CN102393912A - 一种基于不确定推理的目标综合识别方法 - Google Patents

Abstract

本发明公开了一种基于不确定推理的目标综合识别方法，采用多种侦察设备和手段，对同一目标进行侦察，获取得到目标信息并且完成多元情报关联，对各个情报源上报的属性、类型信息基于不确定推理规则进行了DS证据融合计算，获取得到目标最终的属性和类型信息。该方法一是提高了对多个情报源信息的利用率，充分利用了不同情报侦察手段的优点；二是运用类型知识库，建立不同层面类型之间的隶属关系，通过隶属关系获取得到更具体的目标类型；三是运用DS证据理论融合方法，无需先验概率和条件概率密度，对前提条件的要求更为宽松；四是本发明可以工作在不同工作模式下，提高了目标识别可靠性。

Description

一种基于不确定推理的目标综合识别方法

技术领域

本发明涉及一种基于不确定推理的目标综合识别方法，属于军用航空电子技术领域，具体地说本发明是综合利用多种目标身份获取信息计算得到最终的目标属性、类型等信息，完成目标综合识别。

背景技术

目标识别是数据融合技术中最常用的一个功能，具有广泛的应用前景，它在军工领域有相当大的应用需求。近几年，美军正大力发展战场传感监视系统的目标识别技术。在学术界，研究者们已从许多方面对目标识别技术进行了研究，但由于问题本身具有复杂性，以及多种信号的干扰，特别是存在多噪声干扰源的复杂电磁环境，用单一侦察设备无法解决目标识别问题，问题的解决有赖于多种侦察手段的综合运用，以提高目标的正确识别率。

在多传感器数据融合系统中，各个传感器提供的信息往往是不完整的，不精确的，具有某种程度的不确定性及模糊性，甚至有可能是矛盾的。数据融合不得不依据这些不确定信息进行推理，以达到目标身份识别和属性判决的目的。可以说，不确定性推理是处理那些具有不完全、不确定、不清晰的信息或数据，是目标识别和属性级融合的基础。虽然各种不确定性推理方法都有各自的优点，但证据理论以其在不确定性的表示、量测和组合方面的优势而受到重视。证据理论是一种基于统计的数据融合分类算法，是研究认识不确定性问题的另一种理论，属于人工智能的范畴。常规的决策分析理论以概率论和数理统计为基础，该理论认为概率是由事件发生的频率作为证据完全决定的，是纯客观的，并且片面强调证据的作用，忽视人的判决作用。而主观概率理论认为，概率是人的偏好或主观意愿的度量，是纯主观的，即该理论片面强调人的判决作用，而忽视客观证据的作用。证据理论认为，对于概率推断的理解，我们不仅要强调证据的客观化而且也要重视证据估计的主观性，概率是人在证据的基础上构造出的对一命题为真的信任程度，简称为信度。因此，证据理论可以根据各种资料对系统各个部分状态的概率进行归纳与估计，并作出正确的决策。

同时，证据理论比贝叶斯推理更一般，具有以下一些优点：

(1)它具有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性。

(2)它可以依靠证据的积累，不断地缩小假设集。

(3)能够将不知道和不确定区分开来。

(4)不需要先验概率和条件概率密度。

基于不确定推理规则的DS证据理论已在模式识别和智能控制等领域取得了良好的应用。目前基于不确定推理规则的DS证据理论目标识别方法在军事目标综合识别中还没有得到实际应用。

发明内容

发明目的：本发明针对现有技术存在问题与不足提供一种充分利用不同情报侦察手段优点、获取更具体的目标类型、从而提高目标识别可靠性的基于不确定推理的目标综合识别方法。

技术方案：一种基于不确定推理的目标综合识别方法，包括如下步骤：

第一步，多元情报收集，通过多种侦察手段对目标进行探测，并将探测到的目标信息进行格式转化形成多元情报源；

第二步，多元情报关联，将收集到的多元情报源统一的同一坐标系下，通过综合多元情报源的位置和高度信息完成情报关联，获取同一坐标系下的多元情报源的属性信息；

第三步，可信度分配，根据多元情报源的属性信息获取每个情报源的可信度，或者根据所述目标信息的特性计算得到每个情报源的可信度，所述情报源的可信度为DS证据融合(DS证据融合，即基于DS证据理论的融合)计算提供依据；

