基于改進DS理論多周期數據融合的目標識別方法*

李 捷，楊雪洲，周 亮

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

0 引言

目標識別是指通過各種可利用的技術和手段，結合通用或專用平臺設備，在特定的時空范圍內，對目標屬性、類型、態勢等進行判別和確認，具有重要的軍事價值［1-3］。

目標屬性識別作為目標識別的重要組成部分，是掌握戰場態勢，防止誤傷，打贏現代化信息戰爭的重要前提。

多傳感器數據融合利用傳感器性能的互補和冗余，擴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；提高了目標探測判決置信度，降低了模糊性，增強了可靠性和容錯能力，也增強了抗干擾能力，已成為復雜戰場環境下目標屬性精確識別的重要技術手段［4-6］。

文獻［7-8］提出了一系列基于Bayesian推理的數據融合方法，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［9-10］將模糊集理論用于多傳感器數據融合，很好地解決了數據信息不確定問題，且具有較小的計算復雜度，但這些方案除了要求具備一定的先驗知識外對指標的選取也有較為嚴苛的要求；文獻［11-12］采用DS證據理論進行多源數據融合，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，且對證據沖突的情況考慮不夠。為此，本文提出了一種基于改進DS證據理論的多周期數據融合方法，以應對復雜戰場環境對目標屬性識別造成的困難。

1 改進DS證據組合方法

DS證據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據融合判決，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，從而不能準確識別目標屬性。為了解決具有互補性、冗余性和模糊性的識別證據之間的融合處理問題，得到更加準確、可靠的識別結果，在典型DS方法的基礎上，提出一種改進的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，使用相應的處理結構、融合計算方式。

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

1.1 關聯質量加權

依據關聯配準環節輸出的關聯質量和關聯多義性，對發生關聯多義性的傳感器的基本信任值進行加權。

圖1 基于改進DS證據理論的融合優化控制流程

1.2 識別信源穩定性加權

依據多周期信源的穩定性，對傳感器的基本信任值加權，假設第i個傳感器在第k個周期是有應答、而在第k+1個周期是無應答，那么可判定該信源的穩定性較差，進而應該適當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屬性指向不同或者模糊，包括以下兩類情況：兩個識別證據的目標屬性指向單一且不一致；兩個識別證據的目標屬性指向模糊，不同的目標屬性指向分量之間存在沖突。

1.4 “一票否決”風險規避

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

1）計算識別證據的相似系數，給出相似矩陣；

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

2）計算各個識別證據的支持度和可信度；

將相似矩陣M的每行元素相加得到各證據對Ei的支持度為：

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

識別證據可信度利用支持度進行表示和計算：

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

3）將可信度作為權重，對證據的基本信任分配進行加權平均：

4）用DS合成規則組合加權平均證據，當有n組證據時，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。設識別框架Θ的兩個證據E1和E2，對應的基本信任分配函數為m1和m2，支持的目標屬性指向為Ai和Bj，則證據間的沖突強度為：

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

1）強沖突融合處理。根據不同傳感器的工作機制以及交戰規則限制，不同特征信息的目標屬性指向主要從目標屬性層、目標識別層和行為態勢層3個層次進行識別信息——目標屬性轉換處理。3個層次定義描述如下：

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

目標識別層：目標識別層主要針對非協作式信源獲取的識別信息進行目標身份、特征推理的處理。

行為態勢層：行為態勢層主要是指基于目標的動態識別信息（位置信息）結合相關的目標身份信息，從飛行計劃驗證和交戰規則認定兩個方面進行目標敵我屬性指向的處理層次，這兩個方面的認定在美軍戰斗識別的概念中統稱為程序認定。

在識別信息出現強沖突的情況下，按照證據建模研究的識別信息對目標屬性判斷的不同貢獻層次，分別從上述3個層次進行多級截斷融合，即將部分識別證據先進行融合，進行局部判決，使得強沖突信息導致的不合理識別結果截斷，不影響后續的識別判斷。建立如下頁圖2所示的多級組合結構。

圖2所示的多級分層截斷融合處理結構，完成了對不同層次識別信息的融合處理。

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

其次，分別計算不同層次識別結果之間的沖突強度，在強沖突情況下按照多級分層截斷融合處理結構進行識別證據的順序組合判決。首先進行行為態勢層與目標識別層的一級組合判決，再進行目標屬性層、歷史識別結果的二級和三級組合判決。如果存在人工判定，則優先以人工判定結果為主進行識別。

圖2 強沖突信息多級分層截斷融合處理結構

各級處理都要對中間識別結果進行判決，對于不滿足要求的中間識別結果則將其判為不明目標屬性。判決準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屬性的置信度應當大于絕對門限；②沖突處理后的置信度最高目標屬性的置信度與次高置信度之差應當大于相對門限；③在滿足上述兩個條件的情況下，置信度最高目標屬性為目標最終目標屬性；④在不滿足上述兩個條件的情況下，目標判斷為不明。

根據這種多級階段融合結構進行識別處理，可避免低信度證據對識別結果的干擾，同時基于多個識別周期的識別結果累積，也能夠提高識別判斷的可靠性。

2）弱沖突數據融合處理。在識別信息弱沖突的情況下，進行如圖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行處理即可，可充分利用各層次識別信息對目標屬性進行判斷，減少信息損失。

1.6 基于證據相似性的組合處理

假設傳感器1、2、3針對目標屬性1的指向性，且為加密信源，則可在同一層次進行DS組合處理，假設信源4，5，6，7針對目標屬性2的指向性，且為非加密信源，則可在另一個層次進行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。歷史信息與當前周期識別信息的融合根據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，歷史信息與當前周期識別信息基于DS組合理論方法進行融合。多周期識別疊代能夠很好地整合利用不同數據率的協作式傳感器信息，得到高置信度目標識別結果，實現對目標屬性的確認。

2.2 歷史信息與當前周期識別信息沖突

根據協作式信源工作機制，協作識別雙方基于共同的約定進行識別，協作式傳感器獲取協作目標特征的準確性高。所以基于目標多屬性的多元協作式敵我識別中的融合沖突，主要是由目標密集導致的識別信息配準關聯錯誤引起的。

為了有效解決目標密集導致的識別錯誤，可利用多周期識別信息的疊代來消除沖突，得到可靠穩定的識別結果。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，歷史識別結果為目標屬性1，當前識別結果為目標屬性2。經過前3個周期的融合，目標屬性1的置信度被不斷降低。在第3個識別周期融合后，目標屬性1置信度在目標屬性翻轉判決門限以下，則進行目標屬性翻轉，將目標識別為屬性2，并經過4、5、6周期的融合確認使得屬性2的置信度不斷提高。屬性翻轉判決門限的范圍選取受到識別置信度范圍、識別背景和識別結果使用方的共同影響，在實際識別中可根據需要靈活調整。

3 多周期改進DS證據理論融合方法

多周期改進DS數據融合算法采用復合式數據融合處理結構，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：各類機載傳感器內部的融合處理，將證據建模的基本置信度和附加靜態信息的合法性驗證結果進行融合，得到各個信源對目標的屬性判斷；

第2級融合：基于本平臺內各個傳感器的識別結果，再結合基于動態信息的程序認定識別結果進行融合處理，得到本平臺多信源對目標的屬性判斷；

第3級融合：本平臺的目標屬性判斷與其他協作平臺分發共享的關于識別目標的多屬性信息和識別結果進行融合，得到本次識別周期的目標屬性判斷；

第4級融合：本周期的目標屬性判斷與歷史識別結果進行融合，得到關于目標屬性的最終判斷。

其中，前三級融合是屬于當前識別處理周期的單周期融合處理，采用改進DS證據理論的融合方法；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數據融合算法的性能，本文構建了一個由4個屬性2目標（11，12，22，23），2個屬性1目標（81，82）和一個識別主體（11）構成的目標態勢場景，如圖6所示。

其中，識別主體11負責對某海域進行監視支援，屬性2目標22，23與屬性1目標81，82進行互相監視，其中81號目標在面對識別主體識別的情況下，將22號目標的傳感器1信號進行轉發欺騙。另外，場景中同時有屬性2目標12在執行完偵查任務后返航。

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

圖7 不同融合方法下12號目標識別對比圖

圖8表示識別主體對81號目標（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。場景態勢中，81號目標惡意轉發22號目標（屬性為2）的信號。由仿真結果可見，本文算法識別準確度優于傳統算法之外，81號目標也不會出現屬性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判斷為屬性4的有力證據，從而有效抵抗81號目標的惡意欺騙。

圖8 多周期DS方法下81號目標識別

圖9表示識別主體對23號目標（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密集場景下的識別有效性。仿真實驗中23號目標和82號目標位置非常接近。仿真試驗表明，本文算法在改進傳統算法性能的同時，很好地解決了密集目標條件下的目標識別問題。

圖9 多周期DS方法下23號目標識別

5 結論

本文研究了復雜戰場環境下目標識別問題，提出了一種基于多周期改進DS證據理論的多傳感器數據融合方法，以解決證據沖突和信息不確定性造成的目標識別困難，算法通過4個層級，兩個方面的融合實現單周期的傳感器內部融合、本平臺信息融合及平臺間信息融合，在改進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識別。仿真實驗結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”方目標準確識別的置信度，而且能夠解決由于目標密集和惡意欺騙造成目標錯誤識別的問題。