基于改进DS理论多周期数据融合的目标识别方法*

李 捷，杨雪洲，周 亮

（1.电子科技大学通信抗干扰国家重点实验室，成都611731；2.四川九洲电器集团有限责任公司，四川 绵阳621000）

0 引言

目标识别是指通过各种可利用的技术和手段，结合通用或专用平台设备，在特定的时空范围内，对目标属性、类型、态势等进行判别和确认，具有重要的军事价值［1-3］。

目标属性识别作为目标识别的重要组成部分，是掌握战场态势，防止误伤，打赢现代化信息战争的重要前提。

多传感器数据融合利用传感器性能的互补和冗余，扩大了传感器探测的时间覆盖范围、空间覆盖范围和频率覆盖范围；提高了目标探测判决置信度，降低了模糊性，增强了可靠性和容错能力，也增强了抗干扰能力，已成为复杂战场环境下目标属性精确识别的重要技术手段［4-6］。

文献［7-8］提出了一系列基于Bayesian推理的数据融合方法，具有较好的融合效果，但算法对先验信息的获取有较高的要求，文献［9-10］将模糊集理论用于多传感器数据融合，很好地解决了数据信息不确定问题，且具有较小的计算复杂度，但这些方案除了要求具备一定的先验知识外对指标的选取也有较为严苛的要求；文献［11-12］采用DS证据理论进行多源数据融合，减小了对先验知识的依赖性，但这些方法都采用单周期的融合方式，忽略了历史识别信息对融合性能的影响，且对证据冲突的情况考虑不够。为此，本文提出了一种基于改进DS证据理论的多周期数据融合方法，以应对复杂战场环境对目标属性识别造成的困难。

1 改进DS证据组合方法

DS证据组合方法能够在不需要先验信息的条件下完成多传感器数据融合判决，考虑到不同平台不同传感器获取信息之间可能存在冲突，一旦传感器信息属性指向之间存在冲突，则会造成融合效能的下降，从而不能准确识别目标属性。为了解决具有互补性、冗余性和模糊性的识别证据之间的融合处理问题，得到更加准确、可靠的识别结果，在典型DS方法的基础上，提出一种改进的DS组合方法，其算法流程如图1所示，该方法针对识别信息的不同冲突情况采用处理过程控制，使用相应的处理结构、融合计算方式。

图1所示的处理流程根据不同的识别信息冲突情况选择合理的处理结构和组合计算方法，采用同维度转换模型三层次识别证据“低信度先融合，高信度后融合”的分层截断融合结构，减小低置信度识别信息干扰，使得识别结果在高信度证据快速收敛。

1.1 关联质量加权

依据关联配准环节输出的关联质量和关联多义性，对发生关联多义性的传感器的基本信任值进行加权。

图1 基于改进DS证据理论的融合优化控制流程

1.2 识别信源稳定性加权

依据多周期信源的稳定性，对传感器的基本信任值加权，假设第i个传感器在第k个周期是有应答、而在第k+1个周期是无应答，那么可判定该信源的稳定性较差，进而应该适当降低该传感器的基本信任值。

1.3 识别信息冲突判断

识别信息冲突是指识别信息的目标属性指向不同或者模糊，包括以下两类情况：两个识别证据的目标属性指向单一且不一致；两个识别证据的目标属性指向模糊，不同的目标属性指向分量之间存在冲突。

1.4 “一票否决”风险规避

在识别证据目标属性指向模糊的情况下，有可能存在某个目标属性被大多数的识别证据所支持，被个别识别证据否定的情况。为了避免“一票否决”风险，使得最终目标属性识别结果准确可靠，采用识别证据相似性度量方法来调整置信度在目标属性指向的分配。假定识别框架Θ的两个证据E1和E2，对应的基本信任分配函数为m1和m2，支持的目标属性指向为Ai和Bj，则证据间的相似性可用系数C12来表示：

1）计算识别证据的相似系数，给出相似矩阵；

假定识别证据数量为n，用式（1）可计算出识别证据Ei和Ej间的相似系数，并可表示为相似矩阵M：

2）计算各个识别证据的支持度和可信度；

将相似矩阵M的每行元素相加得到各证据对Ei的支持度为：

Sup（mi）表示证据Ei被其他证据所支持的程度。如果一个证据和其他证据都比较相似，则认为它们相互支持的程度也高；相反，如果一个证据与其他证据的相似程度较低，则认为它们相互支持的程度也较低。

