郭曉陶， 王星， 周冬青

(空軍工程大學(xué) 航空航天工程學(xué)院, 陜西 西安 710038)

?

基于Dempster-Shafer證據(jù)理論的通信輻射源個(gè)體識(shí)別算法

郭曉陶， 王星， 周冬青

(空軍工程大學(xué) 航空航天工程學(xué)院, 陜西 西安 710038)

針對(duì)由于各種信號(hào)干擾和傳感器誤差導(dǎo)致輻射源個(gè)體正確識(shí)別率較低的問(wèn)題，提出一種多傳感器融合識(shí)別算法進(jìn)行復(fù)雜電磁環(huán)境中的通信個(gè)體識(shí)別。該算法將Dempster-Shafer證據(jù)理論和特征提取結(jié)合起來(lái)，充分利用偵測(cè)的信號(hào)特征，減少了識(shí)別過(guò)程中的不確定信息。該融合識(shí)別算法提取偵測(cè)信號(hào)中的個(gè)體特征，使用基于決策向量的自適應(yīng)證據(jù)融合方法將由個(gè)體特征轉(zhuǎn)化而來(lái)的多個(gè)證據(jù)相融合，最后再根據(jù)判決準(zhǔn)則得到最終的識(shí)別結(jié)果。分別對(duì)自適應(yīng)融合方法和融合識(shí)別算法進(jìn)行仿真分析，結(jié)果表明自適應(yīng)證據(jù)融合方法可以綜合考慮融合過(guò)程的計(jì)算效率和融合結(jié)果的合理性，在二者之間達(dá)到平衡。與現(xiàn)有的識(shí)別方法相比，多傳感器融合識(shí)別算法可以提高復(fù)雜電磁環(huán)境中個(gè)體識(shí)別的穩(wěn)定性和正確識(shí)別率。

兵器科學(xué)與技術(shù)； 輻射源識(shí)別； 信息融合； Dempster-Shafer證據(jù)理論； 特征提取； 自適應(yīng)證據(jù)組合

0　引言

隨著通信技術(shù)的不斷發(fā)展，電臺(tái)的種類和數(shù)目也呈現(xiàn)指數(shù)式增長(zhǎng)的態(tài)勢(shì)，在戰(zhàn)場(chǎng)上實(shí)現(xiàn)對(duì)敵方通信電臺(tái)的偵察和個(gè)體識(shí)別也成為信息化戰(zhàn)爭(zhēng)的基礎(chǔ)和關(guān)鍵。目前對(duì)于通信輻射源的個(gè)體識(shí)別主要從通信信號(hào)的瞬態(tài)部分和穩(wěn)態(tài)部分兩個(gè)方向進(jìn)行研究[1]，瞬態(tài)信號(hào)相較于穩(wěn)態(tài)信號(hào)具有更為豐富的非線性特性和個(gè)體特征，因此利用瞬態(tài)信號(hào)往往具有更高的識(shí)別成功率。但是其出現(xiàn)時(shí)刻較為隨機(jī)，持續(xù)時(shí)間較短，只有幾毫秒到幾十毫秒，因此對(duì)于瞬態(tài)信號(hào)的截獲通常存在一定的難度，而且偵收到的瞬態(tài)信號(hào)可能并不完整，存在一定的不確定性。基于以上分析，如何更好地利用瞬態(tài)信號(hào)進(jìn)行個(gè)體識(shí)別是目前需要解決的問(wèn)題。

