改进高维数据相似度的目标意图识别方法*

曹思远， 刘以安， 薛 松

(1.江南大学 物联网工程学院，江苏 无锡 214122；2.中国舰船研究院，北京 100192)

改进高维数据相似度的目标意图识别方法*

曹思远1， 刘以安1， 薛 松2

(1.江南大学 物联网工程学院，江苏 无锡 214122；2.中国舰船研究院，北京 100192)

对于实际战场中目标属性要素呈现出的多样化，传统目标意图识别方法不能够较全面地建立属性之间的相似度模型。为了更好地阐述实际战场的复杂情况，提高目标意图识别的准确度，提出了一种利用改进的空间相似度与属性相似度融合的高维数据相似度模型，以全面地计算目标各种属性状态对态势意图的支持程度，再利用得到的高维数据相似度通过D-S证据理论对目标进行序贯识别。仿真实验表明：该方法具有有效性以及能够提高目标意图识别的准确度，为解决目标战术意图识别提供了新的方法。

意图识别； 高维数据相似度； 证据理论

0 引 言

在现代战场中需要多传感器通过数据关联、相关和组合，以获得对被测环境或对象的更加精确的定位、身份识别，以及对当前态势和威胁的全面而及时的评估[1]。而在多源信息融合中，对敌方的战场态势进行预判，对敌方目标的意图进行识别是最活跃的研究领域之一。文献[2]运用冲突分析法、马尔可夫分析法等方法对目标作战意图进行识别与预测。文献[3]运用贝叶斯网络技术对目标战术意图进行有效识别，建立了一种理论上对目标在战场中态势意图识别较好的方法。文献[4，5]主要研究的是理论框架与算法的基本表述，主要使用的算法有：模板匹配、专家系统、黑板模型、贝叶斯网络技术等。文献[6]提出了一种目标战术意图序贯识别方法，该方法意图识别精度较高。文献[7]提出了一种基于D-S证据理论的海战场目标意图识别技术，使用高维空间数据很好地解决了在高维数据中使用距离相似度计算造成的缺陷。

分析上述文献[2～6]提出的方法还不能解决战场复杂环境带来的高维空间数据，由于高维空间数据具有稀疏性，低维空间的距离相似度函数不能满足战场多属性分析要求。文献[7]虽然从高维空间数据很好地进行了目标意图识别，但是很难克服高维度数据带来的影响，而且目标意图识别的准确度还不足。

本文通过在已有的高维空间相似度函数基础上，采用属性相似度与基于指数函数的空间相似度相融合的高维空

间数据相似度模型，同时结合D-S证据理论组合各时序支持度进行目标的序贯识别，以此来实现战场目标意图识别，明显提高目标识别的准确度。

1 目标意图识别原理描述

目标意图识别主要是通过信息融合的数据源提取出目标特征信息，然后通过目标支持度函数计算出目标意图，由于目标识别是对时序上的状态的识别，所以，本文通过序贯识别的方法识别目标战术意图，然后通过D-S证据理论对各个时序上的支持度进行融合处理，从而计算出目标状态序列对目标意图标准值的支持程度，其过程如图1所示。

图1 目标意图识别原理图

2 基于改进的高维空间相似度对目标支持度计算模型

设当前时刻探测并经特征提取得到的目标特征向量X=(x1,x1,…,xn)，目标战术意图标准值Y=(y1,y1,…,ym)，X对Y的支持程度表示为

S=f(X,Y)

(1)

2.1 目标状态对其意图支持度计算

传统相似性度量函数[8]为

(2)

(3)

公式(3)可以减少这种淹没，同时由于指数函数为非线性递增的特点，扩大了基本概率的分配，使得对于同一方案，支持度高与低之间的差距增大，提高目标意图识别效果。但是式(3)只是空间相似度，并不能较好的反映分类属性对象之间相似性的度量值。需要结合以下属性公式[10]

(4)

由于在实际战场中各个目标表现的属性以及环境因素比较复杂繁多,目标属性之间存在逻辑条件，因此,本文通过将式(3)改进的空间相似度与式(4)高维数据属性相似度进行融合得到

(5)

式中 wj≥1，wj值越大，其对应的第j维对相似度的贡献就越小。该函数表示两个对象间的相似程度，值越大，表明两个对象越相似，0≤HEismw(X,Y)≤1。

(6)

(7)

2.2 数据规范化

战场复杂环境中目标对象表现的属性各不相同，单位也不一致，因此，这里将当前数据与规范数据进行归一化，使用Min-Max规范化方法，设属性A的最大值为maxA，最小值为minA，属性A的值为x，则经过转换后的A的属性值X，为

(8)

3 目标战术意图序贯识别技术

随着战场信息的不断更新，会获得源源不断的实时数据，需要将这些各个时序的数据进行有效组合，每次的数据识别的结果相当于获得一次证据，通过D-S证据理论可以有效的进行战场目标序贯识别。

3.1 证据理论的基本概念[11]

证据理论的识别框架是问题推理后给出的所有答案的集合，用Θ表示。证据理论在识别框架的基础上提出了基本概率分配函数、信任函数、似然函数、Dempster合成法则等概念。

3.1.1 基本概率分配函数

基本概率分配函数是一个从集合2Θ到[0,1]的映射，Θ为识别框架，A表示识别框架Θ的任一子集，记作A⊆Θ，且满足

(9)

