基于dempser的目标识别特征值融合研究.docxVIP

基于dempser的目标识别特征值融合研究 0 系起来的系上 运动目标分类一直是目标识别领域的研究热点。分类的目的是将类别标记与目标区域结合起来，以便特定分析不同的目标。在测量系统中,由于测量设备的精度、构成、外部环境以及数据的事后处理等因素的影响,导致全系统具有不确定性。文中提出了将D-S证据理论运用于目标识别中,该方法首先对目标特征值进行提取,再利用D-S理论进行融合识别。 1 demp高效证据理论 Dempster于1967年提出D-S证据理论,后由Shafer加以扩充和发展而形成的一种证据推理方法,也称证据理论为Dempster-Shafer理论。 1.1 识别结构 对于一个判决问题,把所有可能结果的集合用θ表示,那么所关心的任一命题都对应于θ的一个子集,称θ为识别框架。 1.2 有a的总体信度 概念1基本可信度分配与信度函数 设θ为识别框架,A为θ的子集,如果有集合函数m:2θ→满足下列条件: 则称m为框架θ的基本可信度分配;m(A)称为A的基本可信度分配值。因为m(A)仅表示提供给A的基本可信度,而不是对A的总体可信度,要想获得A的总体可信度,必须A的所有子集B基本可信度相加,用信度函数(Bel)表示: Bel为识别框架θ上的信度函数;Bel(A)称为A的可信度,表示给予命题A的总体可信度。但是Bel(A)还不能反映对A的怀疑程度,所以为了全面描述对A的信任还必须引入表示怀疑程度的量:似真度函数。 概念2似真度函数 设Bel:2θ→是θ上的一个信度函数,定义: pl为Bel的似真度函数。pl(A)为A的似真度,表示A的可靠程度。[Bel(A),pl(A)]构成命题A的不确定区间,通过不确定区间量化命题的可信度和似真度。 1.3 基本信度函数 概念3设Bel1和Bel2是识别框架θ上的两个信度函数,m1和m2分别对应基本可信度分配,焦元分别为A1,…,Ai和B1,…,Bj设: 那么,函数m:2θ→→是基本可信度分配: 对于多个证据的组合可采用上述规则进行组合,对给定的信度函数记为Bel1⊕Bel2。 2 demper合并规则 在测量系统的目标数据融合中,目标的类型看作命题,各测量分系统通过测量、处理及数据特征类型的提取分类,给出目标类型的判断结果可以看作证据。D-S理论应用于目标数据融合时,由各测量分系统产生对某一个命题的度量,由此构成证据,并构造相应的基本概率分布函数,对命题赋予一个可信度。利用Dempster合并规则将不同测量分系统的基本可信度分配合并成一个总体基本可信度分配,然后由识别判断规则进行决策。图1为D-S理论在测量系统数据的融合方法,m1(Ai),…,mn(Ai)(i=1,2,…,n)为n各测量分系统对命题Ai的基本可信度分配,m(Ai)为经Dempster合并规则得到的基本可信度分配。由于测量系统的数据量很大,为准确地对目标进行识别并为后续工作提供参考依据,因此需对融合结构要进行优化。由数学理论可以得知,多个证据合并的计算可由两个证据合并递推得到。图2给出了优化之后的融合结构,此种方法除了融合计算外,还可以对融合数据进行准确的逆向分析。 3 提取和分类资源值 空中目标具有多种特征,本文以加速度、速度高度、爬升率及升限特征为基础进行实例分析。 3.1 速度来进行区分 空中目标的加速度特征是基于空中目标是否有明确的加速度来进行区分。一般来说,军用飞行器需要进行机动飞行,而民用飞行器等目标则是依照固定的航线匀速飞行,因此根据空中目标的加速度特征可以区分目标类型。 3.2 智慧基础训练 空中目标的飞行速度和高度组成飞行包线。一般而言,包线的范围越广,表明飞行器的性能就越好,在军事上,表明飞行器的作战能力就越强。在实践中可以利用飞行包线建立飞行器的包线模型并将其细化,再对特征值进行处理分析确认目标的类型。 3.3 迹倾角、升限和速度优势 爬升率是飞行器在单位时间内上升的高度,不同飞行高度的最大爬升率和最大航迹倾角是不同的。提高最大爬升率可以使飞行器迅速上升到所需要的高度。升限是飞行器能进行平飞的最大飞行高度。对军用飞行器来说,升限高有由高度优势用俯冲的办法转为速度优势的可能。运用两种特征值能对目标的类型进行初步判断。 4 测量识别的融合决策 以目标A、B为例,对它们的特征值进行处理,并根据融合结果进行类型识别。 将五个测量分系统设置在不同的方位对目标进行测量识别,并将得到的五个基本可信度分配进行合并,再根据D-S融合决策规则进行分别决策。表1、表2为D-S方法的数据融合结果。表中,“测量目标”列为实际目标,数值为基本可信度分配。“测量分系统1”,…,“测量分系统5”各行分别为各测量分系统得到的对目标的分析结果。 从结果可以看出,D-S证据理论融合方法在根据目标特征值进行识别中的效果非常明显。 5 测试的次数