CN103778342A - 一种基于区间数和证据理论的辐射源识别算法 - Google Patents

Abstract

本发明针对多传感器目标识别问题，公开了一种基于区间数和证据理论的辐射源识别算法。该算法利用区间理论来描述辐射源参数的不确定性，通过加权相似度构建区间证据的基本概率赋值BPA，再根据证据组合规则融合计算，依次得到每个传感器识别目标特征参数的BPA、所有传感器识别目标特征参数的BPA，最后利用自适应证据判决准则完成对目标识别。该算法解决了传感器探测不确定性数据处理难和BPA形成主观性大的问题；同时，利用一种自适应的证据判决识别的方法，双门限的构造基于BPA本身，避免了主观性，提高了识别率。

Description

一种基于区间数和证据理论的辐射源识别算法

技术领域

本发明涉及数据融合算法，尤其涉及一种多传感器目标识别算法。

背景技术

在多传感器目标识别领域，由于战场电磁环境的日益复杂性，传感器种类的异类性，使得传感器探测的数据参数往往存在不确定性，形式多种多样，对传感器识别提出了新的挑战。产生这种不确定性的原因有很多，例如传感器技术的发展，自身产生多种类型的辐射参数，传感器类型不一致导致量测的数据形式不一致，以及设备测量误差和各种干扰技术的影响都会使量测数据存在不确定性。

当前解决这种不确定性的研究方法主要是不局限于标量形式数据，而采用能够描述不确定性的区间类型数据来解决。区间理论在数学领域有深入的研究，所以用它来描述这种不确定性是有坚实的数学基础的。关于区间理论的研究主要有区间模糊推理方法、区间神经网络方法和动态聚类方法等，这些方法都只对区间理论本身进行研究，而在传感器识别领域应用不多。由于区间理论能够描述传感器识别参数的不确定性，可以为区间类型参数传感器识别提供理论基础，所以如何将区间理论运用到传感器识别上来，采用什么样的方法来对区间类型参数传感器进行识别还有待进一步讨论。因此，迫切要求寻找一种能够解决区间类型参数传感器的识别方法。

发明内容

为了解决区间类型传感器识别问题，本发明公开了一种基于区间数和证据理论的辐射源识别算法。该算法利用区间理论来描述辐射源参数的不确定性，采用证据理论对辐射源识别进行组合判定，研究区间数的相似度测度，结合证据理论信度区间的构造形成区间证据。将描述参数不确定性的区间数作为证据理论的一条证据，把区间相似度测度归一化得到证据间的相互支持度作为证据权重，加权区间相似度形成证据理论基本概率赋值(Basic ProbabilityAssignment)BPA，解决了当前BPA多数情况下主观赋值难的问题，再利用证据理论组合规则对BPA进行组合，提出一种根据BPA变化的自适应双门限证据判决准则对证据信任度进行判决，得到判决识别结果，实现了对区间类型参数传感器的识别。

本发明提出的基于区间数和证据理论的辐射源识别算法流程如图1所示，主要包括以下技术措施。

①基于区间数目标识别参数描述

设由n部传感器S_i(i＝1，2，…，n)和一个融合中心处理器构成的信息融合系统，对公共观测区域内的目标进行观测。假设每部传感器观测到目标脉冲重复频率PRF、脉宽PW和脉冲工作频率RF三类特征，对于每类特征每部传感器的观测结果有m种可能情况R_j(j＝1，2，…，m)，分别对应数据库内m种目标身份。目的就是通过融合中心对n部传感器数据进行融合，识别目标归属m种目标身份中的哪一类，如果为多目标识别则识别为某些类别。由于传感器的异类性和量测的不确定性使得探测的特征参数不确定性增加，本发明用区间数来描述这种不确定性，所以每个传感器探测到的数据可以记为：

${\mathrm{prf}}^i=\left(\right[{\mathrm{prf}}_{i1}^{-},{\mathrm{prf}}_{i1}^{+}],[{\mathrm{prf}}_{i2}^{-},{\mathrm{prf}}_{i2}^{+}],...,[{\mathrm{prf}}_{\mathrm{im}}^{-},{\mathrm{prf}}_{\mathrm{im}}^{+}\left]\right)---\left(1\right)$

