模糊神经网络与证据理论的飞机目标敌我识别

李 勇，王德功，杨佐龙

（空军航空大学 航空电子工程系，长春 130022）

模糊神经网络与证据理论的飞机目标敌我识别

李 勇，王德功，杨佐龙

（空军航空大学 航空电子工程系，长春 130022）

为满足复杂环境下目标敌我属性识别能力，提出了一种基于模糊神经网络（FNN：Fuzzy Neural Networks）和证据理论的新敌我识别方法。该方法利用模糊神经网络和证据理论信息的处理能力，将敌我识别器（IFF：Identification Friend-or-Foe）、电子支援措施（ESM：Electronic Warfare Support Measure）、雷达及红外获取的信息融合，进行敌我识别。仿真结果表明，该方法的识别能力明显优于单一模糊神经网络分类器，识别率达0.994，同时具有很强的容错性和一定的抗干扰能力，更适合战场需要。

模糊神经网络；证据理论；数据融合；敌我识别

0 引 言

传统的敌我识别系统，通常由询问系统、应答系统及天线系统3部分组成。敌我识别器的使用非常严格，必须特别小心，密码绝不能被敌方破译，且容易受到敌方干扰。信息融合敌我识别系统［1］是指除了敌我识别器进行敌我识别之外，还把其他方法得到的目标识别信息同直接回答得来的识别信息综合起来进行敌我目标识别的系统。信息融合敌我识别系统不仅能提高信息化条件下的抗干扰能力，还能识别出目标的敌我中属性。单一传感器所得到的信息较少，应用飞机上多种传感器能充分获取信息，提高目标敌我识别率。多传感器信息融合进行敌我识别正是敌我识别系统的研究方向。模糊神经网络和D-S证据理论［2］是信息融合的基本方法，能较好地处理不确定信息。笔者将模糊神经网络与D-S证据理论相结合进行多传感器信息融合，利用了模糊神经网络和D-S证据理论各自的优点［3］，与单纯使用神经网络或D-S证据理论相比，该方法较好地提高了信息融合敌我识别系统的识别率。

1 基本理论

1.1 模糊神经网络

神经网络是模拟人脑功能的一种大规模并行处理网络系统，他具有良好的并行处理、容错性及鲁棒性等特点，但仅能处理精确信息。模糊逻辑是一种能精确处理不确定信息的数学方法，其特长在于逻辑推理能力，但对模糊规则的自动提取及模糊隶属度函数的自动生成存在困难。模糊神经网络［4，5］的出现大大拓宽了神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊和不精确信息；同时使神经网络的自学习模糊规则的自动提取及隶属度函数的自动生成得以实现。图1是FNN（Fuzzy Neural Networks）示意图，分为输入层、模糊化层、推理层、去模糊层和输出层。每层节点数及权值可根据模糊系统所采用的具体形式而预置，通过学习算法自动产生隶属度函数的合适形状以及模糊规则。

图1 模糊神经网络Fig.1 Fuzzy neural networks

1.2 D-S证据理论

1）基本概率分配。在识别框架Θ上的基本概率分配（BPA：Basic Probability Assignment）是2Θ［0，1］的函数m，称为mass函数，且满足

其中使m（A）＞0的A称为焦元（Focal elements）。

2）信任函数。信任函数也称信度函数（Belief function）。在识别框架Θ上基于函数m的信任函数定义为

3）似然函数。似然函数也称似然度函数 （Plausibility function）。在识别框架Θ上基于函数m 的似然函数定义为

在证据理论中，对于识别框架Θ中的某个假设A，根据BPA分别计算出关于该假设的信任函数Bf（A）和似然函数Pl（A）组成信任区间［Bf（A），Pl（A）］，用以表示对某个假设的确认程度。

4）合成规则。Dempster合成规则（Dempster's combinational rule）也称证据合成公式，其定义如下：对于∀A⊆Θ，Θ上的两个mass函数m1，m2的Dempster合成规则为

其中K为归一化常数

2 基于模糊神经网络和D-S证据理论的敌我识别方法

模糊神经网络与D-S证据理论进行信息融合的模型如图2所示。利用模糊神经网络进行特征级融合，以模糊神经网络获得的输出作为证据输入，经过D-S证据理论进行决策级融合，得出识别结果。该模型充分利用了模糊神经网络强大的非线性处理能力和D-S证据理论处理不确定信息的能力，利用模糊神经网络自学习，解决D-S基本概率赋值难解决的问题［6］。利用多传感器进行信息融合识别，可提高目标的识别率，并能进行敌我识别。

图2 识别框图Fig.2 Identification diagram

2.1 传感器目标识别方法及所用特征信息

信息融合敌我识别主要是利用各种传感器获取目标的特征信息对目标进行识别。其中主要包含4类传感器、雷达、红外、ESM（Electronic Warfare Support Measure）和IFF（Identification Friend-or-Foe）。不同传感器进行敌我识别的特征信息和途径是不一致的，下面分别进行介绍。

