本發(fā)明涉及無線傳感器網(wǎng)絡中的目標分類領域，特別是指一種用于處理模糊和高沖突信息的目標識別方法。
背景技術：
：在無線傳感器網(wǎng)絡中，經(jīng)常需要通過傳感器檢測目標并對目標進行判別分類?，F(xiàn)有的目標分類方法有決策樹歸類方法、貝葉斯分類方法、支持向量機的分類方法、后向傳播分類方法等等。但是，這些分類方法大都應用于需要處理海量數(shù)據(jù)的機器學習和數(shù)據(jù)挖掘等領域，這不僅對數(shù)據(jù)量要求高，而且對于機器的存儲、計算能力也有很高要求。相反，在無線傳感器網(wǎng)絡應用中，由于傳感器節(jié)點可用的能量有限，內(nèi)部存儲容量、數(shù)據(jù)處理能力以及通信帶寬等資源嚴重受限，因此需要開發(fā)一種輕量級的方法應用于無線傳感器領域中的目標檢測分類問題。再者，受尺寸、傳感器制作工藝以及真實環(huán)境中復雜的干擾因素影響，無線傳感器網(wǎng)絡中節(jié)點收集到的信息不僅有很高的模糊性而且經(jīng)常具有較高的沖突。若將每個節(jié)點收集到的模糊和沖突信息丟棄，只利用節(jié)點的精準信息勢必會導致目標檢測的不準確，甚者是錯誤的結果，因此有效的處理模糊和高沖突信息顯得尤為重要。雖然現(xiàn)在有相關的數(shù)據(jù)融合算法，但有的實際上并不能解決沖突信息，即使有的算法能解決但還是普遍存在計算量過大，焦元產(chǎn)生不合理而出現(xiàn)“焦元爆炸”的問題?；谝陨显?，如何找到一種算法，在保證低計算量的同時，能處理節(jié)點間模糊和高沖突信息仍然是一個研究的重點。技術實現(xiàn)要素：本發(fā)明要解決的技術問題是提供一種用于處理模糊和高沖突信息的目標識別方法，能夠在保證低計算量和保留節(jié)點間沖突以及不確定信息的前提下，準確、快速的識別被檢測目標。為解決上述技術問題，本發(fā)明實施例提供一種用于處理模糊和高沖突信息的目標識別方法，包括：獲取被檢測目標的多個證據(jù)，所述多個證據(jù)為包含模糊和高沖突信息的多個證據(jù)；根據(jù)所述被檢測目標確定相應的辨識框架，并根據(jù)確定的所述辨識框架，得到所述辨識框架下的單焦元，所述單焦元為具有支持信息的模糊和高沖突信息單焦元；根據(jù)得到的單焦元，將具有支持信息的模糊和高沖突信息單焦元通過新的組合方式合并成新的焦元，得到由新焦元組成的形冪集，其中，所述新的組合方式為利用算子符號◇進行合并；根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元以及基本置信度指派函數(shù)，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)進行融合得到用于進行目標識別的初步合成結果；根據(jù)所述辨識框架和初步合成結果，按照預設的決策規(guī)則識別所述被檢測目標。進一步地，所述獲取被檢測目標的多個證據(jù)包括：通過目標信息收集節(jié)點中的各傳感器節(jié)點獲取被檢測目標的m個特征觀測值，其中，所述m個特征觀測值包含模糊和高沖突信息；將獲取到的m個特征觀測值轉換成包含模糊和高沖突信息的s個證據(jù)。進一步地，所述根據(jù)所述被檢測目標確定相應的辨識框架，并根據(jù)確定的所述辨識框架，得到所述辨識框架下的單焦元包括：根據(jù)所述被檢測目標，確定相應的辨識框架ψ＝{ε1,ε2,…,εn}，其中，εi表示被檢測目標所有可能取值中的一種，所述辨識框架表示被檢測目標所有可能取值的集合；根據(jù)確定的辨識框架，利用基本置信度指派函數(shù)得到辨識框架下的單焦元β；具體的：對于任一屬于辨識框架ψ的子集β，存在函數(shù)m，當滿足2ψ→[0,1]和關系式時，得到辨識框架下的單焦元β；其中，m(β)為辨識框架冪集2ψ到區(qū)間[0,1]的一個映射；若m(β)>0，且β∈2ψ，則稱β為單焦元。進一步地，所述根據(jù)得到的單焦元，將具有支持信息的模糊和高沖突信息單焦元通過新的組合方式合并成新的焦元，得到由新焦元組成的形冪集包括：將獲得的單焦元β相互關聯(lián)來支持辨識框架中的相應元素得到新的焦元集合其中，γ表示形冪集，γ0,γ1,γ2,…,γn表示單焦元，表示非單焦元，包含有單焦元之間的模糊和高沖突信息，γ＝{φ，β1，β2，...