基于模糊邏輯的多傳感器管理算法

崔博鑫，許蘊(yùn)山，肖冰松，張波雷

(空軍工程大學(xué)航空航天工程學(xué)院，陜西 西安 710038)

在傳感器管理過(guò)程中，由于系統(tǒng)處于極度復(fù)雜和多變的外界環(huán)境中，威脅目標(biāo)身份的不確定性、傳感器探測(cè)精度的高低、電磁環(huán)境與戰(zhàn)場(chǎng)態(tài)勢(shì)等因素都是模糊的概念，可以采用模糊邏輯的方法來(lái)實(shí)現(xiàn)多傳感器的管理。Stromberg［1］利用濾波誤差作為控制的輸入，文獻(xiàn)［2］同時(shí)引入傳感器視場(chǎng)(FOV)，應(yīng)用模糊控制實(shí)現(xiàn)了目標(biāo)跟蹤過(guò)程中的傳感器管理。王放［3］介紹了模糊邏輯在目標(biāo)識(shí)別系統(tǒng)中的傳感器管理方法，但缺乏對(duì)目標(biāo)識(shí)別特性和傳感器性能的不確定性度量。

Hintz［4－5］等運(yùn)用目標(biāo)格和決策樹(shù)度量目標(biāo)識(shí)別的不確定性，但過(guò)程過(guò)于主觀，識(shí)別特性也難以度量。Zadeh提出的Fuzzy集［6］已經(jīng)應(yīng)用到信息融合領(lǐng)域［7］，但 Fuzzy集輸出的隸屬度是一個(gè)單值，不能同時(shí)反映支持和反對(duì)兩方面信息。Gau和Buehrer提出的Vague集［8］能同時(shí)考慮非空元素隸屬度與非隸屬度，在處理不確定信息時(shí)比Fuzzy集有更強(qiáng)的靈活性和表達(dá)能力。

本文利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)模糊化傳感器性能，結(jié)合Vague度距離表達(dá)的目標(biāo)不確定性，運(yùn)用模糊推理規(guī)則，提出了一種基于模糊邏輯的多傳感器管理算法。

1 基于Vague集的目標(biāo)不確定度

1.1 Vague 集

令X={x1，x2，…，xn}為一個(gè)點(diǎn)(對(duì)象)的空間，其中的任意一個(gè)元素用x表示。針對(duì)多個(gè)未知目標(biāo)的多個(gè)識(shí)別特性，歸一化后得到特征矩陣R，給出合理的滿意度下界L和不滿意度上界U，可以得到目標(biāo)Oj的屬性集:

Fj={ai|rij＞L}，表示目標(biāo)Oj的支持屬性集，rij為目標(biāo)Oj的第i個(gè)識(shí)別特性的值;

Aj={ai|rij＜U}，表示目標(biāo)Oj的反對(duì)屬性集;

Nj={ai|U≤rij≤L}，表示目標(biāo)Oj的中立屬性集。

令

式中:tA(Oj)表示目標(biāo)Oj的支持度，其中Ij={i|ai∈Fj};wi表示各識(shí)別特征的熵權(quán)矢量。同理可得目標(biāo)Oj反對(duì)度f(wàn)A(Oj)和中立度hA(Oj)。進(jìn)行歸一化處理，得到目標(biāo)相對(duì)于模糊集“滿意”的隸屬度。

式中:t(Oj)為目標(biāo)Oj相對(duì)于模糊集“滿意”的真隸屬度;同理，可以得到相對(duì)于模糊集“滿意”的假隸屬度f(wàn)(Oj)和不確定度h(Oj)。

顯然，有t(Oj)+f(Oj)≤1，t(Oj)+f(Oj)+h(Oj)=1。

則目標(biāo)Oj在模糊集上的“滿意”程度可用Vague值表示，即

1.2 目標(biāo)不確定度

為了度量目標(biāo)的不確定性，需要計(jì)算未知目標(biāo)Oj與數(shù)據(jù)庫(kù)中每個(gè)目標(biāo)類(lèi)型的距離。因此，對(duì)于目標(biāo)類(lèi)型Ok和未知目標(biāo)Oj，定義目標(biāo)的Vague度距離［9］為

顯然0≤d(Ok，Oj)≤1。d(Ok，Oj)越大，表明未知目標(biāo) Oj與目標(biāo)類(lèi)型Ok距離越遠(yuǎn)，相似度越低;而d(Ok，Oj)越小，則未知目標(biāo)Oj與目標(biāo)類(lèi)型Ok距離越近，即與目標(biāo)類(lèi)型Ok越相似。