Dempster-Shafer證據(jù)理論在處理不確定性信息時(shí)有其獨(dú)特的優(yōu)勢(shì)[2-3]，并且可以在決策層進(jìn)行信息融合，大大減少了數(shù)據(jù)的運(yùn)算量。但是Dempster-Shafer證據(jù)理論目前仍然存在兩個(gè)關(guān)鍵問(wèn)題阻礙其廣泛應(yīng)用：1) Dempster-Shafer證據(jù)理論中基本概率賦值(BPA)函數(shù)的獲取缺乏堅(jiān)實(shí)的理論支撐，現(xiàn)有的mass函數(shù)主要通過(guò)專家確認(rèn)和已有經(jīng)驗(yàn)判斷，受主觀因素影響較大，無(wú)法從理論上進(jìn)行論證；2)Dempster組合規(guī)則在處理強(qiáng)沖突證據(jù)時(shí)存在不足，會(huì)產(chǎn)生與實(shí)際情況相悖的結(jié)論。對(duì)于前者，文獻(xiàn)[4]提出基于區(qū)間數(shù)的BPA生成方法，文獻(xiàn)[5]則提出基于不確定優(yōu)化模糊函數(shù)的BPA生成方法。對(duì)于后者，文獻(xiàn)[6]提出基于置信最大熵的推理方法，文獻(xiàn)[7]提出沖突程度推定的組合規(guī)則。

為了解決瞬態(tài)信號(hào)截獲難度大、信息存在缺失的問(wèn)題，本文提出了基于Dempster-Shafer證據(jù)理論的多傳感器融合識(shí)別算法。首先使用文獻(xiàn)[8]的方法將提取的特征信息轉(zhuǎn)化為mass函數(shù)，使得到的BPA值具有更嚴(yán)謹(jǐn)?shù)睦碚撘罁?jù)和邏輯性。由于通信輻射源瞬態(tài)信號(hào)的特殊性，單個(gè)傳感器接收到的數(shù)據(jù)通常存在缺失的問(wèn)題，因此本文使用基于決策向量的自適應(yīng)證據(jù)融合方法對(duì)多個(gè)傳感器得到的證據(jù)信息進(jìn)行融合再識(shí)別。這種融合識(shí)別方法既能有效地減少人為干擾和背景噪聲對(duì)識(shí)別的惡化，又避免了由于單個(gè)傳感器存在的誤差造成的誤識(shí)別。仿真結(jié)果表明，本文提出的融合識(shí)別算法具有較好的合理性和有效性。

1　自適應(yīng)證據(jù)融合方法

經(jīng)典Dempster-Shafer證據(jù)理論中的Dempster規(guī)則在處理低沖突證據(jù)時(shí)具有數(shù)學(xué)性質(zhì)好、收斂速度快等優(yōu)勢(shì)；但是當(dāng)沖突程度較大時(shí)，會(huì)出現(xiàn)穩(wěn)定性差和“0”悖論等問(wèn)題[9]。為了克服以上缺點(diǎn)，并充分利用Dempster規(guī)則的特點(diǎn)，本文提出利用基于決策向量的自適應(yīng)組合方法進(jìn)行信息融合。

已有的融合方法主要通過(guò)沖突因子K判斷證據(jù)間的沖突程度，沖突因子可以反映不同證據(jù)對(duì)所支持目標(biāo)的一致性和明確性程度。而文獻(xiàn)[10]中提出的證據(jù)距離可以衡量各個(gè)證據(jù)間整體上的差異程度，證據(jù)間差異越小，則證據(jù)距離越小。因此，沖突因子和證據(jù)距離在描述證據(jù)的沖突程度時(shí)具有很好的互補(bǔ)性。證據(jù)距離定義為

(1)

式中：mi和mj是同一識(shí)別框架中第i個(gè)目標(biāo)和第j個(gè)目標(biāo)的mass函數(shù)；mi和mj為由識(shí)別框架中2n個(gè)元素構(gòu)成的2n維空間中的n維向量；D為2n×2n維正定系數(shù)矩陣, 若A、B為同維矩陣，則D(A,B)=|A∩B|/|A∪B|. 影響證據(jù)沖突程度的因素有很多，單獨(dú)使用沖突因子K或者證據(jù)距離d不能全面、準(zhǔn)確地表示證據(jù)間的沖突程度。因此本文結(jié)合兩方面的特點(diǎn)提出決策向量Vd來(lái)全面衡量證據(jù)間的沖突程度，即Vd由沖突因子K和證據(jù)距離d聯(lián)合表示，是二者構(gòu)成的二維向量：Vd=[K,d]，這里d為證據(jù)距離的平均值。設(shè)α和β是根據(jù)決策向量設(shè)定的閾值，下面分別分析各種情況的算法原理：

