基于非均勻粒度聚類的電子目標(biāo)多傳感器識別

陳　婷，郭　凱，陳　衛(wèi)

(陸軍軍官學(xué)院 無人機(jī)教研室，安徽 合肥 230031)

?

基于非均勻粒度聚類的電子目標(biāo)多傳感器識別

陳婷，郭凱，陳衛(wèi)

(陸軍軍官學(xué)院 無人機(jī)教研室，安徽 合肥 230031)

摘要在對電子目標(biāo)進(jìn)行識別時，一般采取多傳感器融合的D-S證據(jù)理論，但是在實(shí)際應(yīng)用中，證據(jù)理論存在不同證據(jù)沖突的問題。針對此問題，將證據(jù)轉(zhuǎn)化成歐氏空間中的點(diǎn)，證據(jù)之間的沖突程度轉(zhuǎn)化成距離，對證據(jù)進(jìn)行聚類，用經(jīng)過聚類后的證據(jù)來實(shí)現(xiàn)電子目標(biāo)多傳感器融合識別。仿真實(shí)驗(yàn)的結(jié)果證實(shí)了該方法的有效性和實(shí)用性。

關(guān)鍵詞電子目標(biāo)；粒度；證據(jù)理論；證據(jù)沖突；歐氏距離；證據(jù)聚類

The Research on Electronic Target Recognition with Multi-sensor Based on Uneven Granularity Clustering

CHEN Ting,GUO Kai,CHEN Wei

(UAVTeachingandResearchSection,ArmyOfficerAcademyofPLA,HefeiAnhui230031,China)

AbstractWhen recognizing the electronic targets,the theory of D-S evidence with syncretic multi-sensor is usually applied.But in fact,the problem of evidence conflict in D-S theory always exists.For this problem,evidence is transformed to a point in Euclidean space first in this paper,the conflict degree between evidences is transformed to distance,and then the evidence clustering is done according to the distances,the evidence after clustering is used to realize multi-sensor electronic target recognition lastly.Simulation test and its results show that this method is effective and practical.

Key wordselectronic target recognition;granularity;evidence theory;evidence conflict;Euclidean distance;evidence clustering

0引言

隨著空間偵察探測手段的多樣化，傳感器數(shù)目和種類日益增加，獲得的信息也越來越多，多種多樣的信息表達(dá)形式使得信息的處理變得復(fù)雜。人們越來越希望傳感器系統(tǒng)在獲取原始信息的基礎(chǔ)上增加智能分析和判斷的能力，作為一種對經(jīng)典概率的擴(kuò)展，證據(jù)理論在信息融合以及目標(biāo)跟蹤和識別技術(shù)中得到了廣泛應(yīng)用，但是在實(shí)際應(yīng)用中，隨著傳感器和目標(biāo)數(shù)目的增加，證據(jù)理論存在不同證據(jù)沖突的問題[1,2]。

針對證據(jù)沖突的問題，應(yīng)用基于商空間的非均勻粒度聚類方法[3]，將其與D-S證據(jù)理論結(jié)合，提出一種新的非均勻粒度證據(jù)聚類方法，并將其用于電子目標(biāo)多傳感器融合識別中，一定程度上解決了證據(jù)沖突的問題。

1證據(jù)理論

?A∈Ω且A≠φ時，稱m(A)為Ω上的基本概率賦值(Basic Probability Assignment)，也有人稱之為A的Mass函數(shù)。定義在Ω上的一個m(·)就構(gòu)成了識別框架Θ上的一個證據(jù)。m(A)>0的命題稱為證據(jù)的焦點(diǎn)元素或焦元[4]。

定義2：Θ為一識別框架，m(A)為Ω上的基本概率賦值函數(shù)，滿足下列條件的函數(shù)為信任函數(shù)(Belief Function)[5]：

2證據(jù)空間到歐氏空間的轉(zhuǎn)換

2.1證據(jù)的清晰化

分析焦元的形式可知，焦元可能是單命題形式，也可能是多命題形式。單命題對應(yīng)辨識框架中的基本假設(shè)，所以給出的結(jié)論是清晰的；而多命題是各基本假設(shè)的組合，所以給出的結(jié)論是模糊的。在實(shí)際應(yīng)用證據(jù)理論組合證據(jù)時，有時得不到清晰的結(jié)論(單命題結(jié)論)，因此就需要一種手段來消除這種模糊性，以確定最有可能的結(jié)論，即證據(jù)的清晰化[6]。

Philippe Smets[7]在其傳遞信任函數(shù)模型中詳細(xì)論述了如何將信任度(Bel)轉(zhuǎn)化成概率(Probability)的問題，并定義為概率轉(zhuǎn)化過程(用Γ表示)，用Γ得到的概率為BetP，即BetP=Γ(Bel,F)，其中F是在傳遞過程中辨識框架中實(shí)際可能的基本命題的集合。他認(rèn)為當(dāng)一個基本信任分配(Basic Belief Assignment，BBA)m賦予的是一個多命題焦元，如m(t)時，該命題包含的每個單命題獲得的BBA值應(yīng)該是相等的。用BetP來計(jì)算：

(1)

這樣，利用式(1)可將所有證據(jù)轉(zhuǎn)化成單命題形式的概率分配形式，可以稱之為證據(jù)的清晰化處理。

2.2證據(jù)在歐氏空間中的表示

假設(shè)證據(jù)空間為E，E是由焦元“張成”的。嚴(yán)格地說，由于焦元之間的互相覆蓋(不相互正交)，證據(jù)空間只是一個集合，而不是真正的空間，也因此造成了證據(jù)在E中的位置無法確定，使得通常的解決點(diǎn)聚類問題的方法無法直接用于證據(jù)聚類[8]。

一個含有n個互斥命題的辨識框架Θ等效于一個n維的歐氏空間Sn，辨識框架中的基本命題Sn就是Sn中的基。由此，將證據(jù)根據(jù)式(1)進(jìn)行清晰化處理之后，就可以在歐氏空間表示出來。由于BetP在Sn的各個方向上最大取值為1，所以證據(jù)在Sn中的位置在邊長為1的n邊體內(nèi)，真實(shí)事件的各種狀態(tài)在n邊體的各頂點(diǎn)。

證據(jù)在Sn中表示出來后，由于不確定性，其坐標(biāo)通常不在該n邊體的頂點(diǎn)上，而是在該正交多面體中間的某個點(diǎn)，其最靠近的頂點(diǎn)所表示的基本命題就是該證據(jù)最可能的假設(shè)[9]。

3非均勻粒度證據(jù)聚類方法

證據(jù)通過清晰化處理后，就取得了一個坐標(biāo)值，即相當(dāng)于歐氏空間里的一個點(diǎn)，有了點(diǎn)坐標(biāo)值，就可以利用點(diǎn)聚類的方法進(jìn)行證據(jù)聚類了。

在實(shí)際中，在獲得確切情報前，往往對當(dāng)前出現(xiàn)事件的準(zhǔn)確數(shù)目是未知的，因此無法確定將得到的證據(jù)聚成幾類才能反映真實(shí)情況。為了解決這個問題，將基于商空間的非均勻粒度聚類算法應(yīng)用于證據(jù)聚類。

3.1證據(jù)非均勻粒度聚類方法

根據(jù)前述內(nèi)容得到的結(jié)論，將所有待聚類的證據(jù)樣本都轉(zhuǎn)化到歐氏空間中的坐標(biāo)點(diǎn)，這樣就得到了點(diǎn)聚類問題中的數(shù)據(jù)點(diǎn)，利用非均勻粒度聚類算法對這些數(shù)據(jù)點(diǎn)進(jìn)行聚類，就得到了非均勻粒度證據(jù)聚類方法，其具體方法步驟如下[10]：

① 將得到的證據(jù)進(jìn)行清晰化處理，得到所有證據(jù)對應(yīng)的點(diǎn)坐標(biāo)；

② 初始化粒度dλ；

③ 計(jì)算每對證據(jù)數(shù)據(jù)點(diǎn)xi,xj的距離d，如果d≤dλ，則xi,xj所在的類進(jìn)行合并；

④ 如果要繼續(xù)考察聚類結(jié)果，每個子類，調(diào)整粒度和證據(jù)空間，對新的證據(jù)空間聚類。

其中，步驟②中的粒度dλ也稱為距離閾值，它的取值一般為1>dλ>0.5[11]。本方法通過對證據(jù)空間按照非均勻粒度來進(jìn)行聚類，從而實(shí)現(xiàn)了對證據(jù)空間聚類結(jié)果的非均勻粒度考察，同時，將聚類數(shù)目的確定轉(zhuǎn)化為粒度的合理選取問題。

3.2粒度的選取問題

在實(shí)際應(yīng)用中，粒度的選取問題可以有多種方法，概括起來，主要有以下3種[12]：

① 根據(jù)先驗(yàn)知識和專家經(jīng)驗(yàn)，選擇合理的粒度；

② 對不同的聚類結(jié)果進(jìn)行分析，建立一定的聚類評價準(zhǔn)則進(jìn)行評價，自適應(yīng)選擇最合理的粒度，對應(yīng)于最終的聚類結(jié)果；

③ 結(jié)合其他的情報或者位置信息進(jìn)行選取。

3.3證據(jù)聚類的合成方法

應(yīng)用上述非均勻粒度證據(jù)聚類方法將證據(jù)分為c類，可以避免2個沖突較大的證據(jù)分在同一組內(nèi)，從而避免了沖突證據(jù)的合成[13]。

另設(shè)第l類中證據(jù)的個數(shù)為S(l)，l=1,2,…,c。依據(jù)各類中所包含的證據(jù)的個數(shù)確定該類證據(jù)的加權(quán)系數(shù)：

(2)

對所有分類合成證據(jù)做加權(quán)平均可得最終的合成證據(jù)為：

(3)

4仿真實(shí)驗(yàn)分析

4.1仿真1

假設(shè)在對某一電子目標(biāo)o1進(jìn)行偵察時，電子目標(biāo)自動識別系統(tǒng)中有13個傳感器(或者不同周期提供數(shù)據(jù))提供未知電子目標(biāo)的類型信息，考慮目標(biāo)關(guān)聯(lián)錯誤和信號干擾等因素，第3條、第5條和第10條證據(jù)受到干擾，與其他證據(jù)沖突，得到的各傳感器對目標(biāo)的基本概率賦值如表1所示。表1中，o代表目標(biāo)類型，m代表傳感器(下同)。

表1　13條證據(jù)的基本概率賦值

根據(jù)粒度選取方法1最終確定粒度dλ=0.97，基于非均勻粒度證據(jù)聚類算法可以將以上證據(jù)分為2類，如圖1所示。由圖1可以看到，經(jīng)過聚類，3條干擾證據(jù)被分為一類，其他一致證據(jù)被分為一類。

圖1　證據(jù)聚類結(jié)果

在初步分類的基礎(chǔ)上對證據(jù)進(jìn)行融合，就可以得到融合結(jié)果。與D-S直接合成方法進(jìn)行對比，得到的融合結(jié)果如表2所示。

表2　有3條干擾證據(jù)時各種證據(jù)組合方法比較

從表2中可以看出，由于干擾沖突證據(jù)的原因，直接使用證據(jù)理論不能區(qū)分干擾證據(jù)，將所有證據(jù)同等對待，得到的結(jié)果不能正確識別目標(biāo)；用新方法可以將干擾證據(jù)與一致證據(jù)區(qū)別對待，經(jīng)過加權(quán)處理，降低了不確定性，能夠正確識別目標(biāo)。

4.2仿真2

假設(shè)表1中的第1條證據(jù)m1(o1)=0.55，m1(o2)=0.30，m1(o3)=0.15也被干擾，干擾后的證據(jù)為：m1(o1)=0.25，m1(o2)=0.10，m1(o3)=0.65，經(jīng)計(jì)算確定粒度dλ=0.96，基于非均勻粒度證據(jù)聚類算法可以將以上證據(jù)分為3類，如圖2所示。

圖2　證據(jù)聚類結(jié)果

證據(jù)合成后得到的識別結(jié)果如表3所示。

表3　有4條干擾證據(jù)時各種證據(jù)組合方法比較

從表3中可以看出，當(dāng)干擾證據(jù)增多時，直接使用證據(jù)理論不能正確識別目標(biāo)，用證據(jù)聚類合成新方法可以將干擾沖突證據(jù)與一致性證據(jù)區(qū)別對待，經(jīng)過加權(quán)處理，降低了不確定性，能夠正確識別目標(biāo)，得到了很好的效果。

從以上仿真實(shí)驗(yàn)可以看出，基于非均勻粒度聚類的證據(jù)合成方法能夠?qū)ψC據(jù)進(jìn)行有效分類，將干擾證據(jù)與一致證據(jù)區(qū)別對待，具有良好的融合性能。

5結(jié)束語

隨著智能信息處理技術(shù)的發(fā)展，各種不同的目標(biāo)融合識別方法將更加智能化，并且不斷交叉融合，在實(shí)際應(yīng)用中產(chǎn)生了眾多性能優(yōu)異的目標(biāo)識別融合方法。本文將粒度聚類與證據(jù)理論相結(jié)合，降低了證據(jù)的沖突和不確定性，有效地提高了目標(biāo)識別的準(zhǔn)確率，作為一種信息分類技術(shù)，這對于解決干擾條件下多傳感器目標(biāo)融合識別問題提供了一種有效途徑，將在信息融合和目標(biāo)識別等領(lǐng)域有較好的應(yīng)用前景。

參考文獻(xiàn)

[1]韓崇昭，朱洪艷，段戰(zhàn)勝.多源信息融合[M].北京：清華大學(xué)出版社，2006.

[2]DAVID L H.An Introduction to Multi-sensor Fusion[C]∥International Workshop on Data Fusion,2002:112-114.

[3]徐峰，張鈴.基于商空間的非均勻粒度聚類分析[J].計(jì)算機(jī)工程，2005，31(3)：26-28.

[4]楊春，李懷祖.一個證據(jù)推理模型及其在專家意見綜合中的應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2001(4)：43-48.

[5]石閃閃.一種新的基于證據(jù)權(quán)重的D-S改進(jìn)方法[J].科學(xué)技術(shù)與工程，2014，14(8)：205-208.

[6]周大偉，葉清.基于互沖突量和自沖突量分析的證據(jù)聚類方法[J].火力與指揮控制，2011，36(6)：39-41.

[7]SMETS P,KENNES R.The Transferable Belief Model [J].Artificial Intelligence,1994,66(2):191-234.

[8]朱衛(wèi)未，王衛(wèi)平，梁樑.基于模糊聚類分析的入侵檢測方法[J].系統(tǒng)工程與電子技術(shù)，2006，28(3)：474-477.

[9]LAWRENCE A K.Sensor and Data Fusion Concepts and Applications[M].Washington:SPIE Optical Engineering Press,1999.

[10]徐麗，丁世飛.粒度聚類算法研究[J].計(jì)算機(jī)科學(xué)，2011，38(8)：25-28.

[11]嚴(yán)曉蘭.基于粗集理論證據(jù)加權(quán)的電子目標(biāo)識別法[J].現(xiàn)代防御技術(shù)，2011，39(4)：75-79.

[12]卜東波，白碩，李國杰.聚類/分類中的粒度原理[J].計(jì)算機(jī)學(xué)報，2002，25(8)：810-816.

[13]JOUSSELME A L,GRENIER D,BOSSE E.A New Distance Between Two Bodies of Evidence[J].Information Fusion,2001,2(1):91-101.

陳婷女，(1982—)，博士，講師。主要研究方向：信號處理與模式識別。

郭凱男，(1976—)，博士，講師。主要研究方向：無線通信和無人機(jī)工程。

作者簡介

收稿日期：2015-12-01

中圖分類號TN957.51

文獻(xiàn)標(biāo)識碼A

文章編號1003-3106(2016)03-0018-04

doi:10.3969/j.issn.1003-3106.2016.03.06

引用格式：陳婷,郭凱,陳衛(wèi).基于非均勻粒度聚類的電子目標(biāo)多傳感器識別[J].無線電工程,2016,46(3):18-21.