基于改進證據理論的可信決策融合艦船識別方法

中圖分類號：TP391 文獻標志碼：A DOI：10.3969/j.issn.1673-3819.2025.04.009

引用格式：，，陳師，等.基于改進證據理論的可信決策融合艦船識別方法[J].指揮控制與仿真，2025，47（4）：56-64. XUZY，LIUJHES，etal.AtrusteddecisionfusionsiprecogitiomethodbsedoniproedevidenceteoryJ]omandCon trol amp;Simulation，2025，47（4） ：56-64.

Abstract：Aimingattherequirementofrobustshiptargetrecognition，multi-source informationfusionrecognitionisaneffective solution.This paper proposesa trusted decision level fusionship target recognition method basedon improved Dempster-Shafertheory.Inthismethod，theproblemofdeterminingtheinitial confidencefunctionisaddressdbyusing HRRP andSARrecognitionresults，informationentropy，andtrustdiscounttocomprehensivelydetermine theinitialconfidence function.Aquantitative evaluationmethodforuncertaintyindecisionlevelfusionresultsbasedonarithmeticmeandensityfusion is proposed.Theexperimental verificationresults show that through the decision level fusionof HRRPand SAR data， this method achieves a ship target recognition accuracy of 93.12% ，which is superior to existing methods.It has achieved quantitative evaluationof recognition results，which objectively meets the needs of practical applications.

Keywords：Dempster-Shafer theory；credibility；data fusion；AA fusion；ship identification

隨著全球貿易和海洋運輸的不斷增加，艦船在世界各個海域的數量和活動水平持續增長和提高。這一趨勢對海上安全、自然資源保護、海上犯罪打擊以及潛在軍事威脅防范提出了更高要求。因此，海上艦船目標識別技術，包括分類識別和重識別等，變得至關重要[1]。這些技術的發展對于維護國際海域的安全與秩序具有重要意義。

為了提高艦船識別的準確性和效率，多源傳感器的數據融合技術進入了人們的視野。數據融合，也稱為信息融合，通過整合來自不同傳感器的數據，為模型決策提供更全面的信息，從而提高最終識別結果的準確率[2]。在單一傳感器性能逐漸不能滿足需求的當下，多傳感器融合識別的優勢愈發明顯，它不僅提高了數據的準確性和實際應用價值[3]，還在信息呈現和表達上展現出更強的魯棒性[4]

盡管多源傳感器數據融合技術展現出巨大潛力，但在實際應用中仍面臨諸多挑戰，需要找到對應的解決方法。證據理論（Dempster-Shafertheory，D-S），作為一種處理不確定性信息的有效方法[5]，被廣泛應用于決策支持、醫學診斷、自動化控制等領域[]。然而，D-S理論在信息融合過程中仍存在一些問題，如初始信度函數的分配、證據沖突、維度爆炸以及結果不確定性的定量分析等[7]，這些問題尚未得到有效解決，限制了D-S理論在各個領域的應用效果。

近幾年，AA融合作為一種新興的融合方法被提出，主要用于解決目標跟蹤問題，其核心為保守融合思想[8]，在此基礎上作者提出了幾種方法用于確定AA融合時的權重：協方差一致（covarianceconsistency）、最小化均方誤差（meansquareerror，MSE）、最大最小優化（max-minoptimization）等。AA融合不僅適用于目標跟蹤，也為其他信息融合問題提供了新的解決思路。因此本文也選擇它來解決融合過程中的不確定性量化問題，方便后續開展可信度的研究。

在艦船識別領域，模型的可信度對于實現可靠、安全和有效的系統至關重要。一個可信的模型應當在其預測和決策過程中展現出一致性、穩定性和可預測性。楊小軍等人和Wang等人[°的研究分別對仿真模型可信度的概念和評估方法，以及評估面臨的挑戰進行了深入分析。ChuanGuo等人[1的研究進一步揭示了即使是最先進的模型也存在預測置信度與實際準確率不匹配的問題，這強調了結合識別結果的可信度研究的必要性。如果一個系統能在給出識別結果后，根據計算過程對這個結果做一個評估，告訴人們這個結果的可信度有多高，在實際應用中人們就能以此判斷是否應該采信這個結果，這將有利于做出更加合理的決策。

