基于模糊特征属性参数最优融合的目标识别

　　1　引言

　　为了提高自动目标识别( automatic target recognition,ATR)系统的性能和可靠性,包括卡尔曼滤波、贝叶斯方法、DS证据理论在内的各种多传感器信息融合方法被广泛使用。一方面,由于战场的复杂环境,模糊信息处理大量存在于目标自动识别系统中。原因是多方面的:由于军事上保密或者是其它的原因,往往无法获得所需识别目标的确切参数,通过各种渠道获取的特征信息常常是模糊的,比如,某目标的发射频率大概在40兆赫兹左右,目标速度约为2马赫等信息。另一方面,由于传感器本身的分辨率和可靠性等因素以及存在着人为或是自然的干扰,各传感器输出的信息也具有模糊性[1-3]。如何实现模糊信息融合是正确识别目标的基础。普遍

　　采用的方法是基于模糊数学中的聚合算子等。文献[4]使用了加权平均方法,文献[5]采用了模糊积分方法,文献[6]利用一种新的模糊综合函数实现了模糊参数的融合并实现了目标自动识别。

　　与以往目标识别中的模糊方法不同,本文采用模糊数来刻画传感器的输出报告,基于模糊数之间的相似性测度提出一种模糊特征属性的最优融合以实现目标识别。通过该方法对模糊报告融合的结果与各个传感器报告的冲突最小,且融合结果与传感器初始化权重向量和传感器报告融合的次序无关。

　　2　最优识别算法

　　最优识别算法的流程图如图1所示。系统中有多个传感器对被测参数进行测量,各个传感器输出报告经过最优融合算法得到融合结果后与目标模型数据库中的已知目标进行匹配,匹配程度最高的目标就是被识别目标的身份。在这一过程中,最优融合模块是本算法的重要组成部分。

　　2.1　模糊信息及相似性测度

　　模糊信息的合理表示是模糊信息融合的基础。本节首先介绍模糊数的一些基本概念,并使用三角形模糊数刻画模糊信息,给出了三角形模糊数的相似性测度。

　　模糊数的类型有很多种,比如常见的有三角形、梯型和高斯型等。具体采用何种类型的模糊数需要和实际问题相互结合加以确定,其原则是所选用的模糊数应该具有一定的合理性且易于后续处理,在这一标准下,本文采用三角形模糊数对目标属性模型进行刻画。一个三角模糊数~A可以表示为如图1所示的三元组(a, b, c),其隶属函数为：

　　　　　可以容易地证明本最优算法的收敛性,限于篇幅这里略去。上述求解最优实际上是一个不断迭代的过程,最优融合目标识别算法可以总结如下: