CN114120142A - 一种多属性决策的空中目标综合识别方法及*** - Google Patents
一种多属性决策的空中目标综合识别方法及*** Download PDFInfo
- Publication number
- CN114120142A CN114120142A CN202111403124.0A CN202111403124A CN114120142A CN 114120142 A CN114120142 A CN 114120142A CN 202111403124 A CN202111403124 A CN 202111403124A CN 114120142 A CN114120142 A CN 114120142A
- Authority
- CN
- China
- Prior art keywords
- identification
- data
- period
- matrix data
- basic probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种多属性决策的空中目标综合识别方法及***,涉及目标识别技术领域。该方法包括:获取空中目标的多个识别结果;根据多个识别结果生成直觉模糊矩阵数据;根据直觉模糊矩阵数据获得与多个识别手段对应的识别权重集合数据;根据证据理论和直觉模糊矩阵数据获得基本概率赋值数据;根据识别权重集合数据对基本概率赋值数据进行修正,获得与多个探测周期对应的综合识别结果矩阵数据;根据多个探测周期的冲突度数据获得与多个探测周期对应的周期识别权重集合数据;对综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。该方法可以实现提高空中目标识别的可靠性和有效性的技术效果。
Description
技术领域
本申请涉及目标识别技术领域,具体而言,涉及一种多属性决策的空中目标综合识别方法、***、电子设备及计算机可读存储介质。
背景技术
目前,空中目标敌我识别作为防空作战中的一项重要作战行动,能够为指挥官制定防空决策提供重要的信息支持。准确、高效的空中目标敌我识别,有助于促进防空作战的顺利实施,降低误击误伤风险,提高联合作战效能。为确保空中目标敌我识别的可靠性,需综合使用各种技术手段和程序手段对空中目标的敌我属性进行识别,然后对这些手段获取的信息进行融合,以获取可靠的综合识别结果。
现有技术中,为实现空中目标敌我识别的顺利实施,大多数研究主要采用D-S证据理论、直觉模糊集、云模型、三支决策等方式,并根据实际情况将这些数学工具进行组合,以完成空中目标敌我识别任务;但是,上述方法在空中目标敌我识别时各种因素的不确定影响较大,有效性、可靠性不高。
发明内容
本申请实施例的目的在于提供一种多属性决策的空中目标综合识别方法、***、电子设备及计算机可读存储介质,可以实现提高空中目标识别的可靠性和有效性的技术效果。
本申请实施例提供了一种多属性决策的空中目标综合识别方法,包括:
获取空中目标的多个识别结果,所述多个识别结果为多个探测周期内通过多个识别手段获得;
根据所述多个识别结果生成直觉模糊矩阵数据;
根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的识别权重集合数据;
根据证据理论和所述直觉模糊矩阵数据获得分别与所述多个探测周期、所述多个识别手段对应的基本概率赋值数据;
根据所述识别权重集合数据对所述基本概率赋值数据进行修正,获得与所述多个探测周期对应的综合识别结果矩阵数据;
根据所述多个探测周期的冲突度数据获得与所述多个探测周期对应的周期识别权重集合数据;
根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。
在上述实现过程中,通过识别结果、识别手段和探测周期出发结合多属性决策的应用,使用直觉模糊集和证据理论进行多属性决策建模,接着使用识别权重集合数据对基本概率赋值数据进行修正,然后使用冲突度数据确定探测周期权重并进行多周期融合,进而得到一个合理的空中目标的多周期综合识别结果;从而,该多属性决策的空中目标综合识别方法可以实现提高空中目标识别的可靠性和有效性的技术效果。
进一步地,所述根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的识别权重集合数据的步骤,包括:
根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的交叉熵数据;
根据所述交叉熵数据获得与所述识别权重集合数据。
进一步地,所述根据证据理论和所述直觉模糊矩阵数据获得分别与所述多个探测周期、所述多个识别手段对应的基本概率赋值数据的步骤,包括:
根据证据理论生成Mass函数对应的基本概率赋值公式;
根据所述基本概率赋值公式和所述直觉模糊矩阵数据获得所述基本概率赋值数据。
进一步地,所述根据所述识别权重集合数据对所述基本概率赋值数据进行修正,获得与所述多个探测周期对应的综合识别结果矩阵数据的步骤,包括:
根据所述识别权重集合数据和证据折扣法对所述基本概率赋值数据进行修正,获得识别修正基本概率赋值矩阵数据;
对所述识别修正基本概率赋值矩阵数据进行融合,获得所述综合识别结果矩阵数据。
进一步地,在所述根据所述多个探测周期的冲突度数据获得与所述多个探测周期对应的周期识别权重集合数据的步骤之前,还包括:
获取所述多个探测周期对应的Mass函数的Jousselme证据距离;
根据所述Jousselme证据距离生成所述多个探测周期的冲突度数据。
进一步地,所述根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果的步骤,包括:
根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行修正,获得周期修正基本概率赋值矩阵数据;
根据所述周期修正基本概率赋值矩阵数据和D-S组合规则生成所述多周期综合识别结果。
第二方面,本申请实施例提供了一种多属性决策的空中目标综合识别***,包括:
获取模块,用于获取空中目标的多个识别结果,所述多个识别结果为多个探测周期内通过多个识别手段获得;
直觉模糊矩阵模块,用于根据所述多个识别结果生成直觉模糊矩阵数据;
识别权重模块,用于根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的识别权重集合数据;
基本概率赋值模块,用于根据证据理论和所述直觉模糊矩阵数据获得分别与所述多个探测周期、所述多个识别手段对应的基本概率赋值数据;
识别修正模块,用于根据所述识别权重集合数据对所述基本概率赋值数据进行修正,获得与所述多个探测周期对应的综合识别结果矩阵数据;
周期权重模块,用于根据所述多个探测周期的冲突度数据获得与所述多个探测周期对应的周期识别权重集合数据;
多周期融合模块,用于根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。
进一步地,所述识别权重模块包括:
交叉熵单元,用于根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的交叉熵数据;
识别权重单元,用于根据所述交叉熵数据获得与所述识别权重集合数据。
进一步地,所述基本概率赋值模块包括:
Mass函数单元,用于根据证据理论生成Mass函数对应的基本概率赋值公式;
基本概率赋值单元,用于根据所述基本概率赋值公式和所述直觉模糊矩阵数据获得所述基本概率赋值数据。
进一步地,所述识别修正模块包括:
识别修正单元,用于根据所述识别权重集合数据和证据折扣法对所述基本概率赋值数据进行修正,获得识别修正基本概率赋值矩阵数据;
识别融合单元,用于对所述识别修正基本概率赋值矩阵数据进行融合,获得所述综合识别结果矩阵数据。
进一步地,所述***还包括:
证据距离模块,用于获取所述多个探测周期对应的Mass函数的Jousselme证据距离;
冲突度模块,用于根据所述Jousselme证据距离生成所述多个探测周期的冲突度数据。
进一步地,所述多周期融合模块包括:
周期修正单元,用于根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行修正,获得周期修正基本概率赋值矩阵数据;
多周期融合单元,用于根据所述周期修正基本概率赋值矩阵数据和D-S组合规则生成所述多周期综合识别结果。
第三方面,本申请实施例提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的空中目标综合识别方法手段的结构示意图;
图2为本申请实施例提供的一种多属性决策的空中目标综合识别方法的流程示意图;
图3为本申请实施例提供的另一种多属性决策的空中目标综合识别方法的流程示意图;
图4为本申请实施例提供的多属性决策的空中目标综合识别***的结构框图;
图5为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种多属性决策的空中目标综合识别方法、***、电子设备及计算机可读存储介质,可以应用于空中目标的敌我识别过程中;该多属性决策的空中目标综合识别方法通过识别结果、识别手段和探测周期出发结合多属性决策的应用,使用直觉模糊集和证据理论进行多属性决策建模,接着使用识别权重集合数据对基本概率赋值数据进行修正,然后使用冲突度数据确定探测周期权重并进行多周期融合,进而得到一个合理的空中目标的多周期综合识别结果;从而,该多属性决策的空中目标综合识别方法可以实现提高空中目标识别的可靠性和有效性的技术效果。
请参见图1,图1为本申请实施例提供的空中目标综合识别方法手段的结构示意图。
