梁 豐

(中國(guó)西南電子技術(shù)研究所,成都 610036)

1 引 言

現(xiàn)代戰(zhàn)爭(zhēng)中,對(duì)戰(zhàn)場(chǎng)目標(biāo)識(shí)別已越來(lái)越重要。指揮員不僅需要獲悉戰(zhàn)場(chǎng)各類目標(biāo)的位置和運(yùn)動(dòng)情況,還需要知道這些目標(biāo)的“敵、我、中”屬性及類型,以便對(duì)戰(zhàn)場(chǎng)形勢(shì)作出準(zhǔn)確判斷、制定正確的作戰(zhàn)計(jì)劃;戰(zhàn)斗人員需要依靠準(zhǔn)確的目標(biāo)信息以完成作戰(zhàn)任務(wù)、減少誤傷。除進(jìn)一步提升傳統(tǒng)敵我識(shí)別器的性能外,各國(guó)都在不遺余力研究新的目標(biāo)識(shí)別方法。在此背景下,非協(xié)同目標(biāo)識(shí)別技術(shù)被提出,這種技術(shù)可通過(guò)目標(biāo)外形尺寸、電磁輻射、聲光信息等物理特征對(duì)目標(biāo)身份進(jìn)行識(shí)別[1]。

非協(xié)同目標(biāo)識(shí)別技術(shù)的發(fā)展經(jīng)歷了從單傳感器目標(biāo)識(shí)別到多傳感器目標(biāo)識(shí)別。單傳感器通常僅能偵測(cè)目標(biāo)的某一種物理特征,不但對(duì)目標(biāo)識(shí)別的能力有限,還無(wú)法給出目標(biāo)的綜合情況說(shuō)明。將多個(gè)傳感器偵測(cè)的物理特征匯集起來(lái)以增強(qiáng)對(duì)目標(biāo)識(shí)別的能力、獲取更多戰(zhàn)場(chǎng)信息自然成為非協(xié)同目標(biāo)識(shí)別技術(shù)研究的方向。非協(xié)同目標(biāo)識(shí)別所涉及的傳感器具有種類繁多、地域分布廣、性能差異大的特點(diǎn),它們偵測(cè)的目標(biāo)特征信息各式各樣,有時(shí)甚至是不確定的、模糊的,如何關(guān)聯(lián)、融合多傳感器信息是非協(xié)同目標(biāo)識(shí)別技術(shù)必須解決的難題。

數(shù)據(jù)融合技術(shù)是在一定規(guī)則下對(duì)獲得的信息自動(dòng)分析、綜合,以完成所需的決策和評(píng)估任務(wù)而進(jìn)行的信息處理技術(shù),是非協(xié)同目標(biāo)識(shí)別的關(guān)鍵技術(shù)和主要研究方向[2-4]。近年來(lái),對(duì)用于目標(biāo)識(shí)別的融合算法的研究已取得重大進(jìn)展,極大地推動(dòng)了非協(xié)同目標(biāo)識(shí)別技術(shù)發(fā)展。本文對(duì)幾種目前研究最活躍的實(shí)現(xiàn)非協(xié)同目標(biāo)識(shí)別的數(shù)據(jù)融合方法進(jìn)行介紹,還介紹了國(guó)內(nèi)外在非協(xié)同目標(biāo)識(shí)別技術(shù)研究和應(yīng)用方面的進(jìn)展情況,并提出了研究方向,為今后的研究提供思路。

2 目標(biāo)識(shí)別理論

一種對(duì)目標(biāo)識(shí)別的定義是,對(duì)基于不同傳感器得到的目標(biāo)屬性數(shù)據(jù)所形成的一個(gè)組合的目標(biāo)身份說(shuō)明。由此定義可得到目標(biāo)識(shí)別的一種方法如圖1所示。

圖1 目標(biāo)識(shí)別方法Fig.1 A method of target identification

從廣義上講,目標(biāo)識(shí)別包含了對(duì)目標(biāo)的3個(gè)層次的認(rèn)識(shí):對(duì)目標(biāo)特征的辨別;對(duì)目標(biāo)“敵、我、中”屬性的辨別;對(duì)目標(biāo)型號(hào)的辨別。

2.1 目標(biāo)識(shí)別的層次

在非協(xié)同目標(biāo)識(shí)別中,不同傳感器提供的信息種類差異較大,必須將它們抽象在相同或可融的信息表達(dá)層上來(lái),才可完成融合處理。按信息抽象程度,目標(biāo)識(shí)別可分為3個(gè)層次:數(shù)據(jù)層融合、特征層融合和決策層融合。

