李 勇，王德功，楊佐龍

（空軍航空大學(xué) 航空電子工程系，長春 130022）

模糊神經(jīng)網(wǎng)絡(luò)與證據(jù)理論的飛機目標(biāo)敵我識別

李 勇，王德功，楊佐龍

（空軍航空大學(xué) 航空電子工程系，長春 130022）

為滿足復(fù)雜環(huán)境下目標(biāo)敵我屬性識別能力，提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)（FNN：Fuzzy Neural Networks）和證據(jù)理論的新敵我識別方法。該方法利用模糊神經(jīng)網(wǎng)絡(luò)和證據(jù)理論信息的處理能力，將敵我識別器（IFF：Identification Friend-or-Foe）、電子支援措施（ESM：Electronic Warfare Support Measure）、雷達(dá)及紅外獲取的信息融合，進(jìn)行敵我識別。仿真結(jié)果表明，該方法的識別能力明顯優(yōu)于單一模糊神經(jīng)網(wǎng)絡(luò)分類器，識別率達(dá)0.994，同時具有很強的容錯性和一定的抗干擾能力，更適合戰(zhàn)場需要。

模糊神經(jīng)網(wǎng)絡(luò)；證據(jù)理論；數(shù)據(jù)融合；敵我識別

0 引 言

傳統(tǒng)的敵我識別系統(tǒng)，通常由詢問系統(tǒng)、應(yīng)答系統(tǒng)及天線系統(tǒng)3部分組成。敵我識別器的使用非常嚴(yán)格，必須特別小心，密碼絕不能被敵方破譯，且容易受到敵方干擾。信息融合敵我識別系統(tǒng)［1］是指除了敵我識別器進(jìn)行敵我識別之外，還把其他方法得到的目標(biāo)識別信息同直接回答得來的識別信息綜合起來進(jìn)行敵我目標(biāo)識別的系統(tǒng)。信息融合敵我識別系統(tǒng)不僅能提高信息化條件下的抗干擾能力，還能識別出目標(biāo)的敵我中屬性。單一傳感器所得到的信息較少，應(yīng)用飛機上多種傳感器能充分獲取信息，提高目標(biāo)敵我識別率。多傳感器信息融合進(jìn)行敵我識別正是敵我識別系統(tǒng)的研究方向。模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論［2］是信息融合的基本方法，能較好地處理不確定信息。筆者將模糊神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論相結(jié)合進(jìn)行多傳感器信息融合，利用了模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論各自的優(yōu)點［3］，與單純使用神經(jīng)網(wǎng)絡(luò)或D-S證據(jù)理論相比，該方法較好地提高了信息融合敵我識別系統(tǒng)的識別率。

1 基本理論

1.1 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬人腦功能的一種大規(guī)模并行處理網(wǎng)絡(luò)系統(tǒng)，他具有良好的并行處理、容錯性及魯棒性等特點，但僅能處理精確信息。模糊邏輯是一種能精確處理不確定信息的數(shù)學(xué)方法，其特長在于邏輯推理能力，但對模糊規(guī)則的自動提取及模糊隸屬度函數(shù)的自動生成存在困難。模糊神經(jīng)網(wǎng)絡(luò)［4，5］的出現(xiàn)大大拓寬了神經(jīng)網(wǎng)絡(luò)處理信息的范圍和能力，使其不僅能處理精確信息，也能處理模糊和不精確信息；同時使神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)模糊規(guī)則的自動提取及隸屬度函數(shù)的自動生成得以實現(xiàn)。圖1是FNN（Fuzzy Neural Networks）示意圖，分為輸入層、模糊化層、推理層、去模糊層和輸出層。每層節(jié)點數(shù)及權(quán)值可根據(jù)模糊系統(tǒng)所采用的具體形式而預(yù)置，通過學(xué)習(xí)算法自動產(chǎn)生隸屬度函數(shù)的合適形狀以及模糊規(guī)則。

