CN106529675A - 基于冲突度量和模糊推理的融合识别方法 - Google Patents

Abstract

本发明属于多传感器融合识别技术，针对机群作战目标识别，提出一种基于冲突度量和模糊推理的融合识别方法。考虑战场环境存在电磁干扰和欺骗对抗以及传感器平台高速高机动等客观因素，会导致多传感器决策结果不一致甚至冲突，从影响传感器决策结果的实际因素出发，利用模糊推理将实际因素转换为模糊效用值。然后根据各因素权重将模糊效用值转换为传感器的可信度，再利用可信度做证据转换，从而消除客观因素对传感器决策的影响。最后度量转换后的证据之间的冲突，若大于冲突门限，采用DSmT+PCR5推理方法，否则采用D‑S推理方法。该方法适用于多传感器在机群作战环境下的目标融合识别。

Description

基于冲突度量和模糊推理的融合识别方法

技术领域

本发明属于多传感器目标融合识别技术，涉及多传感器在复杂作战环境中的目标融合识别问题，提供了一种基于冲突度量和模糊推理的融合识别方法。

背景技术

多传感器融合识别技术在民用和军事领域都有广泛的应用价值，一直受到国内外学者的广泛关注。目前主要使用融合识别技术有主观Bayes方法、D-S证据理论等。

现在航母舰载机群网络有多种运动平台类型，包括舰载固定翼预警机，舰载电子战飞机，舰载无人机等。因此，其信息感知手段也是多种多样的，包括成像/非成像雷达，红外，可见光，高光谱遥感，电子侦察，技术侦察等。海上作战可能遭遇的目标类型有飞机、舰船、导弹，还有来自水下的鱼雷等。由于复杂战场电磁环境的影响，传感器可能遭遇干扰或者欺骗对抗，另外传感器平台的运动状态和观测位置，都可能导致传感器决策信息之间存在矛盾甚至冲突的问题，给机群作战融合识别的决策带来了很大困难。

传统的融合识别技术大多是从目标的特征和运动状态等方面进行研究的，但是传感器平台的作战环境和运动状态，都会对传感器的决策产生很大的影响。现有的多源融合识别技术由于没有考虑传感器是否受到干扰、传感器的数据质量以及传感器的运动平台状态灯因素的影响，导致融合识别效果不佳。

发明内容

本发明的目的在于针对多传感器目标融合识别，提供一种基于冲突度量和模糊推理的融合识别方法。考虑现有目标融合识别技术并未考虑传感器自身因素的局限性，从传感器是否被干扰、传感器的数据质量以及传感器平台的运动状态出发，利用模糊推理的方法求得传感器的可信度并进行证据转换，从而消减了传感器自身因素对融合结果的影响。然后根据冲突度量结果进行推理融合，得到了一种基于冲突度量和模糊推理的融合识别方法。该算法适用于多传感器融合识别，其方法流程如图1所示，包括以下步骤：

步骤1：对多传感器的证据进行冲突度量，先求基于决策结果相容性关系的冲突度量，如式(1)，再求Jousselme证据距离冲突度量，如式(2)。

在同一辨识框架Ω上，存在K组证据(正整数K≥2)，m_k(X_k)表示第k组证据的焦元X_k的基本信度赋值。

其中

||m||²＝<m,m> (3)

cf(m₁,m₂)＝<C₁₂，d_BBA(m₁,m₂)> (5)

在同一辨识框架Ω上，m₁和m₂是两条证据的基本信度赋值，|·|表示取元素个数运算，2^M表示最大可能的焦元个数。

当证据多于两条时，先利用式(2)对任意两条证据进行冲突度量，然后取其中的最大值作为Jousselme证据距离冲突度量的结果，最后Jousselme冲突度量结果与基于相容性关系的冲突度量结果共同作为判定证据是否冲突的依据，如式(5)。当两种冲突度量结果都大于冲突门限时，判定证据源之间冲突，冲突门限由专家知识库制定。若判定证据间不存在冲突，利用D-S证据理论对证据进行融合推理，否则进行步骤2。

步骤2：若度量结果判定证据间存在冲突，则考虑影响传感器决策的因素，利用模糊推理将实际因素值转换为模糊效用值，转换函数关系如式(6)所示。

μ_ij＝fu_j(x_ij) (6)

