creditx，具體結(jié)果如下：
步驟n6、計(jì)算每個(gè)證據(jù)的信譽(yù)度與排序數(shù)的積，記為該證據(jù)的聯(lián)合支持度usupx，具體結(jié)果如下；
步驟n7、計(jì)算每個(gè)證據(jù)的聯(lián)合支持度占所有證據(jù)聯(lián)合支持的之和的比重，記為該證據(jù)的權(quán)重wx，具體結(jié)果如下：
從而可以看到，沖突證據(jù)m2最終的權(quán)重是最低的，從而能夠減小其對(duì)融合結(jié)果的影響，提升決策系統(tǒng)或者判斷系統(tǒng)的抗噪聲能力。
本發(fā)明通過(guò)生成排序證據(jù)進(jìn)而計(jì)算排序數(shù)，把排序數(shù)作為確定沖突證據(jù)的一個(gè)依據(jù)，能夠在發(fā)生相似度碰撞的情況下依靠排序數(shù)來(lái)準(zhǔn)確找到?jīng)_突證據(jù)，實(shí)現(xiàn)降低沖突證據(jù)的權(quán)重分配比例，減小其對(duì)融合結(jié)果的影響，從而在傳感器收集到含有噪聲的數(shù)據(jù)時(shí)能更準(zhǔn)確的做出正確的決策，提升決策系統(tǒng)的抗噪聲能力。