基于改進(jìn)DS理論多周期數(shù)據(jù)融合的目標(biāo)識別方法*

李 捷，楊雪洲，周 亮

（1.電子科技大學(xué)通信抗干擾國家重點實驗室，成都611731；2.四川九洲電器集團(tuán)有限責(zé)任公司，四川 綿陽621000）

0 引言

目標(biāo)識別是指通過各種可利用的技術(shù)和手段，結(jié)合通用或?qū)Ｓ闷脚_設(shè)備，在特定的時空范圍內(nèi)，對目標(biāo)屬性、類型、態(tài)勢等進(jìn)行判別和確認(rèn)，具有重要的軍事價值［1-3］。

目標(biāo)屬性識別作為目標(biāo)識別的重要組成部分，是掌握戰(zhàn)場態(tài)勢，防止誤傷，打贏現(xiàn)代化信息戰(zhàn)爭的重要前提。

多傳感器數(shù)據(jù)融合利用傳感器性能的互補(bǔ)和冗余，擴(kuò)大了傳感器探測的時間覆蓋范圍、空間覆蓋范圍和頻率覆蓋范圍；提高了目標(biāo)探測判決置信度，降低了模糊性，增強(qiáng)了可靠性和容錯能力，也增強(qiáng)了抗干擾能力，已成為復(fù)雜戰(zhàn)場環(huán)境下目標(biāo)屬性精確識別的重要技術(shù)手段［4-6］。

文獻(xiàn)［7-8］提出了一系列基于Bayesian推理的數(shù)據(jù)融合方法，具有較好的融合效果，但算法對先驗信息的獲取有較高的要求，文獻(xiàn)［9-10］將模糊集理論用于多傳感器數(shù)據(jù)融合，很好地解決了數(shù)據(jù)信息不確定問題，且具有較小的計算復(fù)雜度，但這些方案除了要求具備一定的先驗知識外對指標(biāo)的選取也有較為嚴(yán)苛的要求；文獻(xiàn)［11-12］采用DS證據(jù)理論進(jìn)行多源數(shù)據(jù)融合，減小了對先驗知識的依賴性，但這些方法都采用單周期的融合方式，忽略了歷史識別信息對融合性能的影響，且對證據(jù)沖突的情況考慮不夠。為此，本文提出了一種基于改進(jìn)DS證據(jù)理論的多周期數(shù)據(jù)融合方法，以應(yīng)對復(fù)雜戰(zhàn)場環(huán)境對目標(biāo)屬性識別造成的困難。

1 改進(jìn)DS證據(jù)組合方法

DS證據(jù)組合方法能夠在不需要先驗信息的條件下完成多傳感器數(shù)據(jù)融合判決，考慮到不同平臺不同傳感器獲取信息之間可能存在沖突，一旦傳感器信息屬性指向之間存在沖突，則會造成融合效能的下降，從而不能準(zhǔn)確識別目標(biāo)屬性。為了解決具有互補(bǔ)性、冗余性和模糊性的識別證據(jù)之間的融合處理問題，得到更加準(zhǔn)確、可靠的識別結(jié)果，在典型DS方法的基礎(chǔ)上，提出一種改進(jìn)的DS組合方法，其算法流程如圖1所示，該方法針對識別信息的不同沖突情況采用處理過程控制，使用相應(yīng)的處理結(jié)構(gòu)、融合計算方式。

圖1所示的處理流程根據(jù)不同的識別信息沖突情況選擇合理的處理結(jié)構(gòu)和組合計算方法，采用同維度轉(zhuǎn)換模型三層次識別證據(jù)“低信度先融合，高信度后融合”的分層截斷融合結(jié)構(gòu)，減小低置信度識別信息干擾，使得識別結(jié)果在高信度證據(jù)快速收斂。

1.1 關(guān)聯(lián)質(zhì)量加權(quán)

依據(jù)關(guān)聯(lián)配準(zhǔn)環(huán)節(jié)輸出的關(guān)聯(lián)質(zhì)量和關(guān)聯(lián)多義性，對發(fā)生關(guān)聯(lián)多義性的傳感器的基本信任值進(jìn)行加權(quán)。