，βn，β1◇β2，β1◇β3，...，β1◇βn，β2◇β3，β2◇β4，...，β2◇βn，......}，◇表示算子符號。進一步地，若辨識框架ψ＝{ε1,ε2,ε3}，相應單焦元為β1，β2，β3；則：γ0＝φ，即γ0不包含任何單焦元的信息；形冪集γ＝{γ0,γ1,γ2,…,γ7}，其中，n＝3，所以該形冪集的勢為23＝8，該形冪集最后一位元素的下標為2n-1＝7，其中，γi(i＝1,2,3)中僅包含對單個βi的支持信息，則僅包含單個的βi元素；當γi(i>3)時，γi中含有對多個辨識框架中的元素的支持信息，包含所有涉及到的元素，而不包含沒有涉及到的元素，其中，γ5＝β1◇β3，所述γ5含有支持β1和β3的有用信息，β1◇β3不等于β1與β3的交集，β1◇β3僅表示β1和β3都存在。進一步地，所述基于邏輯運算的信息合成規(guī)則包括：兩個相同單焦元結合則以確定的原焦元形式保留，但會增加該單焦元的置信度；一個單焦元和一個支持該單焦元的非單焦元結合生成一個新焦元，且可增加該單焦元的置信度；兩個不同單焦元以包含這兩個單焦元信息部分結合生成一個新的焦元；一個單焦元和一個不支持該單焦元的非單焦元相結合生成一個新的焦元，該新焦元中包含以上單焦元和非單焦元所包含的所有焦元信息；兩個非單焦元結合生成一個新的焦元，該新焦元中包含這兩個非單焦元含有的所有焦元信息。進一步地，所述根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元以及基本置信度指派函數(shù)，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)進行融合得到用于進行目標識別的初步合成結果包括：根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)按照第一公式和第二公式進行融合得到用于進行目標識別的初步合成結果；其中，所述第一公式表示為：m(γ0)＝0；所述第二公式表示為：γ≠γ0且βj∈ψ；其中，當|γ|＝1時，β1&β2&…&βn＝γ，且β1，β2，…，βn中至少有n-1個等于γ；當|γ|≥2時，β1|β2|…|βn＝γ，并排除|γ|＝1的組合，mi(βj)表示證據(jù)i對于βj的置信值。進一步地，所述根據(jù)所述辨識框架和初步合成結果，按照預設的決策規(guī)則識別所述被檢測目標包括：根據(jù)所述辨識框架和初步合成結果，利用信息融合方法，得到被檢測目標為辨識框架中元素εi的概率值；選取概率值最大時的εi作為被檢測目標的取值。進一步地，所述方法還包括：若得到的被檢測目標為辨識框架中各目標的概率值相等；則此次識別無效，返回執(zhí)行通過目標信息收集節(jié)點中的各傳感器節(jié)點獲取被檢測目標的多個證據(jù)的步驟。本發(fā)明的上述技術方案的有益效果如下：上述方案中，通過獲取被檢測目標的多個證據(jù)，所述多個證據(jù)為包含模糊和高沖突信息的多個證據(jù)；根據(jù)所述被檢測目標確定相應的辨識框架，并根據(jù)確定的所述辨識框架，得到所述辨識框架下的單焦元，所述單焦元為具有支持信息的模糊和高沖突信息單焦元；根據(jù)得到的單焦元，將具有支持信息的模糊和高沖突信息單焦元通過新的組合方式合并成新的焦元，得到由新焦元組成的形冪集，其中，所述新的組合方式為利用算子符號◇進行合并，這樣的合并方式簡單、易操作，能夠最大程度上減少焦元的數(shù)量，避免了焦元爆炸的可能性，并降低了計算量；然后，根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元以及基本置信度指派函數(shù)，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)進行融合得到用于進行目標識別的初步合成結果；根據(jù)所述辨識框架和初步合成結果，按照預設的決策規(guī)則識別所述被檢測目標，從而得到被檢測目標的類別；所述初步合成結果保留了模糊和高沖突信息，且體現(xiàn)了有用信息再分配的思路，從而能夠保證模糊和高沖突信息的高效利用，并且能夠提高被檢測目標分類的準確率。