【摘要】：復(fù)雜情形下入侵目標(biāo)的屬性識(shí)別是水下無人探測系統(tǒng)研究中的一項(xiàng)前端核心技術(shù),對(duì)后續(xù)的戰(zhàn)場態(tài)勢評(píng)估、威脅估計(jì)和攻擊策略制定等具有重要意義�；谛畔⑷诤系哪繕�(biāo)屬性識(shí)別可以充分利用與系統(tǒng)識(shí)別功能相關(guān)聯(lián)的多源信息,并對(duì)其進(jìn)行組合推理、取長補(bǔ)短,使系統(tǒng)獲得對(duì)目標(biāo)特性更全面、準(zhǔn)確的觀測,顯著提高系統(tǒng)的識(shí)別率、魯棒性、普適性和抗假目標(biāo)干擾性等性能,近年來得到國內(nèi)外學(xué)者的廣泛研究和重視。本文圍繞基于信息融合的水下探測設(shè)備單體和網(wǎng)絡(luò)的目標(biāo)屬性識(shí)別關(guān)鍵技術(shù)展開研究,重點(diǎn)關(guān)注了：基于自適應(yīng)時(shí)頻分析的目標(biāo)聲、磁場非平穩(wěn)、非線性和非高斯信號(hào)特征提取技術(shù),基于多源(同源、異源)物理場多特征子集特征級(jí)融合的單體目標(biāo)識(shí)別技術(shù),和基于網(wǎng)絡(luò)決策級(jí)融合的入侵目標(biāo)融合探測和識(shí)別技術(shù)。論文利用海試試驗(yàn)的樣本采錄數(shù)據(jù)對(duì)本文的主要方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證,結(jié)果證實(shí)了相關(guān)算法的應(yīng)用有效性。本文取得的創(chuàng)新性成果如下：1.提出了一種基于自適應(yīng)最優(yōu)拋物線核函數(shù)的Wigner-2.5維時(shí)頻譜分析算法—Wigner-2.5 AOPK TFR算法以信號(hào)的廣義Wigner-2.5維時(shí)頻譜分析為基礎(chǔ),通過在其模糊平面內(nèi)利用自適應(yīng)核優(yōu)化技術(shù),獲取了抑制任意信號(hào)任意形式交叉項(xiàng)的最優(yōu)拋物線核函數(shù),解決了傳統(tǒng)二階時(shí)頻譜圖特征分析方法普遍存在的抗高斯噪聲能力較弱和對(duì)交叉項(xiàng)抑制不徹底的問題。將所提算法用于水中目標(biāo)聲、磁物理場信號(hào)的高階時(shí)頻矩陣和時(shí)頻譜圖獲取,并研究構(gòu)建了目標(biāo)聲、磁場信號(hào)的時(shí)頻譜圖宏觀描述特征子集庫,包含：目標(biāo)聲、磁場時(shí)頻分量的宏觀時(shí)變、頻變分布差異性特征和目標(biāo)聲、磁場時(shí)頻譜圖的圖像形狀特征。2.提出了一種基于熵輔助的快速完備集成經(jīng)驗(yàn)?zāi)B(tài)分解算法-FEACEEMD。算法從分析現(xiàn)有自適應(yīng)信號(hào)模態(tài)分離算法優(yōu)缺點(diǎn)入手,以模態(tài)分量的間歇／隨機(jī)性評(píng)價(jià)為基礎(chǔ),通過串行融合Improved CEEMDAN和EMD算法的方式給出了FEACEEMD的算法過程,達(dá)到既能克服傳統(tǒng)模態(tài)分解存在的“模態(tài)混疊”問題,又能保證算法計(jì)算實(shí)時(shí)性的目的。另外,研究了基于模態(tài)“互相關(guān)系數(shù)”和“方差貢獻(xiàn)率”的有效模態(tài)序貫選取準(zhǔn)則,提高了模態(tài)分離后對(duì)信號(hào)有用模態(tài)的選取速度。