[发明专利]利用直方图计算信息源置信度百分比的方法

说明书

技术领域

本发明涉及信息源可信度的评价方法——一种信息源置信度的计算方法，特别涉及一种利用直方图计算信息源置信度百分比的方法，主要应用在信息融合(包括多传感器的融合)之中。

背景技术

在目标识别的相关问题中，希望通过包含较少数据的样本数据集完成相应的识别工作。但小样本数据集所提供的信息往往是不确定、不精确或是不准确的，这样就很容易造成识别结果的不正确。而通常认为，不同事物的特征往往反映事物的不同方面，在一种空间很难区分的两种模式可能在另一特征空间里很容易分开。所以为了解决这一问题，可以采用信息融合的方法，利用多信息源所得到的事物不同特征空间的特征信息对待识别的目标在融合的基础上进行识别，以降低识别过程中的不确定性。信息融合技术在导航、自动目标识别、多目标跟踪、机器人等领域有着广泛的应用。在信息融合的过程中，各信息源所提供的信息往往在质量上存在优劣之分，即每个信息源的置信度是不同的。为了取得更好的识别结果，在进行信息融合之前，应计算各信息源的置信度，通常采用置信度百分比作为衡量信息源可靠性的参数。一般来说，将同一信息源对识别目标的测量结果分为两部分，通过计算这两部分测量结果的匹配程度来得到信息源的置信度百分比。由于对测量结果的划分存在随机性，所以可能导致计算出来的置信度百分比较低，从而影响利用信息融合进行目标识别的效果。

发明内容

为了改善由于对测量结果的划分存在随机性，可能导致计算出来的置信度百分比较低，从而影响利用信息融合进行目标识别的效果这一情况，提出了一种新的计算置信度百分比的方法。

本发明的技术方案是：一种利用直方图计算信息源置信度百分比的方法，方法具体步骤如下：

1.将同一信息源对识别目标的测量结果分为两部分，一部分作为学习集，另一部分作为测试集；

2.根据可选的分类数目对学习集中的数据进行初步分类，从而建立学习集的原始直方图；

3.利用信息准则，对学习集中的数据类别进行归并，即将相似的类别合并成一类，进而在学习集原始直方图的基础上建立学习集的最优直方图。这里采用的信息准则为AIC准则(Akaike，1973)，BIC准则(Schwarz，1978；Raftery，1993)或Φ_beta准则(El Matouat andC.Olivier，1997)；

4.根据学习集最优直方图中的类别数目及其步长，在测试集中建立相应的测试集直方图；

5.比较学习集最优直方图和测试集直方图，通过计算得到信息源的置信度百分比。

本发明的有益效果是：应用本发明所提出的方法，在采用信息融合的方法进行目标识别时，可以提高目标识别的准确率。

附图说明

图1为学习集的原始直方图；

图2为学习集的最优直方图；

图3为测试集的直方图；

图4为识别图像a；

图5为识别图像b。

具体实施方式

以下通过一信息源对识别目标的测量数据，说明信息源置信度百分比的计算过程。对该识别目标共得到这一信息源的测量数据144个。根据计算步骤，首先将数据分为学习集和测试集两部分，每一部分的数据各72个。接下来，对学习集的数据进行初步分类，这里选择的初始类别数为14，由此可以得到学习集的原始直方图，如图1所示。之后，利用信息准则对原始直方图中的类别数目进行归并，从而得到该学习集的最优直方图，如图2所示(采用BIC准则)。根据该信息源学习集的最优直方图中的类别数目，采用相同的步长，可以在测试集中建立相应的直方图，如图3所示。最后根据学习集的最优直方图和测试集的直方图，可以计算出该信息源对识别目标的置信度百分比。在本例中，该置信度百分比为100％。

为了验证以上方法，将其应用于两类图像的识别问题中，待识别的图像如图4、图5所示。对于待识别的图像，采用了三种方法得到相应的测量数据，不同的方法可以看作不同的信息源。按照以上方法，可以得到不同信息源对于不同识别对象的置信度百分比，如表1所示。