附圖說明圖1為本發(fā)明實施例提供的用于處理模糊和高沖突信息的目標識別方法的流程示意圖；圖2為本發(fā)明實施例提供的形冪集的圖形表達形式示意圖；圖3為本發(fā)明實施例提供的應用場景示意圖；圖4為本發(fā)明實施例提供的圖3應用場景中某個具體的小組部署情況示意圖；圖5為本發(fā)明實施例提供的初步合成結果示意圖。具體實施方式為使本發(fā)明要解決的技術問題、技術方案和優(yōu)點更加清楚，下面將結合附圖及具體實施例進行詳細描述。實施例一如圖1所示，本發(fā)明實施例提供的用于處理模糊和高沖突信息的目標識別方法，包括：s101，獲取被檢測目標的多個證據(jù)，所述多個證據(jù)為包含模糊和高沖突信息的多個證據(jù)；s102，根據(jù)所述被檢測目標確定相應的辨識框架，并根據(jù)確定的所述辨識框架，得到所述辨識框架下的單焦元，所述單焦元為具有支持信息的模糊和高沖突信息單焦元；s103，根據(jù)得到的單焦元，將具有支持信息的模糊和高沖突信息單焦元通過新的組合方式合并成新的焦元，得到由新焦元組成的形冪集，其中，所述新的組合方式為利用算子符號◇進行合并；s104，根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元以及基本置信度指派函數(shù)，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)進行融合得到用于進行目標識別的初步合成結果；s105，根據(jù)所述辨識框架和初步合成結果，按照預設的決策規(guī)則識別所述被檢測目標。本發(fā)明實施例所述的用于處理模糊和高沖突信息的目標識別方法，通過獲取被檢測目標的多個證據(jù)，所述多個證據(jù)為包含模糊和高沖突信息的多個證據(jù)；根據(jù)所述被檢測目標確定相應的辨識框架，并根據(jù)確定的所述辨識框架，得到所述辨識框架下的單焦元，所述單焦元為具有支持信息的模糊和高沖突信息單焦元；根據(jù)得到的單焦元，將具有支持信息的模糊和高沖突信息單焦元通過新的組合方式合并成新的焦元，得到由新焦元組成的形冪集，其中，所述新的組合方式為利用算子符號◇進行合并，這樣的合并方式簡單、易操作，能夠最大程度上減少焦元的數(shù)量，避免了焦元爆炸的可能性，并降低了計算量；然后，根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元以及基本置信度指派函數(shù)，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)進行融合得到用于進行目標識別的初步合成結果；根據(jù)所述辨識框架和初步合成結果，按照預設的決策規(guī)則識別所述被檢測目標，從而得到被檢測目標的類別；所述初步合成結果保留了模糊和高沖突信息，且體現(xiàn)了有用信息再分配的思路，從而能夠保證模糊和高沖突信息的高效利用，并且能夠提高被檢測目標分類的準確率。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，所述獲取被檢測目標的多個證據(jù)包括：通過目標信息收集節(jié)點中的各傳感器節(jié)點獲取被檢測目標的m個特征觀測值，其中，所述m個特征觀測值包含模糊和高沖突信息；將獲取到的m個特征觀測值轉換成包含模糊和高沖突信息的s個證據(jù)。本實施例中，當被檢測目標出現(xiàn)時，可以通過目標信息收集節(jié)點中的各傳感器節(jié)點獲取所述被檢測目標的目標信息，其中，所述目標信息包含模糊和高沖突信息；接著，對獲取到的所述被檢測目標的目標信息進行特征提取，得到所述被檢測目標的m個特征觀測值，所述特征觀測值可用于目標識別，m個特征觀測值可以分別記為o1，o2，……，om。本實施例中，可以基于基本信度分配(basicbeliefassignment，bba)模型，將獲取到的m個特征觀測值轉換成包含模糊和高沖突信息的s個證據(jù)，所述s個證據(jù)，可以分別記為e1，e2，……，es。