曹思遠(yuǎn)， 劉以安， 薛 松

(1.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122；2.中國艦船研究院，北京 100192)

改進(jìn)高維數(shù)據(jù)相似度的目標(biāo)意圖識別方法*

曹思遠(yuǎn)1， 劉以安1， 薛 松2

(1.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇 無錫 214122；2.中國艦船研究院，北京 100192)

對于實(shí)際戰(zhàn)場中目標(biāo)屬性要素呈現(xiàn)出的多樣化，傳統(tǒng)目標(biāo)意圖識別方法不能夠較全面地建立屬性之間的相似度模型。為了更好地闡述實(shí)際戰(zhàn)場的復(fù)雜情況，提高目標(biāo)意圖識別的準(zhǔn)確度，提出了一種利用改進(jìn)的空間相似度與屬性相似度融合的高維數(shù)據(jù)相似度模型，以全面地計(jì)算目標(biāo)各種屬性狀態(tài)對態(tài)勢意圖的支持程度，再利用得到的高維數(shù)據(jù)相似度通過D-S證據(jù)理論對目標(biāo)進(jìn)行序貫識別。仿真實(shí)驗(yàn)表明：該方法具有有效性以及能夠提高目標(biāo)意圖識別的準(zhǔn)確度，為解決目標(biāo)戰(zhàn)術(shù)意圖識別提供了新的方法。

意圖識別； 高維數(shù)據(jù)相似度； 證據(jù)理論

0 引 言

在現(xiàn)代戰(zhàn)場中需要多傳感器通過數(shù)據(jù)關(guān)聯(lián)、相關(guān)和組合，以獲得對被測環(huán)境或?qū)ο蟮母泳_的定位、身份識別，以及對當(dāng)前態(tài)勢和威脅的全面而及時(shí)的評估[1]。而在多源信息融合中，對敵方的戰(zhàn)場態(tài)勢進(jìn)行預(yù)判，對敵方目標(biāo)的意圖進(jìn)行識別是最活躍的研究領(lǐng)域之一。文獻(xiàn)[2]運(yùn)用沖突分析法、馬爾可夫分析法等方法對目標(biāo)作戰(zhàn)意圖進(jìn)行識別與預(yù)測。文獻(xiàn)[3]運(yùn)用貝葉斯網(wǎng)絡(luò)技術(shù)對目標(biāo)戰(zhàn)術(shù)意圖進(jìn)行有效識別，建立了一種理論上對目標(biāo)在戰(zhàn)場中態(tài)勢意圖識別較好的方法。文獻(xiàn)[4，5]主要研究的是理論框架與算法的基本表述，主要使用的算法有：模板匹配、專家系統(tǒng)、黑板模型、貝葉斯網(wǎng)絡(luò)技術(shù)等。文獻(xiàn)[6]提出了一種目標(biāo)戰(zhàn)術(shù)意圖序貫識別方法，該方法意圖識別精度較高。文獻(xiàn)[7]提出了一種基于D-S證據(jù)理論的海戰(zhàn)場目標(biāo)意圖識別技術(shù)，使用高維空間數(shù)據(jù)很好地解決了在高維數(shù)據(jù)中使用距離相似度計(jì)算造成的缺陷。

分析上述文獻(xiàn)[2～6]提出的方法還不能解決戰(zhàn)場復(fù)雜環(huán)境帶來的高維空間數(shù)據(jù)，由于高維空間數(shù)據(jù)具有稀疏性，低維空間的距離相似度函數(shù)不能滿足戰(zhàn)場多屬性分析要求。文獻(xiàn)[7]雖然從高維空間數(shù)據(jù)很好地進(jìn)行了目標(biāo)意圖識別，但是很難克服高維度數(shù)據(jù)帶來的影響，而且目標(biāo)意圖識別的準(zhǔn)確度還不足。

