CN104077601A - 一种利用不同类型信息进行目标综合识别的方法 - Google Patents

Abstract

本发明公开了一种利用不同类型信息进行目标综合识别的方法，包含以下步骤：1)由多类传感器获得目标的运动信息及属性信息；2)分别对收集到的属性信息进行基于DS证据理论的属性关联，以及对运动信息进行基于目标运动信息的航迹关联；3)综合目标的属性信息及运动信息的关联度，以概率的形式给出综合识别结果，以便后续各类任务处理能够依据各自需求使用该识别结果。本发明通过改变典型综合目标识别的处理流程，提高了目标综合识别的正确性及可用性。

Description

一种利用不同类型信息进行目标综合识别的方法

技术领域

本发明涉及一种在有人无人机协同环境下利用不同类型信息进行综合目标识别的方法，属于有人无人机协同技术领域。

背景技术

在未来战争中，无人机系统具有隐身性能好，自主能力强，可重复回收利用等特点，在现代战场上取得了越来越广泛的应用。但由于目前无人机系统对战场环境的感知能力和对环境态势的自动理解能力，都还无法完全代替人的思维和判断，难以满足复杂作战环境对无人机系统高层次自主和智能性的要求，所以无人机作为单平台作战所能发挥的作战效能极其有限，它仍然需要与有人驾驶飞机进行混编来提高作战效能。在有人机和无人机联合编队作战的模式中，多种无人机和有人机优势互补，分工协作，可以将各自的效率发挥到最大。

在这样的作战条件下，信息源丰富，必须尽可能利用多个和多类传感器所收集到的多种目标属性信息，综合出准确的目标信息，进行目标综合识别。

美国在《无人机路线图2005-2030》中明确了无人机发展的思路，并把无人机的发展分为3个阶段，即有人机与无人机协同作战(有人机主导)、有人机与无人机协同作战(无人机主导)、无人机自主作战。其中，有人机主导下的有人无人协同作战技术仍然是目前美国正在研究的内容，而后两个阶段在近期还存在较大的技术障碍。由此可见，无人机和有人机协同作战在今后很长一段时间内仍然是无人机发展的重点。

AMUST-D/HSKT/A2C2S计划

美国陆军航空应用技术处(AATD)开展了“猎人远距离杀手编队(HSKT)”计划、“机载指挥控制系统(A2C2S)”计划的研究，旨在开发和研究直升机与无人机驾驶飞机组成空中机动编队，完成战术侦察和作战任务。

“猎人-防区外杀手协同编队”(HSKT)旨在开发最先进的有人/无人编队技术来实现防区外目标瞄准。将经过特别改良的“黑鹰”(Black Hawk)空中指挥与控制(A2C2S)陆军机载系统直升机、“长弓阿帕奇”直升机和“猎人”无人机，以及F/A-18攻击机和联合侦察目标攻击雷达系统来综合成一支机动攻击部队。

A2C2S可以提供一个可移动的、自主式的数字式战术指挥工作台，这样机动指挥官及其参谋可以在指挥和控制军队的同时快速地获取战场态势。

机载有人/无人系统技术演示计划(AMUST-D)将重点研究“阿帕奇”“长弓”和指挥与控制直升机“黑鹰”，这两种载人驾驶平台与“猎人”UAV之间的连接性，是“猎人-防区外杀手协同编队”(HSKT)项目的一个关键组成部分。

AMUST-D/HSKT/A2C2S计划开辟了无人机与有人机协同作战的全新作战模式，它综合了“猎人”无人机的侦察功能、“长弓阿帕奇”的快速攻击能力和“黑鹰”A2C2S机动指挥能力。

在AMUST-D/HSKT/A2C2S计划下开发出了两项关键技术：共享的态势感知技术和决策辅助技术，它通过共享和融合战场上所有的传感器信息和情报数据源信息，来提高有人无人编队作战模式下机上和地面移动指挥官的态势感知。这两项关键技术的实现的基础均需进行有效的目标识别，将(位置和速度)运动信息处理与飞行器类型、特定飞行器信息和敌友信息处理结合起来，它代表了综合识别需要解决的一个重要问题。

