一种多特征目标识别方法与流程

1.本发明属于目标识别技术领域，尤其涉及一种多特征目标识别方法。


背景技术：

2.随着现代科学技术及生产水平的提高，自动化、智能化逐渐应用在越来越多的领域，如工业、科研、医学等。在实际使用中，自动化系统运作首要解决的是操作对象的问题,即应用传感器实现目标识别。因此，对目标识别技术的研究具有很重要的现实意义。
3.目标识别是利用技术处理手段对目标特征信息进行分析，从而获取目标的定性或定量性质。在环境中进行目标识别通常可以分为三步：特征提取，特征处理，目标分类。
4.然而现代自动化系统结构复杂，且受到众多主客观外部因素的影响，使得传感器探测信息存在不确定性。此外，由于现代系统的复杂、多样化，传感器的识别精度不一，且各目标类型的测量数据之间具有交叉性，仅依靠单一传感器采集目标信息通常会偏离实际结果，目标识别的准确率较低。


技术实现要素：

5.为了解决相关技术中目标识别的准确率较低的问题，本发明的发明目的在于提供一种多特征目标识别方法，可以有效处理传感器探测到的不确定信息，提高目标识别的准确率。
6.一种多特征目标识别方法，包括以下步骤：
7.步骤110、将多个传感器在m种目标类型fi的n种目标特征cj上的测量数据生成目标样板数据集d
ij
，并在n种目标特征下对样本进行测量生成待测样本数据tj；
8.步骤120、生成目标样板数据集在属于各目标类型的每个目标特征下的三角模糊数与待测样本数据在各目标特征下的三角模糊数；
9.步骤130、将目标样板数据集中目标特征cj在目标类型fi下的三角模糊数与待测样本数据在目标特征cj下的三角模糊数进行匹配，生成各目标类型下每个目标特征的中智集表示；
10.步骤140、将各目标类型下每个目标特征的中智集表示转化为基本概率指派；
11.步骤150、使用加权平均融合各目标类型下每个目标特征的基本概率指派，得到各目标类型的基本概率指派；
12.步骤160、融合各目标类型的基本概率指派，根据融合结果确定待识别目标所属的目标类型；
13.步骤170、输出待识别目标所属的目标类型。
14.优选地，生成目标样板数据集在属于各目标类型的每个目标特征下的三角模糊数的方法为：计算目标样本数据集d
ij
中所有属于目标类型fi的k个样本在目标特征cj上的最小值平均值和最大值并生成目标样板数据集在属于目标类型fi的目标特
征cj下的三角模糊数其中，其中，为目标样板数据集d
ij
中属于目标类型fi的k个样本在目标特征cj上的测量值，1≤i≤m，1≤j≤n，m为目标类型的个数，n为目标特征的个数；目标样板数据集d
ij
是m种目标类型下n种目标特征的测量数据；
15.生成待测样本数据在各目标特征下的三角模糊数的方法为：计算待测样本数据tj在目标特征cj上的最小值平均值和最大值并生成待测样本数据在目标特征cj下的三角模糊数待测样本数据tj是传感器在n种目标特征下对样本的测量值。
16.优选地，生成各目标类型下每个目标特征的中智集表示的方法为：
17.使用第一公式生成待测样本数据tj在目标特征cj上属于目标类型fi的单值中智集表示a
ij
＝＜t
ij
，f
ij
，g
ij
＞；
18.所述第一公式为：
[0019][0020]
其中表示目标特征cj上的待测样本数据三角模糊数与目标特征cj上属于目标类型fi的目标样板数据集三角模糊数的重叠面积，表示目标特征cj上的待测样本数据三角模糊数与目标特征cj上属于目标类型fi的目标样板数据集三角模糊数及目标特征cj上分别属于目标类型f
p，p≠i
的目标样板数据集三角模糊数的重叠面积的并集；
[0021]
根据待测样本数据tj在目标特征cj上属于目标类型fi的单值中智集表示，生成待测样本数据tj在m种目标类型下n种目标特征的中智集表示。
[0022]
优选地，步骤140包含以下步骤：
[0023]
步骤141、根据待测样本数据tj在m种目标类型下n种目标特征的中智集表示，使用第二公式对中智集表示进行归一化处理，第二公式为：
[0024][0025]
步骤142、基于待测样本数据tj在m种目标类型下n种目标特征的中智集表示的归一化处理结果，根据第三公式生成待测样本数据tj在属于目标类型fi的目标特征cj下的基本概率指派，其中，第三公式为：
[0026][0027][0028]
命题表示满足条件的所有元素f
p，p≠i
的集合，表示目标特征cj上的待测样本数据三角模糊数与目标特征cj上属于目标类型fi的目标样板数据集三角模糊数及目标特征cj上属于目标类型f
p，p≠i
的目标样板数据集三角模糊数无重叠，命题θ\b表示命题θ中包含的元素除去命题b中所有元素生成的元素集合，目标类型表示为f＝{f1，f2，
…
，fm}，目标特征表示为c＝{c1，c2，
…
，cn}，系统的辨识框架表示为θ＝{f1，f2，
…
，fm}，它的幂集包含2n个命题。
[0029]
优选地，步骤150包含以下步骤：