${\mathrm{pw}}^i=\left(\right[{\mathrm{pw}}_{i1}^{-},{\mathrm{pw}}_{i1}^{+}],[{\mathrm{pw}}_{i2}^{-},{\mathrm{pw}}_{i2}^{+}],...,[{\mathrm{pw}}_{\mathrm{im}}^{-},{\mathrm{pw}}_{\mathrm{im}}^{+}\left]\right)---\left(2\right)$

${\mathrm{rf}}^i=\left(\right[{\mathrm{rf}}_{i1}^{-},{\mathrm{rf}}_{i1}^{+}],[{\mathrm{rf}}_{i2}^{-},{\mathrm{rf}}_{i2}^{+}],...,[{\mathrm{rf}}_{\mathrm{im}}^{-},{\mathrm{rf}}_{\mathrm{im}}^{+}\left]\right)---\left(3\right)$

式中，prfⁱ表示第i部传感器探测到的目标m种可能的区间值脉冲重复频率参数组，pwⁱ表示第i部传感器探测到的目标m种可能的区间值脉宽参数组，rfⁱ表示第i部传感器探测到的目标m种可能的区间值脉冲重复频率参数组，

表示第i部传感器探测到第j种可能目标的脉冲重复频率区间值，

表示第i部传感器探测到第j种可能目标的脉宽区间值，

表示第i部传感器探测到第j种可能目标的脉冲工作频率区间值。表达式(1～3)中的区间值表示为区间数P=[p^-，p⁺]，区间上限和下限表示区间的范围，即描述了一种不确定性。

②构建量测数据和数据库

将n部传感器探测到的数据均用区间值表示出来即形成了区间值矩阵，记为

式中，PRF为n部传感器探测到的目标m种可能的区间值脉冲重复频率矩阵，PW为n部传感器探测到的目标m种可能的区间值脉宽矩阵，RF为n部传感器探测到的目标m种可能的区间值脉冲工作频率矩阵。

截取数据库中的m种目标身份数据，形成区间值数据库，记为

$\mathrm{prf}=\left(\right[{\mathrm{prf}}_1^{-},{\mathrm{prf}}_1^{+}],[{\mathrm{prf}}_2^{-},{\mathrm{prf}}_2^{+}],...,[{\mathrm{prf}}_m^{-},{\mathrm{prf}}_m^{+}\left]\right)---\left(7\right)$

$\mathrm{pw}=\left(\right[{\mathrm{pw}}_1^{-},{\mathrm{pw}}_1^{+}],[{\mathrm{pw}}_2^{-},{\mathrm{pw}}_2^{+}],...,[{\mathrm{pw}}_m^{-},{\mathrm{pw}}_m^{+}\left]\right)---\left(8\right)$

$\mathrm{rf}=\left(\right[{\mathrm{rf}}_1^{-},{\mathrm{rf}}_1^{+}],[{\mathrm{rf}}_2^{-},{\mathrm{rf}}_2^{+}],...,[{\mathrm{rf}}_m^{-},{\mathrm{rf}}_m^{+}\left]\right)---\left(9\right)$

式中，prf表示数据库中m种可能的目标脉冲重复频率区间值数据组，pw表示数据库中m种可能的目标脉宽区间值数据组，rf表示数据库中m种可能的目标脉冲工作频率区间值数据组。

③求解区间距离和区间相似度

区间距离和区间相似度的建立在传感器识别过程中是一个重要步骤，假设两个区间数P，Q如果满足：

(1)D(P，Q)=D(Q，P)

(2)若区间数P，Q相同，则D(P，Q)=0

(3)D(P，P^C)=1

(4)

D(R，P)≥D(R，Q)，D(R，P)≥D(Q，P)

则称D(P，Q)区间数P，Q的区间距离。

若满足：

(1)S(P，Q)=S(Q，P)

(2)若区间数P，Q相同，则S(P，Q)=1

(3)S(P，P^C)=0

(4)

S(R，P)≤S(R，Q)，S(R，P)≤S(Q，P)

则称S(P，Q)区间数P，Q的区间相似度。

要计算n部传感器探测到的区间值矩阵数据PRF、PW和RF与数据库区间参数prf、pw和rf间的相似度，首先要得到它们之间的区间距离，再计算相似度。区间距离可以按照下式的定义来计算：

$\begin{array}{c}D(P,Q)=\min \left(\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\right|p_i^{-}-q_i^{-}|,\\ \frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|p_i^{+}-q_i^{+}|)i=\mathrm{1,2},...,n\end{array}---\left(10\right)$