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，所述根據(jù)所述被檢測目標確定相應的辨識框架，并根據(jù)確定的所述辨識框架，得到所述辨識框架下的單焦元包括：根據(jù)所述被檢測目標，確定相應的辨識框架ψ＝{ε1,ε2,…,εn}，其中，εi表示被檢測目標所有可能取值中的一種，所述辨識框架表示被檢測目標所有可能取值的集合；根據(jù)確定的辨識框架，利用基本置信度指派函數(shù)得到辨識框架下的單焦元β；具體的：對于任一屬于辨識框架ψ的子集β，存在函數(shù)m，當滿足2ψ→[0,1]和關系式時，得到辨識框架下的單焦元β；其中，m(β)為辨識框架冪集2ψ到區(qū)間[0,1]的一個映射；若m(β)>0，且β∈2ψ，則稱β為單焦元。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，所述根據(jù)得到的單焦元，將具有支持信息的模糊和高沖突信息單焦元通過新的組合方式合并成新的焦元，得到由新焦元組成的形冪集包括：將獲得的單焦元β相互關聯(lián)來支持辨識框架中的相應元素得到新的焦元集合其中，γ表示形冪集，γ0,γ1,γ2,…,γn表示單焦元，表示非單焦元，包含有單焦元之間的模糊和高沖突信息，γ＝{φ,β1,β2,…,βn,β1◇β2,β1◇β3,…,β1◇βn,β2◇β3,β2◇β4,…,β2◇βn,……}，◇表示算子符號。本實施例中，將獲得的單焦元β相互關聯(lián)來支持辨識框架中的相應元素得到新的焦元集合因為所得的新焦元集合γ與冪集形式相似，可以稱該新焦元集合為形冪集。本實施例中，新焦元βi◇…◇βj(1≤i≤j≤n)是由單焦元β1,β2,…,βn所組成的，他們包含有單焦元βi，…，βj之間的模糊和高沖突信息，因此新焦元βi◇…◇βj含有支持βi，…，βj的有用信息，而且僅支持βi，…，βj。本實施例中，通過定義新的焦元，可以確保收集到的高沖突信息和模糊信息能夠被局部化，可以精準的表述處理的高沖突信息和模糊信息分別來源于哪些確定的單焦元。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，若辨識框架ψ＝{ε1,ε2,ε3}，相應單焦元為β1，β2，β3；則：γ0＝φ，即γ0不包含任何單焦元的信息；形冪集γ＝{γ0,γ1,γ2,…,γ7}，其中，n＝3，所以該形冪集的勢為23＝8，該形冪集最后一位元素的下標為2n-1＝7，其中，γi(i＝1,2,3)中僅包含對單個βi的支持信息，則僅包含單個的βi元素；當γi(i>3)時，γi中含有對多個辨識框架中的元素的支持信息，包含所有涉及到的元素，而不包含沒有涉及到的元素，其中，γ5＝β1◇β3，所述γ5含有支持β1和β3的有用信息，β1◇β3不等于β1與β3的交集，β1◇β3僅表示β1和β3都存在。本實施例中，為了能夠更加直觀的表現(xiàn)出新焦元γ所包含的單焦元和相關焦元關于被檢測目標進行分類的支持信息，可以通過圖形的形式來表示新焦元，為了簡潔明了，僅以三個元素為例，將新焦元通過圖形進行表達，如圖2所示：第一，在圖2中，辨識框架ψ＝{ε1,ε2,ε3}；第二，在圖2中，γ0＝φ，即γ0不包含任何ε焦元的信息；第三，在圖2中，形冪集γ＝{γ0,γ1,γ2,…,γ7}，其中，n＝3，所以該形冪集的勢為23＝8，該形冪集最后一位元素的下標為2n-1＝7，其中，γi(i＝1,2,3)中僅包含對單個εi的支持信息，因此僅包含單個的βi元素；而對于γi(i>3)時，γi中含有對多個辨識框架中的元素的支持信息，所以包含所有涉及到的元素，而不包含沒有涉及到的元素，例如，γ5＝β1◇β3，此時γ5僅含有支持β1和β3的有用信息；第四，在圖2中，同理可得，當i>3時，各種γi表示形式；第五，圖2只是對該新焦元的圖形表示，其中，β1◇β3不等于β1與β3的交集，β1◇β3僅表示β1和β3都存在。本實施例中，通過舉例對支持信息進行說明，例如，傳感器節(jié)點1，覺得當前被檢測目標是自行車，那么他為什么認為這是自行車，需要有相關的證據(jù)證明，這就是支持信息。