鑒于此，本文提出了一種基于改進證據理論的可信決策融合艦船識別方法。該方法從海上艦船目標多源融合識別的任務需求出發，結合深度學習以及改進的D-S數據融合方法，進行融合分類識別。構建基于各個傳感器預測概率分布的初始置信函數的做法，比原有的專家給定法更具有客觀性，確保了后續D-S融合的準確性。此外，本文在原有融合結果的基礎上引入了可信融合的思想與方法，為最終融合結果的不確定性提供了定量化的評價。這種方法不僅提升了分類識別的準確率，使之優于只有單輸入的傳統分類識別模型，還對輸出結果的不確定性進行了定量化分析，為后續評估結果的可靠性提供了數據支撐。

1基于HRRP與SAR數據的可信決策融合方法

1.1 總體融合框架

本文設計的總體融合框架如圖1所示。該圖中輸入包括SAR數據與HRRP數據兩個分支，二者分別通過CNN與MLP網絡得到目標預測分類的概率分布。改進的D-S融合方法分為以下幾步：（1）將兩分支的概率分布與信息熵等要素、方法結合，構建出初始置信分配函數。（2）將初始置信函數輸人D-S融合公式中計算，得到最終識別結果。（3）量化融合前后數據的不確定性。（4）使用AA融合的方法對這些不確定性做融合，量化出最終結果的不確定性。最終的輸出包含融合后的識別結果與其不確定性的定量化評價，即識別結果與其可信度[12]

改進的D-S融合方法

圖1艦船目標的融合識別方法總體框架圖

Fig.1Overall framework diagram of fusion recognitionmethod for ship targets

1.2 SAR識別模塊設計

本文選擇以AlexNet模型為基礎[13]搭建SAR識別模塊。針對SAR訓練過程中遇到的過擬合問題，引入正則化方法，減小過擬合，提升模型的泛化性，提高了該模型在本文數據集上的識別準確率，達到后續融合需求。搭建的CNN模型如圖2所示。

該模型以SAR圖像作為輸入，經過卷積層提取特征，池化層縮小特征圖維度，展平層將特征圖轉化為一維特征向量，最后經過幾層全連接層，根據特征計算出概率密度分布，即當所需要分類的數據集中目標類別數為 N 時，最后一層全連接層的隱藏單元數即為 N ，該模型的輸出為長度為 N 的向量，即為SAR圖像預測分類的概率密度分布，用于后續證據理論融合。

圖2SAR艦船圖像識別模型

Fig.2SAR ship image recognition model

在該網絡的最后加入softmax層，模型的輸出變為SAR圖像的預測分類結果，此時模型用于事先在本文搭建的訓練用SAR數據集上訓練測試，根據訓練測試的結果計算出該模型的平均識別準確率，并通過計算識別結果的可能性與必要性，進一步計算出該模型在融合前的分類可信度，用于后續最終識別結果可信度的融合計算。模型參數設定見表1。

表1CNN網絡模型參數設定

Tab.1ParametersettingofCNNnetworkmodel

最終該模型在本文搭建的SAR訓練用數據集中的平均識別準確率為 86% 。后續的基于改進D-S融合方法當中，將依據沒有softmax層的CNN網絡得到的概率密度分布，來構建源自SAR數據分支的初始置信函數。

1.3 HRRP識別模塊設計

本文選擇以MLP模型作為HRRP數據的分類識別器。傳統HRRP分類識別模型選擇手動提取特征作為輸入，使得分類結果帶有較強主觀性，而為增強客觀性，本文選擇直接將原數據作為輸人和放人模型中進行訓練，提高準確率的同時使結果更具客觀性。搭建的模型如圖3所示，每一層都是全連接層，輸入層接收一維距離像數據，經過兩層隱藏層計算后，輸出層輸出長度為 N 的概率密度分布，用于后續證據理論融合。