(1)數(shù)據(jù)層融合:對(duì)每個(gè)傳感器的檢測(cè)數(shù)據(jù)進(jìn)行特征抽取,然后直接將各特征參數(shù)融合,最后由得到的綜合特征向量進(jìn)行身份識(shí)別。

(2)特征層融合:對(duì)每個(gè)傳感器的檢測(cè)數(shù)據(jù)進(jìn)行特征抽取以得到一個(gè)特征向量,然后把這些特征向量融合起來(lái)并根據(jù)融合后得到的特征向量進(jìn)行身份判定。

(3)決策層融合:對(duì)每個(gè)傳感器的檢測(cè)數(shù)據(jù)執(zhí)行變換以得出一個(gè)獨(dú)立的身份判定,然后對(duì)每個(gè)傳感器的身份判定進(jìn)行融合以得出目標(biāo)身份判定。

2.2 目標(biāo)識(shí)別的方法

目前還沒(méi)有對(duì)目標(biāo)識(shí)別方法的準(zhǔn)確分類。從算法上一般可分為3種,即物理模型、基于知識(shí)的方法和參數(shù)分類技術(shù)。

(1)物理模型所采用的技術(shù)是根據(jù)被測(cè)實(shí)體模型直接計(jì)算其特征,如體積、熱輻射或圖像等,然后與預(yù)先存儲(chǔ)的目標(biāo)特征進(jìn)行對(duì)比,實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別。

(2)基于知識(shí)的方法包括兩個(gè)內(nèi)容:表示知識(shí)的技術(shù)和處理信息以得出結(jié)論的推理方法,它們可以在原始傳感器數(shù)據(jù)或抽取的特征的基礎(chǔ)上進(jìn)行。一個(gè)有效的先驗(yàn)知識(shí)庫(kù)對(duì)該方法是否成功至關(guān)重要。

(3)參數(shù)分類技術(shù)包括統(tǒng)計(jì)算法和信息論技術(shù)。統(tǒng)計(jì)算法有古典理論推理、貝葉斯統(tǒng)計(jì)理論、Dempster-Shafer證據(jù)理論、DSmT理論等;基于信息論的方法有參數(shù)模板法、聚類分析法、神經(jīng)網(wǎng)絡(luò)、表決法、熵法和支持向量機(jī)等。

3 非協(xié)同目標(biāo)識(shí)別的關(guān)鍵技術(shù)

在實(shí)現(xiàn)非協(xié)同目標(biāo)識(shí)別的數(shù)據(jù)融合技術(shù)中,貝葉斯推理、Dempster-Shafer證據(jù)理論、DSmT理論和神經(jīng)網(wǎng)絡(luò)是使用最廣泛的方法。

3.1 貝葉斯推理

貝葉斯推理用于目標(biāo)識(shí)別時(shí),首先根據(jù)每一個(gè)傳感器的數(shù)據(jù)得出關(guān)于目標(biāo)身份的分類說(shuō)明(假設(shè)),這些說(shuō)明之間相互獨(dú)立,然后計(jì)算關(guān)于目標(biāo)身份的不確定性,最后使用貝葉斯統(tǒng)計(jì)公式計(jì)算、并結(jié)合先驗(yàn)似然函數(shù)對(duì)目標(biāo)作出決策[5]。

貝葉斯推理在非協(xié)同目標(biāo)識(shí)別中直接使用比較困難:一是需要定義先驗(yàn)似然函數(shù),這是在大量的統(tǒng)計(jì)數(shù)據(jù)基礎(chǔ)上得出的,當(dāng)所處理的事件復(fù)雜時(shí),工作量極大;二是貝葉斯推理要求各假設(shè)條件之間是相互獨(dú)立的,當(dāng)存在多個(gè)可能假設(shè)和多條相關(guān)事件時(shí),計(jì)算量很大。

對(duì)貝葉斯網(wǎng)絡(luò)(Bayesian Network)的研究近年來(lái)發(fā)展迅速,該網(wǎng)絡(luò)是處理多元概率分布的一種強(qiáng)有力的工具,可以在一定程度上解決利用不確定的、模糊的目標(biāo)特征檢測(cè)信息進(jìn)行融合識(shí)別過(guò)程中的復(fù)雜推理問(wèn)題,減少了概率建模所需的獨(dú)立參數(shù)個(gè)數(shù)和概率推理的計(jì)算量[6-7]。已有學(xué)者對(duì)貝葉斯網(wǎng)絡(luò)應(yīng)用于非協(xié)同目標(biāo)識(shí)別進(jìn)行研究,并取得了一定成果。

