基于证据理论的目标综合识别

李辰　汪鹏 　李建勋

【摘 要】现代战争是信息化的战争，战场环境十分复杂。目标的综合识别技术越来越受到重视。目标综合识别充分利用多源传感器的信息，将其中目标身份信息依据某种准则进行组合，以获得更为准确可靠的目标身份估计。本文提出了一种基于D-S证据理论的多源信息决策级目标综合识别方法，利用多源目标识别信息进行证据推理，对目标的类型、属性、型号进行综合决策，有效解决了多源识别信息的冲突问题，提高了目标识别正确率。

【关键词】综合识别;证据理论

中图分类号： TN971文献标识码： A 文章编号： 2095-2457（2019）33-0138-002

DOI：10.19694/j.cnki.issn2095-2457.2019.33.068

0 引言

现代战争是信息化的战争，战场环境十分复杂，一方面由于各种监测设备功能不断提升而使检测到的信息复杂多变，另一方面隐身、干扰和欺骗等反对抗技术的应用，对局限于单一传感器的目标识别系统提出了更严峻考验。为了完成区域内目标的综合识别，应用多传感器信息融合手段的目标综合识别系统应运而生。在目标综合识别系统中，每个传感器提供的信息往往不完整且具有某种程度的不确定性，甚至相互矛盾。目标综合识别系统必须依据这些信息分析推理，达到目标属性识别的目的。

1 目标综合识别概念

目标识别实际上就是对目标身份的确认。目标综合识别是目标身份信息的融合，包括目标类型、属性、型号的融合。它将由系统中多个平台或传感器提供的信息进行融合，产生比系统中任一单源信息更有效、更精确的身份估计和判决。按照处理信息的层次，可将目标综合识别分为：数据级综合识别、特征级综合识别和决策级综合识别三种融合结构。

其中，决策级目标综合识别凭借信息处理方便灵活、系统内信息交互量低、能处理非同步异类信息等优点，而成为目标综合识别领域的研究热点。

2 目标综合识别层级

综合识别通过传感器、数据链等多源信息融合，可自主或辅助操作员完成对区域内个体及群体目标的特征、身份及威胁判断，辅助感知综合态势，为行动决策提供支撑。综合识别划分为类型、属性、型号识别三个个层次：

2.1 类型识别

识别目标类型，如飞机A、舰船B等类型，并提供识别置信度。

2.2 属性识别

识别目标属性，如敌、我、友、中立、不明等属性，并提供识别置信度。

2.3 型号识别

识别目标型号，并提供型号识别置信度。

3 目标综合识别算法

目前，多传感器目标综合识别应用较为广泛的是Dempster Shafer（D-S）证据理论。该方法对概率论的理论进行了扩展，把事件扩展成命题，事件集合扩展成命题集合，并提出了基本概率分配、信任函数和似然函数（又称合理性函数）的概念，建立了命题和集合之间的一一对应关系，从而把命题的不确定性问题转化为集合的不确定性问题。

D-S证据理论首先定义了一个互不相容事件的完备集合Θ，称为辨别框架。对于任何命题A，如果函数m：2Θ→[0，1]满足：

则称m为框架Θ上的基本概率指派，m（A）表示证据对命题A的支持程度。信任函数（Bel）和似真函数（Pl）的定义如下：

D-S证据理论的组合规则表达如下：

在D-S组合规则中，系数K用于衡量融合的各个证据之间冲突程度。

4 基于证据理论的装备类型识别

在进行装备类型识别时，我们同时采用多个传感器，且每个传感器进行多个周期测量，然后将全部信息融合。基于决策级目标综合识别的多传感器装备类型识别算法过程，如图1所示。

用D-S方法得到合并后的基本概率分配后，如何求得最后决策结果？这里没有统一方法，必须根据具体问题进行具体分析。在装备类型识别中，提出了如下基于D-S融合方法的装备类别分类决策规则：

规则1 装备类别具有最大的可信度;

规则2 装备类别可信度与其他类别可信度的差必须大于某一阈值;

规则3 不确定性区间长度必须小于某一阈值ε1;

规则4 装备类别的可信度值必须大于不确定性区间长度。

设？埚A1，A2？奂？赘，满足

M（A1）=max{M（Ai），Ai？奐？赘}

M（A2）=max{M（Ai），Ai？奂？赘andAi≠A1}

若有：M（A1）-M（A2）>ε1

M（U）<ε2

M（A1）>M（U）

则A1为决策结果，其中ε1，ε2为预先设定的阈值。

识别计算过程：

（1）采取决策级目标综合识别方法，即先时间域内融合（融合每个传感器不同周期的数据）：

（2）然后再空间域内融合，将个传感器看做一个传感系统，则有：

（3）作决策，采用基于概率赋值的决策准则判别：

M（A1）=max{M（Ai），Ai？奂？赘}

M（A2）=max{M（Ai），Ai？奂？赘andAi≠A1}

若有：M（A1）-M（A2）>ε1

M（U）<ε2

M（A1）>M（U）

则A1就是判别目标。

5 仿真实例及分析

选取四个传感器进行实例分析。在多传感器装备平台识别中，先利用专家知识，给出对基本可信度的分配函数。在该例中，4个传感器各有两个测量周期， 且 4 个传感器所测量的数据相互独立。该实例的识别框架为{A1，A2，A3，A4，U}，分别代表四种不同的已知装备类型和一种未知装备类型。

对于各装备类型，4个传感器经过各测量周期后确定的基本可信度分配，如表2所示。表中Msj表示第s个传感器在第j个测量周期确定的基本可信度分配。

表2 4个传感器在各个测量周期确定的基本可信度分配

按照决策级目标综合识别算法，对4个传感器，基于所有周期的累积测量，计算每一个命题的融合后验基本可信度分配，其结果如表3所示。

表3 4个传感器所有周期累积测量的融合后验基本可信度分配

基于以上每个传感器所有周期累积测量的融合后验基本可信度分配，计算每个命题的融合后验基本可信度分配 ，其结果如下：

M（A1）=0.8505，M（A2）=0.1444，M（A3）=0.0080，M（A4）=0.0033，M（A4）=0.0033，M（U）=6.28e-5，这里选取ε1=ε2=0.1，决策结果为A1。

6 总结

目标综合识别技术是智能化多源数据信息融合的重要组成部分，在预警探测、敌我识别等领域都有着广泛应用前景。本文使用了基于证据理论的决策级目标综合识别技术，消除了多传感器独立识别装备类型时存在的信息冗余和矛盾，明显改善单一传感器可能存在的无法识别或错误识别等现象，提升了目标综合识别技术水平，为相关技术实用化打下了坚实基础。

【参考文献】

[1]安春莲，黄静，吴耀云.基于证据理论的多源信息融合模型[J].电子信息对抗技术，2017，32（1）：23-26.

[2]王力，白静.改进的证据理论在多传感器目标识别中应用[J].科技通报，2016，32（7）：134-137.

[3]周磊，郑震山，金惠明.基于信息融合的作战效能评估方法[J].电光与控制，2015，7：34-37.