同SAR的CNN模型一樣，輸出層的概率密度分布再經過softmax函數可選出最大概率代表的類別，模型的輸出變為HRRP數據的預測分類結果，此時模型用于事先在本文搭建的訓練用HRRP數據集上訓練測試，根據訓練測試的結果計算出該模型的平均識別準確率，并通過計算識別結果的可能性與必要性，進一步計算出該模型在融合前的分類可信度，用于后續最終識別結果可信度的融合計算。模型參數設定見表2。

圖3HRRP艦船數據識別模型 Fig.3HRRP ship data recognition model

表2MLP相關參數設定

Tab.2 Parameter setting of MLP network model

最終該模型在本文搭建的HRRP訓練用數據集中的平均分類準確率為 66% 。后續的基于改進D-S融合方法當中，將依據MLP模塊得到的概率密度分布來構建源自HRRP數據分支的初始置信函數。

1.4基于改進D-S的可信融合方法

改進D-S的融合方法具體步驟如圖4所示。

第一步是確定初始置信函數：包括熵的計算，以此確定信任折扣，再通過模糊度量方法處理概率分布與信任折扣，得到各分支的初始置信函數。

第二步是證據理論融合：使用D-S公式計算各分

支的初始置信函數，輸出融合后的置信函數，該函數不僅需要提取出識別結果作為輸出，還需要作為計算可信度的輸人。

第三步是各可信度計算：包括CNN與MLP模型的可信度計算，以及D-S融合過程中與融合后可信度的計算。

第四步是AA融合計算：對得到的四類可信度結果做AA融合，輸出融合后識別結果的可信度值，最終與識別結果一同輸出。

圖4改進D-S的具體融合步驟

Fig.4Specific fusion steps for improving D-S

1.4.1 初始置信函數分配改進

傳統的初始置信函數大部分由專家直接給定，通過個人經驗給出目標屬于哪一類別的概率大小，具有較強的主觀性。對此，本文選擇用深度學習模型代替人工，將模型給出目標預測類別的概率分布函數與信息熵等要素相結合，從而得到更具客觀性的初始置信函數。

經過訓練的深度學習模型能夠給出目標被預測為不同類別的概率值，即圖2—4中的概率分布。本文使用的信息熵能夠量化信息的不確定性，可以用來度量概率分布的不確定性大小，熵值越大，不確定性越大，后續融合時對其分配的權重，也即信任折扣，就要更小，反之則更大。

在置信函數中，一般包含一項全集，表示無法確定目標類別的概率， Wang^[13] 提出可用模糊度量的方法來確定置信函數的全集，使輸人的概率分布變為置信函數，從而符合證據理論的Dempster合成公式的輸人要求。

為提高整體決策的準確率，本文提出了一種置信函數再分配的方法。在數學意義中，一串概率函數與其互補函數分別表示對某一事件的支持與不支持程度，對二者給予不同的權重后相加所得到的結果可視為對該事件的一種綜合考量。將此思路應用于置信函數的再分配過程中，可使證據考慮得更加全面，提升初始置信函數的有效性，最終融合后的結果對該事件就能有一個更全面的概括與評估。

上述具體操作步驟及計算公式如下：

（1）計算熵：根據深度學習模型訓練得到的概率密度分布函數，代入公式1中，計算得到香農信息熵。式中 X 代表概率密度分布函數， x 代表其中的類別， m（x） 代表該類別所對應的概率值，得到的熵 H（X） 的值越大，代表此樣本的概率分布不確定性程度越高，后續給予的信任則越少，也即置信函數再分配時該部分的權重越少。

（2）確定信任折扣系數：根據計算得到的熵值做分配，分配公式見式2和3，式中0.86與0.66的取值出自CNN與MLP兩個模型的平均識別準確率，得到的T=[T（B），T（C）] 視為對新得到的置信函數的信任折扣系數。其中 和 C=[c₁，c₂，…，c_N] 分別代表來自HRRP與SAR數據分支的初始置信函數。