將所提FEACEEMD算法和有效模態(tài)序貫選取準(zhǔn)則用于水中目標(biāo)聲、磁物理場信號(hào)的有用模態(tài)分離和選擇,并研究構(gòu)造了目標(biāo)聲、磁場信號(hào)有用模態(tài)的細(xì)節(jié)統(tǒng)計(jì)特征子集庫,包含：各有效IMF的線性預(yù)測系數(shù)特征和各有效IMF的異變度、能量分配比和瞬時(shí)譜形重心等離散分布參數(shù)特征。3.針對(duì)目標(biāo)物理場各原始特征集存在的干擾“不可融”問題,改進(jìn)了現(xiàn)有基于魚群優(yōu)化的模糊粗糙特征選擇算法。算法以優(yōu)選高維特征集內(nèi)含的具有識(shí)別魯棒性的本征特征子集為目的,重新定義和優(yōu)化了魚群尋優(yōu)策略的行為描述,并結(jié)合模糊粗糙理論實(shí)現(xiàn)對(duì)已選擇子集的魯棒性能評(píng)價(jià),達(dá)到對(duì)包含模糊、冗余、無用和干擾元素的高維原始特征集的快速、全局、魯棒尋優(yōu)。對(duì)原始物理場特征集進(jìn)行的特征選擇約簡實(shí)驗(yàn)驗(yàn)證了方法的有效性。4.針對(duì)基于特征級(jí)融合的單體目標(biāo)識(shí)別技術(shù),提出了一種基于廣義鑒別型多集典型相關(guān)分析的多特征子集特征級(jí)融合算子-GDMCCA,并基于核函數(shù)優(yōu)化措施給出了GDMCCA用于融合多異源場、非線性特征子集的核優(yōu)化算子-KGDMCCA. GDMCCA/KGDMCCA是在傳統(tǒng)多變量集的統(tǒng)計(jì)相關(guān)分析MCCA上添加更詳盡的樣本類別有監(jiān)督約束形成的,論文從數(shù)學(xué)角度推到了兩算法的求解過程,并給出了基于兩算法的多特征子集特征級(jí)融合步驟�；贕DMCCA和KGDMCCA特征融合算法,分聲場同源場、磁場同源場和聲-磁異源場三種情形,對(duì)各情形下的目標(biāo)多特征子集進(jìn)行基于特征級(jí)融合的目標(biāo)識(shí)別實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了融合算法對(duì)提高探測設(shè)備單體目標(biāo)識(shí)別性能的有效性。5.針對(duì)設(shè)定情形下網(wǎng)絡(luò)對(duì)水中入侵目標(biāo)探測時(shí)面臨的特殊約束,提出了基于最優(yōu)窗口統(tǒng)計(jì)量的水中入侵目標(biāo)融合探測算法。算法通過將傳統(tǒng)分布式融合檢測中對(duì)“點(diǎn)”目標(biāo)的假設(shè)檢驗(yàn)推廣到對(duì)水中目標(biāo)出現(xiàn)時(shí)最優(yōu)物理場照射窗口的假設(shè)檢驗(yàn),給出了最優(yōu)窗口統(tǒng)計(jì)量及基于該統(tǒng)計(jì)量的融合檢測規(guī)則。論文從數(shù)學(xué)角度推導(dǎo)出了算法的系統(tǒng)級(jí)虛警概率,保證了算法在N-P準(zhǔn)則下的工程可實(shí)現(xiàn)性,并利用基于計(jì)算機(jī)Monte Carlo的統(tǒng)計(jì)實(shí)驗(yàn)對(duì)算法系統(tǒng)級(jí)的融合檢測概率進(jìn)行了估計(jì)。實(shí)驗(yàn)結(jié)果表明：在設(shè)定場景下,與現(xiàn)有融合檢測算法相比,本文算法對(duì)水中入侵目標(biāo)的融合探測性能更好。其次,基于目標(biāo)最優(yōu)物理場照射窗口內(nèi)的各水雷節(jié)點(diǎn),論文研究了基于PCR6群沖突證據(jù)融合的網(wǎng)絡(luò)級(jí)入侵目標(biāo)類別判定模型。對(duì)模型中PCR6融合規(guī)則進(jìn)行了基于群證據(jù)預(yù)處理的工程應(yīng)用改進(jìn)。仿真實(shí)驗(yàn)證實(shí)了所提網(wǎng)絡(luò)級(jí)融合分類模型的有效性。本文對(duì)基于信息融合的水下無人探測系統(tǒng)的目標(biāo)屬性識(shí)別的幾個(gè)關(guān)鍵技術(shù)進(jìn)行了深入研究和探討,并采用基于海試的實(shí)測樣本數(shù)據(jù)驗(yàn)證了相關(guān)工作的有效性與可行性,為今后目標(biāo)識(shí)別系統(tǒng)的研制奠定了理論基礎(chǔ)。