MUSIC计划

为了提高无人系统和有人系统的协同能力，美军正在开展AMUST-D计划的同时，2012年9月，美陆军航空项目执行办公室又发起了对有人无人系统综合能力(MUSIC，Manned unmanned systems integration capability)的演示验证，它是目前为止规模最大的有关有人无人系统互操作性技术的验证活动。MUSIC计划采用的武器平台包括由AH-64D批次II“长弓阿帕奇”直升机，OH-58D“吉奥瓦勇士”直升机和美国无人机系统编队(“大乌鸦”、“美洲狮”、“猎人”、“影子”、“灰鹰”)。地面控制站包括通用地面控制站(UGCS)、小型通用地面控制站(M-UGCS)和一体化远程视频终端(OSRVT)。

MUSIC项目中还成功验证了美国陆军最新的数据融合传感器系统，即通过OSRVT地面控制站融合来自多个无人机系统的视频和传感器数据。该系统称为联合通用同步引擎(Federated Universal Synchronization Engine，Fuse)，它采用了多信息源传感器数据融合技术，通过软硬件设备融合了大量信息源(如地面移动目标指示器数据、EO、IR和合成孔径雷达信号)，并将这些信息显示在同一张地图上，从而有效地利用无人系统的传感器信息。

FUSE系统具有四大功能特性：直观化的显示、综合识别、高效的载荷操作、便捷的通信手段，但其存在因关联出错而导致的识别错误，以及关联结果采用非此即彼的表达方式，因此识别效果还有待提高。

发明内容

本发明的发明目的在于提供一种利用不同类型信息进行目标综合识别的方法，改进了典型的综合识别方法流程，使得运动信息及属性信息的关联度技术能够同步进行并加以综合。该方法不但提高了目标识别的准确性，采用概率形式给出的目标识别结果能够适用于有人机无人机协同环境下的有人机平台，无人机平台以及地面站平台。

本发明的发明目的通过以下技术方案实现：

一种利用不同类型信息进行目标综合识别的方法，包含以下步骤：

步骤1)、由多类传感器获得目标的运动信息及属性信息；

步骤2)、分别对收集到的属性信息进行基于DS证据理论的属性关联，以及对运动信息进行基于目标运动信息的航迹关联；

步骤3)、综合目标的属性信息及运动信息的关联度，以概率的形式给出综合识别结果。

依据上述特征，所述步骤1)中多类传感器包含雷达系统，采用以下方法获得运动信息及属性信息：

步骤a.1)、对目标进行测量直接获得目标的运动信息；

步骤a.2)、进行模糊推理，即利用模糊数相似性获得基本概率指派；

步骤a.3)、通过基本概率指派进行决策判断获得目标的属性信息。

依据上述特征，所述相似性通过噪声模拟方法实现，具体包含以下步骤：

步骤b.1)、根据被模拟噪声片段，采用双高斯分布模型，用EM算法估算出两个高斯分布的均值，方差和比例；

步骤b.2)、结合上一步估计的参数，对每一组高斯分布参数使用Box_Muller变换，按比例分别产生对应的高斯分布数据序列，并将两数据序列合并，生成具有规定振幅概率分布的伪随机序列，称为基础序列；

步骤b.3)、根据被模拟噪声片段，用FFT估计出噪声功率谱，选定一随机相位因子，得到具有期望谱特性的伪随机序列，称为参考序列；

步骤b.4)、运用相关传递法，利用参考序列对具有规定振幅分布的基础序列进行次序重排，得到在振幅分布和谱特性两方面都符合要求的随机序列，即结果噪声序列；

原始噪声和模拟结果噪声的相似度的测量采用皮尔逊相关系数法计算。

依据上述特征，所述模糊数采用三角形模糊数或正态分布模糊数。

依据上述特征，所述决策判断包含以下步骤：

步骤c.1)、对全部样本作Pignistic变换，将其转化为单子集基本概率赋值：

其中|A|表示集合A的势，一般情况下

步骤c.2)、按照焦元对应关系相加求平均得到参考样本m₀：

$m_0=\underset{i=1,\mathrm{\θ}\∈\mathrm{\Θ}}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{BetP}}_{m_i}\left(\mathrm{\θ}\right)}{n};$

