CN110008985B - 基于改进d-s证据理论规则的舰载机群目标识别方法 - Google Patents

Abstract

一种基于改进D‑S证据理论规则的舰载机群目标识别方法，包括：S1、识别装置利用多种探测传感器对舰载机群目标进行探测，获取多个探测数据；S2、识别装置根据探测数据抽取若干个原始证据；S3、识别装置对原始证据进行概率转换，得到修正证据；S4、当修正证据的数量等于2时识别装置采用全局冲突系数表征修正证据的冲突度，当修正证据的数量大于2时识别装置采用扩展冲突系数表征修正证据的重读图；S5、识别装置判断证据冲突度是否大于0.5，并根据判断结果选择，若大于则对冲突证据进行折扣处理，若小于或者等于则保持不变，得到折扣证据；S6、识别装置基于D‑S证据理论对折扣证据进行融合，得到目标识别结果。本发明识别率更高，识别结果更加准确。

Description

基于改进D-S证据理论规则的舰载机群目标识别方法

技术领域

本发明涉及目标识别技术领域，具体的说是一种基于改进D-S证据理论规则的舰载机群目标识别方法。

背景技术

二十一世纪以来，智能化技术飞速发展，海、陆、空战场实现了传统战争与信息化的有机融合，为了达到与之相符的联合作战效能，自然也对未来作战有了更高的作战要求。目前，海战场已经逐步具备了协同探测的能力。海战场协同探测系统主要包括雷达系统、ESM系统以及光电/红外系统等多种探测传感器集成装备，分别用来探测敌方目标位置、辐射源、图像等重要信息。这些信息互通互补、相辅相成，对其综合处理后，相比于单一探测源所获取的信息会更全面、更准确、更可靠，从而适于作战。

而在复杂的海战场环境中，各类探测传感器测得的数据往往具有一定的不确定性，因此还必须对各类探测传感器信息进行融合处理，以消除不确定性，从而获取精确的目标信息，得到敌方目标战略意图。D-S(Dempster-Shafer)证据理论是被推崇的处理不确定性的好方法，已为许多专家系统所应用，并且在目标识别问题中有不可忽视的作用。但是当证据之间存在高度冲突时，D-S证据理论在处理结果往往与常理相斥，错误的处理结果会延长目标识别时间，从而错过做出正确指挥决策的时机。

除了D-S证据理论之外，现有技术中也相关学者也提出了一些新的方法，具体如下。

(1)J Dezert,S Florentin.An Introduction to Dsmt for InformationFusion[J].New Mathematics&Natural Computation,2012,8(03):343-359.，Dezert等人在证据理论基础上提出了一种DSmT融合规则，在辨识框架中引入了冲突信息，提出了超幂集的概念，运算量也大大增加，这个规则在实际中有广泛应用。

(2)M.Daniel.Contribution of DSm approach to the belief functiontheory.Proc.of International Processing and Management of Uncertainty inKnowledge-Based Systems,2008:417 –424.，DSmH(DSm Hybrid)融合规则是对不同传感器提供的目标识别证据进行空间域和时间域的决策融合[2]。

(3)J Dezert,D Han,Z G Liu,et al.Hierarchical proportionalredistribution principle for uncertainty reduction and BBA approximation[C].Intelligent Control and Automation.IEEE, 2010:664-671.，Dezert提出了一种分层比例再分配(HPR)方法来对基本概率分配进行近似计算，降低各个证据中的不确定性。

(4)Murphy C K.Combining belief functions when evidence conflicts [J].Decision Support Systems，2000，29(1):1-9，Muphy提出了一种平均加权的证据理论融合方法。

