祁友杰， 王 琦

(中國航天科工集團(tuán)8511研究所，江蘇 南京 210007)

0 引言

信息融合是生物體所固有的一種本質(zhì)特征，是生物體環(huán)境感知和行為行動(dòng)的基礎(chǔ)，其過程是生物體生存、進(jìn)化和發(fā)展的基本能力要素，它是人類和其他生物系統(tǒng)中普遍存在的一種基本功能。人類非常自然地利用這一能力把來自人類各傳感器(眼、耳、鼻和四肢)的信息(景物、聲音、氣味和觸覺)組合起來，并用先驗(yàn)知識(shí)去估計(jì)、理解周圍環(huán)境和正在發(fā)生的事件。無論在軍事還是在非軍事領(lǐng)域，數(shù)據(jù)融合技術(shù)已經(jīng)成為全球的研究熱點(diǎn)之一。從軍事應(yīng)用的角度，數(shù)據(jù)融合被定義為：把來自多個(gè)傳感器和信息源的數(shù)據(jù)和信息加以校準(zhǔn)、聯(lián)合、相關(guān)，合并成統(tǒng)一的表示形式，以獲得精確的目標(biāo)位置、狀態(tài)估計(jì)、身份識(shí)別，以及對(duì)戰(zhàn)場(chǎng)態(tài)勢(shì)和威脅的綜合評(píng)估；從非軍事應(yīng)用的角度來說，數(shù)據(jù)融合是對(duì)多個(gè)傳感器和信息源所提供的關(guān)于某一環(huán)境特征的不完整信息加以綜合，以形成相對(duì)完整、一致的感知描述，從而實(shí)現(xiàn)更加準(zhǔn)確的識(shí)別和判斷功能。

信息融合可以看成是一種形式框架，其過程是用數(shù)學(xué)方法和技術(shù)工具綜合不同源信息，目的是得到高品質(zhì)的有用信息。與單一信源獨(dú)立處理相比，信息融合的優(yōu)勢(shì)包括：提高可探測(cè)性和可信度、擴(kuò)大時(shí)空感知范圍、降低推理模糊程度、改進(jìn)探測(cè)精度等性能、增加目標(biāo)特征維數(shù)、提高空問分辨率、增強(qiáng)系統(tǒng)容錯(cuò)能力等[1]。

1 數(shù)據(jù)融合模型

數(shù)據(jù)融合的初始模型分為：像素級(jí)融合、特征級(jí)融合和決策級(jí)融合，后來又被擴(kuò)展成目標(biāo)提煉、態(tài)勢(shì)分析、威脅估計(jì)和過程精煉等四級(jí)[2]。四級(jí)融合模型通過動(dòng)態(tài)監(jiān)視融合處理過程，優(yōu)化資源和傳感器管理，實(shí)時(shí)反饋融合結(jié)果信息，以使融合處理過程具有自適應(yīng)性，從而達(dá)到最佳融合效果。融合方法的研究是數(shù)據(jù)融合的重要研究?jī)?nèi)容之一，與三級(jí)融合模型相對(duì)應(yīng)的的融合方法[3]有：像素融合方法主要有加權(quán)平均法、選舉決策法、卡爾曼濾波法、數(shù)理統(tǒng)計(jì)法等；特征級(jí)融合方法主要有卡爾曼濾波法、模糊推理法、神經(jīng)網(wǎng)絡(luò)法、產(chǎn)生式規(guī)則法等；決策級(jí)融合方法主要有貝葉斯概率推理法、Dempster-Shafer 證據(jù)推理法(簡(jiǎn)稱D-S方法)等。在實(shí)際應(yīng)用中，所有的融合方法都必須面臨著處理各種不確定信息的問題。

數(shù)據(jù)融合的一般功能模型對(duì)于設(shè)計(jì)融合系統(tǒng)結(jié)構(gòu)，以及有效利用多傳感器信息具有重要的指導(dǎo)意義。目前，國外最新的數(shù)據(jù)融合功能模型，是在美國JDL數(shù)據(jù)融合功能模型基礎(chǔ)上的改進(jìn)[2]，如圖1所示。

該功能模型將數(shù)據(jù)融合分為5層：第零層——亞目標(biāo)數(shù)據(jù)評(píng)估(Subobject Data Assessment)：以像素或信號(hào)級(jí)上的數(shù)據(jù)關(guān)聯(lián)和特征描述為基礎(chǔ)，對(duì)具有可觀測(cè)狀態(tài)的信號(hào)、目標(biāo)的估計(jì)和預(yù)測(cè)；第一層——目標(biāo)估計(jì)(obiect Assessment)：根據(jù)從觀測(cè)到跟蹤所建立的關(guān)系進(jìn)行實(shí)體狀態(tài)估計(jì)和預(yù)測(cè)，包括連續(xù)狀態(tài)估計(jì)(如運(yùn)動(dòng)狀態(tài))和離散狀態(tài)估計(jì)(如目標(biāo)類型和身份)；第二層——態(tài)勢(shì)評(píng)估(Situation Assessment)：實(shí)體之間相互關(guān)系的估計(jì)與預(yù)測(cè)，包括：火力結(jié)構(gòu)與火力交叉關(guān)系，通信交互和人們之間的直接交互情況，戰(zhàn)場(chǎng)周圍環(huán)境等因素；第三層——沖擊性評(píng)估(Impact Assessment)：對(duì)參與者所制訂的計(jì)劃或預(yù)測(cè)行動(dòng)結(jié)果的估計(jì)和預(yù)測(cè)，主要包括多個(gè)參與者行動(dòng)計(jì)劃間的相互影響(如估計(jì)出弱點(diǎn)以預(yù)測(cè)對(duì)某一計(jì)劃制訂者的威脅動(dòng)作)；第四層——過程改進(jìn)(Process Improvement)：它是一個(gè)資源管理成分，支持任務(wù)的自適應(yīng)數(shù)據(jù)獲取和處理。

從處理對(duì)象的層次上看，零層屬于低級(jí)融合，它是經(jīng)典檢測(cè)理論的直接發(fā)展，是近十幾年才開始的研究領(lǐng)域，目前絕大多數(shù)多傳感器數(shù)據(jù)融合系統(tǒng)還不存在這一級(jí)，仍然保持集中式檢測(cè)，而不是分布式檢測(cè)，但分布式檢測(cè)是未來的發(fā)展方向。第一和第二層屬于中間層次，是最重要的兩級(jí)，它們是進(jìn)行威脅估計(jì)的前提和基礎(chǔ)。實(shí)際上，融合本身發(fā)生在前兩個(gè)層上，而態(tài)勢(shì)評(píng)估和威脅估計(jì)只是在某種意義上與融合具有相似的含義。

2 多源數(shù)據(jù)融合算法的分類

多源數(shù)據(jù)融合涉及到多方面的理論和技術(shù)，并沒有完全統(tǒng)一的算法能夠適應(yīng)所有的場(chǎng)景，所以在應(yīng)用上，需要針對(duì)不同的應(yīng)用背景選擇相應(yīng)的算法。按算法概念分類，主要分成三大類，分別為：物理模型類、基于參數(shù)類和基于認(rèn)識(shí)模型類，如圖2所示。

2.1 物理模型類

此類算法是根據(jù)物理模型直接計(jì)算實(shí)體特征。預(yù)測(cè)一個(gè)實(shí)體特征的物理模型必須以被識(shí)別物體的物理特征為基礎(chǔ)，而實(shí)際物理模型往往相當(dāng)復(fù)雜，建立起來非常困難。盡管實(shí)際中很少使用這種方法，但在基礎(chǔ)研究工作中卻需要使用它。句法分析方法和估計(jì)理論法屬于物理模型算法中的典型，句法分析方法開發(fā)了物理對(duì)象的語法和句法，而物理對(duì)象說明是分別從傳感器數(shù)據(jù)分量(或原始信息)獲得的，因此能對(duì)來自這個(gè)假定的結(jié)構(gòu)關(guān)系的一個(gè)對(duì)象的表示進(jìn)行匯集。估計(jì)理論法包括卡爾曼濾波算法、最大似然估計(jì)法及最小二乘法等。

2.2 基于參數(shù)類

參數(shù)分類算法是最常見，也是應(yīng)用最廣、研究最深入的一類算法。此類算法尋求一個(gè)標(biāo)識(shí)說明且使之依賴于參數(shù)數(shù)據(jù)，在參數(shù)數(shù)據(jù)和一個(gè)標(biāo)識(shí)說明間建立一個(gè)直接的映像。此類算法可進(jìn)一步分為基于統(tǒng)計(jì)的算法和基于信息論技術(shù)的算法。

2.2.1 基于統(tǒng)計(jì)的算法

統(tǒng)計(jì)算法主要包括經(jīng)典推理法、Bayes推理算法、基于D-S證據(jù)理論法等。經(jīng)典推理：經(jīng)典推理描述[4]在給出目標(biāo)存在的假設(shè)條件下，所觀測(cè)到的數(shù)據(jù)與標(biāo)識(shí)相關(guān)的概率。其局限性是：僅能估計(jì)兩個(gè)假設(shè)，即假設(shè)和與其相對(duì)的備擇假設(shè)；當(dāng)遇到多變量數(shù)據(jù)時(shí)，算法復(fù)雜性提高；需要一個(gè)先驗(yàn)密度函數(shù)的有效度，否則不能直接使用先驗(yàn)估計(jì)。Bayes推理[5]：它解決了經(jīng)典推理方法的某些困難。它以最小風(fēng)險(xiǎn)代價(jià)為基本模型，在給定一個(gè)預(yù)先似然估計(jì)和附加證據(jù)(觀測(cè))條件下，能更新一個(gè)假設(shè)的似然函數(shù)。Bayes推理的缺點(diǎn)是：定義先驗(yàn)似然比較困難；當(dāng)有多個(gè)可能的假設(shè)和多個(gè)條件相關(guān)時(shí)，顯得很復(fù)雜；要求對(duì)立的假設(shè)彼此互不相容；缺乏分配總不確定性的能力。D-S證據(jù)理論[6]：D-S證據(jù)理論是Bayes理論的廣義擴(kuò)展，它考慮了總不確定性程度。D-S方法利用了概率區(qū)間和不確定區(qū)間來確定多證據(jù)下假設(shè)的似然函數(shù)，當(dāng)所有的假設(shè)互不相容且完備時(shí)，Bayes推理技術(shù)與D-S法產(chǎn)生相同的結(jié)果。D-S法存在的問題是：不能有效地處理矛盾的證據(jù)；具有冪指數(shù)增長(zhǎng)的計(jì)算量；推理鏈較長(zhǎng)時(shí)，使用證據(jù)理論很不方便；D-S組合規(guī)則具有組合靈敏性，但有時(shí)基本概率賦值一個(gè)很小的變化都可能導(dǎo)致結(jié)果很大的變化。

2.2.2 基于信息論的算法

在某些場(chǎng)合，多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別并不需要用統(tǒng)計(jì)的方法直接模擬觀測(cè)數(shù)據(jù)的隨機(jī)形式，而是依賴于觀測(cè)參數(shù)與目標(biāo)身份之間的映射關(guān)系來對(duì)目標(biāo)進(jìn)行識(shí)別。這類方法稱為基于信息論的融合識(shí)別算法，這類算法包括神經(jīng)網(wǎng)絡(luò)法[7-8]、熵理論法[9]、表決法[10]和聚類算法[9]等。

人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的。神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別法是用非常簡(jiǎn)單的計(jì)算處理單元(神經(jīng)元)進(jìn)行互聯(lián)構(gòu)成的非線性網(wǎng)絡(luò)系統(tǒng)，具有學(xué)習(xí)、記憶、計(jì)算能力以及各種智能識(shí)別處理能力，所有神經(jīng)元可在沒有外部同步信號(hào)作用的情況下執(zhí)行大容量的并行計(jì)算。神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別算法中最著名的是以自適應(yīng)信號(hào)處理理論為基礎(chǔ)發(fā)展起來的前向多層神經(jīng)網(wǎng)絡(luò)及其逆推學(xué)習(xí)(BP)算法。

熵法是用于融合系統(tǒng)的一種新技術(shù)。利用了事件發(fā)生的概率，反映了信息量的思想。它的原理是經(jīng)常發(fā)生的事情熵最小，而不經(jīng)常發(fā)生的事情熵最大，將其用于傳感器數(shù)據(jù)融合過程中，就是要作出使熵極大的結(jié)論。熵法很有應(yīng)用價(jià)值，尤其是對(duì)于實(shí)時(shí)性要求很高的系統(tǒng)，當(dāng)準(zhǔn)確的先驗(yàn)統(tǒng)計(jì)不可利用時(shí)，或者是從整個(gè)成本—效益觀點(diǎn)來看，熵法都是很有吸引力的，國外已開始將熵法用于計(jì)算與假設(shè)有聯(lián)系的信息內(nèi)容的度量值。

表決法類似于日常生活中的投票選舉，它包括布爾“與”、“或”處理，是多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別算法中最簡(jiǎn)單的技術(shù)。它由每個(gè)傳感器提供對(duì)被測(cè)對(duì)象狀態(tài)的一個(gè)判斷，然后由表決算法對(duì)這些判斷進(jìn)行搜索，以找到一個(gè)由半數(shù)以上傳感器“同意”的判斷(或采取其他簡(jiǎn)單的判定規(guī)則)，并宣布表決結(jié)果。也可采用加權(quán)方法、門限技術(shù)以及其他判定方法等，這種方法在沒有準(zhǔn)確的先驗(yàn)統(tǒng)計(jì)數(shù)據(jù)可利用時(shí)十分有用，特別是對(duì)于實(shí)時(shí)融合很有吸引力。

所謂聚類就是把大量的d維數(shù)據(jù)樣本聚集成n個(gè)類，使同一類內(nèi)樣本的相似性最大，而不同類內(nèi)樣本的相似性最小。聚類分析法是一種啟發(fā)式算法，在模式類數(shù)目不是精確知道的標(biāo)志性應(yīng)用中，這類方法很有效，它是按某種聚類準(zhǔn)則將數(shù)據(jù)分組(聚類)，并把每個(gè)數(shù)據(jù)組解釋為相應(yīng)的目標(biāo)類。聚類分析可以作為一個(gè)單獨(dú)的工具以發(fā)現(xiàn)數(shù)據(jù)庫中數(shù)據(jù)分布的一些深入的、隱含的、有用的信息，并且概括出每一類的特點(diǎn)，或者把注意力放在某一個(gè)特定的類上以作進(jìn)一步的分析。目前，已經(jīng)提出的聚類算法有很多，主要有分裂法、分層設(shè)計(jì)法及基于網(wǎng)格的方法等。

2.3 基于認(rèn)識(shí)模型類

基于認(rèn)識(shí)模型的算法主要包括邏輯模板法、模糊集理論算法、遺傳算法及知識(shí)系統(tǒng)法等。

邏輯模板法實(shí)質(zhì)上是一種匹配識(shí)別的方法，它將系統(tǒng)的一個(gè)預(yù)先確定的模式(模板)與觀測(cè)數(shù)據(jù)進(jìn)行匹配，確定條件是否滿足，從而進(jìn)行推理。預(yù)先確定的模式中可以包含邏輯條件、模糊概念、觀測(cè)數(shù)據(jù)以及用來定義一個(gè)模式的邏輯關(guān)系中的不確定性等。因此模板實(shí)質(zhì)上是一種表示與邏輯關(guān)系進(jìn)行匹配的綜合參數(shù)模式方法[11]。決策模板法作為邏輯模板法的一類，是一種簡(jiǎn)單直觀的決策層融合目標(biāo)識(shí)別算法。經(jīng)典的決策模板法沒有充分利用各傳感器對(duì)于不同類目標(biāo)鑒別能力的先驗(yàn)信息，文獻(xiàn)[12]提出利用傳感器平均度量熵對(duì)決策模板法進(jìn)行修正，合理度量多個(gè)傳感器對(duì)不同類目標(biāo)的分類鑒別能力，仿真結(jié)果表明改進(jìn)的決策模板法能提高目標(biāo)正確識(shí)別率。文獻(xiàn)[13]針對(duì)經(jīng)典的決策模板法不能反映傳感器對(duì)于不同類目標(biāo)的分類鑒別能力，不能適應(yīng)待識(shí)別目標(biāo)特征矢量起伏變化，同時(shí)沒有保留訓(xùn)練樣本全部信息等缺陷，提出了基于熵和K近鄰方法的修正決策模板法，從而使得多傳感器融合目標(biāo)識(shí)別的性能得到很大的改善。

由于環(huán)境的復(fù)雜性、噪聲干擾、識(shí)別系統(tǒng)的不穩(wěn)定及采用不同識(shí)別算法等因素的影響，目標(biāo)信號(hào)以及提取的特征參量信息存在不精確、不完整和不可靠性。此外，進(jìn)行目標(biāo)識(shí)別的判決方法上也存在一定的主觀模糊性。模糊集理論是解決這類問題的強(qiáng)有力數(shù)學(xué)工具。模糊集理論中豐富的融合算子和決策規(guī)則為有效進(jìn)行目標(biāo)融合處理提供了必要的手段。近年來，國內(nèi)外一些學(xué)者已開始將模糊集理論應(yīng)用于目標(biāo)身份確認(rèn)問題。如Kewley[14]基于電子偵察數(shù)據(jù)，使用模糊邏輯融合多傳感器數(shù)據(jù)進(jìn)行目標(biāo)身份確認(rèn)。Ludovic Roux等[15]基于模糊集的可能性理論,進(jìn)行多譜衛(wèi)星圖像融合以解決圖像分類問題。文獻(xiàn)[16]通過運(yùn)用模糊集理論中的模糊綜合函數(shù)，建立了多傳感器目標(biāo)識(shí)別決策級(jí)融合模型，用可能性分布表征和描述傳感器目標(biāo)識(shí)別結(jié)果，討論了基于模糊綜合函數(shù)的目標(biāo)識(shí)別融合算法，最后舉例說明了該方法的有效性。文獻(xiàn)[17]將模糊測(cè)度和模糊積分引入多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別，給出了模糊積分應(yīng)用于決策層數(shù)據(jù)融合目標(biāo)識(shí)別的通用技術(shù)路線，并提供了信源重要程度的度量方法。文獻(xiàn)[18]給出了一種多源多層次自適應(yīng)變權(quán)的多傳感器目標(biāo)融合的模糊算法，提供了一種表達(dá)和處理不確定性信息的有效方法，充分利用了各傳感器信息源之間的冗余性和互補(bǔ)性以及各信息源自身的可靠性信息，達(dá)到了較好的識(shí)別效果。不同類型傳感器在相同的工作環(huán)境下具有不同的識(shí)別能力，模糊集理論算法考慮了信源的重要程度，反應(yīng)了客觀實(shí)際，融合識(shí)別結(jié)果優(yōu)于D-S證據(jù)理論，并且相對(duì)于D-S證據(jù)理論，模糊積分中不涉及識(shí)別框架的論域問題，有利于增大識(shí)別框架，提高融合系統(tǒng)的實(shí)用性。

遺傳算法是一個(gè)群體優(yōu)化過程，它由一組初始值出發(fā)進(jìn)行優(yōu)化，優(yōu)化過程就是這個(gè)群體不斷繁衍、競(jìng)爭(zhēng)和遺傳、變異的過程[19]。文獻(xiàn)[20]將遺傳算法與神經(jīng)網(wǎng)絡(luò)目標(biāo)分類器結(jié)合，通過識(shí)別結(jié)果的反饋信息，控制遺傳算法的遺傳進(jìn)化方向?qū)崿F(xiàn)特征優(yōu)化，為克服遺傳算法的未成熟收斂問題，提出了相關(guān)選擇與自適應(yīng)遺傳算子相結(jié)合的改進(jìn)遺傳算法，實(shí)驗(yàn)結(jié)果驗(yàn)證了方法的有效性。

知識(shí)是對(duì)某些客觀對(duì)象的認(rèn)識(shí)，并通過屬性來刻畫這種認(rèn)識(shí)。如果能夠給出某個(gè)對(duì)象集合的屬性特征，則該對(duì)象集合表達(dá)了一種完全知識(shí)[21]。文獻(xiàn)[22]以PSM和本體為核心，構(gòu)筑了知識(shí)系統(tǒng)建模框架，將應(yīng)用領(lǐng)域知識(shí)系統(tǒng)結(jié)構(gòu)要素分為需求本體、概念本體、方法本體、控制知識(shí)和解釋知識(shí)。文獻(xiàn)[22]還將概念本體和方法本體融入多主體建模中，探討了知識(shí)本體維護(hù)和管理機(jī)理及系統(tǒng)結(jié)構(gòu)，為知識(shí)系統(tǒng)建模集成探索了一條有效的途徑，也為基于知識(shí)系統(tǒng)的多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別算法研究提供了清晰有效的思路。

4 結(jié)束語

隨著傳感器技術(shù)、數(shù)據(jù)處理技術(shù)、計(jì)算機(jī)軟硬件技術(shù)及人工智能技術(shù)等相關(guān)技術(shù)的發(fā)展，多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別必將成為未來目標(biāo)識(shí)別研究的重點(diǎn)和熱點(diǎn)。本文在介紹了多源數(shù)據(jù)融合目標(biāo)識(shí)別原理及其算法理論基礎(chǔ)的前提下，從算法概念分類方面，對(duì)多傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別算法進(jìn)行了較為詳盡的總結(jié)，為下一步多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別研究提供了一定的理論依據(jù)?！?/p>

[1] 潘泉, 王增福, 梁彥，等. 信息融合理論的基本方法與進(jìn)展[J]. 控制理論與應(yīng)用, 2012，29(10):1234-1244.

[2] Hall DL, Llinas J. An introduction to multisensor data fusion[J]. Proc. of the IEEE, 1997，85(1):6-23.

[3] 康耀紅. 數(shù)據(jù)融合理論與應(yīng)用[M]. 西安:西安電子科技大學(xué)出版社, 1997.

[4] 張新曼，韓九強(qiáng)．基于矩陣分析的一種不確定性推理的數(shù)據(jù)融合方法[J]．西安交通大學(xué)學(xué)報(bào),2002，36(8):851-854．

[5] 王俊林, 張劍云. 采用Bayes多傳感器數(shù)據(jù)融合方法進(jìn)行目標(biāo)識(shí)別[J]. 傳感器技術(shù), 2005，24(10):86-88.

[6] Dempster AP. Upper and lower probabilities induced by a multivalued mapping[J].Annals of Mathematical Sta-tistics,1967,38(2):325-339.

[7] 付耀文．雷達(dá)目標(biāo)融合識(shí)別研究[D].長(zhǎng)沙：國防科技大學(xué), 2003.

[8] Barbera HM, Skarmeta AG, Izquierdo MZ. Neural networks for sonar and infrared sensors fusion[C]∥Proc. of the third international confer. on information fusion,2002:3-4.

[9] Rizvi SA, Nasrabadi NM. Fusion techniques for automatic target recognition[C]∥Applied Imagery Pattern Recognition Workshop, 2003:201-207.

[10] 徐小琴. 多傳感器數(shù)據(jù)融合目標(biāo)識(shí)別算法綜述[J].紅外與激光工程,2006, 35:321-328．

[11] 楊應(yīng)雷,周金和,王川潮. 加權(quán)決策模板業(yè)務(wù)感知算法 [J]. 計(jì)算機(jī)工程與應(yīng)用,2015,53(2):118-123.

[12] 張翼，朱玉鵬. 決策模板法在決策層融合目標(biāo)識(shí)別中的應(yīng)用和改進(jìn)[J].電光與控制,2005, 12(6):16-19．

[13] 帥軍. 基于熵和KNN的決策模板法在目標(biāo)識(shí)別中的應(yīng)用[J]. 湖南文理學(xué)院學(xué)報(bào),2005,17(1):18-21．

[14] Kewley DJ. Notes on the use of D-S and fuzzy reasoning to fuse identity attribute data[M]. Salisbury, S.A.:Surveillance Research Laboratory,1992.

[15] Roux L, Desachy J. Information fusion for supervised classification in a satellite image[C]∥International Joint Conference of the Fourth IEEE International Conference on Fuzzy Systems and The Second International Fuzzy Engineering Symposium, 1995:1119-1125.

[16] 楊建勛, 史朝輝. 基于模糊綜合函數(shù)的目標(biāo)識(shí)別融合算法研究[J]. 雷達(dá)技術(shù),2004(33): 11-13．

[17] 劉永祥, 黎湘, 莊釗文．基于Choquet模糊積分的決策層信息融合目標(biāo)識(shí)別[J]. 電子與信息學(xué)報(bào), 2003,25(5):695-699．

[18] 劉源, 謝維信. 多傳感器圖像模糊融合算法在圖像識(shí)別中的應(yīng)用[J]．西安電子科技大學(xué)學(xué)報(bào), 2000,27(1):5-8．

[19] 李君. 智能學(xué)習(xí)的目標(biāo)識(shí)別算法研究[J]．紅外月刊,2003,2(2):11-32．

[20] 牛麗紅, 倪國強(qiáng). 多傳感器目標(biāo)識(shí)別系統(tǒng)的特征優(yōu)化方法[J].光學(xué)技術(shù), 2005,31(3): 420-426．

[21] 張文修，徐宗本．知識(shí)系統(tǒng)與認(rèn)知分析[J]．系統(tǒng)工程理論與實(shí)踐，2002,10(10):118-122．

[22] 朱欣娟，蘭壯麗，劉風(fēng)華．知識(shí)系統(tǒng)建模框架研究[J]．西安工程科技學(xué)院學(xué)報(bào),2004, 18(1): 48-54．

征稿簡(jiǎn)則

1.《航天電子對(duì)抗》由中國航天科工集團(tuán)有限公司主管、中國航天科工集團(tuán)有限公司8511研究所主辦，主要報(bào)道與導(dǎo)彈武器系統(tǒng)、空間系統(tǒng)相關(guān)的雷達(dá)、制導(dǎo)、通訊、導(dǎo)航、C4ISR等電子設(shè)備和系統(tǒng)總體的電子、光電及信息攻防對(duì)抗技術(shù)。來稿應(yīng)切合本刊報(bào)道內(nèi)容，具備科學(xué)性、創(chuàng)新性和邏輯性，要求論點(diǎn)明確、結(jié)構(gòu)嚴(yán)謹(jǐn)、論據(jù)可靠、文字和算式推導(dǎo)簡(jiǎn)練無誤，有較高的理論水平和實(shí)用價(jià)值。稿件篇幅以6000字以內(nèi)(含摘要、圖表、公式及參考文獻(xiàn))為宜，最多不超過8000字。

2.來稿應(yīng)包括：題名、作者姓名、單位、摘要和關(guān)鍵詞(3～8個(gè))，并提供上述內(nèi)容的英譯文；文章的中圖分類號(hào)、文獻(xiàn)標(biāo)識(shí)碼；引言、正文、結(jié)論或結(jié)束語、參考文獻(xiàn)和作者簡(jiǎn)介(包括通訊地址和聯(lián)系方式)；如果投稿文章為國家自然科學(xué)基金等基金項(xiàng)目資助課題或?yàn)槭　⒉课攸c(diǎn)課題，獲獎(jiǎng)?wù)n題等請(qǐng)予以注明(提供正式全名和編號(hào))。具體為：

1)題名是能反映文章中心內(nèi)容的恰當(dāng)?shù)摹⒑?jiǎn)明的詞語的邏輯組合，一般不超過20個(gè)漢字，應(yīng)避免使用不常見的外文縮寫。英文題名的第1個(gè)詞的首字母大寫，其余均小寫。

2)作者不超過5人，署名與排序應(yīng)協(xié)商一致，如有變動(dòng)請(qǐng)?zhí)崆巴ㄖ?/p>

例：方 萍，文紹川

Fang Ping，Wen Shaochuan

3)作者單位用中文全稱標(biāo)注，其英譯文應(yīng)統(tǒng)一、規(guī)范，實(shí)詞首字母均大寫。

例：(中國航天科工集團(tuán)8511研究所，江蘇 南京 210007)

(No.8511 Research Institute of CASIC，Nanjing 210007，Jiangsu，China)

4)摘要應(yīng)完整、高度地概括出文章的目的、方法、結(jié)果及結(jié)論；采用第三人稱，句型要力求簡(jiǎn)單，慎用長(zhǎng)句，字?jǐn)?shù)以200字左右為宜；應(yīng)排除常識(shí)性內(nèi)容，避免與題名簡(jiǎn)單重復(fù)；其英譯文應(yīng)完整、準(zhǔn)確，盡量使用被動(dòng)式。

5)作者簡(jiǎn)介的著錄規(guī)范為：姓名(出生年-)，性別，職稱，學(xué)歷，研究方向，其它。并注明可靠的通訊地址和聯(lián)系方式(電話、手機(jī)等)，如有變更，請(qǐng)盡快通知編輯部。

6)來稿中圖表應(yīng)精選，切勿過大(一般不超過8cm寬)。圖表中的字符和數(shù)據(jù)應(yīng)準(zhǔn)確無誤，且與正文一致，圖表序號(hào)、圖表題、圖表正文應(yīng)以中文標(biāo)注，曲線圖請(qǐng)注明橫縱坐標(biāo)的變量名、單位和刻度值。

7)應(yīng)使用法定計(jì)量單位，一般不使用“公斤”、“英里”等單位，單位符號(hào)應(yīng)為正體；量符號(hào)必須使用斜體字母，矢量、張量和矩陣符號(hào)為黑斜體。編寫公式應(yīng)盡量使用公式編輯器。

8)參考文獻(xiàn)應(yīng)是公開發(fā)表過的文獻(xiàn)，發(fā)表年限應(yīng)盡量在最近10年之內(nèi)，按引用的先后順序排序，作者姓名一律姓前名后。

3.請(qǐng)使用電子郵箱投稿(編輯部E-mail：HTDZ8511@126.com)，稿件須為Word格式，主題請(qǐng)寫為“新投稿”，修改稿主題請(qǐng)寫為“修回(文章編號(hào))”。

4.本刊收稿后2個(gè)月左右通知作者是否刊登，在此期間切勿一稿多投。已通知錄用的文章必須在要求的時(shí)限內(nèi)修回，如不能按時(shí)修回請(qǐng)?zhí)崆跋蚓庉嫴坑枰哉f明，否則視為作者撤稿。請(qǐng)自留底稿，來稿一律不返還。

5.來稿必須經(jīng)過保密審查，并附有單位蓋章的保密審查單，文責(zé)自負(fù)。本刊對(duì)錄用稿有修改權(quán)，所發(fā)表文章版權(quán)歸編輯部。本刊已被封面所示的數(shù)據(jù)庫全文收錄，作者的著作權(quán)使用費(fèi)和稿酬一次性付給，如作者不同意文章被收錄，請(qǐng)?jiān)趤砀鍟r(shí)申明，本刊將做適當(dāng)處理。