1)當(dāng)K<α且d<β時(shí)，可認(rèn)為證據(jù)間的沖突程度低且一致性較好，可以直接使用Dempster規(guī)則進(jìn)行信息融合。

2)當(dāng)K≥α且d<β時(shí)說(shuō)明存在沖突證據(jù)，可用參考證據(jù)對(duì)沖突證據(jù)進(jìn)行替換。首先計(jì)算證據(jù)間的相似度，設(shè)mi和mj是同一識(shí)別框架中的mass函數(shù)，則mi和mj的相似度為

(2)

(3)

某一證據(jù)與其他證據(jù)的相似度越小，則其在參考證據(jù)中所占的比重也就越小。因此使用參考證據(jù)進(jìn)行替換可以降低沖突證據(jù)對(duì)融合結(jié)果的影響。

3)當(dāng)K<α且d≥β時(shí)說(shuō)明存在證據(jù)因強(qiáng)干擾或電磁環(huán)境擾動(dòng)等原因而與其他證據(jù)整體差異較大。這時(shí)需要對(duì)證據(jù)源的權(quán)重進(jìn)行賦值，從而降低差異證據(jù)在融合過(guò)程中所占的比重。證據(jù)的可靠性系數(shù)定義為

(4)

可靠性系數(shù)反映了某一證據(jù)與其余證據(jù)間的差異程度，其值越高，則在全部證據(jù)中該證據(jù)的一致性就越好。除此之外，不確定性系數(shù)定義為

(5)

(6)

式中：|A|是集合A的基。Pignistic概率函數(shù)的實(shí)質(zhì)是將一個(gè)BPA轉(zhuǎn)化為概率分布，從其計(jì)算公式可知Pignistic概率函數(shù)是將多命題焦元對(duì)應(yīng)的信度依據(jù)均分的思想分配到各單焦元命題上。這種轉(zhuǎn)化方法與熵最大化類似，會(huì)造成已有信息的大量損失。因此，文獻(xiàn)[11]中提出一種基于信任函數(shù)和似真函數(shù)的概率轉(zhuǎn)化方法，其公式為

(1-ΣBel)+Bel(Ai),

(7)

式中：ΣBel為所有單子集焦元的概率累加；Bel和Pl表示識(shí)別框架的置信函數(shù)和似然函數(shù)。這種方法綜合考慮了信任函數(shù)和似真函數(shù)在mass函數(shù)分配中的影響程度，充分利用了已知信息，更具合理性?？煽啃韵禂?shù)反映了其他證據(jù)對(duì)該證據(jù)的支持程度，不確定性系數(shù)則反映了證據(jù)自身的清晰程度。二者分別從證據(jù)源的外部和內(nèi)部度量證據(jù)的可靠程度，因此證據(jù)源的修正因子定義為

(8)

根據(jù)修正因子所包含的意義對(duì)證據(jù)源的權(quán)重進(jìn)行賦值，規(guī)則為

(9)

4)當(dāng)K≥α且d≥β時(shí)首先用參考證據(jù)將沖突證據(jù)替換，再判斷得到的新證據(jù)間的距離是否大于β. 如果大于β，則用修正因子對(duì)證據(jù)源的權(quán)重賦值再進(jìn)行數(shù)據(jù)融合，否則直接進(jìn)行融合。其關(guān)系如圖1所示。

圖1　自適應(yīng)融合方法關(guān)系分布圖Fig.1　Distribution of self-adaptive fusion rule

算法中的參數(shù)α和β一般根據(jù)實(shí)際情況進(jìn)行選取。二者數(shù)值取得越大，算法的自適應(yīng)選擇風(fēng)險(xiǎn)也就越大，但取得過(guò)小則不利于算法的快速收斂，影響識(shí)別的實(shí)時(shí)性和快速?zèng)Q策。經(jīng)過(guò)多次仿真實(shí)驗(yàn)，在保證融合效果的前提下減少算法的復(fù)雜度，得到針對(duì)本文數(shù)據(jù)類型的閾值為K=0.7，d=0.5.

