基于分辨力增益的综合识别传感器管理方法✴

卫杨勇，徐世友，辛玉林，陈曾平

（国防科技大学ATR国防科技重点实验室，长沙410073）

基于分辨力增益的综合识别传感器管理方法✴

卫杨勇，徐世友，辛玉林，陈曾平

（国防科技大学ATR国防科技重点实验室，长沙410073）

为提高目标综合识别的效能，需对综合识别系统中多种传感器资源进行科学管理。在分析综合识别中目标优先级和传感器使用约束条件的基础上，建立了利用分辨力增益作为传感器资源管理优化准则的目标函数，提出了利用传感器混淆矩阵的预测分辨力增益计算方法，并将粒子群优化算法引入传感器-目标分配NP-hard问题的求解中。仿真结果表明该方法合理高效。

综合识别；传感器管理；分辨力增益；混淆矩阵；粒子群优化

1 引言

现代战争中，战场态势瞬息万变，快速、精确、高效地识别目标属性是获取战场态势的有力保证，采用单一传感器很难实现对所有目标的高置信度识别，需要充分利用多种传感器各自的优势，建立目标综合识别系统。

为提高目标综合识别系统的目标识别效能，需要对多传感器的使用进行科学合理的管理。当前，传感器管理方面的研究大多针对目标检测跟踪问题［1-4］，主要通过建立可量化的目标函数对传感器资源进行管理，以使目标检测跟踪的效能更优。而目标识别是较检测跟踪更高层次的信息处理，信息的不确定性及其合理描述使得综合识别系统传感器管理目标函数的选取和量化更为困难，从而加大了传感器管理的难度。文献［5］针对目标融合识别问题，提出了基于不确定性推理和模糊控制策略的传感器管理方法，但方法均是基于传感器观测预测已知的情况，对于管理过程中预测信息的获取问题没有涉及。

本文针对目标综合识别系统多传感器多目标问题的特点，综合考虑目标优先级和传感器资源的使用约束条件，建立了基于分辨力增益的传感器资源管理优化模型；同时，利用混淆矩阵表征传感器识别性能，给出了综合识别系统中传感器对目标识别的预测分辨力增益量化计算方法；在此基础上，针对传感器-目标分配的组合爆炸现象，采用粒子群优化算法实现分配策略的快速求解；最后，通过设定综合识别场景，对该方法的性能进行了仿真分析。

2 基于分辨力增益的传感器资源管理优化模型

传感器管理是一个控制过程，其核心是依据一定的最优准则，建立一个易于量化的目标函数，而后在传感器使用约束条件下通过优化目标函数来选择工作传感器及其模式和参数［6］。

假定某目标综合系统包含S个基本传感器，所在区域中有T个待识别目标。考虑同一时刻可能不止一个传感器分配给相同目标，因此引入伪传感器［4］的概念，这样在同一时刻至多有一个传感器（基本传感器或伪传感器）分配给一个目标。传感器（基本传感器或伪传感器）i（i=1，2，…，2S-1）分配给目标j（j=1，2，…，T）记为eij=1，否则eij=0，则由eij构成（2S-1）×T阶分配矩阵。同时设基本传感器i最大同时量测目标个数为li（i=1，2，…，S），J（i）为包含基本传感器i的所有传感器组合（基本传感器和伪传感器）的编号构成的整数集合，由此得到目标综合识别系统多传感器资源管理分配模型的约束条件为

目标综合识别系统中采用多传感器的目的就是不断获取目标环境信息，以减少对目标环境特性认识的不确定性。分辨力［7］是表征信息不确定性的一种有效方法，与信息熵不同之处在于其本身可度量信息量的大小，具有描述容易且较直接等固有优势。设一有限离散集合，其元素k（k=0，1，…，K）互斥，P（k）和Q（k）是关于元素k的两个概率分布，则P（k）和Q（k）间的分辨力为