本文通過在已有的高維空間相似度函數(shù)基礎(chǔ)上，采用屬性相似度與基于指數(shù)函數(shù)的空間相似度相融合的高維空

間數(shù)據(jù)相似度模型，同時(shí)結(jié)合D-S證據(jù)理論組合各時(shí)序支持度進(jìn)行目標(biāo)的序貫識別，以此來實(shí)現(xiàn)戰(zhàn)場目標(biāo)意圖識別，明顯提高目標(biāo)識別的準(zhǔn)確度。

1 目標(biāo)意圖識別原理描述

目標(biāo)意圖識別主要是通過信息融合的數(shù)據(jù)源提取出目標(biāo)特征信息，然后通過目標(biāo)支持度函數(shù)計(jì)算出目標(biāo)意圖，由于目標(biāo)識別是對時(shí)序上的狀態(tài)的識別，所以，本文通過序貫識別的方法識別目標(biāo)戰(zhàn)術(shù)意圖，然后通過D-S證據(jù)理論對各個(gè)時(shí)序上的支持度進(jìn)行融合處理，從而計(jì)算出目標(biāo)狀態(tài)序列對目標(biāo)意圖標(biāo)準(zhǔn)值的支持程度，其過程如圖1所示。

圖1 目標(biāo)意圖識別原理圖

2 基于改進(jìn)的高維空間相似度對目標(biāo)支持度計(jì)算模型

設(shè)當(dāng)前時(shí)刻探測并經(jīng)特征提取得到的目標(biāo)特征向量X=(x1,x1,…,xn)，目標(biāo)戰(zhàn)術(shù)意圖標(biāo)準(zhǔn)值Y=(y1,y1,…,ym)，X對Y的支持程度表示為

S=f(X,Y)

(1)

2.1 目標(biāo)狀態(tài)對其意圖支持度計(jì)算

傳統(tǒng)相似性度量函數(shù)[8]為

(2)

(3)

公式(3)可以減少這種淹沒，同時(shí)由于指數(shù)函數(shù)為非線性遞增的特點(diǎn)，擴(kuò)大了基本概率的分配，使得對于同一方案，支持度高與低之間的差距增大，提高目標(biāo)意圖識別效果。但是式(3)只是空間相似度，并不能較好的反映分類屬性對象之間相似性的度量值。需要結(jié)合以下屬性公式[10]

(4)

由于在實(shí)際戰(zhàn)場中各個(gè)目標(biāo)表現(xiàn)的屬性以及環(huán)境因素比較復(fù)雜繁多,目標(biāo)屬性之間存在邏輯條件，因此,本文通過將式(3)改進(jìn)的空間相似度與式(4)高維數(shù)據(jù)屬性相似度進(jìn)行融合得到

(5)

式中 wj≥1，wj值越大，其對應(yīng)的第j維對相似度的貢獻(xiàn)就越小。該函數(shù)表示兩個(gè)對象間的相似程度，值越大，表明兩個(gè)對象越相似，0≤HEismw(X,Y)≤1。

(6)

(7)

2.2 數(shù)據(jù)規(guī)范化

戰(zhàn)場復(fù)雜環(huán)境中目標(biāo)對象表現(xiàn)的屬性各不相同，單位也不一致，因此，這里將當(dāng)前數(shù)據(jù)與規(guī)范數(shù)據(jù)進(jìn)行歸一化，使用Min-Max規(guī)范化方法，設(shè)屬性A的最大值為maxA，最小值為minA，屬性A的值為x，則經(jīng)過轉(zhuǎn)換后的A的屬性值X，為

(8)

3 目標(biāo)戰(zhàn)術(shù)意圖序貫識別技術(shù)

隨著戰(zhàn)場信息的不斷更新，會獲得源源不斷的實(shí)時(shí)數(shù)據(jù)，需要將這些各個(gè)時(shí)序的數(shù)據(jù)進(jìn)行有效組合，每次的數(shù)據(jù)識別的結(jié)果相當(dāng)于獲得一次證據(jù)，通過D-S證據(jù)理論可以有效的進(jìn)行戰(zhàn)場目標(biāo)序貫識別。

3.1 證據(jù)理論的基本概念[11]