第四步，DS证据融合，通过不确定推理规则对所述多元情报源的属性信息和情报源的可信度进行DS证据融合，对多元情报源的属性信息和情报源的可信度组合得到融合属性和融合可信度；其中，在DS证据融合过程中，通过对每个情报源的属性信息和情报源的可信度进行DS证据融合，得到每个情报源相应的融合属性和融合可信度；

第五步，建立类型知识库，类型知识库用于建立不同层面类型之间的隶属关系，通过隶属关系获取得到每个情报源的具体类型信息，各个情报源的类型信息可能处于不同层面，如F-16战隼和小型机属于不同层面，但又有隶属关系，通过类型知识库建立不同层面类型之间的隶属关系，便于根据隶属关系获取得到更具体的类型信息；

第六步，识别确认目标，根据情报源及其属性、具体类型信息和融合属性和融合可信度确定目标的最终属性和类型。

对于同一目标，往往能被不同侦察手段掌握，通过多种侦察手段对目标进行探测，并将探测到的目标信息进行格式转化形成多元情报源，为目标识别提供全面的原始信息；多元情报关联步骤将进入系统的多元情报源(即多个情报源)统一到同一坐标系下，并综合每个情报源的位置、高度信息完成情报关联，获得掌握同一目标的多元情报源信息；可信度分配中，对于由不同情报源获取得到的目标属性信息，其可信度可以由情报源上报的获得，也可以根据目标特性计算得到，为DS证据融合计算提供依据；通过DS证据融合，得到每个情报源相应的融合属性和融合可信度；在类型识别过程中，类型信息由于各个情报源通过不同的侦察手段获取得到，不同的侦察手段往往会获取得到不同层面的识别结果，通过类型知识库中不同层面类型之间的隶属关系，可获得具体类型信息；运用DS证据理论得到目标最终的融合属性和融合可信度，识别出目标的最终属性和类型。上述方法提高了目标识别的准确性和可靠性。

第一步中所述的侦察手段为雷达、电子侦察和技术侦察手段，多种侦察手段，是获取更全面的多元情报源。

第六步中所述识别确认目标通过自动和人工两种处理工作模式实现。

有益效果：本发明提供的基于不确定推理的目标综合识别方法，采用多种侦察设备和手段，对同一目标进行侦察，获取得到目标信息并且完成多元情报关联，对各个情报源上报的属性、类型信息基于不确定推理规则进行了DS证据融合计算，获取得到目标最终的属性和类型信息；

一是提高了对多个情报源信息的利用率，充分利用了不同情报侦察手段的优点，是ISR集成的优势体现；二是运用类型知识库，建立不同层面类型之间的隶属关系，通过隶属关系获取得到更具体的目标类型；三是运用DS证据理论融合方法，无需先验概率和条件概率密度，对前提条件的要求更为宽松；四是本发明可以工作在不同工作模式下，提高了目标识别可靠性。此外本发明识别获取的目标属性、类型信息为后续一致图像生成和服务提供了有效支撑。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例中的基于DS证据理论的融合过程图；

图3为本发明实施例的目标确认的效果图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示，本发明通过基于机器智能的自适应飞行计划航迹预测方法来进一步阐明基于不确定推理的目标综合识别方法，步骤如下：

第一步，多元情报收集：对于空中目标，通过雷达、电子侦察和技术侦察等侦察手段获探测到目标信息，并将探测到的目标信息进行格式转化形成多元情报源。

不同侦察手段获取得到的情报信息特性是各不一样的：通过雷达探测得到的情报信息能提供较为准确的位置信息，而对于目标属性，类型等特征则需要其他侦察手段获取的情报支援；对于由电子侦察探测得到的情报信息能根据辐射源特性提供类型信息，而对于位置等信息则需要其他侦察手段获取的情报支援；对于由技术侦察探测得到的情报信息在不同的情报获取方式下是不一致的，可能包含了目标的位置、属性、类型等信息。

第二步，多元情报关联：对于目标综合识别而言，由不同侦察手段获探测到的目标信息从多渠道为目标提供了情报来源，形成多元情报源。多元情报源关联过程需要将由各个情报源获取得到的不同信息进行时空对准，然后利用多元情报源中的位置、高度信息的相似性进行关联，确定同一目标的不同来源。