3.2 Dempster-Shafer證據(jù)理論[8]

Dempster和Shafer提出的證據(jù)理論是對(duì)概率論的擴(kuò)展。他們將事件和命題對(duì)應(yīng)起來(lái),把事件的集合擴(kuò)展成了命題的集合,并提出了基本可信度分配、信任函數(shù)、似然函數(shù)和信任區(qū)間的概念。Dempster-Shafer證據(jù)理論的最大特點(diǎn)是對(duì)不確定信息的描述采用“區(qū)間估計(jì)”的方法,當(dāng)獲取先驗(yàn)概率困難時(shí),比貝葉斯推理方法更合適。

在非協(xié)同目標(biāo)識(shí)別中使用D-S證據(jù)理論主要有兩種方法:中心式計(jì)算和分布式計(jì)算,如圖2所示。

圖2 D-S證據(jù)理論應(yīng)用方法Fig.2 Application methods of D-S evidence theory

文獻(xiàn)[9-11]介紹了D-S證據(jù)理論的應(yīng)用研究。該理論適合于融合不確定性信息,即由于缺乏明確性而帶來(lái)的不確定性命題,但要求傳感器所辨識(shí)的命題之間是相互獨(dú)立的,這也限制了該理論的廣泛使用。

D-S證據(jù)理論存在的問(wèn)題是:當(dāng)處理沖突命題時(shí),組合規(guī)則中的歸一化過(guò)程會(huì)出現(xiàn)違背常理的結(jié)論,而當(dāng)命題高度沖突時(shí),在數(shù)學(xué)上會(huì)得出不合常理的結(jié)果。并且當(dāng)命題沖突時(shí),D-S證據(jù)理論的計(jì)算量急劇增大。

針對(duì)當(dāng)命題沖突時(shí),歸一化過(guò)程會(huì)出現(xiàn)違背常理的結(jié)論的問(wèn)題,許多文獻(xiàn)在修改證據(jù)模型和修改組合規(guī)則兩方面提出了改進(jìn)的方法[12]。文獻(xiàn)[13]提出的改進(jìn)方法是不忽略沖突信息,而是將其重新分配。文獻(xiàn)[14]認(rèn)為沖突信息部分可用,可用的成分取決于所定義的證據(jù)可信度函數(shù)。文獻(xiàn)[15]提出把支持證據(jù)沖突的概率按各個(gè)命題的平均支持程度加權(quán)進(jìn)行分配。文獻(xiàn)[16]是對(duì)證據(jù)模型的改進(jìn)方法。然而,這些改進(jìn)方法只能解決一部分命題沖突的情況,或者在解決沖突的過(guò)程中又引入新的問(wèn)題。

3.3 DSmT理論[17-18]

Dezert提出的DSmT理論是傳統(tǒng)D-S證據(jù)理論的擴(kuò)展,它同樣可以融合來(lái)自不同傳感器的信息,但是主要集中處理高不確定、高沖突和高不準(zhǔn)確的信息。DSmT理論在D-S理論基礎(chǔ)上定義了超冪集、廣義基本可信度分配的概念,并對(duì)模型和合成規(guī)則進(jìn)行了擴(kuò)充。

關(guān)于D-S證據(jù)理論和DSmT理論的區(qū)別,文獻(xiàn)[19]進(jìn)行了說(shuō)明。DSmT理論的特點(diǎn)是:在計(jì)算過(guò)程中,矛盾的焦元得以保留,這使得DSmT理論和DS證據(jù)理論在焦元的計(jì)算方面不同,具體來(lái)說(shuō)就是增加了許多原來(lái)被分配掉的可信度分配。

DSmT理論的應(yīng)用方法同D-S證據(jù)理論類似。作為D-S證據(jù)理論的一種發(fā)展和延伸,DSmT理論能夠在高沖突情況下得到比D-S證據(jù)理論更好的融合結(jié)果[20]。但是,當(dāng)焦元數(shù)量增加時(shí),DSmT方法的計(jì)算和存儲(chǔ)量急劇增大[21],而在低沖突的情況下融合效果反而不及D-S方法,這是限制DSmT方法廣泛使用的主要原因。針對(duì)這一問(wèn)題,改進(jìn)算法主要集中在融合這兩種方法的優(yōu)勢(shì),使之更有利于解決證據(jù)沖突的問(wèn)題,最終提高目標(biāo)識(shí)別的效率和準(zhǔn)確性[22-24]。比如,當(dāng)沖突小于某個(gè)閾值時(shí)采用DS方法,而當(dāng)沖突大于閾值時(shí)使用DSmT方法;直到?jīng)_突小于閾值時(shí)再改回D-S方法。