雷达是一种主动传感器，他向空中发射电磁波，并通过接收目标的反射或散射电磁波信号实现对目标的探测。近年来，随着相关理论、相关技术的发展，雷达技术进入一个全新的发展阶段，不仅能实现对目标的探测与定位，还可以提取有关目标的更多信息，如目标航迹信息、一维距离像信息、极化信息等。从而测定目标属性，进行目标识别。

红外传感器利用目标产生的能量或经其他目标反射的能量进行探测。通过获取目标的能量信息对目标进行识别。

ESM用来侦察、分选和识别辐射源信号，具有抗干扰强和潜在的远距离探测能力。和红外传感器一样，ESM也是一种无源传感器，能避免暴露自身；能获取目标辐射源的频率、脉冲宽度和重复频率，从而对辐射源进行识别。ESM通过识别目标的辐射源对目标进行识别。

IFF敌我识别系统，由询问机和应答机两部分组成，通过问与答的方式，获得识别信息。

2.2 利用模糊神经网络获取基本概率赋值

众所周知，将D-S证据理论用于目标识别中时，其基本概率赋值的获取是个难点，基本概率赋值的好坏直接关系到最后的决策和识别结果。目前，基本概率的获取主要依靠经验的方法获得，但由于每个人对知识掌握的不同，而导致结果有很大差异。神经网络［4］具有自适应、自组织和自学习能力，可以通过样本的学习建立记忆，将未知模式判为最为接近的记忆。模糊神经网络利用各种传感器获取的特征，确定模糊神经网络的输入隐层输出节点数，进行敌我中属性分类。通过雷达选取获得的一维距离像信息对模糊神经网络进行训练，得到飞机目标型号从而得到敌我中属性；通过红外选取获得的热辐射能量大小得到飞机目标型号，从而得出目标敌我中属性，通过ESM获得的飞机目标辐射源脉冲频率、重复频率和脉冲宽度等信息得到目标辐射源型号，从而判断敌我中属性［7］。利用大量的数据进行测试，神经网络起到领域专家的作用。可以近似得到目标敌我中属性的基本概率赋值。

2.3 D-S证据理论融合

利用模糊神经网络得到的基本概率赋值，根据给出门限，可以判断敌我中识别结果。用D-S组合规则［8］得到组合的基本可信度分配后，根据得到的概率进行目标判断。笔者采用基于基本可信度分配的方法，确定如下4条规则：

1）目标类别应具有最大的基本可信数，并大于某一阈值；

2）目标类别基本可信数与其他类别的基本可信数的差值必须大于某阈值，即表示每一证据对所有不同类的支持程度应保持足够大的差异；

3）不确定性概率必须小于某阈值，即对目标类别的无知程度或证据的不确定性不能太大；

4）目标类别的基本可信数必须大于不确定性概率值，即对目标知道很少时，不能对其分类。

经D-S证据理论进行决策融合的识别框图如图3所示。

图3 决策级融合Fig.3 Decision level fusion

3 算 例

识别框架U为｛我机，敌机，中立机｝，采用雷达、红外、IFF和ESM对目标进行识别，分别用m1，m2，m3和m4表示。为了建模方便，假设各个传感器采样频率同步，并且数据已经过预处理。雷达对目标识别的有用特征选取一维距离像信息；红外对目标的有用特征选取形状和辐射能量；ESM对目标的有用特征选取载频、脉宽和脉冲重频。现以J10、SU27、F16 3种主要机型作为识别对象。在同时有干扰的情况下，利用雷达、红外和ESM 3种传感器对其进行识别［9］。图4为采用ESM获取的频率，脉冲宽度和重复频率作为特征进行飞机目标识别的训练收敛图，用3个特征分别进行高中低模糊化。模糊神经网络输入为3，隐层数为27，输出层数为1。用Matlab提供的神经网络工具箱对每个传感器通过500个样本数据进行了训练。向已训练好的神经网络输入一组F16数据（IFF识别概率由经验获得）。由此可知，训练19次达到收敛。用大量数据进行测试，得出我机的概率为0.193，敌机的概率为0.602，中立方飞机的概率为0.205。

同理可以用红外和雷达获取的特征构造模糊神经网络通过测试获得另外两组基本概率赋值，并且根据经验得到IFF的识别概率（见表1）。

图4 训练收敛图Fig.4 Training convergence map

表1 单传感器识别结果Tab.1 Single sensor recognition results

从识别结果可以看出，雷达、IFF及ESM获得的数据对F16的输出识别率均大于门限值0.600 0，给出了正确的判断结果，而红外的输出识别率仅为0.469，小于门限值，未给出正确结论。这是因为：在训练神经网络时不可能穷尽所有的传感器样本；每个传感器获得的识别信息都具有片面性和不精确性，每个传感器对目标的敏感程度都存在差异，因而不同的传感器获得识别结果的可靠性不同，有必要将结果进行融合，以期获得较精确的结果［10］。经过D-S证据理论数据融合后的识别概率如表2所示。