圖1 模糊神經(jīng)網(wǎng)絡(luò)Fig.1 Fuzzy neural networks

1.2 D-S證據(jù)理論

1）基本概率分配。在識別框架Θ上的基本概率分配（BPA：Basic Probability Assignment）是2Θ［0，1］的函數(shù)m，稱為mass函數(shù)，且滿足

其中使m（A）＞0的A稱為焦元（Focal elements）。

2）信任函數(shù)。信任函數(shù)也稱信度函數(shù)（Belief function）。在識別框架Θ上基于函數(shù)m的信任函數(shù)定義為

3）似然函數(shù)。似然函數(shù)也稱似然度函數(shù) （Plausibility function）。在識別框架Θ上基于函數(shù)m 的似然函數(shù)定義為

在證據(jù)理論中，對于識別框架Θ中的某個假設(shè)A，根據(jù)BPA分別計算出關(guān)于該假設(shè)的信任函數(shù)Bf（A）和似然函數(shù)Pl（A）組成信任區(qū)間［Bf（A），Pl（A）］，用以表示對某個假設(shè)的確認(rèn)程度。

4）合成規(guī)則。Dempster合成規(guī)則（Dempster's combinational rule）也稱證據(jù)合成公式，其定義如下：對于?A?Θ，Θ上的兩個mass函數(shù)m1，m2的Dempster合成規(guī)則為

其中K為歸一化常數(shù)

2 基于模糊神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的敵我識別方法

模糊神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論進(jìn)行信息融合的模型如圖2所示。利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行特征級融合，以模糊神經(jīng)網(wǎng)絡(luò)獲得的輸出作為證據(jù)輸入，經(jīng)過D-S證據(jù)理論進(jìn)行決策級融合，得出識別結(jié)果。該模型充分利用了模糊神經(jīng)網(wǎng)絡(luò)強大的非線性處理能力和D-S證據(jù)理論處理不確定信息的能力，利用模糊神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)，解決D-S基本概率賦值難解決的問題［6］。利用多傳感器進(jìn)行信息融合識別，可提高目標(biāo)的識別率，并能進(jìn)行敵我識別。

圖2 識別框圖Fig.2 Identification diagram

2.1 傳感器目標(biāo)識別方法及所用特征信息

信息融合敵我識別主要是利用各種傳感器獲取目標(biāo)的特征信息對目標(biāo)進(jìn)行識別。其中主要包含4類傳感器、雷達(dá)、紅外、ESM（Electronic Warfare Support Measure）和IFF（Identification Friend-or-Foe）。不同傳感器進(jìn)行敵我識別的特征信息和途徑是不一致的，下面分別進(jìn)行介紹。

雷達(dá)是一種主動傳感器，他向空中發(fā)射電磁波，并通過接收目標(biāo)的反射或散射電磁波信號實現(xiàn)對目標(biāo)的探測。近年來，隨著相關(guān)理論、相關(guān)技術(shù)的發(fā)展，雷達(dá)技術(shù)進(jìn)入一個全新的發(fā)展階段，不僅能實現(xiàn)對目標(biāo)的探測與定位，還可以提取有關(guān)目標(biāo)的更多信息，如目標(biāo)航跡信息、一維距離像信息、極化信息等。從而測定目標(biāo)屬性，進(jìn)行目標(biāo)識別。

紅外傳感器利用目標(biāo)產(chǎn)生的能量或經(jīng)其他目標(biāo)反射的能量進(jìn)行探測。通過獲取目標(biāo)的能量信息對目標(biāo)進(jìn)行識別。

ESM用來偵察、分選和識別輻射源信號，具有抗干擾強和潛在的遠(yuǎn)距離探測能力。和紅外傳感器一樣，ESM也是一種無源傳感器，能避免暴露自身；能獲取目標(biāo)輻射源的頻率、脈沖寬度和重復(fù)頻率，從而對輻射源進(jìn)行識別。ESM通過識別目標(biāo)的輻射源對目標(biāo)進(jìn)行識別。

IFF敵我識別系統(tǒng)，由詢問機和應(yīng)答機兩部分組成，通過問與答的方式，獲得識別信息。

2.2 利用模糊神經(jīng)網(wǎng)絡(luò)獲取基本概率賦值

眾所周知，將D-S證據(jù)理論用于目標(biāo)識別中時，其基本概率賦值的獲取是個難點，基本概率賦值的好壞直接關(guān)系到最后的決策和識別結(jié)果。目前，基本概率的獲取主要依靠經(jīng)驗的方法獲得，但由于每個人對知識掌握的不同，而導(dǎo)致結(jié)果有很大差異。神經(jīng)網(wǎng)絡(luò)［4］具有自適應(yīng)、自組織和自學(xué)習(xí)能力，可以通過樣本的學(xué)習(xí)建立記憶，將未知模式判為最為接近的記憶。模糊神經(jīng)網(wǎng)絡(luò)利用各種傳感器獲取的特征，確定模糊神經(jīng)網(wǎng)絡(luò)的輸入隱層輸出節(jié)點數(shù)，進(jìn)行敵我中屬性分類。通過雷達(dá)選取獲得的一維距離像信息對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到飛機目標(biāo)型號從而得到敵我中屬性；通過紅外選取獲得的熱輻射能量大小得到飛機目標(biāo)型號，從而得出目標(biāo)敵我中屬性，通過ESM獲得的飛機目標(biāo)輻射源脈沖頻率、重復(fù)頻率和脈沖寬度等信息得到目標(biāo)輻射源型號，從而判斷敵我中屬性［7］。利用大量的數(shù)據(jù)進(jìn)行測試，神經(jīng)網(wǎng)絡(luò)起到領(lǐng)域?qū)＜业淖饔??？梢越频玫侥繕?biāo)敵我中屬性的基本概率賦值。

2.3 D-S證據(jù)理論融合

利用模糊神經(jīng)網(wǎng)絡(luò)得到的基本概率賦值，根據(jù)給出門限，可以判斷敵我中識別結(jié)果。用D-S組合規(guī)則［8］得到組合的基本可信度分配后，根據(jù)得到的概率進(jìn)行目標(biāo)判斷。筆者采用基于基本可信度分配的方法，確定如下4條規(guī)則：

1）目標(biāo)類別應(yīng)具有最大的基本可信數(shù)，并大于某一閾值；

2）目標(biāo)類別基本可信數(shù)與其他類別的基本可信數(shù)的差值必須大于某閾值，即表示每一證據(jù)對所有不同類的支持程度應(yīng)保持足夠大的差異；

3）不確定性概率必須小于某閾值，即對目標(biāo)類別的無知程度或證據(jù)的不確定性不能太大；

4）目標(biāo)類別的基本可信數(shù)必須大于不確定性概率值，即對目標(biāo)知道很少時，不能對其分類。

經(jīng)D-S證據(jù)理論進(jìn)行決策融合的識別框圖如圖3所示。

圖3 決策級融合Fig.3 Decision level fusion

3 算 例

識別框架U為｛我機，敵機，中立機｝，采用雷達(dá)、紅外、IFF和ESM對目標(biāo)進(jìn)行識別，分別用m1，m2，m3和m4表示。為了建模方便，假設(shè)各個傳感器采樣頻率同步，并且數(shù)據(jù)已經(jīng)過預(yù)處理。雷達(dá)對目標(biāo)識別的有用特征選取一維距離像信息；紅外對目標(biāo)的有用特征選取形狀和輻射能量；ESM對目標(biāo)的有用特征選取載頻、脈寬和脈沖重頻?，F(xiàn)以J10、SU27、F16 3種主要機型作為識別對象。在同時有干擾的情況下，利用雷達(dá)、紅外和ESM 3種傳感器對其進(jìn)行識別［9］。圖4為采用ESM獲取的頻率，脈沖寬度和重復(fù)頻率作為特征進(jìn)行飛機目標(biāo)識別的訓(xùn)練收斂圖，用3個特征分別進(jìn)行高中低模糊化。模糊神經(jīng)網(wǎng)絡(luò)輸入為3，隱層數(shù)為27，輸出層數(shù)為1。用Matlab提供的神經(jīng)網(wǎng)絡(luò)工具箱對每個傳感器通過500個樣本數(shù)據(jù)進(jìn)行了訓(xùn)練。向已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸入一組F16數(shù)據(jù)（IFF識別概率由經(jīng)驗獲得）。由此可知，訓(xùn)練19次達(dá)到收斂。用大量數(shù)據(jù)進(jìn)行測試，得出我機的概率為0.193，敵機的概率為0.602，中立方飛機的概率為0.205。

同理可以用紅外和雷達(dá)獲取的特征構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)通過測試獲得另外兩組基本概率賦值，并且根據(jù)經(jīng)驗得到IFF的識別概率（見表1）。

圖4 訓(xùn)練收斂圖Fig.4 Training convergence map

表1 單傳感器識別結(jié)果Tab.1 Single sensor recognition results

從識別結(jié)果可以看出，雷達(dá)、IFF及ESM獲得的數(shù)據(jù)對F16的輸出識別率均大于門限值0.600 0，給出了正確的判斷結(jié)果，而紅外的輸出識別率僅為0.469，小于門限值，未給出正確結(jié)論。這是因為：在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時不可能窮盡所有的傳感器樣本；每個傳感器獲得的識別信息都具有片面性和不精確性，每個傳感器對目標(biāo)的敏感程度都存在差異，因而不同的傳感器獲得識別結(jié)果的可靠性不同，有必要將結(jié)果進(jìn)行融合，以期獲得較精確的結(jié)果［10］。經(jīng)過D-S證據(jù)理論數(shù)據(jù)融合后的識別概率如表2所示。

由表1和表2可以看出，單個傳感器獲得信息的片面性，很難得出令人滿意的結(jié)論，有時甚至出現(xiàn)誤判現(xiàn)象。采用D-S證據(jù)理論的融合識別，能綜合考慮識別對象的多方面信息，減少誤差，大大地提高了識別精度及可靠性。但由于訓(xùn)練神經(jīng)網(wǎng)絡(luò)時傳感器樣本有限；每個傳感器獲得的識別信息都具有不全面性，因而基本概率賦值獲取存在誤差；并且沒能考慮傳感器的置信度、實驗條件和訓(xùn)練時間的限制。所以識別結(jié)果不能達(dá)到完美，該例中的最后融合結(jié)論達(dá)到0.994，可見此方法的有效性。

表2 多傳感器識別結(jié)果Tab.2 Multi-sensor recognition results

4 結(jié) 語

模糊神經(jīng)網(wǎng)絡(luò)方法具有較強的自適應(yīng)性、容錯性和魯棒性，具有神經(jīng)網(wǎng)絡(luò)和模糊理論共同的優(yōu)點。將模糊神經(jīng)網(wǎng)絡(luò)與D-S進(jìn)行融合，處理異類傳感器數(shù)據(jù)和不確定性是信息融合問題的研究方向。筆者提出的基于FNN與D-S證據(jù)理論的敵我識別方法，其分類能力優(yōu)于單一FNN分類器，可以顯著提高單分類器的識別率，具有很強的容錯性和一定的抗干擾能力，更能適合戰(zhàn)場需要，應(yīng)用前景廣闊。

［1］蔣慶全.數(shù)據(jù)融合在雷達(dá)目標(biāo)識別中的應(yīng)用［J］.兵工自動化，2001，20（2）：14-18.

JIANG Qing－quan.The Application of Data Fusion in Radar Target Recognition［J］.Ordnance Automation，2001，20（2）：14-18.

［2］唐士杰.證據(jù)理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合的目標(biāo)識別方法研究［D］.西安：西北工業(yè)大學(xué)自動化學(xué)院，2007.

TANG Shi-jie.Target Recognition Based on Neural Network and D-S Evidence Theory［D］.Xi'an：College of Automation，Northwestern University，2007.

［3］王欣，王云霄.基于證據(jù)理論的空中目標(biāo)識別［J］.吉林大學(xué)學(xué)報：理學(xué)版，2007，45（3）：141-181.

WANG Xin，WANG Yun-xiao.Target Recognition Based D-S Evidence Theory［J］.Journal of Jilin University：Science Edition，2007，45（3）：141-181.

［4］ZHANG Zhao.A New Fuzzy Neural Network Architecture for Multi-Sensor Data Fusion in Non-Destructive Testing［C］／／IEEE International Fuzzy Systems Conference Proceedings.Cambridge：MIT Press，1999：1661-1665.

［5］LIGGINS M E，HALL D L，LLINAS J.Hand-Book of Multi-Sensor Data Fusion Theory and Practice［M］.Cambridge：CRC Press，2008.

［6］DEZERT J，SMARANDACHE F.Advances and Applications of D-S Theory for Information Fusion［M］.［S.l.］：Research Press，2004.

［7］梁旭榮，姚佩陽，儲萍.一種基于ESM和紅外傳感器決策層信息融合的目標(biāo)識別方法［J］.傳感技術(shù)學(xué)報，2008，21（1）：66-69.

LIANG Xu-rong，YAO Pei-yang，CHU Ping.Aircraft Target Identfication Based on the Decision Fusion of ESM and Infrared Sensor［J］.Journal of Sensor Technology，2008，21（1）：66-69.

［8］辛玉林，徐世友.Dsmt理論在綜合敵我識別系統(tǒng)中的應(yīng)用［J］.系統(tǒng)工程與電子技術(shù)，2010，32（11）：2385-2388.

XIN Yu-lin，XU Shi-you.Application of DSmT in Integrated Identification of Friend-or-Foe［J］.Systems Engineering and Electronics，2010，32（11）：2385-2388.

［9］RISTIC B.Target Identification Using Belief Functions and Implication Rules［J］.IEEE Trans on Aerospace and Electronic Systems，2005，41（3）：1097-1103.

［10］PETRELLIS N，KOROTAOS N，ALEXIOU G.Target Localization Utilizing the Success Rate in Infrared Pattern Recognition［J］.IEEE Trans on Sensors Journal，2006，6（5）：1355-1364.

Fuzzy Neural Networks and D-S Theory Used in Friend and Foe Identification of Aircraft Target

LI Yong，WANG De-gong，YANG Zuo-long
（Department of Aviation Electronic Engineering，Aviation University of Airforce，Changchun 130022，China）

In order to satisfiy the complex battlefield environment，we raise a new method to realize friend and foe identification.Using the ablity of fuzzy neural networks and D-S theory in information processing，fusing the information acquired from IFF（Identification Friend-or-Foe），ESM（Electronic Warfare Support Measure），radar and infrared，the identification is realized.The simulation results show that the recognition ability of the method is superior to a single FNN （Fuzzy Neural Networks），classifier recognition rate is 0.978.And it also has a strong fault-tolerance and a certain degree of immunity，it better suited to the battlefield needs.

fuzzy neural networks；D-S theory；data fusion；friend and foe identification

TP319.4

A

1671-5896（2012）01-0078-05

2011-11-02

李勇（1988—），男，江西萍鄉(xiāng)人，空軍航空大學(xué)碩士研究生，主要從事模式識別與信息處理研究，（Tel）86-431-86034364（E-mail）594199475＠qq.com；王德功（1955—），男，江蘇徐州人，空軍航空大學(xué)教授，碩士生導(dǎo)師，主要從事雷達(dá)目標(biāo)識別研究，（Tel）86-431-86959066（E-mail）2495202664＠qq.com。

（責(zé)任編輯：何桂華）