区间距离D(P，Q)描述区间参数P，Q之间的离散程度，利用区间距离可以计算传感器所探测到的区间数据与数据库的区间数据之间的距离，比如式(4)中的

与式(7)中的

之间的区间距离。如果D(P，Q)越小则两条参数越接近，它们之间的相似度越高。区间相似度定义为：

S(P，Q)=min(1-D(P，Q))    (11)

但在实际过程中上式往往需要修正，因此引入离散系数α进行修正，修正后的区间相似度为

S(P，Q)=min(1-α·D(P，Q))    (12)

其中，α＞0，用来调节相似度的离散程度，选取合适的调节因子能够提高识别概率。本发明给出一种α的计算方法，令参数的区间距离均值为

$\stackrel{\‾}{D}(P,Q)=\frac{1}{n}\·\underset{1}{\overset{n}{\mathrm{\Σ}}}{D}_i(P,Q),i=\mathrm{1,2},...,n---\left(13\right)$

则区间参数标准差为

$P=\sqrt{\frac{1}{n-1}\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(D_i(P,Q)-\stackrel{\‾}{D}(P,Q))},i=\mathrm{1,2},...,n---\left(14\right)$

则可以将离散系数α定义为

$\mathrm{\α}=\frac{\stackrel{\‾}{D}(P,Q)}{P}---\left(15\right)$

在得到n部传感器探测到的区间值矩阵数据PRF，PW和RF与数据库区间参数prf、pw和rf间的相似度之后，如何利用这些相似度对目标进行融合识别，本发明采用证据理论的组合判定规则来实现。

④基于相似度构建区间证据的基本概率赋值BPA

证据理论是Dempster和Shafer于20世纪60年代末和70年代初建立的数学理论，是一种广泛被采用处理互补信息和不确定信息的数据融合理论。

证据理论定义：对于事件X，假设U表示X所有可能取值的一个论域集合，且U内所有元素之间互不相容，则称U为X的识别框架。U为一识别框架，称映射m：2^U→[0，1](2^U为U的所有子集)在满足下列条件：

(1)

(2) $\underset{A\⋐U}{\mathrm{\Σ}}m\left(A\right)=1$

时，m(A)为A的基本概率赋值函数BPA或者mass函数，表示对命题A的信任程度。

定义函数BEL：2^U→[0，1]，PL：2^U→[0，1]

$\mathrm{BEL}\left(A\right)=\underset{B\⋐A}{\mathrm{\Σ}}m\left(B\right)(\∀A\⋐U)---\left(16\right)$

分别为U上的信度函数和似真度函数，表示对A的总信任和不否定A的信任程度。

[BEL(A)，PL(A)]称为命题A的信度区间。

证据理论组合规则：设BEL₁，BEL₂，…，BEL_n为同一识别框架U上的n个信度函数，m₁，m₂，…，m_n分别为其对应的基本概率赋值函数。则称

为证据理论组合规则，式中K反映证据冲突程度，可表示为

证据理论中基本概率赋值函数BPA的选取一直是证据理论研究的热点，以往BPA的选取往往是主观赋值，无疑增加了主观性。近年来也有人尝试用证据相似度来描述BPA，但是说法不一。本发明根据BPA所描述的含义，表征了证据对命题的信任程度，在证据相似度的基础上采用证据支持度作为权重，加权证据相似度来构造基本概率赋值函数BPA，把传感器的特征参数区间值看成是证据理论的证据，这样把区间相似度作为证据理论的BPA，从而将表征传感器参数的不确定区间理论与证据理论有效结合起来。

将所求的PRF、PW和RF三类特征参数区间相似度用式子表示为

式中，Mi_prf表示i部传感器探测到的脉冲重复频率与m类目标数据库之间的区间相似度，Si_prfij表示第i部传感器探测到的第i类可能目标的脉冲重复频率与j类目标数据库之间的区间相似度。Mi_pwi表示i部传感器探测到的脉宽与m类目标数据库之间的区间相似度，Si_pwij表示第i部传感器探测到的第i类可能目标的脉宽与j类目标数据库之间的区间相似度。Mi_rf表示i部传感器探测到的脉冲工作频率与m类目标数据库之间的区间相似度，Si_rfij表示第i部传感器探测到的第i类可能目标的脉冲工作频率与j类目标数据库之间的区间相似度。

以Mi_prf为例，可求出某条证据被其他证据所支持的程度，可用支持度来描述：

${\mathrm{Supi}}_{\mathrm{prfj}}=\underset{j=1,j\≠i}{\overset{m}{\mathrm{\Σ}}}{\mathrm{Si}}_{\mathrm{prfij}},j=\mathrm{1,2},...,m---\left(23\right)$

