專利名稱：：基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于目標(biāo)識(shí)別
技術(shù)領(lǐng)域：
，具體涉及一種基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法。
背景技術(shù)：
：為了精確掌握戰(zhàn)場(chǎng)態(tài)勢(shì)環(huán)境，為航空火控中心提供所需作戰(zhàn)信息，正確識(shí)別目標(biāo)已成為取得戰(zhàn)爭(zhēng)勝利所要考慮的首要問題。目標(biāo)識(shí)別技術(shù)在現(xiàn)代戰(zhàn)爭(zhēng)中的地位極為重要，世界各國(guó)均在進(jìn)行深入的研究。傳統(tǒng)的目標(biāo)識(shí)別主要是基于雷達(dá)傳感器的，但雷達(dá)的先天性缺陷使得其面臨著"電子對(duì)抗、反輻射導(dǎo)彈、超低空突防和隱身飛機(jī)"等"四大威脅"，嚴(yán)重影響了其在目標(biāo)識(shí)別中的應(yīng)用。而紅外傳感器具有測(cè)角精度高、能提供目標(biāo)圖像和目標(biāo)識(shí)別能力強(qiáng)等優(yōu)點(diǎn)，但是其缺點(diǎn)是作用距離較近，受氣候影響較大，不能提供目標(biāo)的距離等信息。
發(fā)明內(nèi)容本發(fā)明為了提高機(jī)載傳感器目標(biāo)識(shí)別的性能，充分發(fā)揮機(jī)載雷達(dá)和紅外傳感器的優(yōu)勢(shì)，達(dá)到資源共享，功能、性能相互彌補(bǔ)，以實(shí)現(xiàn)高精度的目標(biāo)識(shí)別，提供了一種基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的能目標(biāo)識(shí)別方法，具體包括如下步驟步驟一、由紅外傳感器對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)具體步驟為(1)利用小波的方法提取目標(biāo)圖像的特征；(2)選擇區(qū)分度大的特征；(3)由步驟B得到區(qū)分度最大的特征，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)區(qū)分此區(qū)分度最大的特征的分類器；(4)輸出結(jié)果歸一化得到基本概率分配函數(shù)M工；步驟二、由雷達(dá)對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)M2。A、由雷達(dá)測(cè)得目標(biāo)特征，并進(jìn)行隸屬度的計(jì)算；B、模糊推理得到?jīng)Q策向量；C、輸出解模糊化；D、輸出結(jié)果歸一化得到基本概率分配函數(shù)M2;步驟三、運(yùn)用D-S證據(jù)理論對(duì)雷達(dá)和紅外傳感器識(shí)別結(jié)果進(jìn)行融合；通過機(jī)載雷達(dá)和紅外成像傳感器的數(shù)據(jù)融合，得到聯(lián)合基本概率分配函數(shù)M(A):M(/Q4-'xSM'WxM2O0其中尺=1-I]M,(x)xM,SM,(咖M2(力x和y分別為基本概率分配函數(shù)Mi和M2的自變量。步驟四、識(shí)別目標(biāo)并作出決策。依據(jù)聯(lián)合基本概率分配函數(shù)，選取最大的聯(lián)合基本概率分配函數(shù)識(shí)別目標(biāo)并作出決策。本發(fā)明的優(yōu)點(diǎn)在于(1)利用紅外成像傳感器得到的目標(biāo)圖像比較準(zhǔn)確的特點(diǎn)，采用了基于小波矩特征和BP神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別算法對(duì)目標(biāo)進(jìn)行識(shí)別；(2)本發(fā)明提出的基于模糊推理的目標(biāo)識(shí)別方法，克服了由于雷達(dá)傳感器測(cè)得的數(shù)據(jù)具有很大的不確定性的缺陷；(3)從雷達(dá)和紅外傳感器識(shí)別算法分別得到待識(shí)別目標(biāo)所屬類別的基本概率分配函數(shù)，用D-S證據(jù)組合規(guī)則將得到的兩個(gè)基本概率分配函數(shù)組合，最終實(shí)現(xiàn)了機(jī)載雷達(dá)和紅外傳感器的數(shù)據(jù)融合。