高曉利，李 捷,2

(1.四川九洲電器集團(tuán)有限責(zé)任公司，四川 綿陽 621000；2.電子科技大學(xué) 通信抗干擾國家重點(diǎn)實(shí)驗(yàn)室，四川 成都 611731)

基于模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)的目標(biāo)識(shí)別方法

高曉利1，李 捷1,2

(1.四川九洲電器集團(tuán)有限責(zé)任公司，四川 綿陽 621000；2.電子科技大學(xué) 通信抗干擾國家重點(diǎn)實(shí)驗(yàn)室，四川 成都 611731)

在研究分析各信源信息的特征和目標(biāo)識(shí)別的基本流程的基礎(chǔ)上，基于傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)，提出了一種基于模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的目標(biāo)識(shí)別方法。該方法構(gòu)建了模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，并提出了基于樣本信息的統(tǒng)計(jì)方法和無樣本的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)方法，以期網(wǎng)絡(luò)推理實(shí)現(xiàn)目標(biāo)屬性識(shí)別，并在傳統(tǒng)硬判決的基礎(chǔ)上，實(shí)現(xiàn)了基于軟判決準(zhǔn)則的動(dòng)態(tài)判決和基于線性加權(quán)思想的網(wǎng)絡(luò)參數(shù)在線更新。數(shù)值實(shí)驗(yàn)表明，相對于傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)目標(biāo)識(shí)別方法，所提出的方法能夠解決不同時(shí)刻證據(jù)的時(shí)序關(guān)系問題以及不能處理連續(xù)隨機(jī)變量推理的問題，提高了目標(biāo)識(shí)別置信度，縮短了識(shí)別收斂周期，能夠有效糾正關(guān)聯(lián)錯(cuò)誤和關(guān)聯(lián)多義性所造成的錯(cuò)誤識(shí)別問題，解決了網(wǎng)絡(luò)參數(shù)一成不變的問題，較好地實(shí)現(xiàn)了網(wǎng)絡(luò)參數(shù)的在線更新。

數(shù)據(jù)融合；目標(biāo)識(shí)別；貝葉斯網(wǎng)絡(luò)；結(jié)構(gòu)學(xué)習(xí)；參數(shù)學(xué)習(xí)

0 引 言

目標(biāo)識(shí)別是電子信息系統(tǒng)不可或缺的一項(xiàng)重要功能，通常是指在發(fā)現(xiàn)目標(biāo)的基礎(chǔ)上，通過問答、信號(hào)分析、數(shù)據(jù)融合、情報(bào)印證等方式，生成目標(biāo)類型、種類乃至身份信息。有效的目標(biāo)識(shí)別是形成清晰準(zhǔn)確的戰(zhàn)場態(tài)勢的基本要素之一，是指揮員正確決策和準(zhǔn)確高效地指揮作戰(zhàn)行動(dòng)、武器系統(tǒng)準(zhǔn)確選擇打擊目標(biāo)的重要前提，對于提升基于信息系統(tǒng)的體系能力、避免誤傷具有重要意義[1]。

貝葉斯網(wǎng)絡(luò)理論在目標(biāo)識(shí)別、數(shù)據(jù)挖掘、人工智能等處理不確定問題方面具有其特有的優(yōu)點(diǎn)，能夠處理不確定性和概率性的事件與事物，能夠用于學(xué)習(xí)因果或其他類型的關(guān)系，是一種將專家知識(shí)與數(shù)據(jù)進(jìn)行綜合的理想表達(dá)模式。其模型靈活性好，能自然地將專家知識(shí)融入模型中，具有令人矚目的從數(shù)據(jù)中導(dǎo)出模型的能力，并能繼續(xù)用專家知識(shí)和數(shù)據(jù)改善模型的性能，而且它的模型結(jié)構(gòu)和參數(shù)具有明確的含義[2-6]。

然而，傳統(tǒng)基于貝葉斯網(wǎng)絡(luò)的目標(biāo)識(shí)別方法有些許不足：沒有充分考慮到不同時(shí)刻間的證據(jù)時(shí)序關(guān)系；網(wǎng)絡(luò)結(jié)構(gòu)基本保持不變，與實(shí)際情況不符；參數(shù)在識(shí)別過程中沒有實(shí)現(xiàn)在線更新。另外，傳統(tǒng)貝葉斯網(wǎng)絡(luò)模型只能解決離散隨機(jī)變量的推理問題，而不能解決連續(xù)變量隨機(jī)變量的推理問題[7-15]。