（3）添加全集：根據模糊度量方法在置信函數中添加第 N+1 項元素，也即全集。但由于 Wang 的方法適用存在五組或更多置信函數的情況，當組數過小時全集所占比重會過大，使得融合后的識別結果為空，針對該問題，本文選擇為全集再賦予一個較低的權重，具體公式見式4。以MLP模型輸出的 B 為例，計算出 b_N+1 后可得到 B^′=[b₁，b₂，…，b_N，b_N+1] ，歸一化后 B^′ 內部和為1。

b_N+1=0.4?H（B）/（H（B）+H（C））

（4）置信函數再分配：以置信函數 B^′ 為例，計算公式見式5。 B^′ 與 T（B） 的乘積確保了在融合過程中，融合前該分支的置信函數的權重與其信任折扣成正比。置信函數的補數 （1-B^′） 、信任折扣的補數（1-T（B） ）和系數0.1三者相乘部分，反映的是該分支識別結果的不支持、不確定程度，適度地保留這些信息，重構出的初始置信函數包含的信息就會更加全面，強化了低信任折扣置信函數在決策中的作用，避免了后續融合過程中受單一分支的初始置信函數影響過大的問題。實現更加全面和穩健的證據融合。 bpa（C） 的計算公式類似。

（5）歸一化處理：通過歸一化使再分配好的初始信度函數 bpa（B） 內部元素的和為1，符合后續融合的輸人要求。

1.4.2 證據理論融合公式

證據理論的Dempster合成公式具體如公式6所示。 K 為證據沖突指標，公式見式7。

其中， B=[b₁，b₂，…，b_N] 和 C=[c₁，c₂，…，c_N] 分別代表來自HRRP與SAR數據分支的初始置信函數。 b_i 和c_j（i，j=1，2，3，…，N） 則是置信函數的焦元， N 為識別框架的大小。 m（b_i） 和 m（c_j） 表示焦元對應的置信度值， A 為融合后的置信函數， …，m（a_N）] 為融合后的新置信度值分布，其中 t=1，2 ，

3，…，N 融合后的 m（A） 經softmax函數取最大值代表的類別，輸出最終識別結果。

1.4.3不同模塊的可信度計算

可信度的計算分為四個模塊：CNN模型的類別可信度、MLP模型的類別可信度、DS融合的可信度、融合后函數分布的可信度。其中，CNN模型與MLP模型的類別可信度需要提前計算并存放在該模塊中，依據各分支的初始置信函數中最大置信值所代表的類別來給定相對應的類別可信度。

（1）CNN模型的類別可信度計算。以CNN模型使用訓練用數據集測試輸出的一組識別結果為例，包含18類目標，CNN模型的可信度根據其測試識別結果來計算，計算公式見式8—10：

SA（n）=（P_pos（n）+P_nec（n））/2

公式來源于文獻［14]中可信度的計算方法： N 為識別框架， n 為 N 中任一數值，代表識別框架下的某一類別，計算第 n 類樣本被正確分類的可能性 P_pos（n） 與必要性 P_nec（n） ，再計算該類別的分類可信度 SA（n） 。s 為待測樣本總數， S_n 表示第 n 類樣本的個數， ST_n 表示第 Ω_n 類樣本被正確劃分到 n 類的個數， SF_n 表示其他類樣本被錯誤劃分為 n 類的個數。多次試驗并求出平均分類可信度 ，代表CNN模型預測結果為 n 類時，該結果的可信度。則針對任一樣本 s ，其對應的CNN模型的類別可信度為 ，其中 s 代表 s 中任意一個樣本。

