[发明专利]一种多域作战多传感器属性识别方法

权利要求书

1.一种多域作战多传感器属性识别方法，其特征在于，包括如下步骤：

步骤一)根据情况，采用两种技术方案中的一种实现多帧目标对齐，其中，

方案一：对前50帧无序数据使用K-means聚类算法，得到目标标识，再根据前50帧的聚类结果使用KNN算法，把新数据加入到已知的目标标识类中实现多帧目标对齐；

方案二：根据辐射源特征与目标唯一标识间的时序关联矩阵进行多帧目标对齐；

步骤二)对目标的数据使用神经网络分类器自动提取特征并完成分类，其中，神经网络分类器通过对目标识别特征库中的大量数据进行训练，得到权重信息；再根据帧间结果融合模块对目标不同帧间的识别结果使用改进的D-S算法进行融合，得到统一的结果；

步骤三)使用改进的D-S算法融合其他传感器的分类结果，以得到更加全面的、鲁棒的时空特征识别结果作为最终输出。

2.根据权利要求1所述的多域作战多传感器属性识别方法，其特征在于，所述神经网络分类器中使用ReLU函数代替Sigmoid函数来作为激活函数，具体包括如下步骤：

步骤一)初始化网络的突触权值和阈值矩阵；

步骤二)训练样本的呈现；

步骤三)前向传播计算；

步骤四)误差反向传播计算并更新权值；

步骤五)迭代，用新的样本进行步骤三和步骤四，直至满足停止准则。

3.根据权利要求1所述的多域作战多传感器属性识别方法，其特征在于，所述改进的D-S算法中包括如下步骤：

步骤一)利用皮尔逊相关系数计算证据可信度并求得平均证据；

步骤二)利用较远距离计算焦元BPA可信度并将冲突重新分配得到新证据；

步骤三)利用传统D-S组合规则求得融合结果。

4.根据权利要求3所述的多域作战多传感器属性识别方法，其特征在于，所述利用皮尔逊相关系数计算证据可信度过程中，包括如下步骤：

步骤一)根据皮尔逊相关系数计算证据相关性，表示为：

其中：E为数学期望，m_i和m_j为两个不同的证据；

步骤二)在多证据情况下，由两两证据的相关系数构成证据相关性矩阵S_ij，表示为：

其中，n为证据数量；

步骤三)为了控制非正相关的证据在识别框架中的权值比重和可信度计算，以及考虑客服组合规则中的0置信问题和尽量减少对于整体识别框架的基本概率影响，这里将相关性结果小于等于0的负相关情况统一赋值为0.001；

步骤四)定义证据m_i的支持度为则证据m_i的可信度为cred(m_i)，cred(m_i)∈[0，1]且具体表示为：

计算平均证据表示为：