基于動態(tài)證據(jù)推理的異常航路目標檢測

李 立，王文旭，梁 彥

（西北工業(yè)大學 陜西 西安 710072）

對于遠程預警系統(tǒng)來說，考慮到偽裝航路目標的存在，偽裝航路目標在飛行過程中，不斷地在不同航路之間切換，這就需要我們在分類過程中，特別注意目標分類屬性的變化。這就要求航跡分類不僅僅要得到某一時刻目標的屬性分類，同時還要實現(xiàn)對目標屬性變化的檢測。

但是目前為止，國內(nèi)外相關的航路/非航路目標分類算法，都是在概率框架下基于貝葉斯理論的[1-3]。其對于航路/非航路分類問題，存在嚴重的挑戰(zhàn)：1）性能指標是在樣本數(shù)趨于無窮大下定義的，而對于低信噪比跟蹤系統(tǒng)來說，環(huán)境、目標變化非平穩(wěn)，可獲得的數(shù)據(jù)少，是典型的小樣本問題。2）貝葉斯理論要求先驗概率，而對于航跡航路相關問題，其并不是具有統(tǒng)計意義的，難以給出先驗概率。3）條件概率統(tǒng)計困難。4）由于觀測數(shù)據(jù)具有很大隨機性和不確定性，在密集區(qū)域的航跡很難被準確地分給某一航路，基于概率框架的硬決策會出現(xiàn)誤分的現(xiàn)象，其可能會導致災難性的后果。

因此，本文考慮證據(jù)推理在處理不確定信息上具有獨特優(yōu)勢，采用基于證據(jù)推理框架下的航跡航路相關。在目前證據(jù)推理研究中，一般待決策的推理或融合結果具有確定和時不變的特征[4-6]。因此，本文中我們采用動態(tài)證據(jù)推理（Dynamic Evidential Reasoning，DER）[7]用于對時變目標的多源證據(jù)融合，DER在融合過程中其辨識框架不再如傳統(tǒng)的證據(jù)推理那樣保持不變，而是隨證據(jù)數(shù)目動態(tài)變化的。由此，不僅可以實現(xiàn)對目標識別的同時對目標的屬性變化進行檢測。

1 基于證據(jù)推理的航跡航路分類

本文采用的是雷達地理直角坐標系，我們考慮的是平面模型，忽略地球曲率，航路看做地球水平面上一條線段，設航路端點的坐標分別為 W1（x1，y1，z1），W2（x2，y2，z2），如果目標嚴格在航路上飛行，那么目標狀態(tài)位置和航向上嚴格受航路約束，即滿足方程（1），（2），如下面所述：

即 A2=b2，A2=[0 0 0-（y2-y1） x2-x10]，b2=0。

正常情況下，航路目標沿著航路飛行，考慮到飛機的偏航誤差，因此假設目標的真實狀態(tài) xk=col{x，y，z，，，}與嚴格航路目標狀態(tài)偏差服從正態(tài)分布，由此，可以得到下式：

k時刻的空中目標的狀態(tài)估計包括X-Y-Z直角坐標系的位置及其速度估計為其相應的協(xié)方差矩陣為∑k|k?？紤]到代入式（15）中，我們得到：

現(xiàn)在主要有3種基本置信指派的構造方法：通過一種線性或非線性的函數(shù)將信息源映射到[0，1]空間，雖然速度很快，但是由于多利用非線性函數(shù)，因此可能丟失一些原始數(shù)據(jù)中的有用信息；通過神經(jīng)網(wǎng)絡的的方法映射，但是其訓練過程較慢；通過概率函數(shù)的方法，其對先驗信息要求較高。本文考慮采用的是概率分布函數(shù)以及線性函數(shù)的方法。

1）距離因子

航跡點與某航段的距離，可反映該航跡點處于該航段的可能性大小，由此根據(jù)位置信息，構造航跡點偏離航路距離的統(tǒng)計量，作為航跡點與航路的一致性的度量，并稱之為距離因子。如果航跡點屬于航路Lj，則其估計值滿足由此，我們定義距離因子如下：

如果在k時刻，航跡i與航路Lj的距離為，那么我們可以構造函數(shù)如下：

圖1 概率分布函數(shù)法mass函數(shù)構造示意圖Fig.1 The diagram of building the mass function based on probability distribution function

2）弦長因子

以預測量測值為中心形成的波門反映了目標可能的觀測區(qū)域。該區(qū)域與航路產(chǎn)生的弦長在一定程度上反映了航路目標存在的可能性。即弦長越長則該航路目標落入波門的可能性越大，即對目標屬于該航路的支持越高，如圖2所示，雖然航跡點與航路1和航路2的距離相同，即d1=d2，但是這不能說明航跡點與兩條航路的關聯(lián)程度相同，即僅僅根據(jù)距離因子不能充分地表達航跡點屬于航路的可能性。由此，我們提出了弦長因子，也即航路截取相關波門弦長的大小，作為距離上的補充，來度量航跡點與航路的一致性。

圖2 弦長因子示意圖Fig.2 The chord length index

如圖2所示，圖中航路1在當前航跡點的相關波門內(nèi)的弦長為l1，航路2在當前航跡點的相關波門內(nèi)的弦長為l2。由此，我們可以構造函數(shù)如下：

3）航向因子

航向因子，指的是利用速度信息，構造與航跡點偏離航路方向等價的統(tǒng)計量，作為航跡點與航路在航向上一致程度的度量。

如果目標沿著航路Lj飛行，則其估計值滿足由此，我們定義航向因子如下：

2 多特征融合

Shafer提出了一種目前最常用的可靠性證據(jù)折扣方法。當每個證據(jù)的可靠度不一樣時，可以根據(jù)相應的可靠度對原始證據(jù)進行折扣處理，并且把折扣掉的信息分給未知焦元Θ。

其中αi是mi（·）的可靠度又稱折扣因子?？梢钥吹?，當證據(jù)完全可靠時，即αi=1，那么折扣因子對原證據(jù)將不起作用。當證據(jù)完全不可靠時（被噪聲淹沒時），即αi=0，那么折扣后的證據(jù)將變成mi（Θ）=1，這意味著該證據(jù)完全不確定，是個中立證據(jù)，和其他證據(jù)融合時對融合結果沒有任何影響。關于αi因子的確定，國內(nèi)外已經(jīng)有很多研究。本文中，我們將采用基于證據(jù)距離和矛盾因子的加權證據(jù)合成法[8-9]，具體步驟如下：

假定辨識框架Θ上獨立的兩個證據(jù)，其焦元分別為Bi和 Cj（i=1，2，…，n；j=1，2，…，m），m，n 分別表示這兩個證據(jù)焦元的個數(shù)，由此得到矛盾因子：

矛盾因子表示了證據(jù)合成時不相容焦元（交集為空集）結合產(chǎn)生的矛盾信息大小。在航跡航路相關問題中，當兩個證據(jù)分別得到航跡屬于航路的指派為1，屬于非航路的指派為1時，此時矛盾因子即為1。

兩個證據(jù)的基本置信指派函數(shù)m1和m2的距離為：

其中，矩陣D中元素Dij=|Bi∩Cj|/|Bi∪Cj|。證據(jù)距離反映了證據(jù)間相容焦元基本置信值分配的差異，其與矛盾因子具有一定的互補性。由此可以得到在N個證據(jù)中，任取兩個證據(jù)p和q之間的沖突大小為：

沖突大小與證據(jù)距離和矛盾因子都是正相關的，當dpq=kpq=1時，沖突為0；當dpq=kpq=1時，沖突為1。第p個證據(jù)與其他證據(jù)的沖突程度為：

那么第p個證據(jù)獲得其他N-1個證據(jù)的總支持度，也可稱為第p個證據(jù)的眾信度為：

然后，可以得到N個證據(jù)的眾信度向量：

將眾信度向量歸一化后可得各證據(jù)的權重系數(shù)：

故得到證據(jù)的權重系數(shù)向量為：

根據(jù)權重系數(shù)向量式可以求的期望證據(jù)：

DS規(guī)則對M迭代組合N-1次后的結果即這N個證據(jù)的合成結果。

3 異常變化航路目標的檢測

目標的航路屬性隨著時間推移并不是一成不變的，如偽裝航路目標，可能會出現(xiàn)變換航路的現(xiàn)象。如果采用證據(jù)融合時產(chǎn)生的局部沖突信息被用來表示目標的變化情況，其無法準確對目標變化進行檢測識別，容易引起虛警，并且不能對變化準確表示。

mi是由證據(jù)源在時刻no.i獲得，mj由證據(jù)源no.j獲得。如果i

其中，X1∈，X2∈。

針對航跡航路相關問題，航路目標的航路屬性一般是不會發(fā)生變化的，即：屬于航路1的目標不可能轉(zhuǎn)換為航路2，3或者非航路目標。由此，我們認為（i=j）為正常變化，而（i≠j）為異常變化，需要特別警惕。 因此，當∑m1→2（），（i≠j）的值大于某一給定閾值λ或者大于所有其他航路屬性mass值時，我們認為目標屬性發(fā)生異常變化。

4 仿真實驗

假設給定空域內(nèi)有3條已知航路，一偽裝航路目標開始沿航路A1飛行，隨后發(fā)生航路切換，沿航路A2飛行。場景圖如圖3所示。

圖3 變航路目標仿真場景圖Fig.3 The simulation graph of abnormal airline targets

根據(jù)上述方法，我們得到異常檢測的結果，如圖4所示。

圖4 異常檢測結果Fig.4 The result of the detection of abnormal targets

從圖4我們可以明顯看出，在t=26，27，28三個時刻，偽裝航路目標發(fā)生了航路切換，從航路1切換到航路3，所以目標航路屬性發(fā)生異常變化。因此，這些時刻異常變換的mass值大于其他任意mass值。而在t<26以及t>28的時刻，目標分別屬于航路A1和航路A2，所以異常變化的mass值都較小，基本上都低于0.1，這是由于系統(tǒng)噪聲等因素造成的不可避免的結果，而且其值遠遠低于目標屬于航路A1和航路A2的mass值。由此可見，采用這樣一種動態(tài)證據(jù)推理方法，不僅可以正確識別目標，還可以對目標變化進行準確檢測。

5 結 論

本文針對航路[10]目標分類中存在偽裝航路目標的問題，提出了一種基于動態(tài)證據(jù)推理的航跡航路目標分類算法。通過基于證據(jù)推理的航跡航路分類算法對目標進行分類，然后采用動態(tài)證據(jù)推理實現(xiàn)了對目標航路屬性變化的檢測。試驗結果表明本文提出的方法有效地實現(xiàn)了對目標屬性的識別及變化檢測，具有一定的實用價值和工程應用前景。

[1]程銘，陳宇寒.飛行計劃和雷達航跡關聯(lián)目標識別算法[J].四川兵工學報，2010，1（5）:107-109.CHEN Ming，CHEN Yu-han.Flight plan and radar airline association[J].SiChuan Binggong Xuebao，2010，1（5）:107-109.

[2]M.Oxenham.Automatic Air Target to Airline Association[C]//The 3th International Conference on Information Fusion，2000:19-26.

[3]王增福，潘泉，陳麗平，等.基于航路-航跡關聯(lián)的天波超視距雷達航跡分類[J].系統(tǒng)工程與電子技術，2012，34（10）:2018-2022.WANG Zeng-fu，PAN Quan，CHEN Li-ping，et al.Tracks classification based on airway-track association for over-thehorizon radar[J].System Engineering and Electronics，2012，34（10）:2018-2022.

[4]Dempster A P.Upper and lower probabilities induced by a multi-valued mapping[J].Ann.Mathematical statistics，1967（38）:325-339.

[5]Shafer G A.Mathematical Theory of Evidence[M].Princeton U.P..Princeton，N.J.，1976

[6]Otman Basir，Xiaohong Yuan.Engine fault diagnosis based on multi-sensor information fusion using Dempster Shafer evidence theory[J].Information Fusion，2007，8（4）:379-386.

[7]Zhun-ga Liu，Jean Dezert，Gregoire Mercier，et al.Dynamic evidential reasoning for change detection in remote sensing images[J].IEEE Transactions on Geoscience and Remote Sensing，2012，50（5）:1955-1967.

[8]LIUZhun-ga，Jean Dezert.Combination of sources of evidence with different discounting factors based on a new dissimilarity measure[J].Decision Support Systems，2011（52）:133-141.

[9]劉準軋，程詠梅．基于證據(jù)距離和矛盾因子的加權證據(jù)合成法[J].控制理論與控制工程2009，26（12）:1139-1142 LIU Zhun-ga，CHEN Yong-mei.Combination of weighted belief functions based on evidence distance and conflicting belief[J].Control Theroy and Applications，2009，26（12）:1139-1142.

[10]蔣志華，陶德桂.小型無人機航路規(guī)劃及自主導航算法研究[J].現(xiàn)代電子技術，2015（4）:5-7.JIANGZhi-hua，TAO De-gui.Research of MUAV route planning and autonomous navigation system[J].Modern Electronics Technique，2015（4）:5-7.