（测试计量技术及仪器专业论文）机载多传感器目标信号属性融合研究.pdf

摘要 摘要 随着战场环境日益复杂恶劣，为提高飞机武器系统的作战性能，研究复杂干 扰环境下机载多传感器目标识别问题具有极其重要的意义。为此，本文研究了复 杂干扰条件下的机载多传感器属性融合问题，主要取得的成果为： 1 ) 本文首先分析了复杂干扰环境下属性融合存在融合信息不确定性大，造 成系统鲁棒性和自适应性变差的问题，提出一种白适应融合模型。模型分三个部 分：不确定信息处理、分类识别信息融合、知识更新。其中知识更新模块利用智 能技术解决不同环境和信息层次下融合系统所要求的环境自适应性，稳健性问题。 在此基础上，本文研究了知识更新模块的建立，提出利用蚁群算法进行知识的智 能分析和推理寻优，从而实现在复杂环境下知识和更新的自适应管理。为进一步 提高算法性能，本文研究了蚁群算法的改进问题，提出了爬山变异蚁群算法，将 蚂蚁算法和局部搜索算法结合起来，提高算法后期的计算效率。 2 ) 针对数据层属性融合问题，本文分别研究了t f u k u d a 和l u or c 提出 的不同算法，在此基础上，本文提出了一种基于传感器信息的一致性和可信度的 分组融合算法。算法通过修正类别置信度的分类估计，减小测量误差引起的目标 分类置信度的估计偏差；通过一致性测度进行传感器分组，利用传感器先验可信 度估计各分组传感器的可信度，再优选可信度高的传感器组进行融合，从而修正 冲突信息对融合结果的影响。该算法将不确定信息处理和融合结构有机结合，提 高了属性融合的抗干扰能力。 3 ) 针对硬决策属性融合问题，本文首先研究了目标先验知识已知的情况下， 分布式检测系统的算法优化算法，如穷举搜索算法、混合搜索算法，发现这些算 法大多是次优算法，所以本文提出了基于爬山变异蚁群算法的贝叶斯全局优化算 法。然后针对复杂环境及目标先验知识未知情况，研究了主观b a y e s 算法、n p 算法，发现这些算法的性能和自适应性很难同时提高，所以本文提出了基于一致 性分组和分类学习策略和爬山变异蚁群算法的贝叶斯全局优化算法，该算法具有 全局优化能力和环境的自适应性。 4 ) 针对软决策属性融合问题，本文在深入研究模糊积分的基础上，改进传 感器的模糊积分密度的定义，提出一种采用爬山变异蚁群算法确定统计模糊积分 密度，采用环境模糊积分密度修i f 环境干扰的学习算法，并对比了采用遗传算法、 摘要 神经网络等不同算法的性能，发现本文算法能明显提高算法的环境自适应性和在 复杂环境下的融合性能较优。 5 )最后，本文研究了在不同的机动条件及电磁干扰条件下，上述算法在机 载平台战场环境下的目标识别和机载流量传感器故障识别中的应用，验证了算法 的有效性。 关键字：自适应数据融合，战场环境，目标识别、蚁群算法、模糊积分 a b s t r a c t a b s t r a c t w i t ht h eb a t t l e f i e l dg e t t i n gi n c r e a s i n g l yc o m p l e x ，i ti ss i g n i f i c a n tt os t u d y a i r b o r n em u l t i - s e n s o rt a r g e ti d e n t i f i c a t i o ni nac o m p l e xi n t e r f e r e n c ee n v i r o n m e n ti n o r d e rt oi m p r o v ep e r f o r m a n c eo fa i r c r a f tw e a p o ns y s t e m s o ，i nt h i sp a p e r ，t h ea t t r i b m e f u s i o np r o b l e mo fa i r b o r n em u l t i s e n s o ri sm a i n l ys t u d i e d t h er e s u l t sa r ea sf o l l o w i n g ： 1 ) f i r s t l y ，b a s e do na na n a l y s i so ft h ep r o b l e m so fa t t r i b u t ef u s i o ni nac o m p l e x i n t e r f e r e n c ee n v i r o n m e n t s u c ha su n c e r t a i n t yo ff u s i o ni n f o r n q a t i o nt om a k et h e s y s t e m sr o b u s t n e s sa n ds e l f - a d a p t a t i o nw o r s e as e l f - a d a p t i v ef u s i o nm o d e l i sb r o u g h t f o r w a r d t h em o d e li sc o n s t i t u t e db yt h r e ep a r t s ：u n c e r t a i ni n f o r m a t