[发明专利]一种基于多种群动力学的多传感器证据演化博弈融合识别方法

权利要求书

1.一种基于多种群动力学的多传感器证据演化博弈融合识别方法，其特征在于，包括以下步骤：

步骤一、依据传感器样本数据生成对应的基本概率指派函数；

使用n个传感器对k个目标进行目标识别，将第i个传感器对第j个目标的识别概率记为P_i(j)，i＝1,2,…,n，j＝1,2,…,k，辨识框架为Ω＝{F₁,F₂,...,F_k}，Ω的幂集合为2^Ω＝{φ,{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,Ω}，将传感器对每个目标识别的概率值转换成对应的基本概率指派函数，从而建立证据模型，所述基本概率指派函数的转换方法为：

步骤101：令传感器i对第j个目标的识别概率P_i(j)为证据i对元素F_j的支持程度m_i({F_j})，即转换成基本概率指派函数，依据基本概率指派函数的性质可知m(φ)＝0，且若传感器i识别出一个目标B的概率为x，且无法得到其他的识别结果，这种情况下，转换成的基本概率指派函数即为m_i({B})＝x，m_i({Ω})＝1-x，其中Ω＝{F₁,F₂,...,F_k}为全集；

步骤102：根据步骤101将其余的传感器对目标识别的概率值均转换为相应的基本概率指派函数；

步骤二、依据辨识框架建立证据的命题层博弈模型；

步骤201：依据辨识框架Ω＝{F₁,F₂,...,F_k}，可令博弈的策略空间为{{F₁},...,{F_k},{F₁F₂},...,{F₁F_N},...,Ω}，其中{F₁F₂}是集合{F₁,F₂}的简写。策略F₁，F₂两个个体相遇时各自的收益为J_Ω(F₁,F₂)，它在数值上等于F₁与F₂的Jaccard相似性系数，即其中|F₁∩F₂|指的是F₁和F₂的交集元素的个数，|F₁∪F₂|指的是F₁和F₂的并集元素的个数；

步骤202：根据步骤201，计算出证据的命题层博弈矩阵J_Ω；

步骤三、依据命题层博弈矩阵建立证据层博弈收益矩阵；

步骤301：引入证据距离矩阵D(i,j)＝d_BPA(m_i,m_j)，计算机依据公式计算两个证据之间的距离，其中依据公式计算，其中A,B∈2^Θ；

步骤302：基于步骤二计算得到的命题层的博弈收益矩阵，以及步骤301引入的证据距离，将证据层博弈矩阵定义为A＝J·(1-D)；

步骤四、依据多种群动力学对证据进行演化；

步骤401：基于步骤三计算得到的证据层博弈矩阵，使用多种群复制动力学公式对步骤一中产生的基本概率指派函数进行演化。在多种群复制动力学中，代表着第s个物种的第i个个体，s＝1,...,n，表示随时间的变化量，A代表着相互作用的两个物种相遇时各自的收益，n指的是物种的总数。把这种思想应用到证据的演化博弈问题中，令代表第s个证据的第i个基本概率指派数，表示随时间的变化量，A代表两个证据相互作用时各自的收益；

步骤402：依据步骤401的演化模型对基本概率指派函数进行演化得到时间t之后的证据m'₁,m'₂,...,m'_n；

步骤五、依据演化结果进行加权平均处理和决策判断；

步骤501：在起始时刻，令各个证据均拥有相同的权重，即将步骤四演化得到的证据，按照公式加权平均公式计算得到一条新的证据；

步骤502：在步骤501得到的新证据m^*中，m^*({F_i})代表着传感器对第i个目标{F_i}的支持程度，据此可以得到传感器对所有目标的支持程度，依据传感器对各个目标的支持程度就可以做出相应的决策判断。