基于特征融合與規(guī)則推理的目標識別?

萬洪容

基于特征融合與規(guī)則推理的目標識別?

萬洪容

（中國西南電子技術研究所，成都610036）

為了在干擾電磁環(huán)境下提高輻射源和平臺目標識別的可靠性，建立了特征級和決策級的分級融合識別框架，通過特征相關和匹配置信度融合進行輻射源識別，提出了基于粗糙集規(guī)則推理目標識別決策方法。仿真結果表明該方法能增強目標識別的容錯性。

目標識別；規(guī)則推理；置信度；識別決策

1 引言

在現(xiàn)代電子戰(zhàn)中，輻射源及其裝載平臺目標識別是戰(zhàn)場態(tài)勢感知的基礎，與武器裝備作戰(zhàn)效能緊密相關?？煽康哪繕俗R別可提高狀態(tài)和身份估計的精度，擴展態(tài)勢感知的時間和空間覆蓋范圍，改善對目標的探測能力，提高合成信息的精度、可信度以及威脅判定的實時性、準確性，從而對戰(zhàn)場態(tài)勢作出完整的評價，支持指揮決策、戰(zhàn)場預警和火力打擊。

高性能電子信息裝備的應用使不同的裝備裝載于同一平臺，利用其在同一時間出現(xiàn)在同一空域遂行任務的優(yōu)勢，實現(xiàn)不同功能的裝備集成，裝備的綜合集成為不同分析方法、不同信息源的關聯(lián)提供了良好的條件，利用多種傳感器偵察與探測等獲得特征信息，識別出輻射源，由統(tǒng)計數(shù)據(jù)和裝備手冊，建立平臺裝備與其裝載的輻射源的關系，通過數(shù)據(jù)綜合相關和融合，以及智能化的推理技術對不完整、時變的信息進行綜合相關、去重互補，可實現(xiàn)對目標平臺的識別［1-2］。

電磁環(huán)境的復雜，對目標識別提出了更高的要求，對輻射源及其裝載平臺的識別已有專家系統(tǒng)或模糊理論方法［3-5］，這些方法需要完備的專家知識庫或構造模糊隸屬函數(shù)，缺少干擾電磁環(huán)境下殘缺測量特征參數(shù)的處理分析，而粗糙集（Rough Set，也稱Rough集、粗集）理論是一種能夠定量分析處理不精確、不一致、不完整信息與知識的數(shù)學工具［6］。本文針對在沒有完備的專家知識庫或不能構造模糊隸屬函數(shù)的情況，提出粗集規(guī)則推理的方法解決不完整信息的平臺目標識別方法。

2 目標識別框架

建立目標識別框架是為了實現(xiàn)和驗證目標識別功能的有效性，識別框架提供了基礎支撐數(shù)據(jù)源、識別處理、數(shù)據(jù)存儲以及性能評估仿真支撐平臺。目標識別采用分級融合識別即特征級識別和決策級識別，是基礎數(shù)據(jù)分離的分層信息處理框架，可以適應不同環(huán)境和任務對目標識別的要求。

目標識別需要通過各傳感器獲取信息，包括雷達、ESM、光電、敵我識別等傳感器探測信息以及數(shù)據(jù)鏈等外部信息，可模擬戰(zhàn)場環(huán)境下分布式的多傳感器對多目標的探測、目標想定和探測數(shù)據(jù)生成，通過預處理對數(shù)據(jù)進行規(guī)范化和野值剔除，通過時間和空間相關形成對關于目標的統(tǒng)一特征矢量，在輻射源特征知識庫支撐下通過模式匹配完成輻射源識別，基于輻射源識別結果結合規(guī)則知識庫進行平臺目標屬性決策，處理過程數(shù)據(jù)和結果入庫存儲，通過綜合顯示可進行輻射源、探測傳感器與機動目標的位置、參數(shù)的動態(tài)顯示，通過性能評估給出目標識別指標統(tǒng)計結果。目標識別框架如圖1所示。

定義數(shù)據(jù)記錄集S=｛U，A，V，f｝，其中U為傳感器數(shù)據(jù)記錄集合，A為輻射源屬性的集合，V為各屬性的值域，f為總映射函數(shù)。在當前時間點的輻射源記錄集上定義關系RF，關系RF將記錄集分成N個等價類，這些等價類中的輻射源記錄都是同一源的相關信息，有N個等價類就有N個不同的源。例如，若提取關鍵屬性集B=｛脈寬｝，屬性集B定義的關系RB如下：

則對應的近似空間為A=｛U，RB｝，等價類表示為U／RB，每一個等價類中的輻射源記錄相關為同一輻射源記錄，滿足｜B（a）-B（b）｜≤Δ，解釋為記錄a的脈寬值與記錄b的脈寬值在誤差允許范圍Δ內(nèi)相關。

3.2多特征融合的輻射源類型

由于探測設備和電磁環(huán)境的干擾，測量存在系統(tǒng)誤差和隨機誤差，特征參數(shù)具有一定的誤差，所以通常采用模式匹配法結合加權融合識別輻射源類型。

對于頻率、幅度、脈沖寬度、重頻等取值連續(xù)的參數(shù)，使用如下方法計算匹配置信度：

圖1 目標識別框架Fig.1 Framework for target identification

3 特征數(shù)據(jù)相關和融合

通過無源探測系統(tǒng)接收雷達、通信、敵我識別等設備的輻射信號從而獲取輻射源的特征參數(shù)，各設備探測的目標特征從不同的角度描述了目標屬性，通過數(shù)據(jù)相關融合形成目標特征的統(tǒng)一描述即目標特征屬性集，通過與先驗特征知識庫的模式匹配，完成輻射源識別。

3.1特征數(shù)據(jù)相關生成輻射源數(shù)據(jù)鏈表

裝載在同一個平臺目標的輻射源，一定具有空間和時間相關特性，因此可將數(shù)據(jù)信息中當前時間點上記錄中同源多條記錄信息相關成一條記錄，形成特征矢量屬性集入數(shù)據(jù)鏈表。

式中，conf是參數(shù)的測量值，min為參數(shù)取值范圍的下限，max為參數(shù)取值范圍的上限。而inf是參數(shù)的下限擴展，sup是參數(shù)的上限擴展，與傳感器測量的精度有關。一般其擴展幅度不超過3倍誤差均值。

對于信號體制、調(diào)制方式等離散的參數(shù)，若匹配，CF=1；反之，CF=0。

對各特征參數(shù)的置信度進行融合，體現(xiàn)各特征參數(shù)在識別中的作用，對各特征參數(shù)的權重進行設置，設匹配后各特征參數(shù)置信度集合為CF=｛CF1，CF2，…，CFk｝，權重集合為W=｛W1，W2，…，Wk｝，融合后綜合置信度為

在沒有專家經(jīng)驗和先驗知識的情況下，無法確定置信度的融合模型，則各參數(shù)置信度進行等權融合處理，在置信度閾值范圍內(nèi)依據(jù)最大置信度的原則完成輻射源類型識別。若融合置信度不在置信度閾值范圍內(nèi)，則將對應的特征矢量作為新類型的知識累積更新輻射源知識庫。

4 基于粗糙集的規(guī)則推理識別

由于輻射源與裝載平臺之間沒有定量的關系描述，而粗糙集方法具有直接從問題描述集合出發(fā)發(fā)現(xiàn)問題內(nèi)在規(guī)律的特點，不需要預先給定特征或?qū)傩缘亩棵枋?，如模糊集理論中的隸屬度或隸屬函數(shù)等，所以利用粗糙集方法的規(guī)則推理給出從輻射源集合到平臺目標集合之間映射關系進而完成平臺目標的識別。

利用粗集方法進行目標識別，需將目標屬性數(shù)據(jù)進行約簡，減少冗余信息，得到屬性規(guī)約集，并抽取規(guī)則，利用所得的規(guī)則進行目標類型的判定。目標屬性約簡即對大量的目標屬性數(shù)據(jù)泛化，整理成二維屬性信息表，形成可辨識的矩陣求出目標屬性的核，將核屬性入屬性約簡后的屬性集合。規(guī)則的抽取即對信息表進行值約簡，對目標信息表的條件屬性進行考查，分析沖突記錄并保留，刪除重復或重語義記錄，經(jīng)過約簡后的信息表，屬性值均為值核，所有記錄就是目標判決的規(guī)則。

粗集規(guī)則推理識別是利用已建立的規(guī)則即條件集輻射源型號集合R中的子集到結論集平臺集合P中的元素之間的映射關系，進行從條件集R到結論集P的推理，得出平臺識別結果。輻射源型號用fh1，fh2，…，fhi表示，平臺型號用g1，g2，…，gk表示，則R=｛fh1，fh2，…，fhi｝，P=｛g1，g2，…，gk｝，即作如下的推理：

其中還可能出現(xiàn)不確定推理如下：

直觀表示如圖2所示。

圖2 規(guī)則推理識別Fig.2 Rule-based reasoning identification

為了解決識別決策中的不確定性，采用Rough算子進行判決，首先利用源記錄生成決策表，分離出條件屬性和決策屬性，再運用概率合成解決平臺識別中不確定推理的決策問題。設φ和φ分別表示條件和決策集合。從φ→φ是決策規(guī)則，用｜φ｜表示在條件集S中φ的個體集合，在每一條決策規(guī)則中帶一個規(guī)則的Rough算子，它被定義為［7］

式中，φ為條件集，φ為結論集，K（S）表示集合S的基數(shù)，其值為0＜μ（φ，φ）＜l。Rough算子即為在給定條件φ的先驗概率下決策φ的條件概率。則平臺目標識別的決策概率為式中，φ為輻射源集，φ為平臺目標集，平臺目標的決策概率為所有決策φ有關的條件φ的概率與φ先驗概率乘積之和，而p（φ）=K（φ）／K（U）是φ的先驗概率，即通過條件φ的先驗概率和決策規(guī)則的Rough算子來計算φ的決策概率，通過概率合成得出數(shù)據(jù)集中某一平臺目標結論的決策置信度，從而得出目標識別的判決結果。

假設由傳感器探測在時刻t，位置（L，B，H）平臺的輻射源為a、k、l、m，提取規(guī)則知識庫得規(guī)則知識決策子集示例如表1所示。

表1 規(guī)則子集示例Table 1 Rules sub-set example

則平臺的決策可信度為

根據(jù)式（7）～（9）可計算各平臺目標的決策可信度，進而完成目標識別決策。

5 仿真結果與分析

依據(jù)圖1所示的識別框架建立仿真系統(tǒng)，對加載有雷達、通信等輻射源的平臺目標進行探測，仿真ESM、通信偵察和敵我識別設備探測信息，目標屬性特征包括技術體制、工作頻率、重復頻率、脈寬、脈沖體制、極化特征、調(diào)制方式、數(shù)據(jù)率等，想定目標數(shù)分別為20批次、70批次、100批次、200批次、500批次，包括艦船平臺目標和飛機平臺目標。

為了檢驗算法的容錯性能，設置測量特征參數(shù)完整性不同的情況下對識別率的影響，分別設置參數(shù)無殘缺、一個參數(shù)殘缺以及兩個參數(shù)殘缺的情況，對算法的容錯性能進行比較。

使用不同想定目標數(shù)和屬性特征參數(shù)完整性不同的用例，對目標識別的性能進行仿真實驗評估，將傳統(tǒng)的產(chǎn)生式規(guī)則推理與基于粗集的規(guī)則推理識別的性能仿真結果進行比較。將各不同目標批次下的目標識別率進行統(tǒng)計平均，結果如表2所示。

表2 目標識別率Table 2 Target recognition rate

表2中的正確識別率即在統(tǒng)計時間段內(nèi)目標識別結果正確的目標數(shù)與仿真想定的總目標數(shù)的比值，錯誤識別率即目標識別結果錯誤的目標數(shù)與仿真想定的總目標數(shù)的比值，模糊識別率即沒有識別出的目標數(shù)與仿真想定的總目標數(shù)的比值。從表2中的仿真結果可見，在目標參數(shù)完整的情況下，產(chǎn)生式規(guī)則推理與基于粗集的規(guī)則推理識別性能相當，在目標參數(shù)殘缺的情況下基于粗集的規(guī)則推理識別正確率比較高，表明基于粗集的規(guī)則推理識別有比較好的容錯性能。

6 結束語

本文針對干擾環(huán)境下探測信息的不確定性和不完整性，建立了多級分層的靈活高效能的識別框架，提出基于粗糙集的規(guī)則推理識別的方法，可以用在數(shù)據(jù)不充分、不完整、存在噪聲甚至一定程度上需要容錯處理的場合，或難以建立精確的數(shù)學模型等情況，可在探測參數(shù)不完整的情況下保持較高的識別率，在融合系統(tǒng)或綜合信息處理系統(tǒng)中采用可增強系統(tǒng)的抗干擾能力。

［1］南建設.電子信息裝備一體化的思考［J］.電訊技術，2009，49（4）：37-40.

NAN Jian-she.Conception for Integrative Design of Electronic Informatin Equipment［J］.Telecommunication Engineering，2009，49（4）：37-40.（in Chinese）

［2］南建設.目標綜合識別系統(tǒng)研究［J］.電訊技術，2007，47（5）：74-77.

NAN Jian-she.Study on an Integrated Target Identification System［J］.Telecommunication Engineering，2007，47（5）：74 -77.（in Chinese）

［3］陳錫明.智能化雷達輻射源型號識別及其實現(xiàn)［J］.系統(tǒng)工程與電子技術，2001，23（7）：1-3.

CHEN Xi-ming.A Method of Recognizing Radar-Source′s Model Intelligently and Its Implementation［J］.Systems Engineering and Electronics，2001，23（7）：1-3.（in Chinese）

［4］陳錫明.新型雷達輻射源識別專家系統(tǒng)的研究與實現(xiàn)［J］.系統(tǒng)工程與電子技術，2000，22（7）：58-62.

CHEN Xi-ming.Research and Implementation on New Radar Radiating-Source Recognizing System［J］.Systems Engineering and Electronics，2000，22（7）：58-62.（in Chinese）

［5］陳懷新.南建設，基于多特征參量模糊數(shù)據(jù)融合的輻射源識別［J］.電訊技術，2003，43（4）：11-14.

CHEN Huai-xin，NAN Jian-she.Emmiter Rcongnition Using Fuzzy-based Multi-feature Data Fusion［J］.Telecommunication Engineering，2003，43（4）：11-14.（in Chinese）

［6］王國胤.粗糙集理論應用研究綜述［J］.計算機學報，2009，32（7）：1229-1245.

WANG Guo-yin.A Survey on Rough Set Theory and Application［J］.Chinese Journal of Computers，2009，32（7）：1229 -1245.（in Chinese）

［7］劉清，黃兆華，劉少輝，等.帶Rough算子的決策規(guī)則及數(shù)據(jù)挖掘中的軟計算［J］.計算機研究與發(fā)展，1999，36（7）：800-804.

LIU Qing，HUANG Zhao-hua，LIU Shao-hui，et al.Decision Rules with Rough Oparator and Soft Computing of Data Mining［J］.Journal of Computer Research＆Development，1999，36（7）：800-804.（in Chinese）

Target Recognition Based on Muti-feature Fusion and Rule-based Reasoning

WAN Hong-rong
（Southwest China Institute of Electronic Technology，Chengdu 610036，China）

For improving the reliability of the emitter and target identification in interference environment，a framework for target identification is designed which has classification of the feature level and decision level.Emitters are identified by characteristics association and matching confidence fusion.Rule-based reasoning on rough sets is proposed.The simulation results show that the method can enhance the fault tolerance of the target recognition.

target recognition；rule-based reasoning；confidence；recognition decision

The National Defense Pre-research Project during the 11th Five-year Plan

TN97；TP18

A

10.3969／j.issn.1001-893x.2012.05.010

萬洪容（1968—），女，四川犍為人，高級工程師，主要從事信息處理研究工作。

1001-893X（2012）05-0654-04

2012-03-31；

2012-04-24

“十一五”國防預先研究課題

WAN Hong-rong was born in Qianwei，Sichuan Province，in 1968.She is now a sensior engineer.Her reaserch concerns information processing.

Email：wanhongrong-001＠163.com