[發明專利]一種基于改進D-S證據理論的目標意圖識別方法

有效

• 申請號: 201711053015.4
• 申請日: 2017-11-01
• 公開（公告）號: CN107871138B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張天賢;時巧;孟令同;汪子欽;崔國龍;孔令講;楊曉波
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01S13/00;G01S13/88
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 甘茂

1.一種基于改進D-S證據理論的目標意圖識別方法，該方法包括步驟：

步驟1：數據預處理，

目標T的位置記為(x,y,z)，其中，x、y、z分別為目標的x軸坐標、y軸坐標及z軸坐標；三部雷達R_i,i＝1,2,3的位置記為(x_i,y_i,z_i),i＝1,2,3，其中x_i、y_i、z_i，i＝1,2,3分別為三部雷達的x軸坐標、y軸坐標及z軸坐標；則三部雷達之間的距離為：

目標到三部雷達的距離記為r_i,i＝1,2,3，每部雷達探測到的目標徑向速度分別記為v_i,i＝1,2,3；則由幾何關系可得任意兩部雷達與目標形成的夾角θ_ij，i、j＝1,2,3,i≠j：

對于所有雷達位于同一平面，且目標的速度方向與雷達所在的平面共面的情況；目標速度記為v，任取兩部雷達R₁,R₂，目標速度與雷達R₁,R₂探測到的目標的徑向速度的夾角分別記為β₁,β₂，共存在三種拓撲結構；

對于拓撲結構一：目標速度v在雷達R₁探測到的目標的徑向速度的左側；則由幾何關系可得：

對于拓撲結構二：目標速度v在兩部雷達探測到的目標的徑向速度夾角之間；則由幾何關系可得：

對于拓撲結構三：目標速度v在雷達R₂探測到的目標的徑向速度右側；則由幾何關系可得：

則當利用任意兩部雷達的數據帶入公式(3)、(4)、(5)時，所得結果為正的那個β₁即為正確的β₁，相應的為正的β₂即為正確的β₂；這樣在組網雷達中，任意選擇兩部雷達利用其探測到的目標的徑向速度就能推導出目標速度，由于目標速度為定值，通過選擇不同的雷達進行相互印證，找到與所有雷達組合推導出的目標速度都與其他任意兩部雷達組合推導出的目標速度不同的那部雷達，即為存在異常的雷達，如果這部雷達為用來識別目標意圖的雷達，則對其數據進行修正，否則將其數據剔除；

對于所有雷達中有一部分雷達探測到的目標的徑向速度與目標速度共面，而另一部分與目標速度不在同一平面的情況；目標速度記為v，并與雷達R₁,R₂共面，目標速度與雷達R₁,R₂測量到的目標的徑向速度的夾角分別記為β₁,β₂，另任取一部雷達R₃，其探測到的目標的徑向速度與目標速度的夾角記為β₃，共存在三種拓撲結構；目標速度的延長線交由雷達R₁,R₂連線構成的線段R₁R₂于H，目標T與H的連線記為TH，雷達R₁與H的連線記為R₁H，雷達R₃與H的連線記為R₃H，目標T與雷達R₁,R₂形成的夾角記為∠TR₁R₂＝γ₁，三部雷達形成的夾角記為∠R₂R₁R₃＝α₁；則由幾何關系有：

對于拓撲結構一：目標速度v在雷達R₁探測到的目標的徑向速度的左側；由式(3)得到目標速度及夾角β₁,β₂；則由幾何關系可得：

對于拓撲結構二：目標速度v在兩部雷達R₁、R₂探測到的目標的徑向速度夾角之間；由式(4)得到目標速度及夾角β₁,β₂；則由幾何關系可得：

對于拓撲結構三：目標速度v在雷達R₂探測到的目標的徑向速度右側；由式(5)得到目標速度及夾角β₁,β₂；則由幾何關系可得：

通過對三種模型聯合求解得到TH、R₃H各一個值，則由幾何關系可得：

vcosβ₃＝v₃ (14)

從而通過v₃可以推導出目標速度v；通過將雷達R₁,R₂與不同雷達進行組合，每個組合都能推導出一個目標速度，通過對比發現推導出的目標速度中與其他組合得到的目標速度不同的雷達，即為存在問題的雷達，如果這部雷達是用來識別目標意圖的雷達，則對其數據進行修正，否則將其數據剔除；

步驟2：數據規范化，

目標具有的意圖個數記為L，將第l個意圖記為y_l,l＝1,2,…,L，將所有意圖放在同一空間得到目標戰術意圖空間Y＝(y₁,y₂,…,y_L)；在一段時間內檢測到的事件個數為E，目標具有的屬性個數為N，則對于第e個事件第n個屬性取值記為x_en,e＝1,2,…E,n＝1,2,…N；將第e個事件的所有屬性的取值組合構成目標特征向量X_e＝(x_e1,x_e2,…x_en,…,x_eN)；目標具有意圖y_l時的特征向量X稱為標準特征向量標準特征向量形式如下：

標準值的分量表示屬性n對應于意圖y_l時的標準值；

采用Min－Max規范化方法將原始數據的第e個事件第n個屬性的值x_en映射到一個統一的范圍內；設min_n是屬性n的最小值，max_n是屬性n的最大值，所有屬性轉換后的區間統一為[0,1]，記轉換得到的值為公式如下：

按類似的方法將第l個意圖第n個屬性的標準值轉換為公式如下：

步驟3：目標狀態與各意圖的相似程度，

利用式(16)、(17)將目標當前特征向量X_e和目標意圖空間對應的標準向量進行數據規范化處理得到然后利用式(18)計算出目標特征向量與標準向量間的相似度；其計算公式如下：

當標準值取值為0或1時，若則否則

當標準值取值離散且不為0和1時，

當標準值取值連續且區間為[a,b]時，

其中N為屬性個數；

將記為h_el，即表示第e個事件與第l個意圖的相似度，從而得到每個事件與每個意圖的相似度矩陣H：

步驟4：概率密度分配函數，

將相似度矩陣H按行歸一化得到每個證據的基本概率分配函數m_e(·)：

其中即式(20)的相似度矩陣H的行和；

步驟5：沖突處理，

在識別框架Θ下的兩個證據E₁，E₂，其基本概率分配函數分別為m₁(·)和m₂(·)，焦元分別為A_i和B_j，則證據E₁、E₂間的相似系數可以表示為：

設共有證據數目為E，計算任意兩證據間的相似系數，得到相似矩陣S；將相似距陣S的每行相加得到各證據對證據E_i的支持度，然后將其進行歸一化得到該證據的可信度Cr(m_i)；將其作為證據E_i的權重，得到加權后的各證據的基本概率分配；

對證據的基本概率分配進行平均：

步驟6：D-S證據合成及意圖判決，

將式(23)得到的證據的基本概率分配由下式進行自身的合成；

其中

將合成后的結果m(C)與式(23)得到的m(A_i)繼續進行式(24)的合成，繼續將合成后的結果與式(23)得到的m(A_i)進行式(24)的合成，一直循環直到完成E-2次合成；得到最終的每個意圖的概率分配，概率值最大所對應的意圖即為目標意圖。