基于時空信息融合的復合引信目標識別方法

焦朋勃，黃長強，蔡 佳，丁達理，王 征

（空軍工程大學航空航天工程學院，陜西 西安710038）

0 引言

引信是整個武器系統目標識別中的最后一個環節，為了保證己方和友軍目標的安全，必須提高引信的目標識別能力，做到非敵方目標不起爆；現代戰爭遇到的多目標攔截問題，也要求引信具有從多個目標中識別特定目標的功能，以保證導彈掠過非攻擊目標時不提前作用［1］。同時，戰場環境日趨復雜，各種干擾源的存在容易使引信形成虛假目標，導致誤判，提前起爆。單一傳感器的引信系統已經不能滿足作戰的要求，取而代之的將是以多傳感器為基礎的復合引信。采用多傳感器的復合引信可以使每個傳感器發揮各自的探測優勢［2］，在復雜的戰場環境下獲取更多的目標信息，從而為引信起爆戰斗部提供可靠的信號。紅外、激光和毫米波是目前應用最廣泛的三類傳感器，三者對目標的探測各有特點，獲得的目標識別信息可靠性不同，所以有必要將結果進行融合，以期獲得較精確的識別結果［3］。目前對于多模復合引信目標識別方法，大多文獻只作籠統的介紹，具體的方法并不多見。針對此問題，本文在紅外、激光和毫米波探測器三類傳感器組成的復合引信的基礎上，利用D-S證據理論在不確定性推理方面的優勢進行信息融合，利用神經網絡強大的非線性處理能力和自學習功能構造基本概率賦值［4］，將D-S證據理論和人工神經網絡相結合，并提出了基于時空信息融合的復合引信目標識別方法。

1 D-S證據理論

基于證據分析，確定相信一個命題為真的方法，稱為證據理論［5］。D-S 證據是進行決策融合的一種行之有效的算法，該算法在一定程度上可以有效解決證據沖突，且計算量小，工程容易實現。

定義1 設θ為辨識框架，如果集函數m：2θ→［0，1］（2θ為θ 的冪集，是θ所有子集的集合）滿足：

此時稱m 為框架θ 上的基本概率賦值。于是由：

所定義的函數Bel：2θ→［0，1］為θ上的信任函數，即表示對A 的總信任。在多傳感器復合引信中就表示每個傳感器各自對目標的類型信任的程度。

定義

為似然函數，表示不否定A的信任度，即所有與A相交的集合的基本概率賦值。信任區間（Bel（A），PL（A））描述了A 的不確定性。證據理論最大的特點就是在區分不知道與不確定信息方面顯示出很大的靈活性。

定義2 設Bel1和Bel2分別是同一識別框架θ上的兩個信任函數，m1和m2分別是其對應的基本概率賦值，若A ?θ且m（A）＞0，則稱A 為焦元，焦元分別為：A1，…，Ak和B1，…Br，設：

則：

由定義2給出的證據組合規則稱為Dempster組合規則。對于多個證據的組合，也可采用該規則對證據進行兩兩組合。

定義3：設存在A1，A2?θ，滿足

若有：

則A1為判決結果，其中ε1，ε2為預先設定的閥值。

2 利用BP神經網絡獲取基本概率賦值

將D-S證據理論用于目標識別時，其基本概率賦值（BPA）的獲取是個難點，基本概率賦值的好壞直接關系到最后的決策和識別結果［6］。由于神經網絡具有它獨特的優點，特別是其具有表達模糊信息的能力，這些很符合D-S證據理論的方法對證據的要求。如圖1所示（以紅外傳感器為例）。

圖1 利用BP神經網絡獲取基本概率賦值Fig.1 Obtain the BPA based on BP neural network

紅外傳感器探測到的數據經過預處理，如濾波、采樣保持等，然后進行特征提取，從信號中提取最能代表或區分目標類型的本質的、固有的特征，進行量測并將結果數字化，形成特征矢量，從而產生代表目標的模式。把目標特征向量作為輸入，經過BP神經網絡的運算，得到該證據對各個待識目標的基本概率賦值函數。此方法避免了構造基本概率賦值的復雜性，同時使基本概率賦值更為合理客觀。

