基于改进DS理论多周期数据融合的目标识别方法

李捷13杨雪洲2,周亮I(1.电子科技大学通信抗干扰国家重点实验室，成都611731:2.四川九洲电器集团有限责任公司，四川绵阳621000)摘要:为了应对复杂战场环境下信息不确定性及证据冲突造成目标识别困难的问题，解决配准关联错误及应

答欺骗产生的误识别问题，减小融合算法对先验数据的依赖，提出了一种基于改进DS证据理论的多周期多传感器 数据融合方法以实现高效的战场目标识别=方法采用4个层级,两个方面的多传感器数据融合结构,在改进DS证据

理论处理性能的同时,充分利用多个周期识别结果的融合实现最终目标识别。仿真结果表明，该方法在提高目标识 别准确性的同时，能够有效解决目标密集和应答欺骗造成的目标误识别问题。关键词：目标识别,多传感器数据融合,改进DS证据理论,多周期中图分类号:TP202；TP212

文献标识码：A DOI: 10.3969/j.issn.l002-0640.2019.07.009引用格式:李捷,杨雪洲，周亮.基于改进DS理论多周期数据融合的目标识别方法[J].火力与指挥控制,2019,44

(7):43-4&Research on Target IdentiHcation Based on Improved DS

Evidence of Multi-period Fusion MethodLI Jie12,YANG Xue-zhou2,ZHOU Liang1(1 .National Key Laboratory of Communic ation Anti-interference, University of Electronic Science and

Technology of China, Chengdu 611731 ,China;2. Sichuan Jiuzhou Electronic Group Co.,Ltd.,Mianyang 621 (XX), China )Abstract:This paper presents a novel multi-period improved DS evidence fusion method to solve

the problem of target identification caused by information uncertainty and evidence combination in

complex battlefield environment. A fusion structure consisting of four levels and two aspects is used in the proposed method to improve the DS evidence processing performance. Additionally, historical

recognition information is fully utilized in the proposed method through multiple cycles of information

fusion to complete the final recognition. Numerical simulation results confirm the optimality of the proposed method and demonstrate it can effectively solve the problem of false recognition caused by the target density and the response deception while improving the identification performance.Key words: target recognition, multi-sensor data fusion, improved DS evidence theory, multi-periodCitation format:LI J, YANG X Z,ZHOU L.Research on target identification based on improved DS

evidence of multi-period fusion method[ J ].Fire Control & Command Control, 2019,44(7) :43-48.|去 结合通用或专用平台设备，在特定的时空范围内， 引弓 对目标属性、类型、态势等进行判别和确认,具有重 目标识别是指通过各种可利用的技术和手段，要的军事价值收稿日期:2018-07-15 修回日期：2018-08-23*基金项目：国防预研基金资助项目(41412010201,315090202, 41101080102)作者简介：李捷(1969-),女，四川绵阳人，博士，研究员级高级工程师。研究方向：多目标跟踪与识别技术、多传感器数据

融合技术、大数据与人工智能技术。• 43 •（总第 44-1156）火力与指挥控制2019年第7期目标属性识别作为目标识别的重要组成部分, 是掌握战场态势，防止误伤，打赢现代化信息战争 的重要前提。多传感器数据融合利用传感器性能的互补和

冗余，扩大了传感器探测的时间覆盖范围、空间覆

盖范围和频率覆盖范围;提高了目标探测判决置信

度，降低了模糊性，增强了可靠性和容错能力，也增

强了抗干扰能力，已成为复杂战场环境下目标属性

精确识别的重要技术手段［M1o文献［7-8］提出了一系列基于Bayesian推理的 数据融合方法，具有较好的融合效果，但算法对先

验信息的获取有较高的要求，文献［9-10］将模糊集 理论用于多传感器数据融合，很好地解决了数据信

息不确定问题，且具有较小的计算复杂度，但这些

方案除了要求具备一定的先验知识外对指标的选

取也有较为严苛的要求;文献［11-12］采用DS证据 理论进行多源数据融合，减小了对先验知识的依赖

性，但这些方法都采用单周期的融合方式,忽略了

历史识别信息对融合性能的影响，且对证据冲突的

情况考虑不够。为此，本文提出了一种基于改进DS 证据理论的多周期数据融合方法，以应对复杂战场

环境对目标属性识别造成的困难。1 改进DS证据组合方法DS证据组合方法能够在不需要先验信息的条 件下完成多传感器数据融合判决，考虑到不同平台

不同传感器获取信息之间可能存在冲突，一旦传感

器信息属性指向之间存在冲突，则会造成融合效能 的下降，从而不能准确识别目标属性。为了解决具

有互补性、冗余性和模糊性的识别证据之间的融合

处理问题,得到更加准确、可靠的识别结果,在典型

DS方法的基础上，提出一种改进的DS组合方法，

其算法流程如图1所示，该方法针对识别信息的不 同冲突情况采用处理过程控制，使用相应的处理结

构、融合计算方式。图1所示的处理流程根据不同的识别信息冲 突情况选择合理的处理结构和组合计算方法,采用

同维度转换模型三层次识别证据“低信度先融合，

高信度后融合”的分层截断融合结构，减小低置信

度识别信息干扰，使得识别结果在高信度证据快速 收敛。1.1关联质量加权依据关联配准环节输出的关联质量和关联多

义性，对发生关联多义性的传感器的基本信任值进 行加权。・44・图1基于改进DS证据理论的融合优化控制流程1.2识别信源稳定性加权依据多周期信源的稳定性，对传感器的基本信

任值加权，假设第i个传感器在第A个周期是有应

答、而在第k+1个周期是无应答，那么可判定该信

源的稳定性较差，进而应该适当降低该传感器的基

本信任值。1.3识别信息冲突判断识别信息冲突是指识别信息的目标属性指向

不同或者模糊，包括以下两类情况：两个识别证据 的目标属性指向单一且不一致；两个识别证据的目

标属性指向模糊，不同的目标属性指向分量之间存

在冲突。1.4 \"一票否决”风险规避在识别证据目标属性指向模糊的情况下,有可

能存在某个目标属性被大多数的识别证据所支持，

被个别识别证据否定的情况。为了避免“一票否决” 风险，使得最终目标属性识别结果准确可靠，采用

识别证据相似性度量方法来调整置信度在目标属

性指向的分配。假定识别框架®的两个证据&和

伤,对应的基本信任分配函数为m和也,支持的目 标属性指向为儿和则证据间的相似性可用系数

C12来表示：工\"(4)加2(场)c —占仃巧=去拠______________ (1)相似系数用来描述证据间的相似程度， C12e{0,l}oC12越大，目标属性的确定性越好。基于

识别证据相似性的组合计算步骤包括：李捷,等:基于改进DS理论多周期数据融合的目标识别方法(总第 44-1157)1)计算识别证据的相似系数，给出相似矩阵；

假定识别证据数量为n,用式(1)可计算出识别证

据E.和Q间的相似系数，并可表示为相似矩阵M：1M =Qi(2)C”212)计算各个识别证据的支持度和可信度； 将相似矩阵M的每行元素相加得到各证据对E,的支持度为：Sup(冋)=工q (/,7=1,2,—,»)丿(3)=1Sup(m.)表示证据E,被其他证据所支持的程度。如 果一个证据和其他证据都比较相似,则认为它们相

互支持的程度也高；相反，如果一个证据与其他证

据的相似程度较低，则认为它们相互支持的程度也

较低。识别证据可信度利用支持度进行表示和计算：Crd (% ) = fuPSJ i,丿=1,2,…,\"工 Sup(“)(4)J=1可信度Crd(g)反映的是证据E,的可信程度。

一般情况下，一个证据被其他证据所支持的程度越

高,该证据的可信度就越大,即证据越可信；如果一

个证据不被其他证据所支持，则认为该证据的可信

度较低。3)将可信度作为权重，对证据的基本信任分 配进行加权平均：巾(4)= z Crd(w, (4 ))-^,(4)Ah UA gJ?j(5)/ = 1,2,-4)用DS合成规则组合加权平均证据，当有n

组证据时，组合«-1次。1.5不同冲突大小程度的融合处理在识别处理中，不同识别证据的冲突程度大小

不同，需要选用合适的处理方式来解决冲突。设识 别框架®的两个证据E,和E2,对应的基本信任分 配函数为®和牝，支持的目标属性指向为久和

则证据间的冲突强度为：G g,坊)=----Con%,：)---------c ' 2 //(£„£2) + Con(E„£2)(6)其中,Con(EHE2)描述的是证据Ei和爲之间信任 分配函数的冲突量,计算方式为：Con(£,,£2)= 门巧=X40(7)H(Et,E2)描述的是证据E,和E2之间信任分配

函数的一致量，计算方式为：H(E“E2)=工 m⑷m(BJ

(8)4=与冲突强度Ge(Et,E2)由两个识别证据&和伤之

间的冲突信度部分所占比例进行描述。当 Gc(E„E2) = l时為和於之间完全冲突；当

Gc(E„E2) = O时，你和彷之间完全没有冲突。因此，当冲突强度Gc(E„E2)>a时,Q和&之

间为强冲突，否则为弱冲突。门限值。根据相关研

究在区间［0.6,0.95］进行选取。不同冲突强度的处

理流程不同。1)强冲突融合处理。根据不同传感器的工作机 制以及交战规则限制，不同特征信息的目标属性指 向主要从目标属性层、目标识别层和行为态势层3 个层次进行识别信息——目标属性转换处理。3个层

次定义描述如下：目标属性层：目标属性层是指无需通过更多的 识别信息处理步骤,仅通过目标能够与识别主体通

过加密协作式信源进行信息交互这一特征，就可认

定目标敌我属性的处理层次。目标识别层：目标识别层主要针对非协作式信

源获取的识别信息进行目标身份、特征推理的处理。行为态势层:行为态势层主要是指基于目标的 动态识别信息(位置信息)结合相关的目标身份信

息，从飞行计划验证和交战规则认定两个方面进行 目标敌我属性指向的处理层次，这两个方面的认定

在美军战斗识别的概念中统称为程序认定。在识别信息出现强冲突的情况下，按照证据建

模研究的识别信息对目标属性判断的不同贡献层 次，分别从上述3个层次进行多级截断融合,即将部 分识别证据先进行融合,进行局部判决,使得强冲突

信息导致的不合理识别结果截断.不影响后续的识

别判断。建立如下页图2所示的多级组合结构。图2所示的多级分层截断融合处理结构，完成 了对不同层次识别信息的融合处理。首先完成目标属性层、目标识别层和行为态势 层的内部融合，得到不同层次信息关于目标的目标

属性判断;在各个层次进行内部融合的处理时，利用

典型的DS冲突处理方法得到识别结果，由此得到的

识别结果是一种目标属性指向模糊的中间结果。其次，分别计算不同层次识别结果之间的冲突 强度,在强冲突情况下按照多级分层截断融合处理

结构进行识别证据的顺序组合判决。首先进行行为• 45 •（总第 44-1158）火力与指挥控制2019年第7期图2强冲突信息多级分层截断融合处理结构态势层与目标识别层的一级组合判决，再进行目标

属性层、历史识别结果的二级和三级组合判决。如 果存在人工判定，则优先以人工判定结果为主进行

识别。各级处理都要对中间识别结果进行判决，对于

不满足要求的中间识别结果则将其判为不明目标 属性。判决准则利用绝对门限和相对门限的概念，

具体包括:①冲突处理后的置信度最高目标属性的

置信度应当大于绝对门限;②冲突处理后的置信度

最高目标属性的置信度与次高置信度之差应当大于 相对门限;③在满足上述两个条件的情况下，置信

度最高目标属性为目标最终目标属性；④在不满足

上述两个条件的情况下，目标判断为不明。根据这种多级阶段融合结构进行识别处理，可

避免低信度证据对识别结果的干扰，同时基于多个

识别周期的识别结果累积，也能够提高识别判断的 可靠性。2）弱冲突数据融合处理。在识别信息弱冲突

的情况下，进行如图3所示的并行融合处理。在这

种情况下，不同层级识别信息利用典型DS冲突组 合判决方法进行处理即可，可充分利用各层次识别

信息对目标属性进行判断，减少信息损失。1.6基于证据相似性的组合处理假设传感器1、2、3针对目标属性1的指向性, 且为加密信源，则可在同一层次进行DS组合处理, 假设信源4,5,6,7针对目标属性2的指向性，且为

非加密信源，则可在另一个层次进行DS组合处理。2多周期融合方法多周期融合是对历史识别信息的累积。历史信

息与当前周期识别信息的融合根据二者是否冲突・46・划分为两类情况。2.1历史信息与当前周期识别信息不冲突在二者不冲突的情况下,历史信息与当前周期

识别信息基于DS组合理论方法进行融合。多周期 识别叠代能够很好地整合利用不同数据率的协作

式传感器信息，得到高置信度目标识别结果，实现 对目标属性的确认。2.2历史信息与当前周期识别信息冲突根据协作式信源工作机制，协作识别双方基于

共同的约定进行识别，协作式传感器获取协作目标

特征的准确性高。所以基于目标多属性的多元协作

式敌我识别中的融合冲突，主要是由目标密集导致 的识别信息配准关联错误引起的。为了有效解决目标密集导致的识别错误，可利

用多周期识别信息的叠代来消除冲突，得到可靠稳

定的识别结果。冲突情况下的多周期识别叠代的一 般过程如图4所不。J I2翻髦勰肯限…图4多周期信息冲突识别叠代过程示意图如图4所示，历史识别结果为目标属性1,当前

识别结果为目标属性2O经过前3个周期的融合，目

标属性1的置信度被不断降低。在第3个识别周期 融合后，目标属性1置信度在目标属性翻转判决门

限以下，则进行目标属性翻转，将目标识别为属性 2,并经过4、5、6周期的融合确认使得属性2的置李 捷,等:基于改进DS理论多周期数据融合的目标识别方法（总第 44-1159）信度不断提高。属性翻转判决门限的范围选取受到 识别置信度范围、识别背景和识别结果使用方的共 同影响，在实际识别中可根据需要灵活调整。3多周期改进DS证据理论融合方法多周期改进DS数据融合算法采用复合式数据

融合处理结构，基本流程如图5所示，包括4个层

级,2个方面的融合：第1级奧口

第2级融合

「木平台识别结果第3

级分发多属性信息I I 分发识如结果信息融' I

合

--------多平台识别信息融合二--------

第4级融合

图5多周期改进DS数据融合算法流程图第1级融合：各类机载传感器内部的融合处

理，将证据建模的基本置信度和附加静态信息的合

法性验证结果进行融合，得到各个信源对目标的属

性判断；第2级融合：基于本平台内各个传感器的识别 结果，再结合基于动态信息的程序认定识别结果进

行融合处理，得到本平台多信源对目标的属性判断;第3级融合:本平台的目标属性判断与其他协

作平台分发共享的关于识别目标的多属性信息和

识别结果进行融合，得到本次识别周期的目标属性

判断；第4级融合:本周期的目标属性判断与历史识

别结果进行融合,得到关于目标属性的最终判断：其中，前三级融合是属于当前识别处理周期的

单周期融合处理，采用改进DS证据理论的融合方

法;第4级融合属于利用多周期历史识别信息的融 合处理。4仿真与验证为验证多周期DS数据融合算法的性能，本文

构建了一个由4个属性2目标(11, 12.22,23),2

个属性1目标(81,82)和一个识别主体(11)构成的 目标态势场景，如图6所示。-1D22:平台 2_平台 41D23ID82:：壬台平台35图6场景目标态势分布

其中，识别主体11负责对某海域进行监视支援，属性

2冃标22,23与属性1冃标81,82进行互相监视，其 中81号目标在面对识别主体识别的情况下，将22号

目标的传感器1信号进行转发欺骗。另外，场景中同 时有属性2目标12在执行完侦查任务后返航。图7对比分析了本文算法与经典DS算法对12 号目标的识别性能，由仿真结果可见，与单周期融

合相比，多周期融合算法能够有效提高目标12的

属性确认置信度；另外，在单周期融合下，本文算法

对目标12的属性确认置信度高于经典DS算法，这 是因为本文算法除了利用历史识别信息进行多周

期融合外,对经典DS算法进行了改进。值得注意的

是，从仿真结果易见本文算法仅需要较少周期的融 合即可以达到性能稳定，算法收敛速度远快于对经 典DS算法进行多周期融合的方案。1性能对比图-(12号目标)095

9.

—经典DS方法

0.85

*多周期DS方法010

20 30 40识别周期图7不同融合方法下12号目标识别对比图・47・(总第 44-1160)火力与指挥控制2019年第7期图8表示识别主体对81号目标（属性为1）的 识别过程,通过仿真实验验证了本文算法抗欺骗干 扰的性能。场景态势中,81号目标恶意转发22号目

标（属性为2）的信号。由仿真结果可见，本文算法识

别准确度优于传统算法之外,81号目标也不会出现

属性2与属性4之间的闪烁,这是因为历史多周期 的DS组合方法，利用了历史识别信息充分融合作 为支持目标判断为属性4的有力证据，从而有效抵

抗81号目标的恶意欺骗。140300130 宅120

200冷菁110100 10011 •真实态势1•传感器1 10~1 •0 6

20 30~40♦真实态势1衿愿器｝ 0

10

20 30 40识别周期识别周期图8多周期DS方法下81号目标识别图9表示识别主体对23号目标（属性为2）的 识别过程,通过仿真实验，验证了本文算法在目标

密集场景下的识别有效性。仿真实验中23号目标

和82号目标位置非常接近。仿真试验表明，本文算 法在改进传统算法性能的同时，很好地解决了密集

目标条件下的目标识别问题。231号目标证据建模输出1性能对比图-（23号目标）LM匚貓駱札1D 10 20 30

400.85'10 20 30 40识别周期识别周期图9多周期DS方法下23号目标识别5结论本文研究了复杂战场环境下目标识别问题，提

出了一种基于多周期改进DS证据理论的多传感器 数据融合方法，以解决证据冲突和信息不确定性造 成的目标识别困难，算法通过4个层级，两个方面的

・48・融合实现单周期的传感器内部融合、本平台信息融

合及平台间信息融合，在改进DS处理性能的同时， 充分利用历史识别信息，通过本周期识别信息和历

史识别信息融合完成最终目标识别。仿真实验结果

验证了识别方法的有效性，该方法不仅能够有效提高

对“我”方目标准确识别的置信度,而且能够解决由于

目标密集和恶意欺骗造成目标错误识别的问题。参考文献：[1] BO ONPOONGA 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.[2] 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)：498-503.[3] ROOS F,SADEGHI-i M,Bechter J, et al. Ghost target iden­

tification by analysis of the Doppler distribution in automotive scenarios [C]//2017 18th International Radar Symposium

(IRS), 2017:1-8.[4] JIANG L, YAN L P,XIA Y Q,et al. Asynchronous multirate

multisensor data fusion over unreliable measurements with

correlated noise [J ]. IEEE Transactions on Aerospace and

Electronic Systems, 2017(99)： 1-1.[5] YAN J K,LIU H W,PU W Q,et al. Benefit analysis of data

fusion for target tracking in multiple radar system [ J ]. IEEE

Sensors Journal, 2016, 16(16):6359-6366[6] XIONG J,LI F M,LIU J. Fusion of different height pyroelec­

tric infrared sensors for person identification [J]. IEEE Sen­

sors Journal, 2016, 16(2):436-446.[7] PAOLA A D,FERRARO P,GAGLIO S. An adaptive

bayesian system for context-aware data fusion in smart environments J ]. IEEE Transactions on Mobile Computing, 2017, 16(6):1502-1515.[8] HOANG G M,DENIS B,HARRI J.Robust and low complexi

ty bayesian data fusion for hybrid cooperative vehicular local

ization [C J//2017 IEEE Intermational Conference on

Comm-unications (ICC), 2017:1-6.[9] JIAN L,XIA Z H,LIANG X N,et al. Multiple kernel fuzzy

svm-based data fusion for improving peptide identification [j]. IEEE/ACM Transactions on Computational Biology and

Bioinformatics, 2016, 13(4):804-809.[10] VATORS K K,STOPOULOS C A. Data fusion and type-2

fuzzy inference in contextual data stream monitoring [ J ].

IEEE Transactions on Systems, 2017, 47(8): 1839-1853.[11] DENOEUX T, ZOGHBY N E, CHERFAOUI V, et al. Opti­

mal object association in the dempster-shafer framework [ J」. IEEE Transactions on Cybernetics, 2014, 44 (12)： 2521-2531.[12] KANJANATARAKUL 0,DENOEUX T. Distributed data

fusion in the dempster-shafer framework [C ]// 2017 12th System of Systems Engineering Conference (SoSE), 2017 ：

1-6.