基于信息融合的水中目标属性识别关键技术研究
发布时间：2020-05-28 02:21
【摘要】：复杂情形下入侵目标的属性识别是水下无人探测系统研究中的一项前端核心技术,对后续的战场态势评估、威胁估计和攻击策略制定等具有重要意义。基于信息融合的目标属性识别可以充分利用与系统识别功能相关联的多源信息,并对其进行组合推理、取长补短,使系统获得对目标特性更全面、准确的观测,显著提高系统的识别率、鲁棒性、普适性和抗假目标干扰性等性能,近年来得到国内外学者的广泛研究和重视。本文围绕基于信息融合的水下探测设备单体和网络的目标属性识别关键技术展开研究,重点关注了：基于自适应时频分析的目标声、磁场非平稳、非线性和非高斯信号特征提取技术,基于多源(同源、异源)物理场多特征子集特征级融合的单体目标识别技术,和基于网络决策级融合的入侵目标融合探测和识别技术。论文利用海试试验的样本采录数据对本文的主要方法进行了实验验证,结果证实了相关算法的应用有效性。本文取得的创新性成果如下：1.提出了一种基于自适应最优抛物线核函数的Wigner-2.5维时频谱分析算法—Wigner-2.5 AOPK TFR算法以信号的广义Wigner-2.5维时频谱分析为基础,通过在其模糊平面内利用自适应核优化技术,获取了抑制任意信号任意形式交叉项的最优抛物线核函数,解决了传统二阶时频谱图特征分析方法普遍存在的抗高斯噪声能力较弱和对交叉项抑制不彻底的问题。将所提算法用于水中目标声、磁物理场信号的高阶时频矩阵和时频谱图获取,并研究构建了目标声、磁场信号的时频谱图宏观描述特征子集库,包含：目标声、磁场时频分量的宏观时变、频变分布差异性特征和目标声、磁场时频谱图的图像形状特征。2.提出了一种基于熵辅助的快速完备集成经验模态分解算法-FEACEEMD。算法从分析现有自适应信号模态分离算法优缺点入手,以模态分量的间歇／随机性评价为基础,通过串行融合Improved CEEMDAN和EMD算法的方式给出了FEACEEMD的算法过程,达到既能克服传统模态分解存在的“模态混叠”问题,又能保证算法计算实时性的目的。另外,研究了基于模态“互相关系数”和“方差贡献率”的有效模态序贯选取准则,提高了模态分离后对信号有用模态的选取速度。将所提FEACEEMD算法和有效模态序贯选取准则用于水中目标声、磁物理场信号的有用模态分离和选择,并研究构造了目标声、磁场信号有用模态的细节统计特征子集库,包含：各有效IMF的线性预测系数特征和各有效IMF的异变度、能量分配比和瞬时谱形重心等离散分布参数特征。3.针对目标物理场各原始特征集存在的干扰“不可融”问题,改进了现有基于鱼群优化的模糊粗糙特征选择算法。算法以优选高维特征集内含的具有识别鲁棒性的本征特征子集为目的,重新定义和优化了鱼群寻优策略的行为描述,并结合模糊粗糙理论实现对已选择子集的鲁棒性能评价,达到对包含模糊、冗余、无用和干扰元素的高维原始特征集的快速、全局、鲁棒寻优。对原始物理场特征集进行的特征选择约简实验验证了方法的有效性。4.针对基于特征级融合的单体目标识别技术,提出了一种基于广义鉴别型多集典型相关分析的多特征子集特征级融合算子-GDMCCA,并基于核函数优化措施给出了GDMCCA用于融合多异源场、非线性特征子集的核优化算子-KGDMCCA. GDMCCA/KGDMCCA是在传统多变量集的统计相关分析MCCA上添加更详尽的样本类别有监督约束形成的,论文从数学角度推到了两算法的求解过程,并给出了基于两算法的多特征子集特征级融合步骤。基于GDMCCA和KGDMCCA特征融合算法,分声场同源场、磁场同源场和声-磁异源场三种情形,对各情形下的目标多特征子集进行基于特征级融合的目标识别实验,实验结果证明了融合算法对提高探测设备单体目标识别性能的有效性。5.针对设定情形下网络对水中入侵目标探测时面临的特殊约束,提出了基于最优窗口统计量的水中入侵目标融合探测算法。算法通过将传统分布式融合检测中对“点”目标的假设检验推广到对水中目标出现时最优物理场照射窗口的假设检验,给出了最优窗口统计量及基于该统计量的融合检测规则。论文从数学角度推导出了算法的系统级虚警概率,保证了算法在N-P准则下的工程可实现性,并利用基于计算机Monte Carlo的统计实验对算法系统级的融合检测概率进行了估计。实验结果表明：在设定场景下,与现有融合检测算法相比,本文算法对水中入侵目标的融合探测性能更好。其次,基于目标最优物理场照射窗口内的各水雷节点,论文研究了基于PCR6群冲突证据融合的网络级入侵目标类别判定模型。对模型中PCR6融合规则进行了基于群证据预处理的工程应用改进。仿真实验证实了所提网络级融合分类模型的有效性。本文对基于信息融合的水下无人探测系统的目标属性识别的几个关键技术进行了深入研究和探讨,并采用基于海试的实测样本数据验证了相关工作的有效性与可行性,为今后目标识别系统的研制奠定了理论基础。