[0030]
步骤151、根据待测样本数据tj在m种目标类型下n种目标特征的中智集表示，使用第四公式计算待测样本数据tj在属于目标类型fi的目标特征cj下的中智集表示的熵，根据第五公式生成目标类型fi下目标特征cj所占权重；
[0031]
第四公式为：
[0032]hij
＝-[(t
ij
g
ij
)log2(t
ij
g
ij
) (f
ij
g
ij
)log2(f
ij
g
ij
)]；
[0033]
第五公式为：
[0034][0035]
步骤152、将待测样本数据在目标类型fi的n个目标特征上的n个基本概率指派使用加权平均进行融合，使用各目标特征分别在每个目标类型中所占的权重，根据第六公式生成目标类型fi上命题a的加权平均基本概率指派，使用第七公式融合目标类型fi下的n-1个加权平均基本概率指派，生成目标类型fi的基本概率指派；第六公式为：
[0036][0037]
第七公式为：
[0038][0039][0039][0040]
优选地，步骤160包含以下步骤：
[0041]
步骤161、根据各目标类型的基本概率指派，使用第八公式对目标类型f1和f2的基本概率指派进行融合，并将融合结果与目标类型f3的基本概率指派进行融合，由此依次融合各目标类型的基本概率指派，生成决策基本概率指派m；其中，第八公式为：
[0042][0043]
步骤162、根据第九公式生成目标类型fi的概率，将计算得到的各目标类型的概率进行排序，将最大的概率对应的目标类型确定为所述待识别目标所属的目标类型；第九公式为：
[0044]
|a|表示命题a的元素个数。
[0045]
优选地，以显示方式或语音播报方式输出待识别目标所属的目标类型。
[0046]
本发明与现有技术相比具有以下有益效果：
[0047]
1、本发明的步骤简单、设计合理，实现及使用操作方便。
[0048]
2、本发明通过三角模糊数表示目标样本信息，并生成待测样本的中智集表示，能够有效处理传感器探测信息的不确定性；
[0049]
3、本发明通过信息融合方法融合多个目标特征的测量信息，提升了目标识别的准确率。
附图说明
[0050]
图1为本实施例所示的一种多特征目标识别方法的流程图。
具体实施方式
[0051]
下面结合附图和实施例对本发明作进一步的详细说明。
[0052]
现代自动化系统结构复杂，且受到众多主客观外部因素的影响，使得传感器探测信息存在不确定性。对于诊断信息的这种模糊现象，需要使用模糊数学方法进行处理。有必要同时考虑多种因素，基于多传感器测量从多个目标特征对目标类型进行识别。同时，使用信息融合技术对多传感器信息进行融合，实现对目标的更准确全面认知。因此，本实施例基于传感器探测的待测样本特征信息，融合中智集理论和信息融合技术识别目标类型，可以较好处理传感器信息的不确定性，提升目标识别的准确率。
[0053]
本实施例所示的一种多特征目标识别方法，如图1所示，包括以下步骤：
[0054]
步骤110、将多个传感器在m种目标类型fi的n种目标特征cj上的测量数据生成目标样板数据集d
ij
，并在n种目标特征下对样本进行测量生成待测样本数据tj。
[0055]
实际使用时，采用传感器采集m种目标类型f1，f2，
…
，fi，
…
，fm在n种目标特征c1，c2，
…
，cj，
…
，cn上的测量数据生成目标样板数据集d
ij
，并在n种目标特征下对样本进行测量生成待测样本数据tj，i＝1，2，
…
，m，j＝1，2，
…
，n，系统的辨识框架表示为θ＝{f1，f2，
…
，fm}，它的幂集包含2n个命题。
[0056]
步骤120、生成目标样板数据集在属于各目标类型的每个目标特征下的三角模糊数与待测样本数据在各目标特征下的三角模糊数。
[0057]
多个目标特征数据能更充分地反映目标情况，从而提高目标识别的准确性；其次，三角模糊数相对不易收到干扰，稳定性好，因此，分别根据d
ij
和tj生成目标样板数据集在属于各目标类型的每个目标特征下的三角模糊数与待测样本数据在各目标特征下的三角模
糊数。
[0058]
其中，生成目标样板数据集在属于各目标类型的每个目标特征下的三角模糊数的方法为：计算目标样本数据集d
ij
中所有属于目标类型fi的k个样本在目标特征cj上的最小值平均值和最大值并生成目标样板数据集在属于目标类型fi的目标特征cj下的三角模糊数其中，其中，为目标样板数据集d
ij
中属于目标类型fi的k个样本在目标特征cj上的测量值，1≤i≤m，1≤j≤n，m为目标类型的个数，n为目标特征的个数；目标样板数据集d
ij
是m种目标类型下n种目标特征的测量数据。
[0059]
生成待测样本数据在各目标特征下的三角模糊数的方法为：计算待测样本数据tj在目标特征cj上的最小值平均值和最大值并生成待测样本数据在目标特征cj下的三角模糊数待测样本数据tj是传感器在n种目标特征下对样本的测量值。
[0060]
步骤130、将目标样板数据集中目标特征cj在目标类型fi下的三角模糊数与待测样本数据在目标特征cj下的三角模糊数进行匹配，生成各目标类型下每个目标特征的中智集表示。
[0061]
其中，生成各目标类型下每个目标特征的中智集表示的方法为：
[0062]
使用第一公式生成待测样本数据tj在目标特征cj上属于目标类型fi的单值中智集表示a
ij
＝＜t
ij
，f
ij
，g
ij
＞；
[0063]
所述第一公式为：
[0064][0065]
其中表示目标特征cj上的待测样本数据三角模糊数与目标特征cj上属于目标类型fi的目标样板数据集三角模糊数的重叠面积，表示目标特征cj上的待测样本数据三角模糊数与目标特征cj上属于目标类型fi的目标样板数据集三角模糊数及目标特征cj上分别属于目标类型f
p，p≠i
的目标样板数据集三角模糊数的重叠面积的并集。
[0066]
根据待测样本数据tj在目标特征cj上属于目标类型fi的单值中智集表示，生成待测样本数据tj在m种目标类型下n种目标特征的中智集表示。
[0067]
步骤140、将各目标类型下每个目标特征的中智集表示转化为基本概率指派。具体
包含以下步骤：
[0068]
步骤141、根据待测样本数据tj在m种目标类型下n种目标特征的中智集表示，使用第二公式对中智集表示进行归一化处理，第二公式为：
[0069][0070]
步骤142、基于待测样本数据tj在m种目标类型下n种目标特征的中智集表示的归一化处理结果，根据第三公式生成待测样本数据tj在属于目标类型fi的目标特征cj下的基本概率指派，其中，第三公式为：
[0071][0072][0073]
命题表示满足条件的所有元素f
p，p≠i
的集合，表示目标特征cj上的待测样本数据三角模糊数与目标特征cj上属于目标类型fi的目标样板数据集三角模糊数及目标特征cj上属于目标类型f
p，p≠i
的目标样板数据集三角模糊数无重叠，命题θ\b表示命题θ中包含的元素除去命题b中所有元素生成的元素集合，目标类型表示为f＝{f1，f2，
…
，fm}，目标特征表示为c＝{c1，c2，
…
，cn}，系统的辨识框架表示为θ＝{f1，f2，
…
，fm}，它的幂集包含2n个命题。
[0074]
步骤150、使用加权平均融合各目标类型下每个目标特征的基本概率指派，得到各目标类型的基本概率指派。具体包含以下步骤：
[0075]
步骤151、根据待测样本数据tj在m种目标类型下n种目标特征的中智集表示，使用第四公式计算待测样本数据tj在属于目标类型fi的目标特征cj下的中智集表示的熵，根据第五公式生成目标类型fi下目标特征cj所占权重；第四公式为h
ij
＝-[(t
ij
g
ij
)log2(t
ij
g
ij
) (f
ij
g
ij
)log2(f
ij
g
ij
)]；
[0076]
第五公式为：
[0077][0078]
步骤152、将待测样本数据在目标类型fi的n个目标特征上的n个基本概率指派使用加权平均进行融合，使用各目标特征分别在每个目标类型中所占的权重，根据第六公式生成目标类型fi上命题a的加权平均基本概率指派，使用第七公式融合目标类型fi下的n-1个加权平均基本概率指派，生成目标类型fi的基本概率指派；第六公式为：
[0079][0080]
第七公式为：
[0081][0082][0082][0083]
步骤160、融合各目标类型的基本概率指派，根据融合结果确定所述待识别目标所属的目标类型。具体包含以下步骤：
[0084]
步骤161、根据各目标类型的基本概率指派，使用第八公式对目标类型f1和f2的基本概率指派进行融合，并将融合结果与目标类型f3的基本概率指派进行融合，由此依次融合各目标类型的基本概率指派，生成决策基本概率指派m；其中，第八公式为：
[0085][0086]
步骤162、根据第九公式生成目标类型fi的概率，将计算得到的各目标类型的概率进行排序，将最大的概率对应的目标类型确定为所述待识别目标所属的目标类型；第九公式为：
[0087]
|a|表示命题a的元素个数。
[0088]
步骤170、输出待识别目标所属的目标类型。
[0089]
可以通过显示方式、语音播报方式等输出待识别目标所属的目标类型。
[0090]
本技术提供的多特征目标识别方法及装置，获取多个传感器采集的待识别目标的特征数据；根据目标样本数据集与待测样本数据生成三角模糊数；根据目标样本数据集与待测样本数据的三角模糊数匹配生成各目标类型下每个目标特征的中智集表示；将各目标类型下每个目标特征的中智集表示转化为基本概率指派；使用加权平均融合各目标类型下每个目标特征的基本概率指派，得到各目标类型的基本概率指派；最后融合各目标类型的基本概率指派，根据融合结果确定待识别目标所属目标类型；之后输出待识别目标所属目标类型，相较于现有技术，可以有效处理传感器探测到的不确定信息，提高目标识别的准确率。