假設(shè)數(shù)據(jù)庫(kù)中有3類(lèi)目標(biāo)，根據(jù)式(4)，可以得到未知目標(biāo)與3類(lèi)數(shù)據(jù)庫(kù)目標(biāo)的Vague度距離，可以記為d(Oj，Oi)，并進(jìn)行歸一化處理，得

得到d1，d2和d3，兩兩相減可以得到3個(gè)Vague度距離的差值。差值越大，說(shuō)明未知目標(biāo)為某一類(lèi)型的可能性越大，不確定性越小;差值越小，則說(shuō)明未知目標(biāo)判斷為某一類(lèi)型越難，不確定性越大。3個(gè)Vague度距離差值的算術(shù)平均表示未知目標(biāo)判斷為數(shù)據(jù)庫(kù)所有目標(biāo)類(lèi)型(這里假設(shè)為3種)的可能性，用1減算術(shù)平均表示未知目標(biāo)不是數(shù)據(jù)庫(kù)中任何目標(biāo)類(lèi)型的可能性，即目標(biāo)識(shí)別的不確定性。未知目標(biāo)Oj的不確定性為

2 算法描述

假設(shè)傳感器對(duì)目標(biāo)進(jìn)行識(shí)別，若在k時(shí)刻已經(jīng)得到未知目標(biāo)的相關(guān)信息，可以初步計(jì)算目標(biāo)分類(lèi)的不確定性，現(xiàn)在要對(duì)k+1時(shí)刻的未知目標(biāo)進(jìn)行進(jìn)一步的傳感器管理。依照模糊控制方法，選擇k時(shí)刻目標(biāo)分類(lèi)的不確定性作為模糊控制器的精確輸入。

2.1 精確輸入量映射到相應(yīng)的模糊集

目標(biāo)身份的不確定性難以度量，采用Vague集的目標(biāo)不確定度來(lái)表示，將輸入量的論域由低向高劃分為7個(gè)等級(jí):VC(Very Certain)，C(Certain)，M(Medium)，MUC(Mid－Uncertain)，UC(Uncertain)，MVUC(Mid－Very Uncertain)和VUC(Very Uncertain)。模糊隸屬函數(shù)通常有鐘形、三角形和梯形，這里采用三角形，則輸入論域的劃分如圖1所示。

圖1 輸入論域的模糊集劃分

在實(shí)際目標(biāo)識(shí)別過(guò)程中，下一時(shí)刻的傳感器分配，應(yīng)該著重在對(duì)不確定性大的目標(biāo)進(jìn)行進(jìn)一步觀測(cè)識(shí)別，優(yōu)先分配高精度傳感器。對(duì)于不確定性小的目標(biāo)在保證了其他目標(biāo)觀測(cè)識(shí)別后，如果還有多余的傳感器資源，應(yīng)當(dāng)予以分配傳感器。在保證對(duì)系統(tǒng)中傳感器的管理調(diào)度后系統(tǒng)整體識(shí)別率能夠提高的基礎(chǔ)上，應(yīng)當(dāng)使輸入論域中代表不確定性大的模糊區(qū)域覆蓋更為廣泛，并且其上的模糊隸屬函數(shù)變化相對(duì)緩慢。

2.2 傳感器性能的模糊劃分

將模糊輸出設(shè)定為傳感器及其組合的識(shí)別性能，傳感器性能的劃分也是一個(gè)相對(duì)模糊的概念，自適應(yīng)神經(jīng)模糊推理系統(tǒng)——ANFIS［10］，使用模糊神經(jīng)網(wǎng)絡(luò)技術(shù)把環(huán)境信息和專(zhuān)家知識(shí)引入融合系統(tǒng)，文獻(xiàn)［11］利用模糊推理“如果—?jiǎng)t”規(guī)則推導(dǎo)出紅外傳感器的可信度。本文選用ANFIS來(lái)評(píng)價(jià)性能可信度，通過(guò)模糊邏輯規(guī)則表得到傳感器性能置信度，如表1所示。

表1 傳感器性能置信度模糊推理規(guī)則

傳感器及其組合的模糊級(jí)由精度高至低劃分為6個(gè)等級(jí):HAG(High Accuracy Group)，HAS(High Accuracy Single－Sensor)，MAG(Medium Accuracy Group)，MAS(Mid－Accuracy Single－Sensor)，LAG(Low Accuracy Group)和LAS(Low Accuracy Single－Sensor)。采用三角形模糊隸屬函數(shù)，則劃分輸出的論域如圖2所示。

圖2 輸出論域的模糊集劃分

單傳感器的性能映射到相應(yīng)的模糊集后，傳感器組合的性能也應(yīng)當(dāng)根據(jù)單傳感器的性能綜合得出。Molina Lopez提出一種簡(jiǎn)單的方法［12］，例如系統(tǒng)中有兩個(gè)傳感器s1和s2，則傳感器組合的精度可以由表2中的規(guī)則獲得。

表2 傳感器組合性能組合規(guī)則

2.3 模糊推理規(guī)則

這里采用最基本的“如果A，那么B”(If A，Then B)類(lèi)型的模糊推理規(guī)則，如下:

經(jīng)過(guò)模糊推理后可以得到模糊控制輸出，即給出待識(shí)別目標(biāo)分配相應(yīng)的傳感器或傳感器組合。最后對(duì)模糊控制的輸出進(jìn)行去模糊化，去模糊化策略的選擇對(duì)模糊控制應(yīng)用的有效性有直接影響［13］。

3 仿真實(shí)驗(yàn)

假設(shè)傳感器系統(tǒng)有3個(gè)有源傳感器，分別為合成孔徑雷達(dá)(SAR)、電子支援測(cè)量(ESM)、敵我識(shí)別器(IFF)，由于傳感器觀測(cè)空域和自身能力的限制，其觀測(cè)目標(biāo)數(shù)目為1，2和3個(gè)目標(biāo)，傳感器及其傳感器組合共有7個(gè)。3個(gè)傳感器表示為s1，s2和s3，根據(jù)ANFIS系統(tǒng)設(shè)定不同的探測(cè)精度，模糊化后分別對(duì)應(yīng)HAS，MAS和LAS這3個(gè)模糊集，由表2可以得出系統(tǒng)中傳感器組合的性能，其結(jié)果如表3所示。

表3 傳感器性能模糊化結(jié)果

假設(shè)數(shù)據(jù)模型有3種目標(biāo):殲擊機(jī)、巡航導(dǎo)彈和運(yùn)輸機(jī)，目標(biāo)識(shí)別特性分別為多普勒頻移，波長(zhǎng)為0.2 m;雷達(dá)反射截面積(RCS)，以波長(zhǎng)為0.05 m，正側(cè)向90°±5°的統(tǒng)計(jì)平均值為準(zhǔn);角閃爍，采用角閃爍噪聲線偏差的均方根值;角速度特殊形狀點(diǎn)和像素灰度。未知目標(biāo)設(shè)定為5個(gè)，多目標(biāo)識(shí)別的數(shù)據(jù)模型［14－15］如表4所示。

表4 多目標(biāo)識(shí)別數(shù)據(jù)模型

對(duì)每個(gè)目標(biāo)構(gòu)造Vague集，給出滿意度的下界(0.9)和不滿意度的上界(0.35)，運(yùn)用式(2)，計(jì)算每個(gè)目標(biāo)的支持、反對(duì)和中立屬性度，運(yùn)用公式(4)～(6)，得出未知目標(biāo)的Vague度距離及目標(biāo)不確定度，采用三角形隸屬函數(shù)，模糊化系統(tǒng)輸入，結(jié)果如表5。

表5 未知目標(biāo)不確定度與模糊化結(jié)果

依據(jù)模糊控制規(guī)則“如果A，那么B”進(jìn)行模糊推理，輸出模糊結(jié)果。在去模糊之前，應(yīng)充分考慮到單傳感器或傳感器組合的觀測(cè)能力，如果分配給傳感器的目標(biāo)數(shù)目超過(guò)其觀測(cè)能力時(shí)，應(yīng)依據(jù)一定的準(zhǔn)則進(jìn)行調(diào)整。例如，將分配給該傳感器或組合的目標(biāo)依據(jù)隸屬度大小進(jìn)行排序，將隸屬度排序靠前且在傳感器觀測(cè)能力之內(nèi)的目標(biāo)分配給該傳感器，其余的目標(biāo)分配給性能較差的傳感器或組合。最終的管理輸出結(jié)果如表6所示。

表6 基于模糊邏輯的多傳感器管理算法結(jié)果

表6中，“1”代表相應(yīng)的傳感器或傳感器組合分配給目標(biāo)，“0”表示不分配。從表6中可以看出，單傳感器或傳感器組合均達(dá)到了分配目標(biāo)的最大值，得到了充分的利用。當(dāng)高性能的傳感器或傳感器組合分配的目標(biāo)數(shù)超出了實(shí)際能力時(shí)，可以根據(jù)威脅目標(biāo)對(duì)該傳感器或傳感器組合的模糊隸屬度由高到低排列，優(yōu)先滿足隸屬度高的進(jìn)行分配，其余的目標(biāo)則可以分配給相鄰的下一性能等級(jí)的傳感器或傳感器組合。通過(guò)仿真實(shí)驗(yàn)，證明了基于模糊邏輯的多傳感器管理算法在目標(biāo)識(shí)別中的合理性和有效性。