示例性地,根据“空域控制”框架下的空情识别思想,给出空中目标综合识别的概念,即空中目标综合识别是指综合利用雷达等各类技术手段和以最小风险航线、低高度层穿越走廊、空中通道为代表的空域协同措施等程序手段,对空中目标的敌我属性进行识别。由图1可知,在进行空中目标综合识别时,可以根据作战实际选择多种合适的主动和程序识别手段,避免单一手段受到压制而产生错判,确保空中目标敌我识别的准确性。需要注意的是上述手段既可以用于敌我识别,也可以用于“空域控制”,是“空域控制”框架下行动统一的具体体现。除了上述识别手段外,还可引入各类空中目标敌我识别的属性标签来标识出空中目标的威胁等级,并根据识别情况动态更新空中目标的属性标签(如“我方”、“可能是我方”、“可能是敌方”、“敌方”等属性标签),实现了空中目标的敌我属性识别与威胁评估的有机结合,有利于防空部门及时采取相应的防空对策,从而降低误击误伤风险,确保空防安全。
为更好的对空中目标综合识别进行多属性决策建模,首先对算法工具中的直觉模糊集和D-S证据理论的一些基本概念进行介绍,为后续提出基于直觉模糊集和证据理论的空中目标综合识别提供理论支持。
示例性地,直觉模糊集是在“模糊集”的基础上,对信息进行“非此非彼”的模糊描述,即表述信息的“支持、中立、反对”的程度,可以更好的描述信息间的模糊关系。
A={<x,μA(x),γA(x)>|x∈U} (1);
其中,μA(x)和γA(x)分别表示元素x属于直觉模糊集A的隶属度和非隶属度。
示例性地,设X为一个给定论域,称论域X上的每一个直觉模糊集A的犹豫度为:
πA(x)=1-μA(x)-γA(x) (2);
其中,犹豫度πA(x)表示元素x对直觉模糊集A的犹豫程度。
示例性地,设X为一个给定论域,称论域X中的元素x属于直觉模糊集A的隶属度函数和非隶属度所构成的二元组<μA(x),γA(x)>为直觉模糊数。由全体直觉模糊数zij=<μij,γij>(i=1,2,…,m;j=1,2,…,n)构成的矩阵Z=(zij)m×n为直觉模糊矩阵。
示例性地,根据D-S证据理论中Mass函数的定义,为方便后续的信息融合,可以使用直觉模糊数表示辨识框架Θ上的Mass函数,如下式:
示例性地,D-S证据理论是由Dempster和Shafter提出的用于处理多源信息融合中的不确定性信息的理论,其良好的数学性质和组合规则,有效的提高了不确定性信息的处理能力。
示例性地,设由所考察对象的全体所构成的两两互斥的有限完备集合Θ={θ1,θ2,…,θn}为辨识框架。对于辨识框架Θ的任意子集A和幂集2Θ,若有映射:m:2Θ→[0,1]满足如下条件:
其中,称m为辨识框架Θ上的Mass函数,称m(A)为A的基本概率赋值。若m(A)>0,则称A为焦元。
示例性地,设m1和m2为辨识框架Θ下相互独立的Mass函数,它们的焦元分别为B1,B2,…,Bi和C1,C2,…,Cj,则D-S组合规则如下:
其中,m表示融合后的新的Mass函数;k为冲突系数(冲突度),表示证据之间的冲突程度。
请参见图2,图2为本申请实施例提供的一种多属性决策的空中目标综合识别方法的流程示意图,该多属性决策的空中目标综合识别方法包括如下步骤:
S100:获取空中目标的多个识别结果,多个识别结果为多个探测周期内通过多个识别手段获得。
示例性地,识别手段可以是雷达、数据链和空域协同措施等;识别结果可以是“我方”、“可能是我方”、“可能是敌方”、“敌方”等;每个识别结果是由指挥官根据作战需求,经过相应的论证与研究后直接定的,一旦定好,在后续的建模应用中,不会随着时间和方式的变化而变化。
S200:根据多个识别结果生成直觉模糊矩阵数据。
示例性地,设空中目标综合识别的n个识别结果组成的集合X={x1,x2,…,xn}为该模型中的“身份集”,可对应多属性决策中的“方案集”;在进行综合识别时使用的m个识别手段组成的集合O={o1,o2,…,om}为“手段集”,可对应多属性决策中的“属性集”;对空中目标进行的k个周期的探测组成的集合Tk(k=1,2,…,K)为“周期集”,可对应多属性决策中的“专家集”。从而,使用多属性决策语言进行描述,即确定探测周期Tk对识别结果xj在识别手段oi下的评价值。设上述评价值可以通过直觉模糊数进行表示,因此可得到相应的直觉模糊矩阵即生成直觉模糊矩阵数据。
S300:根据直觉模糊矩阵数据获得与多个识别手段对应的识别权重集合数据。
示例性地,通过不同的识别手段获得空中目标的识别结果的有效性是各不相同的,从而可以为识别手段赋予权重值;例如,通过识别权重集合数据可得出探测周期为Tk时,识别手段oi的权重。
S400:根据证据理论和直觉模糊矩阵数据获得分别与多个探测周期、多个识别手段对应的基本概率赋值数据。
示例性地,可根据式(3)确定探测周期为Tk时识别结果xj与对应的识别手段oi的基本概率赋值,获得基本概率赋值数据。
S500:根据识别权重集合数据对基本概率赋值数据进行修正,获得与多个探测周期对应的综合识别结果矩阵数据。
示例性地,对上述基本概率赋值数据进行修正,因为在进行识别结果融合时,需要确保识别结果的重要性相同,由于这些识别结果来源于不同识别手段探测到的数据,所以这些识别结果的重要程度是由识别手段自身的能力决定的,不同识别手段获取信息的能力不同,使得识别结果的重要程度也各不相同,破坏了数据融合的前提条件,会对融合结果产生一定影响,因此需要对基本概率赋值数据进行修正来降低这些影响。
S600:根据多个探测周期的冲突度数据获得与多个探测周期对应的周期识别权重集合数据。
示例性地,为提高多周期融合结果的准确性,需要对多周期融合过程中的不确定信息进行处理,获得与多个探测周期对应的周期识别权重集合数据;可选地,选用冲突系数k和Jousselme证据距离结合的方式度量多周期融合中的不确定性信息,并选用证据折扣法对各周期的Mass函数进行修正。
S700:根据周期识别权重集合数据对综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。
示例性地,为实现探测周期信息的有效集结,首先需要对各探测周期的识别结果进行修正,然后再进行多周期信息融合。这是因为各识别手段获取信息能力的不同,使得各探测周期的识别结果会存在一定的差异,导致构造的证据存在一定冲突,因此应对这些识别结果进行修正,确保多周期信息融合的顺利实施。同样地,这里将探测周期的权重作为衡量这些识别结果重要程度的指标并将其作为折扣系数,对综合识别结果矩阵数据进行修正。
在一些实施方式中,该多属性决策的空中目标综合识别方法通过识别结果、识别手段和探测周期出发结合多属性决策的应用,使用直觉模糊集和证据理论进行多属性决策建模,接着使用识别权重集合数据对基本概率赋值数据进行修正,然后使用冲突度数据确定探测周期权重并进行多周期融合,进而得到一个合理的空中目标的多周期综合识别结果;从而,该多属性决策的空中目标综合识别方法可以实现提高空中目标识别的可靠性和有效性的技术效果。
清参见图3,图3为本申请实施例提供的另一种多属性决策的空中目标综合识别方法的流程示意图。
示例性地,S300:根据直觉模糊矩阵数据获得与多个识别手段对应的识别权重集合数据的步骤,包括:
S310:根据直觉模糊矩阵数据获得与多个识别手段对应的交叉熵数据;
S320:根据交叉熵数据获得与识别权重集合数据。
示例性地,为提高度量直觉模糊数中所含不确定性信息的精确程度,可以一种基于散度的AIFS交叉熵来度量直觉模糊数中的不确定性信息,并将其作为多属性决策问题中的“属性集”权重确定方法,这里即为解决空中目标综合识别中识别手段的权重确定问题。
示例性地,直觉模糊集中的不确定性主要是由直觉模糊性和模糊性组成。其中,直觉模糊性主要是由直觉模糊数中的犹豫度πA(x)决定的,模糊性主要是由直觉模糊数中的隶属度μA(x)和非隶属度γA(x)的差异程度ΔA(xi)决定的,即ΔA(xi)=|μA(xi)-γA(xi)|。
示例性地,基于散度的AIFS交叉熵的公理化定义如下:
设X为一个给定论域,A为论域X上的一个直觉模糊集,则直觉模糊集A的直觉模糊熵是一个关于犹豫度的实值函数,即EI(A)=g(πA):AIFS→[0,1],且满足下列性质:
1)对于x∈X,当且仅当πA(x)=0时,EI(A)=0。
2)对于x∈X,当且仅当πA(x)=1时,EI(A)=1。
3)EI(A)随πA(xi)的增大而增大,其中i=1,2,…,n。
EI(AC)=EI(A)。
示例性地,设X为一个给定论域,A为论域X上的一个直觉模糊集,则直觉模糊集A的模糊熵是一个关于隶属度μA(x)与非隶属度γA(x)之间差异程度的实值函数,即EF(A)=h(ΔA):AIFS→[0,1],且满足下列性质:
1)对于x∈X,当且仅当ΔA(x)=1时,EF(A)=0,即A为精确集。
2)对于x∈X,当且仅当ΔA(x)=0时,EF(A)=1。
3)EF(A)随ΔA(x)的增大而增大,其中i=1,2,…,n。
4)EF(AC)=EF(A)。
示例性地,基于散度的AIFS交叉熵可表示为:
所对应的直觉模糊熵和模糊熵分别为:
因此式(7)还可以表示为:
即基于散度的AIFS交叉熵ES(A)实际上是直觉模糊熵EI(A)和模糊熵EF(A)的算术平均值。
接着,即可得出探测周期为Tk时,识别手段oi的权重为:
则识别手段oi对应的权重集合ω(识别权重集合数据)为:
示例性地,S400:根据证据理论和直觉模糊矩阵数据获得分别与多个探测周期、多个识别手段对应的基本概率赋值数据的步骤,包括:
S410:根据证据理论生成Mass函数对应的基本概率赋值公式;
S420:根据基本概率赋值公式和直觉模糊矩阵数据获得基本概率赋值数据。
示例性地,对识别手段(属性)信息的进行集结,首先应根据式(3)确定探测周期为Tk时识别结果xj与对应的识别手段oi的基本概率赋值公式如下:
示例性地,S500:根据识别权重集合数据对基本概率赋值数据进行修正,获得与多个探测周期对应的综合识别结果矩阵数据的步骤,包括:
S510:根据识别权重集合数据和证据折扣法对基本概率赋值数据进行修正,获得识别修正基本概率赋值矩阵数据;
S520:对识别修正基本概率赋值矩阵数据进行融合,获得综合识别结果矩阵数据。
示例性地,将识别手段的权重作为衡量基本概率赋值数据重要程度的指标并将其作为折扣系数,对基本概率赋值数据进行修正。
根据式(12)求得的识别手段权重,使用证据折扣法对式(13)求得的基本概率赋值进行修正,公式如下:
则探测周期为Tk时识别结果xj与对应的识别手段oi修正后的基本概率赋值矩阵如下:
使用D-S组合规则,对修正后的基本概率赋值进行融合,得到各探测周期的综合识别结果矩阵(综合识别结果矩阵数据)如下:
示例性地,在S600:根据多个探测周期的冲突度数据获得与多个探测周期对应的周期识别权重集合数据的步骤之前,还包括:
S601:获取多个探测周期对应的Mass函数的Jousselme证据距离;
S602:根据Jousselme证据距离生成多个探测周期的冲突度数据。
示例性地,为提高多周期融合结果的准确性,需要对多周期融合过程中的不确定信息进行处理,即对式(16)得到的Mass函数进行修正。本申请实施例中选用冲突系数k和Jousselme证据距离结合的方式度量多周期融合中的不确定性信息,并选用证据折扣法对各周期的Mass函数进行修正。
计算各探测周期Mass函数的Jousselme证据距离,公式如下:
设探测周期Tk与Tg所得到的Mass函数mk和mg之间的冲突度为cfkg(冲突度数据、冲突系数),冲突度cfkg可表示为:
其中,kkg表示mk与mg之间的证据冲突;dkg表示mk与mg之间的Jousselme证据距离;θ表示辨识框架Θ上的任意一个假设;argmaxθ∈Θ(BetPm(θ))表示辨识框架Θ上的最大支持假设。
因此,探测周期Tk对应的证据被探测周期Tg对应证据支持的程度supkg可以表示为supkg=1-cfkg,那么探测周期Tk权重wk可以表示为:
则探测周期Tk对应的权重集合W为:
W=(w1,w2,…,wk)T (21)。
示例性地,S700:根据周期识别权重集合数据对综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果的步骤,包括:
S710:根据周期识别权重集合数据对综合识别结果矩阵数据进行修正,获得周期修正基本概率赋值矩阵数据;
S720:根据周期修正基本概率赋值矩阵数据和D-S组合规则生成多周期综合识别结果。
示例性地,本申请实施例将探测周期的权重作为衡量这些综合识别结果矩阵数据重要程度的指标并将其作为折扣系数,对综合识别结果矩阵数据进行修正。
然后,使用证据折扣法对式(16)得到的探测周期Tk得到的基本概率赋值进行修正,即:
其中,折扣系数β=wk/wmax,wmax=max(wk),k=1,2,…,K。
修正后的探测周期Tk的基本概率赋值矩阵如下:
使用D-S组合规则,即可得到最终的多周期综合识别结果如下:
在一些实施场景中,设某防空作战中,我方拟选用“雷达(o1)”、“数据链(o2)”和“空域协同措施(o3)”作为本次空中目标综合识别的识别手段;为方便做出合理的防空决策,这里将综合识别结果分为“我方(x1)”、“可能是我方(x2)”、“可能是敌方(x3)”、“敌方(x4)”;为确保识别的准确性,这里对空中目标共进行了T1、T2、T3、T4等4个周期的探测,将上述3种手段探测到的数据转换成直觉模糊语言,即可得到各探测周期对应的直觉模糊数如下:
表1各周期直觉模糊数
由表1即可得到对应的直觉模糊矩阵,根据表1数据,由式(7)即可得到探测周期Tk的识别手段oi的AIFS交叉熵如下:
根据式(11)、(12)即可得到探测周期Tk的识别手段oi的权重矩阵如下:
根据式(13)可计算出探测周期Tk的识别手段oi所得到的基本概率赋值,如表2所示:
表2各探测周期中各识别手段得到的BPA
根据表2中的数据,结合式(14)-(16)对上表中的数据进行修正与融合,即可得到探测周期Tk的综合识别结果:
表3各探测周期综合识别结果
由式(17)-(19)可计算得出探测周期Tk之间的冲突度cfkg为:
根据式(20)、(21)即可得出探测周期Tk的权重如下:
W=[0.253 0.254 0.246 0.248]T (29);
对表3中的数据进行多周期信息融合,即可得到多周期融合识别结果如下:
因此,本次空中目标综合识别结果为“我方”。可以初步看出,使用多属性决策思想来进行空中目标敌我识别能够达到预期目的。
示例性地,相比于D-S证据理论,本申请实施例提供的方法能够识别出空中目标正确的敌我属性,避免了错误判别,降低了误击误伤风险。这是因为本文方法在对识别手段信息和探测周期信息进行集结时,对证据进行了修正,最大程度的降低了高冲突证据对综合识别结果的不良影响。通过上述对比可知,即使存在高冲突证据的情况,使用多属性决策思想仍能够较好的解决空中目标综合识别问题。
请参见图4,图4为本申请实施例提供的多属性决策的空中目标综合识别***的结构框图,包括:
获取模块100,用于获取空中目标的多个识别结果,多个识别结果为多个探测周期内通过多个识别手段获得;
直觉模糊矩阵模块200,用于根据多个识别结果生成直觉模糊矩阵数据;
识别权重模块300,用于根据直觉模糊矩阵数据获得与多个识别手段对应的识别权重集合数据;
基本概率赋值模块400,用于根据证据理论和直觉模糊矩阵数据获得分别与多个探测周期、多个识别手段对应的基本概率赋值数据;
识别修正模块500,用于根据识别权重集合数据对基本概率赋值数据进行修正,获得与多个探测周期对应的综合识别结果矩阵数据;
周期权重模块600,用于根据多个探测周期的冲突度数据获得与多个探测周期对应的周期识别权重集合数据;
多周期融合模块700,用于根据周期识别权重集合数据对综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。
示例性地,识别权重模块300包括:
交叉熵单元,用于根据直觉模糊矩阵数据获得与多个识别手段对应的交叉熵数据;
识别权重单元,用于根据交叉熵数据获得与识别权重集合数据。
示例性地,基本概率赋值模块400包括:
Mass函数单元,用于根据证据理论生成Mass函数对应的基本概率赋值公式;
基本概率赋值单元,用于根据基本概率赋值公式和直觉模糊矩阵数据获得基本概率赋值数据。
示例性地,识别修正模块500包括:
识别修正单元,用于根据识别权重集合数据和证据折扣法对基本概率赋值数据进行修正,获得识别修正基本概率赋值矩阵数据;
识别融合单元,用于对识别修正基本概率赋值矩阵数据进行融合,获得综合识别结果矩阵数据。
示例性地,多属性决策的空中目标综合识别***还包括:
证据距离模块,用于获取多个探测周期对应的Mass函数的Jousselme证据距离;
冲突度模块,用于根据Jousselme证据距离生成多个探测周期的冲突度数据。
示例性地,多周期融合模块700包括:
周期修正单元,用于根据周期识别权重集合数据对综合识别结果矩阵数据进行修正,获得周期修正基本概率赋值矩阵数据;
多周期融合单元,用于根据周期修正基本概率赋值矩阵数据和D-S组合规则生成多周期综合识别结果。
本申请还提供一种电子设备,请参见图5,图5为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器510可以是通用处理器,包括中央处理器(CPU,Central ProcessingUnit)、网络处理器(NP,Network Processor)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是,但不限于,随机存取存储器(RAM,Random Access Memory),只读存储器(ROM,Read Only Memory),可编程只读存储器(PROM,Programmable Read-OnlyMemory),可擦除只读存储器(EPROM,Erasable Programmable Read-Only Memory),电可擦除只读存储器(EEPROM,Electric Erasable Programmable Read-Only Memory)等。存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行时,电子设备可以执行上述图1至图3方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块,例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图5所示的结构仅为示意,所述电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,所述计算机程序被处理器执行时实现方法实施例所述的方法,为避免重复,此处不再赘述。
本申请还提供一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种多属性决策的空中目标综合识别方法,其特征在于,包括:
获取空中目标的多个识别结果,所述多个识别结果为多个探测周期内通过多个识别手段获得;
根据所述多个识别结果生成直觉模糊矩阵数据;
根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的识别权重集合数据;
根据证据理论和所述直觉模糊矩阵数据获得分别与所述多个探测周期、所述多个识别手段对应的基本概率赋值数据;
根据所述识别权重集合数据对所述基本概率赋值数据进行修正,获得与所述多个探测周期对应的综合识别结果矩阵数据;
根据所述多个探测周期的冲突度数据获得与所述多个探测周期对应的周期识别权重集合数据;
根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。
2.根据权利要求1所述的多属性决策的空中目标综合识别方法,其特征在于,所述根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的识别权重集合数据的步骤,包括:
根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的交叉熵数据;
根据所述交叉熵数据获得与所述识别权重集合数据。
3.根据权利要求2所述的多属性决策的空中目标综合识别方法,其特征在于,所述根据证据理论和所述直觉模糊矩阵数据获得分别与所述多个探测周期、所述多个识别手段对应的基本概率赋值数据的步骤,包括:
根据证据理论生成Mass函数对应的基本概率赋值公式;
根据所述基本概率赋值公式和所述直觉模糊矩阵数据获得所述基本概率赋值数据。
4.根据权利要求2所述的多属性决策的空中目标综合识别方法,其特征在于,所述根据所述识别权重集合数据对所述基本概率赋值数据进行修正,获得与所述多个探测周期对应的综合识别结果矩阵数据的步骤,包括:
根据所述识别权重集合数据和证据折扣法对所述基本概率赋值数据进行修正,获得识别修正基本概率赋值矩阵数据;
对所述识别修正基本概率赋值矩阵数据进行融合,获得所述综合识别结果矩阵数据。
5.根据权利要求1所述的多属性决策的空中目标综合识别方法,其特征在于,在所述根据所述多个探测周期的冲突度数据获得与所述多个探测周期对应的周期识别权重集合数据的步骤之前,还包括:
获取所述多个探测周期对应的Mass函数的Jousselme证据距离;
根据所述Jousselme证据距离生成所述多个探测周期的冲突度数据。
6.根据权利要求1所述的多属性决策的空中目标综合识别方法,其特征在于,所述根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果的步骤,包括:
根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行修正,获得周期修正基本概率赋值矩阵数据;
根据所述周期修正基本概率赋值矩阵数据和D-S组合规则生成所述多周期综合识别结果。
7.一种多属性决策的空中目标综合识别***,其特征在于,包括:
获取模块,用于获取空中目标的多个识别结果,所述多个识别结果为多个探测周期内通过多个识别手段获得;
直觉模糊矩阵模块,用于根据所述多个识别结果生成直觉模糊矩阵数据;
识别权重模块,用于根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的识别权重集合数据;
基本概率赋值模块,用于根据证据理论和所述直觉模糊矩阵数据获得分别与所述多个探测周期、所述多个识别手段对应的基本概率赋值数据;
识别修正模块,用于根据所述识别权重集合数据对所述基本概率赋值数据进行修正,获得与所述多个探测周期对应的综合识别结果矩阵数据;
周期权重模块,用于根据所述多个探测周期的冲突度数据获得与所述多个探测周期对应的周期识别权重集合数据;
多周期融合模块,用于根据所述周期识别权重集合数据对所述综合识别结果矩阵数据进行多周期信息融合,获得多周期综合识别结果。
8.根据权利要求7所述的多属性决策的空中目标综合识别***,其特征在于,所述识别权重模块包括:
交叉熵单元,用于根据所述直觉模糊矩阵数据获得与所述多个识别手段对应的交叉熵数据;
识别权重单元,用于根据所述交叉熵数据获得与所述识别权重集合数据。
9.一种电子设备,其特征在于,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的多属性决策的空中目标综合识别***方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1至6任一项所述的多属性决策的空中目标综合识别***方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403124.0A CN114120142A (zh) | 2021-11-24 | 2021-11-24 | 一种多属性决策的空中目标综合识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111403124.0A CN114120142A (zh) | 2021-11-24 | 2021-11-24 | 一种多属性决策的空中目标综合识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120142A true CN114120142A (zh) | 2022-03-01 |
Family
ID=80371747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111403124.0A Pending CN114120142A (zh) | 2021-11-24 | 2021-11-24 | 一种多属性决策的空中目标综合识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120142A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756547A (zh) * | 2023-08-18 | 2023-09-15 | 山东科技大学 | 海洋水质数据处理和信息调度方法 |
-
2021
- 2021-11-24 CN CN202111403124.0A patent/CN114120142A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756547A (zh) * | 2023-08-18 | 2023-09-15 | 山东科技大学 | 海洋水质数据处理和信息调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bobar et al. | Ranking and assessment of the efficiency of social media using the fuzzy AHP-Z number model-fuzzy MABAC | |
