基于智能雷场的多传感器数据融合

王苗苗，王　玲，郝永平

(沈阳理工大学 兵器科学技术研究中心，辽宁 沈阳 110159)



基于智能雷场的多传感器数据融合

王苗苗，王玲，郝永平

(沈阳理工大学 兵器科学技术研究中心，辽宁 沈阳 110159)

摘要：在多传感器数据融合算法中，多属性决策在事先确定好的有限数目备选方案中用于偏好决策.多属性决策中使用的因素权值通常都是固定的，无法反应真实情况从而影响数据融合效果.为了解决这一问题,将多属性决策和变权理论相结合用于威胁评估.实验表明,与使用多属性决策相比，该方法有效地发挥了多属性决策和变权理论各自的优越性，所得结果准确地反映了目标真实的威胁程度.给智能雷场作战指挥决策提供了一个更为科学合理的理论方法.

关键词：数据融合；多属性决策；变权理论

多传感器数据融合是在20世纪70年代提出的，军事应用是该技术诞生的源泉.从上个世纪的中后期开始，微电子技术、网络相关技术、计算机以及传感器等技术得到了迅速发展，世界范围内军事战争的根本特征也发生了十分巨大的变化，以网络战和信息战为主的现代化战争模式逐步形成.在该模式下，传感器的数量和传感器的种类都不断增加，在时域、频域和空域范围内探测的覆盖能力得到了扩展.此外，网络技术以及无线通信技术的快速发展和广泛应用使战场的触角不断地延伸，形成了立体化的多维现代高技术战场.根据梅特卡夫法则的评估结果，现代战争的联网化作战平台的战斗力呈现指数增长趋势.联网作战的平台，不再仅仅是战术信息简单的共享及传输，而是多个传感器检测结果以及多源信息的传递.这些都要求对多源的数据进行融合处理，以便形成对目标或者事件的精确报告，并且得出战场态势及战场威胁的精确实时性评估.多传感器的数据融合技术如今已成为现代化高科技型战争不能缺少的重要技术之一.

本文将深度学习技术引入多传感器网络数据融合算法的设计中，将多属性决策和变权理论相结合作为对数据融合过程的威胁评估.该方法首先采用多属性决策中AHP法得到多传感器重要性的标度矩阵，接着利用变权理论得到传感器的权重值，最后将AHP和变权理论作为一个整体，有效克服了多属性决策方法的缺点，使得该方法具有更强的实用性.

1多属性决策与变权理论

多属性决策法的基本思想是[1]：首先选取影响威胁估计的属性因素，例如，在地雷作战的目标威胁估计中，敌我双方均相互保密，作为防守方只能根据探测、跟踪装置获得的目标信息和平时掌握的敌方信息进行判断；然后确定各个属性因素的权重，这里各属性的权值反映了属性的相对重要性；最后进行威胁估计的决策.决策方法就是根据决策矩阵及偏好信息，在方案集上建立一个测度，据此测度对方案排序.不过多属性决策中使用的因素权重通常都是固定的，如果某项因素的权重较小，但该项因素估计值处于边缘状态却起重要作用时，各因素最终估计结果往往无法反映真实情况.

变权理论的基本思想是将权值定义为各因素组态的函数，使该函数的单调变化特性和实际情况相一致.显然，能否合理利用变权原理，关键在于构造合理的状态变权化均衡函数，这需要一定的经验，根据结果反复调整相应的参数.

2多属性决策中AHP法与变权理论的基本

步骤

层次分析法即解析递阶过程(Analytic Hierarchy Process),简称AHP法,是美国运筹学家萨蒂(T L Saaty)于20世纪70年代提出的一种定性与定量分析相结合的多目标决策分析方法.层次分析法的主要思想是[2]：首先，分析系统各因素之间的关系，建立系统的递阶层次结构；其次，对同层次各因素的权重(即重要程度)进行两两比较，构造两两比较矩阵；然后，由判断矩阵计算被比较元素对于该准则的相对权重，并进行判断矩阵的一致性检验；最后，计算各层元素对系统总目标的组合权重，并进行排序，得到各方案对于总目标的总排序.它通常包括下列几个步骤：

步骤1：递阶层次结构的建立

应用AHP法进行决策分析时，需要首先将问题条理化、层次化、构造一个层次分析的结构模型.

步骤2：构造两两比较矩阵

递阶层次建立后，上下层次之间元素的隶属关系就被确定了.假定准则元素D所支配的下一层次元素为E1,E2,…,En.针对准则D,决策者比较任意两个元素Ei，Ej的重要性，并按照表1中的标度对重要程度进行赋值，形成两两比较矩阵，即：

A=(ai j)n×n

式中：ai j表示元素Ei与Ej相对于D的重要程度.

表1　重要性标度表

步骤3：计算元素相对权重

在获得矩阵A后，可根据A求出E1,E2,…En对于准则元素D的相对权向量w=(w1,w2,…,wn)T,并进行一致性检验.同层次单权重表示层次诸因素间对上层次某单因素的相对重要性，同时，它又是计算某层次诸因素相对于总目标组合权重的基础.可以按某一准则，对该层次的因素进行一对一的比较，并按表1所示的标度构造出判断矩阵.通过计算判断矩阵的最大特征根及其对应的正交化特征向量，得出该层次因素对于该准则的权重.