归一化证据所支持的程度得到支持度权重

${\mathrm{wi}}_{\mathrm{prfj}}=\frac{{\mathrm{Supi}}_{\mathrm{prfj}}}{\underset{j=1,j\≠i}{\overset{m}{\mathrm{\Σ}}}{\mathrm{Supi}}_{\mathrm{prfj}}},j=\mathrm{1,2},...,m---\left(24\right)$

则可以将基本概率赋值函数BPA定义为

mi_prfj=wi_prfj·Si_prfj∑，j=1，2，…，m   (25)

BPA的具体含义描述了i部传感器探测到的第j类可能目标的PRF区间参数在被其他类目标参数支持的情况下对第j类目标的相似度。

同理可以求得区间参数PW和RF的基本概率赋值BPA。

⑤根据证据组合规则对区间参数的BPA融合计算，再依据证据决策方法完成目标识别

通过步骤④得到每个传感器各区间参数的基本概率赋值BPA之后，再根据证据组合规则(18，19)融合计算，依次得到每个传感器识别目标特征参数的BPA、所有传感器识别目标特征参数的BPA，最后利用证据判决准则完成对目标识别。具体实现过程如下。

以Mi_prf为例，根据证据组合规则(18，19)，融合计算区间参数的基本概率赋值BPAmi_prfj得到m(PRF)，计算对识别目标的信度函数和似真函数并形成信度区间：

$\mathrm{BEL}\left(R\right)=\underset{\mathrm{PR},\mathrm{PW},\mathrm{PF}\⋐R}{\mathrm{\Σ}}m(\mathrm{PR},\mathrm{PW},\mathrm{PF})$

$\mathrm{PL}\left(R\right)=1-\mathrm{BEL}\left(\stackrel{\‾}{R}\right)---\left(27\right)$

按照信度区间上下限对多传感器的BPA进行证据组合，得到关于雷达型号R的基本概率赋值的信度区间[BEL(A)，PL(A)]，其中，BEL(A)表示信度区间下限m^-(R)，PL(A)表示信度区间上限m⁺(R)。

区间重构，对上面的得到的m^-(R)和m⁺(R)重构得到最终的信度区间：

$\hat{m}\left(R\right)=[{\hat{m}}^{-}\left(R\right),{\hat{m}}^{+}\left(R\right)]---\left(28\right)$

式中

${\hat{m}}^{-}\left(R\right)=\min [{\hat{m}}^{-}\left(R\right),{\hat{m}}^{+}\left(R\right)]$

${\hat{m}}^{+}\left(R\right)=\max [{\hat{m}}^{-}\left(R\right),{\hat{m}}^{+}\left(R\right)]---\left(29\right)$

根据决策方法

进行决策，如果满足

$\left\{\begin{array}{c}m\left(R_1\right)-m\left(R_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(U\right)<{\mathrm{\&epsiv;}}_2\\ m\left(R_1\right)>m\left(U\right)\end{array}\right.---\left(31\right)$

则得到最终的目标识别结果为R₁。上式表明当对某条证据的信任达到一定程度时并且对于所有证据的信任在一定范围内时，可以将这条信任大的证据作为判决结果。式中ε₁，ε₂为预先设定的门限，对于ε₁，ε₂定义如下

$\begin{array}{c}{\mathrm{\&epsiv;}}_1=\max \{\underset{\underset{j\&NotEqual;\mathrm{1,2}}{j=3}}{\overset{m}{\mathrm{\&Sigma;}}}m\left(R_j\right),m\left(R_2\right)\}\\ {\mathrm{\&epsiv;}}_2=\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}m\left(R_j\right)}{m}\end{array}---\left(32\right)$

其中ε₁表示对某条证据的信任程度要超过的门限，ε₂表示对所有证据的信任不应超过的门限。上述门限的定义体现了自适应识别判决的思想，ε₁，ε₂不再是任取的较小值，而是通过BPA的组合形成，这样形成一种自适应机制，提高了识别的客观性，判决时双门限同时满足时，则判决生效，得到识别结果。

与现有识别算法相比，本发明具有如下有益效果：

①解决了传感器探测不确定性数据处理难和BPA形成主观性大的问题。本发明中，将数据本身的不确定性用区间数来表示，解决了不确定性不易处理的问题，利用区间理论形成区间相似度，并基于证据支持度加权区间相似度形成一种客观的基本概率赋值BPA，解决了BPA形成的主观性。

