第11章目標(biāo)識(shí)別技術(shù)12433１１.１概述１１.２信號(hào)的特征提取和選擇１１.３目標(biāo)識(shí)別技術(shù)１１.４目標(biāo)識(shí)別技術(shù)的應(yīng)用返回11.1概述11.1.1目標(biāo)識(shí)別及其基本概念目標(biāo)識(shí)別是人類最重要的基本活動(dòng)之一,人類在日常生活、社會(huì)活動(dòng)、科學(xué)研究以及學(xué)習(xí)、工作等活動(dòng)中無(wú)時(shí)無(wú)處不在進(jìn)行著目標(biāo)識(shí)別。例如,兒童在認(rèn)讀識(shí)字卡片上的數(shù)字時(shí),將它們區(qū)分為0~9中的某一個(gè),這是對(duì)數(shù)字符號(hào)的識(shí)別;在讀書看報(bào)時(shí),人們進(jìn)行的是文字識(shí)別活動(dòng);上班坐汽車找汽車?？空军c(diǎn)是對(duì)事物形狀和特征的識(shí)別;做某種試驗(yàn)時(shí)對(duì)示波器顯示波形的觀察是一個(gè)波形識(shí)別的過(guò);醫(yī)生給病人看病需要對(duì)病情進(jìn)行識(shí)別;在人群中尋找某一個(gè)人是對(duì)人的形體及其特征的識(shí)別行為。諸如此類的例子還有許多,總之,目標(biāo)識(shí)別就是人類實(shí)現(xiàn)對(duì)各種事物或現(xiàn)象的分析、描述、判斷和識(shí)別的過(guò)程。目標(biāo)識(shí)別屬于模式識(shí)別的范疇。要弄清楚模式識(shí)別的具體含義,必須首先了解模式和模式識(shí)別這兩個(gè)基本概念,下面具體敘述。下一頁(yè)返回11.1概述模式識(shí)別是20世紀(jì)60年代初迅速發(fā)展起來(lái)的一門學(xué)科,是一門綜合性、交叉性學(xué)科。在理論上它涉及代數(shù)學(xué)、矩陣論、概率論、圖論、模糊數(shù)學(xué)、最優(yōu)化理論等眾多學(xué)科知識(shí),在應(yīng)用上它又與其他許多領(lǐng)域的工程技術(shù)密切相關(guān),其內(nèi)涵可以概括為信息處理、分析和決策等。對(duì)模式識(shí)別的理論和方法的研究推動(dòng)了人工智能的發(fā)展,擴(kuò)大了計(jì)算機(jī)應(yīng)用的可能性。目前,模式識(shí)別已經(jīng)成功地應(yīng)用于工業(yè)、農(nóng)業(yè)、國(guó)防、科研、公安、生物醫(yī)學(xué)、氣象、天文學(xué)等領(lǐng)域,如我們熟知的信件分揀、指紋識(shí)別、生物醫(yī)學(xué)的細(xì)胞或組織分析、遙感圖片的機(jī)器判讀、系統(tǒng)的故障診斷、具有視覺的機(jī)器人、武器制導(dǎo)尋的系統(tǒng)、汽車自動(dòng)駕駛系統(tǒng)以及文字和語(yǔ)言的識(shí)別等?？梢灶A(yù)言,隨著理論和技術(shù)的不斷完善,模式識(shí)別的功能將會(huì)越來(lái)越強(qiáng),應(yīng)用也會(huì)越來(lái)越廣泛。上一頁(yè)下一頁(yè)返回11.1概述11.1.2模式識(shí)別系統(tǒng)一個(gè)較為完整的模式識(shí)別系統(tǒng)框圖如圖11-2所示。虛線上部是識(shí)別過(guò)程,虛線下部是學(xué)習(xí)、訓(xùn)練過(guò)程。當(dāng)采用的分類識(shí)別方法以及應(yīng)用的目的不同時(shí),具體的分類識(shí)別系統(tǒng)和過(guò)程將有所不同。(1)數(shù)據(jù)采集和預(yù)處理為了使計(jì)算機(jī)能夠?qū)Ω鞣N現(xiàn)象進(jìn)行分類識(shí)別,要用計(jì)算機(jī)可以運(yùn)算的符號(hào)來(lái)表示所研究的對(duì)象。(2)特征提取和選擇上一頁(yè)下一頁(yè)返回11.1概述由圖像或波形所獲得的數(shù)據(jù)量是相當(dāng)大的,如一個(gè)文字圖像可以有幾千個(gè)數(shù)據(jù),一個(gè)坦克聲信號(hào)波形也可能有幾千個(gè)數(shù)據(jù),一個(gè)衛(wèi)星遙感圖像的數(shù)據(jù)量更大。為了有效地實(shí)現(xiàn)分類識(shí)別,應(yīng)該對(duì)原始數(shù)據(jù)進(jìn)行變換,得到最能反映分類本質(zhì)的特征,這就是特征提取和選擇的過(guò)程。一般把原始數(shù)據(jù)組成的空間叫作測(cè)量空間,把進(jìn)行分類識(shí)別的空間叫作特征空間,通過(guò)變換,可以把在維數(shù)較高的測(cè)量空間中表示的模式變?yōu)樵诰S數(shù)較低的特征空間中表示的模式。(3)學(xué)習(xí)和訓(xùn)練為了讓機(jī)器具有分類識(shí)別功能,首先應(yīng)該對(duì)它進(jìn)行訓(xùn)練,將人類的識(shí)別知識(shí)和方法以及關(guān)于分類識(shí)別對(duì)象的知識(shí)輸入機(jī)器中,產(chǎn)生分類識(shí)別的規(guī)則和分析程序。這個(gè)過(guò)程相當(dāng)于機(jī)器學(xué)習(xí)。上一頁(yè)下一頁(yè)返回11.1概述一般這一過(guò)程要反復(fù)進(jìn)行多次,不斷地修正錯(cuò)誤、改進(jìn)不足,其工作內(nèi)容主要包括修正特征提取方法、特征選擇方案、判決規(guī)則方法及參數(shù),最后使系統(tǒng)正確識(shí)別率達(dá)到設(shè)計(jì)要求。目前,這一過(guò)程通常是人機(jī)交互的。(4)分類識(shí)別分類識(shí)別就是在特征空間中用某種方法把被識(shí)別對(duì)象歸為某一類別?；咀龇ㄊ窃跇颖居?xùn)練集的基礎(chǔ)上確定某個(gè)判決規(guī)則,使按這種判決規(guī)則對(duì)被識(shí)別對(duì)象進(jìn)行分類所造成的錯(cuò)誤識(shí)別率最小或引起的損失最小。上一頁(yè)返回11.2信號(hào)的特征提取和選擇11.2.1基本概念特征提取和選擇的基本任務(wù)是從眾多特征中找出那些最有效的特征。特征提取和選擇的好壞極大地影響到分類器的設(shè)計(jì)和性能,因此對(duì)它應(yīng)給予足夠的重視。可以把特征分為三類:物理的、結(jié)構(gòu)的和數(shù)學(xué)的。人們通常利用物理和結(jié)構(gòu)特征來(lái)識(shí)別對(duì)象,因?yàn)檫@樣的特征容易被觸覺、視覺以及其他感覺器官所發(fā)現(xiàn)。但是,在使用計(jì)算機(jī)構(gòu)造識(shí)別系統(tǒng)時(shí),應(yīng)用這些特征有時(shí)候比較復(fù)雜,因?yàn)橐话銇?lái)說(shuō)用硬件去模擬人類感覺器官是很復(fù)雜的,而機(jī)器在抽取數(shù)學(xué)特征的能力方面則比人強(qiáng)得多。這種數(shù)學(xué)特征的例子有統(tǒng)計(jì)平均值、相關(guān)系數(shù)、協(xié)方差陣的特征值和特征向量等。下一頁(yè)返回11.2信號(hào)的特征提取和選擇模式識(shí)別的前提是獲取目標(biāo)的特征信息,即獲得有助于識(shí)別的原始信息數(shù)據(jù);模式識(shí)別的關(guān)鍵是對(duì)原始信號(hào)進(jìn)行適當(dāng)?shù)奶幚?從原始信號(hào)眾多特征中求出那些對(duì)分類識(shí)別最有效的特征,以實(shí)現(xiàn)特征空間維數(shù)的壓縮,即特征提取和選擇。特征提取和選擇方法的優(yōu)劣極大地影響著分類器的設(shè)計(jì)與性能,因此,必須對(duì)特征提取和選擇問(wèn)題進(jìn)行研究。特征選擇與提取是模式識(shí)別中最關(guān)鍵也是最復(fù)雜的環(huán)節(jié),它是高度面向具體問(wèn)題的,它一般以在分類中使用的某種判決準(zhǔn)則為規(guī)則,要求所提取的特征在這種判決準(zhǔn)則下的分類錯(cuò)誤最小,它沒(méi)有統(tǒng)一的理論,只有具體問(wèn)題具體分析。上一頁(yè)下一頁(yè)返回11.2信號(hào)的特征提取和選擇目標(biāo)的特征提取和選擇是一個(gè)過(guò)程,涉及幾個(gè)步驟。為了方便起見,下面對(duì)特征提取和選擇過(guò)程涉及的幾個(gè)常用術(shù)語(yǔ)進(jìn)行說(shuō)明。①特征形成。根據(jù)被識(shí)別對(duì)象產(chǎn)生出一組基本特征,這種基本特征是可以用儀表或傳感器測(cè)量出來(lái)的,如識(shí)別對(duì)象是事物或某種過(guò)程時(shí);它也可以是計(jì)算出來(lái)的,如識(shí)別對(duì)象為波形或數(shù)字圖像時(shí)。這樣產(chǎn)生出來(lái)的特征稱為原始特征,這種過(guò)程即為特征形成過(guò)程。②特征提取。原始特征的數(shù)量可能會(huì)很多,換句話說(shuō),樣本處于一個(gè)高維空間,可以通過(guò)映射或變換的方法用低維空間來(lái)表示樣本,這個(gè)過(guò)程叫作特征提取。映射或變換后的特征稱為二次特征,它們是原始特征的某種組合(通常是線性組合)。③特征選擇。從一組特征中挑選出一些最有效的特征從而達(dá)到降低特征空間維數(shù)的目的,這個(gè)過(guò)程稱為特征選擇。上一頁(yè)下一頁(yè)返回11.2信號(hào)的特征提取和選擇11.2.2最優(yōu)特征提取和選擇算法1.算法原理尋求全局最優(yōu)的特征選擇的搜索過(guò)程可用一個(gè)樹結(jié)構(gòu)來(lái)描述,稱其為搜索樹或解樹。總的搜索方案是沿著樹自上而下、從右至左進(jìn)行,由于樹的每個(gè)節(jié)點(diǎn)代表一種特征組合,所以所有可能的組合都可以被考慮。因?yàn)槔昧丝煞中耘袚?jù)的單調(diào)性,采用分支定界策略使得在實(shí)際上并不計(jì)算某些特征組合而又不影響全局尋優(yōu),同時(shí),因?yàn)樗阉飨葟慕Y(jié)構(gòu)簡(jiǎn)單的部分開始,所以這種特征選擇算法效率很高。圖11-3所示為從6個(gè)特征中選出兩個(gè)特征的例子,以此來(lái)說(shuō)明從n個(gè)特征中選出d個(gè)特征S(n,d)的原理和方法。上一頁(yè)下一頁(yè)返回11.2信號(hào)的特征提取和選擇樹的每個(gè)節(jié)點(diǎn)表示一種特征組合。根節(jié)點(diǎn)代表所有特征的組合,在此為{x1,x2…,x6}。子節(jié)點(diǎn)代表的特征比父節(jié)點(diǎn)代表的特征少一個(gè),同父的各子節(jié)點(diǎn)代表從父節(jié)點(diǎn)的特征組合中丟棄不同的一個(gè)特征后余下的特征,節(jié)點(diǎn)上的標(biāo)記k表示被丟棄的特征的序號(hào),這個(gè)節(jié)點(diǎn)所代表的特征是從其父節(jié)點(diǎn)特征組中去掉xk

所余下的特征。如節(jié)點(diǎn)A表示已去掉x2、x3

后的特征組合{x1,x4,x5,x6}。通過(guò)樹結(jié)構(gòu)分析,可以將搜索樹S(n,d)定義成一個(gè)四元組T(n,d)=(N,E,R,L)上一頁(yè)下一頁(yè)返回11.2信號(hào)的特征提取和選擇只有一個(gè)子節(jié)點(diǎn)的節(jié)點(diǎn)稱為1度節(jié)點(diǎn)(如圖11-4(a)中用虛線連接的節(jié)點(diǎn))。若一個(gè)節(jié)點(diǎn)有兩個(gè)或兩個(gè)以上的子節(jié)點(diǎn),1度子節(jié)點(diǎn)一定是它父節(jié)點(diǎn)最右邊的子節(jié)點(diǎn),每個(gè)深度不大于n-d-2的節(jié)點(diǎn)都有且只有一個(gè)最右邊的1度子節(jié)點(diǎn)。令N1

是所有1度節(jié)點(diǎn)的集合,則在解樹T中,1度節(jié)點(diǎn)構(gòu)成了解樹T的串結(jié)構(gòu)子樹,由于可能的解節(jié)點(diǎn)只在這個(gè)串子樹的端點(diǎn)上,所有這些子樹都可被修剪,移去這些1度節(jié)點(diǎn)可以得到T的最小解樹TM,如圖11-4(b)所示的最小搜索樹。上一頁(yè)下一頁(yè)返回11.2信號(hào)的特征提取和選擇確定搜索樹可以采用遞推的方法,由子樹通過(guò)不斷地添加一個(gè)特征并由子樹的葉節(jié)點(diǎn)“長(zhǎng)”出新的葉節(jié)點(diǎn)的方法產(chǎn)生搜索樹。此外,還可以采用下面的方法,為了能確定樹結(jié)構(gòu),即確定在回溯結(jié)束后轉(zhuǎn)入搜索時(shí)的節(jié)點(diǎn)的子節(jié)點(diǎn)數(shù),要求知道該節(jié)點(diǎn)的Ψs,因此,在回溯過(guò)程中,每次向上一級(jí)(s-1級(jí))回溯時(shí),都要把原來(lái)節(jié)點(diǎn)的Ψs

加上那個(gè)節(jié)點(diǎn)所舍棄的特征。此例中沿最右一支回溯中,在根節(jié)點(diǎn)才有分支,因此,再向下搜索時(shí)s=1的當(dāng)前節(jié)點(diǎn)的Ψ1=Ψ‘1+x3=(x4,x5,x6)+x3=(x3,x4,x5,x6),Ψ’1為當(dāng)前節(jié)點(diǎn)的同父右邊近鄰的節(jié)點(diǎn)的Ψ1。2.BAB算法上面介紹了分支定界法的思想和原理,下面給出一種該方法的算法,即BAB算法。上一頁(yè)下一頁(yè)返回11.2信號(hào)的特征提取和選擇設(shè)當(dāng)前處于某一級(jí)i的某一節(jié)點(diǎn),對(duì)于從k=0,1,…,i-1各級(jí)的所有子節(jié)點(diǎn)所舍棄的特征已求出并已存在存儲(chǔ)器中,用Qi=(xi1+1,xi2+1,…,xiqi+1)表示第i級(jí)當(dāng)前節(jié)點(diǎn)的qi個(gè)子節(jié)點(diǎn)所舍棄的特征,下面步驟有關(guān)符號(hào)的含義和前述相同。置根節(jié)點(diǎn)處r0=n,Ψ0是全部特征集合,X-0=Ψ0,B=0,i=0。上述方法雖然從原理上節(jié)約了大量的計(jì)算某些特征組合的時(shí)間,但實(shí)際上還要計(jì)算大量的X-j(j=1,2,…,n-d-1),因此,在d很小或很接近n時(shí),窮舉搜索法可能更為有效;即使從理論上來(lái)說(shuō)J滿足單調(diào)性,但可能由于用有限樣本估計(jì)判據(jù)J的某些參量或各類分布,可能使J的單調(diào)性受到不同程度的破壞。上一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)11.3.1統(tǒng)計(jì)模式識(shí)別統(tǒng)計(jì)模式識(shí)別是模式識(shí)別的基本方法之一。統(tǒng)計(jì)決策理論對(duì)模式分析和分類的設(shè)計(jì)有著實(shí)際的指導(dǎo)意義。統(tǒng)計(jì)模式識(shí)別有多種方法,限于篇幅,這里只介紹貝葉斯決策理論。在連續(xù)情況下,假設(shè)要識(shí)別對(duì)象有n種特征觀察值x1,x2,…,xn,這些特征的所有可能的取值范圍構(gòu)成了n維特征空間,稱x=[x1,x2,…,xn]T為n維特征向量。這里T是轉(zhuǎn)置符號(hào)。1.基于最小錯(cuò)誤率的貝葉斯決策在模式分類問(wèn)題中,人們往往希望盡量減少分類的錯(cuò)誤,從這樣的要求出發(fā),利用概率論中的貝葉斯公式,就能得出使錯(cuò)誤率為最小的分類規(guī)則,稱為基于最小錯(cuò)誤率的貝葉斯決策下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)討論一般理論之前,先舉一個(gè)例子———癌細(xì)胞的識(shí)別———來(lái)說(shuō)明解決問(wèn)題的過(guò)程。假設(shè)每個(gè)要識(shí)別的細(xì)胞已經(jīng)過(guò)預(yù)處理。抽取其中的d個(gè)表示細(xì)胞基本特性的特征,成為一個(gè)d維空間的向量x,識(shí)別的目的是區(qū)分是正常細(xì)胞還是異常細(xì)胞。用決策論的術(shù)語(yǔ)來(lái)講就是將x歸類于兩種可能的自然狀態(tài)之一,如果用ω表示狀態(tài),則2.基于最小風(fēng)險(xiǎn)的貝葉斯決策在模式分類的決策中,使錯(cuò)誤率達(dá)到最小是重要的。但實(shí)際上有時(shí)需要考慮一個(gè)比錯(cuò)誤率更為廣泛的概念———風(fēng)險(xiǎn),而風(fēng)險(xiǎn)又是和損失緊密相連的。仍以癌細(xì)胞識(shí)別為例來(lái)說(shuō)明有關(guān)的概念。我們對(duì)細(xì)胞的分類不僅要考慮到盡可能做出正確的判斷,而且還要考慮到做出錯(cuò)誤判斷時(shí)會(huì)帶來(lái)什么后果,診斷中如果把正常細(xì)胞判為異常,固然會(huì)給患者帶來(lái)精神上的負(fù)擔(dān),但是如果本來(lái)就是異常情況卻錯(cuò)判為正常,就會(huì)使早期的癌變患者失去進(jìn)一步檢查的機(jī)會(huì),造成嚴(yán)重的后果。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)顯然這兩種不同的錯(cuò)誤判斷所造成損失的嚴(yán)重程度是有顯著差別的,后者的損失比前者更嚴(yán)重。最小風(fēng)險(xiǎn)貝葉斯決策正是考慮各種錯(cuò)誤造成損失不同而提出的一種決策規(guī)則。下面我們用決策論的觀點(diǎn)進(jìn)行討論。決策論中稱采取的決定為決策或行動(dòng),稱所有可能采取的各種決策組成的集合為決策空間或行動(dòng)空間,以Α表示。而每個(gè)決策或行動(dòng)都將帶來(lái)一定的損失,它通常是決策和自然狀態(tài)的函數(shù)?？梢杂脹Q策表來(lái)表示以上的關(guān)系。一般決策表見表11-1。據(jù)貝葉斯公式,后驗(yàn)概率為上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)由于引入了“損失”的概念,在考慮錯(cuò)判所造成的損失時(shí),就不能只根據(jù)后驗(yàn)概率的大小來(lái)做決策,而必須考慮所采取的決策是否使損失最小。對(duì)于給定的x,如果采取決策αi,從決策表可見,對(duì)應(yīng)于決策αi,λ可以在c個(gè)λ(αi,ωj),j=1,2,…,c值中任取一個(gè),其相應(yīng)概率為P(ωj|x)。因此,在采取決策αi情況下的條件期望損失R(αi|x)為上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)在決策論中又把采取決策αi

的條件期望損失R(αi|x)稱為條件風(fēng)險(xiǎn)。由于x是隨機(jī)向量的觀察值,對(duì)于x的不同觀察值,采取決策αi時(shí),其條件風(fēng)險(xiǎn)的大小是不同的。所以,究竟采取哪一種決策將隨x的取值而定。這樣決策α可以看成隨機(jī)向量x的函數(shù),記為α(x),它本身也是一個(gè)隨機(jī)變量,可以定義期望風(fēng)險(xiǎn)R為最小風(fēng)險(xiǎn)貝葉斯決策規(guī)則為上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)3.序貫分類法前面所講方法中都認(rèn)為d個(gè)特征都同時(shí)給出且不考慮獲取特征所花的代價(jià)。在有些實(shí)際問(wèn)題(如醫(yī)療診斷)中,特征的獲取要花一定代價(jià),這樣除了考慮錯(cuò)分會(huì)造成損失外,還應(yīng)考慮獲取特征所花的代價(jià)。可能會(huì)有這樣的情況,獲取了k個(gè)特征(k<d)后就做判決分類更為合理。這是因?yàn)槠溆郿-k個(gè)特征的加入使分類錯(cuò)誤降低而造成的代價(jià)的減少補(bǔ)償不了獲取這些特征所花費(fèi)的代價(jià)。解決上述問(wèn)題的方法可用序貫分類方法,就是先用一部分特征來(lái)分類,逐步加入特征以減少分類損失。而每步都要衡量加入新特征所花代價(jià)與所降低分類損失的大小,以便決定是繼續(xù)再加新特征還是停止。為此,可以分別計(jì)算停止損失ρs