（2）MLP模型類別可信度的計算。同CNN類似，得到其平均分類可信度 以及任一樣本 s 的MLP模型的類別可信度為 。

（3）DS融合的可信度 UA_s 具體計算如下：

UA_s=1-m_s（a_N+1）

（4）融合后置信函數分布的可信度 EA_s 的計算見下：

至此，得到CNN模型的類別可信度 模型的類別可信度 、DS融合的可信度 UA_s 和融合后函數分布的可信度 EA_， 這四類可信度。

1.4.4AA融合計算可信度

使用AA（arithmeticaverage，算數平均）方法對四個可信度值做融合。相比文獻[8]中使用協方差作為范圍估計得到融合權重，KL散度這一信息論方法物理意義上具備的衡量概率分布之間差異的特性[15]更適合用于計算不同可信度之間的融合權重。結合最大最小優化（max-minoptimization）原則選擇融合權重，最終使用加權融合四類可信度計算出最終結果的可信度值。

但是，KL散度計算針對的是概率分布，不是可信度這類單一數值。因此本文提出用計算補數的方法將單一可信度值轉變為可計算KL散度的概率分布，運用對應概率分布計算出的KL散度來衡量可信度之間的相互影響的大小。因為概率分布中包含的信息全部來自對應的可信度值，所以基于概率分布計算出的融合權重同樣可適用于可信度之間的加權融合計算。

融合權重的計算流程如下：

（1）初始化融合分布：假設初始融合分布 [0.5，0.5]，初始權重 w₁，w₂，w₃，w₄ 均為0.25。

（2）定義單個可信度的分布：對于樣本 s 的每個可信度，先計算其分布 F_sq ，其中 q=1，2，3，4 依次代表先前計算出的四類可信度。以 為例，通過計算其補數，從而得到一個基于 的概率分布向量 F_sl= ，符合 KL 散度計算的格式要求，其余三個可信度的分布 F_sq 均按此求得。

（3）定義優化問題：希望找到權重 w₁，w₂，w₃ ， ，使得所有可信度的 KL 散度之和最小化。

（4）計算單分布 F_sq 相對于融合分布 F_sAA 的KL散度，見下

（5）求解優化問題：

F_sAA ） 其中， F_sAA=w₁F_s1+w₂F_s2+w₃F_s3+w₄F_s4

選擇數值優化方法為SLSQP算法。

（6）更新融合分布：有了當前最優權重后，使用這些權重來更新融合分布FsAA。

（7）迭代優化：重復（4）～（6），直到權重 w₁，w₂ ，w₃，w₄ 收斂到穩定值。

樣本 s 識別結果的最終可信度值為 FinA_s ，由樣本 σ_s 對應的四個可信度值 ， ， UA_s，EA_s 加權計算得到，權重分配通過上述計算流程獲得， FinA_s 的計算公式如下

最終實現在得到融合識別結果的同時還能得到該結果的可信度值。

2 實驗結果與分析

2.1 試驗環境

2. 1.1 數據集說明

為了驗證本文提出方法在多源分類任務上的有效性，采用仿真獲得的SAR圖像數據集以及HRRP數據集，SAR圖片與HRRP數據一一對應，共有18類，每一類各有168個樣本，共3024個樣本。每一個樣本分為SAR圖片和HRRP數據：SAR圖像為一張 512*512 大小的jpg圖像，圖像中僅有一個艦船目標；HRRP數據為長度是2000的數據向量，csv格式。以3：1的比例劃分訓練集和測試集，確保每一類別的艦船都有至少100個樣本用于訓練。

2. 1.2 實驗環境

本文使用的基礎實驗環境：Windows11操作系統，CPU參數為12thGenIntel（R）Core（TM）i7-12700H2.70GHz ，16GB內存，顯卡信息為NVIDIAGeForceRTX3060LaptopGPU，在Python3.6中編程實現，使用Keras搭建CNN模型訓練SAR圖像，用Scikit-Learn搭建MLP模型訓練HRRP數據。