(4)仿真結(jié)果表明，基于雷達(dá)和紅外傳感器數(shù)據(jù)融合的智能目標(biāo)識(shí)別算法的識(shí)別效果要比單個(gè)雷達(dá)或單個(gè)紅外傳感器的識(shí)別效果好很多。圖1是本發(fā)明方法的步驟流程圖；圖2是紅外傳感器圖像目標(biāo)識(shí)別方法的流程圖；圖3是基于雷達(dá)模糊推理的目標(biāo)識(shí)別方法的流程圖；圖4是D-S方法用于雷達(dá)和紅外傳感器目標(biāo)識(shí)別的數(shù)據(jù)融合的示意圖；圖5是6類飛機(jī)的原始二值bmp圖像。具體實(shí)施例方式下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。本發(fā)明是一種基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法，該方法采用D-S證據(jù)理論方法對(duì)雷達(dá)和紅外傳感器識(shí)別的結(jié)果進(jìn)行融合，最后根據(jù)決策規(guī)則給出決策，解決飛機(jī)目標(biāo)識(shí)別問題。本發(fā)明提供的基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法，具體通過如下步驟實(shí)現(xiàn)，流程圖如圖1所示步驟一、由紅外傳感器對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)小波矩特征既能反映目標(biāo)的全局信息，又具有對(duì)圖像結(jié)構(gòu)精細(xì)特征的把握能力，因此把小波矩特征作為神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)圖像目標(biāo)進(jìn)行識(shí)別，可以使圖像識(shí)別的準(zhǔn)確率和抗噪性都有較大的提高。該圖像識(shí)別算法，對(duì)6類飛機(jī)圖像目標(biāo)(F15，F(xiàn)16，F(xiàn)4，F(xiàn)14，Su27，S35)進(jìn)行識(shí)別，在圖像目標(biāo)發(fā)生平移、旋轉(zhuǎn)、尺度變化、加噪變化后仍有很高的識(shí)別率。紅外傳感器對(duì)目標(biāo)進(jìn)行識(shí)別的流程如圖2所示，具體為步驟A、利用小波的方法提取目標(biāo)圖像的特征。對(duì)紅外傳感器采集得到的圖像進(jìn)行歸一化處理，將圖像轉(zhuǎn)化成標(biāo)準(zhǔn)大小(200*200像素)，然后將歸一化后的圖像進(jìn)行極坐標(biāo)轉(zhuǎn)換。利用小波變換的方法來(lái)提取圖像的特征。本文采用三次B樣條函數(shù)作為母小波函數(shù)"r)=4""+'gcos(2;r/。(2r一1)*exp(-(2。一^、)(6)其中，樣條次數(shù)n=3，基準(zhǔn)系數(shù)a=0.697066，初始頻率f。=0.409177，方差0^=0.561145。小波函數(shù)沿著軸向定義為^>)=2(2V-")(7)小波矩提取由iK:rhi丁&(o)剩(8)獲得。其中，對(duì)角度積分S,(r)的計(jì)算，必須把變換離散化，即選取適當(dāng)?shù)慕嵌乳g=2Ji/n，n通常取180，則角度積分為隔ae大。m(S,.，"W4H/(^K"一(9)W怖-o對(duì)得到的角度積分Sq(r)，利用小波函數(shù)在徑向區(qū)域{0《r《1}內(nèi)提取特征iicriHi^>m.(">i(io)其中，m=0，1，2，3，n=0，1，2，...