和繼續(xù)損失ρc

并加以比較。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)設(shè)觀測(cè)了k個(gè)特征得到取值分別為x1=ξ1,x2=ξ2,…,xk=ξk

就做決策,停止損失是:很容易看到這種方法的計(jì)算量和存儲(chǔ)容量都要求很大,因此發(fā)展了一系列次優(yōu)的序貫方法,其主要的假定是在第k步做決策時(shí)只要考慮到k+v步,即決策一定停止在第k步和第k+v步之間,例如可以取v等于2,這就大大減少了計(jì)算工作量。11.3.2句法結(jié)構(gòu)模式識(shí)別統(tǒng)計(jì)模式識(shí)別用模式特性的一組測(cè)量值來(lái)組成特征向量,用決策理論劃分特征空間來(lái)進(jìn)行分類識(shí)別。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)句法模式識(shí)別采用模式的結(jié)構(gòu)信息和形式語(yǔ)言中的規(guī)則對(duì)對(duì)象進(jìn)行分類識(shí)別。如果所給出的模式或待識(shí)別樣本可以表示成前后有關(guān)聯(lián)的符號(hào)串(或前后、上下有關(guān)聯(lián)的“樹狀”符號(hào)單元組合等),便可以用句法方法來(lái)做識(shí)別。在句法模式識(shí)別中,模式由語(yǔ)言中的句子來(lái)表示,而語(yǔ)言由文法來(lái)定義。有時(shí)把用一組模式基元及其組合關(guān)系來(lái)提供模式結(jié)構(gòu)描述的語(yǔ)言稱為“模式描述語(yǔ)言”。支配基元組合成模式的規(guī)則稱為“模式文法”。模式的結(jié)構(gòu)信息的另一種表示方法是“關(guān)系圖”,其節(jié)點(diǎn)代表子模式,分支代表子模式之間的關(guān)系。下面對(duì)文法和語(yǔ)言的定義做一簡(jiǎn)要介紹。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)在選定基元之后,下一步就是構(gòu)成文法,該文法將產(chǎn)生用來(lái)描述所研究模式的語(yǔ)言。如果所選基元很簡(jiǎn)單,可能必須采用更復(fù)雜的文法來(lái)進(jìn)行模式描述。反之,用復(fù)雜的基元可能只需相當(dāng)簡(jiǎn)單的文法即可進(jìn)行模式識(shí)別。設(shè)計(jì)句法模式識(shí)別系統(tǒng)時(shí),考慮基元復(fù)雜性和模式文法復(fù)雜性之間的相互影響是十分重要的。許多專用的模式描述文法已經(jīng)廣泛應(yīng)用于各類模式識(shí)別系統(tǒng),下面論述幾種常用的模式文法。一個(gè)網(wǎng)狀產(chǎn)生式定義為α→β,E,其中α和β是網(wǎng),而E是β的一個(gè)嵌套結(jié)構(gòu)。如果想用另外的子網(wǎng)β來(lái)代替網(wǎng)ω中的α,就需要規(guī)定怎樣把β嵌入到ω中以代換α,嵌套的定義必須與網(wǎng)ω?zé)o關(guān),因?yàn)槲覀兇蛩阍诎磷鳛樽泳W(wǎng)的任何網(wǎng)中都能夠用β來(lái)代換α。一般來(lái)說(shuō),E由一個(gè)邏輯函數(shù)的集合組成,這些函數(shù)規(guī)定ω→α的每個(gè)節(jié)點(diǎn)是否連接到β的每個(gè)節(jié)點(diǎn)。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)從概念上說(shuō),最簡(jiǎn)單形式的識(shí)別是“模板匹配”。描述輸入模式的句子和代表每個(gè)原型或參考模式的句子進(jìn)行匹配?；谒x定的“匹配”準(zhǔn)則或“相似性”準(zhǔn)則,輸入模式被分入和輸入最相匹配的原型所在的模式。如果在識(shí)別時(shí)要求有完整的模式描述,必須進(jìn)行剖析或句法分析。11.3.3神經(jīng)網(wǎng)絡(luò)模式識(shí)別人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的,用非常簡(jiǎn)單的計(jì)算-處理單元(即神經(jīng)元)進(jìn)行互聯(lián)構(gòu)成的非線性網(wǎng)絡(luò)系統(tǒng),具有學(xué)習(xí)、記憶、計(jì)算能力以及各種智能處理能力,在不同程度上模擬人腦神經(jīng)系統(tǒng)的信息處理、存儲(chǔ)、檢索功能,反映了人腦功能的基本特征。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來(lái)實(shí)現(xiàn);知識(shí)與信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)互聯(lián)元件間分布式的物理聯(lián)系;網(wǎng)絡(luò)學(xué)習(xí)識(shí)別則取決于各神經(jīng)元連接權(quán)系數(shù)的動(dòng)態(tài)演化過(guò)程。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)它的主要特征是連續(xù)時(shí)間非線性動(dòng)力學(xué)特征,而實(shí)際上它是一個(gè)超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)。目前,人工神經(jīng)網(wǎng)絡(luò)已在模式識(shí)別、智能控制、非線性優(yōu)化、自動(dòng)目標(biāo)識(shí)別、語(yǔ)音識(shí)別以及信號(hào)處理等方面取得了巨大成績(jī)。神經(jīng)網(wǎng)絡(luò)的基本處理單元是人工神經(jīng)元,人工神經(jīng)元的基本結(jié)構(gòu)如圖11-5所示。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則主要有無(wú)導(dǎo)師學(xué)習(xí)和有導(dǎo)師學(xué)習(xí)。前一種的學(xué)習(xí)過(guò)程是通過(guò)不斷給系統(tǒng)提供動(dòng)態(tài)輸入信息流,以便使網(wǎng)絡(luò)的各個(gè)單元成為具有不同輸入特性的特征檢測(cè)器,從而將事件空間分為有用的多個(gè)區(qū)域;后一種方法在學(xué)習(xí)時(shí)先給網(wǎng)絡(luò)提供一個(gè)輸入模式,然后通過(guò)網(wǎng)絡(luò)對(duì)期望輸出的最佳估計(jì)響應(yīng)由導(dǎo)師給出正確的模式,這種方法更接近大腦的工作特點(diǎn),訓(xùn)練速度較慢,但識(shí)別率較高。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)人工神經(jīng)網(wǎng)絡(luò)中最著名的是以自適應(yīng)信號(hào)處理理論為基礎(chǔ)發(fā)展起來(lái)的前向多層神經(jīng)網(wǎng)絡(luò)及其逆推學(xué)習(xí)(BP)算法。BP網(wǎng)絡(luò)是一種多層映射網(wǎng)絡(luò),它采用最小均方差的學(xué)習(xí)方式,反向傳播算法。由于它可以解決感知機(jī)學(xué)習(xí)算法不能解決的某些問(wèn)題,而且網(wǎng)絡(luò)的學(xué)習(xí)可以收斂,所以獲得廣泛應(yīng)用。BP網(wǎng)絡(luò)不僅有輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn),而且還有一層或多層隱節(jié)點(diǎn)。輸入信號(hào)先向前傳遞到隱節(jié)點(diǎn),經(jīng)過(guò)作用后,再把隱節(jié)點(diǎn)的輸出信息傳遞到輸出節(jié)點(diǎn),最后給出輸出結(jié)果。節(jié)點(diǎn)的激發(fā)函數(shù)一般選用Sigmoid型函數(shù)。BP算法的學(xué)習(xí)過(guò)程由正向傳播和反向傳播組成。在正向傳播過(guò)程中,輸入信息從輸入層經(jīng)隱層逐層處理后,傳至輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層得不到期望輸出,那么就轉(zhuǎn)為反向傳播,把誤差信號(hào)沿原連接途徑返回,并通過(guò)修改各層神經(jīng)元的權(quán)值,使誤差信號(hào)最小。圖11-7所示為典型的BP網(wǎng)絡(luò)結(jié)構(gòu)。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)BP網(wǎng)絡(luò)使用了優(yōu)化中的梯度下降法,把學(xué)習(xí)、記憶問(wèn)題用迭代求解權(quán)等價(jià),利用加入隱節(jié)點(diǎn)使優(yōu)化問(wèn)題的可調(diào)參數(shù)增加,從而可以得到更精確的解。BP網(wǎng)絡(luò)中隱節(jié)點(diǎn)數(shù)目的選取,目前主要依據(jù)經(jīng)驗(yàn)進(jìn)行,一般在輸入節(jié)點(diǎn)不多的情況下,隱節(jié)點(diǎn)數(shù)為輸入節(jié)點(diǎn)數(shù)的3~5倍。BP網(wǎng)絡(luò)一個(gè)突出的缺點(diǎn)是存在局部最小點(diǎn)和訓(xùn)練時(shí)間較長(zhǎng)。11.3.4模糊模式識(shí)別模糊模式識(shí)別理論是由Zadeh在1965年提出的。它是對(duì)一類客觀事物和性質(zhì)更合理的抽象和描述,是傳統(tǒng)集合理論的必然推廣。所謂的模糊,是指事物的性態(tài)或類屬不分明,其根源是事物之間存在過(guò)渡性的事物或狀態(tài),使它們之間沒(méi)有明確的分界線。要了解模糊的概念,必須區(qū)分普通集合和模糊集合的不同。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)集合是數(shù)學(xué)的一個(gè)基本概念,它是近代數(shù)學(xué)的基礎(chǔ)。我們?cè)谘芯烤唧w問(wèn)題時(shí),常將研究對(duì)象限定在某一范圍之內(nèi),這個(gè)范圍稱為“論域”,論域中的各個(gè)事物稱為論域中的元素。由此可以給出集合的定義。與確定集一樣,具有共同論語(yǔ)的模糊集也可以定義相等、包含以及集合運(yùn)算,下面是幾種典型的模糊集的運(yùn)算。模糊集合隸屬函數(shù)的確定,無(wú)論是理論上還是實(shí)踐上都是非常重要的。隸屬函數(shù)的確定通常有以下幾種方法:專家確定法、借用已有的客觀尺度、統(tǒng)計(jì)法、對(duì)比排序法和綜合加權(quán)法等。下面給出一些常用的隸屬函數(shù)。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)1.最大隸屬度原則方法設(shè)Ai(i=1,2,…,c)是論域U上的模糊集,這里每個(gè)模糊集Ai

