《2022年战场态势估计》由会员分享，可在线阅读，更多相关《2022年战场态势估计（6页珍藏版）》请在金锄头文库上搜索。
1、基于多传感器数据融合的战场态势估计周云110719 1. 引言近 20 年来，多传感器信息融合技术受到广泛的关注，成为80 年代形成和发展的一种自动化信息综合处理技术。由于其充分利用多源数据的互补性和电子电脑的高速运算和智能,提高了信息处理结果的质量。该多传感器信息融合是数学、军事科学、电脑科学、 自动控制理论、 人工智能、通信技术、管理科学等多种学科的交叉和具体运用。该融合技术最初仅用于军事科学，现己广泛适用于民用工程。多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术
2、，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。在多传感器系统中，信息表现形式多样，信息数量巨大，同时要求信息处理迅速及时，人脑的信息综合处理能力已经无法胜任，因此，一个新兴的学科多传感器信息融合便迅速发展起来，并在现代化作战系统和各种武器平台上得到了广泛的应用。多传感器数据融合技术是通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。多传感器融合技术就是对同一检测对象, 利用各种传感器检测的信息和不同的处理方法以获得该对象的全面检测信息, 从而提高检测精
3、度和可靠性。在多传感器系统中, 信息表现为多样性、复杂性以及大容量,信息处理不同于单一的传感检测处理技术, 多传感器信息融合技术已成为当前的一个重要研究领域。2. 战场感知与理解战场感知与理解是对战场空间内敌、我、友各方兵力部署，武器装备与作战平台，和战场环境等信息的实时掌握的过程。战场感知与理解包括战场环境感知与战场态势理解两个层次。战场态势感知综合多个水下信息探测网络和作战平台传感器所获取的关于战场的片面的、离散的信息， 提取出目标相关属性。 战场态势感知属于信号级的数据融合，所完成的主要功能包括环境监测、目标检测、定位跟踪和分类识别，是进一步实现战场环境理解的基础。战场态势理解则从感知信
4、息中抽精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 1 页，共 6 页象出对战场环境的整体性认识，战场环境理解的研究内容包括了目标行为理解、态势评估、威胁估计等，是决策级信息融合的研究领域。在战场感知与理解技术中，依靠单一的传感器提供信息已无法满足作战需要, 必须运用多传感器提供观测信息, 实时进行目标发现、优化综合处理来获得状态估计、目标属性、态势评估、威胁估计等作战信息。其中，态势评估是对战场上战斗力量分配情况的评价过程。战场态势评估不仅可以识别观测到敌方事件和行为的可能态势, 而且还能对抗敌方包括伪装、隐蔽和欺骗在内的破坏手段, 帮助指挥员
5、正确判断。因此, 态势评估在现代战场中起着非常重要的作用。3.战场态势估计战场态势估计是把来自多传感器和信息源的数据和信息加以联合相关和组合，以获得精确的位置估计和身份估计，以及对战场情况和威胁及其重要程度进行实时的完整评价由于战场信息复杂多变，具有高度的不确定性不完备性，因此态势估计必须能对这种不确定性进行有效推理，并能对敌方下一步行动做出预测。3.1 态势估计的概念态势估计是建立作战活动、事件、时间、位置和兵力要素组织形式的视图，将所观测的战斗力量分布与活动和战场周围环境、敌方作战意图及敌机动性有机地联系起来，分析并确定事件发生的原因，得到关于敌兵力结构、使用特点的估计，最终形成战场综合态
6、势图可以理解为是对当前作战环境中目标和事件相互关系的描述和解释，其处理的结果是对战场和作战态势的抽象和估计它是建立在位置融合和身份识别基础上的知识处理，是知识与理解的综合过程， 数据融合的层次满足知识处理的“数据一信息一知识一理解”层次结构 “数据”解决了环境中有什么的问题，而“信息”解决了想从数据中得到什么的问题，“知识”和“理解”则解决了知道了什么以及如何根据知道的什么进行行动的问题态势估计是数据融合处理模型的二层处理过程，它接收一层融合的结果，从中抽取出对当前战场态势尽可能准确、完备的信息， 为指挥员决策提供支持。态势估计所涉及到的目标以及与之相应的态势元素的处理过程具有一定的层次性。在