圖1 基于改進(jìn)DS證據(jù)理論的融合優(yōu)化控制流程

1.2 識別信源穩(wěn)定性加權(quán)

依據(jù)多周期信源的穩(wěn)定性，對傳感器的基本信任值加權(quán)，假設(shè)第i個傳感器在第k個周期是有應(yīng)答、而在第k+1個周期是無應(yīng)答，那么可判定該信源的穩(wěn)定性較差，進(jìn)而應(yīng)該適當(dāng)降低該傳感器的基本信任值。

1.3 識別信息沖突判斷

識別信息沖突是指識別信息的目標(biāo)屬性指向不同或者模糊，包括以下兩類情況：兩個識別證據(jù)的目標(biāo)屬性指向單一且不一致；兩個識別證據(jù)的目標(biāo)屬性指向模糊，不同的目標(biāo)屬性指向分量之間存在沖突。

1.4 “一票否決”風(fēng)險規(guī)避

在識別證據(jù)目標(biāo)屬性指向模糊的情況下，有可能存在某個目標(biāo)屬性被大多數(shù)的識別證據(jù)所支持，被個別識別證據(jù)否定的情況。為了避免“一票否決”風(fēng)險，使得最終目標(biāo)屬性識別結(jié)果準(zhǔn)確可靠，采用識別證據(jù)相似性度量方法來調(diào)整置信度在目標(biāo)屬性指向的分配。假定識別框架Θ的兩個證據(jù)E1和E2，對應(yīng)的基本信任分配函數(shù)為m1和m2，支持的目標(biāo)屬性指向為Ai和Bj，則證據(jù)間的相似性可用系數(shù)C12來表示：

1）計算識別證據(jù)的相似系數(shù)，給出相似矩陣；

假定識別證據(jù)數(shù)量為n，用式（1）可計算出識別證據(jù)Ei和Ej間的相似系數(shù)，并可表示為相似矩陣M：

2）計算各個識別證據(jù)的支持度和可信度；

將相似矩陣M的每行元素相加得到各證據(jù)對Ei的支持度為：

Sup（mi）表示證據(jù)Ei被其他證據(jù)所支持的程度。如果一個證據(jù)和其他證據(jù)都比較相似，則認(rèn)為它們相互支持的程度也高；相反，如果一個證據(jù)與其他證據(jù)的相似程度較低，則認(rèn)為它們相互支持的程度也較低。

識別證據(jù)可信度利用支持度進(jìn)行表示和計算：

可信度Crd（mi）反映的是證據(jù)Ei的可信程度。一般情況下，一個證據(jù)被其他證據(jù)所支持的程度越高，該證據(jù)的可信度就越大，即證據(jù)越可信；如果一個證據(jù)不被其他證據(jù)所支持，則認(rèn)為該證據(jù)的可信度較低。

3）將可信度作為權(quán)重，對證據(jù)的基本信任分配進(jìn)行加權(quán)平均：

4）用DS合成規(guī)則組合加權(quán)平均證據(jù)，當(dāng)有n組證據(jù)時，組合n-1次。

1.5 不同沖突大小程度的融合處理

在識別處理中，不同識別證據(jù)的沖突程度大小不同，需要選用合適的處理方式來解決沖突。設(shè)識別框架Θ的兩個證據(jù)E1和E2，對應(yīng)的基本信任分配函數(shù)為m1和m2，支持的目標(biāo)屬性指向為Ai和Bj，則證據(jù)間的沖突強(qiáng)度為：

其中，Con（E1，E2）描述的是證據(jù)E1和E2之間信任分配函數(shù)的沖突量，計算方式為：

1）強(qiáng)沖突融合處理。根據(jù)不同傳感器的工作機(jī)制以及交戰(zhàn)規(guī)則限制，不同特征信息的目標(biāo)屬性指向主要從目標(biāo)屬性層、目標(biāo)識別層和行為態(tài)勢層3個層次進(jìn)行識別信息——目標(biāo)屬性轉(zhuǎn)換處理。3個層次定義描述如下：

