[发明专利]一种基于改进D-S证据理论的目标意图识别方法

摘要

本发明公开了一种基于改进D‑S证据理论的目标意图识别方法，属于雷达技术领域，涉及组网雷达目标意图识别技术。克服了组网雷达目标意图识别需要综合考虑不同雷达获取的证据，且不同证据存在相互冲突时，传统的D‑S证据理论不能有效识别目标意图的问题。它的特点是首先将组网雷达接收到的数据进行预处理，然后基于意图与证据间的相似度获取各证据的基本概率分配，最后考虑了证据间的相关性，在证据冲突处理和D‑S证据合成中引入了证据间的相似系数。它能剔除组网雷达接收到的数据中的异常数据，降低其对目标意图识别的不利影响，有效解决了在实际应用中证据冲突的问题，改善了目标意图识别性能。

主权项

一种基于改进D‑S证据理论的目标意图识别方法，该方法包括步骤：步骤1：数据预处理，目标T的位置记为(x,y,z)，其中，x、y、z分别为目标的x轴坐标、y轴坐标及z轴坐标；三部雷达Ri,i＝1,2,3的位置记为(xi,yi,zi),i＝1,2,3，其中xi、yi、zi，i＝1,2,3分别为三部雷达的x轴坐标、y轴坐标及z轴坐标；则三部雷达之间的距离为：dij=(xi-xj)2+(yi-yj)2+(zi-zj)2,i,j=1,2,3,i≠j---(1)]]>目标到三部雷达的距离记为ri,i＝1,2,3，每部雷达探测到的目标径向速度分别记为vi,i＝1,2,3；则由几何关系可得任意两部雷达与目标形成的夹角θij，i、j＝1,2,3,i≠j：θij=arccos(ri2+rj2-dij22rirj),i,j=1,2,3,i≠j---(2)]]>对于所有雷达位于同一平面，且目标的速度方向与雷达所在的平面共面的情况；目标速度记为v，任取两部雷达R1,R2，目标速度与雷达R1,R2探测到的目标的径向速度的夹角分别记为β1,β2，共存在三种拓扑结构；对于拓扑结构一：目标速度v在雷达R1探测到的目标的径向速度的左侧；则由几何关系可得：β1=arctan(cotθ12-v2/v1sinθ12)β2=β1+θ12v=v1/cosβ1---(3)]]>对于拓扑结构二：目标速度v在两部雷达探测到的目标的径向速度夹角之间；则由几何关系可得：β1=-arctan(cotθ12-v2/v1sinθ12)β2=θ12-β1v=v1/cosβ1---(4)]]>对于拓扑结构三：目标速度v在雷达R2探测到的目标的径向速度右侧；则由几何关系可得：β1=-arctan(cotθ12-v2/v1sinθ12)β2=β1-θ12v=v1/cosβ1---(5)]]>则当利用任意两部雷达的数据带入公式(3)、(4)、(5)时，所得结果为正的那个β1即为正确的β1，相应的为正的β2即为正确的β2；这样在组网雷达中，任意选择两部雷达利用其探测到的目标的径向速度就能推导出目标速度，由于目标速度为定值，通过选择不同的雷达进行相互印证，找到与所有雷达组合推导出的目标速度都与其他任意两部雷达组合推导出的目标速度不同的那部雷达，即为存在异常的雷达，如果这部雷达为用来识别目标意图的雷达，则对其数据进行修正，否则将其数据剔除；对于所有雷达中有一部分雷达探测到的目标的径向速度与目标速度共面，而另一部分与目标速度不在同一平面的情况；目标速度记为v，并与雷达R1,R2共面，目标速度与雷达R1,R2测量到的目标的径向速度的夹角分别记为β1,β2，另任取一部雷达R3，其探测到的目标的径向速度与目标速度的夹角记为β3，共存在三种拓扑结构；目标速度的延长线交由雷达R1,R2连线构成的线段R1R2于H，目标T与H的连线记为TH，雷达R1与H的连线记为R1H，雷达R3与H的连线记为R3H，目标T与雷达R1,R2形成的夹角记为∠TR1R2＝γ1，三部雷达形成的夹角记为∠R2R1R3＝α1；则由几何关系有：γ1=arccos(r12+d122-r222r1d12)α1=arccos(d122+d132-d2322d12d13)---(6)]]>对于拓扑结构一：目标速度v在雷达R1探测到的目标的径向速度的左侧；由式(3)得到目标速度及夹角β1,β2；则由几何关系可得：TH=r1sin(γ1-β1)sinγ1R1H=r1sin(γ1-β1)sinβ1---(7)]]>R3H=d132+R1H2+2d13R1Hcosα1---(8)]]>对于拓扑结构二：目标速度v在两部雷达R1、R2探测到的目标的径向速度夹角之间；由式(4)得到目标速度及夹角β1,β2；则由几何关系可得：TH=r1sin(γ1+β1)sinγ1R1H=r1sin(γ1+β1)sinβ1---(9)]]>R3H=d132+R1H2-2d13R1Hcosα1---(10)]]>对于拓扑结构三：目标速度v在雷达R2探测到的目标的径向速度右侧；由式(5)得到目标速度及夹角β1,β2；则由几何关系可得：TH=r1sin(γ1+β1)sinγ1R1H=r1sin(γ1+β1)sinβ1---(11)]]>R3H=d132+R1H2-2d13R1Hcosα1---(12)]]>通过上述对三种模型的求解可以得到TH、R3H，则由几何关系可得：cosβ3=TH2+r32-R3H22r3TH---(13)]]>vcosβ3＝v3                (14)从而通过v3可以推导出目标速度v；通过将雷达R1,R2与不同雷达进行组合，每个组合都能推导出一个目标速度，通过对比发现推导出的目标速度中与其他组合得到的目标速度不同的雷达，即为存在问题的雷达，如果这部雷达是用来识别目标意图的雷达，则对其数据进行修正，否则将其数据剔除；步骤2：数据规范化，目标具有的意图个数记为L，将第l个意图记为yl,l＝1,2,…,L，将所有意图放在同一空间得到目标战术意图空间Y＝(y1,y2,…,yL)；在一段时间内检测到的事件个数为E，目标具有的属性个数为N，则对于第e个事件第n个属性取值记为xen,e＝1,2,…E,n＝1,2,…N；将第e个事件的所有属性的取值组合构成目标特征向量Xe＝(xe1,xe2,…xen,…,xeN)；目标具有意图yl时的特征向量X称为标准特征向量标准特征向量形式如下：Xl*=(xl1*,xl2*,...xln*,...xlN*)---(15)]]>标准值的分量表示属性n对应于意图yl时的标准值；采用Min－Max规范化方法将原始数据的第e个事件第n个属性的值xen映射到一个统一的范围内；设minn是属性n的最小值，maxn是属性n的最大值，所有属性转换后的区间统一为[0,1]，记转换得到的值为公式如下：x~en=xen-minnmaxn-minn---(16)]]>按类似的方法将第l个意图第n个属性的标准值转换为公式如下：x~ln*=xln*-minnmaxn-minn---(17)]]>步骤3：目标状态与各意图的相似程度，利用式(16)、(17)将目标当前特征向量Xe和目标意图空间对应的标准向量进行数据规范化处理得到然后利用式(18)计算出目标特征向量与标准向量间的相似度；其计算公式如下：H(X~e,X~l*)=Σn=1Nδ(x~en,x~ln*)N(1+|x~en-x~ln*|)---(18)]]>当标准值取值为0或1时，如否则当标准值取值离散且不为0或1时，当标准值取值连续且区间为[a,b]时，|x~en-x~ln*|=|x~en-a|x~en<a|x~en-b|x~en>b0a≤x~en≤b---(19)]]>其中N为属性个数；将记为hel，即表示第e个事件与第l个意图的相似度，从而得到每个事件与每个意图的相似度矩阵H：H=h11h12...h1l...h1Lh21h22...h2l...h2L..................he1he2...hel...heL..................hE1hE2...hEl...hEL---(20)]]>步骤4：概率密度分配函数，将相似度矩阵H按行归一化得到每个证据的基本概率分配函数me(·)：m1(·)m2(·)...me(·)...mE(·)=h11/D1...h1l/D1...h1L/D1h21/D2...h2l/D2...h2L/D2...............he1/De...hel/De...heL/De...............hE1/DE...hEl/DE...hEL/DE---(21)]]>其中即式(20)的相似度矩阵H的行和；步骤5：冲突处理，在识别框架Θ下的两个证据E1，E2，其基本概率分配函数分别为m1(·)和m2(·)，焦元分别为Ai和Bj，则证据E1、E2间的相似系数可以表示为：d12=ΣAi∩Bj=Ak≠φm1(Ai)m2(Bj)(Σm12(Ai))(Σm22(Bj))---(22)]]>设共有证据数目为E，计算任意两证据间的相似系数，得到相似矩阵S；将相似距阵S的每行相加得到各证据对证据Ei的支持度，然后将其进行归一化得到该证据的可信度Cr(mi)；将其作为证据Ei的权重，得到加权后的各证据的基本概率分配；对证据的基本概率分配进行平均：m(Ai)=1EΣe=1Eme(Ai)---(23)]]>步骤6：D‑S证据合成及意图判决，将式(23)得到的证据的基本概率分配由下式进行自身的合成；m(C)=ΣAi∩Bj=Cm1(Ai)m2(Bj)1-k,∀C⊆Θ,C≠φ---(24)]]>其中将合成后的结果m(C)与式(23)得到的m(Ai)继续进行式(24)的合成，继续将合成后的结果与式(23)得到的m(Ai)进行式(24)的合成，一直循环直到完成E‑2次合成；得到最终的每个意图的概率分配，概率值最大所对应的意图即为目标意图。