2024年3月11日发(作者：公羊良骏)
２０１０年４月
舰船电子对抗
ＥＬＥＣＴＲｏＮＩＣ ＣＯＵＮＴＥＲＭＥＡＳＵＲＥ
ＳＨＩＰＢＯＡＲＤ
Ａｐｒ．２０１０
Ｖｏ１．３３ ＮＯ．２
第３３卷第２期
基于神经网络与Ｄ—Ｓ证据理论的
多传感器目标识别技术
肖婷婷，张 冰
（江苏科技大学，镇江２１２００３）
摘要：为了满足目标识别的需要，多传感器的数据融合技术已经成为研究的热点。ＩＹＳ证据理论是多传感器信息融
合中最常用的一种处理不确定问题的方法，在基于Ｄ－Ｓ证据理论的目标识别融合中，基本概率赋值的获取是一个难
点。使用神经网络中应用最广泛的ＢＰ神经网络来求基本概率赋值，再结合Ｄ－Ｓ理论进行目标识别。结果表明这种
方法可以提高战场目标识别的可靠性，降低识别结果的不确定性。
关键词：多传感器；数据融合；目标识别；Ｉ＞Ｓ证据理论；ＢＰ神经网络
中图分类号：ＴＮ９７；ＴＰ１８３ 文献标识码：Ａ 文章编号：ＣＮ３２—１４１３（２０１０）０２—００９０—０４
Ｍｕｌｔｉ—ｓｅｎｓｏｒ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｂａｓｅｄ ｏｎ
Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ａｎｄ Ｄ—Ｓ Ｅｖｉｄｅｎｃｅ Ｔｈｅｏｒｙ
ＸＩＡＯ Ｔｉｎｇ—ｒｉｎｇ，ＺＨＡＮＧ Ｂｉｎｇ
（Ｊ ｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ ｏ１ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｊ ｌａｎｇ ２ １ ２００３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔＯ ｍｅｅｔ ｔｈｅ ｎｅｅｄｓ ｏｆ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅ ｄａｔａ ｆｕｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｍｕｌｔｉ—ｓｅｎ—
ｓｏｒ ｈａｓ ｂｅｃｏｍｅ ａ ｒｅｓｅａｒｃｈ ｈｏｔｓｐｏｔ．Ｄ－Ｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ ｉＳ ｔｈｅ ｍｏｓｔ ｃｏｍｍｏｎ ｍｅｔｈｏｄ ｔＯ ｄｅａｌ ｗｉｔｈ
ｔｈｅ ｕｎｃｅｒｔａｉｎ ｐｒｏｂｌｅｍ ｉｎ ｍｕｌｔｉ—ｓｅｎｓｏｒ ｄａｔａ ｆｕｓｉｏｎ．Ｉｎ ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ Ｄ－Ｓ
ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ，ａｃｑｕｉｒｉｎｇ ｔｈｅ ｂａｓｉｃ ｐｒｏｂａｂｉｌｉｔｙ ａｓｓｉｇｎｍｅｎｔ ｉｓ ａ ｄｉｆｆｉｃｕｌｔｙ．Ｔｈｉｓ ｐａｐｅｒ ｕｓｅｓ ｔｈｅ ＢＰ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｈｉｃｈ ｉｓ ｍｏｓｔ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｓｅｅｋ ｔｈｅ ｂａｓｉｃ ｐｒｏｂａｂｉｌｉｔｙ ａｓｓｉｇｎ—
ｍｅｎｔ，ｔｈｅｎ ｐｅｒｆｏｒｍｓ ｔｈｅ ｔａｒｇｅｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｃｏｍｂｉｎｉｎｇ ｗｉｔｈ ｔｈｅ Ｄ－Ｓ ｔｈｅｏｒｙ．Ｔｈｅ ｒｅｓｕｌｔ ｉｎｄｉｃａｔｅｓ
ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｉｎｃｒｅａｓｅ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎ ｔｈｅ ｂａｔｔｌｅｆｉｅｌｄ ａｎｄ ｒｅｄｕｃｅ