目標(biāo)屬性層：目標(biāo)屬性層是指無需通過更多的識別信息處理步驟，僅通過目標(biāo)能夠與識別主體通過加密協(xié)作式信源進(jìn)行信息交互這一特征，就可認(rèn)定目標(biāo)敵我屬性的處理層次。

目標(biāo)識別層：目標(biāo)識別層主要針對非協(xié)作式信源獲取的識別信息進(jìn)行目標(biāo)身份、特征推理的處理。

行為態(tài)勢層：行為態(tài)勢層主要是指基于目標(biāo)的動態(tài)識別信息（位置信息）結(jié)合相關(guān)的目標(biāo)身份信息，從飛行計劃驗證和交戰(zhàn)規(guī)則認(rèn)定兩個方面進(jìn)行目標(biāo)敵我屬性指向的處理層次，這兩個方面的認(rèn)定在美軍戰(zhàn)斗識別的概念中統(tǒng)稱為程序認(rèn)定。

在識別信息出現(xiàn)強(qiáng)沖突的情況下，按照證據(jù)建模研究的識別信息對目標(biāo)屬性判斷的不同貢獻(xiàn)層次，分別從上述3個層次進(jìn)行多級截斷融合，即將部分識別證據(jù)先進(jìn)行融合，進(jìn)行局部判決，使得強(qiáng)沖突信息導(dǎo)致的不合理識別結(jié)果截斷，不影響后續(xù)的識別判斷。建立如下頁圖2所示的多級組合結(jié)構(gòu)。

圖2所示的多級分層截斷融合處理結(jié)構(gòu)，完成了對不同層次識別信息的融合處理。

首先完成目標(biāo)屬性層、目標(biāo)識別層和行為態(tài)勢層的內(nèi)部融合，得到不同層次信息關(guān)于目標(biāo)的目標(biāo)屬性判斷；在各個層次進(jìn)行內(nèi)部融合的處理時，利用典型的DS沖突處理方法得到識別結(jié)果，由此得到的識別結(jié)果是一種目標(biāo)屬性指向模糊的中間結(jié)果。

其次，分別計算不同層次識別結(jié)果之間的沖突強(qiáng)度，在強(qiáng)沖突情況下按照多級分層截斷融合處理結(jié)構(gòu)進(jìn)行識別證據(jù)的順序組合判決。首先進(jìn)行行為態(tài)勢層與目標(biāo)識別層的一級組合判決，再進(jìn)行目標(biāo)屬性層、歷史識別結(jié)果的二級和三級組合判決。如果存在人工判定，則優(yōu)先以人工判定結(jié)果為主進(jìn)行識別。

圖2 強(qiáng)沖突信息多級分層截斷融合處理結(jié)構(gòu)

各級處理都要對中間識別結(jié)果進(jìn)行判決，對于不滿足要求的中間識別結(jié)果則將其判為不明目標(biāo)屬性。判決準(zhǔn)則利用絕對門限和相對門限的概念，具體包括：①沖突處理后的置信度最高目標(biāo)屬性的置信度應(yīng)當(dāng)大于絕對門限；②沖突處理后的置信度最高目標(biāo)屬性的置信度與次高置信度之差應(yīng)當(dāng)大于相對門限；③在滿足上述兩個條件的情況下，置信度最高目標(biāo)屬性為目標(biāo)最終目標(biāo)屬性；④在不滿足上述兩個條件的情況下，目標(biāo)判斷為不明。

根據(jù)這種多級階段融合結(jié)構(gòu)進(jìn)行識別處理，可避免低信度證據(jù)對識別結(jié)果的干擾，同時基于多個識別周期的識別結(jié)果累積，也能夠提高識別判斷的可靠性。

2）弱沖突數(shù)據(jù)融合處理。在識別信息弱沖突的情況下，進(jìn)行如圖3所示的并行融合處理。在這種情況下，不同層級識別信息利用典型DS沖突組合判決方法進(jìn)行處理即可，可充分利用各層次識別信息對目標(biāo)屬性進(jìn)行判斷，減少信息損失。