，2m+1，q=0，1，2，3。步驟B、選擇圖像特征中區(qū)分度最大的特征組；一個(gè)好的特征，必然在同類圖像內(nèi)部差別比較小，在不同類圖像之間的差別比較對(duì)于每個(gè)小波矩特征I|Fm,n,qwarelrt|I，記第i類Si的特征I|Fm,n,qwarelrt|I的均值為Fm,n,r^tll)，標(biāo)準(zhǔn)方差為。(Si，IiFm,n,。wav^1|)，均值和標(biāo)準(zhǔn)方差的值可以通過大量的Si類別的樣本來(lái)求得。本文將計(jì)算區(qū)分特征Q(m，n)。「■，，叫i…-一'lfe'1l)+,，ik:i))式(11)和類間距的倒數(shù)的形式很相近，所以Q(||Fm,n,qwavelet|I，Si，Sj)的值越小，則類間距越大，說明此區(qū)分特征對(duì)第i類目標(biāo)和第j類目標(biāo)的識(shí)別能力越強(qiáng)。假設(shè)有I類目標(biāo)，則有=Ze(lcTlkA)U2)Q(m，n)的值越小，說明這個(gè)特征對(duì)I類目標(biāo)的識(shí)別性能越好。因此，在得到所有樣本的特征后，通過計(jì)算，選擇Q(m，n)值最小的特征作為神經(jīng)網(wǎng)絡(luò)的輸入。本文選擇最小的4個(gè)Q(m，n)值所對(duì)應(yīng)的特征作為最優(yōu)特征組，即區(qū)分度大的特征。步驟C、由步驟B得到區(qū)分度最大的特征組，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)區(qū)分此區(qū)分度最大的特征組的分類器；本發(fā)明采用的BP神經(jīng)網(wǎng)絡(luò)是一個(gè)3層前饋網(wǎng)絡(luò)，輸出的節(jié)點(diǎn)在區(qū)間[-l，l]取連續(xù)值。訓(xùn)練相當(dāng)于發(fā)現(xiàn)適當(dāng)?shù)幕ミB權(quán)重，使得對(duì)應(yīng)一個(gè)輸入樣本，能產(chǎn)生一個(gè)期望的輸出。期望的輸出是對(duì)應(yīng)于輸入模式所屬類別的那個(gè)節(jié)點(diǎn)的輸出設(shè)為l，而其余所有的輸出節(jié)點(diǎn)設(shè)置為0。BP神經(jīng)網(wǎng)絡(luò)選用下列參數(shù)(a)輸入層的節(jié)點(diǎn)數(shù)為4，即選擇4個(gè)最優(yōu)的小波矩特征；輸出層因?yàn)橛?類飛機(jī)目標(biāo)，所以取6個(gè)節(jié)點(diǎn)，即輸出維數(shù)是6;隱層節(jié)點(diǎn)數(shù)選為10。所述輸入層的節(jié)點(diǎn)數(shù)為最優(yōu)的小波矩特征向量的維數(shù)(b)本文所選的訓(xùn)練方法為L(zhǎng)evenberg-Marquardt法。(c)隱層和輸出層函數(shù)分別為tansig和purelin。tansig(n)=2/(l+exp(_2*n))-lpurelin(n)=n(d)最大訓(xùn)練次數(shù)定為1000次；最小均方誤差定為le-8;最小梯度定為le_20。設(shè)定上述參數(shù)即可得到分類器。步驟D、輸出結(jié)果歸一化得到基本概率分配函數(shù)M工；將BP神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行歸一化處理，可以得到紅外傳感器圖像目標(biāo)識(shí)別算法輸出的待識(shí)別目標(biāo)所屬飛機(jī)類別的基本概率分配函數(shù)|c31IsI|CjI|cnIccccCjl+.其中q為圖像目標(biāo)的神經(jīng)網(wǎng)路輸出，c=IClI+1c21+1c31+...ICiI+.