②识别准确率高。在本发明中，证据基本概率组合之后，利用一种自适应的证据判决识别的方法，双门限的构造基于BPA本身，避免了主观性，提高了识别率。

附图说明

图1是基于区间数和证据理论算法结构流程图。

图2是目标融合识别结果性能图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

实施例

假设两个传感器S₁，S₂设定为ESM和ELINT，对雷达辐射源进行测量，得到4种可能雷达型号R_j(j=1,2,3,4)。每个传感器观测到的雷达辐射源参数为脉冲重复频率PRF，脉宽PW和雷达工作频率RF三类，记为PR,PW，PF。要建立传感器S₁，S₂所探测到的PRF、PW和RF三类区间参数与数据库中4种雷达型号R_j(j=1,2,3,4)区间参数之间的相似度，利用相似度作为证据理论的BPA，先将三种参数进行融合得到每个传感器对4种雷达型号的BPA，再对两个传感器进行组合融合得到关于4种雷达型号的总BPA，最后根据识别判别准则进行判定，来识别目标所属分类。采用本发明提出的区间参数传感器识别算法，上述设计要求可按如下技术措施实施。

①基于区间数目标识别参数描述和构建量测数据与数据库

从雷达辐射源数据库中截取模板数据库雷达辐射源参数，并形成样本模型区间，待观测参数用数据库中相应参数叠加一定噪声来表示，数据库为300个周期长度，仿真数据分别如表1，表2所示。

表1ESM截取模板数据库雷达辐射源参数

表2ELINT截取模板数据库雷达辐射源参数

②求解区间距离和区间相似度

第一组实验采用传感器单周期测量数据为识别对象，利用区间证据理论对两个传感器观测的四类雷达型号的三种参数进行区间融合。以ESM探测到的PRF为例，首先利用距离公式(10)算出参数之间的参数距离，其中按步长20截取15组距离数据如下：

$d_{\mathrm{prf}1}=\left[\begin{array}{cc}6.9353& 12.9385\\ 8.0782& 0.2071\\ 3.2244& 16.0957\\ 109.2151& 116.8488\\ 104.7298& 102.7421\\ 116.3156& 98.4203\\ 209.0736& 204.6581\\ 212.5740& 196.8431\\ 209.6177& 208.3151\\ 206.8507& 189.0333\\ 190.3826& 198.3510\\ 205.7165& 222.1748\\ 306.5915& 308.9963\\ 302.9427& 319.7648\\ 310.1115& 308.1705\end{array}\right],d_{\mathrm{prf}2}=\left[\begin{array}{cc}93.0647& 112.9385\\ 91.9218& 100.2071\\ 96.7756& 83.9043\\ 9.2151& 16.8488\\ 4.7298& 2.7421\\ 16.3156& 1.5797\\ 109.0736& 104.6581\\ 112.5740& 96.8431\\ 109.6177& 108.3151\\ 106.8507& 89.0333\\ 90.3826& 98.3510\\ 105.7165& 122.1748\\ 206.5915& 208.9963\\ 202.9427& 219.7648\\ 210.1115& 208.1705\end{array}\right]$

$d_{\mathrm{prf}3}=\left[\begin{array}{cc}193.0647& 212.9385\\ 191.9218& 200.2071\\ 196.7756& 183.9043\\ 90.7849& 83.1512\\ 95.2702& 97.2579\\ 83.6844& 101.5797\\ 9.0736& 4.6581\\ 12.5740& 3.1569\\ 9.6177& 8.3151\\ 6.8507& 10.9667\\ 9.6174& 1.6490\\ 5.7165& 22.1748\\ 106.5915& 108.9963\\ 102.9427& 119.7648\\ 110.1115& 108.1705\end{array}\right],d_{\mathrm{prf}4}=\left[\begin{array}{cc}293.0647& 312.9385\\ 291.9218& 300.2071\\ 296.7756& 283.9043\\ 190.7849& 183.1512\\ 195.2702& 197.2579\\ 183.6844& 201.5797\\ 90.9264& 95.3419\\ 87.4260& 103.1569\\ 90.3823& 91.6849\\ 93.1493& 110.9667\\ 109.6174& 101.6490\\ 94.2835& 77.8252\\ 6.5915& 8.9963\\ 2.9427& 19.7648\\ 10.1115& 8.1705\end{array}\right]$