步骤c.3)、计算目标与参考样本的关联系数：

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}},$

其中Δ_ij＝|m₀(j)-m_i(j)|，j的取值范围为[1，M]，ρ的取值范围为[0，1]，为两级最小差，为两级最大差；

步骤c.4)、计算目标与参考样本的关联度：

步骤c.5)、对关联度进行归一化处理，得到目标m_i的相对可信度：

步骤c.6)、得到目标m_i的绝对可信度：

$\begin{array}{cc}{\mathrm{\η}}_i={\mathrm{\ψ}}_i/\underset{j=\mathrm{1,2},...,n}{\max \left\{{\mathrm{\ψ}}_i\right\}}& i=1,...,n;\end{array}$

步骤c.7)、得到目标m_i的折扣系数：

ω_i＝f(η_i)   i＝1，…，n；

其中f为BUM函数，满足：

f(0)＝0，f(1)＝1andf(x)≥f(y)ifx≥y。

依据上述特征，所述步骤1)中多类传感器包含光电系统，通过目标图形、图像等信息，和样本库中有关图形、图像相比对，得到目标的属性信息，并且经过图像的预处理、图像的分割识别等一系列信息处理，最终实现对目标位置的运动信息。

依据上述特征，所述步骤1)中多类传感器包含电子侦察设备，根据得到的目标电子设备的载频、脉宽、脉冲重复频率等参数，利用脉冲重复频率、载频上下限、脉宽上下限与相关样本库数据进行比对，可以得到一定概率的目标电子设备的国籍、装备的平台等属性信息并能同时获取目标的运动信息。

依据上述特征，所述步骤1)中多类传感器包含无人机，通过各类数据链传输经过处理后的识别结果获得目标的运动信息和属性信息。

依据上述特征，所述步骤2)中在进行属性关联以及航迹关联时，同时还考虑上一时刻的结果，属性关联进行冲突分析，当证据出现冲突时，该时刻不立即给出精细的融合结论，而是等待下一时刻的证据支持；运动信息关联则是在给出关联度的时候利用滑窗法将上一时刻的关联结果纳入关联度的计算方法中。

依据上述特征，所述步骤3)具体为：将基于目标属性信息的航迹关联度作为权重代入基于运动属性关联度中，得到最终的航迹关联系数

${\mathrm{\β}}_j^i=m_d^{i,j}*m_k^{i,j};$

将航迹关联系数归一化，得到航迹总关联度

$m_l^{i,j}=\frac{{\mathrm{\β}}_j^i}{{\mathrm{\β}}_1^i+{\mathrm{\β}}_2^i+...{\mathrm{\β}}_{n_2}^i}(i=\mathrm{1,2},...n_1,j=\mathrm{1,2},...n_2).$

与现有技术相比，本发明主要是以有人机与无人机协同为应用背景，充分挖掘并综合应用本平台各类传感器及其他平台传输的信息进行目标识别。为了能够应用于有人无人协同的各类平台，本方法改变了典型的综合方法中先进行关联，并利用关联结果进行属性推理的过程，将传感器的属性信息的关联与运动的关联同步进行，然后对二者的关联结果进行综合互补，得到对目标的综合识别结果，以提高识别结果的可信度。本方法避免了因为关联出错而导致的识别错误，并且摈弃了对关联结果采用非此即彼的表达方式，采用了基于关联度的概率表达方式对关联结果进行展示，提高了识别结果的可用性。

附图说明

图1为本发明一种利用不同类型信息进行目标综合识别的方法的流程图；

图2为实施例中雷达系统根据目标高度、速度及雷达RCS构造的三角模糊数示意图。

具体实施方法

下面结合附图对本发明作进一步的详细说明。

图1给出了本发明一种利用不同类型信息进行目标综合识别的方法的处理流程，包含以下步骤：

步骤1)、由多类传感器获得目标的运动信息及属性信息。

在各类传感器中，雷达系统获得对目标的测量为确切的数字量，且均为目标位置运动信息，但由于这些测量均具备一些特性，利用模糊数相似性获得基本概率指派(BPA)，然后测量数据的模糊推理获得相应隶属度，通过命题的隶属度来取得基本概率赋值；光电系统通过目标图形、图像等信息，和数据库中有关图形、图像相比对，得到目标的属性信息，并且经过图像的预处理、图像的分割识别等一系列信息处理，最终实现对目标位置的实时精确测量；电子侦察设备可以得到目标电子设备的载频、脉宽、脉冲重复频率等参数，利用脉冲重复频率、载频上下限、脉宽上下限与相关样本库数据进行比对，可以得到一定概率的目标电子设备的国籍、装备的平台等信息并能同时获取目标信息；无人机等其他平台通过各类数据链传输经过处理后的识别结果。

其中雷达系统中对相似性采用噪声模拟方法，噪声模拟方法是在给定原始噪声声音片段的条件下，采用信号处理的方法，产生出与原始噪声在频域谱分布和时域幅度分布特征相似的噪声数据序列。具体实现步骤如下：

1)根据被模拟噪声片段，采用双高斯分布模型，用EM算法估算出两个高斯分布的均值，方差和比例；

2)结合第一步估计的参数，对每一组高斯分布参数使用Box_Muller变换，按比例分别产生对应的高斯分布数据序列，并将两数据序列合并，生成具有规定振幅概率分布的伪随机序列，称为基础序列；

3)根据被模拟噪声片段，用FFT估计出噪声功率谱，选定一随机相位因子，得到具有期望谱特性的伪随机序列，称为参考序列；

4)运用相关传递法(CT)，利用参考序列对具有规定振幅分布的基础序列进行次序重排，得到在振幅分布和谱特性两方面都符合要求的随机序列，即结果噪声序列。

原始噪声和模拟结果噪声的相似度的测量可以采用Pearson(皮尔逊)相关系数法计算。

模糊推理

对于雷达系统而言，对一个目标的观测值均为确定值，如：速度v＝800公里/小时，距离S＝85公里，高度H＝8000米，雷达反射截面RCS＝1.5平方米，雷达频率10.8GHz。显然，速度能达到800公里/小时的可能是各种类型的战机，也可能是民用飞机，还可能是导弹等，因此我们能得到的判断是：目标速度很快，比如歼击机、导弹、高速地面目标等，这样一个目标速度映射到的是一个集合。同样，分析目标高度值能得到的基本判断是：目标飞行高度很高，根据专家知识判断，它可能是各种喷气式飞机、洲际导弹等的集合；RCS为3.5平方米，映射的是：小型目标的集合；10.8GHz的雷达频率映射到的是包含该工作频率的各种雷达，如AN/APG-66、JKL-5雷达等。

因此，对于雷达系统的属性识别问题具有更多的不确定性和模糊性，容易产生身份识别的模糊，这些模糊性使得很难根据基本观测给出一个唯一的身份判别，一个测量值映射到了一个识别的集合，而不是一个识别单值。为了对观测进行目标识别，首先需要进行从数值域到符号域的转换，再根据特定的工程应用，来确定符号域的定义。采用模糊集的方法可确定目标的一些特征，模糊推理就是根据已有的样本数据建立辨识框架下的命题表示模型，以生成基本概率指派(BPA)。在辨识框架下命题表示的数学模型部分，能利用的条件主要是一定量的样本，初步考虑采用推广三角形模糊数(样本数量较少情况)和正态分布模糊数(样本数量较多情况)来建立命题表示的数学模型。

计算过程如下：

步骤101：根据已知的鸢尾花的样本集构造各个属性的模糊三角形，生成属于各个类型的三角模糊数。

本发明用鸢尾花的例子来说明提出确定基本概率指派方法的准确性。所用的仿真数据库采用鸢尾花数据库(Iris data)，这是著名统计学家费歇(Fisher)在1936年发表的判别论文中采用的数据，曾被许多学者用来检验模式分类方法和目标识别方法的性能。

Iris数据(Fisher1936)即鸢尾花数据，包含了Setosa、Versicolor、Virginica三个种类，共150个样本，每个种类有50个样本。Iris数据含有Iris的四种属性，分别为萼片长度(SL)、萼片宽度(SW)、花瓣长度(PL)、花瓣宽度(PW)。通过统计样本计算出各个品种花萼长度的最小属性值MIN(A)、平均属性值AVE(A)、最大属性值MAX(A)，构造出相应的三角模糊数。

步骤102：在获得描述各个类别特征属性的三角模糊数后，利用这条特殊线段在各个三角形中的位置可以确定待测样本与各个三角形的交点，这个交点的值即样本相对于各个目标的基本概率指派。

步骤103：对生成的相似度进行归一化，得到待测样本关于各个类型的基本概率指派。

决策判断

Zadeh认为证据之间发生的严重冲突或完全冲突往往是由某个或少数证据的严重不相容性引起的。根据少数服从多数的决策思想，应尽量减少引起严重冲突或完全冲突的某个或少数证据体对融合结果的影响，所以赋予其较小的权重。

假设有一个数据中心δ_i，在估计权重的过程中，数值越接近中心则认为有更高的可信度。换句话说，中心点的估计是各个数据的平均值。我们定义所有证据体的平均值为参考证据。计算各个证据体与参考证据之间的灰色关联度，若某个证据与参考证据之间的灰色关联度越大，则该证据越接近中心值，在融合时的权重系数就越大，反之证据与参考证据之间的灰色关联度越小，则该证据越远离中心值，在融合时被赋予较小的权重。

设在证据合成过程中n个证据源同时提供证据，其证据集为m＝{m₁，m₂，…，m_n}，证据m_i的权重系数为w_i，辨别框架Θ的大小为M，则所有的权重系数组成的权重向量为W＝{w₁，w₂，…，w_n}，计算方法如下：

步骤201：对全部证据体作Pignistic变换，将其转化为单子集基本概率赋值

其中|A|表示集合A的势，一般情况下

步骤202：按照焦元对应关系相加求平均得到参考证据m₀

$m_0=\underset{i=1,\mathrm{\θ}\∈\mathrm{\Θ}}{\overset{n}{\mathrm{\Σ}}}\frac{\mathrm{Bet}{P}_{m_i}\left(\mathrm{\θ}\right)}{n}$

步骤203：计算每条证据与参考证据的关联系数

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}$

其中Δ_ij＝|m₀(j)-m_i(j)|，j的取值范围为[1，M]，ρ的取值范围为[0，1]，为两级最小差，为两级最大差。

步骤204：计算各证据体与参考证据的关联度

步骤205：对关联度进行归一化处理，得到证据体m_i的相对可信度

步骤206：得到证据m_i的绝对可信度

$\begin{array}{cc}{\mathrm{\η}}_i={\mathrm{\ψ}}_i/\underset{j=\mathrm{1,2},...,n}{\max \left\{{\mathrm{\ψ}}_i\right\}}& i=1,...,n;\end{array}$

步骤207：得到证据m_i的折扣系数

ω_i＝f(η_i)     i＝1，…，n

其中f为BUM函数，满足：

f(0)＝0，f(1)＝1 and f(x)≥f(y) if x≥y

可选择的BUM函数很多，可以根据实际应用需要进行选择。

步骤2)、分别对收集到的属性信息进行基于DS证据理论的属性关联，以及对运动信息进行基于目标运动信息的航迹关联。

在获取充分的运动信息及属性信息后，分别进行基于DS证据理论的属性关联以及基于目标运动信息的航迹关联，在进行关联的同时二者还考虑了上一时刻的结果，属性关联进行冲突分析，当证据出现冲突时，该时刻不立即给出精细的融合结论，而是等待下一时刻的证据支持；运动信息关联则是在给出关联度的时候利用滑窗法将上一时刻的关联结果纳入关联度的计算方法中。

基于目标运动信息的航迹关联度

“航迹-航迹”关联算法有加权统计检验法、修正的加权统计检验法、最近邻域法(NN)、经典分配法、独立/相关序贯法、K近邻域法，基于模糊数学的关联算法如模糊双门限关联算法、基于模糊综合函数的关联算法、模糊综合评判关联算法等，还有运用人工神经网络技术来求解航迹关联问题等算法。

用表示局部结点1第i条航迹在k时刻的状态估计，分别表示k时刻局部结点2的n₂个状态估计与局部结点1第i条航迹在k时刻的状态估计的统计距离：

$D_j^i\left(k\right)={({\hat{X}}_i^1\left(k\right)-{\hat{X}}_j^2\left(k\right))}^T{(P_i^1\left(k\right)+P_j^2\left(k\right))}^{-1}({\hat{X}}_i^1\left(k\right)-{\hat{X}}_j^2\left(k\right))$