【图文】：
理过程及对各过程的内含定文存在差异在上述提及的各信息融合功能模型中，应用逡逑最广且最具代表性的当属美国国防部给出的ＪＤＬ功能模型。本文Ｗ该模型为例，给出信逡逑息融合系统中信息处理方式的详细说明。ＪＤＬ模型的最新改进形式如下图１－１所示。逡逑＾邋信息源邋￣数据库管理系统逡逑？曰标多源物理场逦Ｉ逦！！逦Ｖ逦ｇ逡逑？《传感器网络\鲥义希垮问菘忮危藻危慑危诲慰噱义希垮迩楸ㄐ畔㈠危傻冢敝澹橄缶跺危恚恚掊澹蓿恚恚危觯欤义稀㈠危赍危赡勘晡恢茫矸莨兰棋危商破拦厘危赏财拦厘义贤迹保卞澹剩模绦畔o合功能jk型逡逑在该功能模型中，信息融合系统被分为５}信息处理（功能模块）逡逑４第０级：信息预处理，Ｗ慷素／信号级上的数据关联和持征描述为基础，用Ｗ提逡逑高原始信息质量，分配信息融合层橈，减小系统计算代价。逡逑去第１缀：对象精炼，，主要是提取／估计目标参数信息，对目标状态进行细化估计逡逑和预测，包括连续状态估计（目标运动状态跟踪、位置估计）和离散状态估计（目标有逡逑无估计、属性分类、辨识估计）等。逡逑去第２}：态势评估，基于目标的状态参数信息，结合当前上下文环境对实体和逡逑事件间的相互关系给出估计，对目标攻击态势进行初步判决。逡逑古第３}：威胁评估
数据级融合对来自同等量}、同质的多个传感器关于目标属性的原始物理场采集数逡逑据直接进行融合，并对融合后的数据进行特征提取和最终类别决策，是最低层次的融合，逡逑其具体融合结构见图１－３邋（ａ）所示。数据级融合可佸尽可能多地保留目标的原始信息，逡逑提供更多的目标类型间细微差异。但其存在不可避免的缺点：融合的识别信息为原始数逡逑据，所Ｗ融合处理的数据量大，通信量高，实时性差；对数据的不确定、不完整和不稳逡逑定性适应能为差。这些都导致其工程应用场合受限等。另外，为了完成数据}融合，必逡逑须巧证被融合的数据对应于相同的目标或个体，且数据必须是同源的。逡逑特征灥融合首先对来自（同源或异源）传感器的目掠原始数据进行特征提取，然后逡逑８逡逑
【学位授予单位】：西北工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TJ6;TP202
本文编号：2684545
【图文】：
理过程及对各过程的内含定文存在差异在上述提及的各信息融合功能模型中，应用逡逑最广且最具代表性的当属美国国防部给出的ＪＤＬ功能模型。本文Ｗ该模型为例，给出信逡逑息融合系统中信息处理方式的详细说明。ＪＤＬ模型的最新改进形式如下图１－１所示。逡逑＾邋信息源邋￣数据库管理系统逡逑？曰标多源物理场逦Ｉ逦！！逦Ｖ逦ｇ逡逑？《传感器网络\鲥义希垮问菘忮危藻危慑危诲慰噱义希垮迩楸ㄐ畔㈠危傻冢敝澹橄缶跺危恚恚掊澹蓿恚恚危觯欤义稀㈠危赍危赡勘晡恢茫矸莨兰棋危商破拦厘危赏财拦厘义贤迹保卞澹剩模绦畔o合功能jk型逡逑在该功能模型中，信息融合系统被分为５}信息处理（功能模块）逡逑４第０级：信息预处理，Ｗ慷素／信号级上的数据关联和持征描述为基础，用Ｗ提逡逑高原始信息质量，分配信息融合层橈，减小系统计算代价。逡逑去第１缀：对象精炼，，主要是提取／估计目标参数信息，对目标状态进行细化估计逡逑和预测，包括连续状态估计（目标运动状态跟踪、位置估计）和离散状态估计（目标有逡逑无估计、属性分类、辨识估计）等。逡逑去第２}：态势评估，基于目标的状态参数信息，结合当前上下文环境对实体和逡逑事件间的相互关系给出估计，对目标攻击态势进行初步判决。逡逑古第３}：威胁评估
数据级融合对来自同等量}、同质的多个传感器关于目标属性的原始物理场采集数逡逑据直接进行融合，并对融合后的数据进行特征提取和最终类别决策，是最低层次的融合，逡逑其具体融合结构见图１－３邋（ａ）所示。数据级融合可佸尽可能多地保留目标的原始信息，逡逑提供更多的目标类型间细微差异。但其存在不可避免的缺点：融合的识别信息为原始数逡逑据，所Ｗ融合处理的数据量大，通信量高，实时性差；对数据的不确定、不完整和不稳逡逑定性适应能为差。这些都导致其工程应用场合受限等。另外，为了完成数据}融合，必逡逑须巧证被融合的数据对应于相同的目标或个体，且数据必须是同源的。逡逑特征灥融合首先对来自（同源或异源）传感器的目掠原始数据进行特征提取，然后逡逑８逡逑
【学位授予单位】：西北工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TJ6;TP202
本文编号：2684545
本文链接：https://www.wllwen.com/kejilunwen/jingguansheji/2684545.html