本實施例中，可以將形冪集γ分成兩個不同的類，一類是單焦元，如γ0,γ1,γ2,…,γn，另一類是非單焦元(包含單焦元的模糊信息和沖突信息)如本實施例中，所述基于邏輯運算的信息合成規(guī)則包括：兩個相同單焦元結合則以確定的原焦元形式保留，但會增加該單焦元的置信度；一個單焦元和一個支持該單焦元的非單焦元結合生成一個新焦元，且可增加該單焦元的置信度；兩個不同單焦元以包含這兩個單焦元信息部分結合生成一個新的焦元；一個單焦元和一個不支持該單焦元的非單焦元相結合生成一個新的焦元，該新焦元中包含以上單焦元和非單焦元所包含的所有焦元信息；兩個非單焦元結合生成一個新的焦元，該新焦元中包含這兩個非單焦元含有的所有焦元信息。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，所述根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元以及基本置信度指派函數(shù)，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)進行融合得到用于進行目標識別的初步合成結果包括：根據(jù)各個證據(jù)所支持的信息和形冪集中新焦元，利用基于邏輯運算的信息合成規(guī)則，將所述包含模糊和高沖突信息的多個證據(jù)按照第一公式和第二公式進行融合得到用于進行目標識別的初步合成結果；其中，所述第一公式表示為：m(γ0)＝0；所述第二公式表示為：γ≠γ0且βj∈ψ；其中，當|γ|＝1時，β1&β2&…&βn＝γ，且β1，β2，…，βn中至少有n-1個等于γ；當|γ|≥2時，β1|β2|…|βn＝γ，并排除|γ|＝1的組合，mi(βj)表示證據(jù)i對于βj的置信值。本實施例中，所述初步合成結果可以表示為：pc1，pc2，……，pct，所述初步合成結果包括各個證據(jù)的模糊和高沖突信息。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，所述根據(jù)所述辨識框架和初步合成結果，按照預設的決策規(guī)則識別所述被檢測目標包括：根據(jù)所述辨識框架和初步合成結果，利用信息融合方法，得到被檢測目標為辨識框架中元素εi的概率值；選取概率值最大時的εi作為被檢測目標的取值。在前述用于處理模糊和高沖突信息的目標識別方法的具體實施方式中，進一步地，所述方法還包括：若得到的被檢測目標為辨識框架中各目標的概率值相等；則此次識別無效，返回執(zhí)行通過目標信息收集節(jié)點中的各傳感器節(jié)點獲取被檢測目標的多個證據(jù)的步驟。實施例二本實施例還提供一個用于處理模糊和高沖突信息的目標識別系統(tǒng)，所述系統(tǒng)用于實現(xiàn)本發(fā)明實施例所述的用于處理模糊和高沖突信息的目標識別方法，所述系統(tǒng)包括：目標檢測節(jié)點、目標信息收集節(jié)點、信息處理節(jié)點、判別節(jié)點；所述目標檢測節(jié)點、目標信息收集節(jié)點、信息處理節(jié)點、判別節(jié)點都是無線傳感器網(wǎng)絡中的傳感器節(jié)點；所述目標檢測節(jié)點、目標信息收集節(jié)點可以是相同的傳感器節(jié)點也可以是不同的傳感器節(jié)點。所述系統(tǒng)的工作流程可以包括:通過目標檢測節(jié)點跟蹤運動目標，若被檢測目標出現(xiàn)時則通知目標信息收集節(jié)點中的各傳感器節(jié)點可以開始對被檢測目標的目標信息進行收集，收集到的目標信息包括：模糊和高沖突信息；所述目標信息收集節(jié)點還用于對收集到的所述被檢測目標的目標信息進行特征提取，得到所述被檢測目標的m個特征觀測值，并向信息處理節(jié)點發(fā)送m個特征觀測值，將將m特征觀測值轉換成n個證據(jù)并將n個證據(jù)發(fā)送到信息處理節(jié)點；信息處理節(jié)點用于對接收到的n個證據(jù)進行處理，得到用于進行目標識別的初步合成結果，并將初步合成結果發(fā)送到判別節(jié)點；判別節(jié)點自身存儲著辨識框架中包括被檢測目標所有可能取值的集合，用于在收到來自信息處理節(jié)點的初步合成結果后，結合自身存儲著的被檢測目標所有可能取值的集合，按照預設的決策規(guī)則識別所述被檢測目標，從而確定被檢測目標的類別。