表示一個(gè)模糊模式類ωi

。論域中的各個(gè)元素x對(duì)每個(gè)Ai

都有隸屬度μAi(x)。如果對(duì)于給定的xi∈U,有為了能夠運(yùn)用最大隸屬度原則,對(duì)于一個(gè)分類識(shí)別問(wèn)題,可做如下處理。幾個(gè)特征的值域分別作為論域,在其上定義若干有意義的類別屬性,將它們作為模糊集,構(gòu)造有關(guān)特征(值)關(guān)于這些屬性的隸屬函數(shù),各類模糊集是屬性模糊集的某些“運(yùn)算”,即各類別的隸屬函數(shù)是屬性隸屬函數(shù)的某種“綜合”。對(duì)于一個(gè)待識(shí)別模式,將其各特征值代入各類隸屬函數(shù),運(yùn)用最大隸屬度原則進(jìn)行分類。2.擇近原則方法擇近原則涉及貼近度。貼近度用于表征模糊集之間彼此接近的程度,可定義如下:定義3:F(U)上的貼近度ρ是如下映射上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)為了能構(gòu)造滿足上述公理化的貼近度計(jì)算公式,必須先引入模糊集的內(nèi)積和外積的概念由模糊集的內(nèi)積和外積的定義和性質(zhì)可知,A、B越貼近,則AB越大,而A×B越小,即(A×B)c

越大,因此可以用它們來(lái)刻畫貼近度。定義4:設(shè)A,B∈F(U),則稱上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)(1)歐氏貼近度(2)海明貼近度]上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)①目標(biāo)特征為論域,各特征為論域中的元素。各類或所有已知類別的模式和待識(shí)別模式看作模糊集,它們的各特征值歸一化后作為隸屬函數(shù),從而產(chǎn)生各類與待識(shí)別模式的模糊矢量。②這種途徑通常用于待識(shí)別對(duì)象屬于同一類的若干模式的情況。3.模糊C-均值算法令X={x1,x2,…,xn},欲將這N個(gè)n維特征矢量xj(j=1,2,…,N)分成c類,分類結(jié)果用分劃矩陣U=(uij)c×N表示。FCM算法在迭代尋優(yōu)過(guò)程中,不斷更新各類的中心及隸屬度矩陣各元素的值,直到逼近下列準(zhǔn)則函數(shù)的最小值上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)11.3.5數(shù)據(jù)融合識(shí)別技術(shù)傳感器信息融合又稱數(shù)據(jù)融合,將經(jīng)過(guò)集成處理的多傳感器信息進(jìn)行合成,形成一種對(duì)外部環(huán)境或被測(cè)對(duì)象某一特征的表達(dá)方式。傳感器信息融合技術(shù)是對(duì)多種信息的獲取、表示及其內(nèi)在聯(lián)系進(jìn)行綜合處理和優(yōu)化的技術(shù)。傳感器信息融合技術(shù)從多信息的視角進(jìn)行處理及綜合,得到各種信息的內(nèi)在聯(lián)系和規(guī)律,從而剔除無(wú)用的和錯(cuò)誤的信息,保留正確的和有用的成分,最終實(shí)現(xiàn)信息的優(yōu)化。它也為智能信息處理技術(shù)的研究提供了新的觀念。單一傳感器只能獲得環(huán)境或被測(cè)對(duì)象的部分信息段,而多傳感器信息經(jīng)過(guò)融合后能夠完善、準(zhǔn)確地反映環(huán)境的特征。經(jīng)過(guò)融合后的傳感器信息具有以下特征:信息冗余性、信息互補(bǔ)性、信息實(shí)時(shí)性、信息獲取的低成本性。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)信息融合起初被稱為數(shù)據(jù)融合,起源于1973年美國(guó)國(guó)防部資助開發(fā)的聲吶信號(hào)處理系統(tǒng)。當(dāng)時(shí)主要應(yīng)用于軍事領(lǐng)域,被稱為“情報(bào)綜合”。20世紀(jì)80年代,為了滿足軍事領(lǐng)域中作戰(zhàn)的需要,多傳感器數(shù)據(jù)融合MSDF(Multi-sensorDataFusion)技術(shù)應(yīng)運(yùn)而生。1988年,美國(guó)將C3I系統(tǒng)中的數(shù)據(jù)融合技術(shù)列為國(guó)防部重點(diǎn)開發(fā)的二十項(xiàng)關(guān)鍵技術(shù)之一。1991年美國(guó)已有54個(gè)數(shù)據(jù)融合系統(tǒng)引入到軍用電子系統(tǒng)中去,其中87%已有試驗(yàn)樣機(jī)、試驗(yàn)床或已被應(yīng)用。由于信息融合技術(shù)在海灣戰(zhàn)爭(zhēng)中表現(xiàn)出的巨大潛力,在戰(zhàn)爭(zhēng)結(jié)束后,美國(guó)國(guó)防部又在C3I系統(tǒng)中加入計(jì)算機(jī),開發(fā)了以信息融合為中心的C4I系統(tǒng)。此外,英國(guó)陸軍開發(fā)了炮兵智能信息融合系統(tǒng)(AIDD)和機(jī)動(dòng)與控制系統(tǒng)(WAVELL)。英國(guó)BAE系統(tǒng)公司還開發(fā)一種被稱作“分布式數(shù)據(jù)融合”(DecentralizedDataFusion,DDF)的信息融合新技術(shù)。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)使傳感器網(wǎng)絡(luò)中的全部數(shù)據(jù)都被實(shí)時(shí)地綜合和融合到了一幅單一的作戰(zhàn)空間態(tài)勢(shì)圖中。歐洲五國(guó)還制訂了聯(lián)合開展多傳感器信號(hào)與知識(shí)綜合系統(tǒng)(SKIDS)的研究計(jì)劃。法國(guó)也研發(fā)了多平臺(tái)態(tài)勢(shì)感知演示驗(yàn)證系統(tǒng)(TsMPF)。隨著對(duì)融合技術(shù)研究的深入和應(yīng)用領(lǐng)域的擴(kuò)大,其技術(shù)已經(jīng)成功應(yīng)用于軍事和民用諸多領(lǐng)域。軍事應(yīng)用包括海上監(jiān)視、戰(zhàn)場(chǎng)情報(bào)、監(jiān)視和目標(biāo)識(shí)別,以及戰(zhàn)略預(yù)警和防御等;民用領(lǐng)域的應(yīng)用主要包括法律執(zhí)行、遙感、設(shè)備的自動(dòng)監(jiān)控、醫(yī)療診斷和機(jī)器人技術(shù)等。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)美國(guó)國(guó)防部從軍事應(yīng)用的角度將數(shù)據(jù)融合定義為這樣一個(gè)過(guò)程,即把來(lái)自許多傳感器和信息源的數(shù)據(jù)和信息加以聯(lián)合(Association)、相關(guān)(Correlation)和組合(Combination),以獲得精確的位置估計(jì)(PositionEstimation)和身份估計(jì)(IdentityEstimation),以及對(duì)戰(zhàn)場(chǎng)情況和威脅及其重要程度進(jìn)行適時(shí)的完成評(píng)價(jià)。數(shù)據(jù)融合系統(tǒng)中目標(biāo)融合識(shí)別原理圖如圖11-8所示。1.傳感器數(shù)據(jù)融合分類根據(jù)數(shù)據(jù)融合的方式,可以把傳感器數(shù)據(jù)融合分為組合、綜合、融合和相關(guān)四種方式。組合是由多個(gè)傳感器組合成平行或互補(bǔ)方式來(lái)獲得多組數(shù)據(jù)輸出的一種處理方法,是一種最基本的方式,涉及的問(wèn)題有輸出方式的協(xié)調(diào)、綜合以及傳感器的選擇。在硬件這一級(jí)上應(yīng)用。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)綜合是信息優(yōu)化處理中的一種獲得明確信息的有效方法。例如,在虛擬現(xiàn)實(shí)技術(shù)中,使用兩個(gè)分開設(shè)置的攝像機(jī)同時(shí)拍攝到一個(gè)物體的不同側(cè)面的兩幅圖像,綜合這兩幅圖像可以復(fù)原出一個(gè)準(zhǔn)確的有立體感的物體的圖像。2.傳感器數(shù)據(jù)融合的結(jié)構(gòu)傳感器數(shù)據(jù)整合的結(jié)構(gòu)如圖11-9所示。目標(biāo)識(shí)別的數(shù)據(jù)融合包括三種層次,即數(shù)據(jù)級(jí)融合、特征級(jí)融合和決策級(jí)融合。(1)數(shù)據(jù)級(jí)融合上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)在數(shù)據(jù)級(jí)融合方法中,對(duì)來(lái)自同等量級(jí)的傳感器的原始數(shù)據(jù)直接進(jìn)行融合,然后基于融合的傳感器數(shù)據(jù)進(jìn)行特征提取和身份估計(jì)。