一种机载多传感器目标识别系统与方法.pdf

本发明公开了一种机载多传感器目标识别系统与方法，其特征在于：所述系统包括了证据冲突判断及冲突消减模块、基于折扣因子的证据修正模块、修正后证据的融合模块；所述识别方法的步骤包括计算两两机载证据的相似性系数、冲突判断、构造参考证据、获得更新的机载证据列表、度量机载证据的可靠性系数、度量机载证据的不确定性系数、构造机载证据的折扣因子、折扣运算、Dempster组合规则融合计算。本发明能充分挖掘和保留机载多传感器数据中的有效信息，从而解决机载多传感器存在高冲突信息进行目标识别的问题，提高了无人机多传感器目标识别效率。

权利要求书
1.  一种机载多传感器目标识别系统，其特征是：所述系统的组成包括：证据冲突判断及冲突消减模块、基于折扣因子的证据修正模块和修正后证据的融合模块；
所述证据冲突判断及冲突消减模块根据所接收的机载证据列表，度量所述机载证据列表中两两机载证据的相似性系数，并判断所述机载证据列表中的机载证据是否为冲突证据，若为冲突证据，则构造参考证据，并用所述参考证据替代所述冲突证据；若所述机载证据不为冲突证据，则机载证据保持不变；从而获得更新的机载证据列表；
所述基于折扣因子的证据修正模块用于度量所述更新的机载证据列表中每个机载证据的可靠性系数和不确定性系数；并用所述可靠性系数和不确定性系数构造每个机载证据的折扣因子；利用所述折扣因子对每个机载证据进行折扣运算，从而获得再次更新的机载证据列表；
所述修正后证据的融合模块对所述再次更新的机载证据列表通过Dempster组合规则进行组合，从而获得目标识别结果。

2.  一种利用权利要求1所述的机载多传感器目标识别系统的目标识别方法，其特征是：
无人机在执行目标识别任务时，通过其机载传感器获得所有可能目标类型的信任程度值构成机载证据，由n个机载证据形成机载证据列表，所述机载证据列表记为m＝{m1,m2,...,mi,...,mn}，i＝1,...,n；mi表示机载证据列表中第i个机载证据；所述第i个机载证据mi包含的第s种目标类型记为βs，s＝1,...,q，所述的目标类型组成的集合记为Ω＝{β1,β2,...,βs,...,βq}，所述目标类型组成的集合Ω的幂集中第k个子集记为θk，k＝1,...,2q；令所述第i个机载证据mi对所述目标类型组成的集合Ω的幂集所包含的第k个子集θk的信任程度值记为mi(θk)，所述mi(θk)的取值范围为[0,1]；所述第i个机载证据mi的组成包括{mi(θ1),mi(θ2),...,mi(θ2q)}；
所述机载多传感器目标识别系统的识别方法是按如下步骤进行：
步骤1、利用式(1)获得两两机载证据的相似性系数sim(mi,mj)：
sim(mi,mj)=mi·mj||mi||·||mj||---(1)]]>
式(1)中，j＝1,…,n，||m||＝m·m,并有：
mi·mj-Σk=12qmi(θk)·mj(θk)---(2);]]>
步骤2、冲突判断：
所述证据冲突判断及冲突消减模块根据所述相似性系数sim(mi,mj)与预先设定的相似度阈值进行判断，若所述相似性系数sim(mi,mj)小于相似度阈值，则记录判断结果为“FALSE”，表示所述第i个机载证据mi和第j个机载证据mj之间不存在冲突；若所述相似性系数sim(mi,mj)大于或等于相似度阈值，则记录判断结果为“TRUE”，表示所述第i个机载证据mi和第j个机载证据mj之间存在冲突；
在机载证据列表中，若第i个机载证据mi与其他各机载证据的判断结果为“TRUE”的数量超过所述机载证据总数n的一半时，则认为该条机载证据为冲突证据；
步骤3、利用式(3)构造参考证据mave：
mave=Σi=1n(Σj=1,j≠insim(mi,mj)Σi=1nΣj=1,j≠insim(mi,mj)·mi)---(3)]]>
步骤4、获得更新的机载证据列表m′={m1′,m2′,...,mi′,...,mn′},i=1,...,n:]]>
若第i个机载证据mi为冲突证据，则将所述参考证据mave替代所述冲突证据；若第i个机载证据mi不是冲突证据，则第i个机载证据mi保持不变。
步骤5、所述基于折扣因子的证据修正模块利用式(4)度量更新后的第i个机载证据的可靠性系数crei：
crei=e-Σj=1n{max{BetPmi′(βs)-BetPmj′(βs)}}---(4)]]>
式(4)中，为Pignistic概率函数，表征取BetPmmi′(βs)-BetPmj′(βs)]]>中的最大值，并有：
BetPmi′(βs)=Σβs∈θkmi′(θk)|θk|---(5)]]>
式(5)中，|θk|表示所述目标类型组成的集合Ω的幂集中第k个子集θk中包含的目标类型的个数；
步骤6、所述基于折扣因子的证据修正模块利用式(6)度量更新后的第i个机载证据的 不确定性系数uceri：
uceri=-Σβs∈ΘPmi′(βs)log2(Pmi′(βs))/max{-Σβs∈ΩPmi′log2(Pmi′(βs))}---(6)]]>
式(6)中，Pmi′(βs)=Σβs∈θk⊆Ω(mi′(θk)·mi′(βs)Σβr∈θkmi′(βr)),r=1,...,q;]]>
步骤7、根据所述可靠性系数crei和不确定性系数uceri，利用式(7)构造更新后的第i个机载证据的折扣因子αi：
ai=crei·uceri-1/max{crei·uceri-1}---(7)]]>
步骤8、根据所述折扣因子αi，利用式(8)对更新后的第i个机载证据进行折扣运算，获得再次更新的机载证据列表m′′={m1′′,m2′′,...,mi′′,...,mn′′},i=1,...,n:]]>
mi′′(βs)=aimi′(βs),βs⋐Ω1-Σβt⋐Ωaimi′(βt),βs=Ω,t≠s,t=1,...,q---(8)]]>
步骤9、所述修正后证据的融合模块根据Dempster组合规则利用式(9)获得n条机载证据的融合结果m(βs)：
m(βs)=Σ∩i=1nβv=βs∏i=1nmi′′(βv)1-Σ∩i=1nβv=∅∏i=1nmj′′(βv),v=1,...,q---(9)]]>
式(9)中，融合结果m(βs)表征在最大信任程度值m(βs)时所获得的目标类型为βs，s＝1,...,q。

说明书一种机载多传感器目标识别系统与方法
技术领域
本发明属于信息处理技术领域，涉及到证据理论及多传感器数据处理技术，具体地说是机载多传感器目标识别系统与方法。
背景技术
无人机在现在战争中发挥着越来越重要的作用。根据机载传感器组获取的信息对目标进行准确判断是无人机有效执行侦查/打击等决策任务的前提。采用多传感器融合能够提高无人机编队整体的探测性和可信度，增强探测结果的鲁棒性，扩大无人机时空感知范围，降低推理模糊程度，改进探测精度等性能，增加探测目标的特征维数，提高空间分辨率等优势。无人机多传感器间信息融合是目标识别的过程。然而，由于外部环境对无人机搭载传感器性能影响及所搭载的传感器本身性能的差异性，导致传感器获取的数据间存在高冲突，经过信息融合过后，不能得到有效的目标识别结果。因此，在考虑无人机多传感器目标识别问题时，要保证针对高冲突信息也能有效融合，得到正确的识别结果。
无人机多传感器目标识别中的研究目前主要集中于传感器信息的表达方式、目标识别方法修改等方面，针对存在冲突的机载多传感器目标识别问题，一般采用对机载传感器信息平均的方法处理。然而，对机载传感器信息平均的方法没有考虑到机载传感器信息的不一致性，也没有消减冲突的传感器信息的影响，且机载传感器信息融合往往不满足交换性、结合性等性质。所以，提出能合理处理冲突机载传感器信息、提高多传感器信息融合效果以提高目标识别效率的方法就显得十分必要。
发明内容