3.4 神經(jīng)網(wǎng)絡(luò)[25-26]

神經(jīng)網(wǎng)絡(luò)是模仿生物大腦的結(jié)構(gòu)和功能,采用數(shù)學(xué)和物理方法進(jìn)行研究而構(gòu)成的一種信息處理系統(tǒng),它的特點(diǎn)是具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力、良好的容錯(cuò)性、高速并行的運(yùn)算能力并能通過(guò)硬件實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)的特點(diǎn)決定了它對(duì)多傳感器信息的強(qiáng)大融合能力,被認(rèn)為是非協(xié)同目標(biāo)識(shí)別最有前景的處理方法。

神經(jīng)網(wǎng)絡(luò)近幾年的發(fā)展非常迅速,在許多領(lǐng)域得到應(yīng)用,但在非協(xié)同目標(biāo)識(shí)別領(lǐng)域還處于起步階段,目前的研究主要集中在模型構(gòu)建及功能仿真。文獻(xiàn)[4]中介紹了使用ART神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)識(shí)別的一種思路,如圖3所示。

圖3 基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別Fig.3 Target identification based on neural network

ART網(wǎng)絡(luò)存在著將外部輸入模式與內(nèi)部存儲(chǔ)模式進(jìn)行比較、匹配的過(guò)程,正是在此過(guò)程中產(chǎn)生了共振狀態(tài);在共振狀態(tài)下不斷學(xué)習(xí)和調(diào)整,從而達(dá)到新的平衡。該網(wǎng)絡(luò)能夠根據(jù)需要自適應(yīng)新輸入的模式,可以避免對(duì)網(wǎng)絡(luò)先前所學(xué)習(xí)過(guò)的模式進(jìn)行修改,即具有“記憶”能力,這種特點(diǎn)對(duì)非協(xié)同目標(biāo)識(shí)別非常有益。

單一的網(wǎng)絡(luò)理論上雖然可實(shí)現(xiàn)對(duì)目標(biāo)有效識(shí)別,但選擇合適的網(wǎng)絡(luò)類型卻是一個(gè)難題。神經(jīng)網(wǎng)絡(luò)組合是用有限個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)同一問(wèn)題進(jìn)行學(xué)習(xí),它的輸出由各神經(jīng)網(wǎng)絡(luò)的輸出共同決定,這就避免了選擇網(wǎng)絡(luò)類型的麻煩,同時(shí)還可得到更好的計(jì)算結(jié)果。神經(jīng)網(wǎng)絡(luò)組合不僅適合于目標(biāo)屬性辨別,還適合于對(duì)目標(biāo)威脅程度和戰(zhàn)場(chǎng)態(tài)勢(shì)進(jìn)行分析。

幾種融合算法的應(yīng)用程度比較見表1。由表可見,綜合使用多種方法是提高目標(biāo)識(shí)別概率、增強(qiáng)戰(zhàn)場(chǎng)態(tài)勢(shì)分析能力的有效手段。

表1 不同算法的應(yīng)用程度比較[27]Table 1 Application level comparison between different algorithms

4 研究進(jìn)展及方向

非協(xié)同目標(biāo)識(shí)別技術(shù)一直是軍事領(lǐng)域的重要研究項(xiàng)目,除進(jìn)一步繼續(xù)深入研究各型目標(biāo)探測(cè)器(傳感器)及提高其性能外,多傳感器數(shù)據(jù)融合及其系統(tǒng)集成研究是主要的研究方向。

4.1 國(guó)外研究進(jìn)展

國(guó)外對(duì)數(shù)據(jù)融合的研究起步較早,最初的研究成果主要應(yīng)用于軍事領(lǐng)域,提出了許多融合理論與方法。20世紀(jì)70年代,美軍的指揮、控制、通信和情報(bào)(Command Control Communication and Intelligence,C3I)系統(tǒng)率先采用多傳感器數(shù)據(jù)融合技術(shù)采集和處理戰(zhàn)場(chǎng)信息并獲得成功。1988年,多傳感器數(shù)據(jù)融合技術(shù)被美國(guó)國(guó)防部列為重點(diǎn)研究開發(fā)的20項(xiàng)關(guān)鍵技術(shù)之一。海灣戰(zhàn)爭(zhēng)后,西方發(fā)達(dá)國(guó)家研制了一些軍用數(shù)據(jù)融合系統(tǒng),主要用于情報(bào)偵察、戰(zhàn)場(chǎng)信息處理等方面。北約國(guó)家的許多主力戰(zhàn)機(jī)都不同程度地使用了數(shù)據(jù)融合技術(shù),大幅提升了作戰(zhàn)平臺(tái)對(duì)非協(xié)同目標(biāo)的識(shí)別能力,以及對(duì)戰(zhàn)場(chǎng)的偵測(cè)、感知能力。