ｔｈｅ ｕｎｃｅｒｔａｉｎｔｙ ｏｆ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ．
Ｋｅｙ ｗｏｒｄｓ：ｍｕｌｔｉ—ｓｅｎｓｏｒ；ｄａｔａ ｆｕｓｉｏｎ；ｔａｒｇｅｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；Ｄ－Ｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
０
言
多传感器数据融合的基本任务之一是目标识
率的获取主要是依靠经验的方法来获得的，但是这
种方法根据个人对知识掌握的不同，导致结果有很
大差异。
别，能否正确识别敌方目标是战争取得胜利的关键。
随着现代战争武器的不断升级，作战范围的不断扩
那么如何才能使基本概率赋值更为客观呢？神
经网络具有自适应、自组织、自学习能力，可以通过
样本的学习建立起记忆，将未知模式判为最为接近
的记忆。通过神经网络学习后获取的基本概率赋值
能起到专家领域的作用，并且通过神经网络处理的
数据，可近似认为数据间是相互独立的，弥补了Ｉ）＿Ｓ
理论的不足。
大，载体的隐蔽性不断增强，快速、准确地发现目标，
并且在经过获取、过滤、融合后能识别目标，是取得
战争胜利的关键性一步。
Ｄ－Ｓ证据理论经常被用于目标识别中，但其基
本概率赋值的获取是个难点，基本概率赋值的好坏
直接关系到最后的决策和识别结果。目前，基本概
收稿日期：２００９—０９—０１
第２期 肖婷婷等：基于神经网络与Ｄ－Ｓ证据理论的多传感器目标识别技术 ９１
１ ＢＰ神经网络
ＢＰ网络即误差回传神经网络，是一种无反馈的
前向网络，网络中的神经元分层排列。它是由输入
层、中间层和输出层组成的，工作过程分为学习期和
一＿Ｉ二作期。
假设一个３层的ＢＰ网络，其输入节点为ａ ，隐
含层输人节点为ｓ ，输出节点为ｂ ，输出层输入节点
为ｚ ，输出节点为 ，输入层至隐含层的连接权值为
叫 隐含层至输出层的连接权值为 隐含层各节
点的输出阈值为ｏｌ，输出层各节点的阈值为７，，输出
节点的期望值为ｔ ，其工作流程为：
（１）初始化。给每个连接权值叫… 阈值 ，
与ｙ，赋予区间（一ｌ，１）内的随机值。
（２）随机选取一组输入ａ 和目标样本ｔ 提供
给网络。
（３）用输入样本ａ 、连接权值 和阈值 ，计
算隐含层的输入ｓ ，然后用ｓ 通过传递函数计算隐
含层各节点的输出ｂ ：
＝＝＝
∑叫 口 一 ，Ｊ一１，２，…，Ｐ （１）
ｉ一１
ｂ 一ｆ（ｓ ）， 一１，２，…，Ｐ （２）
（４）利用隐含层的输出ｂｊ、连接权值 和阈值
）， 计算输出层各节点的输出ｚ，，然后利用通过传递
函数计算输出各节点的响应ｃ ：
三
ｚ，一 ｂ一）， ，ｔ＝１，２，…，ｑ （３）
Ｊ—ｌ
ｃ 一，（Ｚ ），ｔ一１，２，…，ｑ （４）
（５）利用网络的期望值ｔ 和网络的实际输出
ｃ ，计算出输出层各节点的误差ｄ ：
ｄ 一（ｔ 一ｃ ）・ｃ ・（１一ｆ ），ｔ一１，２，…，ｑ（５）
（６）利用连接权值７Ｊｊ，、输出层的误差ｄ 和隐含
层的输出ｂ，计算隐含层各节点的误差ｅ ：
—
Ｐ，＝＝＝（∑ｄ，・ ，，）・ｂｊ・（１一ｂ ） （６）
ｔ—ｌ
（７）利用输出层各节点的误差ｄ 与隐含层各
节点的输出ｂ，来修正连接权值 和阈值ｙ ：
（Ｎ＋１）一 （Ｎ）＋ａ・ｄ ・ｂ， （７）
）， （Ｎ ４－１）一７，（Ｎ）＋ａ・ｄ （８）
式中：￡一１，２，…，ｑ； 一１．２，…，Ｐ；０＜ａ＜１。
（８）利用隐含层各节点的误差ｅ，、输入层各节
点的输入ａ 来修正连接权值叫 和阈值 ，：
砌 （Ｎ＋１）一 （Ｎ）＋ ａ （９）
（Ｎ＋１）一 （Ｎ）＋ （１０）
式中：ｉ一１，２，…， ； 一１，２，…，Ｐ；ｏ＜ｐ＜ｌ。
（９）随机选取下一个学习样本提供给网络，返
回到步骤（３），直到样本训练完毕为止。
（１０）重新从学习样本中随机选取一组输入和
目标样本，返回步骤（３），直到网络全局误差小于预
先设定的一个极小值。
２ Ｄ—Ｓ证据理论
２．１证据理论的基本概念
定义１：设辨识框架Ｕ中的元素满足互不相容
的条件，命题Ａ对基本概率赋值函数ｍ赋值ｍ（Ａ）
是集合２ 到［ｏ，１］的映射，即若ｍ：２ｕ一［０，１］，满足
下列条件：
ｆｍ（ ）一０
