[发明专利]一种基于属性权重融合的未知目标识别方法

说明书

本发明公开了一种基于属性权重融合的未知目标识别方法，包括以下步骤：步骤一依据目标样本数据集生成高斯分布训练模型；步骤二将传感器探测得到的测试样本t扩展为高斯测试模型；步骤三计算高斯测试模型与高斯分布训练模型的匹配度，生成各属性上的证据；步骤四加权融合各属性上的证据；步骤五根据步骤四的融合结果判断测试样本目标类型。本发明在高斯分布模型基础上，结合广义证据理论处理不确定信息与辨识框架不完备的优势，在属性证据融合时采用面积分割方法为各属性分配权重；此外，改进的广义证据组合规则能更灵活有效地处理不确定信息，误差更小，提升目标识别的准确率与未知类型目标的识别。

技术领域

本发明属于目标识别领域，具体涉及一种基于属性权重融合的未知目标识别方法。

背景技术

战场态势评估极大地关乎到战争的胜利与否，对战场决策至关重要，而目标识别是态势评估的前提与关键。然而，战场目标识别的对象往往是误闯和侵入我国领土、领海、凌空的目标，包括非合作目标和敌对目标。为识别战场目标，研究者需对所有可能出现的目标类型建立类型模板库，从而将探测到的目标与模板库中的目标进行匹配识别探测目标。但受科技发展与敌方保密等因素影响，新类型的目标随时可能在战争中出现，容易将新类型目标识别为已知目标类型，导致战场决策错误。因此，尽可能提升已知目标类型的识别准确率并识别新目标类型是战场态势评估的必然要求，具有重要的价值。

信息融合技术能够融合多源属性信息，实现对目标的更准确全面认知，广泛应用于多个领域。其中，广义证据理论是一种有效的信息融合模型，是传统D-S证据理论的扩展。该理论将传统D-S证据理论中对基本事件空间(也称为辨识框架)完备性的限制拓宽至开放世界，能够有效识别未知类型，符合实际应用场景。辨识框架不完整情况下，该理论提供的广义基本概率指派函数(generalized basic probability assignment，GBPA)可以有效表示目标类型与目标属性之间的复杂对应关系；辨识框架完整情况下，该理论退化为传统D-S证据理论，即具有向下兼容性。此外，改进的广义组合规则(modified GeneralizedCombination Rule，mGCR)可以有效融合多种属性信息，从而实现未知目标识别。

因此，本申请基于传感器探测的目标多属性信息，将广义证据理论应用于目标识别，一方面可以较好处理传感器信息的不确定性，另一方面又可以处理未知目标类型的识别。

发明内容

本发明所要解决的技术问题是：如何实现未知目标类型的识别。使用该方法实现未知目标识别具有重要的军事价值。

为解决上述技术问题，本发明采用的技术方案是一种基于属性权重融合的未知目标识别方法，其特征在于，包括以下步骤：

步骤一、依据目标样本数据集建立高斯分布训练模型；

输入n种类型、k种属性的目标样本数据集D_ij，i＝1,2,…,n，j＝1,2,…,k，n种类型记为θ₁,θ₂,…,θ_i,…,θ_n，k种属性记为att₁,att₂,…,att_j,…,att_k。目标样本数据集D_ij是k种属性的测量值，对每种目标类型每种属性建立高斯分布模型，所述高斯分布模型的建立方法为：

步骤101：计算目标样本数据集D_ij中所有属于类型θ_i的m个样本在属性att_j上的均值X_ij和标准差σ_ij，其中x_ij为目标样本数据集中属于类型θ_i的m个样本在属性att_j上的测量值；

步骤102：根据步骤101中的均值和标准差σ_ij，计算类别θ_i在属性att_j上的高斯分布训练模型