式中：分别是局部结点1，2的第i，j条航迹在k时刻的状态估计误差协方差。

基于目标运动信息的航迹i，j关联度记为则：

$m_d^{i,j}=1-\frac{D_j^i}{D_1^i+D_2^i+...D_{n_2}^i}(i=\mathrm{1,2},...n_1,j=\mathrm{1,2},...n_2).$

基于属性信息的航迹关联度

在D-S组合规则中，系数用于衡量融合的各个证据之间的冲突程度。

则，航迹i，j的关联系数为

${\mathrm{\α}}_j^i=1-k_j^i$

将关联系数归一化，得到基于目标属性信息的航迹i，j关联度记为则：

$m_k^{i,j}=\frac{{\mathrm{\α}}_j^i}{{\mathrm{\α}}_1^i+{\mathrm{\α}}_2^i+...{\mathrm{\α}}_{n_2}^i}(i=\mathrm{1,2},...n_1,j=\mathrm{1,2},...n_2)$

步骤3)、综合目标的属性信息及运动信息的关联度，以概率的形式给出综合识别结果，以便后续各类任务处理能够依据各自需求使用该识别结果。

将基于目标属性信息的航迹关联度作为权重代入基于运动属性关联度中，得到最终的航迹关联系数

${\mathrm{\β}}_j^i=m_d^{i,j}*m_k^{i,j}.$

将航迹关联系数归一化，得到航迹总关联度

$m_l^{i,j}=\frac{{\mathrm{\β}}_j^i}{{\mathrm{\β}}_1^i+{\mathrm{\β}}_2^i+...{\mathrm{\β}}_{n_2}^i}(i=\mathrm{1,2},...n_1,j=\mathrm{1,2},...n_2).$

仿真结果

本发明以雷达系统和电子战系统的综合识别为例，假设这两个信息源均检测到两个目标，以雷达系统检测目标为准。对两个目标的交叉进行运动以及不交叉的情况进行仿真，以验证目标在交叉运动时，运动信息关联易出错的情况下，属性信息的关联是否能对关联度进行修正。

表1为目标运动轨迹不交叉时，基于目标运动信息关联系。表2为目标运动轨迹不交叉时属性信息关系表。表3为目标运动轨迹不交叉时综合关联度表。从表1、表2、表3可以看出，目标保持平稳的运动状态时，基于目标运动信息的关联度会趋于稳定，此时的综合关联度亦保持输出正确的结果。

表1

表2

表3

表4为航迹交叉时基于目标运动信息关联度表。表5为航迹交叉时属性信息关联度。表6为航迹交叉时综合关联度表。从表4、表5、表6可以看出，目标轨迹交叉时，由于目标航迹交叉，基于运动信息的关联度会出现几个时刻的关联度出错的情况，但由于此时基于属性信息的关联度保持正确输出，因此，综合关联度亦能正确输出。

表4

表5

表6

Claims (10)

1.一种利用不同类型信息进行目标综合识别的方法，包含以下步骤：

步骤1)、由多类传感器获得目标的运动信息及属性信息；

步骤2)、分别对收集到的属性信息进行基于DS证据理论的属性关联，以及对运动信息进行基于目标运动信息的航迹关联；

步骤3)、综合目标的属性信息及运动信息的关联度，以概率的形式给出综合识别结果。

2.根据权利要求1所述的方法，其特征在于所述步骤1)中多类传感器包含雷达系统，采用以下方法获得运动信息及属性信息：

步骤a.1)、对目标进行测量直接获得目标的运动信息；

步骤a.2)、进行模糊推理，即利用模糊数相似性获得基本概率指派；

步骤a.3)、通过基本概率指派进行决策判断获得目标的属性信息。

3.根据权利要求2所述的方法，其特征在于所述相似性通过噪声模拟方法实现，具体包含以下步骤：

步骤b.1)、根据被模拟噪声片段，采用双高斯分布模型，用EM算法估算出两个高斯分布的均值，方差和比例；

步骤b.2)、结合上一步估计的参数，对每一组高斯分布参数使用Box_Muller变换，按比例分别产生对应的高斯分布数据序列，并将两数据序列合并，生成具有规定振幅概率分布的伪随机序列，称为基础序列；