１∑ （
Ａ Ｕ
Ａ）一１ ”
式中： （Ａ）称为事件的基本概率赋值，它表示了对
命题Ａ的支持程度。
定义２：设满足如下条件：
Ｆ＆ （０）一ｏ
Ｆ＆ （Ｕ）一１ ｆ１２）
Ｆ＆ （Ａ）一 ｍ（Ｂ），Ｖ Ａ Ｕ
面
则称Ｆ＆ 为信任函数，称Ｆ＆ （Ａ）为命题Ａ的信
任度。
定义３：设满足如下条件：
Ｆ （Ａ）一１一Ｆ＆ （Ａ） （１３）
Ｆ （Ａ）一 ｍ（Ｂ），Ｖ Ａ Ｕ （１４）
Ａ Ｏ
则称Ｆ 为似真函数，称Ｆ （Ａ）为命题Ａ的似
真度。
２．２ Ｄｅｍｐｓｔｅｒ组合规则
２．２．１两个信任函数的组合
假设 和ｍ 是两个相同辨识框架Ｕ上的基
本概率赋值，如果Ｆ 的焦元是Ｂ “，Ｂ ，Ｆ＆ ｚ的
焦元是Ｃ ，…，Ｃ ，应用正交和规则ｍ（Ａ）一ｍ ０
，
组合输出：
ｅｒ（Ａ）一Ｋ～ ｍｌ（Ｂ） ２（ｃ），Ａ≠０（１５）
ＢＮ—Ｃ＝Ａ
式中：Ｋ一１一∑ｍ （Ｂ） （Ｃ）一∑ｍ。（Ｂ）・
（Ｃ），Ｋ反映了两个证据之间的冲突程度。
２．２．２多个信任函数的组合
对于多个基本概率赋值函数，有规则 （Ａ）一
９２ 舰船电子对抗 第３３卷
④ 。０…０ ，组合以后的综合概率赋值为：
ｍ（Ａ）一Ｋ
Ａ—
＞： Ｎ ｍ（Ａ ），Ａ≠Ｏ（１６）
Ａ
Ａ １≤ ≤
—
＝
４ 实验仿真
本文对空中攻击机、战斗机、轰炸机、直升机和
其他机种进行识别，即识别框架是己，一｛Ａ，Ｂ，Ｃ，Ｄ，
Ｉ
式中：Ｋ 一１一∑ Ｎ ｍ（Ａ ）。
ｆ１Ａ ｐ１≤ｌ≤”
３ 基于Ｉ）－Ｓ理论和神经网络的目标
识别系统模型
Ｅ｝，其中Ａ为攻击机，Ｂ为战斗机，Ｃ为轰炸机，Ｄ
为直升机，Ｅ为其他机型。选用雷达、电子侦察
（ＥＳＭ）、红外３类的传感器，分别用ｍ ， ２， ｓ
本文的系统模型如图１所示。在已有的数据库
表示。
的基础上，利用ＢＰ神经网络进行特征级融合，将神 假设各个传感器采样频率同步，并且数据已经
经网络的输出作为证据，经过Ｄ－Ｓ证据理论进行决 过预处理，分别对每个传感器建立神经网络模型。
策级融合。该模型充分利用了Ｄ－Ｓ理论处理不确 雷达对目标识别的有用特征选取速度、加速度、飞行
定问题的优势和神经网络强大的非线性处理能力，
高度、雷达反射截面积和转弯半径；红外对目标的有
利用神经网络的自学习能力，解决了Ｄ—Ｓ理论中基
用特征选取形状、辐射能量、热点数量；ＥＳＭ对目标
本概率赋值难获取的问题。同时，如果在没有噪声
的有用特征选取载频、脉宽、脉冲重频。它们的ＢＰ
的情况下，目标的识别会很容易，但现实情况中，噪
神经网络模型都为３层，即输人层、隐含层和输出
声是不可避免的，因此利用多个传感器进行识别，将
层。通过多次实验，选择训练步数较少，识别率相对
每个传感器的识别结果进行融合可以提高识别率。
较好的网络。对于雷达的神经网络模型有５个输入
传感器１
预处理
ＢＰ网络
归一化
结点，１２个隐含层结点，５个输出结点；红外的神经
传感器２
预处理 ＢＰ网络
归 化
网络模型有３个输人结点，８个隐含层结点，５个输
出结点；ＥＳＭ的神经网络模型有３个输入结点，８
传感器ｎ
预处理 ＢＰ网络
归一化
蓄
个隐含层结点，５个输出结点。
实验中，ＢＰ网络输出层的激活函数选择Ｓｉｇ－
图１系统模型
ｍｏｉｄ函数，学习规则选择梯度规则，输入层到中间
具体过程为：（１）将采集到的信息进行预处理，
层的权值和中间层到输出层的权值定为随机数，网
得到目标特征向量；（２）将目标特征向量作为样本
络最大训练步数选择１０ ０００，网络误差选择０．００１。
集，训练神经网络；（３）将需要识别的样本输入训练
本文利用ＭＡＴＩ ＡＢ中的神经网络工具箱分别对外
场１００组样本数据进行训练，样本数据要经过归一
好的神经网络；（４）将神经网络的输出归一化后作为
化处理，直到满足误差要求。图２分别是雷达、红外
一
条证据，即基本概率赋值；（５）用证据组合规则进
行证据组合，得到最终结果。
和ＥＳＭ网络训练的曲线图。
ｏｏ
图２ 网络训练的曲线图
将飞机类型Ａ的一组数据输入已训练好的网 表１ ３个传感器对目标的基本概率赋值
络，得到的结果即基本概率赋值函数，如表１所示。
Ａ Ｂ Ｃ Ｄ Ｅ
由表１看出，只看单个网络，不易分辨出目标类