7、态势分析中， 如果将整个敌方作为作战目标， 则此时的目标就是战略意义上的目标；如果将敌方的某架飞机或某艘舰船作为作战目标， 则此时的目标就是战术目标。由于态势估计涉及的对象多、范围广，且理论基础薄弱， 要构造一个性能优良的系统来支持它相当困难。相对于战略态势估计，战术态势估计精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页，共 6 页涉及面较窄，规则较为明晰，而它又是前者系统建设的前提和基础。因此，我们把态势估计的研究重点放在战术级上。根据 Endsley 的定义，态势估计基本层次结构可以分解为态势发觉、态势理解和态势预测3个层次态势发觉是获
8、取环境中态势元素的状态、属性和动态特性，并把所获信息分解为可理解的表达形式， 为后面的态势理解和预测层次奠定基础态势理解主要是对敌方行为、行动企图进行推理， 即态势行动在进行当前事件情况下的结果是什么，产生的影响是什么 态势预测是在对当前态势理解的基础上，对未来可能出现的态势情况进行预测由此可见， 对态势元素完整而准确的发觉是态势估计过程的基础3.2 态势估计的内容和处理步骤进行信息融合中2 级处理态势估计应按如下流程进行：首先分析作战样式， 明确敌我双方的作战目标。由于态势估计与作战样式有一定的关系，不同的作战样式下选取的态势要素不同，各要素的侧重点和权值不同，使用的态势估计方法可能不一样，
9、 用到的军事领域知识( 规则 ) 也不同。 没有选定作战样式，泛泛地谈论态势估计或威胁估计，比较困难。本文针对一定的作战样式进行态势估计方法研究，望由此推广到其它作战样式，最后形成统一的态势估计方法。其次考虑态势要素提取。在一定的作战样式下， 提取进行态势估计要考虑的各要素，称为态势要素。 最后确定对态势要素进行估计的各种方法，实现战场态势估计的各项功能。态势估计应包含以下内容：（1）态势要素提取；（2）态势评估推理；（3）态势预测。态势评估首先要确定态势要素, 这些态势要素都可由多传感器的测量获得。由于传感器的精度、 多传感器系统组成环节、外部环境以及数据后处理的影响, 会导致态势评估的不确
10、定性。因此 , 需要采用推理的方法来解决数据融合的问题。4. 不确定性推理估计在态势评估推理技术中, 经常用于决策级不确定推理方法有，Bayes 和 D-S 证据理论，其中主观Bayes 方法用概率来表示不确定性，而证据理论用信任区间来表示不确定性。主观Bayes 方法需要知道先验概率和条件概率，而证据理论则不必给出，证据理论能区分不确定和不知道， 而 Bayes 则不能， 从以上比照考虑，选择 D-S 证据理论作为决策层信息融合方式对态势情况进行评估。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页，共 6 页运用 D-S 证据理论的决策层
11、信息融合方式对态势情况进行评估，最大特点就是对不确定信息的描述采用信任函数而不是概率作为量度, 在区分不知道与不确定方面以及精确反映证据收集方面显示了很大的灵活性。4.1 D-S 证据理论的基本概念证据理论是由Dempster 于 1967 年提出的， 后由 Shafer 加以扩充和发展， 所以证据理论又称为D-S 理论。证据理论可处理由不知道所引起的不确定性。它采用信任函数而不是概率作为度量， 通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率，当约束限制为严格的概率时，它就进而成为概率论。4.1.1 识别框架设 U表示 X所有可能取值的一个论域集合, 且所有在U内的元
12、素间是互不相容的, 则称 U为 X的识别框架。4.1.2 信任函数和似真度函数设 U表示一识别框架, 则函数 m: 20,1U满足()0mf；( )1A UmA 1时, m( A) 称为 A的基本概率赋值。m( A) 表示的仅是提供应A的基本概率赋值, 而不是 A 的概率值 ,要获得 A的概率值 , 必须将 A中所有子集B的基本概率赋值数相加, 用信任函数表示。设 U表示一识别框架, 则函数 m: 20,1U是 U上的基本概率值，: 20,1 UelB( )()elBABAmB()AU 2称为函数是U上的信任函数。似真度函数是从另一侧面对信度函数的描述。设U表示一识别框架, 定义()(),()