本實施例中，在設置信息處理節(jié)點時，為了保證被檢測目標類別判斷的實時性，將單獨的傳感器節(jié)點作為信息處理節(jié)點，而不是使用目標信息收集節(jié)點作為信息處理節(jié)點，能夠保證信息處理節(jié)點工作性質(zhì)的單一性，以提高信息處理節(jié)點的工作效率，從而更加準確，快速的判斷被檢測目標的類別。實施例三為了更好地理解本發(fā)明本實施例所述的用于處理模糊和高沖突信息的目標識別方法，結合具體的例子，對本實施例所述的用于處理模糊和高沖突信息的目標識別方法和系統(tǒng)進行詳細說明：如圖3所示，當前應用場景為交通系統(tǒng)中的車輛識別領域。將一些磁傳感器節(jié)點和圖像傳感器節(jié)點分別部署在道路的兩邊?？梢詫⑦@些節(jié)點每隔一段距離分成一個集群，每個小組內(nèi)包含磁傳感器節(jié)點和圖像傳感器節(jié)點，這些磁傳感器節(jié)點和圖像傳感器節(jié)點之間可以相互通信且價格低廉，形成一種異構傳感器網(wǎng)絡；其中，磁傳感器節(jié)點可以充當目標檢測節(jié)點，用于檢測被檢測目標是否出現(xiàn)，以及在檢測到被檢測目標后，這些傳感器節(jié)點又可以充當目標信息收集節(jié)點，用于對被檢測目標的目標信息進行收集。在其他的具體實施使用中，也可以將傳感器節(jié)點分為兩類，一類是用于對被檢測目標進行跟蹤檢測的目標檢測節(jié)點，以檢測被檢測目標是否出現(xiàn)；另一類是用于對對被檢測目標的目標信息進行收集的目標信息收集節(jié)點。另外，部分圖像傳感器節(jié)點也可以用于目標信息的收集，另一部分圖像傳感器節(jié)點可用于充當信息處理節(jié)點以對收集到的所有目標信息進行處理。最后是判別節(jié)點，又可以描述為簇首節(jié)點，該節(jié)點是事先預留的節(jié)點，判別節(jié)點自身先存儲著辨識框架中包括被檢測目標所有可能取值的集合，用于在收到來自信息處理節(jié)點的初步合成結果后，結合自身存儲著的被檢測目標所有可能取值的集合，按照預設的決策規(guī)則識別所述被檢測目標，從而確定目標的類別。初始狀態(tài)時，目標檢測節(jié)點處于活動狀態(tài)，目標信息收集節(jié)點、信息處理節(jié)點和判別節(jié)點均處于休眠狀態(tài)。當目標檢測節(jié)點檢測到被檢測目標出現(xiàn)后，目標檢測節(jié)點就會對被檢測目標進行跟蹤并通知目標信息收集節(jié)點可以開始對被檢測目標的目標信息進行收集，同時喚醒信息處理節(jié)點；當信息處理節(jié)點對目標信息收集節(jié)點收集的信息進行初步合成之后，喚醒判別節(jié)點，后信息處理節(jié)點將得到的初步合成結果發(fā)送給喚醒后的判別節(jié)點，判別節(jié)點結合自身存儲著的被檢測目標所有可能取值的集合，按照預設的決策規(guī)則識別所述被檢測目標，從而確定目標的類別。圖4是圖3應用場景中某個具體的部署情況及道路情況，其中，包括四個目標檢測節(jié)點(磁傳感節(jié)點16、17、30、31，他們也是目標信息收集節(jié)點)，2個目標信息收集節(jié)點(圖像傳感器節(jié)點52和53)，一個時鐘同步節(jié)點60(用于調(diào)節(jié)各傳感器節(jié)點的時間，以保證各節(jié)點間的時鐘保持一致)，兩個信息處理節(jié)點(傳感器節(jié)點12和13)，一個判別節(jié)點(傳感器節(jié)點50)。其中傳感器節(jié)點16、17、30、31這四個目標檢測節(jié)點在檢測到被檢測目標出現(xiàn)之后跟蹤被檢測目標，并對被檢測目標的目標信息進行收集，與圖像傳感器節(jié)點52和53收集到的目標信息共同形成目標信息，對形成的目標信息進行特征提取，得到特征觀測值，將特征觀測值利用bba模型轉換成證據(jù)，最后將轉換后的證據(jù)發(fā)送到信息處理節(jié)點(傳感器節(jié)點12)；信息處理節(jié)點對接收到的n個證據(jù)進行處理，得到用于進行目標識別的初步合成結果，并將初步合成結果發(fā)送到判別節(jié)點50進行判斷，判別節(jié)點50在收到來自信息處理節(jié)點的初步合成結果后，結合自身存儲著的被檢測目標所有可能取值的集合，按照預設的決策規(guī)則識別所述被檢測目標，從而確定被檢測目標的類別。