[发明专利]一种基于D-S推理的多平台传感器测量数据融合方法

权利要求书

1.一种基于D-S推理的多平台传感器测量数据融合方法，其特征在于，包括如下步骤：

步骤1：获取N个平台中所有的传感器数据中的第1类传感器测量数据、第2类传感器测量数据……第K类传感器测量数据；

步骤2：各类传感器根据实测数据先形成自己的航迹估计，然后再采用最优分布式融合算法对系统航迹进行估计得到精确后的K类传感器测量数据；

步骤3：利用Dempster-Shafer证据推理方法，对步骤2得到的K类传感器测量数据分别合成多平台同类传感器的特征信息，并验证合成结果的合理性；

步骤4：采用基于Bayes方法的Jeffrey规则的证据更新优化多平台同类传感器的特征信息，此规则中定义强条件mass函数更新证据和弱条件mass函数更新证据；

步骤5：利用Dempster-Shafer证据推理方法合成多平台异类传感器特征信息；采用基于Bayes方法的Jeffrey规则的证据更新优化多平台异类传感器的特征信息，此规则中定义强条件mass函数更新证据和弱条件mass函数更新证据；然后进行决策输出，得到总体融合数据；

所述步骤3的具体步骤为：根据各个传感器的实测数据计算基于测量z_i发生下的mass函数m_i(A)，然后根据D-S合成公式融合同一类的多个证据源提供的证据，得到多平台同类传感器合成数据；

所述步骤3的更具体的步骤为：

设H＝{h₁，h₂，...，h_n}表示假设空间，A、B表示属于假设空间H中的事件，P(H)表示假设空间中任意事件发生的概率，P(H)∈[0，1]，Q＝{H}表示H的所有子集构成的集类；O＝{z₁，z₂，...，z_n}表示观测空间，z_i表示观测量，μ_i(z_i)表示z_i发生的概率，而P是H上的先验概率分布，对于每个z_i∈O，m(·|z_i)和都是H上的mass函数，此处表示z_i不发生；m_i(A)表示在不同时刻下观测z(i)发生或发生的情况下，事件A发生的概率，γ_i(A)表示在不同时刻下事件B发生的前提下A发生的概率；v(A)表示事件B发生的前提下A发生的概率；

D-S证据推理的模型为：

其提取mass函数的规则为：如果观测z_i发生，则假设A∈P(H)具有强度m(A|z_i)；如果观测z_i不发生，则假设A∈P(H)具有强度

Mass函数合成的计算步骤为：

步骤3.1：计算mass函数m_i(A)：

步骤3.2：利用先验概率P，计算mass函数γ_i(A)，

步骤3.3：利用D-S合成公式，计算mass函数γ(A)，

步骤3.4：计算mass函数v(A)，

步骤3.5：计算信度函数和似真度函数，

于是，[sel(A)，Pl(A)]就是假设A∈P(H)的信任区间，如果A属于该信任区间，则证明该合成可信任，否则不可信任；

所述步骤4的具体步骤为：

定义两个随机集X、Y，分别代表初始证据和新到证据，其对应的mass函数分别为m₁和m₂，其焦元分别为A₁，...，A_s和B₁，...，B_s，定义强条件mass函数如下：

其中，m是m₁和m₂通过D-S证据合成公式得到的mass函数，这里为均定义成立要求条件为：当且仅当存在时才成立；

当mass函数v(A)满足强条件时，证据的更新通过如下的类Jeffrey规则获得：

其中，l是新到证据m₂焦元个数；

同时，定义弱条件mass函数：

只要存在就成立；

当mass函数v(A)满足弱条件时证据更新通过如下的类Jeffrey规则获得

其中，l是新到证据m₂焦元个数。