显然，可以通过计算目标识别前后的分辨力来表征信息量的变化。具体地，对于某目标，通过计算第n次识别的Dn和第n+1次识别前其分辨力预测期望值E（Dn+1｜n），计算得到预测分辨力增益为ΔD =E（Dn+1｜n）-Dn。ΔD越大对应的目标更需要传感器对它做进一步识别，这就是基于分辨力增益的传感器资源分配的基本原则。

同时，当待识别目标数目多，且传感器资源有限时，在分配过程中还需要综合考虑目标的优先级［8］。设目标j的优先级系数为Aj，传感器i对目标j的分辨力增益表示为ΔDij，则传感器资源分配问题可描述为在满足上述给出的约束条件下使目标函数最大，即：

通过求取各传感器与目标分配组合所得的目标函数值，从中选最大值所对应的分配结果即为所求。

3 基于混淆矩阵的分辨力增益计算方法

由第2节的分析可知，在利用分辨力增益构造目标函数的过程中，如何计算下一时刻传感器i对目标j的分辨力增益预测值是核心问题。假设目标属于不同类型的先验概率P（h）已知，经过n次量测后，各目标属于不同类型的后验概率相对于先验概率的分辨力为

注意到n-1次量测后，第n次量测的概率密度函数为

则分辨力一步预测的期望值为

因此，可得分辨力增益预测值为

4 基于PSO的传感器资源分配算法

容易看出，基于分辨力增益的传感器资源分配求解是一个组合爆炸的NP-hard问题。虽然传统的数学规划方法在理论上能得到最优解，但受到问题维数的制约往往不满足实际要求。本文采用粒子群优化（Particle Swarm Optimization，PSO）算法［9］得到符合要求的满意解。

PSO算法是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上于1995年提出的一种群智能算法，其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。PSO算法同遗传算法类似，是一种基于迭代的优化工具，但没有遗传算法复杂的交叉以及变异过程。

在PSO中，每个优化问题的解被抽象为N维空间中没有质量和体积的粒子，每个粒子都有一个由待优化函数决定的适应值（fitness value）来决定其移动方向及速度。每个粒子都有到目前为止本身找到的最优解（pBest）和群体中所有粒子找到的最优解（gBest），粒子通过跟踪这两个极值并采用如下公式来更新自己的位置［10］：

式中，Vid是粒子当前速度，xid是粒子当前的位置，pid是个体极值pBest，pgd是全局极值gBest，rand是（0，1）区间的随机数，c1和c2是学习因子，w是惯性

因子，表征了粒子上一次的速度对本次飞行速度的影响。粒子进化过程中动态改变惯性因子的取值可以有效改善PSO陷入局部最优。这里给出一种常用的改进策略［10］，即速度更新公式中的惯性因子由最大惯性因子wmax线性减小到最小惯性因子wmin，计算式为

式中，iter为当前迭代数，itermax为总的迭代次数。

每一维粒子的速度都会被限制在最大速度Vmax以内，如果某一维速度更新后超过Vmax，那么这一维的速度就被限定为Vmax。则基于PSO的多传感器资源管理分配算法的步骤如下：

Step 1：综合考虑各因素，确定目标的优先级系数值，建立基于分辨力增益的传感器资源管理目标函数及其约束条件；

Step 2：初始化PSO算法的各项参数，在约束条件确定的搜索范围内随机初始化粒子的位置xid和速度Vid，粒子的维数可视为可供选择的传感器数目，即2S-1；

Step 3：根据传感器资源管理优化目标函数计算每个粒子的适应值；

Step 4：将每个粒子当前的适应值与其历史最好值pBest进行比较，如果优于pBest，则将当前的适应值作为新的个体最优pBest；同理，比较每个粒子的个体最优值pBest和群体最优值gBest，选出新的gBest；

Step 5：根据速度更新公式和位置更新公式更新每个粒子的速度Vid和位置xid；

Step 6：如果没有达到迭代终止的条件，则转到Step 3继续执行。否则，保存gBest，算法结束。

5 算法仿真分析

假定由两个基本传感器｛s1，s2｝组成的综合识别系统，系统观测区域中有5个目标（tar1，tar2，…，tar5）待识别，各目标的优先级系数分别为（0.5，0.5，1.0，1.0，1.5）。假设每个基本传感器最多可同时作用于3个目标上。将基本传感器扩展成包括伪传感器在内的3个传感器，其中s1、s2是基本传感器，s3=｛s1，s2｝为伪传感器。