本发明为了克服现有技术的不足之处，提出了一种机载多传感器目标识别系统与方法，能充分挖掘和保留机载多传感器数据中的有效信息，从而解决机载多传感器存在高冲突信息进行目标识别的问题，提高了无人机多传感器目标识别效率。
本发明为解决以上技术问题采用如下技术方案：
本发明一种机载多传感器目标识别系统的特点是：所述系统的组成包括：证据冲突判断及冲突消减模块、基于折扣因子的证据修正模块和修正后证据的融合模块；
所述证据冲突判断及冲突消减模块根据所接收的机载证据列表，度量所述机载证据列表中两两机载证据的相似性系数，并判断所述机载证据列表中的机载证据是否为冲突证据，若为冲突证据，则构造参考证据，并用所述参考证据替代所述冲突证据；若所述机载证据不为冲突证据，则机载证据保持不变；从而获得更新的机载证据列表；
所述基于折扣因子的证据修正模块用于度量所述更新的机载证据列表中每个机载证据的 可靠性系数和不确定性系数；并用所述可靠性系数和不确定性系数构造每个机载证据的折扣因子；利用所述折扣因子对每个机载证据进行折扣运算，从而获得再次更新的机载证据列表；
所述修正后证据的融合模块对所述再次更新的机载证据列表通过Dempster组合规则进行组合，从而获得目标识别结果。
本发明机载多传感器目标识别系统的目标识别方法的特点是：
无人机在执行目标识别任务时，通过其机载传感器获得所有可能目标类型的信任程度值构成机载证据，由n个机载证据形成机载证据列表，所述机载证据列表记为m＝{m1,m2,...,mi,...,mn}，i＝1,...,n；mi表示机载证据列表中第i个机载证据；所述第i个机载证据mi包含的第s种目标类型记为βs，s＝1,...,q，所述的目标类型组成的集合记为Ω＝{β1,β2,...,βs,...,βq}，所述目标类型组成的集合Ω的幂集中第k个子集记为θk，k＝1,...,2q；令所述第i个机载证据mi对所述目标类型组成的集合Ω的幂集所包含的第k个子集θk的信任程度值记为mi(θk)，所述mi(θk)的取值范围为[0,1]；所述第i个机载证据mi的组成包括{mi(θ1),mi(θ2),...,mi(θ2q)}；
所述机载多传感器目标识别系统的识别方法是按如下步骤进行：
步骤1、利用式(1)获得两两机载证据的相似性系数sim(mi,mj)：
sim(mi,mj)=mi·mj||mi||·||mj||---(1)]]>
式(1)中，j＝1,…,n，||m||=m·m,并有：
mi·mj-Σk=12qmi(θk)·mj(θk)---(2);]]>
步骤2、冲突判断：
所述证据冲突判断及冲突消减模块根据所述相似性系数sim(mi,mj)与预先设定的相似度阈值进行判断，若所述相似性系数sim(mi,mj)小于相似度阈值，则记录判断结果为“FALSE”，表示所述第i个机载证据mi和第j个机载证据mj之间不存在冲突；若所述相似性系数sim(mi,mj)大于或等于相似度阈值，则记录判断结果为“TRUE”，表示所述第i个机载证据mi和第j个机载证据mj之间存在冲突；
在机载证据列表中，若第i个机载证据mi与其他各机载证据的判断结果为“TRUE”的数量超过所述机载证据总数n的一半时，则认为该条机载证据为冲突证据；
步骤3、利用式(3)构造参考证据mave：
mave=Σi=1n(Σj=1,j≠insim(mi,mj)Σi=1nΣj=1,j≠insim(mi,mj)·mi)---(3)]]>
步骤4、获得更新的机载证据列表m′={m1′,m2′,...,mi′,...,mn′},i=1,...,n:]]>
若第i个机载证据mi为冲突证据，则将所述参考证据mave替代所述冲突证据；若第i个机载证据mi不是冲突证据，则第i个机载证据mi保持不变。
步骤5、所述基于折扣因子的证据修正模块利用式(4)度量更新后的第i个机载证据的可靠性系数crei：