3结合算法的应用

基于威胁估计中的多属性决策模型，将层次分析法和变权理论结合起来用于威胁评估[3]，可以有效地发挥层次分析法和变权理论各自的优越性，为作战指挥决策提供更为科学合理的理论方法.

3.1确定目标威胁等级评判所需的特征集

以地雷作战系统的具体应用背景为例，评估威胁等级的特征参量包括目标距我方距离威胁、目标速度威胁、目标加速度威胁、目标进攻角威胁.四项因素构成威胁等级评判所需的特征集可以较全面地描述空中目标的威胁程度.该系统的威胁等级评判所需的特征集为：Y={目标距我方距离威胁,目标速度威胁,目标加速度威胁，目标进攻角威胁}.

3.2求出任一特征参量Y

针对不同类型目标A的威胁属性值，对威胁程度进行量化.由于威胁程度的等级没有明确的界限，具有模糊性，因此可用模糊数学的方法对其进行定量化描述.任一特征参量Y针对不同类型目标A的威胁属性由模糊集表示，威胁属性值由隶属函数刻画.在地雷作战系统中，距离威胁隶属函数可选定为分级降半梯形分布，其函数形式为[4]：

(1)

d1=5 m,d2=9 m,d3=14 m

速度威胁隶属函数[4]为：

(2)

加速度威胁隶属函数为：

(3)

进攻角威胁隶属函数为:

uAi(a)=e-3.5a2

(4)

故可以获得目标的威胁属性向量

UAi=[uAi(d),uAi(s),uAi(s′),uAi(a)]

3.3不同特征参量

在目标威胁等级中的加权因子的确定,并由此组成加权向量.不同特征参量在目标威胁等级评判过程中存在客观差别，弥补这些差别的方法是规定不同特征参量威胁等级的加权因子，以加权因子体现不同特征参量的目标威胁等级的差别.在不同的战场环境中，以上威胁估计的评价要素在综合评判中加权因子可能有所变化，而不能等同考虑，这依赖于军事领域专家的先验知识对此给出解释和说明.

4实例分析

假设有三个目标，它们距雷场的威胁参数如表2所示.

表2

首先用层次分析法求解目标威胁等级的加权因子，由先验知识获得判断矩阵

由矩阵A可知系统的加权向量为：

W=(0.15,0.63,0.42,0.56)T

由威胁函数得到的威胁属性向量为：

UA1=(1,0,0,0.37)

UA2=(0.95,1,0.5,0.00 174)

UA4=(0.8,1,0,0.007)

计算可知，各目标的威胁参数分别为0.36，0.98,0.45,0.75.结果表明，目标m2的威胁参数最大，对雷场的攻击力最强.由目标威胁等级的加权因子可知：速度、加速度、进攻角、距离四个目标威胁参数中，速度的威胁等级最大；目标m2的进攻速度最快，进攻角适中，故它的攻击力最强.和传统方法相比，将变权理论和层次分析结合的方法，既可以用隶属函数对各目标的攻击状态真实反映，又可由判断矩阵对目标的威胁等级精确判断，有效地发挥了两种算法各自的优越性，准确地反映了真实的目标威胁程度.

5结束语

本文提出了一种确定目标当前威胁综合参数的算法.将变权理论和层次分析法结合起来用于威胁评估，有效地发挥了两种算法各自的优越性.以地雷作战系统为例，给出了两种理论的结合过程.对算法进行了仿真，所得结果比较准确地反映了真实的目标威胁程度.该方法为作战指挥决策提供了一个更为科学合理的理论方法.

参考文献:

[1]刘同明.数据融合技术及其应用[M].北京：国防工业出版社，1998.

[2]吴艳.多传感器数据融合算法研究[D].西安:西安电子科技大学, 2003.

[3]王志胜,姜斌.融合估计与融合控制[M]. 北京：科学出版社，2009.

[4]李旭军.多传感器数据融合及其在潜艇目标识别中的应用[D].武汉：武汉理工大学，2006.

收稿日期：2016-02-22

作者简介：王苗苗(1990-),女，山东济宁人，硕士研究生，研究方向为先进控制理论与应用.

文章编号：1006-3269(2016)02-0031-03

中图分类号：TP274

文献标识码：A

doi:10.3969/j.issn.1006-3269.2016.02.007

Multi-sensor Data Fusion Based on Smart minefields

WANG Miao-miao,WANG Ling,HAO Yong-ping

(Research Center of Weapon Science and Technology,Shenyang Ligong University,Shenyang 110159,China)

Abstract：In multi-sensor data fusion algorithms, multi-attribute decision is mainly used for preference decisions among the limited number of pre-determined alternatives. In order to solve the problems that multi-attribute decision factor weights are usually fixed which can not reflect the real situation affecting the data fusion, multi-attribute decision combined with variable weight theoretical are put forward to be used for threat assessment. Experiments show that, comparing with multi-attribute decision, this method effectively gives play to the advantages of the multi-attribute decision and variable weight theory and the results accurately show the actual threat level, which provides a more scientific and reasonable theory for smart minefields operational command decision.

Key words:data fusion; multi-attribute decision-making; variable weight theory