2　多傳感器融合識(shí)別算法

基于Dempster-Shafer證據(jù)理論對(duì)輻射源個(gè)體進(jìn)行識(shí)別的原理框圖如圖2所示。圖中u0,u1,…,uj為識(shí)別框架中所有元素，mi(u0),mi(u1),…,mi(uj)為第i個(gè)傳感器獲取的mass函數(shù)，mi(·)為分配到目標(biāo)個(gè)體uj上的信度函數(shù)值。每個(gè)傳感器把截獲到的通信瞬態(tài)信號(hào)通過(guò)特征提取轉(zhuǎn)換到證據(jù)空間，即對(duì)每一個(gè)對(duì)象進(jìn)行BPA賦值，并對(duì)所得的證據(jù)進(jìn)行信息融合，最后根據(jù)一定的判決準(zhǔn)則確定通信輻射源的個(gè)體身份。其具體步驟如下：

1)獲取基本概率函數(shù)。首先將通信信號(hào)中的非線性特征提取出來(lái)，再依據(jù)一定的準(zhǔn)則將特征值轉(zhuǎn)化為識(shí)別框架中的mass函數(shù)，轉(zhuǎn)到步驟2.

2)沖突判斷。計(jì)算所有證據(jù)間的沖突因子K. 如果K>α，說(shuō)明證據(jù)間的沖突程度較高且存在沖突證據(jù)，因此需要替換沖突證據(jù)，轉(zhuǎn)到步驟3；否則，轉(zhuǎn)到步驟4.

4)一致性判斷。根據(jù)(1)式得出mi和mj的證據(jù)距離，并計(jì)算所有證據(jù)距離的平均值d. 如果d>β，則證據(jù)整體上的一致性較差，需要對(duì)證據(jù)源進(jìn)行修正，轉(zhuǎn)到步驟5；否則，轉(zhuǎn)到步驟6.

5)修正證據(jù)源。根據(jù)(8)式得到每個(gè)證據(jù)的修正因子，再根據(jù)(9)式對(duì)證據(jù)源進(jìn)行修正，轉(zhuǎn)到步驟6.

(10)

式中:ε1和ε2是提前確定的閾值。

圖2　　　　基于Dempster-Shafer證據(jù)理論的通信輻射源個(gè)體識(shí)別框圖Fig.2　Functional block diagram of emitter identification

只有當(dāng)所有準(zhǔn)則同時(shí)滿足時(shí)可判定A1為識(shí)別結(jié)果，如果不能全部滿足說(shuō)明現(xiàn)有數(shù)據(jù)不能支持目標(biāo)識(shí)別。識(shí)別算法的流程圖如圖3所示。

圖3　多元信息融合識(shí)別算法的流程圖Fig.3　Flow chart of sequential identification algorithm

3　仿真分析

為了驗(yàn)證本文提出的識(shí)別算法的可行性與有效性，仿真分為兩部分進(jìn)行：第1部分分別在低沖突證據(jù)與高沖突證據(jù)情況下對(duì)自適應(yīng)證據(jù)融合算法的融合效果進(jìn)行仿真，并與其他現(xiàn)有融合算法進(jìn)行對(duì)比；第2部分在給定的仿真條件下對(duì)多源信息融合識(shí)別算法進(jìn)行想定仿真，并與其他通信個(gè)體識(shí)別算法進(jìn)行對(duì)比。

3.1自適應(yīng)證據(jù)融合算法

此處仿真數(shù)據(jù)均來(lái)自于文獻(xiàn)[13]。設(shè)目標(biāo)識(shí)別框架為Ω={a,b,c}，a、b、c為框架中所有元素，即可能的目標(biāo)個(gè)體。共有4條不同的證據(jù)。表1為低沖突時(shí)的證據(jù)值，表2為高沖突時(shí)的證據(jù)值。本文方法中取K=0.7，d=0.5.