假定有3种目标类型A、B和C，由日常训练学习得到的各传感器（含伪传感器）识别各类型目标的混淆矩阵为

前一时刻量测完毕，各目标为不同类型（A、B、C）的概率如表1所示（上下为两组）。

根据式（8）计算各传感器对目标的ΔD（ij）n，得到传感器对目标的一步预测分辨力增益值如表2所示（对应表1中的两组）。

由式（3）的目标函数，根据前一节基于PSO的多传感器资源管理分配算法的步骤，在满足约束条件下求得分配矩阵，进而得到传感器-目标的分配结果。

根据问题的复杂程度，选择粒子群优化算法的初始化参数为：粒子群中粒子的个数为10，wmax为0.9，wmin为0.4，c1=c2=2.05，Vmax为3.0，itermax为30。最终得到传感器-目标的分配结果分别为：tar1

按照此结果进行分配所获取总的预测分辨力增益值分别为9.396 7和8.176 5。由表1可知，对于目标为何种类型而言，第二组数据较第一组更明确，也即第二组数据对于目标类型信息的不确定性较小，最后能获取总的预测分辨力增益也比第一组的小，这也符合分辨力表征信息量的本质。

从仿真结果可以看出，第一组中，传感器s1分配给目标tar1和tar3，而在第二组中分配给了tar2和tar3，两组的伪传感器s3均分配给了tar5，第二组中的传感器s2分配给了目标tar4，这些分配均能使同一目标的传感器-目标分配组合中预测分辨力增益最大。第一组中传感器s2分配给目标tar2和tar4，第二组中分配给了目标tar1，虽然只能获取次大预测分辨力增益，但是能使各传感器获取各目标总的预测分辨力增益最大，且传感器资源也得到了充分利用。总之，算法在满足约束条件的前提下，总是试图将传感器分配给能得到更大预测分辨力增益的目标，也就是使之能得到更多的信息；同时能看到，性能最优的伪传感器s3均分配给了优先级系数值最高的目标tar5，即在一定程度上向优先级高的目标倾斜，这与实际要求也是一致的。

PSO算法进化曲线如图1所示，通过对100次仿真的每次迭代结果取平均可以看出，算法不失一般性且具有较快的收敛速度。同时仿真也表明，在更多传感器和目标的情况下，此方法也是高效可行的，是解决组合爆炸问题的有效手段。

6 结论

针对多传感器-多目标综合识别问题的特点，本文将分辨力增益概念引入目标综合识别系统中的传感器管理，提出了基于传感器混淆矩阵的目标函数量化计算方法，并利用PSO算法较好地解决了传感器-目标分配的NP-hard问题。仿真结果表明该方法的合理性及高效性。对PSO算法的改进以及其它期望分辨力增益计算方法的研究，是本文下一步的方向。

［1］Wegrzyn J，Kastella K.Intelligent Sensor Management to Minimize Detection Error［C］／／Proceedings of SPIE.Orlando，FL：IEEE，2003：502-513.

［2］Maheswararajah S，Halgamuge S K，Premaratne M.Sensor Scheduling for Target Tracking by Suboptimal Algorithms［J］. IEEE Transactions on Vehicular Technology，2009，58（3）：1467-1479.

［3］Aeron S，Saligrama V，Castanon D A.Efficient SensorManagement Policies for Distributed Target Tracking in Multihop Sensor Networks［J］.IEEE Transactions on Signal Processing，2008，56（6）：2562-2574.

［4］Nash JM.Optimal Allocation of Tracking Resources［C］／／Proceedings of1977 IEEE Conference on Decision and Control including the 16th Symposium on Adaptive Processes and A Special Symposium on Fuzzy Set Theory and Applications. New Orleans，LA：IEEE，1977：1177-1180.

［5］王放.融合自动目标识别系统中的传感器管理策略研究［D］.长沙：国防科技大学，2004.

WANG Fang.Research on the Strategy of SensorManagement in Fusion Automatic Target Recognition System［D］.Changsha：National University of Defense Technology，2004.（in Chinese）

［6］刘先省.传感器管理方法研究［D］.西安：西北工业大学，2000.

LIU Xian-xing.Method′s Research of Sensor Management［D］.Xi′an：Northwestern Polytechnical University，2000.（in Chinese）

［7］Kastella K.Discrimination Gain to Optimize Detection and Classification［J］.IEEE Transactions on Systems，Man and Cybernetics（Part A：Systems and Humans），1997，27（1）：112-116.

［8］鞠传文，杨秀珍，王锡仁，等.多传感器管理系统中的多目标排序［J］.电光与控制，2001（3）：8-12.

JU Chuan-wen，YANG Xiu-zhen，WANG Xi-ren，et al.Sorting of Multi-target′s Threat in Multi-sensor Management System［J］.Electronics Optics＆Control，2001（3）：8-12.（in Chinese）

［9］Kennedy J，Eberhart R.Particle Swarm Optimization［C］／／Proceedings of the IEEE International Conference on Neural Networks.Piscataway，NJ：IEEE，1995：1942-1948.

［10］Shi Y，EberhartR.AModified Particle Swarm Optimizer［C］／／Proceedings of the IEEE International Conference on Evolutionary Computation.Piscataway，NJ：IEEE，1998：69-73.

WEIYang-yong was born in Huangshi，Hubei Province，in 1986.He received the B.S.degree in 2009.He is now a graduate student.His research concerns sensor management for target integrated identification.

Email：gfcugwyy＠163.com

徐世友（1978—），男，河北承德人，2008年获博士学位，现为讲师，主要研究方向为外辐射源雷达系统、雷达目标识别；

XU Shi-you was born in Chengde，HebeiProvince，in 1978. He received the Ph.D.degree in 2008.He is now a lecturer.His research interests include opportunistic illuminator radar，and radar target recognition.

辛玉林（1982—），男，山东潍坊人，2005年获硕士学位，现为博士研究生，主要研究方向为目标综合敌我识别；

XIN Yu-lin was born in Weifang，Shandong Province，in 1982.He received theM.S.degree in 2005.He is currentlyworking toward the Ph.D.degree.His research direction is target integrated identification friend or foe.

陈曾平（1967—），男，福建福清人，1994年获博士学位，现为教授、博士生导师，主要研究方向为雷达目标识别、电子系统中的信息获取、处理与实现、电子系统可靠性等。

CHEN Zeng-ping was born in Fuqing，Fujian Province，in 1967.He received the Ph.D.degree in 1994.He is now a professor and also the Ph.D.supervisor.His research interests include radar target recognition，information acquisition，processing and implementation in electronic systems，the reliability of electronic systems，etc.

Integrated Identification Sensor Management Based on Discrim ination Gain

WEIYang-yong，XU Shi-you，XIN Yu-lin，CHEN Zeng-ping
（Automatic Target Recognition（ATR）National Defense Science and Technology Key Laboratory，National University of Defense Technology，Changsha 410073，China）

In order to improve the performance of integrated identification for targets，multi-sensor resources managementmay be needed in integrated identification system.In this paper the targetpriority and the restricted condition of sensors for integrated identification is analysed，and then an objective function regarding the discrimination gain as the rule ofmulti-sensor resourcesmanagement optimization is established.A computation method of discrimination gain utilizing sensor confusion matrix is proposed，and particle swarm optimization（PSO）algorithm is introduced into allocation NP-hard problem of sensor to target.The results show the rationality and efficiency of thismethod.

integrated identification；sensormanagement；discrimination gain；confusionmatrix；particle swarm optimization（PSO）

TP391；TP273

A

10.3969／j.issn.1001-893x.2011.11.003

卫杨勇（1986—），男，湖北黄石人，2009年获学士学位，现为硕士研究生，主要研究方向为目标综合识别中的传感器管理；

1001-893X（2011）11-0011-05

2011-07-15；

2011-09-02