非協同目標識別技術的研究進展

梁 豐

(中國西南電子技術研究所,成都 610036)

1 引 言

現代戰爭中,對戰場目標識別已越來越重要。指揮員不僅需要獲悉戰場各類目標的位置和運動情況,還需要知道這些目標的“敵、我、中”屬性及類型,以便對戰場形勢作出準確判斷、制定正確的作戰計劃;戰斗人員需要依靠準確的目標信息以完成作戰任務、減少誤傷。除進一步提升傳統敵我識別器的性能外,各國都在不遺余力研究新的目標識別方法。在此背景下,非協同目標識別技術被提出,這種技術可通過目標外形尺寸、電磁輻射、聲光信息等物理特征對目標身份進行識別[1]。

非協同目標識別技術的發展經歷了從單傳感器目標識別到多傳感器目標識別。單傳感器通常僅能偵測目標的某一種物理特征,不但對目標識別的能力有限,還無法給出目標的綜合情況說明。將多個傳感器偵測的物理特征匯集起來以增強對目標識別的能力、獲取更多戰場信息自然成為非協同目標識別技術研究的方向。非協同目標識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,它們偵測的目標特征信息各式各樣,有時甚至是不確定的、模糊的,如何關聯、融合多傳感器信息是非協同目標識別技術必須解決的難題。

數據融合技術是在一定規則下對獲得的信息自動分析、綜合,以完成所需的決策和評估任務而進行的信息處理技術,是非協同目標識別的關鍵技術和主要研究方向[2-4]。近年來,對用于目標識別的融合算法的研究已取得重大進展,極大地推動了非協同目標識別技術發展。本文對幾種目前研究最活躍的實現非協同目標識別的數據融合方法進行介紹,還介紹了國內外在非協同目標識別技術研究和應用方面的進展情況,并提出了研究方向,為今后的研究提供思路。

2 目標識別理論

一種對目標識別的定義是,對基于不同傳感器得到的目標屬性數據所形成的一個組合的目標身份說明。由此定義可得到目標識別的一種方法如圖1所示。

圖1 目標識別方法Fig.1 A method of target identification

從廣義上講,目標識別包含了對目標的3個層次的認識:對目標特征的辨別;對目標“敵、我、中”屬性的辨別;對目標型號的辨別。

2.1 目標識別的層次

在非協同目標識別中,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層上來,才可完成融合處理。按信息抽象程度,目標識別可分為3個層次:數據層融合、特征層融合和決策層融合。

(1)數據層融合:對每個傳感器的檢測數據進行特征抽取,然后直接將各特征參數融合,最后由得到的綜合特征向量進行身份識別。

(2)特征層融合:對每個傳感器的檢測數據進行特征抽取以得到一個特征向量,然后把這些特征向量融合起來并根據融合后得到的特征向量進行身份判定。

(3)決策層融合:對每個傳感器的檢測數據執行變換以得出一個獨立的身份判定,然后對每個傳感器的身份判定進行融合以得出目標身份判定。

2.2 目標識別的方法

目前還沒有對目標識別方法的準確分類。從算法上一般可分為3種,即物理模型、基于知識的方法和參數分類技術。

(1)物理模型所采用的技術是根據被測實體模型直接計算其特征,如體積、熱輻射或圖像等,然后與預先存儲的目標特征進行對比,實現對目標的識別。

(2)基于知識的方法包括兩個內容:表示知識的技術和處理信息以得出結論的推理方法,它們可以在原始傳感器數據或抽取的特征的基礎上進行。一個有效的先驗知識庫對該方法是否成功至關重要。

(3)參數分類技術包括統計算法和信息論技術。統計算法有古典理論推理、貝葉斯統計理論、Dempster-Shafer證據理論、DSmT理論等;基于信息論的方法有參數模板法、聚類分析法、神經網絡、表決法、熵法和支持向量機等。

3 非協同目標識別的關鍵技術

在實現非協同目標識別的數據融合技術中,貝葉斯推理、Dempster-Shafer證據理論、DSmT理論和神經網絡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識別時,首先根據每一個傳感器的數據得出關于目標身份的分類說明(假設),這些說明之間相互獨立,然后計算關于目標身份的不確定性,最后使用貝葉斯統計公式計算、并結合先驗似然函數對目標作出決策[5]。