式中 m(A)称为事件A的基本概率分配函数，表示证据对A的信任程度。

3.1.2 信任函数

信任函数Bel是一个从集合2Θ到[0,1]的映射，如果A表示识别框架Θ的任一子集，记作A⊆Θ，且满足

(10)

3.1.3 似然函数

似然函数是指函数满足

∀A⊆Θ,∀B⊆Θ

(11)

式中 m为基本概率分配函数。

3.1.4Dempster合成规则

设m1,m1,…,mn为同一识别框架 Θ上的n个基本信任分配函数，焦元分别为Ai(i=1,2,…,N)，则D-S合成规则为

(12)

3.2 目标战术意图序贯识别方法步骤

目标战术意图序贯识别方法具体步骤如图2所示。

图2 意图序贯识别方法步骤

4 仿真计算与对比

采用文献[12]中的数据，运用本文提出的方法对目标进行意图识别。通过改进的高维空间数据相似度函数计算目标属性值与标准值的相似度见表1。

通过归一化表1中的数据得到各个时刻目标意图的分布概率见表2。

根据D-S证据合成规则对表2中的数据进行序贯合成，分别为t0,t0-t1,t0-t1-t2,t0-t1-t2-t3，其结果见表3。

表1 目标属性值与标准值的相似度

表2 分布概率

表3 目标序贯意图

通过与文献[12]得出的结果进行对比，目标01对比结果如图3，目标02,03对比结果如图4。

图3 目标01意图概率图

图4 目标02,03意图概率图

由以上意图识别的结果可以看出：从t0开始随着证据的获取，01目标的侦察意图逐渐明显，从t0，t1，t2时刻02，03目标的突防意图逐渐增大，而之后逐渐减小，但是其之后的攻击意图变大，与文献[12]中一致。对于01目标本文最终的侦察概率达到0.525 1，而文献[12]中的为0.495 9；对于02和03目标本文最后的攻击意图达到0.384 6，而文献[12]中的攻击意图为0.304 9，可以得出本文的方法提高了目标意图的准确度。

5 结束语

本文采用在前人的高维空间数据相似度函数的基础上进行改进，结合D-S证据合成规则组合各个时序的目标意图支持度，最终判断出目标的意图。通过改进的高维空间数据相似度大大提高了目标意图识别的准确度，为态势评估中的目标意图识别提供了一个有工程价值的识别方法。

[1] 黄漫国，樊尚春,郑德智，等.多传感器数据融合技术研究进展[J].传感器与微系统，2010,29(3):5-8.

[2] 袁再江,许国志,邓述慧.序贯博弈作战意图预测模型[J].系统工程理论与实践,1997(7):72-78.

[3] 李伟生,王宝树. 基于贝叶斯网络的态势评估[J].系统工程与电子技术,2003(4):480-483.

[4]DasS，GreyR,GonsalvesP.SituationassessmentviaBayesianbeliefnetworks[C]∥Proceedingsofthe5thInternationalConfe-renceonInformationFusion,Maryland,2002:664-671.

[5]FarnoushMirmoeini,VikramKrishnamurthy.ReconfigurableBaye-siannetworksforadaptivesituationassessmentinbattle-space[C]∥Networking,SensingandControl,2005:810-815.

[6] 冷画屏,吴晓锋,胡剑光,等.海上目标战术意图序贯识别技术研究[J].系统工程与电子技术,2008(3):462-465.

[7] 孙越林,包 磊.基于D-S证据理论的海战场目标战术意图识别技术研究[J]. 舰船电子工程,2012(5):48-51.

[8] 王 波，孙智国，熊 涛.一种基于改进支持度的节能型WSNs数据融合算法[J].传感器与微系统，2015,34(11):122-128.

[9] 邵昌昇,楼 巍,严利民.高维数据中的相似性度量算法的改进[J].计算机技术与发展,2011(2):1-4.

[10] 谢明霞,郭建忠,张海波,等. 高维数据相似性度量方法研究[J].计算机工程与科学,2010(5):92-96.

[11] 杨风暴，王肖霞.D-S证据理论的冲突证据合成方法[M].北京：国防工业出版社，2010.

[12] 孙越林,包 磊.基于D-S证据理论的海战场目标战术意图识别技术研究[J].舰船电子工程,2012(5):48-51.

Target tactical intention recognition method of improved high-dimensional data similarity*

CAO Si-yuan1， LIU Yi-an1， XUE Song2

(1.College of IoT Engineering,Jiangnan University,Wuxi 214122,China;2.China Ship Research and Development Academe,Beijing 100192,China)

The methods of traditional target intention recognition can’t comprehensively establish model of similarity among attributes.In order to elaborate on the complex situation of actual battlefields,a high-dimensional data similarity model using the fusion of the modified spatial similarity and attribute similarity is proposed to roundly compute the support degree of various properties of target on situational intention,which contributes to improving the accuracy of target intention recognition,use the obtained high-dimensional data similarity to sequentially recognize targets by means of theory of D-S evidence.Simulation results show that the method is not only effective,but also improves the accuracy of target intention recognition,which open up a new way for solving the target tactical intention recognition.

intention recognition; high-dimensional data similarity; evidence theory

10.13873/J.1000—9787(2017)05—0025—04

2016—04—18

国家自然科学基金资助项目(61170120)

TP 391

A

1000—9787(2017)05—0025—04

曹思远(1990-)，男，硕士研究生，主要研究方向为电子对抗和数据融合。