发明内容

为了解决现有技术中的不足，本发明提供一种基于改进D-S证据理论规则的舰载机群目标识别方法，识别率更高，识别结果更加准确。

为了实现上述目的，本发明采用的具体方案为：

一种基于改进D-S证据理论规则的舰载机群目标识别方法，包括如下步骤：

S1、识别装置利用多种探测传感器对舰载机群目标进行探测，获取多个探测数据；

S2、识别装置根据探测数据抽取若干个原始证据；

S3、识别装置对原始证据进行概率转换，得到修正证据；

S4、当修正证据的数量等于2时识别装置采用全局冲突系数表征修正证据的冲突度，当修正证据的数量大于2时识别装置采用扩展冲突系数表征修正证据的冲突度；

S5、识别装置判断证据冲突度是否大于0.5，并根据判断结果选择，若大于则对冲突证据进行折扣处理，若小于或者等于则保持不变，得到折扣证据；

S6、识别装置基于D-S证据理论对折扣证据进行融合，得到目标识别结果。

作为一种优选方案，S2中，设舰载机群目标的探测结果构成辨识框架{θ₁,θ₂,…,θ_n}，θ_i,1≤i≤n为焦元，则多个原始证据表示为：

M₁:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

M₂:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

M_n:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

其中m(θ_i),1≤i≤n表示对焦元θ_i的基本概率分配；

S3的具体方法包括：

S3.1、将辨识框架的子集表示为A,B,C…，计算m(θ_i)占焦元θ_i所在集合A的基本概率分配m(A) 的比例：

S3.2、依照比例进行概率转换，具体方法为：

式中BetP'(θ_i)为m(θ_i)的修正值；

修正证据表示为：

作为一种优选方案，S4中，当修正证据的数量等于2时，全局冲突系数表示为：

当修正证据的数量大于2时，扩展冲突系数表示为：

其中，K₀＝K(M₁,M₂)，K'为表示不包括证据i在内的全局冲突系数，并且有

作为一种优选方案，S5中，若证据冲突度大于0.5，则对冲突证据的折扣处理的方法为：

S5.1、计算修正证据M_i'和M_j'之间的概率距离为：

S5.2、计算修正证据M_i'和M_j'之间的相似度为：

sim(M_i',M_j')＝1-diff(M_i',M_j')；

S5.3、计算其余所有修正证据对修正证据M_i'的支持度为：

S5.4、计算修正证据M_i'的绝对信任度crd(M_i')和相对信任度crd^r(M_i')：

S5.51、若修正证据M_i'的冲突程度大于0.5，则计算折扣系数ω_i＝exp(-crd(M_i'))，然后利用折扣系数ω_i对修正证据M_i'进行折扣，具体方法为：

S5.52、若修正证据M_i'的冲突程度小于或者等于0.5，则修正证据M_i'保持不变；

S5.6、折扣证据表示为：

作为一种优选方案，S6的具体方法为：

其中

K”为基于全部折扣证据计算得到的全局冲突系数。

有益效果：

1、本发明通过对原始证据进行概率转换，使得数据转换到决策层，有利于数据的使用和快速做出决策；

2、本发明根据证据的数量分别通过全局冲突系数和扩展冲突系数来对证据之间的冲突度进行描述，能够更加精确地描述冲突度；

3、本发明根据冲突系数选择对冲突证据进行折扣或者保持不变，使本发明能够尽可能多地利用有效信息，排除无效信息，进而使最后的融合结果更贴近实际和准确；

4、本发明具有更高的融合结果准确度和对舰载机群目标的识别率。

附图说明

图1是本发明的流程图；

图2是本发明实施例中仿真实验一的融合结果示意图；

图3是本发明实施例中仿真实验二的融合结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，一种基于改进D-S证据理论规则的舰载机群目标识别方法，包括S1至S6。