表1　低沖突的BPA值

表2　高沖突的BPA值

低沖突數(shù)據(jù)的融合結(jié)果如表3所示。由表3可知，隨著證據(jù)個(gè)數(shù)的增多，文獻(xiàn)[14]的算法將沖突部分分配給了未知集，這不利于證據(jù)融合的收斂和融合結(jié)果的判斷。Dempster和文獻(xiàn)[15]的算法最終可以趨于收斂并正確判定最終結(jié)果為a，但Dempster組合方法在兩個(gè)證據(jù)進(jìn)行融合時(shí)就達(dá)到收斂，而文獻(xiàn)[15]的算法到4個(gè)證據(jù)進(jìn)行融合時(shí)才趨于收斂。因此在證據(jù)的沖突程度不高時(shí)，Dempster組合規(guī)則能夠在融合效率和融合結(jié)果的正確性之間實(shí)現(xiàn)較好的平衡。此外，Dempster組合方法保證了證據(jù)理論具有交換律和結(jié)合律等良好數(shù)學(xué)性質(zhì)，并且隨著證據(jù)個(gè)數(shù)的增加實(shí)現(xiàn)對(duì)支持度的累加，而這些都是文獻(xiàn)[15]和文獻(xiàn)[16]的算法不具備的。因此，自適應(yīng)證據(jù)融合算法在判決決策向量Vd小于設(shè)定的閾值時(shí)可以直接選擇Dempster組合方法實(shí)現(xiàn)對(duì)證據(jù)的融合。這樣既提高了算法的計(jì)算效率，滿足融合的實(shí)時(shí)性，又保證了證據(jù)融合的合理性和正確性。

如表4所示，當(dāng)證據(jù)之間的沖突程度較大時(shí)，直接使用Dempster組合規(guī)則就會(huì)出現(xiàn)“一票否決”和穩(wěn)定性差等問(wèn)題，并可能得出與實(shí)際情況相悖的結(jié)果。文獻(xiàn)[14]和文獻(xiàn)[16]的算法雖然避免了Dempster組合方法的問(wèn)題，但是證據(jù)之間互相沖突的部分被分配給了未知集，這種解決方式與通過(guò)信息融合提高對(duì)正確識(shí)別對(duì)象支持度的主要思想相違背，不利于對(duì)融合結(jié)果的判定。與此同時(shí)，文獻(xiàn)[15]的算法較前3種算法有所改進(jìn)，可以根據(jù)不同證據(jù)源的重要程度進(jìn)行加權(quán)融合，但是其收斂速度較為緩慢，在4個(gè)證據(jù)進(jìn)行融合時(shí)仍不能對(duì)正確識(shí)別目標(biāo)達(dá)到較高的支持度。與現(xiàn)有算法相比，本文提出的自適應(yīng)融合算法首先判決決策向量Vd是否大于設(shè)定的閾值，當(dāng)判決沖突程度較大時(shí)，可以通過(guò)用參考證據(jù)替換沖突證據(jù)從而降低證據(jù)之間的沖突程度。此外，自適應(yīng)融合算法還以計(jì)算各個(gè)證據(jù)的修正因子，依據(jù)修正因子的大小決定不同證據(jù)源在信息融合過(guò)程中所占的權(quán)重，這樣就提高了可靠證據(jù)對(duì)正確識(shí)別目標(biāo)的支持度。從表4可知，自適應(yīng)融合算法在應(yīng)對(duì)高沖突證據(jù)時(shí)也可以較快地實(shí)現(xiàn)收斂，同時(shí)避免產(chǎn)生與實(shí)際情況相悖的結(jié)論。

表3　低沖突證據(jù)的融合結(jié)果

表4　高沖突證據(jù)的融合結(jié)果

3.2多源信息融合識(shí)別算法

為了實(shí)現(xiàn)通信輻射源的個(gè)體識(shí)別，用于識(shí)別的個(gè)體特征必須具有時(shí)移不變性、尺度變化性和相位保持性等特性，如信號(hào)的分形、小波系數(shù)和高階累積量等特征。因此，本文選擇區(qū)分效果較為理想的雙譜、小波特性及譜特征作為區(qū)分不同輻射源的個(gè)體特征。

