[发明专利]基于信度熵和BJS散度的冲突证据融合方法

权利要求书

1.基于信度熵和BJS散度的冲突证据融合方法，其特征在于：包括以下几个步骤：

A、通过获取多个传感器的充分指数w_i和重要性指数v_i以及传感器测量信息相对应证据焦元的基本概率赋值，将每一个证据看作一个向量，第i个证据的向量用m_i＝(m_i(θ₁)，…，m_i(θ_r)，…，m_i(θ_k))^T表示，其中i＝1，2，...，n，n为证据向量的总数，w_i和v_i分别为第i个证据向量的充分指数和重要性指数，k为辨识框架Θ中的焦元个数，r＝1，2，…，k；其中，将多个相互独立传感器的获取的杂草特征信息转化为杂草识别的多个证据，即m₁，m₂，…，m_n，并且，辨识框架Θ中的焦元为θ₁，θ₂，…，θ_k表征了杂草的类型；

B、通过下述公式计算证据m_i的信度熵，得到任意第i个证据向量m_i的信度熵E(m_i)，式中r，l＝1，2，…，k，e为自然常数，是一个约等于2.71828182845904523536……的无理数，|θ_r|表示焦元θ_r元素的个数，|θ_r∩θ_l|表示焦元θ_r与焦元θ_l公共元素的个数，|Θ|为辨识框架中包含单焦元和复合焦元的总个数；

C、由得到任意第i个证据向量m_i的信度熵通过公式计算得到第i个证据向量m_i的不确定度IV(m_i)，然后通过下述公式计算得到进行归一化后第i个证据向量m_i的相对不确定度

D、通过下述公式计算证据之间的BeliefJenson-Shannon散度，即BJS散度，得到任意第i个证据向量m_i和第j个证据向量m_j之间的BJS散度BJS(m_i，m_j)，式中，

E、由得到的任意第i个证据向量m_i和第j个证据向量m_j之间的BJS散度BJS(m_i，m_i)通过下述公式得到第i个证据与其他n-1个证据的BJS散度BJS(m_i)；

F、由得到的第i个证据与其他n-1个证据的BJS散度BJS(m_i)通过下述公式计算第i个证据向量m_i的支持度Sup(m_i)；并通过下述公式计算得到归一化后的第i个证据向量m_i的相对支持度

G、由第i个证据向量m_i的充分指数w_i和重要性指数和v_i通过下述公式s(m_i)＝w_i×v_i计算得到第i个证据向量m_i的静态可信度s(m_i)；

H、由得到的任意第i个证据向量m_i归一化后的相对不确定度相对支持度和静态可靠性参数s(m_i)，通过公式：求得第i个证据与其他n-1个证据的相对支持程度因子truf(m_i)，并利用第i个证据与其他n-1个证据的相对支持程度因子truf(m_i)通过下述公式得到第i个证据的权重系数ω_i；

I、记第i个证据中焦元θ_r的基本概率赋值用m_i(θ_r)表示，其中r＝1，2，…，k，修正后的加权平均证据MAE中焦元θ_r的基本概率赋值用m^d(θ_r)表示，根据步骤H中得到的权重系数ω_i通过下述公式得到修正后的n个加权平均证据中焦元θ_r的基本概率赋值m^d(θ_r)；

J、最后，采用Dempster组合规则对修正后的n个相同证据进行逐个融合n-1次，融合后焦元A的基本概率赋值m(A)的最大值对应的焦元为目标识别的决策结果对应的识别杂草目标，即为决策最终结果。

2.根据权利要求1所述的基于信度熵和BJS散度的冲突证据融合方法，其特征在于：所述的Dempster组合规则为：

其中，m(A)表示焦元A的基本概率赋值，K为冲突系数，r，l＝1，2，…，k，为空集。