第三步，可信度分配，可信度分配主要确定各个情报源上报的属性、类型信息确信程度。本发明中，可信度在情报源可以上报的情况下，可以通过上报的情报源获取可信度。在情报源无法上报可信度的情况下，通过目标类型数和环境加权系数或根据目标的速度和加速度确定，基本规则如下：

(1)根据目标类型数和环境加权系数确定概率赋值

设N为目标类型数，M为传感器总数，C_i(O_j)是传感器i对目标类型O_j的关联系数，要根据具体环境而定，λ_i是传感器i的环境加权系数，真值域为[0，1]且定义：

α_i＝max{C_i(O_j)|j＝1，2，Λ，N}

${\mathrm{\ϵ}}_i=\frac{N{\mathrm{\λ}}_i}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{C}_i\left(O_j\right)},i=\mathrm{1,2},\mathrm{\Λ},M$

${\mathrm{\β}}_i=\frac{{\mathrm{\ϵ}}_i-1}{M-1},M\≥2,i=\mathrm{1,2},\mathrm{\Λ},M$

$R_i=\frac{{\mathrm{\λ}}_i{\mathrm{\α}}_i{\mathrm{\β}}_i}{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{\mathrm{\α}}_i{\mathrm{\β}}_i},i=1,\mathrm{\Λ},M$

式中，α_i是传感器i的最大相关系数，β_i是传感器i的最大相关分配值，R_i是传感器i的最大可靠性系数。

则传感器i对目标O_j的基本概率赋值为：

$m_i\left(O_j\right)=\frac{C_i\left(O_j\right)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{C}_i\left(O_j\right)+N(1-R_i)(1-{\mathrm{\λ}}_i{\mathrm{\α}}_i{\mathrm{\β}}_i)}$

传感器i的不确定性概率值为：

$m\left(\mathrm{\θ}\right)=\frac{N(1-R_i)(1-{\mathrm{\λ}}_i{\mathrm{\α}}_i{\mathrm{\β}}_i)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{C}_i\left(O_j\right)+N(1-R_i)(1-{\mathrm{\λ}}_i{\mathrm{\α}}_i{\mathrm{\β}}_i)}$

(2)利用目标速度和加速度获得基本概率赋值

设V(k)和A(k)是对应第k次扫描时的航迹速度和加速度，共有n次扫描，令

$V_m=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}V\left(k\right)$ $A_m=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}A\left(k\right)$

${\mathrm{\σ}}_V=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(V\left(k\right)-V_m)}^2}$ ${\mathrm{\σ}}_A=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(A\left(k\right)-A_m)}^2}$

则定义由航迹速度和加速度得到的基本概率赋值为：

$m_{V_a}=\min \{(\frac{V_m}{{\mathrm{\σ}}_v}\·\frac{A_m}{{\mathrm{\σ}}_A}),1\}$

第四步，DS证据融合：给定几个同一识别框架上基于不同证据(不同证据即多元情报源，也是不同的情报源)的信度函数，如果上述证据不是完全冲突的，就利用DS组合法则计算出一个信度函数，而该信度函数就可以作为在上述证据的联合作用下产生的信度函数。典型的DS证据融合如图2所示。

(1)两个信度函数的合成

设BEL₁和BEL₂是同一识别框架U上的两个信度函数，m₁和m₂分别是其对应的基本概率赋值，焦元分别为A₁，ΛΛ，A_k和B₁，ΛΛ，B_r，又设

$K=\underset{A\&cap;B_j={\mathrm{\&phi;}}_i}{\underset{i,j}{\mathrm{\&Sigma;}}}{m}_1\left(A_i\right)m_2\left(B_j\right)<1$

则

$m\left(C\right)=\left\{\begin{array}{cc}\frac{\underset{A_i\&cap;B_j=C}{\underset{i,j}{\mathrm{\&Sigma;}}}{m}_1\left(A_i\right)m_j\left(B_j\right)}{1-K}& \&ForAll;C\&Subset;U,C\&NotEqual;\mathrm{\&phi;}\\ 0& C=\mathrm{\&phi;}\end{array}\right.$