识别证据可信度利用支持度进行表示和计算：

可信度Crd（mi）反映的是证据Ei的可信程度。一般情况下，一个证据被其他证据所支持的程度越高，该证据的可信度就越大，即证据越可信；如果一个证据不被其他证据所支持，则认为该证据的可信度较低。

3）将可信度作为权重，对证据的基本信任分配进行加权平均：

4）用DS合成规则组合加权平均证据，当有n组证据时，组合n-1次。

1.5 不同冲突大小程度的融合处理

在识别处理中，不同识别证据的冲突程度大小不同，需要选用合适的处理方式来解决冲突。设识别框架Θ的两个证据E1和E2，对应的基本信任分配函数为m1和m2，支持的目标属性指向为Ai和Bj，则证据间的冲突强度为：

其中，Con（E1，E2）描述的是证据E1和E2之间信任分配函数的冲突量，计算方式为：

1）强冲突融合处理。根据不同传感器的工作机制以及交战规则限制，不同特征信息的目标属性指向主要从目标属性层、目标识别层和行为态势层3个层次进行识别信息——目标属性转换处理。3个层次定义描述如下：

目标属性层：目标属性层是指无需通过更多的识别信息处理步骤，仅通过目标能够与识别主体通过加密协作式信源进行信息交互这一特征，就可认定目标敌我属性的处理层次。

目标识别层：目标识别层主要针对非协作式信源获取的识别信息进行目标身份、特征推理的处理。

行为态势层：行为态势层主要是指基于目标的动态识别信息（位置信息）结合相关的目标身份信息，从飞行计划验证和交战规则认定两个方面进行目标敌我属性指向的处理层次，这两个方面的认定在美军战斗识别的概念中统称为程序认定。

在识别信息出现强冲突的情况下，按照证据建模研究的识别信息对目标属性判断的不同贡献层次，分别从上述3个层次进行多级截断融合，即将部分识别证据先进行融合，进行局部判决，使得强冲突信息导致的不合理识别结果截断，不影响后续的识别判断。建立如下页图2所示的多级组合结构。

图2所示的多级分层截断融合处理结构，完成了对不同层次识别信息的融合处理。

首先完成目标属性层、目标识别层和行为态势层的内部融合，得到不同层次信息关于目标的目标属性判断；在各个层次进行内部融合的处理时，利用典型的DS冲突处理方法得到识别结果，由此得到的识别结果是一种目标属性指向模糊的中间结果。

其次，分别计算不同层次识别结果之间的冲突强度，在强冲突情况下按照多级分层截断融合处理结构进行识别证据的顺序组合判决。首先进行行为态势层与目标识别层的一级组合判决，再进行目标属性层、历史识别结果的二级和三级组合判决。如果存在人工判定，则优先以人工判定结果为主进行识别。

图2 强冲突信息多级分层截断融合处理结构

各级处理都要对中间识别结果进行判决，对于不满足要求的中间识别结果则将其判为不明目标属性。判决准则利用绝对门限和相对门限的概念，具体包括：①冲突处理后的置信度最高目标属性的置信度应当大于绝对门限；②冲突处理后的置信度最高目标属性的置信度与次高置信度之差应当大于相对门限；③在满足上述两个条件的情况下，置信度最高目标属性为目标最终目标属性；④在不满足上述两个条件的情况下，目标判断为不明。

根据这种多级阶段融合结构进行识别处理，可避免低信度证据对识别结果的干扰，同时基于多个识别周期的识别结果累积，也能够提高识别判断的可靠性。

2）弱冲突数据融合处理。在识别信息弱冲突的情况下，进行如图3所示的并行融合处理。在这种情况下，不同层级识别信息利用典型DS冲突组合判决方法进行处理即可，可充分利用各层次识别信息对目标属性进行判断，减少信息损失。

1.6 基于证据相似性的组合处理

假设传感器1、2、3针对目标属性1的指向性，且为加密信源，则可在同一层次进行DS组合处理，假设信源4，5，6，7针对目标属性2的指向性，且为非加密信源，则可在另一个层次进行DS组合处理。

2 多周期融合方法

多周期融合是对历史识别信息的累积。历史信息与当前周期识别信息的融合根据二者是否冲突划分为两类情况。

图3 弱冲突信息并行融合处理

2.1 历史信息与当前周期识别信息不冲突

在二者不冲突的情况下，历史信息与当前周期识别信息基于DS组合理论方法进行融合。多周期识别叠代能够很好地整合利用不同数据率的协作式传感器信息，得到高置信度目标识别结果，实现对目标属性的确认。