crei=e-Σj=1n{max|BetPmi′(βs)-BetPmj′(βs)|}---(4)]]>
式(4)中，为Pignistic概率函数，表征取BetPmmi′(βs)-BetPmj′(βs)]]>中的最大值，并有：
BetPmi′(βs)=Σβs∈θkmi′(θk)|θk|---(5)]]>
式(5)中，|θk|表示所述目标类型组成的集合Ω的幂集中第k个子集θk中包含的目标类型的个数；
步骤6、所述基于折扣因子的证据修正模块利用式(6)度量更新后的第i个机载证据的不确定性系数uceri：
uceri=-Σβs∈ΘPmi′(βs)log2(Pmi′(βs))/max{-Σβs∈ΩPmi′log2(Pmi′(βs))}---(6)]]>
式(6)中，Pmi′(βs)=Σβs∈θk⊆Ω(mi′(θk)·mi′(βs)Σβr∈θkmi′(βr)),r=1,...,q;]]>
步骤7、根据所述可靠性系数crei和不确定性系数uceri，利用式(7)构造更新后的第i个机 载证据的折扣因子αi：
ai=crei·uceri-1/max{crei·uceri-1}---(7)]]>
步骤8、根据所述折扣因子αi，利用式(8)对更新后的第i个机载证据进行折扣运算，获得再次更新的机载证据列表m′′={m1′′,m2′′,...,mi′′,...,mn′′},i=1,...,n:]]>
mi′′(βs)=aimi′(βs),βs⋐Ω1-Σβt⋐Ωaimi′(βt),βs=Ω,t≠s,t=1,...,q---(8)]]>
步骤9、所述修正后证据的融合模块根据Dempster组合规则利用式(9)获得n条机载证据的融合结果m(βs)：
m(βs)=Σ∩i=1nβv=βs∏i=1nmi′′(βv)1-Σ∩i=1nβv=∅∏i=1nmj′′(βv),v=1,...,q---(9)]]>
式(9)中，融合结果m(βs)表征在最大信任程度值m(βs)时所获得的目标类型为βs，s＝1,...,q。
与已有技术相比，本发明的有益效果体现在：
1、本发明系统将机载多传感器目标识别问题划分为多个模块包括据冲突判断及冲突消减模块、基于折扣因子的证据修正模块和修正后证据的融合模块用于解决无人机多传感器冲突证据进行目标识别问题，充分利用各传感器获取的观测信息，从而保证了目标识别结果的真实性；
2、本发明所构造的参考证据考虑了各机载证据的差异性，相似性大的机载证据在构造参考证据中占较大比重，冲突证据在构造参考证据中占较小比重，所构造出的参考证据具有合理性，保证了目标识别结果的有效性；
3、本发明通过参考证据来替代冲突证据，达到了初步消减机载证据间冲突的目的，降低了机载证据间的冲突，提高了融合的机载证据的一致性；
4、本发明运用折扣运算，将构造的折扣因子分别从机载证据内部和机载证据之间度量了机载证据的可信度，进一步提高了各机载证据的可信程度，从而提高了机载多传感器目标识别结果的合理性；
5、本发明运用Dempster组合规则，保证了机载证据融合过程中满足交换性、结合性的 优良性质。
附图说明
图1是本发明系统模块结构图；
图2是本发明方法流程图。
具体实施方式
本实施例中，一种机载多传感器目标识别系统与方法是用于无人机执行目标识别任务。如图1所示，一种机载多传感器目标识别系统组成包括：证据冲突判断及冲突消减模块、基于折扣因子的证据修正模块和修正后证据的融合模块；目标识别系统接收来自分布式机载多传感器信息采集系统输出的机载证据，分布式机载多传感器信息采集系统对无人机所搭载的雷达、ESM和红外传感器采集的信息进行分析处理，从而判断目标类型组成的集合Ω＝{β1＝轰炸机,β2＝民航客机,β3＝战斗机}，目标类型组成的集合Ω的幂集为{θ1,θ2,...,θk,...,θ8}，k＝1,...8，目标类型组成的集合Ω的幂集中的各子集分别对应为{β1,β2,β3,Φ,{β1,β2},{β2,β3},{β1,β3},{β1,β2,β3}}，输出机载证据列表如下：
