基于D—S理论的目标识别 (2000年)

### 基于D-S理论的目标识别 #### 摘要 本文主要探讨了一种新型的目标识别技术，该技术利用目标回波信息并通过D-S（Dempster-Shafer）理论进行目标识别。通过结合多种目标识别方法，该技术不仅提高了目标识别率，而且增强了识别结果的可信度，并取得了更好的目标分类效果。 #### D-S理论概述 D-S理论是一种处理不确定性和模糊性的数学理论，主要用于证据推理。与传统的概率理论不同，D-S理论能够更全面地处理“不知道”的不确定性问题。该理论通过引入信任函数（Belief Function）、似然函数（Plausibility Function）以及基本概率分配函数（Basic Probability Assignment, BPA），提供了评估不确定信息的新方法。 #### D-S理论基本概念 - **辨识框（Frame of Discernment）**: U，表示所有可能假设或事件的集合。 - **基本概率分配函数（BPA）**: m: 2^U → [0,1]，对于任何子集A⊆U，满足以下条件： - m(A) ≥ 0, ∀A ∈ 2^U - m(∅) = 0 - ∑_{A⊆U} m(A) = 1 - **信任函数（Belief Function）**: Bel: 2^U → [0,1]，表示对某个命题A的信任度。 - **似然函数（Plausibility Function）**: Pl: 2^U → [0,1]，表示对命题A的不可反驳的信任度。 - **证据的不确定性描述**: 使用信任函数Bel(A)和似然函数Pl(A)来表示信任度的上下限，从而形成信任区间[Bel(A), Pl(A)]。 - **知识及其不确定性描述**: 对于规则A→B，可以使用概率分配函数m来描述其不确定性。 - **更新命题不确定性值的方法**: 给定规则A→B和前提A的信任区间[Bel(A), Pl(A)]，可以通过特定公式计算出结论B的信任度。 #### D-S理论在目标识别中的应用 在基于D-S理论的目标识别中，首先将目标回波信息划分成多个辨识框{U_i}（i=1, 2, …, n），确保每个辨识框内的元素满足互斥条件。接下来，专家们会为这些辨识框定义相应的概率分配函数。根据D-S理论的公式计算每个辨识框的信任度，然后采用D-S证据组合法则，结合多个识别方法的结果，最终得出综合概率分配函数M(t)。利用M(t)，进一步计算出信任函数Bel(t)和似然函数Pl(t)，从而给出综合评判结果。 #### 目标识别方法 - **利用目标回波强度及其起伏特性识别目标**：这种方法通过分析目标反射信号的强度变化来进行目标识别。 - **利用目标回波调制谱特性识别目标**：分析目标反射信号的调制谱特征来区分不同类型的目标。 - **利用目标极化特征识别目标**：利用目标反射信号的极化特性来进行识别。 - **高分辨率雷达识别目标**：通过高分辨率雷达获取的图像信息进行目标识别。 - **利用目标的机动性能、雷达截面等特征识别目标**：考虑目标的机动性以及其他物理特征进行识别。 #### 结论 基于D-S理论的目标识别技术通过综合利用多种识别方法，显著提高了目标识别率和可信度，并实现了更准确的目标分类。这种技术不仅适用于军事领域，还具有广泛的应用前景，比如在民用航空、自动驾驶汽车等领域中也有潜在的应用价值。