定義辨識框架Ω= （ω1，ω2，…，ωN），設xi為神經網絡第i個神經元的輸出，N 為輸出神經元的個數，則基本概率賦值為神經網絡歸一化的輸出，即：

把每個神經網絡的一次輸出作為一條證據，得到各個證據的基本分配以后，就可以按照組合規則進行下一步的信息融合了。

只要神經網絡經過大量樣本的學習，利用其較強的泛化能力，就能起到領域專家的作用［6］。BP神經網絡的建立和訓練在文獻［4］和［6］中有詳細的介紹，這里不再贅述。

3 復合引信目標識別原理

3.1 時空信息融合

利用證據理論中的Dempster組合規則，既可以對不同傳感器提供的目標識別證據進行空間域判決融合，也可以在多個測量周期對傳感器提供的目標識別證據進行時間域融合，即多傳感器多測量周期的信息融合，這種方法更能減少系統的不確定性，從而提供更為可靠的目標識別結果。

多傳感器多周期的時空域信息融合有三種融合方法，即集中式融合算法、分布式無反饋融合算法和分布式有反饋融合算法。其中分布式有反饋融合算法融合效果最佳，但是計算量較大，對處理器的要求太高；分布式無反饋融合算法計算量最小，但是要求處理器個數多；集中式融合方法只需一個處理器，且在實際應用中易于編程或硬件實現，符合復合引信系統對數據處理實時性、快速性的要求。綜合考慮，復合引信多傳感器采用集中式時空信息融合算法，具體算法流程如圖2所示。

圖2 集中式時空信息融合流程Fig.2 Centralized temporal-spatial information fusion flow

集中式融合算法將所有傳感器在每個周期測得的數據都送到中心處理器，然后由中心處理器將前一時刻的累積信息與傳感器當前的測量值進行融合，得到最后的融合結果。

如果用Mk（A）表示第k 個測量周期后所有傳感器對命題A 的累積的可信度分配，Mk-1（B）表示k-1個周期后對命題B的可信度分配，msk（Ai）為第s個傳感器在k時刻的測量值，則集中式融合的結果可通過下面的式子進行計算：

其中

這里Ai?Θ，Bi?Θ，都為識別框架下的不同命題。

可以看出，若將第k-1個周期后的可信度分配看做一條證據，則在第k個周期相當于N+1個傳感器進行融合。

3.2 基于時空信息融合的復合引信目標識別原理

毫米波不僅可以實現對目標的探測，還可以提取目標的更多信息，如一維距離像信息、目標航跡信息等，從而測定目標特征進行目標識別。

紅外傳感器利用目標產生的能量進行探測，通過獲取目標的能量信息對目標進行識別。

激光傳感器利用目標表面散射的激光功率而探測目標，可以通過接收的激光功率來識別目標。

隨著毫米波集成電路（MMIC），紅外和激光信號處理技術以及計算機技術的發展，使引信系統采用多傳感器實現對目標的識別成為可能。

如圖3所示，各個傳感器探測到信息數據經過預處理，提取出目標特征信息，經過BP神經網絡的運算，得到該證據對各個待識目標的基本概率賦值函數。然后利用時空信息融合算法和定義3的決策規則進行目標識別，識別結果送入引信執行裝置，從而根據引信起爆程序控制引信起爆或不起爆戰斗部。