m1(θ1)＝0.60,m1(θ2)＝0.10,m1(θ3)＝0.30
m2(θ1)＝0.55,m2(θ2)＝0.10,m2(θ3)＝0.35
m3(θ1)＝0.00,m3(θ2)＝0.90,m3(θ3)＝0.10
m4(θ1)＝0.55,m4(θ2)＝0.10,m4(θ3)＝0.35
m5(θ1)＝0.55,m5(θ2)＝0.10,m5(θ3)＝0.35
m6(θ1)＝0.55,m6(θ2)＝0.10,m6(θ3)＝0.35
在上述各机载证据中θ1＝β1,θ2＝β2,θ3＝β3，其余上述机载证据列表中为列出的幂集中的各子集的信任程度值均为0。
证据冲突判断及冲突消减模块根据所接收的机载证据列表，度量机载证据列表中两两机载证据的相似性系数，并判断机载证据列表中的机载证据是否为冲突证据，若为冲突证据，则构造参考证据，并用参考证据替代冲突证据；若机载证据不为冲突证据，则机载证据保持不变；从而获得更新的机载证据列表；
基于折扣因子的证据修正模块用于度量更新的机载证据列表中每个机载证据的可靠性系数和不确定性系数；并用可靠性系数和不确定性系数构造每个机载证据的折扣因子；利用折扣因子对每个机载证据进行折扣运算，从而获得再次更新的机载证据列表；
修正后证据的融合模块对再次更新的机载证据列表通过Dempster组合规则进行组合，从而获得目标识别结果。
无人机在执行目标识别任务时，通过其机载传感器获得所有可能目标类型的信任程度值构成机载证据，由n个机载证据形成机载证据列表，所述机载证据列表记为m＝{m1,m2,...,mi,...,mn}，i＝1,...,n；mi表示机载证据列表中第i个机载证据；所述第i个机载证据mi包含的第s种目标类型记为βs，s＝1,...,q，所述的目标类型组成的集合记为Ω＝{β1,β2,...,βs,...,βq}，所述目标类型组成的集合Ω的幂集中第k个子集记为θk，k＝1,...,2q；令所述第i个机载证据mi对所述目标类型组成的集合Ω的幂集所包含的第k个子集θk的信任程度值记为mi(θk)，所述mi(θk)的取值范围为[0,1]；所述第i个机载证据mi的组成包括{mi(θ1),mi(θ2),...,mi(θ2q)}；
本实施实例中共有6个机载证据形成机载证据列表，机载证据包含的3中目标类型记为Ω＝{β1,β2,β3}。
如图2所示，一种机载多传感器目标识别系统的识别方法是按如下步骤进行：
步骤1、利用式(1)获得两两机载证据的相似性系数sim(mi,mj)：
sim(mi,mj)=mi·mj||mi||·||mj||---(1)]]>
式(1)中，j＝1,…,n，||m||＝m·m,并有：
mi·mj-Σk=12qmi(θk)·mj(θk)---(2);]]>
本实施实例中，利用式(1)得到的两两机载证据相似度系数为
{sim(m1,m1),sim(m1,m2),…,sim(m1,m6)；sim(m2,m1),sim(m2,m2),…,sim(m2,m6)；…；sim(m6,m1),sim(m6,m2),…,sim(m6,m6)}＝{1,0.994802,0.195387,0.994802,0.994802,0.994802；0.994802,1,0.209295,1,1,1；0.195387,0.209295,1,0.209295,0.209295,0.209295；0.994802,1,0.209295,1,0.209295,0.209295；0.994802,1,0.209295,1,1,1；0.994802,1,0.209295,1,1,1；}；
步骤2、冲突判断：
证据冲突判断及冲突消减模块根据相似性系数sim(mi,mj)与预先设定的相似度阈值进行判断，若相似性系数sim(mi,mj)小于相似度阈值，则记录判断结果为“FALSE”，表示第i个 机载证据mi和第j个机载证据mj之间不存在冲突；若相似性系数sim(mi,mj)大于或等于相似度阈值，则记录判断结果为“TRUE”，表示第i个机载证据mi和第j个机载证据mj之间存在冲突；
在机载证据列表中，若第i个机载证据mi与其他各机载证据的判断结果为“TRUE”的数量超过机载证据总数n的一半时，则认为该条机载证据为冲突证据；
本实施例中，将步骤1中计算的两两机载证据相似性系数sim(mi,mj)与预先设定的相似度阈值0.7比较，机载证据m3与其他五条机载证据均冲突，判断结果为“TRUE”的数量超过机载证据总数6的一半，而其他机载证据判断结果为“TRUE”的数量没有机载证据总数6的一半，判断出机载证据m3为冲突证据；
步骤3、利用式(3)构造参考证据mave：
mave=Σi=1n(Σj=1,j≠insim(mi,mj)Σi=1nΣj=1,j≠insim(mi,mj)·mi)---(3)]]>
在这里，构造的参考证据mave为：mave(θ1)＝0.533691，mave(θ2)＝0.1375077，mave(θ3)＝0.3288013；
步骤4、获得更新的机载证据列表m′={m1′,m2′,...,mi′,...,mn′},i=1,...,n:]]>
若第i个机载证据mi为冲突证据，则将参考证据mave替代冲突证据；若第i个机载证据mi不是冲突证据，则第i个机载证据mi保持不变。
在这里，用参考证据mave替代冲突证据m3，获得更新的机载证据列表：
m1′(θ1)=0.60,m1′(θ2)=0.10,m1′(θ3)=0.30]]>
m2′(θ1)=0.55,m2′(θ2)=0.10,m2′(θ3)=0.35]]>
m3′(θ1)=0.533691,m3′(θ2)=0.1375077,m3′(θ3)=0.3288013]]>
m4′(θ1)=0.55,m4′(θ2)=0.10,m4′(θ3)=0.35]]>
m5′(θ1)=0.55,m5′(θ2)=0.10,m5′(θ3)=0.35]]>
m6′(θ1)=0.55,m6′(θ2)=0.10,m6′(θ3)=0.35]]>
步骤5、基于折扣因子的证据修正模块利用式(4)度量更新后的第i个机载证据的可靠性系数crei：
crei=e-Σj=1n{max|BetPmi′(βs)-BetPmj′(βs)|}---(4)]]>
式(4)中，为Pignistic概率函数，表征取BetPmmi′(βs)-BetPmj′(βs)]]>中的最大值，并有：
BetPmi′(βs)=Σβs∈θkmi′(θk)|θk|---(5)]]>
式(5)中，|θk|表示目标类型组成的集合Ω的幂集中第k个子集θk中包含的目标类型的个数；
由于θ1＝β1,θ2＝β2,θ3＝β3，更新后的两两机载证据的Pignistic概率函数直接有BetPmi′(β1)=mi′(θ1),BetPmi′(β2)=mi′(θ2),BetPmi′(β3)=mi′(θ3),]]>计算更新后的两两机载证据的Pignistic概率函数距离{d(m1′,m1′),d(m1′,m2′),...,d(m1′,m6′);d(m2′,m1′),d(m2′,m2′),...,]]>d(m2′,m6′);...;d(m6′,m1′),d(m6′,m2′),...,d(m6′,m6′)}={0,0.05,0.067,0.05,0.05,0.05;]]>0.05,0,0.038,0,0,0;0.067,0.038,0,0.038,0.038,0.038;0.05,0,0.038,0,0,]]>0;0.05,0,0.038,0,0,0},]]>计算出更新后的机载证据的可靠性系数：{cre1，cre2，…，cre6}＝{0.765673071，0.915760877，0.803321718，0.915760877，0.915760877，0.915760877}；