為了實(shí)現(xiàn)這種數(shù)據(jù)級(jí)的融合,所用傳感器必須是同類型的或相同量級(jí)的。通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行關(guān)聯(lián),來(lái)確定已融合的數(shù)據(jù)是否與同一目標(biāo)或?qū)嶓w有關(guān)。有了融合的傳感器數(shù)據(jù)之后,就可以完成像單一傳感器一樣的識(shí)別處理過(guò)程。對(duì)于圖像傳感器,數(shù)據(jù)級(jí)融合一般涉及圖像畫面元素級(jí)的融合,因此,數(shù)據(jù)級(jí)融合也常稱為像素級(jí)融合,采用的融合方法有邏輯濾波器、數(shù)學(xué)形態(tài)學(xué)、模擬退火、小波變換等,主要用于多源圖像復(fù)合、圖像分析和理解、同類雷達(dá)波形的直接合成等。(2)特征級(jí)融合在特征級(jí)融合方法中,每個(gè)傳感器觀測(cè)一個(gè)目標(biāo)并完成特征提取以獲得來(lái)自每個(gè)傳感器的特征向量,然后融合這些特征向量并基于獲得的聯(lián)合特征向量來(lái)產(chǎn)生身份估計(jì)。在這種方法中,必須使用關(guān)聯(lián)處理把特征向量分成有意義的群組。由于特征向量很可能是具有巨大差別的量,因此,位置級(jí)的融合信息在這一關(guān)聯(lián)過(guò)程中通常是有用的。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)(3)決策級(jí)融合在決策級(jí)融合方法中,每個(gè)傳感器都完成變換以獲得獨(dú)立的身份估計(jì),然后再對(duì)來(lái)自每個(gè)傳感器的屬性分類進(jìn)行融合。常用的決策級(jí)融合方法包括表決法、Bayes統(tǒng)計(jì)推斷、Dempster-Shafer證據(jù)理論、推廣的證據(jù)處理理論、模糊集法、人工神經(jīng)網(wǎng)絡(luò)、支撐向量機(jī)以及其他各種特定的方法。決策級(jí)融合是在信息表示的最高層次上進(jìn)行的融合處理。不同類型的傳感器觀測(cè)同一個(gè)目標(biāo),每個(gè)傳感器在本地完成預(yù)處理、特征抽取、識(shí)別或判斷,以建立對(duì)所觀察目標(biāo)的初步結(jié)論,然后通過(guò)相關(guān)處理、決策級(jí)融合判決,最終獲得聯(lián)合推斷結(jié)果,從而直接為決策提供依據(jù)。因此,決策級(jí)融合是直接針對(duì)具體決策目標(biāo),充分利用特征級(jí)融合所得出的目標(biāo)各類特征信息,并給出簡(jiǎn)明而直觀的結(jié)果。決策級(jí)融合實(shí)時(shí)性最好,在一個(gè)或幾個(gè)傳感器失效時(shí)仍能給出最終決策,因此具有良好的容錯(cuò)性。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)3.傳感器信息融合的一般方法傳感器信息融合的過(guò)程為:首先將被測(cè)對(duì)象轉(zhuǎn)換為電信號(hào),然后經(jīng)過(guò)A/D變換將它們轉(zhuǎn)換為數(shù)字量。數(shù)字化后電信號(hào)需經(jīng)過(guò)預(yù)處理,以濾除數(shù)據(jù)采集過(guò)程中的干擾和噪聲。對(duì)經(jīng)處理后的有用信號(hào)做特征抽取,再進(jìn)行數(shù)據(jù)融合;或者直接對(duì)信號(hào)進(jìn)行數(shù)據(jù)融合。最后,輸出融合的結(jié)果。(1)嵌入約束法嵌入約束法是由多種傳感器所獲得的客觀環(huán)境(即被測(cè)對(duì)象)的多組數(shù)據(jù)就是客觀環(huán)境按照某種映射關(guān)系形成的像,信息融合就是通過(guò)像求解原像,即對(duì)客觀環(huán)境加以了解。用數(shù)學(xué)語(yǔ)言描述就是,所有傳感器的全部信息,也只能描述環(huán)境某些方面的特征,而具有這些特征的環(huán)境卻有很多,要使一組數(shù)據(jù)對(duì)應(yīng)唯一的環(huán)境(即上述映射為一一映射),就必須對(duì)映射的原像和映射本身加約束條件,使問(wèn)題能有唯一的解。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)Bayes估計(jì)是融合靜態(tài)環(huán)境中多傳感器低層數(shù)據(jù)的一種常用方法。其信息描述為概率分布,適用于具有可加高斯噪聲的不確定性信息。假定完成任務(wù)所需的有關(guān)環(huán)境的特征物用向量f表示,通過(guò)傳感器獲得的數(shù)據(jù)信息用向量d來(lái)表示,d和f都可看作隨機(jī)向量。信息融合的任務(wù)就是由數(shù)據(jù)d推導(dǎo)和估計(jì)環(huán)境f。式(11-43)即為概率論中的Bayes公式,是嵌入約束法的核心。信息融合通過(guò)數(shù)據(jù)信息d做出對(duì)環(huán)境f的推斷,即求解p(f|d)。由Bayes公式知,只須知道p(f|d)和p(f)即可。因?yàn)閜(d)可看作使p(f|d)·p(f)成為概率密度函數(shù)的歸一化常數(shù),p(d|f)是在已知客觀環(huán)境變量f的情況下,傳感器得到的d關(guān)于f的條件密度。當(dāng)環(huán)境情況和傳感器性能已知時(shí),p(f|d)由決定環(huán)境和傳感器原理的物理規(guī)律完全確定。而p(f)可通過(guò)先驗(yàn)知識(shí)的獲取和積累,逐步漸近準(zhǔn)確地得到,因此,一般總能對(duì)p(f)有較好的近似描述。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)在嵌入約束法中,反映客觀環(huán)境和傳感器性能與原理的各種約束條件主要體現(xiàn)在p(f|d)中,而反映主觀經(jīng)驗(yàn)知識(shí)的各種約束條件主要體現(xiàn)在p(f)中。在傳感器信息融合的實(shí)際應(yīng)用過(guò)程中,通常的情況是在某一時(shí)刻從多種傳感器得到一組數(shù)據(jù)信息d,由這一組數(shù)據(jù)給出當(dāng)前環(huán)境的一個(gè)估計(jì)f。因此,實(shí)際中應(yīng)用較多的方法是尋找最大后驗(yàn)估計(jì)g,即當(dāng)傳感器組的觀測(cè)坐標(biāo)一致時(shí),可以用直接法對(duì)傳感器測(cè)量數(shù)據(jù)進(jìn)行融合。在大多數(shù)情況下,多傳感器從不同的坐標(biāo)框架對(duì)環(huán)境中同一物體進(jìn)行描述,這時(shí)傳感器測(cè)量數(shù)據(jù)要以間接的方式采用Bayes估計(jì)進(jìn)行數(shù)據(jù)融合。間接法要解決的問(wèn)題是求出與多個(gè)傳感器讀數(shù)相一致的旋轉(zhuǎn)矩陣R和平移矢量H。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)在傳感器數(shù)據(jù)進(jìn)行融合之前,必須確保測(cè)量數(shù)據(jù)代表同一實(shí)物,即要對(duì)傳感器測(cè)量進(jìn)行一致性檢驗(yàn)。常用以下距離公式來(lái)判斷傳感器測(cè)量信息的一致:卡爾曼濾波(KF)用于實(shí)時(shí)融合動(dòng)態(tài)的低層次冗余傳感器數(shù)據(jù),該方法用測(cè)量模型的統(tǒng)計(jì)特性,遞推決定統(tǒng)計(jì)意義下最優(yōu)融合數(shù)據(jù)合計(jì)。如果系統(tǒng)具有線性動(dòng)力學(xué)模型,且系統(tǒng)噪聲和傳感器噪聲可用高斯分布的自噪聲模型來(lái)表示,KF為融合數(shù)據(jù)提供唯一的統(tǒng)計(jì)意義下的最優(yōu)估計(jì),KF的遞推特性使系統(tǒng)數(shù)據(jù)處理不需大量的數(shù)據(jù)存儲(chǔ)和計(jì)算。KF分為分散卡爾曼濾波(DKF)和擴(kuò)展卡爾曼濾波(EKF)。DKF可實(shí)現(xiàn)多傳感器數(shù)據(jù)融合完全分散化,其優(yōu)點(diǎn)是每個(gè)傳感器節(jié)點(diǎn)失效不會(huì)導(dǎo)致整個(gè)系統(tǒng)失效。而EKF的優(yōu)點(diǎn)是可有效克服數(shù)據(jù)處理不穩(wěn)定性或系統(tǒng)模型線性程度的誤差對(duì)融合過(guò)程產(chǎn)生的影響。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)(2)證據(jù)組合法證據(jù)組合法認(rèn)為完成某項(xiàng)智能任務(wù)是依據(jù)有關(guān)環(huán)境某方面的信息做出幾種可能的決策,而多傳感器數(shù)據(jù)信息在一定程度上反映環(huán)境這方面的情況。因此,分析每一數(shù)據(jù)作為支持某種決策證據(jù)的支持程度,并將不同傳感器數(shù)據(jù)的支持程度進(jìn)行組合,即證據(jù)組合,分析得出現(xiàn)有組合證據(jù)支持程度最大的決策作為信息融合的結(jié)果。利用證據(jù)組合進(jìn)行數(shù)據(jù)融合的關(guān)鍵在于選擇合適的數(shù)學(xué)方法描述證據(jù)、決策和支持程度等概念建立快速、可靠并且便于實(shí)現(xiàn)的通用證據(jù)組合算法結(jié)構(gòu)。