ｍ１ Ｏ．３７２ ６ ０．２４６ ７ ０．２０２ ３ ０．０７８ ２ Ｏ．１ＯＯ ２
型，因此，将三种传感器的数据用Ｄ－Ｓ证据理论进
１／＇ｌ２ ０．４０１ ９ Ｏ．２５７ ８ Ｏ．１８８ ９ Ｏ．１１７ ２ ０．０２４ ２
行融合， 和ｍ。融合后的基本概率赋值如表２。
ｍ３ Ｏ．３３２ ９ Ｏ．３ｌ７ ８ Ｏ．１２２ ８ Ｏ．１３２ ３ ０．０９４ ２
第２期 肖婷婷等：基于神经网络与Ｄ－Ｓ证据理论的多传感器目标识别技术 ９３
表２ ｍ 和ｍ。融合后的基本概率赋值
５ 结论
Ａ Ｂ Ｃ Ｄ Ｅ
ｍ１ ２ Ｏ．５６９ Ｏ Ｏ．２４１ ６ ０．１４５ ２ ０．０３４ ８ ０．００９ ４
仿真结果表明：通过神经网络的训练后，对多传
３
Ｏ．３３２ ９ Ｏ．３１７ ８ Ｏ．１２２ ８ Ｏ．１３２ ３ ０．０９４ ２
感器信息进行融合，使得系统对实际目标的基本概
再将ｍ 和ｍ。进行融合，最终融合结果如表３。
率赋值有了较大提高，并且系统的不确定性也大大
表３最终融合结果
降低。这充分说明采用Ｄ—Ｓ证据理论和神经网络
Ｉ Ａ Ｉ Ｂ ｌ Ｃ Ｄ Ｅ
结合对多传感器获得的信息进行融合，可以提高战
．
。
Ｉｏ．６５４ ２ Ｉ ｏ．２６５ ２ ｌ ｏ．０６１ ６ ０．０１５ ９ ０．Ｏ０３ １
场目标识别的可靠性，增强系统的置信度，降低识别
根据融合结果可以看出，目标Ａ的识别率远远
结果的不确定性，改善检测性能。
大于其它几类目标。再选取１ ０００组样本作为测试
参考文献
样本进行测试，测试结果如表４所示。
表４各神经网络的识别率
Ｅｌｉ康耀红．数据融合理论与应用［Ｍ］．西安：西安电子科
技大学出版社，１９９７．
单个ＢＰ神经网络 用Ｄ－Ｓ证据
Ｅ２］唐世杰，高社生，刑化玲．Ｄ－Ｓ理论与神经网络相结合
飞机类型 识别率（ ） 理论组合后的
的信息融合模型研究［Ｊ］．传感技术学报，２００７，２０（８）：
雷达 红外 ＥＳＭ 识别概率（ ）
１８１５—１８２Ｏ．
Ａ ８４．５８ ８１．７６ ８４．２８ ９１．２３
［３］钟络，饶文碧，邹承明．人工神经网络及其融合应用技
Ｂ ８２．８３ ８２．８２ ８９．２７ ９３．８２
术ＥＭ］．北京：科学出版社，２００７．
Ｃ ８６．３１ ７８．１７ ８６．３６ ９３．１９
［４］ 飞思科技产品研发中心．神经网络理论与ＭＡＴＬＡＢ ７
Ｄ ８５．９２ ８５．２８ ８７．２６ ９５．２７
实现［Ｍ］．北京：电子工业出版社，２００５．
Ｅ ８０．２９ ８３．１６ ８５．８９ ９１．７２
（上接第７８页）
４ 结论
丽１：，幅度受Ｉ；（ （ｏ， ）Ｉ加权
。
在 范围内，速度
通过模糊图对相参脉冲串信号的性能进行分
模糊瓣的数目为 。在速度模糊瓣之间还存在一
析，可得出如下结论：
（１）同单载频矩形脉冲信号模糊图相比，由于
些低旁瓣，它们是由ｌ Ｉ产生的。图６给 相参脉冲串信号模糊图的中心主峰被大大压窄，因
此它既具有窄脉冲的良好距离分辨力１／Ｂ，又具有
出了ｏ～ 的细微结构。由图可以看出，旁瓣的最
长脉冲的良好速度分辨力１／（Ｎ一１）Ｔ 。而对单载
小点出现在赤，即在相邻两尖峰中间，其幅度约为
频矩形脉冲信号来说测距、测速性能是不能兼顾的。
（２）由于存在模糊瓣，使得测距、测速有清晰区
模糊瓣幅度的１／Ｎ。显然，当Ｎ》１时，速度模糊瓣
的限制。
的宽度趋于零，旁瓣的幅度也趋于零。此时模糊图
旱现为理想的“板钉型”。
参考文献
ｌ１］ 林茂庸，柯有安．雷达信号理论ＥＭ］．北京：国防工业出
版社，１９８４．
［２］朱晓华．脉位调制脉冲串信号理论与应用研究［Ｄ］．南
京：南京理工大学，２００２．
［３］孙光明，朱晓华，顾红，刘国岁．随机二相码脉冲雷达信
。
Ｌ －一
号的平均模糊函数［Ｊ］．信号处理，１９９６（１）：３８—４５．
Ｌ
ＬＬ
．
２ ０—０４Ｌ＿
：
，
—
． ］
０
０ ０
●
０
０６ ０ ●０８ ０
［４］强晓峰．随机脉位调制雷达信号分析［Ｄ］．南京：南京
理工大学，２００２．
图６相参脉冲串信号的ｌｚ（。，ｆｄ）ｌ￣ｏ～ 内的结构
Ｅｓ］刘己斌．基于伪随机码的相位调制与脉位调制复合引
信ＥＪ］．兵工学报，２００４，２５（５）：６３４—６３７．
2024年3月11日发(作者：公羊良骏)
２０１０年４月
舰船电子对抗
ＥＬＥＣＴＲｏＮＩＣ ＣＯＵＮＴＥＲＭＥＡＳＵＲＥ
ＳＨＩＰＢＯＡＲＤ
Ａｐｒ．２０１０
Ｖｏ１．３３ ＮＯ．２
第３３卷第２期
基于神经网络与Ｄ—Ｓ证据理论的
多传感器目标识别技术
肖婷婷，张 冰
（江苏科技大学，镇江２１２００３）
摘要：为了满足目标识别的需要，多传感器的数据融合技术已经成为研究的热点。ＩＹＳ证据理论是多传感器信息融
合中最常用的一种处理不确定问题的方法，在基于Ｄ－Ｓ证据理论的目标识别融合中，基本概率赋值的获取是一个难
点。使用神经网络中应用最广泛的ＢＰ神经网络来求基本概率赋值，再结合Ｄ－Ｓ理论进行目标识别。结果表明这种
方法可以提高战场目标识别的可靠性，降低识别结果的不确定性。
关键词：多传感器；数据融合；目标识别；Ｉ＞Ｓ证据理论；ＢＰ神经网络
中图分类号：ＴＮ９７；ＴＰ１８３ 文献标识码：Ａ 文章编号：ＣＮ３２—１４１３（２０１０）０２—００９０—０４
Ｍｕｌｔｉ—ｓｅｎｓｏｒ Ｔａｒｇｅｔ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｂａｓｅｄ ｏｎ
Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ ａｎｄ Ｄ—Ｓ Ｅｖｉｄｅｎｃｅ Ｔｈｅｏｒｙ
ＸＩＡＯ Ｔｉｎｇ—ｒｉｎｇ，ＺＨＡＮＧ Ｂｉｎｇ
（Ｊ ｉａｎｇｓｕ Ｕｎｉｖｅｒｓｉｔｙ ｏ１ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｊ ｌａｎｇ ２ １ ２００３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｔＯ ｍｅｅｔ ｔｈｅ ｎｅｅｄｓ ｏｆ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ，ｔｈｅ ｄａｔａ ｆｕｓｉｏｎ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｍｕｌｔｉ—ｓｅｎ—
ｓｏｒ ｈａｓ ｂｅｃｏｍｅ ａ ｒｅｓｅａｒｃｈ ｈｏｔｓｐｏｔ．Ｄ－Ｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ ｉＳ ｔｈｅ ｍｏｓｔ ｃｏｍｍｏｎ ｍｅｔｈｏｄ ｔＯ ｄｅａｌ ｗｉｔｈ
ｔｈｅ ｕｎｃｅｒｔａｉｎ ｐｒｏｂｌｅｍ ｉｎ ｍｕｌｔｉ—ｓｅｎｓｏｒ ｄａｔａ ｆｕｓｉｏｎ．Ｉｎ ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ Ｄ－Ｓ
ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ，ａｃｑｕｉｒｉｎｇ ｔｈｅ ｂａｓｉｃ ｐｒｏｂａｂｉｌｉｔｙ ａｓｓｉｇｎｍｅｎｔ ｉｓ ａ ｄｉｆｆｉｃｕｌｔｙ．Ｔｈｉｓ ｐａｐｅｒ ｕｓｅｓ ｔｈｅ ＢＰ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗｈｉｃｈ ｉｓ ｍｏｓｔ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｔｏ ｓｅｅｋ ｔｈｅ ｂａｓｉｃ ｐｒｏｂａｂｉｌｉｔｙ ａｓｓｉｇｎ—
ｍｅｎｔ，ｔｈｅｎ ｐｅｒｆｏｒｍｓ ｔｈｅ ｔａｒｇｅｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｃｏｍｂｉｎｉｎｇ ｗｉｔｈ ｔｈｅ Ｄ－Ｓ ｔｈｅｏｒｙ．Ｔｈｅ ｒｅｓｕｌｔ ｉｎｄｉｃａｔｅｓ
ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｉｎｃｒｅａｓｅ ｔｈｅ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ ｔｈｅ ｔａｒｇｅｔ ｒｅｃｏｇｎｉｔｉｏｎ ｉｎ ｔｈｅ ｂａｔｔｌｅｆｉｅｌｄ ａｎｄ ｒｅｄｕｃｅ