設(shè)電磁環(huán)境中共有3種可能存在的通信輻射源，即多傳感器目標(biāo)識(shí)別體系的設(shè)識(shí)別框架由3個(gè)待識(shí)別目標(biāo)A、B、C組成：Ω= {A,B,C}。系統(tǒng)使用S1、S2和S3共3種偵測(cè)設(shè)備傳感器，它們是獨(dú)立的完全不同的知識(shí)源，能反映相同或不同的目標(biāo)頻譜和空間特性。仿真設(shè)定真實(shí)的目標(biāo)對(duì)象為A且信號(hào)傳輸信道的信噪比為0 dB，輻射源信號(hào)的原始波形圖如圖4所示。對(duì)接收到的信號(hào)分別分析其雙譜、小波特性及譜特征。圖5為傳感器S1偵收到的信號(hào)通過(guò)小波變換得到的特征信息。其中設(shè)定小波系數(shù)的分解層數(shù)n=7，CD1～CD7為細(xì)節(jié)系數(shù)，CA7為近似系數(shù)。圖6為傳感器S2偵收到的信號(hào)通過(guò)提取雙譜特性得到的特征信息。圖7為傳感器S3偵收到的信號(hào)的光譜特性圖。將得到的特征信息通過(guò)文獻(xiàn)[8]轉(zhuǎn)換為不同的mass函數(shù)值，如表5所示，其中，m1、m2和m3分別是通過(guò)S1、S2和S3傳感器偵測(cè)到的信號(hào)特征信息轉(zhuǎn)化成的mass函數(shù)值。本文方法中取K=0.7，d=0.5.

圖4　輻射源信號(hào)波形圖Fig.4　Original signal waveform of emitter

圖5　小波分析提取的信號(hào)細(xì)微特征信息Fig.5　Detail feature information extracted by wavelet analysis

圖6　信號(hào)的雙譜特征Fig.6　Bispectral feature of signal

圖7　信號(hào)的光譜特征Fig.7　Spectral feature of signal

如表5所示，由于人為干擾和背景噪聲等因素，各個(gè)傳感器獲得的特征信息或多或少都會(huì)存在偏差，單獨(dú)由一個(gè)傳感器信息m1、m2和m3并不能準(zhǔn)確實(shí)現(xiàn)對(duì)目標(biāo)輻射源的識(shí)別，其獲得的信息對(duì)識(shí)別框架內(nèi)各個(gè)目標(biāo)的支持度差異不夠明顯。本文提出的多源信息融合識(shí)別算法通過(guò)對(duì)多個(gè)傳感器信息的融合實(shí)現(xiàn)對(duì)不確定信息的削弱，得到融合后的證據(jù)m如表5所示。融合后的證據(jù)m能夠增強(qiáng)證據(jù)體對(duì)正確目標(biāo)的支持程度，相對(duì)地降低了對(duì)其他對(duì)象的支持度，從而實(shí)現(xiàn)對(duì)目標(biāo)信號(hào)準(zhǔn)確識(shí)別。

表5　目標(biāo)識(shí)別體系中的BPA值

在實(shí)際情況下，不同傳感器得到的偵測(cè)數(shù)據(jù)間的沖突程度通常并不會(huì)特別高，但同時(shí)各個(gè)mass函數(shù)之間的差異度并不能很好支持對(duì)目標(biāo)個(gè)體的準(zhǔn)確識(shí)別。因此只靠現(xiàn)有個(gè)體識(shí)別算法往往并不能實(shí)現(xiàn)理想的識(shí)別效果，而本文提出的融合識(shí)別算法能夠最大限度地減少單一傳感器所受的干擾和自身誤差對(duì)識(shí)別結(jié)果產(chǎn)生的不利影響，提高了識(shí)別算法的魯棒性和正確識(shí)別率。

4　結(jié)論

本文提出一種基于多傳感器信息融合的通信輻射源個(gè)體識(shí)別方法，該方法可以根據(jù)所得證據(jù)的沖突程度自適應(yīng)選擇合適的融合方法。這樣不僅保證了識(shí)別算法的正確識(shí)別率，同時(shí)也保證了算法的運(yùn)算效率和合理性。通過(guò)仿真結(jié)果和分析可以得到以下結(jié)論：