證據(jù)理論的識別框架是問題推理后給出的所有答案的集合，用Θ表示。證據(jù)理論在識別框架的基礎(chǔ)上提出了基本概率分配函數(shù)、信任函數(shù)、似然函數(shù)、Dempster合成法則等概念。

3.1.1 基本概率分配函數(shù)

基本概率分配函數(shù)是一個(gè)從集合2Θ到[0,1]的映射，Θ為識別框架，A表示識別框架Θ的任一子集，記作A?Θ，且滿足

(9)

式中 m(A)稱為事件A的基本概率分配函數(shù)，表示證據(jù)對A的信任程度。

3.1.2 信任函數(shù)

信任函數(shù)Bel是一個(gè)從集合2Θ到[0,1]的映射，如果A表示識別框架Θ的任一子集，記作A?Θ，且滿足

(10)

3.1.3 似然函數(shù)

似然函數(shù)是指函數(shù)滿足

?A?Θ,?B?Θ

(11)

式中 m為基本概率分配函數(shù)。

3.1.4Dempster合成規(guī)則

設(shè)m1,m1,…,mn為同一識別框架 Θ上的n個(gè)基本信任分配函數(shù)，焦元分別為Ai(i=1,2,…,N)，則D-S合成規(guī)則為

(12)

3.2 目標(biāo)戰(zhàn)術(shù)意圖序貫識別方法步驟

目標(biāo)戰(zhàn)術(shù)意圖序貫識別方法具體步驟如圖2所示。

圖2 意圖序貫識別方法步驟

4 仿真計(jì)算與對比

采用文獻(xiàn)[12]中的數(shù)據(jù)，運(yùn)用本文提出的方法對目標(biāo)進(jìn)行意圖識別。通過改進(jìn)的高維空間數(shù)據(jù)相似度函數(shù)計(jì)算目標(biāo)屬性值與標(biāo)準(zhǔn)值的相似度見表1。

通過歸一化表1中的數(shù)據(jù)得到各個(gè)時(shí)刻目標(biāo)意圖的分布概率見表2。

根據(jù)D-S證據(jù)合成規(guī)則對表2中的數(shù)據(jù)進(jìn)行序貫合成，分別為t0,t0-t1,t0-t1-t2,t0-t1-t2-t3，其結(jié)果見表3。

表1 目標(biāo)屬性值與標(biāo)準(zhǔn)值的相似度

表2 分布概率

表3 目標(biāo)序貫意圖

通過與文獻(xiàn)[12]得出的結(jié)果進(jìn)行對比，目標(biāo)01對比結(jié)果如圖3，目標(biāo)02,03對比結(jié)果如圖4。

圖3 目標(biāo)01意圖概率圖

圖4 目標(biāo)02,03意圖概率圖

由以上意圖識別的結(jié)果可以看出：從t0開始隨著證據(jù)的獲取，01目標(biāo)的偵察意圖逐漸明顯，從t0，t1，t2時(shí)刻02，03目標(biāo)的突防意圖逐漸增大，而之后逐漸減小，但是其之后的攻擊意圖變大，與文獻(xiàn)[12]中一致。對于01目標(biāo)本文最終的偵察概率達(dá)到0.525 1，而文獻(xiàn)[12]中的為0.495 9；對于02和03目標(biāo)本文最后的攻擊意圖達(dá)到0.384 6，而文獻(xiàn)[12]中的攻擊意圖為0.304 9，可以得出本文的方法提高了目標(biāo)意圖的準(zhǔn)確度。

5 結(jié)束語

本文采用在前人的高維空間數(shù)據(jù)相似度函數(shù)的基礎(chǔ)上進(jìn)行改進(jìn)，結(jié)合D-S證據(jù)合成規(guī)則組合各個(gè)時(shí)序的目標(biāo)意圖支持度，最終判斷出目標(biāo)的意圖。通過改進(jìn)的高維空間數(shù)據(jù)相似度大大提高了目標(biāo)意圖識別的準(zhǔn)確度，為態(tài)勢評估中的目標(biāo)意圖識別提供了一個(gè)有工程價(jià)值的識別方法。

[1] 黃漫國，樊尚春,鄭德智，等.多傳感器數(shù)據(jù)融合技術(shù)研究進(jìn)展[J].傳感器與微系統(tǒng)，2010,29(3):5-8.