式中，d_prf1，d_prf2，d_prf3，d_prf4分别表示单周期ESM量测数据PRF与4种可能雷达型号数据库参数的区间距离。

参照公式(11～15)形成参数之间的相似度为(0.0562 0.0874 0.1091 0.0690)，分别表示单周期ESM量测数据PRF与4种可能雷达型号数据库参数的相似度。

按上述方法同理可以得到ESM量测数据PW和RF以及ELINT量测数据PRF、PW和RF与4种可能雷达型号数据库参数的区间距离和相似度。

③基于相似度构建区间证据的基本概率赋值BPA

在得到区间参数的相似度之后，根据BPA形成公式(23～25)计算对于辐射源参数的基本概率赋值m(pr_ij)i=1，2，j=1，2，3，4，以ESM探测到的PRF为例结果为

(0.1747 0.2717 0.3392 0.2145)分别表示单周期ESM量测数据PRF对4种可能雷达型号数据库参数的信任程度。

根据公式(23～25)同理可以得到ESM量测数据PW和RF以及ELINT量测数据PRF、PW和RF与4种可能雷达型号数据库参数的BPA。

首先按照证据理论信度区间的形成公式(16，17)，利用上节得到的BPA计算单周期ESM量测数据PRF的信任函数和似真函数值分别为(0.1974 0.2566 0.3386 0.2168)和(0.1866 0.2432 0.3059 0.2046)，分别表示单周期ESM量测数据PRF与4种可能雷达型号数据库参数之间的信任函数和似真函数值。同理可以得到ESM量测数据PW和RF以及ELINT量测数据PRF、PW和RF与4种可能雷达型号数据库参数之间的信任函数和似真函数值。将PRF、PW和RF三类参数的信任函数和似真函数值进行组合得到两类传感器对于四种雷达识别类的基本信度区间如表3所示。

再利用证据组合公式(18，19)分别对两类传感器的信度区间进行证据组合，再利用区间重组公式(28，29)进行区间重组得到对某型雷达总的信任区间[m^-(R)，m⁺(R)]结果如表4所示。

表3单周期测量雷达型号信度区间

表4单周期测量证据组合后的雷达型号信度区间

第二组实验采用传感器多周期(这里假设为100次)测量的数据为识别对象，原理与第一组实验相同，仿真结果分别如表5，表6所示。

表5多周期测量雷达型号信度区间

表6多周期测量证据组合后的雷达型号信度区间

④根据证据组合规则对区间参数的BPA融合计算，再依据证据决策方法完成目标识别

根据证据判决准则式(30～33)，对第一组实验和第二组实验得到的表4数据和表6数据进行判定识别，由于识别判决门限ε₁，ε₂直接与信度区间有关，第一组实验中尽管雷达型号R₃的信任最高，但是未通过自适应判决准则，没有充分的理由说明R₃就是识别类，通过表中数据直观对比证明判决合理。而第二组实验中的数据通过了判决准则，最后识别目标雷达辐射源型号为R₃，信度区间为[0.8540,0.9423]，达到预期目标。经仿真实验后得到算法的融合性能如图2所示。图2中第三类雷达型号的信任度最大，可以证明识别结果为R₃，其中图2也表明传感器多周期测量相比单周期测量有明显的优势，识别结果更明显，识别效率高，误判率小，说明传感器多周期测量时能够较好的对目标类进行识别。

Claims (3)

1.一种基于区间数和证据理论的辐射源识别算法，是一种模式识别算法，其特征是：通过加权相似度构建区间证据的基本概率赋值BPA，再根据证据组合规则融合计算，依次得到每个传感器识别目标特征参数的BPA、所有传感器识别目标特征参数的BPA，最后利用自适应证据判决准则完成对目标识别。

2.根据权利要求1所述的基于区间数和证据理论的辐射源识别算法，所述的通过加权相似度构建区间证据的基本概率赋值BPA是：用归一化的证据支持度作为权重，加权区间相似度形成区间证据的基本概率赋值BPA。

3.根据权利要求1所述的基于区间数和证据理论的辐射源识别算法，所述的自适应证据判决识别准则是：采用双门限判定准则进行识别，将多传感器目标的BPA除最大及次最大值外加和与次最大值的多传感器目标的BPA相比较，取其较大值作为门限，取多传感器目标的BPA的平均值作为另一个门限，实现自适应识别。

Images