ｔｈｅ ｕｎｃｅｒｔａｉｎｔｙ ｏｆ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ．
Ｋｅｙ ｗｏｒｄｓ：ｍｕｌｔｉ—ｓｅｎｓｏｒ；ｄａｔａ ｆｕｓｉｏｎ；ｔａｒｇｅｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；Ｄ－Ｓ ｅｖｉｄｅｎｃｅ ｔｈｅｏｒｙ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ
０
言
多传感器数据融合的基本任务之一是目标识
率的获取主要是依靠经验的方法来获得的，但是这
种方法根据个人对知识掌握的不同，导致结果有很
大差异。
别，能否正确识别敌方目标是战争取得胜利的关键。
随着现代战争武器的不断升级，作战范围的不断扩
那么如何才能使基本概率赋值更为客观呢？神
经网络具有自适应、自组织、自学习能力，可以通过
样本的学习建立起记忆，将未知模式判为最为接近
的记忆。通过神经网络学习后获取的基本概率赋值
能起到专家领域的作用，并且通过神经网络处理的
数据，可近似认为数据间是相互独立的，弥补了Ｉ）＿Ｓ
理论的不足。
大，载体的隐蔽性不断增强，快速、准确地发现目标，
并且在经过获取、过滤、融合后能识别目标，是取得
战争胜利的关键性一步。
Ｄ－Ｓ证据理论经常被用于目标识别中，但其基
本概率赋值的获取是个难点，基本概率赋值的好坏
直接关系到最后的决策和识别结果。目前，基本概
收稿日期：２００９—０９—０１
第２期 肖婷婷等：基于神经网络与Ｄ－Ｓ证据理论的多传感器目标识别技术 ９１
１ ＢＰ神经网络
ＢＰ网络即误差回传神经网络，是一种无反馈的
前向网络，网络中的神经元分层排列。它是由输入
层、中间层和输出层组成的，工作过程分为学习期和
一＿Ｉ二作期。
假设一个３层的ＢＰ网络，其输入节点为ａ ，隐
含层输人节点为ｓ ，输出节点为ｂ ，输出层输入节点
为ｚ ，输出节点为 ，输入层至隐含层的连接权值为
叫 隐含层至输出层的连接权值为 隐含层各节
点的输出阈值为ｏｌ，输出层各节点的阈值为７，，输出
节点的期望值为ｔ ，其工作流程为：
（１）初始化。给每个连接权值叫… 阈值 ，
与ｙ，赋予区间（一ｌ，１）内的随机值。
（２）随机选取一组输入ａ 和目标样本ｔ 提供
给网络。
（３）用输入样本ａ 、连接权值 和阈值 ，计
算隐含层的输入ｓ ，然后用ｓ 通过传递函数计算隐
含层各节点的输出ｂ ：
＝＝＝
∑叫 口 一 ，Ｊ一１，２，…，Ｐ （１）
ｉ一１
ｂ 一ｆ（ｓ ）， 一１，２，…，Ｐ （２）
（４）利用隐含层的输出ｂｊ、连接权值 和阈值
）， 计算输出层各节点的输出ｚ，，然后利用通过传递
函数计算输出各节点的响应ｃ ：
三
ｚ，一 ｂ一）， ，ｔ＝１，２，…，ｑ （３）
Ｊ—ｌ
ｃ 一，（Ｚ ），ｔ一１，２，…，ｑ （４）
（５）利用网络的期望值ｔ 和网络的实际输出
ｃ ，计算出输出层各节点的误差ｄ ：
ｄ 一（ｔ 一ｃ ）・ｃ ・（１一ｆ ），ｔ一１，２，…，ｑ（５）
（６）利用连接权值７Ｊｊ，、输出层的误差ｄ 和隐含
层的输出ｂ，计算隐含层各节点的误差ｅ ：
—
Ｐ，＝＝＝（∑ｄ，・ ，，）・ｂｊ・（１一ｂ ） （６）
ｔ—ｌ
（７）利用输出层各节点的误差ｄ 与隐含层各
节点的输出ｂ，来修正连接权值 和阈值ｙ ：
（Ｎ＋１）一 （Ｎ）＋ａ・ｄ ・ｂ， （７）
）， （Ｎ ４－１）一７，（Ｎ）＋ａ・ｄ （８）
式中：￡一１，２，…，ｑ； 一１．２，…，Ｐ；０＜ａ＜１。
（８）利用隐含层各节点的误差ｅ，、输入层各节
点的输入ａ 来修正连接权值叫 和阈值 ，：
砌 （Ｎ＋１）一 （Ｎ）＋ ａ （９）
（Ｎ＋１）一 （Ｎ）＋ （１０）
式中：ｉ一１，２，…， ； 一１，２，…，Ｐ；ｏ＜ｐ＜ｌ。
（９）随机选取下一个学习样本提供给网络，返
回到步骤（３），直到样本训练完毕为止。
（１０）重新从学习样本中随机选取一组输入和
目标样本，返回步骤（３），直到网络全局误差小于预
先设定的一个极小值。
２ Ｄ—Ｓ证据理论
２．１证据理论的基本概念
定义１：设辨识框架Ｕ中的元素满足互不相容
的条件，命题Ａ对基本概率赋值函数ｍ赋值ｍ（Ａ）
是集合２ 到［ｏ，１］的映射，即若ｍ：２ｕ一［０，１］，满足