其中，fu_j为因素j的模糊效用函数，x_ij为传感器i的因素j的实际值，μ_ij为传感器i的因素j的模糊效用值。

传感器平台机动状态和速度的模糊函数采用降半高斯函数，如式(7)所示；传感器数据质量采用升半高斯函数，如式(8)所示。模糊函数的具体参数k和a由专家知识库确定，因此不同因素的模糊函数的参数也不相同。

降半高斯函数为：

升半高斯函数为：

函数中的x表示各因素的实际值，其中传感器平台的机动程度用过载表示，用重力加速度G的绝对值来度量，一个G的转弯即9.8m/s²；传感器平台速度同样是用速度的绝对值来度量，单位是m/s；传感器数据质量评估结果，用0-10的数表示，0表示数据质量最差，10是表示数据质量最好。

传感器是否受到干扰以及被干扰的程度是定性因素，将传感器被干扰的程度分为4个级别，分别是未被干扰、轻度干扰、中度干扰和重度干扰，并对它们进行直接效用转换，如式(9)所示。

步骤3：将传感器各因素的模糊效用值加权得到该传感器的可信度，计算方法如式(10)所示。

其中，β_i是第i个传感器的可信度，ω_j表示第j个因素的权重，μ_ij表示第i个传感器的第j个因素的模糊效用值。影响传感器决策的因素的权重由专家知识库制定。

步骤4：根据各传感器的可信度对相应证据进行证据转换，转换方法如式(11)所示。

其中，X代表证据中对焦元，m(X)代表对证据中焦元X的基本信度赋值，m_β(X)代表转换后的证据中焦元X的基本信度赋值。值得注意的是，这里的并不代表经典的Dempster理论中的冲突的信度赋值，也不代表Smets的开放世界理论^[9]中对未知目标的信度赋值^[10]，而仅仅表示传感器在决策时受战场环境和自身平台运动状态的影响程度，所以在冲突度量的计算过程中不能包括的值。

步骤5：对转换后的证据进行冲突度量，度量方法同步骤1。将冲突度量结果与冲突门限比较，若度量结果的两个元素都大于冲突门限，即判定为证据冲突；否则不冲突，说明第一次判定的冲突是由传感器所处环境和自身运动状态影响所致，是伪冲突。此处的冲突门限同样由专家知识库确定。

步骤6：根据步骤5的证据冲突判定结果，选择推理融合方法。若不冲突，使用D-S推理进行融合，如式(12)；若判定冲突，使用DSmT+PCR5方法融合推理，如式(14)。

其中，m_i(A_j)表示第i条证据的焦元A_j的基本信度赋值，系数k表示证据间的冲突程度。

下式中，m₁₂(x)对应两个证据源合取一致的组合结果。

附图说明

图1：技术方案流程图；

图2：证据转换流程图。

具体实施方式

下面结合说明书附图对本发明作进一步详细描述，参照说明书附图1和附图2。

实施条件：假设现有两个传感器对海上目标进行探测获得两条证据，m₁和m₂是这两条证据的基本信度赋值，并且已知传感器被干扰程度、数据质量、机动状态和平台速度信息。

本发明中基于冲突度量和模糊推理的融合识别方法分为以下几个步骤：

步骤1：冲突度量

基于决策结果相容性冲突度量

Jousselme证据距离冲突度量

综合冲突度量cf(m₁,m₂)＝<C₁₂，d_BBA(m₁,m₂)>

当综合冲突度量的两个元素都大于专家知识库制定的冲突门限时，即判定两个证据冲突。专家知识库会根据战场需求不断修正。

步骤2：若证据度量结果判定两个证据间冲突，将影响两个传感器决策的因素值转化为模糊效用值。转换函数模型为：

μ_ij＝fu_j(x_ij)

其中，fu_j为因素j的模糊效用函数，x_ij为传感器i的因素j的实际值，μ_ij为传感器i的因素j的模糊效用值。

传感器平台的机动程度用过载表示，度量单位为重力加速度G(9.8m/s²)，速度的度量单位是m/s，在实际计算时都是用绝对值，两者的模糊函数采用降半高斯函数；传感器数据质量评估结果，用0-10的数表示，0表示数据质量最差，10是表示数据质量最好，传感器数据质量的模糊函数采用升半高斯函数。模糊函数的具体参数k和a由专家知识库确定，因此不同因素的模糊函数的参数也不相同，并且根据作战环境和任务的不同参数也可能进行调整。

降半高斯函数

升半高斯函数

传感器是否受到干扰以及被干扰的程度是定性因素，将传感器被干扰的程度分为4个级别，分别是未被干扰、轻度干扰、中度干扰和重度干扰，并对它们进行直接效用转换。

步骤3：计算两个传感器的可信度。

其中，β_i是第i个传感器的可信度，ω_j表示第j个因素的权重，μ_ij表示第i个传感器的第j个因素的模糊效用值。影响传感器决策的因素的权重由专家知识库制定。

步骤4：修正证据各焦元的基本概率赋值。

其中，X代表证据中对焦元，m(X)代表对证据中焦元X的基本信度赋值，m_β(X)代表转换后的证据中焦元X的基本信度赋值。值得注意的是，这里的仅仅表示传感器在决策时受战场环境和自身平台运动状态的影响程度。

步骤5：度量修正后的证据是否冲突，方法同步骤1。

步骤6：根据上一步的度量结果选择推理融合方法。若不冲突使用D-S推理融合方法，否则使用DSmT+PCR5推理融合方法。

D-S推理融合方法：

其中，m_i(A_j)表示第i条证据的焦元A_j的基本信度赋值，系数k表示证据间的冲突程度。DSmT+PCR5推理融合方法：m₁₂(x)表示两个证据源合取一致的组合结果，x和y表示两个证据的焦元。

Claims (4)

1.基于冲突度量和模糊推理的融合识别方法，其特征在于包括以下步骤：

步骤1：对证据源进行冲突度量，若不冲突，利用D-S证据理论推理融合，否则进入下一步；

步骤2：若冲突度量判定证据冲突，利用模糊函数将影响传感器决策的因素实际值转换为模糊效用值μ_ij；

步骤3：利用影响传感器决策的各因素权重ω_j和各因素的模糊效用值μ_ij，求得各传感器的可信度

步骤4：利用传感器的可信度β_i对证据的基本信度赋值进行修正；

步骤5：对修正后的证据进行冲突度量；

步骤6：根据上一步的冲突度量结果选择融合推理方法；若不冲突，利用D-S证据理论推理融合；若冲突，利用DSmT+PCR5推理融合方法。

2.根据权利要求1所述的基于冲突度量和模糊推理的融合识别方法，其特征在于步骤2具体为：

步骤2-1：将影响传感器决策的因素值转化为模糊效用值，传感器平台的机动程度和传感器平台速度的模糊函数都采用降半高斯函数；其中，机动程度用过载表示，度量单位为重力加速度G(9.8m/s²)，速度用实际值的绝对值表示，度量单位是m/s；模糊函数的具体参数k和a由专家知识库确定；

降半高斯函数

步骤2-2：传感器数据质量评估结果的模糊函数采用升半高斯函数，用0-10的数表示，0表示数据质量最差，10是表示数据质量最优；

升半高斯函数

步骤2-3：传感器是否受到干扰以及被干扰的程度是定性因素，将传感器被干扰的程度分为4个级别，分别是未被干扰、轻度干扰、中度干扰和重度干扰，并对它们进行直接效用转换，

3.根据权利要求1所述的基于冲突度量和模糊推理的融合识别方法，其特征在于步骤3具体为：

步骤3：计算两个传感器的可信度，

${\mathrm{\&beta;}}_i=\underset{j=1}{\overset{4}{\&Sigma;}}{\mathrm{\&omega;}}_j{\mathrm{\&mu;}}_{ij}$

式中，β_i是第i个传感器的可信度，ω_j表示第j个因素的权重，μ_ij表示第i个传感器的第j个因素的模糊效用值，影响传感器决策的因素的权重由专家知识库制定。

4.根据权利要求1所述的基于冲突度量和模糊推理的融合识别方法，其特征在于步骤4具体为：

步骤4：修正证据各焦元的基本概率赋值，

式中，X代表证据中对焦元，m(X)代表对证据中焦元X的基本信度赋值，m_β(X)代表转换后的证据中焦元X的基本信度赋值，值得注意的是，这里的仅仅表示传感器在决策时受战场环境和自身平台运动状态的影响程度。