1)與其他融合規(guī)則相比，本文基于決策向量的自適應(yīng)證據(jù)融合方法具有更好的合理性和穩(wěn)定性，能夠綜合考慮融合結(jié)果的準(zhǔn)確性和高效性，在二者之間達(dá)到平衡。

2)本文提出的多元信息融合識(shí)別方法能夠?qū)⒏鱾€(gè)傳感器的偵察數(shù)據(jù)和已有的識(shí)別信息通過(guò)證據(jù)理論融合起來(lái)，有效提高了通信輻射源個(gè)體識(shí)別算法的正確識(shí)別率，并增強(qiáng)了算法的魯棒性。

3)通過(guò)仿真分析可知，同現(xiàn)有的通信個(gè)體識(shí)別算法相比，本文提出的識(shí)別算法可以通過(guò)融合多源傳感器信息減少人為干擾和背景電磁信號(hào)等不利因素對(duì)識(shí)別結(jié)果的影響。

References)

[1]張旻, 鐘子發(fā), 王若冰. 通信電臺(tái)個(gè)體識(shí)別技術(shù)研究[J]. 電子學(xué)報(bào), 2009, 37(10): 2125-2153.

ZHANG Min, ZHONG Zi-fa, WANG Ruo-bing. Research on the technique of individual communication transmitter identification[J]. Acta Electronica Sinca, 2009, 37(10): 2125-2153.(in Chinese)

[2]李程, 王偉, 施龍飛, 等. 基于多源信息融合的有源雷達(dá)組網(wǎng)方式序貫識(shí)別方法[J]. 電子與信息學(xué)報(bào), 2014,36(10):2456-2463.

LI Cheng, WANG Wei, SHI Long-fei, et al. Sequential method for netting type recognition of active radars based on multi-source information fusion[J]. Journal of Electronics & Information Technology, 2014, 36(10):2456-2463.(in Chinese)

[3]張美璟, 王應(yīng)明. 基于擴(kuò)展原理的混合型證據(jù)推理不確定決策方法[J]. 控制與決策, 2015, 30(4): 670-676.

ZHANG Mei-jing, WANG Ying-ming. Hybird evidential reasoning for decision making under uncertainty based on extension principle[J]. Control and Decision, 2015, 30(4):670-676.(in Chinese)

[4]康兵義, 李婭, 鄧勇, 等. 基于區(qū)間數(shù)的基本概率指派生成方法及應(yīng)用[J].電子學(xué)報(bào), 2012, 40(6):1092-1096.

KANG Bing-yi, LI Ya, DENG Yong, et al. Determination of basic probability assignment based on interval numbers and its application[J]. Acta Electronica Sinica, 2012, 40(6):1092-1096.(in Chinese)

[5]Han D Q, Deng Y, Han C Z. Novel approaches for the transformation of fuzzy membership function into basic probability assignment based on uncertain optimization[J]. International Journal of Uncertainty, Fuzziness and Knowledge-based Systems, 2013, 21(2):289-322.

[6]權(quán)文, 王曉丹, 王堅(jiān), 等.一種基于置信最大熵模型的證據(jù)推理方法[J]. 控制與決策, 2012, 27(6):899-903. QUAN Wen, WANG Xiao-dan, WANG Jian, et al. A combination rule of evidence theory based on brief max-entropy model [J].Control and Decision, 2012, 27(6):899-903. (in Chinese)

[7]Yang Y, Han D Q, Han C Z. Discounted combination of unreliable evidence using degree of disagreement[J]. International Journal of Approximate Reasoning, 2013, 54(8): 1197-1216.

[8]徐琰珂, 梁曉庚, 賈曉洪. 利用模糊證據(jù)理論的信息融合方法及其應(yīng)用[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào), 2012, 44(3):107-111.

