一种基于D-S证据理论的多传感器目标类型识别方法

一种基于D-S证据理论的多传感器目标类型识别方法

王肖晨,王晓荔,张斌

江南机电设计研究所

摘要：为了提升目标类型识别的准确率，提出了一种综合的目标类识别方法。在单传感器层面上采用基于灰色关联理论进行初步识别，最后采用D-S证据理论对多传感器目标类型进行综合识别。仿真结果表明，本文方法能够提高目标类型识别的准确性。

关键词：目标类型 证据理论 灰色关联

1概述

目标类型作为目标威胁判断和拦截方案制定的先决条件，对防空作战效能的发挥起着至关重要的作用，目标类型识别日益成为防空作战领域的研究热点。苏日等人[1]提出根据目标高度、速度和机动方式等特性对目标类型进行识别；赵佳欢等人[2]将雷达信噪比（Signal-Noise Ration，SNR）引入到目标类型识别中，提高了识别准确率。但上述方法都是以单一传感器为背景对目标类型识别的研究，不能满足多武器系统联合作战的需要。

在复杂多变的战场环境和激烈的攻防对抗博弈条件下，单一传感器目标类型识别可靠度低。基于D-S证据理论[3]的数据融合，能将不同信息源互补的信息进行融合，减小系统的不确定性，并利用冗余信息的融合提高系统的稳定性。本文将证据理论应用在目标类型识别领域中，针对多传感器类型综合识别进行了研究，仿真结果证明了D-S证据理论能够增加目标类型识别的准确性。

2算法介绍

2.1单传感器目标类型识别

不同目标类型典型的高度、速度、加速度等运动参数，以及目标雷达反射截面积(Radar Cross Section，RCS)、旋翼谱等电磁特征有区别，可利用这些参数进行目标类型识别。本文以某型搭配使用的两部雷达为背景进行研究，其中目标指示雷达可以测量目标高度、速度、旋翼谱，制导雷达可以测量目标高度、速度、加速度和RCS。

本文结合拦截武器能力特点，选取固定翼飞机、直升机、战术弹道导弹（Tactical Ballistic Missile，TBM）三类目标作为识别对象，选择典型条件下目标高度、速度、加速度、RCS、旋翼谱状态作为特征指标，其中旋翼谱状态为1代表有效、0代表无效，建立的标准分类序列如表1所示。

表1  典型目标类型的标准分类序列

灰色关联方法的基本思想是将待识别序列与标准分类序列（也称为模板数据）进行对比，计算序列间的距离函数，进而计算出待识别序列与标准分类序列之间的关联度。设传感器探测到目标的相关因素序列，定义标准分类的序列，则目标与标准分类的关联系数为：，其中，是分辨系数，一般取值为0.5。进一步，可以求出灰关联系数：。依次求出目标与所有标准分类的灰色关联系数，选择灰色关联系数最大的那个目标类型作为输出目标的类型，即识别的目标类型为。

2.2目标类型综合识别

2.2.1D-S证据理论

设是一个识别框架，或称为假设空间，是一个由问题的所有假设组成穷举集合，的各个元素是相互排斥的。

1)基本概率分配

基本概率分配（Basic Probability Assignment，BPA）：在识别框架上的BPA是一个[0,1]的函数，称为mass函数，满足、。

结合2.1节的灰色关联方法，传感器探测的目标的基本概率分配为

除此之外，将其余识别框架中的元素赋值为0。

本文采用基于基本概率赋值的决策方法，设存在，使得，，若有、且，其中和为预先设置的门限值（本文和取值分别为0.05和0.15），则就是判决结果。若识别结果不满足上述条件，则判决结果为，即不确定。

2)Dempster合成规则

Dempster合成规则也称为证据合成公式，假设为识别框架上的个mass函数，则合成计算方法为，其中，为归一化常数，。

2.2.2基于D-S证据理论的目标类型综合识别

多传感器信息融合系统按照信息抽象程度，一般分为三个层次，即数据级信息融合、特征级信息融合、决策级信息融合。决策级融合是一种高层次的信息融合，广泛应用于军用信息系统中。本文提出的基于D-S证据理论的目标类型综合是一种决策级融合方法，其识别流程如图1所示。

图1 多传感器信息融合系统结构图

3仿真分析

选取某次体系对抗仿真试验中三个典型目标数据进行计算分析，其中目标1为正在机动的低空飞行的固定翼飞机，目标2为平稳飞行的直升机，目标3为TBM，提取目标指示雷达和制导雷达同一时间段测量的上述三个目标数据，作为目标类型识别的输入，验证本文提出的目标类型综合识别的正确性。两部雷达的测量数据如表2所示，表格中第一个数据由目标指示雷达测量，第二个数据由制导雷达测量，两个数据之间采用“/”分割，“-”代表不具备测量能力。

表2  目标指示雷达和制导雷达的测量数据

计算的基本概率分配值如表3所示，其中目标类型为，代表目标类型不确定。表格中数字单元格的三个数字分别为采用目标指示雷达、制导雷达测量数据以及综合识别方法计算的基本概率分配值，三个数据之间采用“/”分割。采用基于基本概率赋值的决策方法进行单传感器目标类型判断，目标指示雷达、制导雷达针对目标1、目标2和目标3的识别结果为不明、直升机、TBM，其中目标1由于最大的两个基本概率分配值（固定翼和直升机）间距小于0.05，单一传感器无法识别该类型。采用D-S证据理论合成后的基本概率分配值，可以对单传感器无法识别的目标1类型进行准确识别。综合后的目标1、目标2和目标3的目标类型分别为固定翼飞机、直升机和TBM，与想定一致。

表3  目标指示雷达和制导雷达的目标类型基本概率分配值

从仿真结果可以看出，由于目标参数的变化范围大、单一传感器测量目标维数不足等原因，单一传感器仅依靠自身测量信息进行目标类型识别时会出现识别错误或无法识别的情况。采用D-S证据理论进行目标类型综合识别后，可显著降低目标类型识别的不确定性，提高目标类型识别的准确率。

4结束语

为了提升复杂战场环境下目标类型识别的准确率，本文从传感器特性、目标特性角度出发，给出了基于灰色关联单一传感器目标类型识别方法，讨论了灰色关联系数到基本概率分配的转换关系和基于基本概率分配值的目标类型判决方法，形成了一整套完整的多传感器目标类型识别解决方案，具有一定的工程应用价值。仿真结果证明了本文方法的有效性。

参考文献:

[1] 苏日, 申卯兴, 王立辉. 基于灰色关联方法的目标类型识别[J]. 空军工程大学学报：自然科学版, 2006, 7(1):3.

[2] 赵佳欢,杨海明,邱令存. 基于循环神经网络的空中目标类型识别[J]. 航天控制,2020,38(3):47-53.

[3] 陈杰. 基于DS证据理论的决策融合算法研究[D]. 哈尔滨工程大学, 2016.