i o np r o c e s s i n g ， c l a s s i f i e di n f o r m a t i o nf u s i n ga n dk n o w l e d g eu p d a t i n g t h ek n o w l e d g eu p d a t i n g u t i l i z e si n t e l l i g e n c et e c h n o l o g yt om e e tt h er e q u i r e m e n t s o fe n v i r o n m e n t a l s e l f - a d a p t a t i o na n d r o b u s t n e s so fd a t af u s i o ns y s t e mw o r k i n gi nac h a n g e f u l e n v i r o n m e n ta n di n f o r m a t i o nl e v e l b a s e do nt h a tm o d e l ，t h i sp a p e rs t u d i e sf o u n d a t i o n o fi n f o r m a t i o n u p d a t i n gm o d u l ea n dt h e np r e n s e n t sk n o w l e d g e s i n t e l l e c t u a l i z e d a n a l y s i s a n d c o n s e q u e n c eo p t i m i z a t i o nb y a n t c o l o n ya l g o r i t h m t or e a l i z e s e l f - a d a p t a t i o nm a n a g e m e n to fk n o w l e d g ea n du p d a t i n gi nac o m p l e xe n v i r o n m e n t t o i m p r o v i n ga l g o r i t h m ，t h ep a p e rr e s e a r c h e s a m e l i o r a t i o np r o b l e mo fa n tc o l o n y a l g o r i t h m ，a n dt h e np r e s e n t sa n ts y s t e mw i t hb i tc l i m b i n ga b e r r a n c e ，w h i c hc o m b i n e a n tc o l o n ya l g o r i t h mw i t hp a r t - s e a r c ht oi m p r o v ea r i t h m e t i c se v e n i n gc a l c u l a t i v e e f f i c i e n c y 2 1i nv i e wo fa t t r i b u t ef u s i o np r o b l e m si nd a t al e v e l ，t h i sp a p e rr e s e a r c h e s d i f f e r e n ta l g o r i t h mp r e s e n t e db yt f u k u d aa n dl u or ca n dt h e np r e s e n t sg r o u p i n g f u s i o na l g o r i t h mb a s e do nc o n s i s t e n c ya n dr e l i a b i l i t yo fs e n s o r s i n f o r m a t i o n t h i s a l g o r i t h ma m e n d sc l a s s i f i c a t i o ne s t i m a t i o no ft h ec l a s s i f i c a t i o nc o n f i d e n c et or e d u c e t h ee s t i m a t i o ne r r o ro fo b j e c t sc l a s s i f i c a t i o nc o n f i d e n c em a d eb ym e a s u r ee r r o r ； c l a s s e ss e n s o r sb yc o n s i s t e n c ym e a s u r ea n de s t i m a t e st h er e l i a b i l i t yo fd i f f e r e n ts e n s o r g r o u p sb yt h es e n s o r s t r a n s c e n d e n tr e l i a b i l i t y ；l a s t l y ，c h o o s e st h e b e s ts e n s o rg