在研究時(shí)刻證據(jù)的時(shí)序關(guān)系、模糊數(shù)學(xué)理論的基礎(chǔ)上，提出了基于模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的目標(biāo)識(shí)別方法。該方法充分考慮了不同時(shí)刻證據(jù)的時(shí)序關(guān)系，構(gòu)建的模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)更符合實(shí)際情況，并且實(shí)現(xiàn)了目標(biāo)識(shí)別的動(dòng)態(tài)判決和參數(shù)的在線更新，解決了傳統(tǒng)方法不能處理連續(xù)隨機(jī)變量的推理問題。

1 預(yù)備知識(shí)

定義1：目標(biāo)識(shí)別指通過對目標(biāo)信息特征進(jìn)行分析、鑒別，從而對目標(biāo)類型、屬性做出判斷。

定義2：貝葉斯網(wǎng)絡(luò)[13]BN=(G,θ)，其中G=(V,E)是一個(gè)非循環(huán)有向圖，簡稱為DAG，θ是一個(gè)條件概率分布集，θi∈θ表示在給定節(jié)點(diǎn)Xi的父節(jié)點(diǎn)時(shí)Xi的條件概率，節(jié)點(diǎn)集V的聯(lián)合概率分布表示為：

(1)

其中，Pai表示節(jié)點(diǎn)Xi在G中的父節(jié)點(diǎn)集。

(2)

2 基于模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的目標(biāo)識(shí)別方法

首先構(gòu)建模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)架構(gòu)，然后基于專家知識(shí)和數(shù)據(jù)庫，完成網(wǎng)絡(luò)參數(shù)的離線學(xué)習(xí)和制定，進(jìn)而完成目標(biāo)識(shí)別，最后實(shí)現(xiàn)目標(biāo)屬性的動(dòng)態(tài)判決和參數(shù)在線更新。如圖1所示，可分為五個(gè)階段：

圖1 基于貝葉斯理論的目標(biāo)識(shí)別流程

2.1模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的構(gòu)建

假設(shè)載機(jī)能夠獲取目標(biāo)的識(shí)別信息、輻射源信息和運(yùn)動(dòng)信息三大類用于目標(biāo)識(shí)別的多源信息，其中識(shí)別信息有應(yīng)答和無應(yīng)答兩種狀態(tài)；輻射源信息包含載頻、重頻、脈寬三類信息，其狀態(tài)均是連續(xù)值；動(dòng)態(tài)信息包含距離、方位、航速、航向以及高度五類信息，其狀態(tài)均是連續(xù)值。針對模糊連續(xù)隨機(jī)變量，基于模糊理論和分段思想，實(shí)現(xiàn)連續(xù)變量的離散化，離散化后目標(biāo)識(shí)別信息狀態(tài)取值如下：

在隨機(jī)變量離散化的基礎(chǔ)上，根據(jù)不同時(shí)間片證據(jù)之間以及證據(jù)與目標(biāo)屬性之間的關(guān)系，構(gòu)建多源信息目標(biāo)識(shí)別的變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)(見圖2)，該網(wǎng)絡(luò)可以根據(jù)實(shí)時(shí)接收的數(shù)據(jù)和證據(jù)進(jìn)行適當(dāng)裁剪[15]。

2.2參數(shù)學(xué)習(xí)

目標(biāo)識(shí)別網(wǎng)絡(luò)參數(shù)先驗(yàn)分布和先驗(yàn)條件概率可分為基于樣本信息的統(tǒng)計(jì)方法和無樣本信息的方法，其詳細(xì)過程如下：

圖2 變結(jié)構(gòu)動(dòng)態(tài)貝葉斯目標(biāo)識(shí)別網(wǎng)絡(luò)

(1)基于樣本信息的統(tǒng)計(jì)方法。

(2)無樣本信息的方法。

如果目標(biāo)型號(hào)為θ1平臺(tái)，那么重頻為高、中、低的可能性分別為0.6、0.3、0.1；如果目標(biāo)型號(hào)為θ2平臺(tái)，那么重頻為高、中、低的可能性分別為0.1、0.3、0.6；如果目標(biāo)型號(hào)為θ3平臺(tái)，那么重頻為高、中、低的可能性分別為0.333、0.333、0.333；如果目標(biāo)型號(hào)為θ4平臺(tái)，那么重頻為高、中、低的可能性分別為0.333、0.333、0.333；如果目標(biāo)型號(hào)為θ5平臺(tái)，那么重頻為高、中、低的可能性分別為0.333、0.333、0.333。

2.3目標(biāo)識(shí)別

(3)

(4)

結(jié)合[1,t-1]時(shí)間段內(nèi)目標(biāo)屬性集{θn1[1],…,θnt-1[t-1]}，θni[i]∈{θ1,…,θ5}，融合[1,t]所有時(shí)刻的結(jié)果，得到目標(biāo)屬性為θ的后驗(yàn)概率為：

P(θ|θn1[1],θn1[2],…,θnt[t])=

(5)

至此，得到變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)目標(biāo)識(shí)別融合結(jié)果。

2.4動(dòng)態(tài)判決

(6)

因此，為了解決硬判決造成的目標(biāo)識(shí)別錯(cuò)誤問題，提出了基于軟判決的目標(biāo)識(shí)別方法。

假設(shè)FVDBN融合出的目標(biāo)五種屬性所對應(yīng)的后驗(yàn)概率中，最大概率和第二大概率所對應(yīng)的屬性分別為θi和θj，那么對于給定的門限ε，如果滿足Pi>εiPi-Pj>ε，則輸出目標(biāo)屬性θi，否則，暫時(shí)不輸出目標(biāo)屬性或判斷目標(biāo)屬性為不明。

2.5參數(shù)在線更新

基于目標(biāo)識(shí)別結(jié)果，利用線性加權(quán)方法完善先驗(yàn)概率和先驗(yàn)條件概率，以先驗(yàn)分布概率更新為例進(jìn)行說明。

PNew(θi)=ωprior*P(θi)+(1-ωprior)*Pi

(7)

ωprior+(1-ωprior)=1

(8)

3 仿真實(shí)驗(yàn)

3.1場景描述

為驗(yàn)證基于模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的目標(biāo)識(shí)別方法的性能，構(gòu)建了一個(gè)由4個(gè)平臺(tái)構(gòu)成的場景，其中3個(gè)屬性為θ2的目標(biāo)，編號(hào)分別為11、12和23，1個(gè)屬性為θ1目標(biāo)，編號(hào)為82，如圖3所示。

圖3 場景設(shè)置示意圖

場景描述：由識(shí)別主體11負(fù)責(zé)對某海域進(jìn)行監(jiān)視支援，屬性為θ2的23號(hào)目標(biāo)與屬性為θ1的82號(hào)目標(biāo)互相監(jiān)視。同時(shí)屬性為θ2的目標(biāo)12在執(zhí)行完偵查任務(wù)后返航。

3.2仿真結(jié)果

仿真條件：識(shí)別主體作為融合中心能夠接收目標(biāo)的識(shí)別信息、輻射源信息和動(dòng)態(tài)信息，仿真周期為41，下面從識(shí)別信息指向是否一致兩方面進(jìn)行仿真。

3.2.1 識(shí)別信息指向一致

在以11號(hào)識(shí)別主體為視角的場景中，12號(hào)目標(biāo)與其他目標(biāo)之間的相對位置差別較大，因此，不會(huì)出現(xiàn)關(guān)聯(lián)錯(cuò)誤的情況，且該目標(biāo)的所有識(shí)別信息指向均一致。

經(jīng)典BN方法和FVDBN方法仿真結(jié)果如圖4所示。

圖4 12號(hào)目標(biāo)識(shí)別結(jié)果對比

由圖4可見，傳統(tǒng)BN方法雖能夠推斷出目標(biāo)的正確屬性，但是直至第10個(gè)周期才達(dá)到收斂門限，而基于FVDBN方法不僅能正確推斷出屬性為θ2的高置信度識(shí)別結(jié)果，并且在第4個(gè)周期已經(jīng)達(dá)到收斂門限。因此，F(xiàn)VDBN方法相對于BN方法，充分利用了不同時(shí)刻證據(jù)間的時(shí)序關(guān)系，不僅能夠提高目標(biāo)識(shí)別的置信度，而且能夠縮短識(shí)別收斂周期。

3.2.2 識(shí)別信息指向不一致

當(dāng)目標(biāo)分布比較密集時(shí)，很可能出現(xiàn)識(shí)別信息指向不一致的情形，如從圖3中可以看出，23號(hào)、82號(hào)目標(biāo)與識(shí)別主體11的相對位置異常接近。

識(shí)別主體11對23號(hào)目標(biāo)進(jìn)行詢問，獲取應(yīng)答狀態(tài)后進(jìn)行數(shù)據(jù)關(guān)聯(lián)處理，把應(yīng)答標(biāo)志錯(cuò)誤關(guān)聯(lián)到82號(hào)目標(biāo)上，此時(shí)，對傳感器1提出請求，同時(shí)結(jié)合82號(hào)目標(biāo)有無應(yīng)答狀態(tài)進(jìn)行目標(biāo)屬性識(shí)別。經(jīng)典BN方法和FVDBN方法關(guān)于23號(hào)目標(biāo)和82號(hào)目標(biāo)的仿真結(jié)果如圖5和圖6所示。

圖5 23號(hào)目標(biāo)識(shí)別結(jié)果對比

圖6 82號(hào)目標(biāo)識(shí)別結(jié)果對比

結(jié)合圖5和圖6可知，相對于經(jīng)典BN方法，F(xiàn)VDBN方法在第2個(gè)周期對23號(hào)目標(biāo)識(shí)別結(jié)果指向?qū)傩驭?的置信度較大，同時(shí)對82號(hào)目標(biāo)識(shí)別結(jié)果指向θ2的置信度較小，進(jìn)而82號(hào)目標(biāo)指向?qū)傩驭?的置信度就較大，降低了錯(cuò)誤識(shí)別的可能性。通過動(dòng)態(tài)判決得到目標(biāo)屬性的同時(shí)，可以利用式(7)實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)參數(shù)的在線更新，并實(shí)時(shí)保存至先驗(yàn)數(shù)據(jù)庫，有效解決了網(wǎng)絡(luò)參數(shù)一成不變的問題。

4 結(jié)束語

針對模糊變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的目標(biāo)識(shí)別方法，在充分研究不同時(shí)刻證據(jù)間關(guān)系和連續(xù)隨機(jī)變量取值離散化問題的基礎(chǔ)上，提出了基于樣本信息的統(tǒng)計(jì)方法和無樣本的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)方法，并在傳統(tǒng)硬判決的基礎(chǔ)上，實(shí)現(xiàn)了基于軟判決準(zhǔn)則的動(dòng)態(tài)判決和基于線性加權(quán)思想的網(wǎng)絡(luò)參數(shù)在線更新。該方法相對于傳統(tǒng)靜態(tài)貝葉斯網(wǎng)絡(luò)目標(biāo)識(shí)別方法，能夠提高目標(biāo)識(shí)別置信度、縮短識(shí)別周期，解決由關(guān)聯(lián)錯(cuò)誤造成的識(shí)別錯(cuò)誤問題，同時(shí)能夠?qū)崿F(xiàn)貝葉斯網(wǎng)絡(luò)參數(shù)的在線更新。

[1] 何 友， 王國宏， 關(guān) 欣，等.信息融合理論及應(yīng)用[M].北京：電子工業(yè)出版社，2010.

[2] Huang Shuai, Li Jing, Ye Jieping,et al. A sparse structure learning algorithm for Gaussian Bayesian network identification from high-dimensional data[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(6):1328-1342.

[3] Yao J Y,Li Jiao,Li Hongzhi,et al.Modeling system based on fuzzy dynamic Bayesian network for fault diagnosis and reliability prediction[C]//Annual reliability and maintainability symposium.[s.l.]:[s.n.],2015:1-6.

[4] Zhou He, Hu Jiang, Khatri S P,et al.GPU acceleration for Bayesian control of Markovian genetic regulatory networks[C]//2016 IEEE-EMBS international conference on biomedical and health informatics.[s.l.]:IEEE,2016:304-307.

[5] Bouchaala L,Masmoudi A,Gargouri F,et al.Improving algorithms for structure learning in Bayesian networks using a new implicit score[J].Expert Systems with Applications,2010,37(7):5470-5475.

[6] Bui A T,Jun C H.Learning Bayesian network structure using Markov blanket decomposition[J].Pattern Recognition Letters,2012,33(16):2134-2140.

[7] Li Shuohao, Zhang Jun, Sun Boliang,et al.An incremental structure learning approach for Bayesian network[C]//Proceedings of the 26th Chinese control and decision conference.[s.l.]:[s.n.],2014:4817-4822.

[8] Yan Zhiyong,Xu Congfu,Pan Yunhe.Improving naive Bayes classifier by dividing its decision regions[J].Comput & Electron,2011,12(8):647-657.

[9] Neapolitan R E.Learning Bayesian networks[M].[s.l.]:[s.n.],2002:40-43.

[10] Chickering D M.A transformational characterization of equivalent Bayesian network structures[C]//Proceedings of the eleventh conference on uncertainty in artificial intelligence.San Francisco:Morgan Kaufmann,1995:87-98.

[11] 崔博鑫，許蘊(yùn)山，向建軍，等.一種基于異類傳感器信息融合的目標(biāo)識(shí)別方法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(24):113-116.

[12] Zhou Yun,Fenton N,Neil M.Bayesian network approach to multinomial parameter learning using data and expert judgments[J].International Journal of Approximate Reasoning,2014,55(5):1252-1268.

[13] Ibrahim W,Beiu V.Using Bayesian networks to accurately calculate the reliability of complementary metal oxide semiconductor gates[J].IEEE Transactions on Reliability,2011,60(3):538-549.

[14] 于俊偉，劉 楠，張德賢，等.反艦導(dǎo)彈類型識(shí)別的貝葉斯網(wǎng)絡(luò)方法[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(9):215-217.

[15] 周 毅，胡錫健.動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在戰(zhàn)爭身份識(shí)別中的應(yīng)用[J].山西師范大學(xué)學(xué)報(bào):自然科學(xué)版,2014,28(3):9-13.

A Target Identification Method of Dynamic Bayesian Network with Fuzzy Variable Structure

GAO Xiao-li1，LI Jie1,2

(1.Sichuan Jiuzhou Electronic Group Co.,Ltd.,Mianyang 621000,China;2.National Key Laboratory of Science and Technology on Communications,University of Electronic Science andTechnology of China,Chengdu 611731,China)

By researching and analyzing the characteristics of the source information and the basic process of target identification,on the basis of traditional static Bayesian network,a method of target identification based on fuzzy variable structure dynamic Bayesian network is proposed.It constructs the fuzzy variable structure dynamic Bayesian network and proposes a statistical method based on sample information and a learning method of sample-free Bayesian network parameters for implementation of target identification according to network inference and application of traditional hard decision.The dynamic decision has been performed based on the soft decision principles and the network parameters’ update online is finished based on liner weighting theory.Compared with traditional static Bayesian network for target identification, it has solved the issues such as the sequential relationship of evidence at different time and the networks inference of constant random variables.Meanwhile it has not only improved the confidence coefficient of target identification but also shortened the identification convergence period and effectively resolved error identification problem caused by error or ambiguity association.In addition,the problem of network parameters unchanged has been solved and the network parameters’ update online has also been completed.

data fusion;target identification;Bayesian network;structure learning;parameter learning

2016-10-09

：2017-01-13 < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2017-07-05

國防預(yù)先研究項(xiàng)目(12100201)

高曉利(1983-)，女，工程師，碩士研究生，研究方向?yàn)槟繕?biāo)跟蹤、數(shù)據(jù)融合、數(shù)據(jù)關(guān)聯(lián)、貝葉斯網(wǎng)絡(luò)等。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170705.1652.082.html

TP274

:A

:1673-629X(2017)09-0017-05

10.3969/j.issn.1673-629X.2017.09.004