楊 華，楊君剛，劉存濤，趙文棟

(1.國(guó)防科技大學(xué)信息通信學(xué)院，陜西 西安 710106；2.陸軍工程大學(xué)，江蘇 南京 210001)

小型空地?zé)o人平臺(tái)具有成本較低、機(jī)動(dòng)靈活、隱蔽性強(qiáng)等特點(diǎn)，且協(xié)同運(yùn)用時(shí)能夠發(fā)揮速度、負(fù)載、續(xù)航、通信、視野的互補(bǔ)優(yōu)勢(shì)，在戰(zhàn)場(chǎng)態(tài)勢(shì)感知等領(lǐng)域具有廣闊的應(yīng)用前景[1]。未來(lái)，基于空地?zé)o人集群協(xié)同偵察的作戰(zhàn)樣式將成為主流[2]。在集群執(zhí)行偵察任務(wù)的過(guò)程中，為了提高目標(biāo)檢測(cè)和識(shí)別的成功率，需要融合集群內(nèi)同構(gòu)/異構(gòu)偵察載荷探測(cè)的多源信息，但是由于內(nèi)外部因素的制約各偵察單元所提供的信息通常是不完備、不精確甚至是相互矛盾的。融合這些多源不確定信息是形成和發(fā)揮集群協(xié)同偵察優(yōu)勢(shì)的基礎(chǔ)，融合效果的好壞直接影響控制、打擊、毀傷評(píng)估等后續(xù)任務(wù)。目前，常用于目標(biāo)分類、識(shí)別的信息融合方法可分為三大類：基于物理模型、特征推理(如貝葉斯推理、D-S證據(jù)理論、聚類算法、選舉法等)、認(rèn)知模型(如邏輯模板、基于知識(shí)的專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等)的方法[3]。其中，D-S證據(jù)理論[4-5]是基于特征推理方法的典型代表，憑借相對(duì)完備的理論基礎(chǔ)和良好的工程實(shí)用性得到了廣泛的關(guān)注[6]。但是，經(jīng)典的Dempster(DST)組合規(guī)則在面對(duì)低置信度、高沖突的證據(jù)組合時(shí)，難以取得理想的效果?？紤]實(shí)際作戰(zhàn)中無(wú)人集群面臨更惡劣的內(nèi)外部不確定性因素，加劇了沖突證據(jù)出現(xiàn)的可能性，因此深入研究適用于無(wú)人集群的沖突證據(jù)組合方法具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

目前學(xué)術(shù)界對(duì)證據(jù)沖突的原因尚未達(dá)成共識(shí)，一般認(rèn)為沖突主要源于組合規(guī)則的合理性、辨識(shí)框架的完備性以及證據(jù)源的可信性[7]。相應(yīng)的解決策略主要分為兩大類：基于修改證據(jù)組合規(guī)則和證據(jù)源的方法等。對(duì)于第一類方法，主要的研究思路是沖突的管理問(wèn)題，即沖突應(yīng)該以何種比例怎樣在全局或者局部中分配，如文獻(xiàn)[8-11]。這些改進(jìn)方法雖然取得了不錯(cuò)的效果，但通常使證據(jù)組合喪失交換律、結(jié)合律的數(shù)學(xué)特性，在認(rèn)知方面還存在一些困難。文獻(xiàn)[12-15]基于不完備辨識(shí)框架的假設(shè)展開(kāi)研究，然而相關(guān)方法更多地從理論層面提供了一些良好思路，尚未成熟地運(yùn)用于工程實(shí)踐。對(duì)于第二類方法，主要的研究思路是證據(jù)的可信性差異問(wèn)題，即認(rèn)為沖突源于某些證據(jù)的不可靠，需要設(shè)計(jì)某種折扣系數(shù)進(jìn)行修正，再利用DST組合規(guī)則進(jìn)行合成，如基于證據(jù)間支持度[16-20]、價(jià)值量[21]、信息熵[22]等計(jì)算折扣系數(shù)的方法。該類方法能夠保留DST組合規(guī)則的數(shù)學(xué)特性，且不排斥辨識(shí)框架不完備的假設(shè)，m(Θ)≠0保留了可能出現(xiàn)的未知命題；但現(xiàn)有的改進(jìn)方法很少考慮不同目標(biāo)識(shí)別主體(傳感器)的可信性問(wèn)題，同時(shí)沒(méi)有對(duì)證據(jù)組合結(jié)果的精煉調(diào)整。綜上所述，兩種解決策略各有優(yōu)劣，需要結(jié)合具體的應(yīng)用背景而定，我們認(rèn)為第二類策略在實(shí)際運(yùn)用中更符合認(rèn)知，但需要進(jìn)行適用性改進(jìn)。