2.1.3 評價指標

通常的分類評價指標為精確率（precision），召回率（recall）以及 F₁ 分數。其中由于每個類別樣本數目一致，召回率在求平均后的計算結果等于準確率（accuracy）的計算結果[16]，而所有的結果都需要求平均。因此，本文的評價指標為精確率、召回率（等于準確率）以及 F₁ 分數。具體公式見式（16）—（18），其中， TP 表示正類被正確判定為正類的數量， FN 表示正類被錯誤判定為負類的數量， FP 表示負類被錯誤判定為正類的數量。

2.2初始置信函數確定方法的實驗結果與討論

由于傳統的初始置信函數確定方法是由專家分析后人為給定，存在依賴人工、主觀性較強的問題，而本文方法用深度學習加信任折扣等處理替代了專家分析，由此給定的初始置信函數相比人為分析會更加客觀。二者比對可參考表3，相比專家給定，深度學習給出的置信函數不確定性更低，數值更加精確。

表3初始置信函數確定

Tab.3Determinationofinitialcrediblefunction

第二個改進點在于該方法能在輸出識別結果的同

時，對結果的不確定性做了定量化的分析，輸出了該結果的可信度值，見表4中的兩個置信函數樣例 A₁ 與A₂ ，雖然二者最終的識別結果均為第A類，但是因為 A₁ 對A類的置信值明顯高于其他類別，而 A₂ 不同類別之間的置信值相差較小，可以推出，前者識別結果的可信度比后者的要高，本文的方法正是對這種不確定性做了量化處理，作為可信度值輸出，見表4中本文方法給出的識別結果樣例，證明了這一改進點在實際應用中存在的有效性。

表4置信函數分布

Tab.4Credible function distribution

2.3改進輸出可信度值結果的實驗與分析

本文使用的AA融合方法，實現了四個可信度值對最終可信度的貢獻大致持平，避免其中任何一個對最終結果有過大的影響。文獻[14]中認為可信度的融合方法有兩種：串聯和并聯，并給出了各自的計算方式。表5為幾種情況下不同可信度計算結果的對比。

表5可信度計算方式對比

Tab.5Comparison of reliability calculation methods

其中樣例1與樣例2均為一般情況，是大部分樣本輸入本文方法后會計算出的四個可信度。前者是HRRP分支的模型類別，其可信度較低，后者是SAR分支的模型類別，其可信度較低，兩分支的識別結果一致。而樣例3則屬于極端情況，兩分支的識別結果并不一致，導致融合后的置信函數分布可信度較低。

分析表中的四種方法的可信度計算結果可知：串聯方法得到的可信度會遠低于融合前的任一可信度值，在實際應用中有悖于常識，并不適用于本文的情況；兩種并聯方法在一些極端情況下輸出的結果也與常識相悖，例如樣例3中，當SAR分支識別為1類，可信度為0.91，HRRP分支識別為2類，可信度為0.90，D-S融合后1、2類的置信度分布會變為0.49、0.51，即識別為二類，導致融合后可信度僅為0.41，這種情況下并聯方法取min比取max更為合理；反之，樣例1與樣例2二分支的識別結果都為1類，融合后也是1類，融合后可信度較高，若識別出的1類結果是正確的，此時并聯方法取max比 min 更符合常識，但是若實際類別并不是1類而都是2類，二分支與融合后的識別結果均錯誤，此時仍舊取max方法，其可信度結果就會過高，有悖于常識，應當適當降低可信度；AA融合在幾個樣例中同時兼顧了各個可信度，從而取得一個相對合理的中間值，相比其他方法更加符合常識和合理。

實際應用中，分析給出的這些情況都會出現，前三種方法都只滿足了一種情況，缺乏良好的泛用性。因此本文最終選擇使用AA融合方法，該方法綜合了所有可信度值，通過衡量散度的方法找到了一個權重平衡點，使給出的最終結果更加客觀合理，避免了在極端情況下輸出有違常識的可信度值，在量化不確定性的基礎上兼具了良好的泛用性。