XU Yan-ke, LIANG Xiao-geng, JIA Xiao-hong. Information fusion based on fuzzy evidence theory and its application in target recognition[J]. Journal of Harbin Institute of Technology, 2012, 44(3):107-111.(in Chinese)

[9]韓德強(qiáng), 楊藝, 韓崇昭. DS證據(jù)理論研究進(jìn)展及相關(guān)問(wèn)題探討[J]. 控制與決策, 2014,29(1):1-11.

HAN De-qiang, YANG Yi, HAN Chong-zhao. Advances in DS evidence theory and related discussions[J]. Control and Decision, 2014, 29(1): 1-11.(in Chinese)

[10]鄧勇, 施文康, 朱振福. 一種有效處理沖突證據(jù)的組合方法[J]. 紅外與毫米波學(xué)報(bào), 2004, 23(1):27-32.

DENG Yong, SHI Wen-kang, ZHU Zhen-fu. Efficient combination approach of conflict evidence[J]. Journal of Infrared and Millimeter Waves, 2004, 23(1):27-32.(in Chinese)

[11]蔣雯, 吳翠翠, 賈佳, 等. D-S證據(jù)理論中的基本概率賦值轉(zhuǎn)換概率方法研究[J]. 西北工業(yè)大學(xué)學(xué)報(bào), 2013, 31(2):295-299.

JIANG Wen, WU Cui-cui, JIA Jia, et al. A probabilistic transformation of basic probability assignment in D-S evidence theory[J]. Journal of Northwestern Polytechnical University, 2013, 31(2):295-299.(in Chinese)

[12]Donoho D L, Johnstone I M. Ideal spatial adaptation by wavelet shrinkage [J]. Biometrika, 1994, 81(3):425-455.

[13]Wei Y C. A novel D-S combination method of conflicting evidences based on Pearson correlation coefficient[J]. Telecommunication Engineering, 2012, 52(4):466-471.

[14]Yager R R. On the Dempster-Shafer framework and new combination rules[J]. Information System, 1989, 41(2):93-137.

[15]Pang J F, Lin Y, Li Y B, et al. A new DS evidence fusion algorithm based on cosine similarity coefficient[C]∥2013 International Conference on Measurement, Information and Control. Harbin, Heilongjiang: IEEE, 2013:1487-1490.

[16]孫權(quán), 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(8):117-119.

SUN Quan, YE Xiu-qing, GU Wei-kang. A new combination rules of evidence theory[J]. Acta Electronica Sinica, 2000, 28(8):117-119.(in Chinese)

Individual Communication Transmitter Identification Based on Dempster-Shafer Evidence Theory

GUO Xiao-tao, WANG Xing, ZHOU Dong-qing

(Aeronautics and Astronautics Engineering College, Air Force Engineering University, Xi’an 710038, Shaanxi, China)

A novel multi-sensor information fusion identification method is proposed for the low accurate rate of the transmitter individual identification caused by the various jamming signals and sensor error, which can enhance the stability and accurate recognition rate of the transmitter individual identification in the complicated environment. The proposed method integrates the Dempster-Shafer evidence theory and feature extraction to get the utmost out of feature information and decrease the influence of uncertain factors in the signal processing. The features are extracted from the detected signals. The self-adaptive fusion rule based on the decision vector is utilized to fuse the evidences transformed by features. The recognition results can be obtained by judgment rules. The simulation analyses of self-adaptive fusion rule and fusion identification method are performed, respectively. The results show that the self-adaptive fusion rule can achieve a great balance between computational efficiency and accurate identification rate. Compared with other identification methods, the proposed fusion identification method can provide more accurate and stable recognition results.

ordnance science and technology; emitter identification; information fusion; Dempster-Shafer evidence theory; feature extraction; self-adaptive evidence fusion

2016-02-02

航空科學(xué)基金項(xiàng)目(20152096019、20145596025)

郭曉陶(1992—)，男，碩士研究生。E-mail：guoxiaotao526@163.com；

王星(1965—)，男，教授，博士生導(dǎo)師。E-mail：wx0944@163.com

TN911.72

A

1000-1093(2016)10-1844-08

10.3969/j.issn.1000-1093.2016.10.011