20世紀(jì)90年代中期,北約多個(gè)國(guó)家聯(lián)合成立了專門研究對(duì)空中目標(biāo)進(jìn)行非協(xié)同識(shí)別的機(jī)構(gòu),分別使用多種雷達(dá),采用不同的波形和帶寬,對(duì)十幾種幾十架不同類型的飛機(jī)進(jìn)行了測(cè)試。主要結(jié)論包括:高距離分辨率雷達(dá)(HHR)很有希望用于識(shí)別戰(zhàn)斗機(jī)大小,具有從不同方向識(shí)別目標(biāo)的能力;二維逆合成孔徑雷達(dá)(2D-ISAR)有待進(jìn)一步研究,特別是在圖像算法和特征證據(jù)使用方面;噴氣發(fā)動(dòng)機(jī)雷達(dá)調(diào)制(JEM)可以對(duì)飛機(jī)實(shí)現(xiàn)非協(xié)同識(shí)別,但要求信噪比高,且不是在所有方向上都能完成識(shí)別。這些結(jié)論表明單一傳感器對(duì)非協(xié)同目標(biāo)的識(shí)別能力有限。隨后使用證據(jù)推理方法融合噴氣發(fā)動(dòng)機(jī)雷達(dá)調(diào)制、直升機(jī)旋翼雷達(dá)調(diào)制(HERM)、二維逆合成孔徑雷達(dá)、高距離分辨率雷達(dá)、熱成像等傳感器的信號(hào),大大提升了對(duì)非協(xié)同目標(biāo)的識(shí)別能力,還改進(jìn)了從不同方向識(shí)別目標(biāo)的識(shí)別概率。

美國(guó)達(dá)信系統(tǒng)公司分別為美國(guó)空軍和海軍陸戰(zhàn)隊(duì)開發(fā)了無(wú)人值守地面?zhèn)鞲衅?可探測(cè)和識(shí)別地面戰(zhàn)車,該系統(tǒng)利用聲音信號(hào)與紅外信號(hào)相結(jié)合的原理完成戰(zhàn)車定位和非協(xié)同識(shí)別。這些傳感器是一種飛機(jī)投送的可部署傳感器,一旦部署到指定地區(qū),它們將在有效范圍內(nèi)探測(cè)到敵方戰(zhàn)車的數(shù)量和位置。

戰(zhàn)斗識(shí)別(Combat Identification,CID)的出現(xiàn)極大地促進(jìn)了非協(xié)同目標(biāo)識(shí)別技術(shù)發(fā)展[28]。美軍已試驗(yàn)成功通過(guò)貝葉斯網(wǎng)絡(luò)融合多種信息(無(wú)人偵察機(jī)、高距離分辨率雷達(dá)、熱成像設(shè)備、GPS衛(wèi)星、敵我識(shí)別器等)實(shí)現(xiàn)對(duì)目標(biāo)“陸、海、空、天”一體化識(shí)別和對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)的感知;還通過(guò)融合數(shù)據(jù)鏈獲得其他武器平臺(tái)探測(cè)的信息,進(jìn)行擴(kuò)大識(shí)別范圍、提高識(shí)別概率的試驗(yàn)。另外,用于數(shù)據(jù)融合的專業(yè)處理器已經(jīng)出現(xiàn)并用于武器裝備中,大大提高了處理速度;美國(guó)、日本等國(guó)家已經(jīng)使用成熟的技術(shù)和工藝生產(chǎn)出了電子神經(jīng)元器件,以及專用的電子神經(jīng)計(jì)算機(jī),并已投入使用。

4.2 國(guó)內(nèi)研究進(jìn)展

我國(guó)很早就對(duì)單傳感器的非協(xié)同目標(biāo)識(shí)別進(jìn)行研究,并取得了豐碩成果;對(duì)多傳感器的非協(xié)同目標(biāo)識(shí)別研究雖起步較晚,但發(fā)展很快?？蒲腥藛T對(duì)數(shù)據(jù)融合的理論及應(yīng)用研究已有長(zhǎng)足進(jìn)展,隨著我國(guó)計(jì)算機(jī)技術(shù)和微處理器技術(shù)的發(fā)展,許多算法的復(fù)雜性已不再成為多傳感器數(shù)據(jù)融合的應(yīng)用障礙,極大地推動(dòng)了非協(xié)同目標(biāo)識(shí)別技術(shù)研究的發(fā)展。

近年來(lái),國(guó)內(nèi)學(xué)術(shù)界和工程界已在神經(jīng)網(wǎng)絡(luò)的研究方面取得了巨大進(jìn)展,提出了許多優(yōu)化的網(wǎng)絡(luò)模型。研究人員已注意到神經(jīng)網(wǎng)絡(luò)對(duì)非協(xié)同目標(biāo)識(shí)別的意義,正逐漸將它引入到該領(lǐng)域的應(yīng)用研究中。

4.3 研究方向

對(duì)多傳感器信息融合處理是非協(xié)同目標(biāo)識(shí)別技術(shù)的關(guān)鍵,通過(guò)對(duì)國(guó)內(nèi)外相關(guān)文獻(xiàn)資料的分析、總結(jié),并針對(duì)目前融合方法中存在的問(wèn)題,作者認(rèn)為該技術(shù)今后的研究方向主要包括以下幾個(gè)方面:

(1)證據(jù)推理中處理證據(jù)沖突的改進(jìn)方法研究;(2)放寬組合規(guī)則約束條件的研究;

(3)證據(jù)推理與概率論、模糊論等相關(guān)理論相結(jié)合的研究;

(4)神經(jīng)網(wǎng)絡(luò)組合在非協(xié)同目標(biāo)識(shí)別中的應(yīng)用研究;

(5)多種融合方法的綜合化研究;

(6)建立適合非協(xié)同目標(biāo)識(shí)別的數(shù)據(jù)融合模型標(biāo)準(zhǔn)和系統(tǒng)結(jié)構(gòu)標(biāo)準(zhǔn)。

5 結(jié)束語(yǔ)

非協(xié)同目標(biāo)識(shí)別技術(shù)是戰(zhàn)斗識(shí)別的重要組成部分,已從過(guò)去依靠單一傳感器信息對(duì)目標(biāo)進(jìn)行識(shí)別,發(fā)展到目前融合多傳感器信息不僅可對(duì)目標(biāo)的屬性、類型、型號(hào)進(jìn)行識(shí)別,還可對(duì)目標(biāo)的作戰(zhàn)意圖、威脅程度等進(jìn)行分析、評(píng)估。

多傳感器數(shù)據(jù)融合是非協(xié)同目標(biāo)識(shí)別技術(shù)的主要研究方向。本文從目標(biāo)識(shí)別的基礎(chǔ)理論開始,介紹了幾種適合非協(xié)同目標(biāo)識(shí)別的融合方法及其改進(jìn)措施。從目前存在的問(wèn)題看,加強(qiáng)對(duì)貝葉斯網(wǎng)絡(luò)的應(yīng)用研究很有必要;同時(shí),要深入研究D-S證據(jù)理論及DSmT理論的改進(jìn)方法,尤其是它們結(jié)合運(yùn)用的自適應(yīng)算法;另外,將神經(jīng)網(wǎng)絡(luò)組合在其他領(lǐng)域研究取得的成功經(jīng)驗(yàn)引入到非協(xié)同目標(biāo)識(shí)別中,對(duì)網(wǎng)絡(luò)模型、算法及實(shí)現(xiàn)方法進(jìn)行研究,為最終的工程化打下基礎(chǔ)。

從國(guó)內(nèi)外的研究進(jìn)展可以看出,信息化條件下的非協(xié)同目標(biāo)識(shí)別絕非通過(guò)一種融合方法就能實(shí)現(xiàn),必須綜合多種方法、取長(zhǎng)補(bǔ)短。同時(shí),應(yīng)加強(qiáng)與其他專業(yè)領(lǐng)域的合作,如通過(guò)數(shù)據(jù)鏈獲取其他作戰(zhàn)平臺(tái)偵測(cè)的目標(biāo)信息,可增強(qiáng)對(duì)多個(gè)非協(xié)同目標(biāo)的識(shí)別能力及對(duì)戰(zhàn)場(chǎng)信息的感知能力。

