基于模糊變結構動態貝葉斯網的目標識別方法

高曉利，李 捷,2

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

基于模糊變結構動態貝葉斯網的目標識別方法

高曉利1，李 捷1,2

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

在研究分析各信源信息的特征和目標識別的基本流程的基礎上，基于傳統靜態貝葉斯網絡，提出了一種基于模糊變結構動態貝葉斯網絡的目標識別方法。該方法構建了模糊變結構動態貝葉斯網絡，并提出了基于樣本信息的統計方法和無樣本的貝葉斯網絡參數學習方法，以期網絡推理實現目標屬性識別，并在傳統硬判決的基礎上，實現了基于軟判決準則的動態判決和基于線性加權思想的網絡參數在線更新。數值實驗表明，相對于傳統靜態貝葉斯網絡目標識別方法，所提出的方法能夠解決不同時刻證據的時序關系問題以及不能處理連續隨機變量推理的問題，提高了目標識別置信度，縮短了識別收斂周期，能夠有效糾正關聯錯誤和關聯多義性所造成的錯誤識別問題，解決了網絡參數一成不變的問題，較好地實現了網絡參數的在線更新。

數據融合；目標識別；貝葉斯網絡；結構學習；參數學習

0 引 言

目標識別是電子信息系統不可或缺的一項重要功能，通常是指在發現目標的基礎上，通過問答、信號分析、數據融合、情報印證等方式，生成目標類型、種類乃至身份信息。有效的目標識別是形成清晰準確的戰場態勢的基本要素之一，是指揮員正確決策和準確高效地指揮作戰行動、武器系統準確選擇打擊目標的重要前提，對于提升基于信息系統的體系能力、避免誤傷具有重要意義[1]。

貝葉斯網絡理論在目標識別、數據挖掘、人工智能等處理不確定問題方面具有其特有的優點，能夠處理不確定性和概率性的事件與事物，能夠用于學習因果或其他類型的關系，是一種將專家知識與數據進行綜合的理想表達模式。其模型靈活性好，能自然地將專家知識融入模型中，具有令人矚目的從數據中導出模型的能力，并能繼續用專家知識和數據改善模型的性能，而且它的模型結構和參數具有明確的含義[2-6]。

然而，傳統基于貝葉斯網絡的目標識別方法有些許不足：沒有充分考慮到不同時刻間的證據時序關系；網絡結構基本保持不變，與實際情況不符；參數在識別過程中沒有實現在線更新。另外，傳統貝葉斯網絡模型只能解決離散隨機變量的推理問題，而不能解決連續變量隨機變量的推理問題[7-15]。

在研究時刻證據的時序關系、模糊數學理論的基礎上，提出了基于模糊變結構動態貝葉斯網絡的目標識別方法。該方法充分考慮了不同時刻證據的時序關系，構建的模糊變結構動態貝葉斯網絡結構更符合實際情況，并且實現了目標識別的動態判決和參數的在線更新，解決了傳統方法不能處理連續隨機變量的推理問題。

1 預備知識

定義1：目標識別指通過對目標信息特征進行分析、鑒別，從而對目標類型、屬性做出判斷。

定義2：貝葉斯網絡[13]BN=(G,θ)，其中G=(V,E)是一個非循環有向圖，簡稱為DAG，θ是一個條件概率分布集，θi∈θ表示在給定節點Xi的父節點時Xi的條件概率，節點集V的聯合概率分布表示為：

(1)

其中，Pai表示節點Xi在G中的父節點集。

(2)

2 基于模糊變結構動態貝葉斯網絡的目標識別方法

首先構建模糊變結構動態貝葉斯網絡架構，然后基于專家知識和數據庫，完成網絡參數的離線學習和制定，進而完成目標識別，最后實現目標屬性的動態判決和參數在線更新。如圖1所示，可分為五個階段：

圖1 基于貝葉斯理論的目標識別流程

2.1模糊變結構動態貝葉斯網絡的構建

假設載機能夠獲取目標的識別信息、輻射源信息和運動信息三大類用于目標識別的多源信息，其中識別信息有應答和無應答兩種狀態；輻射源信息包含載頻、重頻、脈寬三類信息，其狀態均是連續值；動態信息包含距離、方位、航速、航向以及高度五類信息，其狀態均是連續值。針對模糊連續隨機變量，基于模糊理論和分段思想，實現連續變量的離散化，離散化后目標識別信息狀態取值如下：

在隨機變量離散化的基礎上，根據不同時間片證據之間以及證據與目標屬性之間的關系，構建多源信息目標識別的變結構動態貝葉斯網絡(見圖2)，該網絡可以根據實時接收的數據和證據進行適當裁剪[15]。

2.2參數學習

目標識別網絡參數先驗分布和先驗條件概率可分為基于樣本信息的統計方法和無樣本信息的方法，其詳細過程如下：

圖2 變結構動態貝葉斯目標識別網絡

(1)基于樣本信息的統計方法。

(2)無樣本信息的方法。

如果目標型號為θ1平臺，那么重頻為高、中、低的可能性分別為0.6、0.3、0.1；如果目標型號為θ2平臺，那么重頻為高、中、低的可能性分別為0.1、0.3、0.6；如果目標型號為θ3平臺，那么重頻為高、中、低的可能性分別為0.333、0.333、0.333；如果目標型號為θ4平臺，那么重頻為高、中、低的可能性分別為0.333、0.333、0.333；如果目標型號為θ5平臺，那么重頻為高、中、低的可能性分別為0.333、0.333、0.333。

2.3目標識別

(3)

(4)

結合[1,t-1]時間段內目標屬性集{θn1[1],…,θnt-1[t-1]}，θni[i]∈{θ1,…,θ5}，融合[1,t]所有時刻的結果，得到目標屬性為θ的后驗概率為：

P(θ|θn1[1],θn1[2],…,θnt[t])=

(5)

至此，得到變結構動態貝葉斯網絡目標識別融合結果。

2.4動態判決

(6)

因此，為了解決硬判決造成的目標識別錯誤問題，提出了基于軟判決的目標識別方法。

假設FVDBN融合出的目標五種屬性所對應的后驗概率中，最大概率和第二大概率所對應的屬性分別為θi和θj，那么對于給定的門限ε，如果滿足Pi>εiPi-Pj>ε，則輸出目標屬性θi，否則，暫時不輸出目標屬性或判斷目標屬性為不明。

2.5參數在線更新

基于目標識別結果，利用線性加權方法完善先驗概率和先驗條件概率，以先驗分布概率更新為例進行說明。

PNew(θi)=ωprior*P(θi)+(1-ωprior)*Pi

(7)

ωprior+(1-ωprior)=1

(8)

3 仿真實驗

3.1場景描述

為驗證基于模糊變結構動態貝葉斯網絡的目標識別方法的性能，構建了一個由4個平臺構成的場景，其中3個屬性為θ2的目標，編號分別為11、12和23，1個屬性為θ1目標，編號為82，如圖3所示。

圖3 場景設置示意圖

場景描述：由識別主體11負責對某海域進行監視支援，屬性為θ2的23號目標與屬性為θ1的82號目標互相監視。同時屬性為θ2的目標12在執行完偵查任務后返航。

3.2仿真結果

仿真條件：識別主體作為融合中心能夠接收目標的識別信息、輻射源信息和動態信息，仿真周期為41，下面從識別信息指向是否一致兩方面進行仿真。

3.2.1 識別信息指向一致

在以11號識別主體為視角的場景中，12號目標與其他目標之間的相對位置差別較大，因此，不會出現關聯錯誤的情況，且該目標的所有識別信息指向均一致。

經典BN方法和FVDBN方法仿真結果如圖4所示。

圖4 12號目標識別結果對比

由圖4可見，傳統BN方法雖能夠推斷出目標的正確屬性，但是直至第10個周期才達到收斂門限，而基于FVDBN方法不僅能正確推斷出屬性為θ2的高置信度識別結果，并且在第4個周期已經達到收斂門限。因此，FVDBN方法相對于BN方法，充分利用了不同時刻證據間的時序關系，不僅能夠提高目標識別的置信度，而且能夠縮短識別收斂周期。

3.2.2 識別信息指向不一致

當目標分布比較密集時，很可能出現識別信息指向不一致的情形，如從圖3中可以看出，23號、82號目標與識別主體11的相對位置異常接近。

識別主體11對23號目標進行詢問，獲取應答狀態后進行數據關聯處理，把應答標志錯誤關聯到82號目標上，此時，對傳感器1提出請求，同時結合82號目標有無應答狀態進行目標屬性識別。經典BN方法和FVDBN方法關于23號目標和82號目標的仿真結果如圖5和圖6所示。

圖5 23號目標識別結果對比

圖6 82號目標識別結果對比

結合圖5和圖6可知，相對于經典BN方法，FVDBN方法在第2個周期對23號目標識別結果指向屬性θ2的置信度較大，同時對82號目標識別結果指向θ2的置信度較小，進而82號目標指向屬性θ1的置信度就較大，降低了錯誤識別的可能性。通過動態判決得到目標屬性的同時，可以利用式(7)實現貝葉斯網絡參數的在線更新，并實時保存至先驗數據庫，有效解決了網絡參數一成不變的問題。

4 結束語

針對模糊變結構動態貝葉斯網絡的目標識別方法，在充分研究不同時刻證據間關系和連續隨機變量取值離散化問題的基礎上，提出了基于樣本信息的統計方法和無樣本的貝葉斯網絡參數學習方法，并在傳統硬判決的基礎上，實現了基于軟判決準則的動態判決和基于線性加權思想的網絡參數在線更新。該方法相對于傳統靜態貝葉斯網絡目標識別方法，能夠提高目標識別置信度、縮短識別周期，解決由關聯錯誤造成的識別錯誤問題，同時能夠實現貝葉斯網絡參數的在線更新。

[1] 何 友， 王國宏， 關 欣，等.信息融合理論及應用[M].北京：電子工業出版社，2010.

[2] Huang Shuai, Li Jing, Ye Jieping,et al. A sparse structure learning algorithm for Gaussian Bayesian network identification from high-dimensional data[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(6):1328-1342.

[3] Yao J Y,Li Jiao,Li Hongzhi,et al.Modeling system based on fuzzy dynamic Bayesian network for fault diagnosis and reliability prediction[C]//Annual reliability and maintainability symposium.[s.l.]:[s.n.],2015:1-6.

[4] Zhou He, Hu Jiang, Khatri S P,et al.GPU acceleration for Bayesian control of Markovian genetic regulatory networks[C]//2016 IEEE-EMBS international conference on biomedical and health informatics.[s.l.]:IEEE,2016:304-307.

[5] Bouchaala L,Masmoudi A,Gargouri F,et al.Improving algorithms for structure learning in Bayesian networks using a new implicit score[J].Expert Systems with Applications,2010,37(7):5470-5475.

[6] Bui A T,Jun C H.Learning Bayesian network structure using Markov blanket decomposition[J].Pattern Recognition Letters,2012,33(16):2134-2140.

[7] Li Shuohao, Zhang Jun, Sun Boliang,et al.An incremental structure learning approach for Bayesian network[C]//Proceedings of the 26th Chinese control and decision conference.[s.l.]:[s.n.],2014:4817-4822.

[8] Yan Zhiyong,Xu Congfu,Pan Yunhe.Improving naive Bayes classifier by dividing its decision regions[J].Comput & Electron,2011,12(8):647-657.

[9] Neapolitan R E.Learning Bayesian networks[M].[s.l.]:[s.n.],2002:40-43.

[10] Chickering D M.A transformational characterization of equivalent Bayesian network structures[C]//Proceedings of the eleventh conference on uncertainty in artificial intelligence.San Francisco:Morgan Kaufmann,1995:87-98.

[11] 崔博鑫，許蘊山，向建軍，等.一種基于異類傳感器信息融合的目標識別方法[J].計算機工程與應用,2012,48(24):113-116.

[12] Zhou Yun,Fenton N,Neil M.Bayesian network approach to multinomial parameter learning using data and expert judgments[J].International Journal of Approximate Reasoning,2014,55(5):1252-1268.

[13] Ibrahim W,Beiu V.Using Bayesian networks to accurately calculate the reliability of complementary metal oxide semiconductor gates[J].IEEE Transactions on Reliability,2011,60(3):538-549.

[14] 于俊偉，劉 楠，張德賢，等.反艦導彈類型識別的貝葉斯網絡方法[J].計算機工程與應用,2012,48(9):215-217.

[15] 周 毅，胡錫健.動態貝葉斯網絡在戰爭身份識別中的應用[J].山西師范大學學報:自然科學版,2014,28(3):9-13.

A Target Identification Method of Dynamic Bayesian Network with Fuzzy Variable Structure

GAO Xiao-li1，LI Jie1,2

(1.Sichuan Jiuzhou Electronic Group Co.,Ltd.,Mianyang 621000,China;2.National Key Laboratory of Science and Technology on Communications,University of Electronic Science andTechnology of China,Chengdu 611731,China)

By researching and analyzing the characteristics of the source information and the basic process of target identification,on the basis of traditional static Bayesian network,a method of target identification based on fuzzy variable structure dynamic Bayesian network is proposed.It constructs the fuzzy variable structure dynamic Bayesian network and proposes a statistical method based on sample information and a learning method of sample-free Bayesian network parameters for implementation of target identification according to network inference and application of traditional hard decision.The dynamic decision has been performed based on the soft decision principles and the network parameters’ update online is finished based on liner weighting theory.Compared with traditional static Bayesian network for target identification, it has solved the issues such as the sequential relationship of evidence at different time and the networks inference of constant random variables.Meanwhile it has not only improved the confidence coefficient of target identification but also shortened the identification convergence period and effectively resolved error identification problem caused by error or ambiguity association.In addition,the problem of network parameters unchanged has been solved and the network parameters’ update online has also been completed.

data fusion;target identification;Bayesian network;structure learning;parameter learning

2016-10-09

：2017-01-13 < class="emphasis_bold">網絡出版時間

時間：2017-07-05

國防預先研究項目(12100201)

高曉利(1983-)，女，工程師，碩士研究生，研究方向為目標跟蹤、數據融合、數據關聯、貝葉斯網絡等。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1652.082.html

TP274

:A

:1673-629X(2017)09-0017-05

10.3969/j.issn.1673-629X.2017.09.004