下列条件：
ｆｍ（ ）一０
１∑ （
Ａ Ｕ
Ａ）一１ ”
式中： （Ａ）称为事件的基本概率赋值，它表示了对
命题Ａ的支持程度。
定义２：设满足如下条件：
Ｆ＆ （０）一ｏ
Ｆ＆ （Ｕ）一１ ｆ１２）
Ｆ＆ （Ａ）一 ｍ（Ｂ），Ｖ Ａ Ｕ
面
则称Ｆ＆ 为信任函数，称Ｆ＆ （Ａ）为命题Ａ的信
任度。
定义３：设满足如下条件：
Ｆ （Ａ）一１一Ｆ＆ （Ａ） （１３）
Ｆ （Ａ）一 ｍ（Ｂ），Ｖ Ａ Ｕ （１４）
Ａ Ｏ
则称Ｆ 为似真函数，称Ｆ （Ａ）为命题Ａ的似
真度。
２．２ Ｄｅｍｐｓｔｅｒ组合规则
２．２．１两个信任函数的组合
假设 和ｍ 是两个相同辨识框架Ｕ上的基
本概率赋值，如果Ｆ 的焦元是Ｂ “，Ｂ ，Ｆ＆ ｚ的
焦元是Ｃ ，…，Ｃ ，应用正交和规则ｍ（Ａ）一ｍ ０
，
组合输出：
ｅｒ（Ａ）一Ｋ～ ｍｌ（Ｂ） ２（ｃ），Ａ≠０（１５）
ＢＮ—Ｃ＝Ａ
式中：Ｋ一１一∑ｍ （Ｂ） （Ｃ）一∑ｍ。（Ｂ）・
（Ｃ），Ｋ反映了两个证据之间的冲突程度。
２．２．２多个信任函数的组合
对于多个基本概率赋值函数，有规则 （Ａ）一
９２ 舰船电子对抗 第３３卷
④ 。０…０ ，组合以后的综合概率赋值为：
ｍ（Ａ）一Ｋ
Ａ—
＞： Ｎ ｍ（Ａ ），Ａ≠Ｏ（１６）
Ａ
Ａ １≤ ≤
—
＝
４ 实验仿真
本文对空中攻击机、战斗机、轰炸机、直升机和
其他机种进行识别，即识别框架是己，一｛Ａ，Ｂ，Ｃ，Ｄ，
Ｉ
式中：Ｋ 一１一∑ Ｎ ｍ（Ａ ）。
ｆ１Ａ ｐ１≤ｌ≤”
３ 基于Ｉ）－Ｓ理论和神经网络的目标
识别系统模型
Ｅ｝，其中Ａ为攻击机，Ｂ为战斗机，Ｃ为轰炸机，Ｄ
为直升机，Ｅ为其他机型。选用雷达、电子侦察
（ＥＳＭ）、红外３类的传感器，分别用ｍ ， ２， ｓ
本文的系统模型如图１所示。在已有的数据库
表示。
的基础上，利用ＢＰ神经网络进行特征级融合，将神 假设各个传感器采样频率同步，并且数据已经
经网络的输出作为证据，经过Ｄ－Ｓ证据理论进行决 过预处理，分别对每个传感器建立神经网络模型。
策级融合。该模型充分利用了Ｄ－Ｓ理论处理不确 雷达对目标识别的有用特征选取速度、加速度、飞行
定问题的优势和神经网络强大的非线性处理能力，
高度、雷达反射截面积和转弯半径；红外对目标的有
利用神经网络的自学习能力，解决了Ｄ—Ｓ理论中基
用特征选取形状、辐射能量、热点数量；ＥＳＭ对目标
本概率赋值难获取的问题。同时，如果在没有噪声
的有用特征选取载频、脉宽、脉冲重频。它们的ＢＰ
的情况下，目标的识别会很容易，但现实情况中，噪
神经网络模型都为３层，即输人层、隐含层和输出
声是不可避免的，因此利用多个传感器进行识别，将
层。通过多次实验，选择训练步数较少，识别率相对
每个传感器的识别结果进行融合可以提高识别率。
较好的网络。对于雷达的神经网络模型有５个输入
传感器１
预处理
ＢＰ网络
归一化
结点，１２个隐含层结点，５个输出结点；红外的神经
传感器２
预处理 ＢＰ网络
归 化
网络模型有３个输人结点，８个隐含层结点，５个输
出结点；ＥＳＭ的神经网络模型有３个输入结点，８
传感器ｎ
预处理 ＢＰ网络
归一化
蓄
个隐含层结点，５个输出结点。
实验中，ＢＰ网络输出层的激活函数选择Ｓｉｇ－
图１系统模型
ｍｏｉｄ函数，学习规则选择梯度规则，输入层到中间
具体过程为：（１）将采集到的信息进行预处理，
层的权值和中间层到输出层的权值定为随机数，网
得到目标特征向量；（２）将目标特征向量作为样本
络最大训练步数选择１０ ０００，网络误差选择０．００１。
集，训练神经网络；（３）将需要识别的样本输入训练
本文利用ＭＡＴＩ ＡＢ中的神经网络工具箱分别对外
场１００组样本数据进行训练，样本数据要经过归一
好的神经网络；（４）将神经网络的输出归一化后作为
化处理，直到满足误差要求。图２分别是雷达、红外
一
条证据，即基本概率赋值；（５）用证据组合规则进
行证据组合，得到最终结果。
和ＥＳＭ网络训练的曲线图。
ｏｏ
图２ 网络训练的曲线图
将飞机类型Ａ的一组数据输入已训练好的网 表１ ３个传感器对目标的基本概率赋值
络，得到的结果即基本概率赋值函数，如表１所示。
Ａ Ｂ Ｃ Ｄ Ｅ
由表１看出，只看单个网络，不易分辨出目标类
