(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111667207.0 (22)申请日 2021.12.3 0 (71)申请人 中国航空研究院 地址 100000 北京市朝阳区安外北 苑2号院 申请人 中国航空工业 集团公司沈阳飞机设 计研究所 (72)发明人 赵英策　王光耀　魏金鹏　林鑫　 韩传东　杜晨慧　 (74)专利代理 机构 西安吉顺和知识产权代理有 限公司 61238 专利代理师 薛涛 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多域作战多传感器属性识别方法 (57)摘要 本发明公开了一种多域作战多传感器属性 识别方法， 涉及多域作战多传感器属性识别领 域， 具体是对多域作 战中多个平台、 多个传感器 所探测的属性信息， 基于神经网络完成单传感器 识别， 并利用修正的DS推理进行识别结果的融 合， 该方法具有良好的高鲁棒， 能够显著提高识 别的正确率， 应用该方法后， 雷达识别模块和平 台识别模块， 在加入噪声的情况下仍然可以以较 高精度得到正确结果， 该DS证据融合模块通过融 合目标在不同时刻不同平台的证据， 提升了置信 度， 得到了更高置信度的结果， 在多源信息融合 系统、 多域作战信息融合系统、 统一态势系统， 以 及航空航天等领域有广泛的应用前 景。 权利要求书3页 说明书9页 附图1页 CN 114492594 A 2022.05.13 CN 114492594 A 1.一种多域作战多传感器属性识别方法， 其特 征在于， 包括如下步骤： 步骤一)根据情况， 采用两种技 术方案中的一种实现多帧目标对齐， 其中， 方案一： 对前50帧无序数据使用K ‑means聚类算法， 得到目标标识， 再根据前50帧的聚 类结果使用KN N算法， 把新数据加入到已知的目标 标识类中实现多帧目标对齐； 方案二： 根据辐射源特 征与目标唯一标识间的时序关联矩阵进行多帧目标对齐； 步骤二)对目标的数据使用神经网络分类器自动提取特征并完成分类， 其中， 神经网络 分类器通过对目标识别特征库中的大量数据进行训练， 得到权重信息； 再根据帧间结果融 合模块对目标不同帧间的识别结果使用改进的D ‑S算法进行融合， 得到统一的结果； 步骤三)使用改进的D ‑S算法融合其他传感器的分类结果， 以得到更加全面的、 鲁棒的 时空特征识别结果作为 最终输出。 2.根据权利要求1所述的多域作战多传感器属性识别方法， 其特征在于， 所述神经网络 分类器中使用ReLU函数代替Sigmo id函数来作为激活函数， 具体包括如下步骤： 步骤一)初始化网络的突触权值和阈值矩阵； 步骤二)训练样本的呈现； 步骤三)前向传播计算； 步骤四)误差反向传播计算并更新权值； 步骤五)迭代， 用新的样本进行步骤三和步骤四， 直至满足停止准则。 3.根据权利要求1所述的多域作战多传感器属性识别方法， 其特征在于， 所述改进的D ‑ S算法中包括如下步骤： 步骤一)利用皮尔逊相关系数计算证据可信度并求得平均证据； 步骤二)利用较 远距离计算焦元BPA可信度并将冲突重新分配得到新证据； 步骤三)利用传统D ‑S组合规则求得融合结果。 4.根据权利要求3所述的多域作战多传感器属性识别方法， 其特征在于， 所述利用皮尔 逊相关系数计算证据可信度过程中， 包括如下步骤： 步骤一)根据皮尔逊相关系数计算证据相关性， 表示 为： 其中： E为数 学期望， mi和mj为两个不同的证据； 步骤二)在多证据情况 下， 由两两证据的相关系数构成证据相关性矩阵Sij， 表示为： 其中， n为证据数量； 步骤三)为了控制 非正相关的证据在识别框架中的权值比重和可信度计算， 以及考虑 客服组合规则中的0置信问题和尽量减少对于整体识别框架的基本概率影响， 这里将相关 性结果小于等于 0的负相关情况统一赋值 为0.001； 步骤四)定义证据mi的支持度为 则证据mi的可信度为权　利　要　求　书 1/3 页 2 CN 114492594 A 2cred(mi)， cred(mi)∈[0， 1]且 具体表示 为： 计算平均证据 表示为： 5.根据权利要求3所述的多域作战多传感器属性识别方法， 其特征在于， 所述利用较远 距离计算焦元BPA可信度过程中， 包括如下步骤： 步骤一)每 个证据焦元到平均证据相应焦元的BPA 距离dmi(A)表示为： 其中， dmi(A)为焦元距离； 步骤二)由焦元距离计算焦元BPA合理程度D [mi(A)]， 表示 为： 步骤三)以融合证据mi和mj为例， mi(A)可信度为Fcred[mi(A)]， Fcred[mi(A)]∈[0， 1]且 具体表示 为： 其中， nA为命题数量， 将冲突分配并构造新证据m； 其中， m∩(Ap)＝mi(Ap)mj(Ap) 相当于组合原证据mi、 mj时将冲突K重新分配给各个焦元BPA， 构造一个新证据m， 对于m (Ap)来说分给其的冲 突就是 和 分配冲突的过程中没有额外产生或减少证 据BPA， 因此 6.根据权利要求3所述的多域作战多传感器属性识别方法， 其特征在于， 在多证据融合 时， 为了避免0置信冲突， 若原证据中某命题BPA为0， 则从BPA最大的命题处取0.001转移到 该命题上； 若有多个BPA最大的命题， 则平均取值， 共取0.001； 若有多个BPA 为0的命题， 则各 取0.001， 融合结果m ′表示为： 7.根据权利要求1所述的多域作战多传感器属性识别方法， 其特征在于， 还包括基于 Wasserstein距离进行模糊聚类以解决证据冲突的方法， 具体包括如下步骤：权　利　要　求　书 2/3 页 3 CN 114492594 A 3