由表1和表2可以看出，单个传感器获得信息的片面性，很难得出令人满意的结论，有时甚至出现误判现象。采用D-S证据理论的融合识别，能综合考虑识别对象的多方面信息，减少误差，大大地提高了识别精度及可靠性。但由于训练神经网络时传感器样本有限；每个传感器获得的识别信息都具有不全面性，因而基本概率赋值获取存在误差；并且没能考虑传感器的置信度、实验条件和训练时间的限制。所以识别结果不能达到完美，该例中的最后融合结论达到0.994，可见此方法的有效性。

表2 多传感器识别结果Tab.2 Multi-sensor recognition results

4 结 语

模糊神经网络方法具有较强的自适应性、容错性和鲁棒性，具有神经网络和模糊理论共同的优点。将模糊神经网络与D-S进行融合，处理异类传感器数据和不确定性是信息融合问题的研究方向。笔者提出的基于FNN与D-S证据理论的敌我识别方法，其分类能力优于单一FNN分类器，可以显著提高单分类器的识别率，具有很强的容错性和一定的抗干扰能力，更能适合战场需要，应用前景广阔。

［1］蒋庆全.数据融合在雷达目标识别中的应用［J］.兵工自动化，2001，20（2）：14-18.

JIANG Qing－quan.The Application of Data Fusion in Radar Target Recognition［J］.Ordnance Automation，2001，20（2）：14-18.

［2］唐士杰.证据理论和神经网络相结合的目标识别方法研究［D］.西安：西北工业大学自动化学院，2007.

TANG Shi-jie.Target Recognition Based on Neural Network and D-S Evidence Theory［D］.Xi'an：College of Automation，Northwestern University，2007.

［3］王欣，王云霄.基于证据理论的空中目标识别［J］.吉林大学学报：理学版，2007，45（3）：141-181.

WANG Xin，WANG Yun-xiao.Target Recognition Based D-S Evidence Theory［J］.Journal of Jilin University：Science Edition，2007，45（3）：141-181.

［4］ZHANG Zhao.A New Fuzzy Neural Network Architecture for Multi-Sensor Data Fusion in Non-Destructive Testing［C］／／IEEE International Fuzzy Systems Conference Proceedings.Cambridge：MIT Press，1999：1661-1665.

［5］LIGGINS M E，HALL D L，LLINAS J.Hand-Book of Multi-Sensor Data Fusion Theory and Practice［M］.Cambridge：CRC Press，2008.

［6］DEZERT J，SMARANDACHE F.Advances and Applications of D-S Theory for Information Fusion［M］.［S.l.］：Research Press，2004.

［7］梁旭荣，姚佩阳，储萍.一种基于ESM和红外传感器决策层信息融合的目标识别方法［J］.传感技术学报，2008，21（1）：66-69.

LIANG Xu-rong，YAO Pei-yang，CHU Ping.Aircraft Target Identfication Based on the Decision Fusion of ESM and Infrared Sensor［J］.Journal of Sensor Technology，2008，21（1）：66-69.

［8］辛玉林，徐世友.Dsmt理论在综合敌我识别系统中的应用［J］.系统工程与电子技术，2010，32（11）：2385-2388.

XIN Yu-lin，XU Shi-you.Application of DSmT in Integrated Identification of Friend-or-Foe［J］.Systems Engineering and Electronics，2010，32（11）：2385-2388.

［9］RISTIC B.Target Identification Using Belief Functions and Implication Rules［J］.IEEE Trans on Aerospace and Electronic Systems，2005，41（3）：1097-1103.

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

Fuzzy Neural Networks and D-S Theory Used in Friend and Foe Identification of Aircraft Target

LI Yong，WANG De-gong，YANG Zuo-long
（Department of Aviation Electronic Engineering，Aviation University of Airforce，Changchun 130022，China）

In order to satisfiy the complex battlefield environment，we raise a new method to realize friend and foe identification.Using the ablity of fuzzy neural networks and D-S theory in information processing，fusing the information acquired from IFF（Identification Friend-or-Foe），ESM（Electronic Warfare Support Measure），radar and infrared，the identification is realized.The simulation results show that the recognition ability of the method is superior to a single FNN （Fuzzy Neural Networks），classifier recognition rate is 0.978.And it also has a strong fault-tolerance and a certain degree of immunity，it better suited to the battlefield needs.

fuzzy neural networks；D-S theory；data fusion；friend and foe identification

TP319.4

A

1671-5896（2012）01-0078-05

2011-11-02

李勇（1988—），男，江西萍乡人，空军航空大学硕士研究生，主要从事模式识别与信息处理研究，（Tel）86-431-86034364（E-mail）594199475＠qq.com；王德功（1955—），男，江苏徐州人，空军航空大学教授，硕士生导师，主要从事雷达目标识别研究，（Tel）86-431-86959066（E-mail）2495202664＠qq.com。

（责任编辑：何桂华）