2.2 历史信息与当前周期识别信息冲突

根据协作式信源工作机制，协作识别双方基于共同的约定进行识别，协作式传感器获取协作目标特征的准确性高。所以基于目标多属性的多元协作式敌我识别中的融合冲突，主要是由目标密集导致的识别信息配准关联错误引起的。

为了有效解决目标密集导致的识别错误，可利用多周期识别信息的叠代来消除冲突，得到可靠稳定的识别结果。冲突情况下的多周期识别叠代的一般过程如图4所示。

图4 多周期信息冲突识别叠代过程示意图

如图4所示，历史识别结果为目标属性1，当前识别结果为目标属性2。经过前3个周期的融合，目标属性1的置信度被不断降低。在第3个识别周期融合后，目标属性1置信度在目标属性翻转判决门限以下，则进行目标属性翻转，将目标识别为属性2，并经过4、5、6周期的融合确认使得属性2的置信度不断提高。属性翻转判决门限的范围选取受到识别置信度范围、识别背景和识别结果使用方的共同影响，在实际识别中可根据需要灵活调整。

3 多周期改进DS证据理论融合方法

多周期改进DS数据融合算法采用复合式数据融合处理结构，基本流程如图5所示，包括4个层级，2个方面的融合：

第1级融合：各类机载传感器内部的融合处理，将证据建模的基本置信度和附加静态信息的合法性验证结果进行融合，得到各个信源对目标的属性判断；

第2级融合：基于本平台内各个传感器的识别结果，再结合基于动态信息的程序认定识别结果进行融合处理，得到本平台多信源对目标的属性判断；

第3级融合：本平台的目标属性判断与其他协作平台分发共享的关于识别目标的多属性信息和识别结果进行融合，得到本次识别周期的目标属性判断；

第4级融合：本周期的目标属性判断与历史识别结果进行融合，得到关于目标属性的最终判断。

其中，前三级融合是属于当前识别处理周期的单周期融合处理，采用改进DS证据理论的融合方法；第4级融合属于利用多周期历史识别信息的融合处理。

4 仿真与验证

为验证多周期DS数据融合算法的性能，本文构建了一个由4个属性2目标（11，12，22，23），2个属性1目标（81，82）和一个识别主体（11）构成的目标态势场景，如图6所示。

其中，识别主体11负责对某海域进行监视支援，属性2目标22，23与属性1目标81，82进行互相监视，其中81号目标在面对识别主体识别的情况下，将22号目标的传感器1信号进行转发欺骗。另外，场景中同时有属性2目标12在执行完侦查任务后返航。

图7对比分析了本文算法与经典DS算法对12号目标的识别性能，由仿真结果可见，与单周期融合相比，多周期融合算法能够有效提高目标12的属性确认置信度；另外，在单周期融合下，本文算法对目标12的属性确认置信度高于经典DS算法，这是因为本文算法除了利用历史识别信息进行多周期融合外，对经典DS算法进行了改进。值得注意的是，从仿真结果易见本文算法仅需要较少周期的融合即可以达到性能稳定，算法收敛速度远快于对经典DS算法进行多周期融合的方案。

图7 不同融合方法下12号目标识别对比图

图8表示识别主体对81号目标（属性为1）的识别过程，通过仿真实验验证了本文算法抗欺骗干扰的性能。场景态势中，81号目标恶意转发22号目标（属性为2）的信号。由仿真结果可见，本文算法识别准确度优于传统算法之外，81号目标也不会出现属性2与属性4之间的闪烁，这是因为历史多周期的DS组合方法，利用了历史识别信息充分融合作为支持目标判断为属性4的有力证据，从而有效抵抗81号目标的恶意欺骗。

图8 多周期DS方法下81号目标识别

图9表示识别主体对23号目标（属性为2）的识别过程，通过仿真实验，验证了本文算法在目标密集场景下的识别有效性。仿真实验中23号目标和82号目标位置非常接近。仿真试验表明，本文算法在改进传统算法性能的同时，很好地解决了密集目标条件下的目标识别问题。

图9 多周期DS方法下23号目标识别

5 结论

本文研究了复杂战场环境下目标识别问题，提出了一种基于多周期改进DS证据理论的多传感器数据融合方法，以解决证据冲突和信息不确定性造成的目标识别困难，算法通过4个层级，两个方面的融合实现单周期的传感器内部融合、本平台信息融合及平台间信息融合，在改进DS处理性能的同时，充分利用历史识别信息，通过本周期识别信息和历史识别信息融合完成最终目标识别。仿真实验结果验证了识别方法的有效性，该方法不仅能够有效提高对“我”方目标准确识别的置信度，而且能够解决由于目标密集和恶意欺骗造成目标错误识别的问题。