證據(jù)組合法較嵌入約束法有如下優(yōu)點(diǎn):①對(duì)多種傳感器數(shù)據(jù)間的物理關(guān)系不必準(zhǔn)確了解,即無(wú)須準(zhǔn)確地建立多種傳感器數(shù)據(jù)體的模型;上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)②通用性好,可以建立一種獨(dú)立于各類具體信息融合問(wèn)題背景形式的證據(jù)組合方法,有利于設(shè)計(jì)通用的信息融合軟、硬件產(chǎn)品;③人為的先驗(yàn)知識(shí)可以視同數(shù)據(jù)信息,賦予對(duì)決策的支持程度,參與證據(jù)組合運(yùn)算。常用的證據(jù)組合法有概率統(tǒng)計(jì)方法和Dempster-Shafer證據(jù)推理。D-S證據(jù)理論用“識(shí)別框架Θ”表示感興趣的命題集。設(shè)Θ為V所有可能取值的一個(gè)論域集合,且所有在Θ內(nèi)的元素之間是互不相容的,則稱Θ為V的識(shí)別框架。定義Θ為一識(shí)別框架,則冪集函數(shù)m:2Θ→[0,1](2Θ為Θ的冪集)滿足下列條件上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)例如,在決策級(jí)目標(biāo)識(shí)別融合中,將多個(gè)振動(dòng)傳感器采集的振動(dòng)目標(biāo)脈沖寬度信息作為證據(jù),每個(gè)傳感器提供一組命題,對(duì)應(yīng)決策x1,x2,…,xm,并建立一個(gè)相應(yīng)的信度函數(shù),這樣多傳感器數(shù)據(jù)融合實(shí)質(zhì)上就成為在同一個(gè)識(shí)別框架下,將不同的證據(jù)體合并成一個(gè)新的證據(jù)體的過(guò)程。多傳感器數(shù)據(jù)融合的一般過(guò)程是:①分別計(jì)算各傳感器的基本可信度、信度函數(shù)和似然度函數(shù);②利用Dempster合成規(guī)則,求得所有傳感器聯(lián)合作用下的基本可信度、信度函數(shù)和似然度函數(shù);③在一定決策規(guī)則下,選擇具有最大支持度的目標(biāo)。這個(gè)過(guò)程可用圖11-10表示,先由n個(gè)傳感器分別給出m個(gè)決策目標(biāo)集的信度,經(jīng)Dempster合成規(guī)則合成一致的對(duì)m個(gè)決策目標(biāo)的信度,最后對(duì)各可能決策利用某一決策規(guī)則得到結(jié)果。上一頁(yè)下一頁(yè)返回11.3目標(biāo)識(shí)別技術(shù)(3)人工神經(jīng)網(wǎng)絡(luò)法人工神經(jīng)網(wǎng)絡(luò)法是通過(guò)模仿人腦的結(jié)構(gòu)和工作原理,設(shè)計(jì)和建立相應(yīng)的機(jī)器和模型并完成一定的智能任務(wù)。神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前系統(tǒng)所接收到的樣本的相似性,確定分類標(biāo)準(zhǔn)。這種確定方法主要表現(xiàn)在網(wǎng)絡(luò)權(quán)值分布上,同時(shí)可采用神經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來(lái)獲取知識(shí),得到不確定性推理機(jī)制。上一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用11.4.1目標(biāo)識(shí)別技術(shù)在地面運(yùn)動(dòng)目標(biāo)識(shí)別中的應(yīng)用地面運(yùn)動(dòng)目標(biāo)是指處于行進(jìn)狀態(tài)的車輛、坦克、自行火炮等。它們發(fā)出的噪聲能夠被傳感器探測(cè)到,可以利用上面介紹的目標(biāo)識(shí)別方法對(duì)其進(jìn)行識(shí)別。下面介紹一個(gè)基于上述所介紹的識(shí)別方法的快速目標(biāo)探測(cè)識(shí)別系統(tǒng)。信號(hào)的頻率范圍在0~1500Hz,考慮采樣時(shí)應(yīng)遵守Nyquist準(zhǔn)則,所以采樣頻率應(yīng)該在3000Hz以上,要求DSP芯片的處理速度在毫秒級(jí);系統(tǒng)的運(yùn)算中小波變換與特征提取部分的計(jì)算量都是與采樣個(gè)數(shù)N同數(shù)量級(jí)的,如果采樣256點(diǎn),則運(yùn)算指令周期應(yīng)在100ns以下;小波變換占用的存儲(chǔ)空間也與N同數(shù)量級(jí),所以對(duì)于256點(diǎn),保證有300個(gè)字節(jié)的數(shù)據(jù)存儲(chǔ)空間就足夠了,整個(gè)程序所占用的空間在4KB的范圍內(nèi)也足夠了;小波變換的精度能保證精確到小數(shù)點(diǎn)后3~4位就足夠了;系統(tǒng)主要是用來(lái)進(jìn)行控制的,要求有輸入、輸出端口。下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用針對(duì)以上要求,可以選用TMS320系列中的F206芯片作為核心處理控制器。根據(jù)TMS320F206芯片的特點(diǎn)以及在智能引信中需要實(shí)時(shí)快速處理數(shù)字信號(hào)的要求,可以把整個(gè)系統(tǒng)分為4個(gè)模塊:信號(hào)采集模塊、接口功能模塊、信號(hào)處理模塊和數(shù)據(jù)庫(kù)模塊。(1)信號(hào)采集模塊信號(hào)采集模塊包括前五部分:聲傳感器(可以是一個(gè)或多個(gè))、前置放大器、低通濾波器、閾值判斷、A/D轉(zhuǎn)換(如果需要,可以再增加一層放大器),主要完成對(duì)空氣、大地中的聲音信號(hào)的預(yù)處理、采樣保持以及模/數(shù)轉(zhuǎn)換。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(2)接口功能模塊接口功能模塊主要完成各器件間的指令、數(shù)據(jù)傳輸,提供統(tǒng)一時(shí)鐘頻率并負(fù)責(zé)整個(gè)系統(tǒng)的電源供應(yīng)。DSP系列芯片有強(qiáng)大的接口功能,它的地址總線與數(shù)據(jù)總線是分開的,TMS320F206有16位地址總線與16位數(shù)據(jù)總線,不存在尋址與數(shù)據(jù)傳輸在總線占用上的沖突,與譯碼器、A/D轉(zhuǎn)換電路的連接非常簡(jiǎn)單。(3)信號(hào)處理模塊信號(hào)處理模塊主要是完成對(duì)輸入信號(hào)的特征提取與目標(biāo)識(shí)別,小波變換是較好地提取目標(biāo)的頻率特征的工具,可以用它完成特征提取部分的任務(wù);對(duì)信號(hào)小波變換后的近似信號(hào)波形特征進(jìn)行編碼,所得到的碼可以反映信號(hào)的主要頻率特征,目標(biāo)識(shí)別部分的工作可利用編碼識(shí)別來(lái)判斷完成。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(4)數(shù)據(jù)庫(kù)模塊數(shù)據(jù)庫(kù)模塊中主要存放各種目標(biāo)的特征編碼值,如小波變換的特征編碼、Fourier變換的特征值等。這些特征碼值是根據(jù)預(yù)先在計(jì)算機(jī)上的仿真結(jié)果統(tǒng)計(jì)出的特征碼值而得出的,不同的目標(biāo)對(duì)應(yīng)不同的特征碼統(tǒng)計(jì)值,它是系統(tǒng)進(jìn)行目標(biāo)識(shí)別的依據(jù),隨著目標(biāo)類型的不斷增多,特征碼庫(kù)中的值也會(huì)不斷增加。數(shù)據(jù)庫(kù)模塊可以直接固化在DSP芯片中,也可以寫在附加的EPROM中,在運(yùn)行的過(guò)程中,系統(tǒng)可以根據(jù)地址直接調(diào)用。在針對(duì)DSP的目標(biāo)識(shí)別軟件設(shè)計(jì)中,可依照如下設(shè)計(jì)過(guò)程進(jìn)行設(shè)計(jì)。(1)地址的分配在TMS320F206芯片的內(nèi)部存儲(chǔ)區(qū)分配可以根據(jù)需要自己設(shè)定,也可以使用其默認(rèn)設(shè)置,一般推薦使用芯片自己攜帶的默認(rèn)分配設(shè)置。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(2)變量初始化地址空間分配好之后就要進(jìn)行必要的變量初始化,其中包括變量的定義、輸入變量個(gè)數(shù)、Daubechies小波系數(shù)、小波變換層數(shù)等,TMS320F206提供10個(gè)寄存器(AR0~AR7(16位)、TREG(16位)、PREG(32位))存放計(jì)算過(guò)程中的臨時(shí)變量,在初始化的過(guò)程中應(yīng)該有合理的分配。32位ACC是系統(tǒng)進(jìn)程中進(jìn)行數(shù)值計(jì)算、邏輯運(yùn)算的關(guān)鍵,由于只有一個(gè),所以在計(jì)算過(guò)程中需配合寄存器一起使用(3)原始數(shù)據(jù)的輸入上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用TMS320F206的地址總線和數(shù)據(jù)總線是分開的,可以在一個(gè)機(jī)器周期內(nèi)同時(shí)完成數(shù)據(jù)的尋址與傳輸,只需用一個(gè)循環(huán)語(yǔ)句和一個(gè)輸入語(yǔ)句就可在N個(gè)機(jī)器周期內(nèi)將所需的數(shù)字信號(hào)輸入數(shù)據(jù)存儲(chǔ)區(qū)。這里有一點(diǎn)需要強(qiáng)調(diào)一下,由于每次輸入的數(shù)據(jù)被存入數(shù)據(jù)存儲(chǔ)區(qū)RAM中,如果突然出現(xiàn)掉電情況,數(shù)據(jù)就會(huì)丟失,只能在恢復(fù)供電后重新運(yùn)行數(shù)據(jù)輸入、信號(hào)處理程序。(4)信號(hào)的去均值與歸一化信號(hào)的能量大小也是信號(hào)特征的一部分,從信號(hào)能量的大小可以定性地分析出目標(biāo)的可能范圍,然后再進(jìn)一步識(shí)別,也就是首先進(jìn)行大范圍分類,再提取信號(hào)的頻率特征進(jìn)行細(xì)的目標(biāo)識(shí)別。