[1] 楊云志,黃成芳.戰(zhàn)斗識(shí)別與網(wǎng)絡(luò)戰(zhàn)述評(píng)[J].電訊技術(shù),2004,44(3):1-4.YANG Yun-zhi,HUANG Cheng-fang.Combat Identification andNetwork Warfare:a Review[J].Telecommunication Engineering,2004,44(3):1-4.(in Chinese)

[2] 蔣慶全.數(shù)據(jù)融合與敵我識(shí)別綜述[J].現(xiàn)代防御技術(shù),2002,30(4):55-60.JIANG Qing-quan.Summary on Data Fusion and Identification of IFF[J].Modern Defense Technology,2002,30(4):55-60.(in Chinese)

[3] 金宏斌,藍(lán)江橋.預(yù)警監(jiān)視系統(tǒng)目標(biāo)身份識(shí)別方法研究[J].信息與控制,2010,39(4):485-491.JIN Hong-bin,LAN Jiang-qiao.Researches on the Methodsof Target Identity Identification in the Early Warning and Surveillance System[J].Information and Control,2010,39(4):485-491.(in Chinese)

[4] 康耀紅.數(shù)據(jù)融合理論與應(yīng)用[M].2版.西安:西安電子科技大學(xué)出版社,2006.KANG Yao-hong.Data Fusion Theory and Application[M].2nd ed.Xi′an:Xidian University Press,2006.(in Chinese)

[5] 刁聯(lián)旺.基于貝葉斯決策理論的目標(biāo)身份融合識(shí)別[J].現(xiàn)代電子工程,2007,17(6):33-35.DIAO Lian-wang.Target Identification Fusion Based on Bayes Decision-making Theory[J].Modern Electronic Engineering,2007,17(6):33-35.(in Chinese)

[6] 佟守愚,龐世春,楊吉,等.貝葉斯網(wǎng)絡(luò)在軍事作戰(zhàn)中的應(yīng)用現(xiàn)狀及展望[J].指揮控制與仿真,2010,32(5):1-4.TONG Shou-yu,PANG Shi-chun,YANG Ji,et al.Status and Prospect of Applications of Bayesian networks in Warfare[J].Command Control&Simulation,2010,32(5):1-4.(in Chinese)

[7] 孫永強(qiáng),張安.基于混合貝葉斯網(wǎng)絡(luò)的非協(xié)作式敵我識(shí)別系統(tǒng)[J].火力與指揮控制,2010,35(6):179-182.SUN Yong-qiang,ZHANG An.Study on Hybrid Bayesian Networks in Non-cooperative IFF System[J].Fire Control&Command Control,2010,35(6):179-182.(in Chinese)

[8] Koks D,Challa S.An Introduction to Bayesian and Dempster-Shafer Data Fusion[R].[S.l.]:Defense Science and Technology Organization,2003.

[9] 韓雁飛.目標(biāo)識(shí)別的D-S融合算法[J].現(xiàn)代防御技術(shù),2001,29(4):46-50.HAN Yan-fei.D-S Fusion Method on Target Recognition[J].Modern Defense Technology,2001,29(4):46-50.(in Chinese)

[10] 向國(guó)梁.多傳感器數(shù)據(jù)融合非合作目標(biāo)識(shí)別技術(shù)研究[J].火控雷達(dá)技術(shù),2003,32(1):25-30.XIANG Guo-liang.Study on Multi-sensor Data Fusion Noncooperative Target Recognition[J].Fire Control and Radar Technology.2003,32(1):25-30.(in Chinese)

[11] 藍(lán)金輝,馬寶華,藍(lán)天,等.D-S證據(jù)理論數(shù)據(jù)融合方法在目標(biāo)識(shí)別中的應(yīng)用[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,41(2):53-56.LAN Jin-hui,MA Bao-hua,LAN Tian,et al.D-S Evidence Reasoning and Its Data Fusion Application in Target Recognition[J].Journal of Tsinghua University(Natural Science Edition),2001,41(2):53-56.(in Chinese)

[12] 尹慧琳,王磊.D-S證據(jù)推理改進(jìn)方法綜述[J].計(jì)算工程與應(yīng)用,2005,27(1):22-24.YIN Hui-lin,WANG Lei.A Review of Modification Methods of D-S Evidence Theory[J].Computer Engineering and Application,2005,27(1):22-24.(in Chinese)

[13] Yager R.On the Dempster Shafer Framework and New Combination Rules[J].Information Sciences,1987,41(2):93-137.