S1、识别装置利用多种探测传感器对舰载机群目标进行探测，获取多个探测数据。

S2、识别装置根据探测数据抽取若干个原始证据。设舰载机群目标的探测结果构成辨识框架{θ₁,θ₂,…,θ_n}，θ_i,1≤i≤n为焦元，则多个原始证据表示为：

M₁:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

M₂:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

M_n:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

其中m(θ_i),1≤i≤n表示对焦元θ_i的基本概率分配。

S3、识别装置对原始证据进行概率转换，得到修正证据。S3的具体方法包括S3.1至S3.2。

S3.1、将辨识框架的子集表示为A,B,C…，计算m(θ_i)占焦元θ_i所在集合A的基本概率分配m(A)的比例：

S3.2、依照比例进行概率转换，具体方法为：

式中BetP'(θ_i)为m(θ_i)的修正值；

修正证据表示为：

S4、当修正证据的数量等于2时识别装置采用全局冲突系数表征修正证据的冲突度，当修正证据的数量大于2时识别装置采用扩展冲突系数表征修正证据的冲突度。

其中全局冲突系数表示为：

扩展冲突系数表示为：

其中，K₀＝K(M₁,M₂)，K'为表示不包括证据i在内的全局冲突系数，并且有

S5、识别装置判断证据冲突度是否大于0.5，并根据判断结果选择，若大于则对冲突证据进行折扣处理，若小于或者等于则保持不变，得到折扣证据。

S5的具体方法包括S5.1至S5.6。

S5.1、计算修正证据M_i'和M_j'之间的概率距离为：

S5.2、计算修正证据M_i'和M_j'之间的相似度为：

sim(M_i',M_j')＝1-diff(M_i',M_j')。

S5.3、计算其余所有修正证据对修正证据M_i'的支持度为：

S5.4、计算修正证据M_i'的绝对信任度crd(M_i')和相对信任度crd^r(M_i')：

S5.51、若修正证据M_i'的冲突程度大于0.5，则计算折扣系数ω_i＝exp(-crd(M_i'))，然后利用折扣系数ω_i对修正证据M_i'进行折扣，具体方法为：

S5.52、若修正证据M_i'的冲突程度小于或者等于0.5，则修正证据M_i'保持不变。

S5.6、折扣证据表示为：

S6、识别装置基于D-S证据理论对折扣证据进行融合，得到目标识别结果，具体方法为：

其中

K”为基于全部折扣证据计算得到的全局冲突系数。

证据理论在实际应用中，能直接作出决策的数据层称为决策层，因为每个证据中都存在不确定的部分，所以通常是经过概率转换将证据中的一些不确定信息通过比例的形式分配到各个确定信息中，从而得到可以直接作出决策的决策层数据。但是，原始证据中存在冲突证据时概率转换后同样可能会存在冲突现象，所以本发明加入了描述冲突系数的步骤，从而实现既能解决冲突问题又能快速作出决策。

进一步的，因为在证据融合的过程中信任度高的证据对融合结果更加有利，所以本发明在得到了修正证据之后进一步对修正证据进行折扣，即对绝对信任度高的修正证据赋予更高的权重，从而在后续利用折扣证据进行证据融合的时候能够尽可能多的利用有效信息而排除无效信息，使得最后的融合结果更贴近实际和更加准确。

为了进一步验证本发明的融合精确度和目标识别可信度，设定如下仿真实验。

仿真实验一。

设有雷达、红外两种探测传感器对航母编队舰载机群进行识别。识别目标有两种不同结果，分别为某型舰载电子战飞机和某型舰载战斗机，那么辨识框架可表示为Θ:{A,B}。

两种探测传感器确定了两个相互独立的证据M₁和M₂，它们的基本信度分配函数分别表示为：

仿真结果如表1和图2所示。

	A	B	AB
				本发明	0.6871	0.2034	0.1095
D-S	0.5358	0.4097	0.0545
				DsmH	0.1800	0.0900	0.7300
DsmT	0.1800	0.0500	0.7700
				Muphy	0.5101	0.4646	0.0253
PCR1	0.5040	0.3460	0.1500

表1两个证据情况下本发明与几种现有技术中融合方法的融合结果对比表

由两个证据的基本概率分配可知，雷达探测目标倾向于某型舰载电子战飞机，而红外的探测目标明显是某型舰载战斗机，表明证据M₁和M₂存在冲突，因为修正证据的数量等于2，所以识别装置计算两种探测传感器识别目标的全局冲突系数K＝0.72。分别使用本发明和现有技术中的几种融合方法对M₁和M₂进行融合，可见DsmH和DsmT两种方法的目标识别不准确率最高，均不能解决冲突问题，最终无法准确识别目标。其余四种方法虽然均能识别目标，但是本发明识别率最高，目标识别的不确定性也更低。