2.4綜合應用實驗結果與討論

通過以下幾組實驗的結果對比可以證明本文方法

的優勢。各個實驗所使用的數據集相同，評價指標為精確率、召回率和 F₁ 分數，且通過多次實驗驗證模型的穩定性。

（1）融合前后實驗對比：使用該方法后模型的融合識別結果與不使用該方法的兩個單獨模型的識別結果，對比結果如表6所示

表6融合前后各模型實驗結果

Tab.6Experimentalresultsofvariousmodels beforeandafterfusion

通過表格可以得知，引人了改進證據理論融合方法的本文模型，在準確度、精確度以及 F₁ 分數上均比使用單個模型的效果要好，可見采用本文方法融合后的識別結果在精確率與召回率方面均優于單個輸入數據時模型的識別結果。

（2）改進DS解決證據沖突的極端情況：為了證明本文方法能在證據沖突較大的極端情況下仍能給出正確預測結果，給出表7這一極端情況，其中證據體 M_n 和 M₂ 給定的信任折扣系數分別為0.9和0.7。在表8中展示了幾種融合方法，與本文方法形成對比。

表7極端情況試驗

Tab.7 Extreme situation test

表8不同融合方法對比

Tab.8Comparison of different fusionmethods

從表中可知，本文模型與其他方法相比，在極端情況下依然能融合出正確的結果，雖然最終結果的概率值可能不如Deng方法，但作為彌補，本文方法對輸出結果的不確定性做了定量化分析并輸出，在實用性上更具有優勢。

（3）本文方法與幾種單信號源識別方法的對比如表9所示，所用識別方法包括經典的Alexnet、ResNet、VGG16、K-means等，所用數據集為SAR或者HRRP數據集，評價指標為精確率、召回率和 F₁ 分數。根據對比實驗的結果可知，該方法在相同數據集上具有更好的識別效果。

（4）幾種融合方法在相同數據集中的對比如表10所示：所用數據集為SAR與HRRP數據集，評價指標為精確率、召回率和 F₁ 分數。其中特征級融合方法參考文獻[17]。根據對比實驗的結果可知，該方法在數據融合識別結果上達到了最優，證明了該方法在解決初始置信函數和證據沖突問題上優于已有方法。因此本文提出的方法更適用于處理多源艦船目標決策級融合識別任務。

表9不同單源識別模型的對比實驗結果

Tab.9Comparativeexperimental resultsof different singlesourcerecognitionmodels

表10不同融合模型的對比實驗結果

Tab.10Comparative experimental results ofdifferent fusion models

3 結束語

本文針對具有多信號源的海上不同種類艦船目標的分類識別任務，設計了一種基于改進證據理論的可信的多源融合分類模型。首先針對信號源種類選擇合適的兩種模型，文中選擇的是CNN模型與HRRP模型，用于分別處理SAR圖像與HRRP數據。將兩個模型輸出的識別結果輸入改進D-S融合模型，利用熵與信任折扣結合識別結果構建出初始置信函數，而后進行D-S融合計算，量化融合過程中的不確定性，輸出部分可信度值與最終識別結果，通過AA融合方法對先前得到的可信度值做融合，計算出最終識別結果的可信度。最終實現在輸出識別結果的同時給定該結果的可信度值。

試驗結果表明，改進后的D-S融合在多類別艦船目標融合識別任務中準確率能夠達到 93.12% ，證明了該方法在利用多源信號數據分類任務上的有效性，同時相比于其他傳統方法，該方法量化了最終識別結果的不確定性并輸出，可為海洋監管部門提供有效的技術支持。

參考文獻：

[1］莫倩倩，劉俊，管堅，等.基于深度學習的艦船目標重 識別技術[J].指揮控制與仿真，2024，46（4）：88-96. MOQQ，LIU J，GUANJ，et al.Vessel reidentification technology based on deep learning[J]. Command Control amp; Simulation，2024，46（4）：88-96.

[2]余輝，梁鎮濤，鄢宇晨.多來源多模態數據融合與集 成研究進展［J].情報理論與實踐，2020，43（11）： 169-178. YU H，LIANG Z T，YAN Y C. Review on multi-source andmulti-modal data fusion and integration[J]. Information Studies：Theory amp; Application，2020，43 （11） ： 169-178.