本文提出了一種基于復(fù)合折扣因子修正初始證據(jù)的方法，并考慮了結(jié)果的精煉?；舅悸窞椋菏紫?，利用參考證據(jù)和比較證據(jù)的灰色關(guān)聯(lián)度計(jì)算目標(biāo)識(shí)別主體的相對(duì)可信性，利用證據(jù)間的距離計(jì)算證據(jù)間的支持程度；然后，通過(guò)兩者復(fù)合折扣因子修正初始證據(jù)，并采用DST組合規(guī)則進(jìn)行第一次合成；最后，將組合結(jié)果作為一條新證據(jù)與復(fù)合折扣因子最大值所對(duì)應(yīng)的證據(jù)進(jìn)行組合，實(shí)現(xiàn)對(duì)首次組合結(jié)果的精煉。同時(shí)，本文對(duì)該方法在無(wú)人集群戰(zhàn)場(chǎng)目標(biāo)識(shí)別中的運(yùn)用進(jìn)行了分析。具體為：首先，對(duì)空地?zé)o人集群協(xié)同目標(biāo)識(shí)別的背景進(jìn)行了介紹；然后，在對(duì)D-S證據(jù)理論的具體應(yīng)用方法進(jìn)行分析的基礎(chǔ)上給出了決策依據(jù)；最后，通過(guò)仿真算例對(duì)應(yīng)用效果進(jìn)行了分析，驗(yàn)證了本文所提算法的有效性。

1 改進(jìn)的證據(jù)組合方法

1.1 算法的主要思想

本算法主要分為初次合成和精煉調(diào)整兩個(gè)階段。

初次合成階段，主要完成不同目標(biāo)識(shí)別主體證據(jù)折扣系數(shù)計(jì)算，并通過(guò)DST證據(jù)組合規(guī)則進(jìn)行合成?，F(xiàn)有的基于證據(jù)間支持度的折扣系數(shù)計(jì)算方法[16-19]，僅通過(guò)計(jì)算證據(jù)間距離差異來(lái)確定各證據(jù)被其他證據(jù)支持的程度，將導(dǎo)致一種潛在的風(fēng)險(xiǎn)：在含有沖突的一組證據(jù)中，若大多數(shù)證據(jù)均由可信性相近且較低的目標(biāo)識(shí)別主體產(chǎn)生，則由這些證據(jù)之間的相互支持，可能會(huì)導(dǎo)致對(duì)這些證據(jù)賦予較大的折扣系數(shù)，而由高可信性目標(biāo)識(shí)別主體所產(chǎn)生的證據(jù)被分配較小的折扣系數(shù)，進(jìn)而可能導(dǎo)致識(shí)別結(jié)果錯(cuò)誤，算法失效。針對(duì)該問(wèn)題，本文結(jié)合無(wú)人平臺(tái)應(yīng)用特點(diǎn)，提出了一種高可信性目標(biāo)識(shí)別主體確定方法，以保證高可信性目標(biāo)識(shí)別主體的證據(jù)被充分尊重。對(duì)于無(wú)人平臺(tái)來(lái)說(shuō)，影響其偵察信息可信性的因素主要包括人員因素、機(jī)械因素、環(huán)境因素、管理因素(簡(jiǎn)稱“人機(jī)環(huán)管”因素)等，層次結(jié)構(gòu)模型如圖1所示。直接量化所有因素的影響使得問(wèn)題求解變得非常復(fù)雜，不便于實(shí)現(xiàn)，為此給出了一種定性與定量相結(jié)合的方法。通過(guò)統(tǒng)計(jì)各目標(biāo)識(shí)別主體歷史成功識(shí)別次數(shù)和具體應(yīng)用場(chǎng)景，確定最高可信性目標(biāo)識(shí)別主體，并以此為基準(zhǔn)，通過(guò)灰色關(guān)聯(lián)分析計(jì)算其他目標(biāo)識(shí)別主體所提供的證據(jù)與基準(zhǔn)證據(jù)的接近度，以量化各目標(biāo)識(shí)別主體的相對(duì)可信性。

圖1 影響空地?zé)o人平臺(tái)偵察信息可信性的主要因素

精煉調(diào)整階段。主要針對(duì)第一次合成結(jié)果可能會(huì)因?yàn)槿谌脲e(cuò)誤證據(jù)而產(chǎn)生結(jié)果偏差的問(wèn)題，利用復(fù)合折扣因子最大值所對(duì)應(yīng)的證據(jù)更接近真實(shí)情況的特點(diǎn)，將它與第一次合成結(jié)果進(jìn)行組合，實(shí)現(xiàn)結(jié)果精煉，進(jìn)一步提高結(jié)果的準(zhǔn)確性。

1.2 算法形式化描述

設(shè)辨識(shí)框架為Θ={θ1,θ2,…,θN}，證據(jù)e1,e2,…,ew的BPA分別為m1,m2,…,mw。e*為綜合考慮各目標(biāo)識(shí)別主體歷史識(shí)別成功次數(shù)和當(dāng)前具體應(yīng)用場(chǎng)景后確定的最高可信性目標(biāo)識(shí)別主體提供的證據(jù)，記為參考證據(jù)，基本概率分配序列如式(1)所示。

M*=[m*(A1),m*(A2),…,m*(Ak)]T

(1)

Mi=[mi(A1),mi(A2),…,mi(Ak)]T

(2)

式中，i=1,2,…,w。

通過(guò)以下步驟進(jìn)行證據(jù)組合。

1)計(jì)算參考證據(jù)與比較證據(jù)的基本概率分配差值序列

設(shè)M0=μM*，其中，μ為信任調(diào)節(jié)因子，用以調(diào)節(jié)對(duì)參考證據(jù)基本概率分配序列的信任程度，物理意義為允許對(duì)所選擇的目標(biāo)識(shí)別主體有一定的懷疑程度，差值序列為

(3)

2)計(jì)算灰色關(guān)聯(lián)系數(shù)和灰色關(guān)聯(lián)度

(4)

其中，γ(m0(Ak),mi(Ak))為灰色關(guān)聯(lián)系數(shù)，表示m0與mi在第Ak點(diǎn)的比較測(cè)度；ξ為分辨系數(shù)，通常取值為0.2～0.5[23]?；疑P(guān)聯(lián)度為

(5)

式中，γ(m0,mi)反映了m0與mi的相似程度(接近度)。

3)計(jì)算目標(biāo)識(shí)別主體可信性因子

(6)

其中，Rei表示綜合考慮各因素后確定的各目標(biāo)識(shí)別主體的相對(duì)可信性大小，作用是保證高可信性目標(biāo)識(shí)別主體的證據(jù)被分配較高的權(quán)重，克服因低可信性證據(jù)相互支持而否定高可信性證據(jù)的風(fēng)險(xiǎn)。

4)計(jì)算證據(jù)之間距離

選用Jousselme距離[24]測(cè)度證據(jù)之間的差異，公式如下：

(7)

5)構(gòu)造證據(jù)間支持度矩陣

R=(rij)w×w

(8)

6)計(jì)算證據(jù)間支持度因子

因R矩陣為非負(fù)對(duì)稱矩陣，由矩陣基本知識(shí)可知，該矩陣存在正的最大特征根，使得其對(duì)應(yīng)的特征向量V=(v1,v2,…,vw)T非負(fù)，滿足RV=λV，對(duì)其中任意第l行，展開(kāi)式為rl1v1+rl2v2+…+rlwvw=λvl，式中，λvl可理解為對(duì)rl1v1,rl2v2,…,rlwvw的綜合，因此，將λvl作為證據(jù)e1,e2,…,ew對(duì)證據(jù)el支持度的度量[19]。證據(jù)間支持度因子為

(9)

其中，Sui表示e1,e2,…,ew對(duì)證據(jù)ei的支持程度，取值越大表示支持度越高。

7)計(jì)算復(fù)合折扣算子

(10)

其中，Wi表示證據(jù)折扣系數(shù)，它的物理意義為綜合考慮了目標(biāo)識(shí)別主體可信性和證據(jù)間支持程度的復(fù)合折扣算子。式中，α,β≥0為放大因子，用于調(diào)節(jié)兩者的看重程度，需要根據(jù)先驗(yàn)知識(shí)和實(shí)際作戰(zhàn)情況靈活設(shè)置。

8)計(jì)算初次合成結(jié)果

利用Wi對(duì)初始證據(jù)進(jìn)行折扣，公式如下：

m′|i(Ak)=

(11)

利用式(12)進(jìn)行組合。

(12)

9)計(jì)算精煉調(diào)整結(jié)果

將組合后結(jié)果作為一條新的證據(jù)，與ei=max{W1,W2,…,Ww}進(jìn)行組合得到最終結(jié)果。該步驟的意義在于盡可能減少錯(cuò)誤證據(jù)融入導(dǎo)致的組合結(jié)果偏差。

2 D-S證據(jù)理論在空地?zé)o人集群協(xié)同目標(biāo)識(shí)別中的應(yīng)用

在任務(wù)執(zhí)行層面，空地?zé)o人集群協(xié)同目標(biāo)識(shí)別，是指地面無(wú)人單元(包括履帶式/輪式無(wú)人車、四足機(jī)器人等)與空中無(wú)人單元(包括旋翼、固定翼、復(fù)合翼無(wú)人機(jī)等)為執(zhí)行同一偵察任務(wù)而建立協(xié)作編隊(duì)，通過(guò)資源共享和平臺(tái)互操作合力完成目標(biāo)識(shí)別任務(wù)的過(guò)程。

2.1 應(yīng)用背景

集群協(xié)同目標(biāo)識(shí)別的優(yōu)勢(shì)是通過(guò)同構(gòu)/異構(gòu)偵察載荷能力/數(shù)量?jī)?yōu)勢(shì)和跨維度合作優(yōu)勢(shì)實(shí)現(xiàn)的，表現(xiàn)為系統(tǒng)功能分布和魯棒自愈。從整體看，集群偵察范圍必然要覆蓋整個(gè)作戰(zhàn)區(qū)域；從局部看，在無(wú)人平臺(tái)數(shù)量有限的情況下，單位偵察子區(qū)域要有盡可能多的無(wú)人平臺(tái)交織覆蓋，以實(shí)現(xiàn)偵察能力的互補(bǔ)和增強(qiáng)，同時(shí)，當(dāng)某一平臺(tái)失效時(shí)，有利于實(shí)現(xiàn)其他任務(wù)單元的及時(shí)補(bǔ)位，增強(qiáng)系統(tǒng)的魯棒性和自愈能力。從能力看，與傳統(tǒng)的大型空地偵察力量相比，偵察能力被分布到同構(gòu)/異構(gòu)空地?zé)o人平臺(tái)上，各任務(wù)單元需要密切協(xié)作才能滿足目標(biāo)身份識(shí)別所需的偵察能力，體現(xiàn)出協(xié)作系統(tǒng)的涌現(xiàn)性。從載荷看，集群攜帶電子信號(hào)偵察載荷、可見(jiàn)光/紅外偵察載荷、多光譜/超光譜偵察載荷、激光雷達(dá)偵察載荷、通信中繼載荷等，各偵察載荷對(duì)測(cè)量實(shí)體具有不同的測(cè)量空間和置信度。在決策級(jí)信息融合過(guò)程中，由于各任務(wù)單元對(duì)戰(zhàn)場(chǎng)目標(biāo)識(shí)別具有不同的適應(yīng)性，有可能產(chǎn)生不一致的結(jié)論，本文所述的方法正是致力于解決這一不確定性推理和決策問(wèn)題。圖2給出了空地?zé)o人集群協(xié)同目標(biāo)識(shí)別示意圖。

圖2 復(fù)雜戰(zhàn)場(chǎng)環(huán)境下空地?zé)o人集群協(xié)同目標(biāo)識(shí)別示意圖

2.2 應(yīng)用方法

在D-S證據(jù)理論框架中，參與目標(biāo)識(shí)別的任務(wù)單元可作為相互獨(dú)立的證據(jù)源，待識(shí)別目標(biāo)的種類/類型即是命題，由各任務(wù)單元偵測(cè)數(shù)據(jù)產(chǎn)生對(duì)所有可能結(jié)果的度量，并以基本概率數(shù)的形式表示對(duì)命題信任程度的大小，便構(gòu)成了該理論中的證據(jù)。之后通過(guò)證據(jù)組合方法將所有證據(jù)進(jìn)行組合，可以得到一個(gè)新的BPA，依據(jù)一定的決策規(guī)則進(jìn)行決策，最終得到目標(biāo)識(shí)別結(jié)果，圖3給出了基于D-S證據(jù)理論的空地?zé)o人集群目標(biāo)識(shí)別流程。BPA通常根據(jù)專家經(jīng)驗(yàn)、BP神經(jīng)網(wǎng)絡(luò)等方法獲得，詳見(jiàn)文獻(xiàn)[25]，本文不做贅述。

圖3 基于D-S證據(jù)理論的空地?zé)o人集群目標(biāo)識(shí)別流程圖

2.3 決策依據(jù)

當(dāng)利用上文所述改進(jìn)方法得到一個(gè)新的m(Ai)后，需要依據(jù)如下規(guī)則進(jìn)行判定：

1)在一次識(shí)別過(guò)程中，將基本概率數(shù)最大值所對(duì)應(yīng)的目標(biāo)列為優(yōu)選目標(biāo)，同時(shí)該值應(yīng)大于辨識(shí)框架的基本概率數(shù)；

2)基本概率數(shù)最高的兩個(gè)模糊命題差值應(yīng)大于某一閾值Y1；

3)優(yōu)選目標(biāo)的基本概率數(shù)應(yīng)大于某一閾值Y2。

Y1、Y2的設(shè)置與協(xié)同偵測(cè)的無(wú)人平臺(tái)數(shù)量、系統(tǒng)可信性要求有關(guān)；當(dāng)小于該閾值，可啟動(dòng)人工判讀或與其他來(lái)源情報(bào)相互印證的方式，若該目標(biāo)為新目標(biāo)，為其分配一個(gè)新的類，以此更新系統(tǒng)中的數(shù)據(jù)。

3 仿真算例

選用文獻(xiàn)[17]中的數(shù)據(jù)通過(guò)3個(gè)算例驗(yàn)證所提方法的有效性。本文想定為某戰(zhàn)術(shù)演訓(xùn)場(chǎng)正在進(jìn)行紅藍(lán)雙方實(shí)兵對(duì)抗訓(xùn)練，紅軍某偵察分隊(duì)利用空地?zé)o人集群對(duì)藍(lán)軍陣地進(jìn)行偵察，發(fā)現(xiàn)感興趣目標(biāo)群Z，對(duì)其中某一目標(biāo)x，有5架/輛任務(wù)單元進(jìn)行協(xié)同偵測(cè)，相應(yīng)的數(shù)據(jù)經(jīng)融合處理，得到5條證據(jù)。設(shè)Θ={A,B,C}，BPA為：

e1:m1(A)=0.55,m1(B)=0.18,m1(C)=0.27

e2:m2(A)=0.68,m2(B)=0.24,m2(C)=0.08

e3:m3(A)=0.57,m3(B)=0.11,m3(C)=0.32

e4:m4(A)=0.64,m4(B)=0.25,m4(C)=0.11

e5:m5(A)=0.70,m5(B)=0.09,m5(C)=0.21

在以下3個(gè)算例中，假定e3為綜合評(píng)估歷史識(shí)別成功次數(shù)和“人機(jī)環(huán)管”等因素后確定的參考證據(jù)，信任調(diào)節(jié)因子μ=0.90，分辨系數(shù)ξ=0.5；為了驗(yàn)證目標(biāo)識(shí)別主體的可信性取值對(duì)合成結(jié)果的影響，分別令α=0.1,0.3,0.5;β=1。

3.1 各無(wú)人平臺(tái)提供正常數(shù)據(jù)時(shí)

分別采用DST組合規(guī)則、Yager[8]、Murphy[26]、曲斌[27]、鄧勇[18]、姜禮平[17]以及本文方法進(jìn)行無(wú)沖突證據(jù)的組合，表1給出了計(jì)算結(jié)果。

如表1所示，當(dāng)各任務(wù)單元均提供正常偵測(cè)數(shù)據(jù)時(shí)，Yager方法由于取消了沖突因子歸一化的過(guò)程，完全舍棄了其中有價(jià)值的部分，使得絕大部分信任質(zhì)量落入辨識(shí)框架，未能給出正確的識(shí)別結(jié)果。其余方法雖然均給出了正確的識(shí)別結(jié)果，但沒(méi)有考慮產(chǎn)生證據(jù)的目標(biāo)識(shí)別主體的可信性問(wèn)題，即假定其可信性為1。本文基于復(fù)合折扣因子從目標(biāo)識(shí)別主體的可信性和證據(jù)間相互支持程度兩個(gè)方面考慮初始證據(jù)的可信性，給出了正確的識(shí)別結(jié)果，且當(dāng)α取值不同時(shí)合成結(jié)果稍有變化，說(shuō)明算法穩(wěn)定性較好。

表1 編隊(duì)各成員提供正常數(shù)據(jù)時(shí)，各方法證據(jù)組合結(jié)果比較

3.2 某一個(gè)無(wú)人平臺(tái)提供錯(cuò)誤數(shù)據(jù)時(shí)

設(shè)無(wú)人集群對(duì)某感興趣目標(biāo)協(xié)同偵測(cè)過(guò)程中，編隊(duì)中第2個(gè)任務(wù)單元因偵察載荷機(jī)械故障，提供了錯(cuò)誤的偵測(cè)數(shù)據(jù)，信息融合分系統(tǒng)給出的BPA為：e′|2:m2(A)=0,m2(B)=0.21,m2(C)=0.79，即該條證據(jù)與其他證據(jù)存在嚴(yán)重沖突，表2給出了幾種典型改進(jìn)算法和本文的證據(jù)組合結(jié)果。

如表2所示，當(dāng)某一編隊(duì)成員提供異常偵測(cè)數(shù)據(jù)時(shí)，DST組合規(guī)則、Yager方法均未能給出正確的識(shí)別結(jié)果，表現(xiàn)出較差的魯棒性，究其原因，DST組合規(guī)則存在“一票否決”的局限性，即多條證據(jù)中任意的mi(Aj)=0，會(huì)致使證據(jù)組合信任分配過(guò)程舍棄對(duì)它的質(zhì)量分配；Yager方法將沖突因子全部劃入辨識(shí)框架，完全舍棄了其中有價(jià)值的信息。Murphy方法、曲斌方法分別采用初始證據(jù)算數(shù)平均和錯(cuò)位相加后n-1次迭代組合方法，雖然能夠給出正確的目標(biāo)識(shí)別結(jié)果，但主要處理策略是利用正確信息對(duì)沖突證據(jù)進(jìn)行線性補(bǔ)償，還未對(duì)證據(jù)本身的可信性進(jìn)行合理分辨，故其得出的m(A)取值較低。鄧勇、姜禮平和本文的方法均考慮了證據(jù)間的支持度，同時(shí)，本文的復(fù)合折扣系數(shù)還考慮了目標(biāo)識(shí)別主體可信性的問(wèn)題，但相較于鄧、姜兩位專家的方法，本文m(A)在α=0.1,β=1時(shí)略有優(yōu)勢(shì)。結(jié)合算例3.1可以發(fā)現(xiàn)當(dāng)無(wú)沖突證據(jù)或數(shù)目較少時(shí)，令α=0.1,β=1可得到更好的結(jié)果。但整體來(lái)說(shuō)，在無(wú)沖突、僅1條沖突證據(jù)時(shí)，本方法與各位專家的方法效果相當(dāng)，源于算法設(shè)計(jì)基于較多沖突證據(jù)的考慮，優(yōu)勢(shì)將隨著沖突證據(jù)數(shù)目的增多得到更好的體現(xiàn)。

表2 編隊(duì)中有1個(gè)無(wú)人平臺(tái)提供異常數(shù)據(jù)時(shí)，各方法證據(jù)組合結(jié)果比較

3.3 某二個(gè)無(wú)人平臺(tái)提供錯(cuò)誤數(shù)據(jù)時(shí)

設(shè)無(wú)人集群對(duì)某感興趣目標(biāo)協(xié)同偵測(cè)過(guò)程中，編隊(duì)中第2、5個(gè)無(wú)人平臺(tái)因遭遇藍(lán)方強(qiáng)電磁干擾，提供了異常的偵測(cè)數(shù)據(jù)，信息融合分系統(tǒng)給出的BPA為：

e′|2:m2(A)=0,m2(B)=0.21,m2(C)=0.79

e′|5:m5(A)=0.11,m5(B)=0.82,m5(C)=0.07

其中有2條證據(jù)與e1,e3,e4存在嚴(yán)重沖突，表3給出了幾種典型改進(jìn)算法和本文的證據(jù)組合結(jié)果。

由表3可知， DST組合規(guī)則、Yager方法均無(wú)法給出正確的識(shí)別結(jié)果，在3.2小節(jié)我們對(duì)其原因進(jìn)行了闡述，這里不再贅述。Murphy方法、曲斌方法雖然給出了正確的識(shí)別結(jié)果，但m(A)取值仍然較低。鄧勇、姜禮平方法均給出了正確的識(shí)別結(jié)果，但本文的m(A)取值最大，為了進(jìn)一步驗(yàn)證算法的可靠性和穩(wěn)定性，繪制了α∈(0,1]且β=1時(shí)，m(A)取值變化趨勢(shì)圖，如圖4所示。可見(jiàn)，當(dāng)α取值不同時(shí)，m(A)變化率不大，且均具有明顯優(yōu)勢(shì)。這是因?yàn)殡S著沖突證據(jù)數(shù)目的增多，僅通過(guò)證據(jù)間支持度折扣初始證據(jù)加大了因低可信性證據(jù)相互支持而排斥原本正確證據(jù)的風(fēng)險(xiǎn)。本文在算法設(shè)計(jì)的過(guò)程中，考慮了Rei和Sui兩方面因素，同時(shí)引入了結(jié)果精煉機(jī)制，使得本方法具備更強(qiáng)的沖突證據(jù)組合能力，尤其適合于沖突證據(jù)數(shù)目較多的情況。這對(duì)于惡劣戰(zhàn)場(chǎng)環(huán)境下各種潛在因素導(dǎo)致的沖突證據(jù)較多問(wèn)題，提供了一種新的解決方法，體現(xiàn)了較強(qiáng)的不確定性處理能力和可靠性。

表3 編隊(duì)有2個(gè)無(wú)人平臺(tái)提供異常數(shù)據(jù)時(shí)，各方法證據(jù)組合結(jié)果比較

圖4 m(A)取值變化趨勢(shì)圖

4 結(jié)束語(yǔ)

本文聚焦于D-S證據(jù)理論在小型空地?zé)o人集群協(xié)同目標(biāo)識(shí)別中的運(yùn)用進(jìn)行了探討，針對(duì)復(fù)雜戰(zhàn)場(chǎng)環(huán)境可能導(dǎo)致的證據(jù)沖突問(wèn)題提出了一種新的基于綜合考慮目標(biāo)識(shí)別主體可信性和證據(jù)間支持度的復(fù)合折扣系數(shù)計(jì)算方法，并引入了結(jié)果精煉機(jī)制。仿真結(jié)果表明，本文方法克服了低置信度、高沖突證據(jù)組合 “一票否決”的問(wèn)題，與其他幾種典型的改進(jìn)算法相比尤其適用于沖突證據(jù)數(shù)目較多的情況。

在未來(lái)的研究中，我們將考慮進(jìn)一步量化歷史數(shù)據(jù)和“人機(jī)環(huán)管”等因素對(duì)無(wú)人平臺(tái)可信性的影響，并進(jìn)一步提高算法的適應(yīng)性。