步骤b.3)、根据被模拟噪声片段，用FFT估计出噪声功率谱，选定一随机相位因子，得到具有期望谱特性的伪随机序列，称为参考序列；

步骤b.4)、运用相关传递法，利用参考序列对具有规定振幅分布的基础序列进行次序重排，得到在振幅分布和谱特性两方面都符合要求的随机序列，即结果噪声序列；

原始噪声和模拟结果噪声的相似度的测量采用皮尔逊相关系数法计算。

4.根据权利要求2所述的方法，其特征在于所述模糊数采用三角形模糊数或正态分布模糊数。

5.根据权利要求2所述的方法，其特征在于所述决策判断包含以下步骤：

步骤c.1)、对全部样本作Pignistic变换，将其转化为单子集基本概率赋值：

其中|A|表示集合A的势，一般情况下

步骤c.2)、按照焦元对应关系相加求平均得到参考样本m₀：

$m_0=\underset{i=1,\mathrm{\θ}\∈\mathrm{\Θ}}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{BetP}}_{m_i}\left(\mathrm{\θ}\right)}{n};$

步骤c.3)、计算每条样本与目标的关联系数：

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}{{\mathrm{\Δ}}_{\mathrm{ij}}+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_{\mathrm{ij}}}$

其中Δ_ij＝|m₀(j)-m_i(j)|，j的取值范围为[1，M]，ρ的取值范围为[0，1]，为两级最小差，为两级最大差；

步骤c.4)、计算各样本与目标的关联度：

步骤c.5)、对关联度进行归一化处理，得到目标m_i的相对可信度：

步骤c.6)、得到目标m_i的绝对可信度：

$\begin{array}{cc}{\mathrm{\η}}_i={\mathrm{\ψ}}_i/\underset{j=\mathrm{1,2},...,n}{\max \left\{{\mathrm{\ψ}}_i\right\}}& i=1,...,n;\end{array}$

步骤c.7)、得到目标m_i的折扣系数：

ω_i＝f(η_i)    i＝1，…，n；

其中f为BUM函数，满足：

f(0)＝0，f(1)＝1 and f(x)≥f(y)if x≥y。

6.根据权利要求1所述的方法，其特征在于所述步骤1)中多类传感器包含光电系统，通过目标图形、图像等信息，和样本库中有关图形、图像相比对，得到目标的属性信息，并且经过图像的预处理、图像的分割识别等一系列信息处理，最终实现对目标位置的运动信息。

7.根据权利要求1所述的方法，其特征在于所述步骤1)中多类传感器包含电子侦察设备，根据得到的目标电子设备的载频、脉宽、脉冲重复频率等参数，利用脉冲重复频率、载频上下限、脉宽上下限与相关样本库数据进行比对，可以得到一定概率的目标电子设备的国籍、装备的平台等属性信息并能同时获取目标的运动信息。

8.根据权利要求1所述的方法，其特征在于所述步骤1)中多类传感器包含无人机，通过各类数据链传输经过处理后的识别结果获得目标的运动信息和属性信息。

9.根据权利要求1所述的方法，其特征在于所述步骤2)中在进行属性关联以及航迹关联时，同时还考虑上一时刻的结果，属性关联进行冲突分析，当证据出现冲突时，该时刻不立即给出精细的融合结论，而是等待下一时刻的证据支持；运动信息关联则是在给出关联度的时候利用滑窗法将上一时刻的关联结果纳入关联度的计算方法中。

10.根据权利要求1所述的方法，其特征在于所述步骤3)具体为：将基于目标属性信息的航迹关联度作为权重代入基于运动属性关联度中，得到最终的航迹关联系数

${\mathrm{\β}}_j^i=m_d^{i,j}*m_k^{i,j};$

将航迹关联系数归一化，得到航迹总关联度

$m_l^{i,j}=\frac{{\mathrm{\β}}_j^i}{{\mathrm{\β}}_1^i+{\mathrm{\β}}_2^i+...{\mathrm{\β}}_{n_2}^i}(i=\mathrm{1,2},...n_1,j=\mathrm{1,2},...n_2).$