13、1()()ouellelBA fDABAP ABAmB 3为 的疑心函数。称为的似真度函数。AU，()ouDA称为 A 的疑心度；( )lP A称为 A的似真度，即A可靠或似真的程度。这样，( ),( )ellBAP A就构成了A的信任度区间。4.1.3 Dempster证据组合法则D-S 证据理论中的Dempster 证据组合法则提供了组合两个证据的法则。组合方法可以精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 4 页，共 6 页概括如下：设1elB和2elB是同一识别框架U上的两个信任函数, m1 和 m2是对应的基本概率赋值 , 焦元分别为
14、1,.,kAA和1,.,kBB，又设12,() ()ijiji jABfKm A m B12,()()(),1ijijijABCm A m BmCCU CfK 4在上式中， 假设1K，则 m确定一个基本概率赋值；假设1K，则认为 m1、m2 矛盾, 不能对基本概率进行组合。通过上式可以对证据进行两两综合, 而对于多个证据的计算也可以按照Dempster 证据组合的方法递推进行组合。在进行合成计算时, 由于多个态势因素的融合与次序无关。则多个证据结合的计算可以用两个证据结合的计算递推得到，其结构等效图如下列图1 所示：图 1 证据合成计算的等效形式4.2 D-S 证据理论用于态势估计的信息融合方
15、法对于态势估计系统来说, 由军事领域知识产生的战场空间中可能出现的态势分类就是命题 , 各个传感器通过检测、处理给出的对事件发生的判断就是证据。这样, 可把态势分类看作假设的原因, 而从传感器获得的事件发生的数据则可以看作是已经检测到的结果。态势估计从检测事件的发生开始, 在检测到事件后, 由领域知识产生对某些命题的度量, 这些度量即构成了证据, 并利用这些证据通过构造相应的基本概率分配函数, 对所有的命题赋予一个置信度。态势信息融合和判决的一般步骤为: 首先根据不同传感器所提供的证据计算冲突系数 k1 , 判断两个证据之间的冲突程度。假设证据之间的冲突程度不大, 则可按照Dempster精选
16、学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 5 页，共 6 页组合规则进行两两组合, 假设证据出现冲突较大或相互矛盾的情况, 则可选取适当的修正组合规则进行证据组合；其次根据不同的识别目标以及态势环境, 综合各种因素 , 确定判决门限；最后根据一定的算法和规则进行态势判决, 给出融合后的最终判决结果。图 2 给出了决策层属性融合结构。如下图， 利用 D-S 理论中的合并规则将不同态势因素下的态势可信度进行融合, 计算出态势评估结果。传感器1传感器2传感器k特征提取态势因素 1态势因素 2态势因素 k不同态势因素下的 D-S证据合并决策层融合.图 2
17、 运用 D-S 理论进行态势因素融合4.3 D-S 证据理论的应用优缺点应用 D- S证据理论的优点是它能够从专家处获得不确定信息, 并能将不确定性的知识形式化后进行判断、推理和决策 , 为知识的获取和知识库的形成提供了有效的手段；证据理论作为一种处理认知不确定的方法, 不仅能在规则中反映未知信息, 而且能在推理过程中区分不确定和不知道。缺点是 D-S 证据理论要求各证据源之间是相互独立的, 这在实际的态势估计问题中几乎是很难到达的, 这也就限制了D- S 证据理论在态势估计问题解决中的应用。5. 结论战场态势评估不仅可以识别观测到敌方事件和行为的可能态势, 而且还能对抗敌方包括伪装、 隐蔽和欺骗在内的破坏手段, 帮助指挥员正确判断。因此 , 态势评估在现代战场中起着非常重要的作用。本文在分析了战场态势因素的影响基础上, 总结了一种基于D-S 证据理论的态势评估方法。运用这种方法将态势因素的影响效果进行综合, 并计算出态势发生的可能性。通过这种定量分析的方法能够得到敌方的战术意图, 为指挥员作出战术决策提供理论依据。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 6 页，共 6 页
