基于D-S證據理論的空中目標敵我識別研究綜述

陳致遠 沈堤 余付平 陳宏陽 趙凱

摘 要： D-S證據理論作為一種不確定性推理工具，能夠充分發揮多源信息融合的優勢，提高空中目標敵我識別結果的準確性。本文從空中目標敵我識別的實際應用出發，介紹了D-S證據理論的基本原理，梳理了空中目標敵我識別中需要解決的關鍵問題，? 然后從空中目標敵我識別的識別方法和信息融合兩個方面，對現有研究方法進行了歸納與分類，并簡要總結了每種方法的優勢、適用范圍、使用價值等。最后在現有研究基礎上提出了一種新的空中目標敵我識別方法，并對D-S證據在空中目標敵我識別中的應用進行了展望。

關鍵詞：D-S證據理論;空中目標;敵我識別;識別方法;信息融合

中圖分類號：TN97; V21? 文獻標識碼： A?? 文章編號：1673-5048（2021）03-0038-13

0 引? 言

敵我識別是指通過各種技術和手段對目標的敵我屬性進行識別的過程[1]。空中作戰是聯合作戰的重要組成部分，對聯合作戰的勝利起著十分重要的作用。因此，準確高效的空中目標敵我識別是防止誤擊誤傷，提高作戰效能，順利實施空中作戰的先決條件。隨著各種現代高新技術的應用，武器裝備的生存能力和隱身能力得到了極大的提升，特別是電磁干擾能力的發展，使得空戰環境異常復雜，對空中目標敵我識別能力的精確性和可靠性提出了嚴峻挑戰。

近年來，國內外針對空中目標敵我識別問題進行了大量的研究[2-4]。目前主要采用多源信息融合的方式進行空中目標敵我識別[5-7]，這種方式能夠克服單一傳感器在識別精確性、可靠性、完整性等方面的缺陷，同時又能夠適應復雜的空戰環境，因此在空中目標敵我識別領域得到了廣泛的應用。多源信息融合算法從概念上分為物理模型類、基于參數類、基于認識模型類等 [8]，其中用于目標識別的算法有貝葉斯推理、D-S證據理論、神經網絡、聚類算法、模糊集理論等。

由于不同空中目標身份信息的差異性和敵我識別系統中固有的缺陷，以及環境、人為因素和其他因素的影響，導致在信息融合時會產生大量的不確定性信息，影響識別結果的準確性。D-S證據理論不僅能夠有效處理單類識別信息處理中的不確定性問題，還能處理多傳感器信息融合識別過程中的不確定性問題，從而獲得更加準確的識別結果。相對于其他算法，D-S證據理論在空中目標敵我識別中得到了更廣泛的應用。

針對基于D-S證據理論的空中目標敵我識別研究方法綜述相對較少的情況，本文結合近些年相關研究文獻，從實際應用的角度出發，對這些研究進行了梳理、分析和總結，并在此基礎上提出了一種新的空中目標敵我識別方法。

1 基礎理論

1.1 D-S證據理論

D-S證據理論是由Dempster創立[9]，經Shafter拓展完善而形成的一種理論[10]。其能夠針對所考察的不確定性問題的基本事件冪集空間，確定相應的基本概率賦值，使用證據組合規則進行融合，從而得到不確定性問題的解。D-S證據理論可以用比較符合人的邏輯思維的方式處理不確定性問題[11]，能夠明確描述“不知道”和“不確定”等概念，不需要先驗概率就可以對證據進行融合。

定義1：設空中目標敵我識別過程中所有可能的識別結果構成的有限完備集合Θ={θ1， θ2， …， θn}為辨識框架，其中辨識框架Θ中的各個元素兩兩互斥。根據指揮決策的需要和各種手段獲取的情報，在空中目標敵我識別過程中，辨識框架Θ主要體現為集合{敵軍，我軍}[12]，其冪集2Θ為集合{，敵軍，我軍，敵軍∪我軍}，其中元素“”和“敵軍∪我軍”統稱為屬性不明目標。

定義2：設A為辨識框架Θ的任意子集，2Θ為辨識框架Θ的冪集，若有映射m： 2Θ→[0， 1]滿足如下條件：

m（）=0∑AΘm（A）=1 （1）

則稱m為基本概率賦值函數，m（A）為A的基本概率賦值（Basic Probability Assignment，BPA）。若m（A）>0，則稱A為m的焦元，焦元Ai（i=1， 2， …， n）為空中目標的某一身份信息，基本概率賦值為該身份信息的可信度。

定義3：設m1和m2為辨識框架Θ下相互獨立的基本概率賦值函數，焦元分別為B1， B2， …， Bn和C1， C2， …， Cn，則D-S組合規則為

m（）=0m（A）=11-k∑Bi∩Cj=Am1（Bi）m2（Cj） （2）

式中：m是m1和m2融合后的新證據;k為沖突系數，k=∑Bi∩Cj=m1（Bi）m2（Cj），用于衡量證據之間的沖突程度。在空中目標敵我識別中，m1和m2分別表示兩個即將進行信息融合的傳感器所構成的證據。

定義4：設A為辨識框架Θ的任意子集，m為基本概率賦值函數。若函數Bel滿足映射Bel： 2Θ→[0， 1]，且滿足Bel（A）=∑BAm（B），則稱函數Bel為信任函數，Bel（A）表示對空中目標的身份信息A為真的信任程度。若函數Pl滿足映射Pl： 2Θ→[0， 1]，且滿足Pl（A）=1-Bel（），則稱函數Pl為似真函數。其中，Bel（）表示對空中目標的身份信息A為假的信任程度，則Pl（A）表示對空中目標的身份信息A為非假的信任程度。

定義5： 設A為辨識框架Θ的任意子集，m為基本概率賦值函數，Bel為信任函數，Pl為似真函數，根據Bel（A）≤m（A）≤Pl（A），定義區間[Bel（A）， Pl（A）]為焦元A的不確定區間，表示對空中目標的身份信息A既不支持也不反對;定義區間[0， Bel（A）]為支持區間，表示對空中目標的身份信息A的支持程度;定義區間[Pl（A）， 1]為拒絕區間，表示對空中目標的身份信息A的拒絕程度。三者關系如圖1所示。

1.2 空中目標敵我識別流程

在空中目標敵我識別過程中，單一傳感器所獲取的信息無法滿足實際應用需要，通常需要多種傳感器進行探測以獲取融合識別結果。目前常用的傳感器主要有敵我識別器（Identifier of Friend-or-Foe，IFF），毫米波雷達，空管二次雷達等各型雷達，還有通過使用諸如電子支援措施（Electronic Support Measures，ESM）和電子情報技術（Electronic Information Technology，ELINT）等各類技術手段來獲取空中目標身份信息的傳感器，紅外探測設備、激光探測設備和可見光探測設備等各類光電探測設備，以及其他可以用來進行敵我識別的傳感器。

常規的空中目標敵我識別流程如圖2所示[13]。

以此流程為基礎，結合D-S證據理論，對空中目標敵我識別流程進行細化整合，得到基于D-S證據理論的空中目標敵我識別的流程。具體如圖3所示。

由圖3可知，基于D-S證據理論的空中目標敵我識別流程主要分為兩個階段：基礎信息處理階段與作戰指揮決策階段。在基礎信息處理階段，首先由各類傳感器對空中目標進行特征提取，獲得相應的身份特征信息。如果需要進行集中式融合，那么使用特定的方法將空中目標的身份特征信息轉化為D-S證據理論中的BPA。然后，通過D-S組合規則進行融合處理，得到一個具有明確敵我屬性的融合識別結果。如果需要進行分布式融合，首先由各傳感器對敵我屬性進行預先處理，然后將各自的處理結果進行融合，以獲取最終的識別結果。在實際應用中應根據需要合理選擇融合方式。在作戰指揮決策階段，需要對基礎信息處理階段的融合識別結果進行綜合評判，整合目標態勢信息與戰術信息庫的信息，形成最終決策意見，為指揮官整體決策提供一個合理的參考。

上述識別流程中，敵我識別器主要通過協作式的詢問與應答來獲取空中目標的屬性信息;各型雷達主要通過非協作的方式來獲取空中目標的方位、距離與速度等物理信息;電子偵察設備主要通過搜索、截獲、定位、識別與分析敵方電子設備輻射的電磁能量來獲取空中目標的輻射特征;光電探測設備主要通過將光信號轉換為電信號來獲取空中目標的可視化輪廓信息與能量分布信息等。由于各類傳感器的工作原理和運行機制不同，其獲取信息的內容和形式也各不相同，既有定量、定性的數據，也有寬泛、宏觀的信息，沒有統一的規范和標準，難以完成融合識別。而D-S證據理論可以將這些信息轉化為形式統一的BPA，經D-S組合規則融合處理后能得到直接簡明的識別結果，更適用于空中目標敵我屬性明確后的指揮決策。

1.3 空中目標敵我識別的關鍵問題

1.3.1 識別方法問題

空中目標敵我識別中的問題主要是指為達成識別目的，應使用什么樣的方法和手段。可具體區分為傳感器的部署問題和敵我識別準則建立問題。

一是傳感器的部署問題。情報信息資源作為現代戰爭中催生戰斗力的主導資源，是開展作戰行動和制定作戰決策的基本依據，聯合作戰中的任何一個環節都離不開情報信息資源的支持。傳感器是空中目標敵我識別過程中獲取情報信息的重要途徑和手段，目前可以用于敵我識別的傳感器主要涵蓋陸基、海基、空基、天基、電磁空間等五類平臺，可以獲取目標的物理特征、空間方位、電磁輻射、參數、圖像等各種信息要素[14]。由于不同的傳感器戰場生存能力不同，實際應用中，為了適應復雜多變的戰場環境，確保傳感器最大程度發揮作戰效能，通常會部署最適用于當前戰場環境的傳感器。必要時，除了部署技術型傳感器外，還會部署諸如技術偵察、人工情報、開源情報等邏輯型傳感器，以實現全面可靠的空中目標敵我識別任務。在基于D-S證據理論的空中目標敵我識別研究方法中，傳感器的部署問題主要體現為相應研究背景下的空中目標敵我識別初始信息源的選擇問題。

二是敵我識別準則的建立問題。空中目標敵我屬性的識別是一個十分復雜的過程。從時序數據處理的角度分析：傳感器直接獲取的初始數據往往不具備明確的敵我屬性。需要賦予其包含有敵我識別準則的功能模塊，才能使其在此規則下完成對初始數據敵我屬性的分析、處理與融合功能，實現由原始數據向定量定性信息的轉換;從作戰指揮決策的角度分析[15]，? 隨著電子對抗技術和隱身技術的發展，常規雷達會受到嚴重干擾，無法進行有效識別。因此除了引入邏輯型傳感器進行輔助識別外，還應把指揮官的判斷力融入到空中目標敵我識別的各個環節中去，指揮官判斷力發揮的關鍵在于其積累的豐富的敵我識別判別經驗。這些經驗來源于由戰術信息庫和軍事專家經驗所建立起的敵我識別準則。因此在實際應用中，應賦予傳感器符合當前實際需求的敵我識別準則，使其獲取的信息帶有相應的戰術特征，提高敵我識別的準確性。在基于D-S證據理論的空中目標敵我識別研究中，敵我識別準則的建立問題主要體現為相應的研究背景下，初始信息源應獲取的數據種類，以及將該數據轉化為屬性信息時所選取的閾值和定性標準。

1.3.2 信息融合問題

空中目標敵我識別有效實施的基礎在于實現各類傳感器之間的信息融合。目前常用的融合方式有集中式融合、分布式融合、混合式融合等[16]。集中式融合的結果更加準確，但運算量較高，且任一傳感器受到破壞，會對識別結果造成重大影響。分布式融合能夠避免上述問題，具有較強的生存能力，但是信息利用率較低。混合式融合能夠克服兩者的缺點，但是其處理結構復雜，成本較高。因此應根據實際需要，選擇合理的融合方式。但無論使用哪種融合方式，在基于D-S證據理論的空中目標敵我識別研究中，首先需要解決兩個基本問題：一是BPA構造方法問題，二是沖突證據融合問題。在構造BPA時，應確保構造BPA的方法符合實際需求，可根據情況引入權重，確保合理發揮主要傳感器的決定作用和輔助傳感器的輔助作用。在進行沖突證據融合時，選用的融合方法應減少無效信息的干擾和有效信息的丟失。此外，解決以上兩個基本問題選用的方法應符合決策邏輯，滿足時效性、可靠性、連續性的基本要求，既能夠實現對單個目標的識別與跟蹤，又能夠實現復雜態勢下多目標的敵我識別。

2 基于識別方法的研究分類

合理的識別方法是實施空中目標敵我識別的有效途徑和手段。在實際應用中，敵我識別準則的建立一方面取決于軍事專家經驗，另一方面取決于傳感器的信息處理能力。因此，傳感器的部署與敵我識別準則的建立是同步實施的。以技術型傳感器及其配套的敵我識別準則為主的識別方法稱為技術型識別方法;以邏輯型傳感器及其配套的敵我識別準則為主的識別方法稱為邏輯型識別方法。

2.1 基于技術型識別方法的研究分類

技術型識別方法探測的信息形式固定，相對客觀，具有較快的識別速度和較高的可信度，是當前的研究熱點。技術型識別方法通過各種協作式和非協作式傳感器對空中目標進行探測。協作式傳感器主要采用“詢問/應答”的方式來獲取信息，如敵我識別器等。非協作式傳感器則直接獲取相應信息。

譚源泉等[17]提出的空中目標敵我識別方法是在先驗信息粗糙的情況下，選用協作式傳感器來進行識別。將傳感器提取的飛機編號、飛行員代號、航速、最小安全速度等四類要素作為基礎信息，通過比對飛機編號與飛行員代號之間的對應關系、區分明確的目標屬性速度區間來確定敵我識別準則，再使用模糊隸屬度函數將相應的信息轉化為BPA，最后采用一種基于權值修正的改進D-S融合方法[18]進行融合。試驗結果表明，該方法可以較好地提高識別精確性。

Tan等[19]針對實際應用中IFF與雷達融合識別的問題，提出一種基于模糊神經網絡與D-S證據理論相結合的空中目標敵我識別方法。該方法選用IFF與雷達作為傳感器，探測目標的高度、速度、爬升情況，以及我方空域速度、IFF應答情況等要素，根據專家經驗和計算能力，選取目標高度、速度范圍來建立敵我識別準則。其采用模糊神經網絡與概率因子、多級模糊綜合評價與D-S理論相結合的混合算法，實現了從生成模糊數據庫到最終識別的完整過程，可以自動識別敵我，減少了識別過程中不確定性的影響。

陳麗家[20]針對IFF的局限性，避免在受到干擾、欺騙后的誤判，選用IFF與雷達等協作式和非協作式傳感器進行空中目標敵我識別。其提取IFF應答信號、飛機活動區域、特定飛行區域、空中走廊和飛行計劃等相關信息，通過劃定敵軍與友軍的空域范圍、飛行區域的高度和時間范圍、空中走廊的相關航跡、飛行計劃匹配程度等建立相應的敵我識別準則。然后使用模糊C均值聚類方法建立隸屬度函數，進而獲取BPA，最后使用Murphy方法[21]進行D-S融合以獲取最終的識別結果。朱昕[22]在此基礎上加入了飛行器型號識別準則、威脅性識別準則、戰術特征準則等，對基于戰術特征準則獲取的信息使用帶概率因子的模糊神經網絡獲取BPA，其他則使用隸屬度函數，并選用Shafer折扣方法[10]對BPA進行修正，在最后進行D-S融合時，引入融合結果可信度的分析，使識別結果更加精確。

吳強等[23]在戰斗機防空戰斗巡邏的背景下展開相應研究。該研究選用機載雷達作為非協作式傳感器來探測空中目標的速度、加速度、雷達反射面、高度等四類要素。在防空戰斗巡邏中，我軍原則上不會進入巡邏區域，因此所有進入或有進入意圖的空中目標均可能為敵軍，基于此建立以目標威脅特性為主的敵我識別準則。針對每個目標威脅特性構建中間型隸屬度函數來構造BPA，然后得到某個時刻目標的具體種類，最后將每個時刻的識別結果進行融合以獲取最終結果，保證了識別結果的連續性。

孫俊等[24]充分挖掘雷達的戰術性能，從雷達寬窄帶結合的角度展開空中目標敵我識別的研究。該研究通過雷達寬帶識別系統獲取高分辨一維距離像的頻譜幅度以及目標的姿態角等較為精確的信息，結合雷達窄帶識別系統獲取目標高度、速度、航向等較為粗略的信息，實現寬窄帶功能互補。通過建立隸屬度函數，將探測到的信息轉換為BPA，進行相應的D-S融合以獲取最終結果。

徐浩等[25]考慮復雜環境下的傳感器可信度具有一定差異的工程實際，結合使用敵我識別器、ESM、雷達、紅外傳感器等協作式和非協作式傳感器，主要獲取目標應答信號、輻射信號、位置與運動信息、輪廓等方面的信息。其利用傳感器內置的敵我識別準則獲得初步識別結果，再將對應的BPA轉化為IFS決策問題，利用TOPSIS法確定各證據權重，然后對識別結果進行修正，以獲取最終的識別結果。龐夢洋等[26]在此基礎上，為進一步減少識別中的錯判，提出了一種基于三支決策的空中目標敵我識別方法。該方法根據實際情況和專家經驗，引入損失函數，確定閾值，制定三支決策規則，從而在徐浩方法的基礎上區分屬性不明目標，而后進行進一步的識別，最大程度地減少誤判風險。

王成[27]為避免物理特征對空中目標信息描述不全的問題，提出了一個基于DsmT理論的空中目標識別方法。該方法使用技術型傳感器獲取空中目標的圖像信息和物理特征信息，并進行DsmT融合，以獲取更高的識別結果，但該方法在獲取圖像信息時容易受到干擾，會對識別結果造成不利影響。

綜上，基于技術型識別方法的空中目標敵我識別研究領域十分廣泛，但因其研究背景和側重點的不同，導致其優勢和局限各有不同。相對來說，協作式傳感器使用較少，非協作式傳感器使用較多。文獻[17]采用的協作式傳感器可以直接提取目標信息，不需要過多的加工，簡單快捷，同時也考慮我軍飛機受損情況下的識別方法。但是該方法只能用于識別我軍和不明目標，實際應用價值有限;文獻[19]通過智能算法實現自動識別敵我，但其對目標數據庫具有一定的依賴性，對數據庫中沒有的目標識別效果較弱;文獻[20，22]選用的方法充分發揮了雷達等非協作式傳感器的作用，為空中目標敵我識別提供了一種參考思路，但其敵我識別準則范圍較為寬泛，容易被敵軍竊取利用，因此還有待改進;文獻[23]提出的方法可以準確識別目標的種類，方便進行指揮決策，但是該方法只能用于識別敵軍，無法識別我軍和友軍，應用范圍有限，且只能識別數據庫內已錄入的目標類型，無法識別數據庫外的目標;文獻[24]提出的方法能夠有效提高雷達傳感器的識別性能，但是并未考慮雷達在受到電子壓制時的情況;文獻[25]考慮實際情況下各傳感器作用發揮的不同，引入傳感器可信度概念，更加貼近實際;文獻[26]在文獻[25]的基礎上實現了對不明目標的進一步識別，為空中目標敵我識別提供了一種新的思路;文獻[27]從目標圖像信息角度入手，提出了新的識別方法，但未考慮圖像信息易受干擾的情況。

2.2 基于邏輯型識別方法的研究分類

在現代戰爭中，為避免強電磁干擾下技術型識別方法不可靠的問題。需要根據作戰實際引入邏輯型識別方法對技術型識別方法進行補充，以獲取更為科學全面的識別結果。

李進軍等[28]從編隊防空作戰的角度考慮，認為傳統的技術型識別方法只能區分目標敵我屬性而不能判斷目標的威脅程度，無法滿足防空作戰指揮決策需要，因此選用了結合目標戰術特征的邏輯型傳感器進行空中目標敵我識別。該傳感器通過探測目標的距離、速度、高度、加速度和回波等物理信息，并融入基于敵方戰術行為建立的敵我識別準則，使上述物理信息具備了相應的戰術特征，能夠清晰地描述目標的威脅態勢程度，從而方便指揮官進行決策。該方法根據空中目標區域屬性定義，構建了BPA模型，并引入后驗可信度進行融合。崇元等[29]在此基礎上提出了一種基于融合戰術與修正物理特征的空中目標敵我識別方法。該方法認為僅將戰術特征賦予物理信息無法突出戰術特征的作用，應使用戰術特征對識別后的目標物理特征進行修正，避免目標物理特征上的欺騙和偽裝。

綜上，基于邏輯型識別方法的空中目標敵我識別研究內容相對比較匱乏，可供參考的文獻相對較少。僅有的文獻[28-29]也是從防空作戰的角度出發，是在空中目標均可能為潛在敵軍的前提下開展研究的，適用范圍具有一定的局限性。

2.3 基于識別方法的研究分類總結

從空中目標敵我識別的識別方法這個角度出發，對技術型識別方法和邏輯型識別方法兩個方面展開論述，將敵我識別能力、傳感器的使用類型、作戰適用范圍、戰術價值進行了歸類總結。具體如表1所示。

由表1可知，不同的研究背景、不同的識別方法具有不同的優點和缺陷。目前國內外主要是從技術型識別方法的角度對空中目標敵我識別展開研究。因為技術型識別方法獲取的信息相對比較客觀、精度較高、信息處理速度較快，但是忽略了實際應用中強電磁干擾下技術型識別方法效果欠佳的客觀實際。僅有的邏輯型識別方法也是站在編隊防空作戰的角度考慮，戰術價值相對有限。在下一步研究中，應結合實際加強邏輯型識別方法的研究，實現復雜戰場環境下可靠的敵我識別。

3 基于信息融合的研究分類

信息融合能將空中目標敵我識別中寬泛的信息轉化為規范的數學語言，再通過算法對其進行融合處理，進而得到一個科學合理的結果，是空中目標敵我識別中的關鍵一環。

3.1 基于BPA構造方法的研究分類

規范統一的BPA是實現空中目標敵我識別信息融合的重要前提。本節針對空中目標敵我識別中常用的基于隸屬度函數的BPA構造方法和基于智能算法的BPA構造方法進行歸納分析，最后從BPA獲取效果、算法復雜度和戰術價值三個方面進行總結。

3.1.1 基于隸屬度函數的BPA構造方法

模糊集理論[30]、粗糙集理論[31]和直覺模糊集理論[32]是經典集合理論的拓展，能夠合理地表示不確定現象，還可以同其他不確定性推理的方法相結合，更加合理地獲取BPA。隸屬度函數[33]作為模糊理論中的一個重要工具，可以將軍事專家經驗轉為函數形式，使獲取的BPA符合空中目標敵我識別的邏輯，因此在空中目標敵我識別中應用較為廣泛。目前，在D-S證據理論中確定隸屬度函數的方法主要有：參考函數法、專家評議法、模糊統計法、三分法、樣板法、判斷矩陣分析法、數值迭代統計法等。

參考函數法[34]是根據所要求解問題的性質套用現成的隸屬度分布函數，雖然相對主觀，但其原理是根據軍事專家經驗和作戰實際而選取的。文獻[23]選用參考函數法建立梯形隸屬度函數來構造BPA，梯形隸屬度穩定性較好，采用軟件進行仿真時，計算相對簡便，實時性較強，但其敏感性相對較差，只適用于目標數量類型變化較少的情況。為增強隸屬度函數敏感性，確保該函數能夠適用于目標數量類型變化較為復雜的情況。文獻[35-37]選擇三角形隸屬度函數來獲取BPA。不同的是，文獻[35]通過計算目標模型與樣本模型的相似度來獲取BPA，這種方法通過與現有的目標戰術數據庫進行對比，獲取的結果更有可信度，不足之處是需要大量數據進行訓練，實時性較差，且無法識別數據庫中沒有的目標。文獻[36]將k-means聚類算法同三角隸屬度函數相結合，根據訓練數據與測試數據的關系生成初始BPA，從算法層面上來講比單純的三角隸屬度函數更加精確，但是和文獻[35]存在同樣的問題。文獻[37]利用統計樣本中得出的目標速度信息，構建相應的三角形隸屬度函數來獲取BPA，計算量較小，節約了時間和成本，但該方法獲取的信息較少，相對片面，適用范圍有限。

除了參考函數法，還有許多學者選用了其他方法來構造隸屬度函數。文獻[17]針對飛機編號、飛行員信息和最小安全速度，采用專家評議法構造隸屬度函數，對飛機的航速則采用模糊統計的方法構造隸屬度函數，但其隸屬度函數的閾值選擇比較籠統，識別精度有待加強。Gabriel等[38]從隸屬函數的擴展對決策準確性的影響角度考慮，在訓練數據和建模階段，通過調整常用的隸屬度函數形狀分布來提高精確度，使獲取的BPA更加準確。李軍等[39]針對目標多特征的BPA難以獲取的問題，使用三分法構造BPA，首先建立特征隸屬度矩陣，然后基于樣本數據與中心點的偏差程度衡量目標特征可信度，通過特征矩陣列向量與可信度相乘確定目標的重要程度，最后對其歸一化，即可求得BPA。該方法能夠充分利用目標身份特征，減少傳感器本身的誤差影響，具有較強的抗干擾性能。馮至等[40]將證據理論與粗糙集相結合，提出了一種基于證據權重的BPA獲取方法，該方法利用決策表確定證據權重，對決策的可信度進行修正從而獲取BPA，可以減少證據沖突，與文獻[41]相比，驗證了引入權重在提高空中目標敵我識別方面的重要作用。文獻[25]提出將D-S證據理論與直覺模糊集相結合來獲取BPA，該方法在傳感器獲取的原始BPA基礎上，依據證據權重采用順次信度分配法將原始BPA擴展為辨識框架中各個元素的BPA，再將其轉化為IFS決策問題，提高空中目標敵我識別的準確性。趙凌偉[42]提出了基于熵權灰色關聯度建立BPA計算模型，可以直接計算出單個傳感器的BPA，在此基礎上進行時域和空域的融合，能夠較為準確地獲取最終的識別結果，提高了敵我識別的準確性。

綜上，文獻[23]的方法雖然穩定性較好，但其對輸入不夠敏感，適用于潛在的目標類型已知的情況，對新出現的目標類型BPA獲取能力相對較差。文獻[35-37]的方法對輸入有較為迅速的反饋，但其BPA的獲取需要大量試驗數據作為支撐，實時性相對較差，對于數據庫外的目標BPA獲取能力較差，只適用于預先長期固定的敵我識別系統，不適用于前線臨時敵我識別。文獻[17]建立的隸屬度函數比較籠統，局限性較大，可以作為一種建模思路，但其應用價值有限。文獻[38]的方法通過調整隸屬度函數分布來提高精確度，為隸屬度函數模型的建立提供了參考。文獻[39]仿真結果表明，由于該算法獲取的BPA差距較小，在發生誤判的情況下，若誤判對象不同，該算法依然可以得到較為合理的BPA;若誤判對象相同，則無法合理獲取BPA。文獻[40]可以為敵我識別提供一種新的思路，但其需要大量且逐一計算傳感器精度，算法復雜度較高。文獻[25]提出的方法計算復雜度適中，更加貼近作戰實際。文獻[42]提出的方法單次測量計算簡單，但進行融合識別時需要結合先驗信息，計算較為復雜，但準確性很髙。

3.1.2 基于智能算法的BPA獲取方法

在空中作戰中，空中態勢往往呈現出多維、非線性的態勢，智能算法能夠將復雜的實際問題轉化為簡潔的數學語言，通過其內置的運算規則加快運算進程，將多維、非線性的空中態勢降維簡化，為空中目標識別問題提供定量分析和計算方法，符合人的思維邏輯。

張志[43]提出一種使用BP神經網絡獲取BPA的方法，該方法通過紅外傳感器采集目標面積、周長等22類信息、88組數據，根據屬性分為4組，利用BP神經網絡非線性映射能力直接轉化為D-S證據理論中的BPA，更具有客觀性。Liu等[44]提出一種加權模糊D-S證據理論來獲取BPA，該方法將模糊樸素貝葉斯方法與均值分類規則結合來獲取BPA，有助于D-S框架自適應解決不同問題。陳雁飛[45]提出的BPA獲取方法，采用混淆矩陣記錄訓練結果，然后使用貝葉斯推理獲取辨識框架中各個元素的概率，最后通過簡單或一致性支持函數獲取BPA，為空中目標敵我識別提供一定參考。Deng等[46]提出了一種基于混淆矩陣的BPA獲取方法，該方法基于召回矩陣和精度矩陣對混淆矩陣中的每個類別構造BPA。文獻[22]考慮目標識別中的主客觀因素，使用帶概率因子的乘型模糊神經網絡構建隸屬度函數，通過敵我識別判決準則獲取可信度，最后利用Shafer折扣規則修正獲取BPA。Qin等[47]提出了基于改進區間數的BPA獲取方法，該方法基于測試樣本與構建模型之間的距離和距離間隔的相似性來獲取BPA，具有較好的抗干擾性。

綜上，基于智能算法獲取的BPA更加客觀，運算處理速度更快，但大多數情況下，需要大量的試驗數據作為支撐，小樣本條件下獲取的BPA精確度會有所下降，在目標較少且數據庫中沒有該目標時，BPA獲取的精度就會下降，如文獻[22，43-45，47]等;此外，部分智能算法模型比較復雜，在處理新突發情況下的空中目標敵我識別情況時會增加建模時間，不利于達到快速獲取BPA進行識別的目的，如文獻[46]等。

3.1.3 基于BPA構造方法的研究分類總結

對空中目標敵我識別信息融合中的BPA構造方法進行歸納與分析，從BPA獲取效果、算法復雜度和戰術價值三個方面的總結如表2所示。

從表2可以看出，在空中目標敵我識別的信息融合中，基于隸屬度函數的BPA構造方法研究相對較多，戰術價值高的也比較多。這是因為空中目標敵我識別中的BPA構造不是一個簡單的數學過程，而是需要融入指揮官的判斷力和決策力，使獲取的BPA包含有一定的戰術信息。同時，隸屬度函數的構造是基于軍事專家經驗和作戰實際這個客觀條件，所以隸屬度函數雖然帶有一定的主觀特征，但從作戰實際考慮，是較為客觀的。其優良的適應性可用于復雜情況下的敵我識別，但其在處理大量數據時還有一定的缺陷，需要結合智能算法合理使用。智能算法在處理大量數據時具有優勢，但多數情況下需要進行訓練數據與樣本數據的比對，對于超出目標數據庫的信息就難以處理。在以后的研究中需要根據情況合理選擇使用。

3.2 基于沖突證據融合的研究分類

在空中目標敵我識別過程中，各類傳感器容易受到電磁環境的干擾，以及各種環境和人為因素的影響，會使獲取的證據在信息融合后產生與人的直覺相悖的結果，如1信任悖論、0信任悖論、全沖突悖論、證據吸收悖論、信任偏移悖論、焦元基模糊悖論等[48]，降低了識別結果的精確性。因此，應選擇合理的方法消解證據之間的沖突。本節從修改組合規則和修改證據源兩個方面對空中目標敵我識別中的沖突證據融合方法進行歸納分析，最后從融合效果、復雜程度和戰術價值三方面進行總結。

3.2.1 基于修改組合規則的沖突證據融合

修改組合規則作為一種乘性策略，重點研究的是沖突的再分配，即需要分配沖突的子集，以及以什么樣的比例把沖突分配給子集[49-50]。

全局沖突分配是將沖突分配給未知命題或者是辨識框架。在早期研究中，代表性的方法有Smets[51]提出的基于可傳遞置信模型的全局沖突分配方法，以開世界假設為前提，不做歸一化處理，將沖突分配給空集，但在實際應用中，很多時候開世界假設難以滿足。Yager[52]以閉世界假設為前提，提出了將沖突賦給辨識框架的全局沖突分配法。杭文慶等[53]以閉世界假設為前提，建立可信度模型確定權重，對沖突進行全局分配，同時又考慮到空中作戰中可能出現的新情況，以開世界假設為前提，將內外協調因子作為權重，對沖突進行全局分配，該方法更符合應用實際，為空中目標敵我識別提供了參考。

局部沖突分配通常需要引入沖突分配權重，將沖突按照權重分配給相關元素。Lefevre等[54]提出了一種經典的局部沖突分配法，根據信息融合時的證據源數量和沖突之間的關系，確定沖突分配比例，將沖突分配給各個子集。許紅波等[55]針對傳統D-S證據理論在處理多特征沖突信息方面的弱勢，以雷達和ESM獲取的目標調制特征、輻射源載頻、脈沖寬度、脈沖重復周期等特征為例，提出了一種推廣的組合規則，將沖突分配給沖突焦元，從技術層面減少了融合中不確定性影響，提升了技術型傳感器信息融合中的精確度。Guo等[56]提出了一種基于證據之間交叉融合策略的D-S證據理論組合規則，該方法充分利用證據的可靠性，減少不確定性信息對融合結果的影響，并在證據組合之間按照比例分配沖突，使融合結果更加簡潔、合理、有效。李洋等[57]考慮復雜戰場環境下的信息融合中可能出現的沖突證據，選用雷達、紅外、電子偵察設備、通信偵察設備和光電等各類傳感器，直接獲取目標類型的初始BPA，利用PCR5規則計算各傳感器自身獲取的證據之間的沖突，將沖突分配給沖突焦元，獲取修正后的BPA，再進行統一的融合，該方法既可以實現低沖突證據的融合，又可以實現高沖突證據的融合。方怡等[58]提出了一個改進的組合規則對沖突證據進行融合，該方法基于Euclidean距離確定證據支持度，以證據支持度標準偏差確定對證據的平均支持水平，并以此作為權重，進行局部沖突分配。張安安等[59]采用局部沖突分配策略，選用向下聚焦法對沖突證據進行融合，該方法對產生沖突的證據個體進行分析，考慮焦元基數在信息融合中的影響，將沖突分配給基數更小的焦元，實現了較好的融合，同時克服了Lefevre規則參數設置過多的問題。Zhang等[50]提出的改進組合規則，能夠通過證據相關系數建立新的沖突衡量參數，可以有效融合沖突證據，提高合成結果的可靠性。

綜上，文獻[53]提出的方法綜合考慮我機、友機、預警機和地面傳感器之間的融合問題，考慮了空戰出現新情況時的融合方法，其融合結果比文獻[51]的融合結果更加合理，不確定性影響更少。文獻[55]提出的方法從探測目標的電磁信號的研究背景入手，推廣D-S組合規則的使用范圍，有效處理了證據沖突，但試驗結果表明，其精度提升有限，仍有較大的改進空間。文獻[56]提出的方法極大地增強了信息融合中的抗干擾性及容錯能力，可以為空中目標敵我的信息融合提供一定的參考。文獻[57，59]通過與D-S組合規則、文獻[52]對比，取得了較好的效果，但該方法處理周期較長、計算量相對較大，實時性相對較弱。文獻[50，58]的融合結果較于傳統D-S組合有了極大的提高，但其沒有考慮數據量較大情況下的處理速度問題，會導致計算量增加，處理時間增長，仍需改進。

3.2.2 基于修改證據源的沖突證據融合

修改證據源作為一種加性策略，認為證據沖突的產生是由傳感器自身的可靠性、復雜的環境和其他因素造成的，與D-S組合規則沒有關系。該方法認為在信息融合時，應首先對證據進行預處理，然后通過D-S組合規則進行融合，以實現消解沖突的目的。目前對證據源修改的方法主要有Shafer折扣法和加權平均法。

文獻[10]提出的Shafer折扣法，引入了可信度概念，依據不同證據的可信度確定權重，并將其作為折扣系數，使用Shafer折扣規則對證據源進行修改。文獻[29]提出的修改證據源方法，通過利用遺傳算法進行計算證據折扣系數，對證據源進行修正，保留沒有沖突的物理特征信息，并將其作為下一步融合中的先驗信息。該方法不容易受到敵方偽裝和欺騙的干擾，具有較好的應用價值。董杰等[60]提出了一種改進的修改證據源的方法，該方法基于Euclidean距離確定證據折扣系數，對證據源進行修正，減少了不可靠傳感器的消極影響，具有更好的空中目標敵我識別效果。張陽[61]提出了決策級證據源修改方法，該方法在軟決策融合中使用證據不一致性函數確定權重，采用加權平均法對證據源進行修正，在硬決策融合中采用Jousselme距離確定權重，使用證據折扣法對證據源進行修正，提供了一種決策層信息融合的新思路。

加權平均法通過權重反映了證據對融合結果的影響程度，對證據按照權重修改并進行加權平均。文獻[21]提出的簡單平均法，將每個證據的BPA進行平均，然后通過D-S組合規則進行融合，但沒有考慮證據之間的關聯性，還存在一定的局限。文獻[25]提出了一種基于改進證據相關系數的修改證據源方法，該方法在經典相關系數構造方法基礎上，引入雅克比矩陣對證據進行預處理，在此基礎上計算證據可信度，并將其作為權重，采用加權平均法，對證據源進行修正。Li等[62]提出的修改證據源方法，可以利用證據余弦計算證據之間的相似度，構造相似矩陣，以此為基礎計算每個證據的可信度，并將其作為權重，采用加權平均法對證據源進行修正。Xiao[63]提出了一種基于信念差異度量修改證據源的方法，該方法通過構造信念差異度量矩陣來確定證據權重，采用加權平均法對證據源進行修改，更適用于多傳感器決策時使用。常玉婷等[64]提出了一種基于改進證據支持度的方法，該方法考慮空中目標敵我識別中復雜環境、電磁干擾對傳感器的影響，利用Jousselme距離計算證據權重，采用加權平均法對證據源進行修正，有效降低失效傳感器對空中目標敵我識別的影響，能夠獲得比較符合實際的結果。Zhao等[65]提出了一種基于節點可信度修正證據源的方法，該方法與CPS中傳感器節點有效結合，將融合源傳感器的可信度的平均值作為該融合后證據的可信度，通過加權平均法對證據源進行修正。

綜上，文獻[29，60]提出的方法能夠極大地提高融合結果的精確度，但需要依托智能算法確定權重，對于數據庫以外的目標權重確定較為困難。文獻[61]提出的方法，可以應用于相對比較復雜情況下的融合，但其未對不精確數據進行合理分類，會降低融合可靠性。文獻[25]提出的方法經過試驗驗證與文獻[66]結果一致，驗證了其可行性，同時考慮了復雜情況下可信度不同的實際情況，具有較好的應用價值。文獻[62]提出的方法計算量小，節省了計算時間和成本，通過多周期融合，充分利用歷史信息，有效降低了錯誤識別的風險，提高了融合結果的可靠性和魯棒性。文獻[64]提出的方法保證了權重大的證據在融合中的影響作用，降低了權重小的證據的不良影響，可以有效處理高沖突證據，具有較好的收斂性。文獻[63，65]提出的方法能夠極大地提高融合結果的精確度，但其算法本身計算較為復雜性，不利于快速融合。

3.2.3 基于沖突證據融合的研究分類總結

對空中目標敵我識別信息融合中的沖突證據融合方法進行較為詳細的歸納與分析，從融合效果、算法復雜度和戰術價值三個方面的總結如表3所示。

從表中可以看出，基于修改證據源的沖突證據融合方法的算法復雜度整體較低，戰術價值整體較高。這是因為在實際應用中，傳感器的性能、戰場電磁干擾的程度、雷達操作員的能力素質、指揮官的決策能力，都會對傳感器獲取的信息產生不同程度的影響，這些影響或多或少會使證據產生一定的沖突。如果不在信息融合的起始節點對可能存在的沖突進行消除，那么在接下來的融合過程中，這些沖突可能會持續存在，影響融合結果。修改證據源恰好可以從源頭解決這個問題，又可以保持D-S組合規則原有的數學性質。基于修改組合規則的沖突證據融合方法，把這些沖突當作有用信息，使用不同的方式將這些沖突分配給相關證據，充分利用了信息，但增加了計算量; 同時，修改組合規則的方法可能會丟失原有D-S組合規則的數學性質。因此在實際應用中，應根據需求選用合適的方法進行信息融合。

3.3 基于融合方式的研究分類

實際應用中，為避免我方傳感器遭到敵方壓制或攻擊而喪失功能，傳感器通常會分散配置，然后通過相應的通信鏈路進行連接組網，確保可以態勢共享、信息互通，實現集中式融合、分布式融合、混合式融合的功能。在進行空中目標敵我識別時，指揮官會根據戰場態勢合理選擇融合方法，確保發揮最大的作戰效能。

文獻[37，60]等采用集中式融合的方式進行空中目標敵我識別。在這種融合方式下，各傳感器不進行敵我識別，而是將獲取的信息直接傳輸至信息融合中心進行融合處理。其優勢在于可以避免各傳感器進行敵我識別時的誤判，具有較高的精確性，并且可以充分利用信息，但是其成本相對較高、處理周期較長、戰場生存能力相對較差，若信息融合中心被摧毀就會喪失敵我識別能力。

文獻[25，53，57，59]等采用分布式融合方式進行空中目標敵我識別，首先需要各傳感器進行敵我識別，然后將識別后的結果傳輸至信息融合中心進行融合處理。這種方式的優勢在于成本低、處理速度快、戰場生存能力強，但其信息利用率較低，若傳感器發生誤判，就會影響后續的融合結果精確度。

綜上，在實際應用中，應根據實際情況合理選擇融合方式。但目前在基于D-S證據理論的空中目標敵我識別研究中，大多數研究關注的重點在于信息融合中的BPA構造方法問題和沖突證據融合問題，對融合方式只是簡要敘述，并沒有深入探索。因此，下一步應加強相關方面的研究。

4 研究前景

4.1 空中目標敵我識別的研究前景

通過分析可知，目前國內外對空中目標敵我識別的研究主要集中于技術型識別方法的研究，忽略了技術型方法在實際應用情況下的不足。為彌補上述研究缺陷，結合美軍經驗和國內研究現狀[67]，提出了一種新的空中目標綜合識別方法。

空中目標綜合識別是利用協作式和非協作式敵我識別系統等技術手段，結合空域協同措施[68]、目標戰術特征[69]、開源情報等戰術規則，對空中目標敵我屬性進行識別的過程。空中目標綜合識別方法以敵我識別系統為主要技術手段，能夠快速準確地對空中目標的敵我屬性進行識別，是判斷空中目標敵我屬性的主要依據。以空域協同措施（如低高度層穿越通道（Low Level Transit Route，LLTR）、最小風險通道（Minimum Risk Route，MRR）等）為主的程序性手段，能對技術手段中存在疑問的識別結果進行驗證和再次識別，可以降低敵我識別系統的錯判風險，是空中目標敵我識別的輔助手段。具體模型如圖4所示。

其中，敵我識別器開/關線沿敵我對峙線平行設置。當空中目標由敵軍空域返回我軍空域時，在此線打開敵我識別器，由我軍敵我識別系統獲取該空中目標的身份信息，對敵我識別器獲取的信息與地面其他傳感器獲取的信息進行融合識別。此階段，如果敵我融合識別能明確識別空中目標為敵軍或者我軍，那么以此作為最終識別結果。若此階段敵我融合識別的結果為不明，則依據后續所設置的空域協同措施，對空中目標敵我屬性進行進一步融合識別。為避免誤判，在這個過程中應根據融合識別結果的可信度，賦予目標不同等級的屬性標簽，然后結合指揮官意圖，決定繼續識別還是采取相應的對策。如果需要繼續識別，則根據指揮官意圖選取一定的閾值范圍，對可信度處在這個范圍內的目標，繼續識別其敵我屬性。此時可通過設置其他空域協同措施或其他戰術規則繼續識別，直至識別出明確的敵我屬性。以“低高度層穿越通道”為例[70]，該通道會明確空中目標在此通道內的高度、速度、航向等。當空中目標在該通道內飛行時，應使用邏輯型傳感器獲取其身份識別信息，將雷達測得的各信息要素與其他基于戰術規則的信息要素進行融合，以獲取最終的識別結果。若空中目標能夠按照規定的飛行參數飛行并符合相應的戰術特征，那么融合后的信息會判定該目標為我軍，否則判定為敵軍。若部分符合或者不符合，則賦予其不同等級的屬性標簽，根據情況選用其他邏輯型傳感器進行再一次識別，直至得到明確的敵我屬性。具體流程如圖5所示。

空中目標綜合識別方法有效結合了技術型識別方法和邏輯型識別方法的優點，適用于各種作戰情景，可作為空中目標敵我識別中的重點方向展開研究。

4.2 D-S證據理論在空中目標敵我識別中的應用展望

D-S證據理論與目標識別是信息融合領域的研究熱點之一。國內外大量專家學者對其進行了豐富的研究和拓展，提出了許多改進的方法和創新的算法。D-S證據理論及其改進方法的合理使用，會對目標識別的結果產生非常重要的影響。結合前面的分析與新提出的空中目標綜合識別方法，對D-S證據理論在空中目標敵我識別中仍需要進一步研究的問題進行總結。

一是多周期融合問題。根據分析可知，目前大多數文獻主要是從改進算法角度進行研究，對多周期融合問題研究較少。空中目標敵我識別是一個動態連續的過程，僅一個周期的識別會極大增加誤判風險。本文所提出的空中目標綜合識別方法同樣需要進行多周期融合才能保證識別連續性，達到敵我準確識別的目的。因此在后續研究中，應將多周期融合作為一個重點方面進行研究，以求貼近實際。

二是識別結果可信度問題。目前大多數文獻主要是為了實現沖突證據融合，研究證據的可信度或者是沖突的權重分配問題，對于識別結果可信度的關注相對較少。本文提出的空中目標綜合識別方法，根據識別結果的可信度賦予目標不同的屬性標簽，然后根據指揮官意圖決定是否繼續識別，這種方式能夠從識別結果層面減少誤判，更加符合應用實際。因此，下一步研究中，可以考慮在得到融合后結果時，選用合理的方法評估其可信度，然后結合指揮官意圖，決定繼續識別還是采取其他相應的對策。

三是算法適用性問題。以D-S證據理論兩個基本問題為例，在構造BPA和沖突證據融合上，目前大多數文獻采用的方法都是對應特定的研究背景和研究對象，通用性相對較弱。在實際應用中，指揮官可能會隨時啟用或者關閉敵我識別的設備，變更敵我識別方法等，以滿足當前的任務需要。那么如何實現算法適用于不同的任務背景或者是實現不同任務背景下不同算法的合理銜接，仍是下一步需要關注的重點。

5 結 束 語

證據理論在處理不確定性信息等方面具有很強的優勢，在目標識別、信息融合等方面發揮了十分重要的作用。本文較為全面地理清了D-S證據理論在空中目標敵我識別領域的發展脈絡，對其研究現狀進行了分析與總結，通過借鑒美軍經驗，提出了一種更加貼近實際需要的空中目標敵我識別方法。該方法更符合指揮官的指揮與決策邏輯，通俗易懂，能夠為后續的空中目標敵我識別理論研究提供參考。在此基礎上提出了幾點D-S證據理論在空中目標敵我識別中應重點關注的方向，為基于D-S證據理論的空中目標敵我識別的發展和深化提供參考。

參考文獻：

[1] 肖順旺，? 李升才，? 張長泉，? 等. 敵我識別系統及其進展[J]. 火力與指揮控制， ?2008，? 33（11）：? 5-7.

Xiao Shunwang，? Li Shengcai，? Zhang Changquan， et al. The Identification Friend or Foe System and Its Development[J]. Fire Control and Command Control，? 2008，? 33（11）：? 5-7. （in Chinese）

[2] 馮酉鵬. 空中目標識別與跟蹤技術的研究[D]. 沈陽：? 沈陽理工大學，? 2020.

Feng Youpeng. Research on Aerial Target Recognition and Tracking Technology[D]. Shenyang：? Shenyang Ligong University，? 2020. （in Chinese）

[3] Boonpoonga A，? Chomdee P，? Burintramart S，? et al. Simple Estimation of Late-Time Response for Radar Target Identification[J]. Radio Science，? 2017，? 52（6）：? 743-756.

[4] Lee S J，? Jeong S J，? Yang E，? et al. Target Identification Using Bistatic High-Resolution Range Profiles[J]. IET Radar，? Sonar & Navigation，? 2017，? 11（3）：? 498-504.

[5] 蘇軍平. 多傳感器信息融合關鍵技術研究[D]. 西安：? 西安電子科技大學，? 2018.

Su Junping. Research on the Key Technology of the Multi-Sensor Information Fusion[D]. Xian：? Xidian University，? 2018. （in Chinese）

[6] 盧莉萍，? 張曉倩. 復雜環境下多傳感器目標識別的數據融合方法[J]. 西安電子科技大學學報，? 2020， 47（4）：? 31-38.

Lu Liping，? Zhang Xiaoqian. Data Fusion Method of Multi-Sensor Target Recognition in Complex Environment[J]. Journal of Xidian University，? 2020， 47（4）： 31-38. （in Chinese）

[7] Khaleghi B，? Khamis A，? Karray F O，? et al. Multisensor Data Fusion：? A Review of the State-of-the-Art[J]. Information Fusion，? 2013，? 14（1）：? 28-44.

[8] 祁友杰，? 王琦. 多源數據融合算法綜述[J]. 航天電子對抗，? 2017， 33（6）：? 37-41.

Qi Youjie，? Wang Qi. Review of Multi-Source Data Fusion Algorithm[J]. Aerospace Electronic Warfare，? 2017，? 33（6）：? 37-41. （in Chinese）

[9] Dempster A P. Upper and Lower Probabilities Induced by a Multivalued Mapping[J]. Annuals of Mathematical Statistics，? 1967，? 38（2）：? 325-339.

[10] Shafer G. A Mathematical Theory of Evidence[M]. Princeton：? Princeton University Press，? 2020：? 3-34.

[11] 時洪會，? 蔣文保. D-S證據理論綜述[J]. 信息化建設，? 2015 （11）：? 331.

Shi Honghui，? Jiang Wenbao. Overview on D-S Evidence Theory[J]. Information Construction，? 2015 （11）：? 331. （in Chinese）

[12] 呂輝，? 賀正洪. 防空指揮自動化系統原理[M]. 西安：? 西安電子科技大學出版社，? 2003：? 32-33.

Lü Hui，? He Zhenghong. Principle of Air Defense Command Automation System[M]. Xian：? Xidian University Press， 2003：? 32-33. （in Chinese）

[13] 朱方，? 王付明. 基于模糊信息論的空中目標識別模型研究[J]. 指揮控制與仿真，? 2006， 28（1）：? 111-115.

Zhu Fang，? Wang Fuming. Research on Aerial Target Identification Model Based on Fuzzy Information Theory[J]. Command Control & Simulation，? 2006，? 28（1）：? 111-115.（in Chinese）

[14] 王小謨，? 張光義. 雷達與探測：? 信息化戰爭的火眼金睛[M]. 2版. 北京：? 國防工業出版社，? 2016：? 20-21.

Wang Xiaomo，? Zhang Guangyi. Radar and Detection：? Discerning Eyes of Information War[M]. 2nd ed. Beijing：? National Defense Industry Press，? 2016：? 20-21. （in Chinese）

[15] 黃山良，? 卜卿，? 梅發國. 防空探測預警系統與技術[M]. 北京：? 國防工業出版社，? 2015： 159-160.

Huang Shanliang，? Bu Qing，? Mei Faguo. Air Defense Detection and Early Warning System and Technology[M]. Beijing：? National Defense Industry Press，? 2015： 159-160.（in Chinese）

[16] 羅俊海，? 楊陽. 基于數據融合的目標檢測方法綜述[J]. 控制與決策，? 2020， 35（1）：? 1-15.

Luo Junhai，? Yang Yang. An Overview of Target Detection Methods Based on Data Fusion[J]. Control and Decision，? 2020， 35（1）：? 1-15. （in Chinese）

[17] 譚源泉，? 李怡，? 張柯. 基于模糊集與證據理論的敵我識別新方法[J]. 電波科學學報，? 2012， 27（3）：? 578-582.

Tan Yuanquan，? Li Yi，? Zhang Ke. New Method of Identification Friend or Foe Integrating the Fuzzy Set Theory and Evidential Theory[J]. Chinese Journal or Radio Science，? 2012，? 27（3）：? 578-582. （in Chinese）

[18] 張兵，? 盧煥章. 多傳感器自動目標識別中的沖突證據組合方法[J]. 系統工程與電子技術，? 2006，? 28 （6）：? 857-860.

Zhang Bing，? Lu Huanzhang. Combination Method of Conflict Evidence in Multi-Sensor Automatic Target Recognition[J]. Systems Engineering and Electronics，? 2006，? 28 （6）：? 857-860. （in Chinese）

[19] Tan Y Q，? Yang J Y，? Li L C，? et al. Data Fusion of Radar and IFF for Aircraft Identification[J]. Journal of Systems Engineering and Electronics，? 2012，? 23（5）：? 715-722.

[20] 陳麗家. 基于IFF與雷達的敵我識別算法研究[D]. 成都：? 電子科技大學，? 2012.

Chen Lijia. Friend or Foe Identification Algorithm Study Based on IFF and Radar[D].Chengdu：? University of Electronic Science and Technology of China，? 2012. （in Chinese）

[21] Murphy C K. Combining Belief Functions When Evidence Conflicts[J]. Decision Support Systems，? 2000，? 29（1）：? 1-9.

[22] 朱昕. 基于雷達與IFF信息融合的敵我識別方法研究[D]. 成都：? 電子科技大學，? 2013.

Zhu Xin. Study of Identification of Foe Based on Information Fusion of Radar and IFF[D]. Chengdu：University of Electronic Science and Technology of China，? 2013. （in Chinese）

[23] 吳強，? 姜禮平，? 季傲. 基于模糊集和D-S證據理論的空中作戰目標識別[J]. 指揮控制與仿真，? 2015， 37（4）：? 54-58.

Wu Qiang，Jiang Liping，Ji Ao. Aircraft Target Identification Based on Fuzzy Sets and D-S Evidence Theory in Air Operation[J]. Command Control & Simulation，? 2015，? 37（4）：? 54-58. （in Chinese）

[24] 孫俊，? 陳亞偉，? 李崇誼，? 等. 基于雷達寬窄帶多特征信息融合的空中目標識別[J]. 現代雷達，? 2015，? 37（7）：? 15-19.

Sun Jun，? Chen Yawei，? Li Chongyi，? et al. Fusion Recognition of Air Target Based on DS Evidence Theory with Wideband and Narrowband Characteristics[J]. Modern Radar，? 2015，? 37（7）：? 15-19. （in Chinese）

[25] 徐浩，? 邢清華，? 王偉. 基于DST-IFS的空中目標敵我屬性綜合識別[J]. 系統工程與電子技術，? 2017， 39（8）：? 1757-1764.

Xu Hao，? Xing Qinghua，? Wang Wei. Integrated Air Target Identification of Friend or Foe Based on DST-IFS[J]. Systems Engineering and Electronics，? 2017，? 39（8）：? 1757-1764. （in Chinese）

[26] 龐夢洋，? 索中英，? 鄭萬澤，? 等. 基于三支決策的空中目標敵我識別方法[J]. 探測與控制學報，? 2020，? 42（1）：? 115-120.

Pang Mengyang，? Suo Zhongying，? Zheng Wanze，? et al. Air Target Identification Method Based on Three-Way Decisions[J]. Journal of Detection & Control，? 2020，? 42（1）：? 115-120. （in Chinese）

[27] 王成. 基于DSmT的飛行目標識別與跟蹤[D]. 綿陽：? 西南科技大學，? 2016.

Wang Cheng. Recognition and Tracking for Flight Target Based on DSmT[D]. Mianyang： ?Southwest University，? 2016. （in Chinese）

[28] 李進軍，? 叢蓉，? 熊吉光. 融合目標戰術特征的空中目標類型識別模型[J]. 艦船科學技術，? 2005，? 27 （3）：? 46-49.

Li Jinjun，? Cong Rong，? Xiong Jiguang. Differentiating Model of Aerial Targets Type Integrated with Targets Tactical Characteristics[J]. Ship Science and Technology，? 2005，? 27（3）： 46-49. （in Chinese）

[29] 崇元，? 李加祥，? 艾葳，? 等. 融合戰術與修正物理特征的空中目標戰術類型識別[J]. 火力與指揮控制，? 2016， 41（12）：? 150-154.

Chong Yuan，? Li Jiaxiang，? Ai Wei，? et al. Aerial Target Tactics Recognition Integrated with Targets Tactical and Amendatory Physics Characteristics[J]. Fire Control & Command Control，? 2016，? 41（12）：? 150-154. （in Chinese）

[30] 陳水利，? 李敬功，? 王向公. 模糊集理論及其應用[M]. 北京：? 科學出版社，? 2005：? 2-4.

Chen Shuili，? Li Jinggong，? Wang Xianggong. Fuzzy Set Theory and Its Application[M]. Beijing：? Science Press，? 2005：? 2-4. （in Chinese）

[31] Pawlak Z. Rough Sets[J].International Journal of Computer Information Science，? 1982，? 11（5）：? 341-356.

[32] Atanassov K T. Intuitionistic Fuzzy Sets[J]. Fuzzy Sets and Systems，? 1986，? 20（1）：? 87-96.

[33] Zadeh L A. Fuzzy Sets[J].Information and Control，? 1965，? 8（3）：? 338-353.

[34] 余瓊芳，? 陳迎松. 模糊數學中隸屬函數的構造策略[J]. 漯河職業技術學院學報：? 綜合版，? 2003，? 2（1）：? 12-14.

Yu Qiongfang，? Chen Yingsong. The Constructing Policy of Membership Function in Fuzzy Mathematics[J]. Journal of Luohe Vocational and Technical College：? Comprehensive，? 2003，? 2（1）：? 12-14. （in Chinese）

[35] Jiang W，? Yang Y，? Luo Y，? et al. Determining Basic Probability Assignment Based on the Improved Similarity Measures of Generalized Fuzzy Numbers[J]. International Journal of Computers，? Communications & Control，? 2015，? 10（3）：? 333-347.

[36] Ma T S，? Xiao F Y. An Improved Method to Transform Triangular Fuzzy Number into Basic Belief Assignment in Evidence Theory[J]. IEEE Access，? 2019，? 7：? 25308-25322.

[37] Wang K. A New Multi-Sensor Target Recognition Framework Based on Dempster-Shafer Evidence Theory[J]. International Journal of Performability Engineering，? 2018：? 14（6）： 1224-1233.

[38] Awogbami G，? Homaifar A. A Reliability-Based Multisensor Data Fusion with Application in Target Classification[J]. Sensors，? 2020，? 20（8）：? 2192.

[39] 李軍，? 黃力偉. 基于目標多特征的mass函數確定方法[J]. 計算機應用研究，? 2017， 34（8）：? 2312-2314.

Li Jun，? Huang Liwei. Mass Function Construction Method Based on Objective Characteristics[J]. Application Research of Computers，? 2017，? 34（8）：? 2312-2314. （in Chinese）

[40] 馮至，? 李強，? 蔡莉. 基于粗糙集和證據理論的目標身份融合方法[J]. 空軍預警學院學報，? 2016， 30（3）：? 194-197.

Feng Zhi，? Li Qiang，? Cai Li. Method of Target Identity Fusion Based on Rough Set and Evidence Theory[J]. Journal of Air Force Early Warning Academy，? 2016，? 30（3）：? 194-197. （in Chinese）

[41] 路艷麗，? 雷英杰，? 王晶晶. 基于粗糙D-S理論的身份融合方法[J]. 系統工程與電子技術，? 2007，? 29（10）：? 1749-1752.

Lu Yanli，? Lei Yingjie，? Wang Jingjing. Identity Fusion Method Based on Rough Sets and D-S Theory[J]. Systems Engineering and Electronics，? 2007，? 29（10）：? 1749-1752. （in Chinese）

[42] 趙凌偉. 基于熵權灰關聯和證據理論的輻射源識別方法[J]. 電子測量技術，? 2017， 40（4）：? 34-38.

Zhao Lingwei. Radiation Source Identification Based on Entropy-Weight Gray Correlation and Evidence Theory[J]. Electronic Measurement Technology，? 2017，? 40（4）：? 34-38. （in Chinese）

[43] 張志. 多傳感器信息融合及其應用研究[D]. 西安：? 西安電子科技大學，? 2017.

Zhang Zhi. Research on Multi-Sensor Information Fusion and Its Application[D]. Xian：? Xidian University，? 2017. （in Chinese）

[44] Liu Y T，? Pal N R，? Marathe A R，? et al. Weighted Fuzzy Dempster-Shafer Framework for Multimodal Information Integration[J]. IEEE Transactions on Fuzzy Systems，? 2018，? 26（1）：? 338-352.

[45] 陳雁飛. 基于證據理論的海上目標綜合識別若干問題研究[D]. 哈爾濱：? 哈爾濱工程大學，? 2015.

Chen Yanfei. Research on Multi-Source Data Fusion for Marine Target Recognition Based on Evidence Theory[D]. Harbin：? Harbin Engineering University，? 2015. （in Chinese）

[46] Deng X Y，? Liu Q，? Deng Y，? et al. An Improved Method to Construct Basic Probability Assignment Based on the Confusion Matrix for Classification Problem[J]. Information Sciences，? 2016，? 340/341：? 250-261.

[47] Qin B W，? Xiao F Y. An Improved Method to Determine Basic Probability Assignment with Interval Number and Its Application in Classification[J]. International Journal of Distributed Sensor Networks，? 2019，? 15（1）：? 155014771882052.

[48] 楊風暴，? 王肖霞. D-S證據理論的沖突證據合成方法[M]. 北京：? 國防工業出版社，? 2010：? 65-72.

Yang Fengbao，? Wang Xiaoxia. Combination Method Conflictive Evidences in D-S Evidence Theory[M]. Beijing：? National Defense Industry Press，? 2010：? 65-72. （in Chinese）

[49] Horiuchi T. Decision Rule for Pattern Classification by Integrating Interval Feature Values[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，? 1998，? 20（4）：? 440-448.

[50] Zhang P D，? Tian Y，? Kang B Y. A New Synthesis Combination Rule Based on Evidential Correlation Coefficient[J]. IEEE Access，? 2020，? 8：? 39898-39906.

[51] Smet P.The Combination of Evidence in the Transferable Belief Model[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1990， 12（5）： 447-458.

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

[53] 杭文慶，? 姜長生. 基于多源信息和改進證據理論的空戰攻擊決策[J]. 電光與控制，? 2010， 17（2）：? 26-30.

Hang Wenqing，? Jiang Changsheng. Attacking Decision-Making of Air Combat Based on Multi-Source Information and Improved Evidence Theory[J]. Electronics Optics & Control，? 2010，? 17（2）：? 26-30.（in Chinese）

[54] Lefevre E，? Colot O， ?Vannoorenberghe P. Belief Function Combination and Conflict Management[J]. Information Fusion，? 2002，? 3（2）：? 149-162.

[55] 許紅波，? 丁建江，? 胡偉稿. D-S規則推廣及其在飛機目標識別中的應用研究[J]. 雷達與對抗，? 2006，? 26（1）：? 34-38.

Xu Hongbo，? Ding Jianjiang，? Hu Weigao. A Study on the Extended D-S Rule and Its Application in Aircraft Target Recognition[J]. Radar & ECM，? 2006，? 26（1）：? 34-38. （in Chinese）

[56] Guo K H，? Li W L. Combination Rule of D-S Evidence Theory Based on the Strategy of Cross Merging between Evidences[J]. Expert Systems with Applications，? 2011，? 38（10）：? 13360-13366.

[57] 李洋，? 卓志敏，? 張南，? 等. 基于PCR5規則的非合作目標識別方法研究[J]. 中國電子科學研究院學報，? 2019， 14（2）：??? 123-128.

Li Yang，? Zhuo Zhimin，? Zhang Nan，? et al. Research of Multi-Sensor Identification Technology for Non-Cooperative Target Based on PCR5[J]. Journal of China Academy of Electronics and Information Technology，? 2019，? 14（2）：? 123-128. （in Chinese）

[58] 方怡，? 王先全，? 李杰，? 等. 基于D-S證據理論的目標識別融合應用[J]. 電腦知識與技術，? 2020， 16（12）：? 190-192.

Fang Yi，? Wang Xianquan，? Li Jie，? et al. Application of Target Recognition Fusion Based on D-S Evidence Theory[J]. Computer Knowledge and Technology，? 2020，? 16（12）：? 190-192. （in Chinese）

[59] 張安安，? 彭嵩松，? 楊威. 基于信任函數理論的修正融合目標識別算法[J]. 電子技術應用，? 2015， 41（6）：? 84-87.

Zhang Anan，? Peng Songsong，? Yang Wei. A Modified Fusion Algorithm for Target Recognition Based on the Belief Function Theory[J]. Application of Electronic Technique，? 2015，? 41（6）：? 84-87. （in Chinese）

[60] 董杰，? 蔡群，? 丁鋒，? 等. 基于權值改進D-S理論的對空目標識別融合[J]. 現代防御技術，? 2016，? 44（2）：? 185-189.

Dong Jie，? Cai Qun，? Ding Feng，? et al. Identifying Aerial Target Fusion Based on the Improved Weighting D-S Theory[J]. Modern Defense Technology，? 2016，? 44（2）：? 185-189. （in Chinese）

[61] 張陽. 基于決策級融合的無線傳感器網絡感知目標分類研究[D]. 北京：? 北京交通大學，? 2019.

Zhang Yang. Research on Perceived Target Classification Based on Decision Fusion in Wireless Sensor Networks[D]. Beijing：? Beijing Jiaotong University，? 2019. （in Chinese）

[62] Li J，? Yang X Z，? Zhou L. Multi-Sensor Target Recognition Based-on Multi-Period Improved DS Evidence Fusion Method[J]. Journal of Nanoelectronics and Optoelectronics，? 2018，? 13（5）：? 758-767.

[63] Xiao F Y. A New Divergence Measure for Belief Functions in D-S Evidence Theory for Multisensor Data Fusion[J]. Information Sciences，? 2020，? 514：? 462-483.

[64] 常玉婷，? 孫力帆，? 普杰信，? 等. 基于改進證據支持度的多傳感器空中目標識別[J]. 計算機仿真，? 2020， 37（7）：? 394-398.

Chang Yuting，Sun Lifan，Pu Jiexin，? et al. Air Target Identification Using Multiple Sensors Based on Modified Evidence Support[J]. Computer Simulation，? 2020，? 37（7）：? 394-398. （in Chinese）

[65] Zhao G Z，? Chen A G，? Lu G X，? et al. Data Fusion Algorithm Based on Fuzzy Sets and D-S Theory of Evidence[J]. Tsinghua Science Technology，? 2019，? 25（1）：? 12-19.

[66] 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 Yulin，? Zou Jiangwei，? Xu Shiyou，? et al. Application of DSmT in Integrated Identification of Friend-or-Foe[J]. Systems Engineering and Electronics，? 2010，? 32（11）：? 2385-2388. （in Chinese）

[67] 張利群. 空戰場管控[M]. 北京：? 國防工業出版社，? 2016：? 138-139.

Zhang Liqun. Management and Control of Air Battlefield[M]. Beijing：National Defense Industry Press，? 2016：? 138-139. （in Chinese）

[68] 楊任農，? 沈堤，? 戴江斌. 對聯合作戰空戰場管控問題的思考[J]. 指揮信息系統與技術，? 2019，? 10（1）：? 1-6.

Yang Rennong，? Shen Di，? Dai Jiangbin. Consideration for Management and Control Problems of Joint Operation Air Battlefield[J]. Command Information System and Technology，? 2019，? 10（1）：? 1-6. （in Chinese）

[69] 張志強，? 錢建剛，? 魯瑞達. 一種空中目標敵我識別邏輯模型[J]. 雷達與對抗，? 2013，? 33（1）：? 9-11.

Zhang Zhiqiang，? Qian Jiangang，? Lu Ruida.An IFF Logical Model for Air Targets[J]. Radar & ECM，? 2013，? 33（1）：? 9-11. （in Chinese）

[70] 戴江斌， 萬路軍， 沈堤. 聯合空域控制[M]. 北京： 航空工業出版社， 2019： 57-58.

Dai Jiangbin，? Wan Lujun，? Shen Di. Joint Air Battlefield Control[M]. Beijing：? Aviation Industry Press，? 2019：? 57-58. （in Chinese）

Review of? Friend-or-Foe Identification? for Air Target

Based on D-S Evidence Theory

Chen Zhiyuan1， Shen Di1*， Yu Fuping1， Chen Hongyang2， Zhao Kai3

（1. Air Force Engineering University，? Xian 710051，? China; 2. Unit 93175 of PLA，? Changchun 130000，? China;

3. Unit 32145 of PLA，? Xinxiang 453000，? China）

Abstract：?? As an uncertain reasoning tool，? D-S evidence theory can give full play to the advantages of multi-source information fusion and can improve the accuracy of friend-or-foe identification for air target. Starting from the practical application of friend-or-foe identification for air target，? this paper introduces the basic principle of D-S evidence theory and sorts out the key problems to be solved in friend-or-foe identification for air target. Then，? this paper summarizes and classifies the existing research methods from the two aspects of identification method and information fusion of friend-or-foe identification for air target，? and summarizes the advantages，? application scope and? use value of each method. In the end，? a new method? of friend-or-foe identification for air target? is proposed based on the existing research，? and? the application of D-S evidence in friend-or-foe identification for air target? is prospected.

Key words：? D-S? evidence theory; air target; friend-or-foe identification; recognition method; information fusion

收稿日期：2020-09-05

基金項目：國家社科基金項目（18XGL026）

作者簡介：陳致遠（1993-），男，河南洛陽人，碩士研究生，研究方向為航空管制指揮與安全。

通訊作者：沈堤（1983-），男，湖南瀏陽人，副教授，研究方向為空域規劃與管理。