在第一步的識(shí)別完成以后,為了防止在以后的信號(hào)處理的計(jì)算過(guò)程中出現(xiàn)溢出,信號(hào)輸入后需要進(jìn)行去均值與歸一化處理,這樣可以有效地限制信號(hào)幅值的大小,并且將信號(hào)統(tǒng)一到同一數(shù)量級(jí)有助于特征提取與目標(biāo)識(shí)別。去均值與歸一化處理的計(jì)算公式如下:上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(5)小波變換利用四階Daubechies小波進(jìn)行小波變換,計(jì)算公式如下:上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(6)編碼FOBW法的編碼過(guò)程需要首先求得信號(hào)在第三尺度上的均值,然后用每一信號(hào)的數(shù)值與均值比較,比均值大產(chǎn)生“1”碼,比均值小產(chǎn)生“0”碼,編好的碼經(jīng)移位器移入ACC中,共32位,占用兩個(gè)字節(jié),存放在數(shù)據(jù)存儲(chǔ)區(qū)中。(7)統(tǒng)計(jì)各種特征碼出現(xiàn)的次數(shù)進(jìn)行特征碼的出現(xiàn)次數(shù)統(tǒng)計(jì)可以把編好的碼放入ACC中,然后將ACC中的碼經(jīng)移位器依次移入狀態(tài)位中,每次移入一位,然后對(duì)狀態(tài)位進(jìn)行判斷,分別統(tǒng)計(jì)“00”“11”“01”“10”碼的出現(xiàn)頻率,將統(tǒng)計(jì)值分別存入4個(gè)寄存器中。循環(huán)的次數(shù)需預(yù)先放入循環(huán)計(jì)數(shù)器中,每移一位,計(jì)數(shù)器的值減1。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(8)判斷與輸出通過(guò)將4個(gè)寄存器中各種特征碼的統(tǒng)計(jì)結(jié)果與特征值庫(kù)中的值分別進(jìn)行比較發(fā)現(xiàn),不同類型的目標(biāo)有不同的判斷準(zhǔn)則,將目標(biāo)特征碼值與庫(kù)中參考目標(biāo)的特征碼值進(jìn)行對(duì)比、判斷、識(shí)別,若可以找到對(duì)應(yīng)的參考目標(biāo),就判斷為該目標(biāo);若找不到相似的參考目標(biāo)或找到不止一個(gè)的參考目標(biāo),就判斷為不可識(shí)別目標(biāo),最后將識(shí)別結(jié)果輸出到相應(yīng)的端口。這一步工作中包含了許多預(yù)先做好的工作,只有在計(jì)算機(jī)上對(duì)多種方法進(jìn)行了大量的模擬與統(tǒng)計(jì),才能找出各種目標(biāo)對(duì)應(yīng)的四種碼值的統(tǒng)計(jì)特性及判斷誤差范圍,以便能夠正確地判斷目標(biāo)。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用11.4.2自動(dòng)目標(biāo)識(shí)別技術(shù)在導(dǎo)彈中的發(fā)展和應(yīng)用自動(dòng)目標(biāo)識(shí)別技術(shù)是彈道導(dǎo)彈實(shí)現(xiàn)自動(dòng)尋旳精確末制導(dǎo)的關(guān)鍵技術(shù)之一。自動(dòng)目標(biāo)識(shí)別(ATR)技術(shù)是采用計(jì)算機(jī)處理一個(gè)或多個(gè)傳感器的輸出信號(hào),識(shí)別和跟蹤特定目標(biāo)的一種技術(shù)。它對(duì)導(dǎo)彈武器精確打擊目標(biāo)、智能化攻擊目標(biāo)和提高發(fā)射平臺(tái)的生存能力,具有重要意義。ATR技術(shù)起源于20世紀(jì)60年代初,直到80年代,一直處于摸索階段。當(dāng)時(shí),研究的重點(diǎn)集中在使導(dǎo)引頭具有類似人腦功能的知識(shí)基目標(biāo)識(shí)別上。這種方法在當(dāng)時(shí)的數(shù)字技術(shù)條件下,要求實(shí)現(xiàn)高度智能的信息處理功能,難度可想而知:一方面,數(shù)字技術(shù)硬件水平相對(duì)很低;另一方面,要求具有人工智能的目標(biāo)識(shí)別能力的軟件性能很高。因此,盡管投入很大,但該階段沒(méi)有一個(gè)國(guó)家這方面的ATR系統(tǒng)進(jìn)入實(shí)際應(yīng)用階段。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用從上述計(jì)劃來(lái)看,實(shí)用化ATR系統(tǒng)的技術(shù)體制包括采用紅外成像傳感器技術(shù)和采用激光成像傳感器技術(shù)。這兩種形式都屬于前視模板匹配ATR技術(shù)。目前,SAR成像自動(dòng)目標(biāo)識(shí)別技術(shù)綜合現(xiàn)代信號(hào)處理和模式識(shí)別技術(shù),利用計(jì)算機(jī)對(duì)采集的信息進(jìn)行自動(dòng)分析,完成發(fā)現(xiàn)、定位、識(shí)別目標(biāo)的任務(wù),提高信息的處理速度和精度,為偵察數(shù)據(jù)處理、精確打擊等任務(wù)應(yīng)用提供了有力支持,具有重要的軍事應(yīng)用價(jià)值。當(dāng)前發(fā)展較快的SAR圖像的軍事目標(biāo)識(shí)別應(yīng)用系統(tǒng)主要有:美國(guó)陸軍試驗(yàn)室AmericaArmyLaboratory,ARL)SARATR系統(tǒng),美國(guó)麻省理工學(xué)院林肯試驗(yàn)室基于模板的SARATR系統(tǒng),美國(guó)運(yùn)動(dòng)和精致目標(biāo)獲取與識(shí)別(MovingandStationaryTargetAcquisitionandRecognition,MSTAR)計(jì)劃的基于模型的SARATR系統(tǒng),美國(guó)Sandia國(guó)家試驗(yàn)室SARATR系統(tǒng),“北約”組織的RG20項(xiàng)目。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用利用前視模板匹配進(jìn)行自動(dòng)目標(biāo)識(shí)別就是采用目標(biāo)的結(jié)構(gòu)圖或紋理圖制作目標(biāo)基準(zhǔn)圖,在傳感器輸出的實(shí)時(shí)圖中匹配識(shí)別目標(biāo)。其過(guò)程是先建立有關(guān)目標(biāo)的基準(zhǔn)圖(為二進(jìn)制圖像)數(shù)據(jù)庫(kù),然后將數(shù)據(jù)庫(kù)存儲(chǔ)在導(dǎo)彈或飛機(jī)等武器的計(jì)算機(jī)存儲(chǔ)器中,當(dāng)武器臨近目標(biāo)時(shí),成像傳感器實(shí)時(shí)拍攝目標(biāo)的區(qū)域圖像,系統(tǒng)中數(shù)字裝置將這些實(shí)時(shí)圖像變換為二進(jìn)制的數(shù)字圖像,再與模板進(jìn)行匹配相關(guān),產(chǎn)生的結(jié)果用于確定目標(biāo)位置。自動(dòng)目標(biāo)識(shí)別技術(shù)的關(guān)鍵在于目標(biāo)的特征提取,在ATR系統(tǒng)中,如何使目標(biāo)特征化是實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確目標(biāo)識(shí)別的關(guān)鍵。作為關(guān)鍵步驟,特征提取的目的是獲取一組“少而精”的分類特征,即獲取特征數(shù)目少且分類錯(cuò)誤概率小的特征向量。下面介紹幾種自動(dòng)目標(biāo)識(shí)別的方法。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(1)經(jīng)典的統(tǒng)計(jì)模式識(shí)別方法該方法主要是利用目標(biāo)特性的統(tǒng)計(jì)分布,依靠目標(biāo)識(shí)別系統(tǒng)的大量訓(xùn)練和基于模式空間距離度量的特征匹配分類技術(shù),可在較窄的場(chǎng)景定義域內(nèi)獲得較有效的識(shí)別。(2)基于知識(shí)的自動(dòng)目標(biāo)識(shí)別方法20世紀(jì)70年代末,人工智能專家系統(tǒng)開始應(yīng)用到ATR的研究,形成了基于知識(shí)的ATR,即知識(shí)基(KnowledgeBased,KB)系統(tǒng)。基于知識(shí)的ATR算法在一定程度上克服了經(jīng)典統(tǒng)計(jì)模式識(shí)別法的局限性和缺陷,該方法目前存在的主要問(wèn)題是可供利用的知識(shí)源的辨識(shí)和知識(shí)的驗(yàn)證很困難,同時(shí),難以在適應(yīng)新場(chǎng)景中有效地組織知識(shí)。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用(3)基于模型的自動(dòng)目標(biāo)識(shí)別方法模型基(ModelBased,MB)首先是將復(fù)雜的目標(biāo)識(shí)別的樣本空間模型化,這些模型提供了一種描述樣本空間各種重要變化特性的簡(jiǎn)便途徑。典型的MB系統(tǒng)抽取一定的目標(biāo)特性,并利用這些特性和一些輔助知識(shí)來(lái)標(biāo)記目標(biāo)的模型參數(shù),從而選擇一些初始假設(shè),實(shí)現(xiàn)目標(biāo)特性的預(yù)測(cè)。確定一個(gè)MB系統(tǒng)的最終目標(biāo)時(shí),應(yīng)匹配實(shí)際的特性和預(yù)測(cè)后面的特性,若標(biāo)記準(zhǔn)確,匹配過(guò)程則會(huì)成功和有效。MB方法目前尚限于試驗(yàn)室研究階段。