[发明专利]一种多域作战多传感器属性识别方法

说明书

本发明公开了一种多域作战多传感器属性识别方法，涉及多域作战多传感器属性识别领域，具体是对多域作战中多个平台、多个传感器所探测的属性信息，基于神经网络完成单传感器识别，并利用修正的DS推理进行识别结果的融合，该方法具有良好的高鲁棒，能够显著提高识别的正确率，应用该方法后，雷达识别模块和平台识别模块，在加入噪声的情况下仍然可以以较高精度得到正确结果，该DS证据融合模块通过融合目标在不同时刻不同平台的证据，提升了置信度，得到了更高置信度的结果，在多源信息融合系统、多域作战信息融合系统、统一态势系统，以及航空航天等领域有广泛的应用前景。

技术领域

本发明涉及多域作战多传感器属性识别领域，尤其涉及一种多域作战多传感器属性识别方法。

背景技术

在现代军事对抗中,目标识别起着愈来愈重要的作用,目标识别的成功与否直接影响着最终的作战效果。国内外都对目标识别方法进行了许多深入细致的研究,目标的识别信息多种多样,主要的信息有RCS、图像、极化等信息,利用目标位置和运动信息对目标进行识别的研究相对较少。同时,利用单一雷达对目标进行识别,易受到欺骗和干扰,从而导致识别结果的可靠性降低。利用多雷达对目标进行识别,可以提高识别系统的生存能力,消除或降低非目标物体的欺骗和干扰,识别结果的可靠性也可以得到提高。

DS证据理论是用于整合多源不确定信息的常用推理方法，是一种有效的信息融合理论，可以满足比概率论更弱的条件，在医学诊断、组合决策、故障诊断和物联网等领域有广泛的应用。证据理论是在20世纪60年代末和70年代初由Dempster提出由Shafer完善并推广的一套用于不精确推理的理论，是对概率论的进一步扩充，D-S证据理论具有对证据源良好的融合能力，所需要的条件比贝叶斯方法更弱，在处理先验概率未知所引起的不确定性方面效果显著，因此，在过去的几十年中，它在信息融合，分类，聚类，场景感知等大量应用中得到了广泛的使用。

但是在证据出现冲突的情况下，D-S证据理论会得到与事实相悖的结论，即出现D-S悖论；现在对D-S证据理论的研究大多是针对这一点进行的。例如，部分现有文献认为造成D-S证据理论失效是因为其组合规则不当引起的，在面对无法合理分配冲突证据时，应该把冲突证据全部分配给未知项；部分现有文献提出的在证据之间没有关联的情况下，用平均法减弱了冲突证据的影响，但这样降低了融合算法的聚焦能力；部分现有文献基于证据方差的修正方法有效控制了D-S规则的收敛速度，可是抗干扰能力被削减；部分现有文献先将证据进行聚类，用D-S规则对每一类中的证据进行融合，再用统一信度组合方法对不同类中的证据进行最终合成，该方法抗干扰能力较强，但统一信度组合方法降低了D-S理论的聚焦作用；上述方案虽然都在某些方面上解决了证据冲突的问题，但是存在较大的改进空间。

发明内容

面对上述技术背景，本发明提出了一种多域作战多传感器属性识别方法，该方法具有良好的高鲁棒，能够显著提高识别的正确率，应用该方法后，雷达识别模块和平台识别模块，在加入噪声的情况下仍然可以以较高精度得到正确结果，该DS证据融合模块通过融合目标在不同时刻不同平台的证据，提升了置信度，得到了更高置信度的结果。

为达到上述目的，本发明的实施例采用如下技术方案：

一种多域作战多传感器属性识别方法，其特征在于，包括如下步骤：

步骤一)根据情况，采用两种技术方案中的一种实现多帧目标对齐，其中，

方案一：对前50帧无序数据使用K-means聚类算法，得到目标标识，再根据前50帧的聚类结果使用KNN算法，把新数据加入到已知的目标标识类中实现多帧目标对齐；

方案二：根据辐射源特征与目标唯一标识间的时序关联矩阵进行多帧目标对齐；

步骤二)对目标的数据使用神经网络分类器自动提取特征并完成分类，其中，神经网络分类器通过对目标识别特征库中的大量数据进行训练，得到权重信息；再根据帧间结果融合模块对目标不同帧间的识别结果使用改进的D-S算法进行融合，得到统一的结果；