仿真实验二。

在仿真实验一的基础上，进一步加入第三种探测探测传感器ESM，其基本概率分配为M₃:{m₃(A)＝0.7,m₃(B)＝0.1,m₃(AB)＝0.2}。

仿真结果表2和图3所示。

表2三个证据情况下本发明与几种现有技术中融合方法的融合结果对比表

三个探测传感器证据的全局冲突系数K＝0.648，由于冲突程度变小，目标识别结果会更准确。根据目标识别结果表2和图3，可以看出D-S证据理论识别结果与事实相悖，证明其无法适用到有高冲突证据的应用背景中；而其它几种方法对某型舰载电子战飞机的识别率均有所提升，但是本发明提出的方法识别率最高，识别效果也更好，相比其它方法目标识别速度会更高。

进一步的，从以上两个仿真实验可以看出，当证据个数逐渐增大时，本发明的融合结果准确度上升，而融合结果的不确定性下降。并且相比于现有技术中的其它方法，本发明的准确性上升更快，更适合用到目标识别领域中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于改进D-S证据理论规则的舰载机群目标识别方法，其特征在于：包括如下步骤：

S1、识别装置利用多种探测传感器对舰载机群目标进行探测，获取多个探测数据；

S2、识别装置根据探测数据抽取若干个原始证据；

S3、识别装置对原始证据进行概率转换，得到修正证据；

S4、当修正证据的数量等于2时识别装置采用全局冲突系数表征修正证据的冲突度，当修正证据的数量大于2时识别装置采用扩展冲突系数表征修正证据的冲突度；

S5、识别装置判断证据冲突度是否大于0.5，并根据判断结果选择，若大于则对冲突证据进行折扣处理，若小于或者等于则保持不变，得到折扣证据；

S6、识别装置基于D-S证据理论对折扣证据进行融合，得到目标识别结果。

2.如权利要求1所述的一种基于改进D-S证据理论规则的舰载机群目标识别方法，其特征在于：S2中，设舰载机群目标的探测结果构成辨识框架{θ₁,θ₂,…,θ_n}，θ_i,1≤i≤n为焦元，则多个原始证据表示为：

M₁:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

M₂:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

M_n:{m(θ₁),m(θ₂)…m(θ_n)…m(θ₁θ₂…θ_n)}；

其中m(θ_i),1≤i≤n表示对焦元θ_i的基本概率分配；

S3的具体方法包括：

S3.1、将辨识框架的子集表示为A,B,C…，计算m(θ_i)占焦元θ_i所在集合A的基本概率分配m(A)的比例：

S3.2、依照比例进行概率转换，具体方法为：

式中BetP'(θ_i)为m(θ_i)的修正值；

修正证据表示为：

3.如权利要求2所述的一种基于改进D-S证据理论规则的舰载机群目标识别方法，其特征在于：S4中，当修正证据的数量等于2时，全局冲突系数表示为：

当修正证据的数量大于2时，扩展冲突系数表示为：

其中，K₀＝K(M₁,M₂)，K'为表示不包括证据i在内的全局冲突系数，并且有

4.如权利要求3所述的一种基于改进D-S证据理论规则的舰载机群目标识别方法，其特征在于：S5的具体方法为：

S5.1、计算修正证据M_i'和M_j'之间的概率距离为：

S5.2、计算修正证据M_i'和M_j'之间的相似度为：

sim(M_i',M_j')＝1-diff(M_i',M_j')；

S5.3、计算其余所有修正证据对修正证据M_i'的支持度为：

S5.4、计算修正证据M_i'的绝对信任度crd(M_i')和相对信任度crd^r(M_i')：

S5.51、若修正证据M_i'的冲突程度大于0.5，则计算折扣系数ω_i＝exp(-crd(M_i'))，然后利用折扣系数ω_i对修正证据M_i'进行折扣，具体方法为：

S5.52、若修正证据M_i'的冲突程度小于或者等于0.5，则修正证据M_i'保持不变；

S5.6、折扣证据表示为：

5.如权利要求4所述的一种基于改进D-S证据理论规则的舰载机群目标识别方法，其特征在于：S6的具体方法为：

其中

K”为基于全部折扣证据计算得到的全局冲突系数。

Images