【圖文】：

理過程及對(duì)各過程的內(nèi)含定文存在差異在上述提及的各信息融合功能模型中，應(yīng)用逡逑最廣且最具代表性的當(dāng)屬美國國防部給出的ＪＤＬ功能模型。本文Ｗ該模型為例，給出信逡逑息融合系統(tǒng)中信息處理方式的詳細(xì)說明。ＪＤＬ模型的最新改進(jìn)形式如下圖１－１所示。逡逑＾邋信息源邋￣數(shù)據(jù)庫管理系統(tǒng)逡逑？曰標(biāo)多源物理場邐Ｉ邐��！邐Ｖ邐ｇ逡逑？《傳感器網(wǎng)絡(luò)\鰣義�？鍐桚据库逦Ｔ逦匚Ｕd慰噱義�？暹冮报信息逦Ｉ第１皱ｉ象精炼逦￣ｍｍ＾邋＾ｍｍ￣逦Ｓz歟義�、逦ｊ逦Ｙ牽标位置／身份固m棋危商破攔厘危賞財(cái)攔厘義賢跡保卞澹剩模絳畔o合功能jk型逡逑在該功能模型中，信息融合系統(tǒng)被分為５}信息處理（功能模塊）逡逑４第０級(jí)：信息預(yù)處理，Ｗ慷素／信號(hào)級(jí)上的數(shù)據(jù)關(guān)聯(lián)和持征描述為基礎(chǔ)，用Ｗ提逡逑高原始信息質(zhì)量，分配信息融合層橈，減小系統(tǒng)計(jì)算代價(jià)。逡逑去第１綴：對(duì)象精煉，，主要是提�。烙�(jì)目標(biāo)參數(shù)信息，對(duì)目標(biāo)狀態(tài)進(jìn)行細(xì)化估計(jì)逡逑和預(yù)測，包括連續(xù)狀態(tài)估計(jì)（目標(biāo)運(yùn)動(dòng)狀態(tài)跟蹤、位置估計(jì)）和離散狀態(tài)估計(jì)（目標(biāo)有逡逑無估計(jì)、屬性分類、辨識(shí)估計(jì)）等。逡逑去第２}：態(tài)勢評(píng)估，基于目標(biāo)的狀態(tài)參數(shù)信息，結(jié)合當(dāng)前上下文環(huán)境對(duì)實(shí)體和逡逑事件間的相互關(guān)系給出估計(jì)，對(duì)目標(biāo)攻擊態(tài)勢進(jìn)行初步判決。逡逑古第３}：威脅評(píng)估

數(shù)據(jù)級(jí)融合對(duì)來自同等量}、同質(zhì)的多個(gè)傳感器關(guān)于目標(biāo)屬性的原始物理場采集數(shù)逡逑據(jù)直接進(jìn)行融合，并對(duì)融合后的數(shù)據(jù)進(jìn)行特征提取和最終類別決策，是最低層次的融合，逡逑其具體融合結(jié)構(gòu)見圖１－３邋（ａ）所示。數(shù)據(jù)級(jí)融合可佸盡可能多地保留目標(biāo)的原始信息，逡逑提供更多的目標(biāo)類型間細(xì)微差異。但其存在不可避免的缺點(diǎn)：融合的識(shí)別信息為原始數(shù)逡逑據(jù)，所Ｗ融合處理的數(shù)據(jù)量大，通信量高，實(shí)時(shí)性差；對(duì)數(shù)據(jù)的不確定、不完整和不穩(wěn)逡逑定性適應(yīng)能為差。這些都導(dǎo)致其工程應(yīng)用場合受限等。另外，為了完成數(shù)據(jù)}融合，必逡逑須巧證被融合的數(shù)據(jù)對(duì)應(yīng)于相同的目標(biāo)或個(gè)體，且數(shù)據(jù)必須是同源的。逡逑特征灥融合首先對(duì)來自（同源或異源）傳感器的目掠原始數(shù)據(jù)進(jìn)行特征提取，然后逡逑８逡逑
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TJ6;TP202


本文編號(hào)：2684545