(2)多个信度函数的合成法则

设BEL₁，ΛΛ，BEL_n是同一识别框架U上的信度函数，m₁，ΛΛ，m_n是对应的基本可信度分配，如果

存在且基本可信度分配为m，则

$\&ForAll;A\&Subset;U,A\&NotEqual;\mathrm{\&phi;}$

$m\left(A\right)=K\underset{A_1\&cap;\mathrm{\&Lambda;}\&cap;A_n=A}{\underset{A_1,\mathrm{\&Lambda;},A_n\&Subset;U}{\mathrm{\&Sigma;}}}{m}_1\left(A_1\right)\mathrm{\&Lambda;}{m}_n\left(A_n\right)$

其中

$K={\left(\underset{A_1\&cap;\mathrm{\&Lambda;}\&cap;A_n\&NotEqual;\mathrm{\&phi;}}{\underset{A_1,\mathrm{\&Lambda;},A_n\&Subset;U}{\mathrm{\&Sigma;}}}{m}_1\left(A_1\right)\mathrm{\&Lambda;}{m}_n\left(A_n\right)\right)}^{-1}$

第五步，建立类型知识库：在目标识别确认过程中，类型识别由于不同情报源的探测手段不同，对于同一目标会识别在不同层面上，如F-16战隼属于小型机，小型机又属于飞机。某些侦察设备会报来F-16战隼，而有些侦察设备由于识别手段不同，而只会报来飞机等。在类型识别过程中，根据类型知识库中不同类型之间的隶属关系，可以根据不同情报源上报的类型情况，确定目标的更具体类型。

第六步，识别确认目标：基于不确定推理规则对情报源的属性、类型进行融合之后获取得到情报源的融合属性、类型和对应可信度(即获取得到目标的融合属性、类型和对应可信度)，推理规则如下：

设 $\&Exists;A_1,A_2\&Subset;U,$ 满足

$m\left(A_1\right)=\max \{m\left(A_i\right),A_i\&Subset;U\}$

$m\left(A_2\right)=\max \{m\left(A_i\right),A_i\&Subset;U,A_i\&NotEqual;A_1\}$

若有

$\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(u\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(u\right)\end{array}\right.$

则A₁为判决结果，其中ε₁，ε₂为预先设定的门限。

同时，目标识别在设计上兼顾自动和人工两种处理工作模式，在自动处理和人工处理时，都给用户提供方便操作的图形界面，如图3所示，DS证据融合结果作为推荐结果，可自动采纳，也可人工确认后采纳，通过友好的人机交互完成目标综合研判的过程。

Claims (3)

1.一种基于不确定推理的目标综合识别方法，其特征在于，包括如下步骤：

第一步，多元情报收集，通过多种侦察手段对目标进行探测，并将探测到的目标信息进行格式转化形成多元情报源；

第二步，多元情报关联，将收集到的多元情报源统一的同一坐标系下，通过综合多元情报源的位置和高度信息完成情报关联，获取同一坐标系下的多元情报源的属性信息；

第三步，可信度分配，根据多元情报源的属性信息获取每个情报源的可信度，或者根据所述目标信息的特性计算得到每个情报源的可信度，所述情报源的可信度为DS证据融合计算提供依据；

第四步，DS证据融合，通过不确定推理规则对所述多元情报源的属性信息和情报源的可信度进行DS证据融合，对多元情报源的属性信息和情报源的可信度组合得到融合属性和融合可信度；其中，在DS证据融合过程中，通过对每个情报源的属性信息和情报源的可信度进行DS证据融合，得到每个情报源相应的融合属性和融合可信度；

第五步，建立类型知识库，类型知识库用于建立不同层面类型之间的隶属关系，通过隶属关系获取得到每个情报源的具体类型信息；

第六步，识别确认目标，根据情报源及其属性、具体类型信息和融合属性和融合可信度确定目标的最终属性和类型。

2.如权利要求1所述的基于不确定推理的目标综合识别方法，其特征在于：第一步中所述的侦察手段为雷达、电子侦察和技术侦察手段。

3.如权利要求1所述的基于不确定推理的目标综合识别方法，其特征在于：第六步中所述识别确认目标通过自动和人工两种处理工作模式实现。

Images