面向大数据的DSmT近似推理及其目标识别应用研究

With the advent of the era of big data, when facing the decision, classification and recognition of a huge number of objects, although DSmT（Dezert-Smarandache Theory）has more prominent advantage and has already been more and more widely applied, however, due to the inherent limitations of DSmT, that is, with the number increase of focal elements in discernment framework, the problem of combinational computation explosion also becomes gradually prominent, which constrains the deepth and extension of DSmT application. Therefore, in this project, in order to overcome its shortcoming, on the basis of the past research of theoretical method of approximate reasoning from the point of view of rigid hierarchy, DSmT approximate reasoning theory will be studied further from the point of view of flexible hierarchy, and then, its theoretical results will be applied to infrared object recognition according to multi-feature fusion. There are four main research contents included in this project:①Study on the theoretical method of static approximate reasoning; ②Study on the theoretical method of dynamic approximate reasoning; ③Study on the theoretical method of qualitative approximate reasoning; ④Study on infrared object recognition arithmetic based on DSmT approximate reasoning theory. Through the research of this project, on the premise of ensuring the precision of fusion, the bottle-neck problem of DSmT combinational computation will be overcome, and the application of DSmT in intelligent information processing will be further extended. Moreover, it will have very important significance for our modernization reconstruction of national defence by successfully applying the theoretical results of DSmT approximate reasoning to infrared object recognition.

随着大数据时代的到来，面对海量目标种类的决策、分类和识别时，尽管DSmT（Dezert-Smarandache Theory）的优点比较突出，且其应用越来越广泛，但是，由于该理论固有的局限性，即随着鉴别焦元数目的增多，其组合计算爆炸问题也逐渐凸显，严重限制了它的应用深度和广度。因此，为了克服它的缺点，该项目拟在以往研究刚性分层递阶近似推理理论的基础上，进一步从柔性分层递阶的角度出发，深入研究DSmT近似推理理论方法，并将该理论研究成果应用到红外目标多特征融合识别上。主要包括：①研究静态近似推理理论方法；②研究动态近似推理理论方法；③研究定性近似推理理论方法；④研究基于该近似推理理论的红外目标识别算法。通过对该项目的研究，在保证融合准确率的前提下，不仅克服DSmT组合计算瓶颈问题，拓宽DSmT的智能信息处理范围，而且该理论成果在红外目标识别上的成功应用，将对我国国防现代化建设具有重要意义。

随着人类对客观世界各领域数字化程度的不断提高，每天都有大量的数据产生，使得大数据智能处理技术的需求日趋迫切。然而，由于大数据的4V（Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值））特点，尤其涉及数以千、万，甚至亿计的目标种类的决策、识别时，传统的理论方法已无能为力。即使 DSmT 理论作为非常有效的数据融合处理方法，在各个应用领域（图像处理、军事上的多目标跟踪与识别、多目标决策等）大显身手，但传统DSmT理论在实际应用过程中避免不了随着鉴别框中焦元数目（种类数目）增加而导致组合运算指数上升的瓶颈问题，从而导致其应用极大地受到限制。于是，本研究拟在 DSmT 的框架下，深入研究DSmT静态、动态和定性推理理论方法，并将其理论研究成果成功地应用到复杂背景下，红外目标多特征融合识别上。拟主要从如下四个方面展开研究：主要如下：1) 基于已有的刚性分层递阶框架，研究并提出基于K-means聚类的柔性分层递阶算法和基于动态聚类策略的多证据源融合方法；2) 结合多约束评价指标策略，研究并提出了约束条件下的DSmT动态折扣融合推理算法；3) 针对多源语义证据融合问题，考虑到序贯证据的序列性具有高效的抗干扰性能，因此本项目在这里提出了一种基于马尔科夫链的二元语义证据组合方法；4) 针对红外目标的识别问题，结合红外目标多特征和DSmT多粒度融合推理规则，提出了相应的识别模型(包括提出一种基于极限学习机与隐马尔可夫模型的序列飞机识别算法和基于局部线性嵌入和隐马尔科夫模型相结合的飞机目标识别算法)，进而有效展开了实际应用研究。通过该项目的研究，取得了丰硕的研究成果，发表标注该基金号的高水平论文20余篇，不仅在理论上有所突破，而且结合实际企事业项目需求，进行了部分成果转化；与此同时，也将DSmT近似推理方法应用到红外多目标的特征融合识别上，对我国国防现代化建设具有重要应用价值。