圖3 復合引信目標識別原理Fig.3 Principle of the target recognition of compound fuze

4 實例分析

4.1 時空信息融合計算

假設目標識別框架θ= ｛A：敵機B：我機C：中立方D：不明｝，采用紅外、毫米波雷達、激光雷達三種傳感器，分別對目標進行識別。假設各個傳感器探測頻率同步，且數據已經經過預處理。首先，通過各個傳感器探測采集目標信息，提取出目標特征向量，得到目標特征向量庫；用樣本集離線訓練BP神經網絡，這里利用Matlab提供的神經網絡工具箱通過300個數據對BP神經網絡進行訓練；向已經訓練好的神經網絡輸入一組F-22飛機數據，利用訓練好的神經網絡進行目標特征信息的融合，求出神經網絡的輸出；將BP神經網絡輸出進行歸一化處理后作為一條證據，利用時空融合算法進行證據組合，產生新的信任函數值；利用Dempster證據理論決策規則，做出判斷得到決策結果，完成融合過程。三個傳感器通過BP神經網絡得到不同周期的基本概率賦值如表1。

表1 多傳感器多周期基本概率賦值Tab.1 BPA of multi-sensor and multi-period

在表1基礎上，利用集中式時空信息融合算法，通過Matlab軟件平臺進行編程計算，結果如表2。

表2 集中式時空信息融合結果Tab.2 Result of centralized temporal-spatial information fusion

4.2 結果分析

從表1中可以看出，單個傳感器并不能給出一個令人滿意的識別結果，在不同的探測周期基本概率賦值差異較大；在相同周期內每個傳感器的基本概率賦值也有較大的差異，有的甚至得出截然相反的結果。這是因為在訓練神經網絡時不可能窮盡所有樣本，訓練有一定的誤差，加之戰場環境下目標瞬息萬變和傳感器的不可靠性，單個傳感器或多傳感器單周期探測都不能有效地識別目標（下面的分析也能說明這個問題），所以有必要進行進一步的信息融合。

從集中式時空信息融合融合結果，即表2可以看出，在第一個周期內目標識別系統并沒有得出正確的識別結果。第三個探測周期后，A 的可信度達到0.942 7，B的可信度不斷下降，最終為0.053，目標的不確定度幾乎降為0，這里選取閾值為0.1，最終決策結果為A，即目標識別為敵機。

通過時空信息融合的具體實現可以看出，隨著測量周期的增多，目標識別的不確定度逐漸降低，確定度逐漸增大，最終為復合引信提供了正確的目標識別信號。

由于在空戰過程中，導彈起爆時機轉瞬即逝，所以要求復合引信多傳感器信息處理能夠快速完成。若不能合理選擇周期或處理器計算速度達不到要求，采用時空信息融合方法有可能犧牲引信的實時性，從而導致導彈失去最佳毀傷時機。

5 結論

本文提出了復合引信的時空信息融合方法，利用D-S證據理論和神經網絡，對空中目標在時空領域進行了證據組合。該方法將信息融合技術與多模復合引信結合，提高了引信對目標類型的識別率，克服了導彈在空戰中受敵方干擾和其他隨機因素的影響。

隨著測量周期的增加，引信的正確識別率將會更高，但如果信息處理不及時，可能會使引信不能按照作戰要求起爆戰斗部。在后期研究和實際應用中應當根據作戰要求適當選取測量周期數，周期間隔，設計信息處理電路和程序，以達到引信正確識別目標并及時、可靠起爆戰斗部的目的。

［1］馬寶華.現代引信的控制功能及特征［J］.探測與控制學報，2008，30（1）：1-5.

［2］馬秋華.多傳感器目標特性測量及數據融合應用［J］.探測與控制學報，2007，29（4）：16-20.

［3］PETRELLIS N，KOPRTAOS N，ALEXION G.Target Localization Utilizing the Success Rate in Infrared Pattern Recognition［J］.IEEE Trans on Sensors Journal，2006，6（5）：1355-1364.

［4］陳祥光，裴旭東.人工神經網絡技術及應用［M］.北京：中國電力出版社.2003.

［5］SHAFER G A.Mathematical theory of evidence［M］.Princeton N J：Princeton University Press，1976.

［6］趙丹丹.多傳感器數據融合在目標識別中的應用研究［D］.太原：太原理工大學，2007.