以本次應用場景中最常見的自行車和電動車為例，本實施例所述的用于處理模糊和高沖突信息的目標識別方法的具體步驟可以包括：步驟1，即對車輛進行判別，判斷該車輛為自行車還是電動車，因此，該應用場景中的辨識框架ψ即為{bicycle,electromobile}。步驟2，由各個目標檢測節(jié)點根據(jù)自身采集的信息計算出目標狀態(tài)信息并確定被檢測目標是否出現(xiàn)，在確定被檢測目標出現(xiàn)后目標信息收集節(jié)點對被檢測目標的目標信息進行收集，在該具體實施例中，收集的目標信息為車輛的整體輪廓。在收集到車輛的目標信息后還需要對車輛的目標信息進行特征提取以轉化為辨別目標類別的證據(jù)，提取到的特征包括但不限于：車輛輪胎高度的平均值，車輛高度，基于基本信度分配模型，將獲取到的3個特征觀測值轉換成3個證據(jù)，具體的：將證據(jù)1定義為，車輛輪胎高度的平均值(tirehei)與車輛整體的高度之比(bikehei)；將證據(jù)2定義為，將車輛輪廓縱切4份，取離車尾最近一部分的車輛高度(bike1)與車輛整體的高度(bikehei)之比；將證據(jù)3定義為，車輛輪廓的實際周長的平方(bipersq)與車輛輪廓的實際面積(bikearea)之比。步驟3，目標信息收集節(jié)點得到3個證據(jù)后，將3個證據(jù)發(fā)送到信息處理節(jié)點，以便信息處理節(jié)點對3個證據(jù)構建基本置信度指派函數(shù)。在結合經(jīng)驗概率值的情況下，對所選的3個證據(jù)做如下的基本置信度指派函數(shù)。證據(jù)1的基本置信指派函數(shù)：定義e1＝tirehei/bikehei其中，m(bicycle)表示當證據(jù)e1的值大于等于0.9或者小于0.9時，利用該證據(jù)求得當前目標為bicycle的基本置信度指派函數(shù)值；m(electromobile)表示當證據(jù)e1的值大于等于0.9或者小于0.9時，利用該證據(jù)求得當前目標為electromobile的基本置信度指派函數(shù)值。證據(jù)2的基本置信指派函數(shù)：定義e2＝bike1/bikehei其中，m(bicycle)表示當證據(jù)e2的值大于等于0.7或者小于0.7時，利用該證據(jù)求得當前目標為bicycle的基本置信度指派函數(shù)值；m(electromobile)表示當證據(jù)e2的值大于等于0.7或者小于0.7時，利用該證據(jù)求得當前目標為electromobile的基本置信度指派函數(shù)值。證據(jù)3的基本置信指派函數(shù)：定義e3＝bipersq/bikearea其中，m(bicycle)表示當證據(jù)e3的值大于等于20或小于等于16或者大于16且小于20時，利用該證據(jù)求得當前目標為bicycle的基本置信度指派函數(shù)值；m(electromobile)表示當證據(jù)e3的值大于等于20或小于等于16或者大于16且小于20時，利用該證據(jù)求得當前目標為electromobile的基本置信度指派函數(shù)值。步驟4，利用步驟3中所得3個證據(jù)的基本置信度指派函數(shù)值，再利用上述公式m(γ0)＝0和公式γ≠γ0且βi∈ψ求得辨識框架的形冪集。本實施例中，若3條證據(jù)的基本置信度指派值分別為表1所示時，相對應的形冪集由表2所示組成。表1舉例中證據(jù)的基本置信度指派值m(bicycle)m(electromobile)e10.90.1e200.2e30.70.1表2形冪集β1β2β1◇β2e10.90000.10000e200.02000.1800e30.63000.02800.0140步驟5，由于收集到的證據(jù)相對于傳感器節(jié)點自身來說都是百分之百可信的，不存在模糊或者沖突信息，所謂的沖突信息是傳感器節(jié)點之間的相對信息，下面可以通過相對沖突率公式求得不同證據(jù)間關系的相對沖突以表示信息之間的沖突，用于進行數(shù)分析，其中相對沖突率公式為：一般情況下，當相對沖突率cr大于0.5時就可認為信息間是高沖突的；舉例說明：就拿本專利的具體實施例說明，可能傳感器節(jié)點1，認為當前目標為自行車的概率為0.6，則該節(jié)點認為目標為自行車，而節(jié)點2則認為當前目標為自行車概率為0.4，而為電動車的概率為0.6，則該節(jié)點認為該目標為電動車，那么這就是沖突的，因為當前目標是確定的種類，只是你檢測的時候因為檢測到的信息不同，所以認為不同而已，但是因為兩個節(jié)點認為它是自行車或電瓶車是有一定證據(jù)的，所以這些證據(jù)就是沖突的，所以這種沖突信息就可以被利用起來。根據(jù)上述步驟4中3個證據(jù)的基本置信度指派值以及所得的形冪集結果，可以利用相對沖突率公式(13)求得以上3條證據(jù)之間的相對沖突率，其中，證據(jù)1和證據(jù)2之間的相對沖突率為0.98，證據(jù)1和證據(jù)3之間的相對沖突率為0.36，證據(jù)2和證據(jù)3之間的相對沖突率為0.82，由此可知，采集到的數(shù)據(jù)具有很高的沖突程度。步驟6，在得到了3個證據(jù)的基本置信度指派值以及所得的形冪集結果之后，可以根據(jù)證據(jù)的基本置信度指派值以及所得的形冪集結果，得到初步的數(shù)據(jù)合成結果。在具體實施例中，使用的是基于無線傳感器網(wǎng)絡的道路交通信息采集平臺在真實的道路場景中收集到的實際數(shù)據(jù)，其中，包括47輛自行車和73輛電動車，共120輛車。圖5表示的是該具體實施例中的根據(jù)真實數(shù)據(jù)中，畫出了合成后所有樣本車輛的確定單焦元置信值的分布結果，其中，橫坐標代表120輛車，縱坐標代表置信值。在具體的實施例中，有些應用對于系統(tǒng)的實時性要求比較高，可能會要求算法的處理時間，此處給出該包含3個證據(jù)的時間復雜度公式，用以表示在包含3個證據(jù)時，利用該系統(tǒng)處理信息時的時間復雜度，其中，時間復雜度公式為：其中，nclocks表示的是消耗的時間周期數(shù)，f為時鐘的頻率。步驟7，判別節(jié)點在收到來自信息處理節(jié)點的初步合成結果之后，將該合成結果與自身存儲的判別規(guī)則進行比較做出對中的判斷，即判斷當前該車輛歸屬類別。在具體實施例中本次設置的決策規(guī)則為：若p(bicycle)>p(electromobile)，則被檢測目標為bicycle；若p(bicycle)<p(electromobile)，則被檢測目標為electromobile；若p(bicycle)＝p(electromobile)，則不確定被檢測目標為bicycle還是electromobile。需再次通過目標信息收集節(jié)點中的各傳感器節(jié)點獲取被檢測目標的m個特征觀測值，重新判斷被檢測目標的類別。圖5中橫坐標表示100輛進行實驗檢測的樣本車，其中前37輛車的真實車型為自行車，后63輛車的真實車型為電動車車輛的識別精度可由識別精度公式求得，其中，求識別精度ia的公式為：利用識別精度公式求得，自行車的識別精度ia為0.783，電動車的識別精度ia為0.889，所有車輛的識別精度ia為0.85。最后，在判別節(jié)點內(nèi)得到的車輛的識別結果后，將該判斷類別作為最終的結果輸出。綜上，利用由多種傳感器節(jié)點構成的異構傳感器網(wǎng)絡來對運動目標進行跟蹤檢測和收集目標信息。該方法結合來自目標信息收集節(jié)點和信息處理節(jié)點的信息來綜合判斷被檢測目標車輛的類別，使用廉價的傳感器節(jié)點充當目標檢測節(jié)點以及目標信息收集節(jié)點，由于其使用簡單，計算速度快，可以對被檢測目標進行實時跟蹤。需要說明的是，在本文中，諸如第一和第二等之類的關系術語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關系或者順序。以上所述是本發(fā)明的優(yōu)選實施方式，應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。當前第1頁12