1.6 基于證據(jù)相似性的組合處理

假設(shè)傳感器1、2、3針對目標(biāo)屬性1的指向性，且為加密信源，則可在同一層次進(jìn)行DS組合處理，假設(shè)信源4，5，6，7針對目標(biāo)屬性2的指向性，且為非加密信源，則可在另一個層次進(jìn)行DS組合處理。

2 多周期融合方法

多周期融合是對歷史識別信息的累積。歷史信息與當(dāng)前周期識別信息的融合根據(jù)二者是否沖突劃分為兩類情況。

圖3 弱沖突信息并行融合處理

2.1 歷史信息與當(dāng)前周期識別信息不沖突

在二者不沖突的情況下，歷史信息與當(dāng)前周期識別信息基于DS組合理論方法進(jìn)行融合。多周期識別疊代能夠很好地整合利用不同數(shù)據(jù)率的協(xié)作式傳感器信息，得到高置信度目標(biāo)識別結(jié)果，實現(xiàn)對目標(biāo)屬性的確認(rèn)。

2.2 歷史信息與當(dāng)前周期識別信息沖突

根據(jù)協(xié)作式信源工作機(jī)制，協(xié)作識別雙方基于共同的約定進(jìn)行識別，協(xié)作式傳感器獲取協(xié)作目標(biāo)特征的準(zhǔn)確性高。所以基于目標(biāo)多屬性的多元協(xié)作式敵我識別中的融合沖突，主要是由目標(biāo)密集導(dǎo)致的識別信息配準(zhǔn)關(guān)聯(lián)錯誤引起的。

為了有效解決目標(biāo)密集導(dǎo)致的識別錯誤，可利用多周期識別信息的疊代來消除沖突，得到可靠穩(wěn)定的識別結(jié)果。沖突情況下的多周期識別疊代的一般過程如圖4所示。

圖4 多周期信息沖突識別疊代過程示意圖

如圖4所示，歷史識別結(jié)果為目標(biāo)屬性1，當(dāng)前識別結(jié)果為目標(biāo)屬性2。經(jīng)過前3個周期的融合，目標(biāo)屬性1的置信度被不斷降低。在第3個識別周期融合后，目標(biāo)屬性1置信度在目標(biāo)屬性翻轉(zhuǎn)判決門限以下，則進(jìn)行目標(biāo)屬性翻轉(zhuǎn)，將目標(biāo)識別為屬性2，并經(jīng)過4、5、6周期的融合確認(rèn)使得屬性2的置信度不斷提高。屬性翻轉(zhuǎn)判決門限的范圍選取受到識別置信度范圍、識別背景和識別結(jié)果使用方的共同影響，在實際識別中可根據(jù)需要靈活調(diào)整。

3 多周期改進(jìn)DS證據(jù)理論融合方法

多周期改進(jìn)DS數(shù)據(jù)融合算法采用復(fù)合式數(shù)據(jù)融合處理結(jié)構(gòu)，基本流程如圖5所示，包括4個層級，2個方面的融合：

第1級融合：各類機(jī)載傳感器內(nèi)部的融合處理，將證據(jù)建模的基本置信度和附加靜態(tài)信息的合法性驗證結(jié)果進(jìn)行融合，得到各個信源對目標(biāo)的屬性判斷；

第2級融合：基于本平臺內(nèi)各個傳感器的識別結(jié)果，再結(jié)合基于動態(tài)信息的程序認(rèn)定識別結(jié)果進(jìn)行融合處理，得到本平臺多信源對目標(biāo)的屬性判斷；

第3級融合：本平臺的目標(biāo)屬性判斷與其他協(xié)作平臺分發(fā)共享的關(guān)于識別目標(biāo)的多屬性信息和識別結(jié)果進(jìn)行融合，得到本次識別周期的目標(biāo)屬性判斷；

第4級融合：本周期的目標(biāo)屬性判斷與歷史識別結(jié)果進(jìn)行融合，得到關(guān)于目標(biāo)屬性的最終判斷。

其中，前三級融合是屬于當(dāng)前識別處理周期的單周期融合處理，采用改進(jìn)DS證據(jù)理論的融合方法；第4級融合屬于利用多周期歷史識別信息的融合處理。