[14] 孫全,葉秀清,顧偉康.一種新的基于證據(jù)理論的合成公式[J].電子學(xué)報(bào),2000,28(2):116-119.SUN Quan,YE Xiu-qing,GU Wei-kang.A New Combination Rules of Evidence Theory[J].Acta Electronica Sinica,2000,28(2):116-119.(in Chinese)

[15] 李弼程,王波,魏俊,等.一種有效的證據(jù)理論合成公式[J].數(shù)據(jù)采集與處理,2002,17(1):33-36.LI Bi-cheng,W ANG Bo,WEI Jun,et al.An Efficient Combination Rule of Evidence Theory[J].Journal of Data Acquisition&Processing,2002,17(1):33-36.(in Chinese)

[16] Murphy K.Combining of BeliefFunctionswhen Evidence Conflicts[J].Decision Support Systems,2000,29(1):1-9.

[17] Dezert J.Foundations for a New Theory of Plausible and Paradoxical Reasoning[J].Information and Security Journal,2002,12(1):26-30.

[18] Smarandache F.Advances andApplications of DSmT for Information Fusion[M].[S.l.]:America Research Press,2004.

[19] 譙騫蘇.基于DSmT的改進(jìn)合成方法[J].電子測(cè)量技術(shù),2010,33(2):53-55.QIAO Qian-su.Modified Combination Rule Based on DSmT[J].Electronic Measurement Technology,2010,33(2):53-55.(in Chinese)

[20] 辛玉林,鄒江威,徐世友,等.DSmT理論在綜合敵我識(shí)別中的應(yīng)用[J].系統(tǒng)工程與電子技術(shù),2010,32(11):2385-2388.XIN Yu-lin,ZHOU Jiang-wei,XU Shi-you,et al.Application of DSmT in Integrated Identification of IFF[J].Systems Engineering and Electronics,2010,32(11):2385-2388.(in Chinese)

[21] 陳凱,楊俊安,陳昊.DSmT混合規(guī)則的高復(fù)雜度優(yōu)化[J].計(jì)算工程,2010,36(7):76-79.CHEN Kai,YANG Jun-an,CHEN Hao.High Complexity Optimization for DSmT Mixing Rule[J].Computer Engineering,2010,36(7):76-79.(in Chinese)

[22] 楊錦園,黃心漢,王敏.多源沖突證據(jù)的智能融合算法研究[J].計(jì)算工程與應(yīng)用,2009,45(22):18-22.YANG Jin-yuan,HUANG Xin-han,WANG Min.Intelligent Fusion Algorithm of Multi-source Conflicting Evidences[J].Computer Engineering and Application,2009,45(22):18-22.(in Chinese)

[23] 侯俊,苗壯,潘泉.DST與DSmT自適應(yīng)融合算法[J].微電子學(xué)與計(jì)算機(jī),2006,23(10):150-152.HOU Jun,MIAO Zhuang,PAN Quan.A Adaptive Integration Algorithms with DST and DSmT[J].Microelectronics and Computer,2006,23(10):150-152.(in Chinese)

[24] 周憲英.DST與DSmT自適應(yīng)融合門限研究[J].艦船電子工程,2009,29(12):128-130.ZHOU Xian-ying.Study on the Threshold of Combining DST and DSmT[J].Ship Electronic Engineering,2009,29(12):128-130.(in Chinese)

[25] Gilmore J F,Czuchry A J.Target Detection in a NeuralNetwork Environment[C]//Proceedings of Applications of Artificial Intelligence VIII.Orlando,Florida,USA:SPIE,1990:301-318.

[26] Pawlak R J.A New Neural NetworkArchitecture for the Fusion of Independent or DependentSensor Decision[C]//Proceedings of Signal Processing&Target Recognition III.Orlando,Florida,USA:SPIE,1994:6-15.

[27] 何友,王國(guó)慶,陸大王金,等.多傳感器信息融合及應(yīng)用[M].2版.北京:電子工業(yè)出版社,2007.HE You,WANG Guo-qing,LU Da-jin,et al.Multi-sensor Information Fusion With Applications[M].2nd ed.Beijing:Publishing House of Electronics Industry, 2007.(in Chinese)

[28] 李琨.伊拉克戰(zhàn)爭(zhēng)后外軍戰(zhàn)斗識(shí)別系統(tǒng)的發(fā)展趨勢(shì)[J].電訊技術(shù),2004,44(5):7-13.LI Kun.Combat Identification System Development for the ForeignMilitary Forces after Operation of Iraq Freedom[J].Telecommunication Engineering,2004,44(5):7-13.(in Chinese)