(4)基于傳感器信息融合的自動(dòng)目標(biāo)識(shí)別方法單一傳感器的導(dǎo)引頭在有光、電干擾的復(fù)雜環(huán)境中,目標(biāo)搜索和知識(shí)識(shí)別的能力、抗干擾能力及其工作可靠性都將降低。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用20世紀(jì)80年代興起的基于多傳感器信息融合(MultisensorInformationFusionBased,MIFB)的ATR方法克服了單一傳感器系統(tǒng)的缺陷,每個(gè)傳感器將數(shù)據(jù)反饋到各自的信號(hào)處理機(jī),先分別進(jìn)行目標(biāo)檢測(cè),得出有無(wú)目標(biāo)的判決以及目標(biāo)的位置信息或運(yùn)動(dòng)軌跡,然后將這些信息送入數(shù)據(jù)融合單元,對(duì)目標(biāo)位置或運(yùn)動(dòng)軌跡進(jìn)行關(guān)聯(lián)后再做進(jìn)一步的判決。(5)基于人工神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的自動(dòng)目標(biāo)識(shí)別方法專家系統(tǒng)是以邏輯推理為基礎(chǔ),模擬人類思維的人工智能方法。人工神經(jīng)網(wǎng)絡(luò)(ANN)是以神經(jīng)元連接結(jié)構(gòu)為基礎(chǔ),通過(guò)模擬人腦結(jié)構(gòu)來(lái)模擬人類形象思維的一種非邏輯、非語(yǔ)言的人工智能方法。ANN自底向上的訓(xùn)練和歸納判斷特性與專家系統(tǒng)的積累知識(shí)的自頂向下的利用特性,可以實(shí)現(xiàn)很好的互相補(bǔ)充結(jié)合,提供更強(qiáng)的處理信息能力。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用目前精確制導(dǎo)彈道導(dǎo)彈所裝配的末制導(dǎo)系統(tǒng)多數(shù)是被動(dòng)雷達(dá)導(dǎo)引頭、主動(dòng)雷達(dá)導(dǎo)引頭或紅外成像導(dǎo)引頭。雖然雷達(dá)導(dǎo)引頭的全天候作戰(zhàn)能力較強(qiáng),但即使使用了現(xiàn)代數(shù)字信號(hào)處理技術(shù),其自動(dòng)目標(biāo)識(shí)別能力也相當(dāng)有限,難以識(shí)別復(fù)雜的地面目標(biāo),如機(jī)場(chǎng)、橋梁、軍事指揮通信中心等,因而攻擊目標(biāo)范圍有限。合成孔徑雷達(dá)成像對(duì)目標(biāo)識(shí)別能力較強(qiáng),但需要在導(dǎo)彈上安裝精確定位系統(tǒng)如GPS系統(tǒng),并且對(duì)導(dǎo)彈的運(yùn)動(dòng)有一定的要求才能較好地工作,而GPS系統(tǒng)容易受到干擾,戰(zhàn)時(shí)可能不太好用。上述局限迫使彈道導(dǎo)彈設(shè)計(jì)師尋找新的能滿足導(dǎo)彈作戰(zhàn)性能要求的末制導(dǎo)系統(tǒng)。紅外凝視成像末制導(dǎo)由于具有二維成像能力,靈敏度高、導(dǎo)引精度高、抗干擾能力強(qiáng)、智能化(可實(shí)現(xiàn)發(fā)射后不管)、可以準(zhǔn)全天候作戰(zhàn)、適應(yīng)性強(qiáng)(可以安裝在各種型號(hào)的導(dǎo)彈上使用,只是識(shí)別跟蹤軟件不同)、自動(dòng)目標(biāo)識(shí)別能力很強(qiáng),可以大大地?cái)U(kuò)展彈道導(dǎo)彈的攻擊目標(biāo)范圍,并且容易實(shí)現(xiàn)導(dǎo)彈結(jié)構(gòu)化、模塊化的設(shè)計(jì)思想,因此已經(jīng)成為彈道導(dǎo)彈的一種重要的末制導(dǎo)方式。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用彈道導(dǎo)彈紅外成像關(guān)鍵技術(shù)包括:彈道導(dǎo)彈紅外成像制導(dǎo)總體技術(shù)、紅外窗口材料研究、目標(biāo)特性研究、超高速動(dòng)態(tài)紅外圖像數(shù)據(jù)的獲取方法、自動(dòng)目標(biāo)識(shí)別算法及系統(tǒng)研究、氣動(dòng)熱效應(yīng)和氣動(dòng)光學(xué)效應(yīng)消除技術(shù)。下面僅就自動(dòng)目標(biāo)識(shí)別問(wèn)題中的關(guān)鍵技術(shù)問(wèn)題進(jìn)行簡(jiǎn)單描述。(1)目標(biāo)特性研究掌握目標(biāo)特性是紅外成像制導(dǎo)技術(shù)的先決條件,目前彈道導(dǎo)彈高速飛行條件下的目標(biāo)特性還沒(méi)有被系統(tǒng)地研究。目標(biāo)特性研究有兩條技術(shù)途徑:一是對(duì)退化圖像進(jìn)行某種校正和恢復(fù),使退化圖像復(fù)原到正常圖像,然后利用正常圖像的目標(biāo)特性研究成果對(duì)目標(biāo)特性進(jìn)行研究,提取出簡(jiǎn)單適用的目標(biāo)特征,因此要研究圖像退化的機(jī)理、研究氣動(dòng)光學(xué)效應(yīng)和氣動(dòng)熱效應(yīng)的校正方法、研究自適應(yīng)光學(xué)校正方法以及圖像恢復(fù)校正方法;上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用二是直接利用退化圖像進(jìn)行目標(biāo)特性研究,充分利用目標(biāo)特性的先驗(yàn)知識(shí)直接提取目標(biāo)特征,這種方法節(jié)省了圖像恢復(fù)所需要的硬件資源和時(shí)間資源,但目標(biāo)特征提取的難度較大。實(shí)際研究中應(yīng)對(duì)兩種途徑并重,并結(jié)合兩種途徑的優(yōu)點(diǎn)尋找新的目標(biāo)特征提取方法。(2)超高速動(dòng)態(tài)紅外圖像數(shù)據(jù)的獲取方法目標(biāo)識(shí)別算法的研究和驗(yàn)證需要大量圖像數(shù)據(jù),而通過(guò)外場(chǎng)搭載試驗(yàn)獲得真實(shí)圖像的數(shù)量相當(dāng)有限,遠(yuǎn)遠(yuǎn)滿足不了目標(biāo)識(shí)別算法的研究需要。將低速未退化的圖像轉(zhuǎn)換成高速退化圖像是一條獲得圖像的有效途徑,因此要在深入研究退化圖像機(jī)理和退化模型的基礎(chǔ)上,研究超高速動(dòng)態(tài)紅外圖像數(shù)據(jù)的獲取方法,并通過(guò)獲得的有限圖像樣本進(jìn)行修正。要研究有限樣本條件下高速圖像數(shù)據(jù)的模擬方法,應(yīng)用外場(chǎng)試驗(yàn)對(duì)獲得的真實(shí)圖像進(jìn)行修正,使研究出的獲取方法正確、有效。(3)自動(dòng)目標(biāo)識(shí)別算法及系統(tǒng)研究上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用彈道導(dǎo)彈飛行速度高,末制導(dǎo)時(shí)間較短,自動(dòng)目標(biāo)識(shí)別和跟蹤系統(tǒng)的時(shí)間很短,對(duì)該算法和系統(tǒng)的實(shí)時(shí)性要求嚴(yán)格。目前,所取得的自動(dòng)目標(biāo)識(shí)別算法研究成果可以為彈道導(dǎo)彈自動(dòng)目標(biāo)識(shí)別算法提供技術(shù)支持,但還需利用形態(tài)學(xué)理論、模式識(shí)別理論、圖像處理理論、光學(xué)理論、計(jì)算機(jī)理論、并行算法理論、現(xiàn)代數(shù)字信號(hào)處理理論中的多種知識(shí)進(jìn)行適應(yīng)彈道導(dǎo)彈需要的自動(dòng)目標(biāo)識(shí)別算法和系統(tǒng)研究。高速大容量信號(hào)處理機(jī)是自動(dòng)目標(biāo)識(shí)別算法實(shí)現(xiàn)的載體,彈道導(dǎo)彈對(duì)其實(shí)時(shí)性要求更強(qiáng),面臨的問(wèn)題更多,需要研究并行算法,并研究可動(dòng)態(tài)重構(gòu)的數(shù)字信號(hào)處理機(jī)。反輻射導(dǎo)彈(Anti-radiationMissile,ARM)是戰(zhàn)爭(zhēng)中用以摧毀和壓制防空導(dǎo)彈武器系統(tǒng)中雷達(dá)等電子設(shè)備的主要硬殺傷武器。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用利用先驗(yàn)雷達(dá)數(shù)據(jù)庫(kù)目標(biāo)信號(hào)識(shí)別過(guò)程,根據(jù)被動(dòng)雷達(dá)導(dǎo)引頭接收到的實(shí)際脈沖信號(hào),由瞬時(shí)測(cè)頻儀測(cè)量脈沖信號(hào)的載波頻率(CarrierFrequency,CF),由計(jì)時(shí)電路測(cè)量脈沖信號(hào)的脈沖寬度(PulseWidth,PW)以及到達(dá)時(shí)間(TimeofArrival,TOA),由天線及測(cè)角電路測(cè)量信號(hào)的到達(dá)角(DirectionofArrival,DOA,包括俯仰角與方位角兩個(gè)參數(shù))。目標(biāo)信號(hào)分選分為搜索和跟蹤兩個(gè)階段。在線信號(hào)統(tǒng)計(jì)特征識(shí)別目標(biāo)的過(guò)程是從視場(chǎng)統(tǒng)計(jì)信號(hào)的特征出發(fā),把信號(hào)到達(dá)角DOA作為主要分選參數(shù),使得反輻射導(dǎo)彈在不預(yù)先裝定對(duì)方雷達(dá)的參數(shù)特性下也能正常工作。上一頁(yè)下一頁(yè)返回11.4目標(biāo)識(shí)別技術(shù)的應(yīng)用合成孔徑雷達(dá)(SyntheticApertureRadar,SAR)的概念是1951年由美國(guó)Goodyear航空公司的CarlWiley首次提出的。SAR是一種