貝葉斯推理在非協同目標識別中直接使用比較困難:一是需要定義先驗似然函數,這是在大量的統計數據基礎上得出的,當所處理的事件復雜時,工作量極大;二是貝葉斯推理要求各假設條件之間是相互獨立的,當存在多個可能假設和多條相關事件時,計算量很大。

對貝葉斯網絡(Bayesian Network)的研究近年來發展迅速,該網絡是處理多元概率分布的一種強有力的工具,可以在一定程度上解決利用不確定的、模糊的目標特征檢測信息進行融合識別過程中的復雜推理問題,減少了概率建模所需的獨立參數個數和概率推理的計算量[6-7]。已有學者對貝葉斯網絡應用于非協同目標識別進行研究,并取得了一定成果。

3.2 Dempster-Shafer證據理論[8]

Dempster和Shafer提出的證據理論是對概率論的擴展。他們將事件和命題對應起來,把事件的集合擴展成了命題的集合,并提出了基本可信度分配、信任函數、似然函數和信任區間的概念。Dempster-Shafer證據理論的最大特點是對不確定信息的描述采用“區間估計”的方法,當獲取先驗概率困難時,比貝葉斯推理方法更合適。

在非協同目標識別中使用D-S證據理論主要有兩種方法:中心式計算和分布式計算,如圖2所示。

圖2 D-S證據理論應用方法Fig.2 Application methods of D-S evidence theory

文獻[9-11]介紹了D-S證據理論的應用研究。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的不確定性命題,但要求傳感器所辨識的命題之間是相互獨立的,這也限制了該理論的廣泛使用。

D-S證據理論存在的問題是:當處理沖突命題時,組合規則中的歸一化過程會出現違背常理的結論,而當命題高度沖突時,在數學上會得出不合常理的結果。并且當命題沖突時,D-S證據理論的計算量急劇增大。

針對當命題沖突時,歸一化過程會出現違背常理的結論的問題,許多文獻在修改證據模型和修改組合規則兩方面提出了改進的方法[12]。文獻[13]提出的改進方法是不忽略沖突信息,而是將其重新分配。文獻[14]認為沖突信息部分可用,可用的成分取決于所定義的證據可信度函數。文獻[15]提出把支持證據沖突的概率按各個命題的平均支持程度加權進行分配。文獻[16]是對證據模型的改進方法。然而,這些改進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程中又引入新的問題。

3.3 DSmT理論[17-18]

Dezert提出的DSmT理論是傳統D-S證據理論的擴展,它同樣可以融合來自不同傳感器的信息,但是主要集中處理高不確定、高沖突和高不準確的信息。DSmT理論在D-S理論基礎上定義了超冪集、廣義基本可信度分配的概念,并對模型和合成規則進行了擴充。

關于D-S證據理論和DSmT理論的區別,文獻[19]進行了說明。DSmT理論的特點是:在計算過程中,矛盾的焦元得以保留,這使得DSmT理論和DS證據理論在焦元的計算方面不同,具體來說就是增加了許多原來被分配掉的可信度分配。

DSmT理論的應用方法同D-S證據理論類似。作為D-S證據理論的一種發展和延伸,DSmT理論能夠在高沖突情況下得到比D-S證據理論更好的融合結果[20]。但是,當焦元數量增加時,DSmT方法的計算和存儲量急劇增大[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。針對這一問題,改進算法主要集中在融合這兩種方法的優勢,使之更有利于解決證據沖突的問題,最終提高目標識別的效率和準確性[22-24]。比如,當沖突小于某個閾值時采用DS方法,而當沖突大于閾值時使用DSmT方法;直到沖突小于閾值時再改回D-S方法。

3.4 神經網絡[25-26]

神經網絡是模仿生物大腦的結構和功能,采用數學和物理方法進行研究而構成的一種信息處理系統,它的特點是具有很強的自適應學習能力、良好的容錯性、高速并行的運算能力并能通過硬件實現。神經網絡的特點決定了它對多傳感器信息的強大融合能力,被認為是非協同目標識別最有前景的處理方法。

神經網絡近幾年的發展非常迅速,在許多領域得到應用,但在非協同目標識別領域還處于起步階段,目前的研究主要集中在模型構建及功能仿真。文獻[4]中介紹了使用ART神經網絡進行目標識別的一種思路,如圖3所示。

圖3 基于神經網絡的目標識別Fig.3 Target identification based on neural network

ART網絡存在著將外部輸入模式與內部存儲模式進行比較、匹配的過程,正是在此過程中產生了共振狀態;在共振狀態下不斷學習和調整,從而達到新的平衡。該網絡能夠根據需要自適應新輸入的模式,可以避免對網絡先前所學習過的模式進行修改,即具有“記憶”能力,這種特點對非協同目標識別非常有益。

單一的網絡理論上雖然可實現對目標有效識別,但選擇合適的網絡類型卻是一個難題。神經網絡組合是用有限個神經網絡對同一問題進行學習,它的輸出由各神經網絡的輸出共同決定,這就避免了選擇網絡類型的麻煩,同時還可得到更好的計算結果。神經網絡組合不僅適合于目標屬性辨別,還適合于對目標威脅程度和戰場態勢進行分析。

幾種融合算法的應用程度比較見表1。由表可見,綜合使用多種方法是提高目標識別概率、增強戰場態勢分析能力的有效手段。

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

4 研究進展及方向

非協同目標識別技術一直是軍事領域的重要研究項目,除進一步繼續深入研究各型目標探測器(傳感器)及提高其性能外,多傳感器數據融合及其系統集成研究是主要的研究方向。

4.1 國外研究進展

國外對數據融合的研究起步較早,最初的研究成果主要應用于軍事領域,提出了許多融合理論與方法。20世紀70年代,美軍的指揮、控制、通信和情報(Command Control Communication and Intelligence,C3I)系統率先采用多傳感器數據融合技術采集和處理戰場信息并獲得成功。1988年,多傳感器數據融合技術被美國國防部列為重點研究開發的20項關鍵技術之一。海灣戰爭后,西方發達國家研制了一些軍用數據融合系統,主要用于情報偵察、戰場信息處理等方面。北約國家的許多主力戰機都不同程度地使用了數據融合技術,大幅提升了作戰平臺對非協同目標的識別能力,以及對戰場的偵測、感知能力。

20世紀90年代中期,北約多個國家聯合成立了專門研究對空中目標進行非協同識別的機構,分別使用多種雷達,采用不同的波形和帶寬,對十幾種幾十架不同類型的飛機進行了測試。主要結論包括:高距離分辨率雷達(HHR)很有希望用于識別戰斗機大小,具有從不同方向識別目標的能力;二維逆合成孔徑雷達(2D-ISAR)有待進一步研究,特別是在圖像算法和特征證據使用方面;噴氣發動機雷達調制(JEM)可以對飛機實現非協同識別,但要求信噪比高,且不是在所有方向上都能完成識別。這些結論表明單一傳感器對非協同目標的識別能力有限。隨后使用證據推理方法融合噴氣發動機雷達調制、直升機旋翼雷達調制(HERM)、二維逆合成孔徑雷達、高距離分辨率雷達、熱成像等傳感器的信號,大大提升了對非協同目標的識別能力,還改進了從不同方向識別目標的識別概率。

美國達信系統公司分別為美國空軍和海軍陸戰隊開發了無人值守地面傳感器,可探測和識別地面戰車,該系統利用聲音信號與紅外信號相結合的原理完成戰車定位和非協同識別。這些傳感器是一種飛機投送的可部署傳感器,一旦部署到指定地區,它們將在有效范圍內探測到敵方戰車的數量和位置。

戰斗識別(Combat Identification,CID)的出現極大地促進了非協同目標識別技術發展[28]。美軍已試驗成功通過貝葉斯網絡融合多種信息(無人偵察機、高距離分辨率雷達、熱成像設備、GPS衛星、敵我識別器等)實現對目標“陸、海、空、天”一體化識別和對戰場態勢的感知;還通過融合數據鏈獲得其他武器平臺探測的信息,進行擴大識別范圍、提高識別概率的試驗。另外,用于數據融合的專業處理器已經出現并用于武器裝備中,大大提高了處理速度;美國、日本等國家已經使用成熟的技術和工藝生產出了電子神經元器件,以及專用的電子神經計算機,并已投入使用。

4.2 國內研究進展

我國很早就對單傳感器的非協同目標識別進行研究,并取得了豐碩成果;對多傳感器的非協同目標識別研究雖起步較晚,但發展很快。科研人員對數據融合的理論及應用研究已有長足進展,隨著我國計算機技術和微處理器技術的發展,許多算法的復雜性已不再成為多傳感器數據融合的應用障礙,極大地推動了非協同目標識別技術研究的發展。

近年來,國內學術界和工程界已在神經網絡的研究方面取得了巨大進展,提出了許多優化的網絡模型。研究人員已注意到神經網絡對非協同目標識別的意義,正逐漸將它引入到該領域的應用研究中。

4.3 研究方向

對多傳感器信息融合處理是非協同目標識別技術的關鍵,通過對國內外相關文獻資料的分析、總結,并針對目前融合方法中存在的問題,作者認為該技術今后的研究方向主要包括以下幾個方面:

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

(3)證據推理與概率論、模糊論等相關理論相結合的研究;

(4)神經網絡組合在非協同目標識別中的應用研究;

(5)多種融合方法的綜合化研究;

(6)建立適合非協同目標識別的數據融合模型標準和系統結構標準。

5 結束語

非協同目標識別技術是戰斗識別的重要組成部分,已從過去依靠單一傳感器信息對目標進行識別,發展到目前融合多傳感器信息不僅可對目標的屬性、類型、型號進行識別,還可對目標的作戰意圖、威脅程度等進行分析、評估。

多傳感器數據融合是非協同目標識別技術的主要研究方向。本文從目標識別的基礎理論開始,介紹了幾種適合非協同目標識別的融合方法及其改進措施。從目前存在的問題看,加強對貝葉斯網絡的應用研究很有必要;同時,要深入研究D-S證據理論及DSmT理論的改進方法,尤其是它們結合運用的自適應算法;另外,將神經網絡組合在其他領域研究取得的成功經驗引入到非協同目標識別中,對網絡模型、算法及實現方法進行研究,為最終的工程化打下基礎。

從國內外的研究進展可以看出,信息化條件下的非協同目標識別絕非通過一種融合方法就能實現,必須綜合多種方法、取長補短。同時,應加強與其他專業領域的合作,如通過數據鏈獲取其他作戰平臺偵測的目標信息,可增強對多個非協同目標的識別能力及對戰場信息的感知能力。

[1] 楊云志,黃成芳.戰斗識別與網絡戰述評[J].電訊技術,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.數據融合與敵我識別綜述[J].現代防御技術,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,藍江橋.預警監視系統目標身份識別方法研究[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.數據融合理論與應用[M].2版.西安:西安電子科技大學出版社,2006.KANG Yao-hong.Data Fusion Theory and Application[M].2nd ed.Xi′an:Xidian University Press,2006.(in Chinese)

[5] 刁聯旺.基于貝葉斯決策理論的目標身份融合識別[J].現代電子工程,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.貝葉斯網絡在軍事作戰中的應用現狀及展望[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,張安.基于混合貝葉斯網絡的非協作式敵我識別系統[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.目標識別的D-S融合算法[J].現代防御技術,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] 向國梁.多傳感器數據融合非合作目標識別技術研究[J].火控雷達技術,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] 藍金輝,馬寶華,藍天,等.D-S證據理論數據融合方法在目標識別中的應用[J].清華大學學報(自然科學版),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證據推理改進方法綜述[J].計算工程與應用,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.一種新的基于證據理論的合成公式[J].電子學報,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.一種有效的證據理論合成公式[J].數據采集與處理,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的改進合成方法[J].電子測量技術,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理論在綜合敵我識別中的應用[J].系統工程與電子技術,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混合規則的高復雜度優化[J].計算工程,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.多源沖突證據的智能融合算法研究[J].計算工程與應用,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自適應融合算法[J].微電子學與計算機,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,王國慶,陸大王金,等.多傳感器信息融合及應用[M].2版.北京:電子工業出版社,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.伊拉克戰爭后外軍戰斗識別系統的發展趨勢[J].電訊技術,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)