[3]HALL D L，MCMULLEN S AH. Mathematical Techniques in Multisensor Data Fusion[M].The USA： Artech House Publishers，2004.

[4]LAHAT D，ADALI T，JUTTEN C. Multimodal data fusion：an overview of methods，challenges，and prospects [J].Proceedings of the IEEE，2015，103（9）：1 449- 1 477.

[5]劉永安，程哲，徐保國.信息融合的D-S證據理論綜述 [C]//2007中國控制與決策學術年會論文集.無錫， 2007： 651-653，658.

[6]XIE X L， TIAN Y Z，WEI G. Deduction of sudden rainstorm scenarios：integrating decision makers’emotions， dynamic Bayesian network and DS evidence theory[J]. Natural Hazards，2023，116（3）：2935-2955.

[7]LI RF，CHEN ZY，LI H，et al.A new distance-based total uncertainty measure in Dempster-Shafer evidence theory[J]．Applied Inteligence，2022，52（2）：1 209- 1 237.

[8]LI T C. Some statistic and information-theoretic results on arithmetic average density fusion[J]．arXive-prints （2021）：arXiv-2110.

[9］楊小軍，徐忠富，張星，等.仿真模型可信度評估研究 綜述及難點分析[J].計算機科學，2019，46（B06）： 23-29. YANGXJ，XUZF，ZHANGX，etal.Overview and difficulties analysis on credibility assessment of simulation models[J]. Computer Science，2019，46（B06）：23-29.

[10] WANG Y，LI J， H S，et al. A survey on VVamp;A of largescale simulations[J]. International Journal of Crowd Science，2019，3（1）：63-86.

[11]GUO C，Pleiss G，SUN Y，et al.On calibration of modern neural networks[ C]//International conference on machine learning.PMLR，2017：1321-1330.

[12］崔福彬，張茜，雷俞承志，等.基于深度學習的 SAR 圖像目標識別算法[J].長春理工大學學報（自然科學 版），2019，42（4）： 33-36. CUI FB，ZHANG Q，LEI Y C Z，et al.Target recognition algorithm for SAR image based ondeep learning[J]. Journal of Changchun University of Science and Technology（Natural Science Edition），2019，42（4）： 33-36.

[13]WANG JW，HUY，XIAO FY，et al. A novel method to use fuzzy soft sets in decision making based on ambiguity measure and Dempster-Shafer theory of evidence：an application inmedical diagnosis[J].Artificial Intellgence in Medicine，2016（69）：1-11.

[14］李建勛，王軍，韓山，等.系統效能評估方法與應用 [M].北京：國防工業出版社，2022. LI JX，WANG J，HAN S，et al. System effectiveness evaluation method and application[M].Beijing：National Defense Industry Press，2022.

[15]Ganegedara，Thushan. Intuitive guide to understanding kl divergence[M]. Dosegljivo：https：//towardsdatascience. com/light-on-math-machine learning-intuitive-guide-to-understanding-kl-divergence-2b382ca2b2a8.[Dostopano： 31. 12. 2018]51 （2018） ： 52.

[16］姚世祎，楊盛騰，李裕梅.基于混淆矩陣的機器學習 分類評價指標研究及Python實踐［J].數據挖掘， 2022， 12（4） ： 351-367. YAO SY，YANG ST，LIY M.Research on machine learning clasification evaluation indicators based on confusion matrix and Python practice[J].Data Mining，2022， 12（4） ： 351-367.

［17］代維凱，陸河權，等.融合 SAR 和HRRP 特征的船只 目標識別[C].第十一屆中國信息融合大會，https：// www.csif.org.cn/web/23/list.html，2023：627-631. DAI WK，LU H Q，etal. Ship target recognition by fusing SAR and HRRP features[C]. The 11th China Conference on Information Fusion，htps：//www.csif.org.cn/ web/23/list.html，2023： 627-631.

（責任編輯：許韋韋）