步骤6、基于折扣因子的证据修正模块利用式(6)度量更新后的第i个机载证据的不确定性系数uceri：
uceri=-Σβs∈ΘPmi′(βs)log2(Pmi′(βs))/max{-Σβs∈ΩPmi′log2(Pmi′(βs))}---(6)]]>
式(6)中，Pmi′(βs)=Σβs∈θk⊆Ω(mi′(θk)·mi′(βs)Σβr∈θkmi′(βr)),r=1,...,q;]]>
由于θ1＝β1,θ2＝β2,θ3＝β3，因此有Pmi′(β1)=mi′(θ1),Pmi′(θ2),Pmi′(β3)=mi′(θ3),]]>计算出更新后机载证据的不确定性系数为：{ucer1，ucer2，…，ucer6}＝{0.921499859，0.950809922，1，0.950809922，0.950809922，0.950809922}；
步骤7、根据可靠性系数crei和不确定性系数uceri，利用式(7)构造更新后的第i个机载证 据的折扣因子αi：
ai=crei·uceri-1/max{crei·uceri-1}---(7)]]>
在这里，构造的各机载证据的折扣因子：{α1，α2，…，α6}＝{0.928816367，1，0.913272885，1，1，1}
步骤8、根据折扣因子αi，利用式(8)对更新后的第i个机载证据进行折扣运算，获得再次更新的机载证据列表m′′={m1′′,m2′′,...,mi′′,...,mn′′},i=1,...,n:]]>
mi′′(βs)=aimi′(βs),βs⋐Ω1-Σβt⋐Ωaimi′(βt),βs=Ω,t≠s,t=1,...,q---(8)]]>
本实施例中，对更新后的机载证据进行折扣运算，由于θ1＝β1,θ2＝β2,θ3＝β3，分别用β1,β2,β3替代θ1,θ2,θ3，获得再次更新的机载证据列表：
m1′′(β1)=0.55728982,m1′′(β2)=0.09288164,m1′(β3)=0.27864491,m1′′(Ω)=0.07118363]]>
m2′′(β1)=0.55,m2′′(β2)=0.10,m2′′(β3)=0.35,m2′′(Ω)=0]]>
m3′′(β1)=0.486774448,m3′′(β2)=0.126031658,m3′′(β3)=0.300466779,m3′′(Ω)=0.086727115]]>
m4′′(β1)=0.55,m4′′(β2)=0.10,m4′′(β3)=0.35,m4′′(Ω)=0]]>
m5′′(β1)=0.55,m5′′(β2)=0.10,m5′′(β3)=0.35,m5′′(Ω)=0]]>
m6′′(β1)=0.55,m6′′(β2)=0.10,m6′′(β3)=0.35,m6′′(Ω)=0]]>
步骤9、修正后证据的融合模块根据Dempster组合规则利用式(9)获得n条机载证据的融合结果m(βs)：
m(βs)=Σ∩i=1nβv=βs∏i=1nmi′′(βv)1-Σ∩i=1nβv=∅∏i=1nmj′′(βv),v=1,...,q---(9)]]>
根据式(9)的计算结果，其判断出的目标类型为信任程度值m(βs)最大时所属的类型βs，s＝1,...,q。
使用Dempster组合规则进组合再次更新后的机载证据，得到机载证据的组合结果为：m(β1)＝0.9419,m(β2)＝0.0001,m(β3)＝0.0580，其中m(β1)的值最大，识别出目标类型为β1，即目标为轰炸机。
表1列出了本实例中随着机载证据的增加识别出目标为轰炸机β1的信任程度值m(β1)越大，根据融合结果可以看出，使用本发明一种机载多传感器目标识别系统与方法能有效的处理高冲突机载证据融合问题，且融合具有较好的收敛效果，能快速得到有效的进行目标识别，判断出目标类别为轰炸机。
表1