r o u po f r e l i a b i l i t yt of u s e ，w h i c hc a na m e n di n f l u e n c eo fc o n f l i c ti n f o r m a t i o n t h i sa l g o r i t h m c o m b i n e su n c e r t a i ni n f o r m a t i o np r o c e s s i n gw i t ht h ef u s i o ns t r u c t u r eo r g a n i c a l l y ，w h i c h a b s t r a c t e n h a n c e sa n t i i n t e r f e r e n c ec a p a b i l i t yo fa t t r i b u t ef u s i o n 3 ) i nv i e w o fa t t r i b u t ef u s i o np r o b l e mo fh a r d d e c i s i o n ，t h i sp a p e rs t u d i e s a l g o r i t h mo p t i m i z a t i o no ft h ed i s t r i b u t e dd e t e c t i o ns y s t e mw h e no b j e c tt r a n s c e n d e n t i n f o r m a t i o nw a sk n o w n ，s u c ha ss e a r c h i n ga l g o r i t h ma n dm i x e ds e a r c h i n ga l g o r i t h m a f t e rd i s c o v e r i n gt h a tt h e s ea l g o r i t h m sa r ei n f e r i o r - o p t i m i z i n g ，t h i sp a p e rp r e s e n t s b a y e s i a ng l o b a l o p t i m i z a t i o na l g o r i t h mb a s e do na n ts y s t e mw i t h b i tc l i m b i n g a b e r r a n c e f o rt h ec o m p l e xe n v i r o n m e n ta n du n k n o w nb a c k g r o u n dk n o w l e d g ea b o u t t a r g e t s ，t h i sp a p e rd i s c o v e r st h a ts u b j e c t i v eb a y e sa n dn pa l g o r i t h mi sd i f f i c u l t l yt o i m p r o v et h ep e r f o r m a n c ea n ds e l f - a d a p t a t i o na tt h es a m et i m e ，a n dt h e nb r i n g sf o r w a r d b a y e sg l o b a l - o p t i m i z a t i o na l g o r i t h mb a s e do nc o n s i s t e n c yg r o u p i n g ，s t r a t e g yo f c l a s s i f i e dl e a r n i n ga n da n ts y s t e mw i t hb i tc l i m b i n ga b e r r a n c e t h i sa l g o r i t h mh a s s e l f - a d a p t a t i o no fe n v i r o n m e n ta n d i sg l o b a l o p t i m i z i n g 4 ) i nv i e wo fa t t r i b u t ef u s i o np r o b l e mo fs o f t d e c i s i o n ，o nt h eb a s eo ff u z z y i n t e g r a l ，t h i sp a p e rg i v e san e wd e f i n i t i o na b o u td e n s i t yo ff u z z yi n t e g r a l ，p r e s e n t sa n a l g o r i t h mw h i c hm a k e su s eo fa n ts y s t e mw i t hb i tc l i m b i n ga b e r r a n c et oa s c e r t a i n s t a t i s t i ci n t e g r a ld e n s i t y ，u s e se n v i r o n m e n ti n t e g r a ld e n s i t yt oa m e n de n v i r o n m e n t m o l e s t a t i o na n dd i s c o v e r st h a tt h i sa l g o r i t h mc a ne n h a n c es e l f - a d a p t a t i o no f e n v i r o n m e n ta n dp e r f o r m a n c eo ft h i sa l g o r i t h mi sb e t t e r ，a f t e rc o n t r a s t i n gp e r f o r m a n c e o fg e n e t i ca l g o r i t h ma n dn na l g o r i t h m 5 ) l a s t l y ，t h i sp a p e ra p p l i e st h ea b o v ea l g o r i t h mt ot a r g e ti d e n t i f i c a t i o ni na i r b o r n e b a t t l e f i e l de n v i r o n m e n ta n df a i l u r ed i a g n o s i so fa i r b o m ef l u x t e m p e r a t u r es e n s o r si n t h ed i f f e r e n tc o n d i t i o no fa v i a t i o na n de l e c t r o m a g n e t i s mi n t e r f e r e n c e ，w h i c hv a l i d a t e s i t se f f e c t i v e n e s s k e y w o r d s ：s e l f - a d a p t i v ed a t af u s i o n b a t t l e f i e l de n v i r o n m e n t t a r g e ti d e n t i f i c a t i o n a n tc o l o n ya l g o r i t h m f u z z yi n t e g r a l i v 附5 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地 方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含 为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示谢意。 繇盆乳 晚 苗年多月伞日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、使用学位论文 的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁 盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文 的全部或部分内容编入有关数据瘁进行检索，可以采用影印、缩印或 扫描等复制手段保存、汇编学位论文。 ( 保密的学位论文在解密后应遵守此规定) 签名：懈氓 导师签名：舭 训8 乞多、q 日期：乒年；月厂日 第一章绪论 第一章绪论弟一早骚t 匕 本章首先介绍本文的研究背景和意义，然后介绍数据融合理论的基本理论和 发展概况、最后介绍本文的研究内容、创新点及论文结构。 1 1 研究课题的背景和意义 由于目标的机动性和武器杀伤力增强，第三代的机载平台c 3 i ( 指挥、控制、 通讯与情报) 作战系统要求尽早地探测和识别目标，以延长预警时间。但威胁的 多样化、密集型和隐蔽性以及电子对抗措施的完善，使得战场环境日益恶劣复杂。 这种复杂表现为：所获数据的不精确、不完整、不可靠；数据变化迅速和数据量 的增加；问题求解的先验知识不足；干扰和欺骗造成迷惑和破坏【1 】。在这种条件 下，融合系统需要具有一定的自适应性和鲁棒性才能适应环境的动态变化，减少 不确定性因素对系统产生的不良影响。提高系统的学习能力、适应能力、容错能 力和自组织能力，使系统在存在不确定性的情况下正常工作，这成为机载平台数 据融合系统急待解决的问题。 近二十年来，战场环境下机载平台数据融合的实现问题受到了各国的高度重 视，并开展了积极的研究。相关研究单位有美国的n a v a lr e s e a r c hl a b o r a t o r y ，法 国的t h o m p s o n c s f ，英国的b r i t i s h a e r o s p a c e ，以及瑞士、荷兰等国家的研究机 构。我国也有许多专家从事这方面的研究。目前的研究虽然取得了很多成果，但 对战场环境下数据融合技术系统性的研究还很少，算法的抗干扰能力和精度还有 待提高。 因此，本文研究了战场环境下机载多传感器的自适应属性数据融合技术，包 括自适应属性融合模型的建立，不同信息层次和结构的自适应属性融合的实现。 本文将模糊理论、不确定性推理、蚁群算法等智能信息处理技术应用于数据融合 系统的建模中，并与其结构和算法有机结合，增强系统的自适应性，自学习能力 以及鲁棒性。 本文的研究是机载平台武器系统研究的重要课题研究，对于在该领域内进行 的建模研究和融合体系结构研究提供一定的参考。另外，本文的研究在民用系统， 如工业制造自动化以及故障诊断系统中都有很好的应用前景。 电子科技大学 尊士学位论文 1 2 基本理论简介 1 。2 1 数据融合的基本原理 数据融合的基本原理就像人脑综合处理信息一样，充分利用多个传感器资源， 并通过对这些传感器及其观测信息的合理支配和综合使用，把多个传感器在空间 或时间上的冗余或互补信息依据某种准则来进行优化组合，以获得被测对象的一 致性解释或描述。它利用多个传感器联合操作的优势，提高传感器系统的整体有 效性，从而获得比各组成部分更优越的性能【2 】。数据融合系统从使用环境分军用 系统与民用系统。民用系统在“人为设计的世界”或“温和的现实世界”中运行， 即系统的融合目标和状态是已知的或可以预先估计状态的，数据源是稳定的，系 统一般不需要进行关联，而军用数据融合系统则必须在“敌对的现实世界”中运 行，融合目标和状态往往未知且可能发生变化。此外在实战中，军用系统还将受 到各种欺骗和干扰，这一切对系统的自适应能力提出了更高的要求。 数据融合的结构模型对于设计融合系统结构及有效利用多传感器信息具有重 要的指导意义。目前，国外最新的数据融合功能模型是在美国j d l 数据融合功能 模型基础上的改进【3 】。该功能模型将数据融合分为5 层：数据的关联、跟踪、评 估；目标估计；态势评估；威胁评估；资源管理系统。 1 2 2 属性融合的基本结构 目标识别可看作目标属性估计。目标的属性融合是与位置融合同时出现或交 互融合的，它是态势评估、威胁分析的依据。目标属性融合按数据抽象划分，有 三种不同的实现结构，即：数据层融合、特征层融合和决策层融合。 数据层融合如图1 1 ( a ) 所示，数据层融合直接在采集到的原始数据层上进 行的融合，然后从融合的数据中提取特征向量，并进行判断识别。主要优点是能提 供其它融合层次所不能提供的细微信息，精度高。缺点是处理的数据量太大、代 价高、时间长，、实时性差、系统通信量大、抗干扰能力较差。特征层融合如图1 1 ( b ) 所示。它首先提取特征，产生特征矢量，然后对特征矢量进行融合，并做出 属性说明。特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且 由于所提供的特征直接与决策分析有关，因而能最大限度地给出决策分析所需要 的特征信息，但精度比数据层融合差。目前大多数c 3i 系统的数据融合研究都是 在该层次上展开的。决策层融合如图1 1 ( c ) 所示，是指在每个传感器对目标 第一章绪论 做出识别后，将多个传感器的识别结果进行融合。决策层融合是一种高层次的融 合，其结果为指挥控制决策提供依据。决策层融合是三级融合的最终结果，它直 接针对具体决策目标，直接影响决策水平。决策层融合对原传感器信息进行预处 理以获得各自的判定结果，预处理代价高，精度低。 总之，对于数据融合特定的工程应用，应综合考虑传感器的数量、性能、种 类、系统的计算能力、通信带宽、期望的准确率以及资金能力等因素，以确定哪 种层次是最优的。另外，一个系统也可能同时在不同的融合层次上进行融合。 图1 1 ( a ) 数据层融合图1 1( b ) 特征层融合 1 2 3 属性融合的算法 图1 1 ( c ) 决策层融合 在多传感器分类处理中，可能需要几个观测模型或进行反复试验才能刻画传 感器过程。此外，目标身份允许有多种身份表示方法，每一种方法又都可以按几 电子科技人学博士学位论文 种不同方式进行操作，从而使得身份说明比位置融合的处理更加困难。目前，解 决身份数据融合问题的方法很多，它们的理论基础来自概率与统计、人工智能、 模糊集理论等。图1 2 是目标识别算法的一种概念性分类。 识别技术 理模 数分 拟 计 法分析 计 尔曼滤波 大似然估计 小二乘法 息论技术 识模哐熬 图1 - 2 目标识别算法分类 典推理 叶斯法 s 法 网络 分析 法 物理模型识别：把传感器数据信息当成客观环境在某种映射下的象，数据融 合过程就是通过象求解原象来对客观环境加以了解。该技术试图准确地建立关于 目标的物理模型，根据物理模型直接计算实体的观测特征( 时间域数据、频域数 据或图像等) ，通过将传感器数据与预测的目标物理模型所计算的特征相匹配来估 计目标的身份。 参数分类识别技术：通过不同目标识别特征的传感器特征数据来实现目标身 份识别，即由参数化数据对目标分类。 认识模型识别技术：基于知识模仿人类从其多传感器( 眼、耳、鼻、手等) 数据辨别实体的识别过程，主要包括专家系统、模糊集合理论和逻辑模板法等。 1 3 自适应数据融合理论的发展概况 数据融合技术起源于美国，5 0 年代w o x 提出多目标跟踪的基本概念，标志 着数据融合理论的萌芽。1 9 6 4 年s i t t l e 进一步完善了多目标跟踪理论，并提出 最优数据关联的贝叶斯方法，进一步提高了多目标的跟踪和识别能力，从而引起 4 法经类板辟咚 第一章绪论 学术界的关注。1 9 7 3 年，美国严展了声纳信号理解系统的研究【4 】，发现利用计算 机技术对多个独立连续声纳信号进行融合后可自动检测敌方潜艇的位置，开创了 信息融合技术作为一门独立技术在军事中应用的先河，同时也展示了数据融合技 术的巨大优越性。之后美国相继开发出几十个数据融合系统，如美国开发的t c a c 军用分析系统，i n c a 多平台多传感器跟踪信息相关系统、t a t r 空中目标选择和 截击武器选择专家系统等。在理论方面，1 9 8 1 年w o h l 给出了战术判定过程的动 态模型( s h o r ) 【5 】；1 9 8 7 年k a d a ri 提出基于规划理论的高层计划识别模型。 1 9 8 8 年，w h i t e 给出了著名的三级数据融合处理模型，从而形成了一套完整的数 据融合理论。这一阶段是数据融合的初步研究阶段，设计的数据融合系统被称为 第一代数据融合系统，它的主要特点是采用现有的军用传感器进行融合，同时认 为融合中的数据都是有效的。 8 0 年代以来，各国开始设计第二代数据融合系统。它的突出特点是将传感器 和数据融合系统进行一体化设计，在融合过程中，系统对传感器进行管理，以进 一步提高系统的性能，典型的系统有美国设计的全源信息分析系统( a s a s ) ，英 国的z f f f 飞机敌我中识别系统。这一阶段数据融合技术得到迅速发展，应用范 围也急剧扩展。特别是在军用融合系统中，系统面对的信息源越来越复杂，信息 种类越来越多，信息源的频率范围也越来越宽。如何构造系统，更有效地综合各 传感器信息；如何处理不确定的、不完全的或位置信号，并对外部环境作出灵活 的自适应反应，提高系统的信息的处理和对传感器的管理能力，成为了数据融合 系统新的挑战。 8 0 年代末期，许多学者开始研究复杂环境下的数据融合问题。在研究中他们 发现，面对实际的工作环境，特别是环境条件不知道或者完全不知道的情况下， 数据融合不能保证系统性能的优良性【6 1 。进而，为适应环境的动态变化，减少一 些未知不确定性因素对系统产生的影响，不少学者提出自适应数据融合的概念。 学者y a g e r 指出数据融合的实质是从众多的信息中提出需要的、准确的信息，而 被融合的信息应该是可信的和有效的，需要采用更多的智能手段【7 】，尤其在多种 不确定性情况下，融合决策的制定要建立在人类知识的基础上【8 】。t h o m o p o u l o s 提出【9 】自适应数据融合的设计应该包括融合前数据质量的控制和融合后数据质量 的保证，具有数据可用性分析和数据错误检测功能。学者g o n s a l v e s 从融合系统 的军事应用上指出，由于对通过现代军事智能化分析得到战场数据的要求越来越 高，需要进一步模拟人脑分析问题的能力的自适应数据融合的功能【10 1 。学者l u o 指出】，动态与未知环境下的多传感器集成和融合将是未来该领域的研究方向。 电子科技大学博十学位论文 d a s a r a t h y 认为自适应数据融合可提高多源信息系统的可靠性和鲁棒性，发展前景 广阔、潜力巨大【l2 | 。 自适应融合目前还没有一个较明确和统一的定义，其理论和应用还处于初始 阶段。所谓自适应融合主要表现为传感器信息的选择、可信度估计、不确定信息 处理上的智能化管理。学者们首先从不确定信息的处理入手研究自适应融合，1 9 8 8 年，l u or c 提出可以采用一致性融合可剔除融合传感器中的错误数据；1 9 9 2 年 1 9 9 3 年，学者t f u k u d a 认为采用一致性融合未考虑传感器的先验信息，应采用 传感器可信度进行融合，1 9 9 8 年，f r a n c o i sd e l m o t e 发展了这一观点，提出采用 可靠性理论可以处理融合数据的不确定性和数据冲列1 3 】；n i k u n j ak 等讨论了利 用模糊逻辑和专家知识对传感器进行可信度评估【l4 1 。2 0 0 0 年，y a g e r 利用模糊理 论和近似推理重点研究了属性融合中智能推理和冲突信息处理问题，指出融合决 策的制定要建立在人类知识的基础上可以采用智能方法来解决l l 习；2 0 0 1 年到 2 0 0 4 年，k o b a y a s h if 提出利用模糊推理理论定义的相似测度和相容测度可以分 析融合数据的关系，并可根据传感器性能及其可靠性来实现传感器信息的选择 【1 6 】，2 0 0 6 年，m a n i s hk u m a r 提出采用b a y e s 理论可以剔除传感器中的错误数据 1 1 7 o 另外一些学者则从自适应融合模型建立的角度来研究自适应融合。1 9 9 9 年， 敬忠良把模糊神经网络和d s 证据理论相结合提出了一种智能特征信息融合结构 【招】；王婷杰在模糊理论基础上建立具有智能推理特征的数据融合模型【1 9 】；2 0 0 2 年童树鸿在模糊数据融合模型上解决了融合数据的不一致和冲突问题 2 0 】；2 0 0 2 年 到2 0 0 3 年，全太范和孙庆伟以神经网络和模糊推理理论为基础建立数据融合模 型，这使得数据融合具有自适应性和学习性【2 1 】【2 2 】；2 0 0 4 年，学者y a nh u a i z h i 提 出了利用知识库系统和模糊理论建立智能融合模型，用于不确定信息处理和智能 决策系统【2 3 】；2 0 0 5 年，q u a nl i u 提出了一种采用三层神经网络并结合小波算法实 现自适应融合的模型【2 4 】；2 0 0 6 年p o o y a nk h a j e h p o u rt a d a v a n i 提出一种自适应融 合模型a d f s ，该模型结合传感器选择和反馈，来实现传感器管理和信息融合的 自适应【2 5 】。 除此之外，近年来也有不少国内学者认为可以利用自适应滤波实现自适应融 合。2 0 0 0 年，文成林提出利用小波算法和卡尔曼滤波实现多尺度分布式融合【2 q ； 2 0 0 4 年，文成林又提出了基于分布式滤波的动态融合系统，实现了融合尺度上的 自适应【2 7 】。此后不少学者又讨论了将智能算法和自适应滤波相结合来解决自适应 融合。典型的文献有：2 0 0 6 年马忠孝讨论了将模糊数学和卡尔曼滤波相结合的自 第一章绪论 适应融合算法，并将其应用到i n s g p s 导航系统中【2 8 】。2 0 0 7 年，王天荆讨论了 遗传算法在无线传感器网络自适应融合中的应用【2 9 1 。 随着自适应融合技术的发展，近年来自适应融合技术也被应用到大量的工程 实际中，如：2 0 0 1 年，李芳芳讨论了防空导弹系统的自适应算法【3 0 】；2 0 0 6 年， h o n gl u o 研究了自适应算法在无线传感器中的应用【3 1 1 ，丁天俊讨论了主被动雷 达的白适应跟踪【3 2 j ；2 0 0 7 年，l e o n i da f o k i n 讨论了导航系统实现自适应融合的 模型和算法1 3 3 j 等。 总之，自适应融合技术的发展，已经显现出该技术在复杂环境下应用的巨大 优势。同时，系统在开发过程中遇到的困难，不仅表明了系统开发的复杂性和艰 巨性，也在一定程度上证实了自适应融合技术的可行性、有效性和必要性。目前 国内外学者都对此进行了广泛研究，但与美国等发达国家相比，我国在自适应数 据融合的研究起步较晚，无论是理论研究还是应用研究，都还存在着差距，特别 是复杂的数据融合大系统的设计，战场环境下的智能化融合算法以及融合系统的 稳健性等，都是急待解决和进一步研究的关键问题。 1 4 本文的主要创新点、研究内容及结构安排 本文的主要成果和创新点体现在以下几个方面： 1 ) 本文分析了复杂干扰环境下属性融合存在的问题，提出一种自适应融合模 型。该模型分为三个模块：不确定信息处理、分类识别融合、知识及更新模块。 在自适应属性融合中，知识及更新模块利用系统的先验知识和运行知识，不断进 行智能分析和推理，从而使机载属性融合系统具备环境和系统知识的分析和自适 应更新能力，提高了系统的智能化、可靠性和正确率。本文较为详细的研究了知 识及更新模块的建立，提出利用蚁群算法进行知识的智能分析和推理寻优，从而 实现在复杂环境下知识和更新的自适应管理。为提高蚁群算法的性能，本文研究 了蚁群算法的改进，提出了爬山变异蚁群算法，将蚂蚁算法和局部搜索算法结合 起来，提高算法后期的计算效率，仿真研究证明，算法的综合性能较好。 2 ) 针对数据层属性融合问题，本文提出了一种基于一致性分组的融合模型， 该模型利用传感器信息的一致性和传感器的可信度信息对数据进行分组，将不确 定信息处理和融合结构有机结合，通过仿真干扰环境下的属性融合，验证本文算 法能提高了属性融合的抗干扰能力。同时本文详细研究了算法参数的不同取值对 算法性能的影响。 电子科技人学博十学位论文 3 ) 针对硬决策属性融合问题，本文首先研究了分布式检测系统的算法优化问 题，发现现有的算法大多是次优化算法，所以本文提出了基于爬山变异蚁群算法 的贝叶斯全局优化算法，通过仿真试验验证，本文算法的性能和其它算法相比较 优。然后，针对复杂环境及目标先验知识未知的情况下，提出了基于一致性分组 和分类学习策略的自适应属性融合模型，增强了算法的环境自适应能力。 4 ) 针对软决策属性融合问题，本文在深入研究模糊积分的基础上，针对复杂 环境中的应用问题，改进模糊积分密度的定义，提出一种采用爬山变异蚁群算法 确定统计模糊积分密度，采用环境模糊积分密度修正环境干扰的学习算法，从而 提高算法的环境自适应性。 5 ) 本文详细研究了在盘旋、平飞、侧滚等不同的机动条件下，及在电磁干扰 条件下，上述算法在机载平台战场环境下的目标识别中的应用，同时本文研究了 算法在机载流量传感器故障识别中的应用，验证了算法的有效性。 本文的主要内容为机载多传感器目标属性的自适应融合研究。其中第二章提 出自适应融合模型，第三章、第四章、第五章研究不同层次机载多传感器自适应 属性融合问题，第六章研究机载多传感器自适应属性融合在战场环境下的应用。 具体结构如下： 第二章，分析数据融合在火控系统中的应用方案和在复杂干扰环境下属性融 合存在的问题，提出一种自适应融合模型，及模型中知识及更新模块的建立和蚁 群算法的改进。 第三章，针对数据层属性融合问题，在第二章研究的基础上，提出了一种基 于一致性分组的融合模型，并进行了仿真试验验证。 第四章，针对硬决策属性融合问题，研究了各种条件下分布式检测系统的算 法优化问题，并进行了仿真试验验证。 第五章，针对软决策属性融合问题，研究了模糊积分及算法的优化问题，并 进行了仿真试验验证。 第六章，将上述算法应用到机载平台战场环境下的目标识别中，验证算法的 有效性。 第七章，总结和展望 第二章白适应融合模型的建立及蚁群算法的改进 第二章自适应融合模型的建立及蚁群算法的改进 由于飞机作战平台具有高速、大机动的特点，对机上数据融合系统的实时性 和抗干扰能力要求很高。特别是在高科技战争中，战场情况相当复杂，存在各种 干扰、诱骗，再加上恶劣天气的影响，引起各种传感器信息的病态。如果以较理 想的情况考虑属性信息的融合，将会直接影响识别系统的可靠性。 针对日益复杂的工作环境，大量不确定信息及系统对安全性、可靠性、准确 性、实时性要求的提高，多传感器目标识别系统需要更强的自学习、自适应和容 错能力。本章详细介绍了机载多传感器融合技术的发展、复杂环境下属性融合存 在的问题及融合技术自身特点，提出了一种机载多传感目标识别自适应融合模型。 最后，本章研究了蚁群算法的改进和复杂环境下知识及更新模块的建立。 2 1 机载多传感器信息融合技术概述 机载多传感器信息融合是飞机平台将来自不同机载传感器的关于某一目标的 时间序列、空间序列和频率序列描述进行综合分析，以便得到关于该目标更准确、 更可靠、更完整描述【3 4 1 。与c 3 i 大系统不同，机载多传感器信息融合系统的最 为明显和突出的两个特点就是传感器性能的互补和冗余。通过性能互补扩大了传 感器探测的时间覆盖范围、空间覆盖范围和频率覆盖范围；通过性能冗余提高了 目标探测判决置信度，降低了模糊性，减少虚警率，增强了态势监测系统的可靠 性、容错能力和抗干扰能力。机载多传感器信息融合技术的应用按规模可分为同 一平台信息融合和多平台信息融合。 1 ) 同一平台信息融合 同一平台信息融合实时性好，系统组建方便，成本较低，且不易受到干扰， 所以在火控中使用较多。系统主要传感器包括：雷达、激光测距、前视红外、电 视、敌我识别器、雷达告警接收机、导弹逼近告警、激光告警等。从目前技术发 展来看，典型的信息融合包括以下两种方式【3 5 1 。 ( a ) 不同子系统间的信息融合 不同的传感器由于原理不同、探测的时间覆盖范围、空间覆盖范围和频率覆 盖范围不同。综合使用各种传感器功能和性能的优势，弥补彼此不足，可以减轻 电子科技大学博士学位论文 态势估计对于彼此过高要求的压力，增强了态势监测系统的可靠性、容错能力和 系统的抗干扰能力。如红外探测装置可大范围地搜索、跟踪，并可精确测得角度 信息，雷达可以提供距离、速度、加速度、方位角、俯仰角和进入角等数据信息。 雷达和红外探测装置相互拖动，搜索低空目标时，红外探测装置可在目标与背景 辐射相对比较大的高空搜索。在飞机静默攻击时，由于红外探测装置被动方式工 作，隐蔽性好，反探测能力强、但难于获得目标的距离信息( 需依靠s 飞行或斜 飞机动才能获得目标的距离信息) ，需依靠雷达猝发弥补作战使用的不足，增强机 载平台的探测能力和生存能力，提高目标探测精度和可靠性。 ( b )同一子系统间的信息融合 同一子系统的传感器虽然原理相同，但探测的时间覆盖、空间覆盖和频率覆 盖不同，通过性能冗余可以降低了模糊性，减少了虚警率，提高目标探测判决置 信度和系统的抗干扰能力。 如瑞典j s a 3 9 飞机的机载红外探测系统( 瓜o t i s ) ，采用双色多色红外探 测系统，工作于3 5u m 和8 1 4 u m 波段，可增强对目标飞机、来袭导弹的探测能 力，弥补单色红外探测系统的弱点，扩大红外探测距离和频率覆盖范围。 2 ) 多平台信息融合 多平台装备不同类型传感器，通过借助日益发展成熟的数据链技术和航空航 天卫星通信技术，能够显著扩大传感器的空域覆盖、频率覆盖和时间覆盖能力， 在机载导航、识别、态势系统中应用较多。 对于飞机平台，除了飞机本身携带的传感器，还可以通过v 肘数据链或j 数 据链获得其它载机平台、地面指挥中心及其它作战平台上的检测信息。宽域数据 链数据率低，但传输距离远，把宽域战场管理数据通报给友机；机间数据链数据 率高，但传输距离近，完成编队飞机之间通信。例如f 一2 2 飞机通过通信、导航和 识别分系统、雷达告警接收系统、数据链与雷达信息融合，从而增强机组人员对 态势环境的透明了解，提高战机的作战性能。 总之，随着现代战场地域广阔、态势瞬息万变、空中威胁的种类和程度不断 增加，机载多传感器信息融合技术的应用必将对现代空战起到更加关键性的作用。 2 2 机载火控系统的数据融合模型 对于战术空战应用而言，需要收集、分类和a n - r - 的信息非常庞大。每个机载 平台为了不耽误战机，必须迅速截获、跟踪、识别和交换目标，共享整个战场的 l o 第二章自适戍融合模型的建立及蚁群算法的改进 数据，并能协同进行多目标攻击。这样整个空战指挥系统的数据融合和决策能力 可分布于各机载平台中，并通过战术数据链联系起来。单个机载火控系统组成如 图2 1 所示： 图2 1 战斗机火控系统示意图 机载火控融合的数据源有三个来源， 1 ) 机载火控系统自身的传感器，包括火控雷达，红外传感器，电视吊舱， 电子战传感器( e w ) ，雷达报警器，敌我识别器，电子对抗传感器。主要是用 来识别和估计目标特征和属性。 2 ) 机载飞控系统的传感器，包括姿态传感器( 航姿系统) ，位置( g p s ，惯 导) ，高度( 无线高度表，微波着陆仪，大气传感器等) ，速度( 空速管) ，其它传 感器。主要是用来提供本机信息。 3 ) 外部传感器：武器数据链，战术数据链，通信系统，主要是用来提供战 场信