[发明专利]一种多传感器Vine Copula异构信息决策融合方法

权利要求书

1.一种多传感器Vine Copula异构信息决策融合方法，其特征在于，包括以下步骤：

步骤1：构建多源异构传感器信息事件驱动统一优化决策融合的数据框架，包括：特征层、事件描述层和融合层；

所述特征层根据传感器特点反映出的多侧面、深层次信息，选取不同数学模型、优化准则、解算结构、系统参数和预处理过程对数据预处理获取特征数据；

所述事件层把不同特征统一到同一事件空间，获取各特征的事件集合和相应的类标签；

所述融合层采用R-vine Copula构建事件集合中高维事件数据之间的相关性；

输入传感器观测得到的特征数据、类标签和二元copula集合；

所述传感器包括雷达传感器和图像传感器；

所述特征数据表示为：第j个特征向量中第k个传感器观测到特征为u_jk；

所述类标签表示为：目标的第i类标签v_i；

所述二元copula集合表示为：F＝{c_s：s＝1，...，S}；c_s为二元copula概率密度函数；

步骤2：用非参数的核密度估计法计算不同类标签下的边际概率密度f_k(u_jk|v_i)；

步骤3：用经验概率积分变换计算不同类标签下的边际累积分布函数；

其中，Pⁱ(u_j)为第v_i类第j个特征向量中所有传感器观测到的特征的边际累积分布函数；

步骤4：用顺序最大生成树算法确定好Vine结构，在给定的二元copula集合和相应的R-Vine藤结构下，通过极大似然估计法计算相应的copula参数

其中，J为训练集特征向量的个数；c为参数集为二元变量为的二元copula函数；为copula函数的参数集；e＝{a，b}，a，b∈[1，2，...，K]是所选R-Vine tree中的一个连接对，u_D(e)＝{u_t|t∈D(e)}；

步骤5：通过AIC准则选定最优的copula函数c^*；

步骤6：计算不同类标签下的似然函数值L(u|v_i)；

其中，J为训练集特征向量的个数，K为传感器的总数量；c_i为类标签v_i对应的copula密度函数，为copula模型中相应的参数集；

步骤7：计算先验乘似然的值L(u|v_i)π(v_i)，将最大值对应的标签判定为检测目标的类标签。

2.根据权利要求1所述的多传感器Vine Copula异构信息决策融合方法，其特征在于，所述步骤4中藤结构为C-Vine时，对应的C-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合方法中步骤4的藤结构以及步骤6中似然函数的计算方式，令

其中，为给定下u_p的条件边际累计分布函数，为给定下u_q的条件边际累计分布函数，其中{p，q}，p，q∈[1，2，...，K]是所选C-Vine tree中的一个连接对，为copula的参数集，为二元变量分别为和且参数集为的二元copula概率密度函数；：＝表示：＝的后一项简写为：＝的前一项；

且步骤6中C-Vine copula异构传感器融合算法的似然函数L(u|v_i)为：

由上述定义可知，c_{m，(m+n)|1，...，(m-1)}是参数集为二元变量为F(u_m|u₁，...，u_(m-1))和F(u_(m+n)|u₁，...，u_(m-1))的二元copula概率密度函数。

3.根据权利要求1所述的多传感器Vine Copula异构信息决策融合方法，其特征在于，所述步骤4中藤结构为D-Vine时，对应的D-Vine Copula异构信息融合方法的实施步骤中，改变Vine Copula异构信息融合的方法步骤中的步骤4的藤结构以及步骤6中似然函数L(u|v_i)的计算方式；

令

其中，为给定下u_p的条件边际累计分布函数，为给定下u_q的条件边际累计分布函数，其中{p，q}，p，q∈[1，2，...，K]是所选D-Vine tree中的一个连接对，为copula的参数集，为二元变量分别为和且参数集为的二元copula概率密度函数；：＝表示：＝的后一项简写为：＝的前一项；

则步骤6中D-Vine copula异构传感器融合算法的似然函数L(u|v_i)为：

由上述定义可知，c_{n，(m+n)|(n+1)，...，(n+m-1)}是参数集为二元变量为F(u_n|u_(n+1)，...，u_(n+m-1))，和F(u_(m+n)|u_(n+1)，...，u_(n+m-1))的二元copula概率密度函数。