4 結(jié)論

基于模糊邏輯的多傳感器管理算法充分利用了模糊控制在復(fù)雜系統(tǒng)中的優(yōu)點(diǎn)，避免了對(duì)威脅目標(biāo)、傳感器低、電磁環(huán)境與戰(zhàn)場(chǎng)態(tài)勢(shì)等因素精確建模的問(wèn)題，完成了傳感器的管理與調(diào)度。本文運(yùn)用Vague集能同時(shí)表達(dá)事物支持、反對(duì)和中立3種屬性的特點(diǎn)，用Vague度距離表達(dá)的目標(biāo)識(shí)別過(guò)程中的不確定性，利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)度量傳感器性能。通過(guò)三角形隸屬函數(shù)，將傳感器性能及目標(biāo)特性模糊化，依據(jù)“如果—?jiǎng)t”模糊推理規(guī)則，提出了一種基于模糊邏輯的多傳感器管理算法，實(shí)現(xiàn)了目標(biāo)識(shí)別中的傳感器管理。仿真結(jié)果表明，該算法合理有效，有直觀、簡(jiǎn)單易行和計(jì)算量小等優(yōu)點(diǎn)，具有很好的工程實(shí)踐意義。

［1］STROMBERG D，PETTERSSON G.Parse tree evaluation－a tool for sensor management［EB/OL］.［2012 －07 －10］.http://isif.org/fusion/proceedings/fusion98CD/741.pdf.

［2］NG G W，NG K H，WONG L T.Sensor management—control and cue［C］//Proc.the Third International Conference on Information Fusion.［S.l.］:IEEE Press，2000:16－21.

［3］王放.融合自動(dòng)目標(biāo)識(shí)別系統(tǒng)中的傳感器管理策略研究［D］.長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué)，2004.

［4］HINTZ K J，MCINTYRE G.Goal lattices for sensor management［C］//Proc.SPIE，Signal Processing，Sensor Fusion，and Target Recognition.［S.l.］:SPIE Press，1999:3720－3725.

［5］MCINTYRE G A，HINTZ K J.An information theoretic approach to sensor scheduling［C］//Proc.the SPIE，Signal Processing，Sensor Fusion，and Target Recognition.Orlando，F(xiàn)olrida:SPIE Press，1996:304－312.

［6］BELL M R，ZADEH L A.Decision making in a fuzzy environment［J］.Management Science，1970，17(4):141－146.

［7］王毅，雷英杰.基于Vague集的多傳感器信息融合方法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2007，17(4):232－235.

［8］GAU W L，BUEHRER D J.Vague sets［J］.IEEE Trans.Systems，Man.and Cybernetic，1993，23(2):610－614.

［9］萬(wàn)樹(shù)平.Vague集在多傳感器目標(biāo)識(shí)別中的應(yīng)用［J］.系統(tǒng)工程與電子技術(shù)，2009，31(9):2067－2070.

［10］權(quán)太范.信息融合神經(jīng)網(wǎng)絡(luò)—模糊推理理論與應(yīng)用［M］.北京:國(guó)防工業(yè)出版社，2003，211－217.

［11］敬忠良，楊永勝，李建勛，等.基于模糊神經(jīng)網(wǎng)絡(luò)和D－S推理的智能特征信息融合研究［J］.信息與控制，1997，26(2):28－32.

［12］LOPEZ MOLINA J M，JIMENEZ RODRIGUEZ F J，CASAR CORREDERA J R.Fuzzy reasoning for multisensor management［C］//Proc.the 21st IEEE International Conference on Intelligent Systems.［S.l.］:IEEE Press，1995:1398－1403.

［13］姚敏.計(jì)算機(jī)模糊信息處理技術(shù)［M］.上海:上海科學(xué)技術(shù)文獻(xiàn)出版社，1999.

［14］黃培康，殷紅成，許小劍.雷達(dá)目標(biāo)特性［M］.北京:電子工業(yè)出版社，2006.

［15］賈智偉，陳天如，李應(yīng)紅.基于多傳感器信息融合的目標(biāo)識(shí)別［J］.系統(tǒng)工程與電子技術(shù)，2003，25(7):810－813.