一种多域作战多传感器属性识别方法技术

本发明专利技术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。及航空航天等领域有广泛的应用前景。及航空航天等领域有广泛的应用前景。

【技术实现步骤摘要】
一种多域作战多传感器属性识别方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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
‑...

【技术保护点】

【技术特征摘要】
1.一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；步骤三)使用改进的D
‑
S算法融合其他传感器的分类结果，以得到更加全面的、鲁棒的时空特征识别结果作为最终输出。2.根据权利要求1所述的多域作战多传感器属性识别方法，其特征在于，所述神经网络分类器中使用ReLU函数代替Sigmoid函数来作为激活函数，具体包括如下步骤：步骤一)初始化网络的突触权值和阈值矩阵；步骤二)训练样本的呈现；步骤三)前向传播计算；步骤四)误差反向传播计算并更新权值；步骤五)迭代，用新的样本进行步骤三和步骤四，直至满足停止准则。3.根据权利要求1所述的多域作战多传感器属性识别方法，其特征在于，所述改进的D
‑
S算法中包括如下步骤：步骤一)利用皮尔逊相关系数计算证据可信度并求得平均证据；步骤二)利用较远距离计算焦元BPA可信度并将冲突重新分配得到新证据；步骤三)利用传统D
‑
S组合规则求得融合结果。4.根据权利要求3所述的多域作战多传感器属性识别方法，其特征在于，所述利用皮尔逊相关系数计算证据可信度过程中，包括如下步骤：步骤一)根据皮尔逊相关系数计算证据相关性，表示为：其中：E为数学期望，m
i
和m
j
为两个不同的证据；步骤二)在多证据情况下，由两两证据的相关系数构成证据相关性矩阵S
ij
，表示为：其中，n为证据数量；步骤三)为了控制非正相关的证据在识别框架中的权值比重和可信度计算，以及考虑客服组合规则中的0置信问题和尽量减少对于整体识别框架的基本概率影响，这里将相关性结果小于等于0的负相关情况统一赋值为0.001；步骤四)定义证据m
i
的支持度为则证据m
i
的可信度为
cred(m
i
)，cred(m
i
)∈...

【专利技术属性】
技术研发人员：赵英策，王光耀，魏金鹏，林鑫，韩传东，杜晨慧，
申请(专利权)人：中国航空工业集团公司沈阳飞机设计研究所，
类型：发明
国别省市：