Xu et al. | Multi-attribute decision making method for air target threat evaluation based on intuitionistic fuzzy sets | |
EP3762869A1 (en) | Systems and methods for providing machine learning model evaluation by using decomposition | |
US20120000349A1 (en) | Assigning weapons to threats | |
CN109960148B (zh) | 一种智能无人***的自主性评估方法及*** | |
RU2662920C2 (ru) | Способ и устройство многоцелевой оптимизации | |
CN110061870B (zh) | 一种战术互联网中基于节点与边联合效能评估方法 | |
Leboucher et al. | A two-step optimisation method for dynamic weapon target assignment problem | |
Hu et al. | Task Assignment for Multi‐UAV under Severe Uncertainty by Using Stochastic Multicriteria Acceptability Analysis | |
CN112466103A (zh) | 航空器飞行威胁演化预警方法、装置、设备及存储介质 | |
CN110008985A (zh) | 基于改进d-s证据理论规则的舰载机群目标识别方法 | |
CN107657357B (zh) | 数据的处理方法及装置 | |
CN108710900A (zh) | 一种基于d-s推理的多平台传感器测量数据融合方法 | |
CN105144207A (zh) | 用于优化资源分配计划的方法及设备 | |
CN114120142A (zh) | 一种多属性决策的空中目标综合识别方法及*** | |
Kerimkhulle et al. | Fuzzy Logic and Its Application in the Assessment of Information Security Risk of Industrial Internet of Things | |
Tešić et al. | A multi-criteria decision-making model for pontoon bridge selection: An application of the DIBR II-NWBM-FF MAIRCA approach | |
Weissman | IRT-based multistage testing | |
Zhang et al. | Towards invariant time series forecasting in smart cities | |
CN112612298B (zh) | 对抗环境下多无人机战术决策的多目标博弈方法及装置 | |
Moreira et al. | SAPEVO-H² a Multi-Criteria Systematic Based on a Hierarchical Structure: Decision-Making Analysis for Assessing Anti-RPAS Strategies in Sensing Environments | |
Su et al. | A new approach for social group detection based on spatio-temporal interpersonal distance measurement | |
Wan et al. | Operation loop-based optimization model for resource allocation to military countermeasures versus probabilistic threat | |
Azimirad et al. | A new model for threat assessment in data fusion based on fuzzy evidence theory | |
Wang et al. | Combining an extended SMAA-2 method with integer linear programming for task assignment of multi-UCAV under multiple uncertainties |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |