基于模糊贝叶斯网络的空中目标多传感器融合识别研究

　　0　引言

　　多传感器目标识别的数据融合是将关于目标属性的多传感器的数据进行融合,获得对目标的准确描述,产生比任一单传感器更具体、更精确的属性估计和判决。近年来,国内外在目标识别领域的主攻方向是研究如何提取目标的特征量,利用特征量来区分不同的目标,为了获得对目标较为完整的描述,提高识别的精度,通常利用多传感器进行融合识别。常用的识别方法包括D-S证据理论法、贝叶斯准则法、神经网络法、专家系统法等[1-3]。但是这些方法通常要求有统一的识别框架,完整的先验概率等,要求较为苛刻。而由于恶劣的战场环境和传感器的多样性等因素,传感器所获得的数据既有离散的也有连续的,而且信息通常是模糊的、不确定的,并且不同类型传感器得到的不同层次的信息难以用统一的识别框架表示,所以空中目标识别是一个不确定性推理过程[4]。这时传统的面向离散变量或线性高斯型连续变量的概率推理算法受到了限制。贝叶斯网络由于能够组合多种证据进行不确定性表达和推理而得到了广泛的关注[5-6]。贝叶斯网络是目前不确定性知识表达和推理领域最有效的理论模型之一。作为贝叶斯网络的扩展,模糊贝叶斯网络能够有效地对连续变量进行模糊化和去模糊化操作,从而更加有效地处理不同变量类型引起的贝叶斯网络的推理困难[7]。本文运用模糊贝叶斯网络进行目标识别,根据空中目标识别的准则,首先建立目标识别的贝叶斯网络拓扑结构,应用模糊贝叶斯网络对连续型变量进行处理,然后应用贝叶斯概率推理对证据进行融合计算。

　　1　模糊贝叶斯网络

　　1.1　贝叶斯网络

　　贝叶斯网络是综合利用概率论和图论进行不确定事件分析和推理的工具[6]。一个贝叶斯网络由网络结构G和网络参数θ两个部分组成,即B=。网络结构G就是用一个有向无环图(DirectedAcyclicGraphs,DAG)对变量进行编码,它的节点表示随机变量vi,弧表示变量之间的相互联系,节点变量可以是任何问题的抽象,如故障假设、测试值、观测现象等。有向图蕴含了条件独立性假设,贝叶斯网络规定图中的每个节点vi条件独立与由vi的父节点给定的非vi后代节点构成的任何节点子集。假设A(vi)表示非vi的后代节点子集,B(vi)表示vi的直接双亲节点,则:

　　如图1所示的贝叶斯网络模型有4个节点组成,每个节点都是二进制的,即只有T(true)和F(false)两种状态,这4个节点的相互依赖关系以及每个节点的条件概率分布如图1所示。图中的Sprinkle与Rain节点为WetGrass节点的父节点,它们之间的有向弧蕴含了事件的因果关系, Sprinkle与Rain节点之间没有有向弧连接,说明它们之间是相互独立的。