4 仿真與驗證

為驗證多周期DS數(shù)據(jù)融合算法的性能，本文構(gòu)建了一個由4個屬性2目標(biāo)（11，12，22，23），2個屬性1目標(biāo)（81，82）和一個識別主體（11）構(gòu)成的目標(biāo)態(tài)勢場景，如圖6所示。

其中，識別主體11負(fù)責(zé)對某海域進(jìn)行監(jiān)視支援，屬性2目標(biāo)22，23與屬性1目標(biāo)81，82進(jìn)行互相監(jiān)視，其中81號目標(biāo)在面對識別主體識別的情況下，將22號目標(biāo)的傳感器1信號進(jìn)行轉(zhuǎn)發(fā)欺騙。另外，場景中同時有屬性2目標(biāo)12在執(zhí)行完偵查任務(wù)后返航。

圖7對比分析了本文算法與經(jīng)典DS算法對12號目標(biāo)的識別性能，由仿真結(jié)果可見，與單周期融合相比，多周期融合算法能夠有效提高目標(biāo)12的屬性確認(rèn)置信度；另外，在單周期融合下，本文算法對目標(biāo)12的屬性確認(rèn)置信度高于經(jīng)典DS算法，這是因為本文算法除了利用歷史識別信息進(jìn)行多周期融合外，對經(jīng)典DS算法進(jìn)行了改進(jìn)。值得注意的是，從仿真結(jié)果易見本文算法僅需要較少周期的融合即可以達(dá)到性能穩(wěn)定，算法收斂速度遠(yuǎn)快于對經(jīng)典DS算法進(jìn)行多周期融合的方案。

圖7 不同融合方法下12號目標(biāo)識別對比圖

圖8表示識別主體對81號目標(biāo)（屬性為1）的識別過程，通過仿真實驗驗證了本文算法抗欺騙干擾的性能。場景態(tài)勢中，81號目標(biāo)惡意轉(zhuǎn)發(fā)22號目標(biāo)（屬性為2）的信號。由仿真結(jié)果可見，本文算法識別準(zhǔn)確度優(yōu)于傳統(tǒng)算法之外，81號目標(biāo)也不會出現(xiàn)屬性2與屬性4之間的閃爍，這是因為歷史多周期的DS組合方法，利用了歷史識別信息充分融合作為支持目標(biāo)判斷為屬性4的有力證據(jù)，從而有效抵抗81號目標(biāo)的惡意欺騙。

圖8 多周期DS方法下81號目標(biāo)識別

圖9表示識別主體對23號目標(biāo)（屬性為2）的識別過程，通過仿真實驗，驗證了本文算法在目標(biāo)密集場景下的識別有效性。仿真實驗中23號目標(biāo)和82號目標(biāo)位置非常接近。仿真試驗表明，本文算法在改進(jìn)傳統(tǒng)算法性能的同時，很好地解決了密集目標(biāo)條件下的目標(biāo)識別問題。

圖9 多周期DS方法下23號目標(biāo)識別

5 結(jié)論

本文研究了復(fù)雜戰(zhàn)場環(huán)境下目標(biāo)識別問題，提出了一種基于多周期改進(jìn)DS證據(jù)理論的多傳感器數(shù)據(jù)融合方法，以解決證據(jù)沖突和信息不確定性造成的目標(biāo)識別困難，算法通過4個層級，兩個方面的融合實現(xiàn)單周期的傳感器內(nèi)部融合、本平臺信息融合及平臺間信息融合，在改進(jìn)DS處理性能的同時，充分利用歷史識別信息，通過本周期識別信息和歷史識別信息融合完成最終目標(biāo)識別。仿真實驗結(jié)果驗證了識別方法的有效性，該方法不僅能夠有效提高對“我”方目標(biāo)準(zhǔn)確識別的置信度，而且能夠解決由于目標(biāo)密集和惡意欺騙造成目標(biāo)錯誤識別的問題。