ｍ１ Ｏ．３７２ ６ ０．２４６ ７ ０．２０２ ３ ０．０７８ ２ Ｏ．１ＯＯ ２
型，因此，将三种传感器的数据用Ｄ－Ｓ证据理论进
１／＇ｌ２ ０．４０１ ９ Ｏ．２５７ ８ Ｏ．１８８ ９ Ｏ．１１７ ２ ０．０２４ ２
行融合， 和ｍ。融合后的基本概率赋值如表２。
ｍ３ Ｏ．３３２ ９ Ｏ．３ｌ７ ８ Ｏ．１２２ ８ Ｏ．１３２ ３ ０．０９４ ２
第２期 肖婷婷等：基于神经网络与Ｄ－Ｓ证据理论的多传感器目标识别技术 ９３
表２ ｍ 和ｍ。融合后的基本概率赋值
５ 结论
Ａ Ｂ Ｃ Ｄ Ｅ
ｍ１ ２ Ｏ．５６９ Ｏ Ｏ．２４１ ６ ０．１４５ ２ ０．０３４ ８ ０．００９ ４
仿真结果表明：通过神经网络的训练后，对多传
３
Ｏ．３３２ ９ Ｏ．３１７ ８ Ｏ．１２２ ８ Ｏ．１３２ ３ ０．０９４ ２
感器信息进行融合，使得系统对实际目标的基本概
再将ｍ 和ｍ。进行融合，最终融合结果如表３。
率赋值有了较大提高，并且系统的不确定性也大大
表３最终融合结果
降低。这充分说明采用Ｄ—Ｓ证据理论和神经网络
Ｉ Ａ Ｉ Ｂ ｌ Ｃ Ｄ Ｅ
结合对多传感器获得的信息进行融合，可以提高战
．
。
Ｉｏ．６５４ ２ Ｉ ｏ．２６５ ２ ｌ ｏ．０６１ ６ ０．０１５ ９ ０．Ｏ０３ １
场目标识别的可靠性，增强系统的置信度，降低识别
根据融合结果可以看出，目标Ａ的识别率远远
结果的不确定性，改善检测性能。
大于其它几类目标。再选取１ ０００组样本作为测试
参考文献
样本进行测试，测试结果如表４所示。
表４各神经网络的识别率
Ｅｌｉ康耀红．数据融合理论与应用［Ｍ］．西安：西安电子科
技大学出版社，１９９７．
单个ＢＰ神经网络 用Ｄ－Ｓ证据
Ｅ２］唐世杰，高社生，刑化玲．Ｄ－Ｓ理论与神经网络相结合
飞机类型 识别率（ ） 理论组合后的
的信息融合模型研究［Ｊ］．传感技术学报，２００７，２０（８）：
雷达 红外 ＥＳＭ 识别概率（ ）
１８１５—１８２Ｏ．
Ａ ８４．５８ ８１．７６ ８４．２８ ９１．２３
［３］钟络，饶文碧，邹承明．人工神经网络及其融合应用技
Ｂ ８２．８３ ８２．８２ ８９．２７ ９３．８２
术ＥＭ］．北京：科学出版社，２００７．
Ｃ ８６．３１ ７８．１７ ８６．３６ ９３．１９
［４］ 飞思科技产品研发中心．神经网络理论与ＭＡＴＬＡＢ ７
Ｄ ８５．９２ ８５．２８ ８７．２６ ９５．２７
实现［Ｍ］．北京：电子工业出版社，２００５．
Ｅ ８０．２９ ８３．１６ ８５．８９ ９１．７２
（上接第７８页）
４ 结论
丽１：，幅度受Ｉ；（ （ｏ， ）Ｉ加权
。
在 范围内，速度
通过模糊图对相参脉冲串信号的性能进行分
模糊瓣的数目为 。在速度模糊瓣之间还存在一
析，可得出如下结论：
（１）同单载频矩形脉冲信号模糊图相比，由于
些低旁瓣，它们是由ｌ Ｉ产生的。图６给 相参脉冲串信号模糊图的中心主峰被大大压窄，因
此它既具有窄脉冲的良好距离分辨力１／Ｂ，又具有
出了ｏ～ 的细微结构。由图可以看出，旁瓣的最
长脉冲的良好速度分辨力１／（Ｎ一１）Ｔ 。而对单载
小点出现在赤，即在相邻两尖峰中间，其幅度约为
频矩形脉冲信号来说测距、测速性能是不能兼顾的。
（２）由于存在模糊瓣，使得测距、测速有清晰区
模糊瓣幅度的１／Ｎ。显然，当Ｎ》１时，速度模糊瓣
的限制。
的宽度趋于零，旁瓣的幅度也趋于零。此时模糊图
旱现为理想的“板钉型”。
参考文献
ｌ１］ 林茂庸，柯有安．雷达信号理论ＥＭ］．北京：国防工业出
版社，１９８４．
［２］朱晓华．脉位调制脉冲串信号理论与应用研究［Ｄ］．南
京：南京理工大学，２００２．
［３］孙光明，朱晓华，顾红，刘国岁．随机二相码脉冲雷达信
。
Ｌ －一
号的平均模糊函数［Ｊ］．信号处理，１９９６（１）：３８—４５．
Ｌ
ＬＬ
．
２ ０—０４Ｌ＿
：
，
—
． ］
０
０ ０
●
０
０６ ０ ●０８ ０
［４］强晓峰．随机脉位调制雷达信号分析［Ｄ］．南京：南京
理工大学，２００２．
图６相参脉冲串信号的ｌｚ（。，ｆｄ）ｌ￣ｏ～ 内的结构
Ｅｓ］刘己斌．基于伪随机码的相位调制与脉位调制复合引
信ＥＪ］．兵工学报，２００４，２５（５）：６３４—６３７．