[2] 袁再江,許國志,鄧述慧.序貫博弈作戰(zhàn)意圖預(yù)測模型[J].系統(tǒng)工程理論與實(shí)踐,1997(7):72-78.

[3] 李偉生,王寶樹. 基于貝葉斯網(wǎng)絡(luò)的態(tài)勢評估[J].系統(tǒng)工程與電子技術(shù),2003(4):480-483.

[4]DasS，GreyR,GonsalvesP.SituationassessmentviaBayesianbeliefnetworks[C]∥Proceedingsofthe5thInternationalConfe-renceonInformationFusion,Maryland,2002:664-671.

[5]FarnoushMirmoeini,VikramKrishnamurthy.ReconfigurableBaye-siannetworksforadaptivesituationassessmentinbattle-space[C]∥Networking,SensingandControl,2005:810-815.

[6] 冷畫屏,吳曉鋒,胡劍光,等.海上目標(biāo)戰(zhàn)術(shù)意圖序貫識別技術(shù)研究[J].系統(tǒng)工程與電子技術(shù),2008(3):462-465.

[7] 孫越林,包 磊.基于D-S證據(jù)理論的海戰(zhàn)場目標(biāo)戰(zhàn)術(shù)意圖識別技術(shù)研究[J]. 艦船電子工程,2012(5):48-51.

[8] 王 波，孫智國，熊 濤.一種基于改進(jìn)支持度的節(jié)能型WSNs數(shù)據(jù)融合算法[J].傳感器與微系統(tǒng)，2015,34(11):122-128.

[9] 邵昌昇,樓 巍,嚴(yán)利民.高維數(shù)據(jù)中的相似性度量算法的改進(jìn)[J].計(jì)算機(jī)技術(shù)與發(fā)展,2011(2):1-4.

[10] 謝明霞,郭建忠,張海波,等. 高維數(shù)據(jù)相似性度量方法研究[J].計(jì)算機(jī)工程與科學(xué),2010(5):92-96.

[11] 楊風(fēng)暴，王肖霞.D-S證據(jù)理論的沖突證據(jù)合成方法[M].北京：國防工業(yè)出版社，2010.

[12] 孫越林,包 磊.基于D-S證據(jù)理論的海戰(zhàn)場目標(biāo)戰(zhàn)術(shù)意圖識別技術(shù)研究[J].艦船電子工程,2012(5):48-51.

Target tactical intention recognition method of improved high-dimensional data similarity*

CAO Si-yuan1， LIU Yi-an1， XUE Song2

(1.College of IoT Engineering,Jiangnan University,Wuxi 214122,China;2.China Ship Research and Development Academe,Beijing 100192,China)

The methods of traditional target intention recognition can’t comprehensively establish model of similarity among attributes.In order to elaborate on the complex situation of actual battlefields,a high-dimensional data similarity model using the fusion of the modified spatial similarity and attribute similarity is proposed to roundly compute the support degree of various properties of target on situational intention,which contributes to improving the accuracy of target intention recognition,use the obtained high-dimensional data similarity to sequentially recognize targets by means of theory of D-S evidence.Simulation results show that the method is not only effective,but also improves the accuracy of target intention recognition,which open up a new way for solving the target tactical intention recognition.

intention recognition; high-dimensional data similarity; evidence theory

10.13873/J.1000—9787(2017)05—0025—04

2016—04—18

國家自然科學(xué)基金資助項(xiàng)目(61170120)

TP 391

A

1000—9787(2017)05—0025—04

曹思遠(yuǎn)(1990-)，男，碩士研究生，主要研究方向?yàn)殡娮訉购蛿?shù)據(jù)融合。