例如，對(duì)某個(gè)待識(shí)別的圖像目標(biāo)，神經(jīng)網(wǎng)絡(luò)輸出為令c=IcF151+1cF161+1cF41+1cF141+1cSu271+1cSu351，經(jīng)過歸一化處理，得到該目標(biāo)分別屬于各類飛機(jī)目標(biāo)(F15，F(xiàn)16，F(xiàn)4，F(xiàn)14，Su27，S35)的基本概率分配函數(shù)為"F15lCF161Ccccccc步驟二、由雷達(dá)對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)M2。本發(fā)明采用基于模糊推理的雷達(dá)目標(biāo)識(shí)別方法進(jìn)行目標(biāo)識(shí)別，將雷達(dá)測(cè)量系統(tǒng)測(cè)得的飛機(jī)的飛行速度、雷達(dá)散射截面，飛行高度和雷達(dá)跟蹤系統(tǒng)估計(jì)的飛機(jī)的加速度等作為模糊推理識(shí)別系統(tǒng)的輸入，對(duì)6類飛機(jī)目標(biāo)(F15，F(xiàn)16，F(xiàn)4，F(xiàn)14，Su27，Su35)進(jìn)行識(shí)別。該模糊推理目標(biāo)識(shí)別方法流程如圖3所示，具體為(1)由雷達(dá)測(cè)得目標(biāo)特征，并進(jìn)行隸屬度的計(jì)算；對(duì)雷達(dá)測(cè)量系統(tǒng)測(cè)得的飛機(jī)的飛行速度、雷達(dá)散射截面、飛行高度和雷達(dá)跟蹤系統(tǒng)所估計(jì)的飛機(jī)的加速度等輸入，本發(fā)明通過高斯隸屬度函數(shù)來(lái)確定未知目標(biāo)對(duì)各類飛機(jī)的隸屬度，所述的高斯隸屬度函數(shù)如下式(13):(13);(F15)l(招其中Fi為飛機(jī)目標(biāo)，c為均值，o為標(biāo)準(zhǔn)差。例如，測(cè)得待識(shí)別目標(biāo)的雷達(dá)散射截面為rcs，該目標(biāo)對(duì)F15的隸屬度y可以這樣確定p(/T15)-e習(xí)；丁其中，o=1，c=2。同理可以得到Prcs(F16)，yrcs(F4)，Prcs(F14)，iircs(Su27)，iircs(Su35)。同樣，對(duì)飛行速度、飛行高度和加速度等輸入經(jīng)過計(jì)算可以分別得到待識(shí)別目標(biāo)對(duì)各類飛機(jī)的隸7屬度。(2)模糊推理得到?jīng)Q策向量；用上述步驟(1)計(jì)算得到的隸屬度來(lái)構(gòu)成推理規(guī)則矩陣R(即模糊關(guān)系)<formula>formulaseeoriginaldocumentpage8</formula>(14)確定四個(gè)輸入量在決策中所占的比重(即它們的權(quán)值)rcs權(quán)值為∞一，飛行高度權(quán)值為‰，速度權(quán)值為∞。，加速度權(quán)值為∞。。將這四個(gè)權(quán)值組成一個(gè)模糊向量AA=[(^)。。。(^)h(^)。(^)。](15)由此，對(duì)該飛機(jī)目標(biāo)識(shí)別的最后決策向量B為<formula>formulaseeoriginaldocumentpage8</formula>(3)輸出解模糊化；本文采用最大隸屬度法則進(jìn)行解模糊。這種方法是將模糊推理得到的結(jié)論(模糊集合)中最大隸屬度值所對(duì)應(yīng)的元素作為模糊推理算法輸出的精確值。例如，對(duì)某個(gè)待識(shí)別目標(biāo)，模糊推理輸出為B=[u。。。(F15)u。。。(F16)u。。。(F4)u。。。(F14)u。。。(Su27)u。。。(Su35)]’一。，則相應(yīng)的輸出為F15，因?yàn)樗鶎?duì)應(yīng)的隸屬度0．6698最大。(4)輸出結(jié)果歸一化得到基本概率分配函數(shù)兒。將模糊推理的輸出結(jié)果進(jìn)行歸一化處理，可以得到雷達(dá)模糊推理識(shí)別算法輸出的待識(shí)別目標(biāo)所屬飛機(jī)類別的基本概率分配函數(shù)兒。步驟三、運(yùn)用D—s證據(jù)理論對(duì)雷達(dá)和紅外傳感器識(shí)別結(jié)果進(jìn)行融合；D—s證據(jù)理論可以有效地處理不確定性信息，在信息融合中獲得了廣泛的應(yīng)用。在D—s證據(jù)理論中，傳感器輸出的信息被表示為基本概率分配函數(shù)，即可信度分配函數(shù)；利用D—s證據(jù)組合規(guī)則可以將多個(gè)基本概率分配函數(shù)組合，從而產(chǎn)生一個(gè)聯(lián)合基本概率分配函數(shù)，實(shí)現(xiàn)多傳感器數(shù)據(jù)融合，最后根據(jù)決策規(guī)則進(jìn)行決策。所述的D—s證據(jù)理論具體如下設(shè)D為樣本空間，領(lǐng)域內(nèi)的命題都用D的子集表示，D中的元素是互斥的。定義l概率分配函數(shù)設(shè)函數(shù)M2。一，且滿足<formula>formulaseeoriginaldocumentpage8</formula>(1)<formula>formulaseeoriginaldocumentpage8</formula>(2)則稱M是2D上的概率分配函數(shù)，M(A)稱為命題A的基本概率分配函數(shù)。如圖4所示，將由雷達(dá)和紅外傳感器獲得的基本概率分配函數(shù)Ml、M2進(jìn)行數(shù)據(jù)融合。對(duì)于上述步驟一和步驟二中得到的兩個(gè)基本概率分配函數(shù)Mi和M2，其正交和<formula>formulaseeoriginaldocumentpage9</formula>其中<formula>formulaseeoriginaldocumentpage9</formula>其中，x和y分別為基本概率分配函數(shù)M工和M2的自變量，M(A)表示聯(lián)合基本概率分配函數(shù)。步驟四、目標(biāo)識(shí)別并作出決策。通過將雷達(dá)和紅外傳感器獲得的基本概率分配函數(shù)M"M2，根據(jù)D-S證據(jù)理論合成得到聯(lián)合基本概率分配函數(shù)。依據(jù)聯(lián)合基本概率分配函數(shù)，選取最大的聯(lián)合基本概率分配函數(shù)識(shí)別目標(biāo)并作出決策。把D-S證據(jù)理論應(yīng)用到飛機(jī)目標(biāo)識(shí)別中，有6種待識(shí)別飛機(jī)目標(biāo)(F15，F(xiàn)16，F(xiàn)4，F(xiàn)14，Su27，Su35)，先由雷達(dá)和紅外傳感器分別對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)，再用D-S合成法則得到聯(lián)合基本概率分配函數(shù)，按最大隸屬度法則進(jìn)行決策，即目標(biāo)所屬類別應(yīng)具有最大的隸屬度。其中，基于紅外傳感器的圖像目標(biāo)識(shí)別算法所處理的原始二值bmp圖像如圖5所示。表1為D-S數(shù)據(jù)融合前后的結(jié)果對(duì)比。表1中，"實(shí)際"一列為所選樣本對(duì)應(yīng)的實(shí)際目標(biāo)種類，"結(jié)果"一列為識(shí)別決策結(jié)果。表中的數(shù)值為基本可信度分配值。"雷達(dá)"、"紅外"各行分別為各傳感器對(duì)同一目標(biāo)進(jìn)行識(shí)別的結(jié)果。"融合"一行表示經(jīng)過D-S數(shù)據(jù)融合后的識(shí)別結(jié)果。表1D-S數(shù)據(jù)融合前后的結(jié)果對(duì)比<table>tableseeoriginaldocumentpage10</column></row><table>從表1可以看出，在第4行(不算標(biāo)題行)，由于所選取的待識(shí)別紅外圖像(實(shí)際為F16)噪聲較大(為35%)，導(dǎo)致紅外圖像目標(biāo)識(shí)別算法對(duì)其錯(cuò)誤識(shí)別(誤識(shí)別為F14)，而經(jīng)過D-S證據(jù)理論數(shù)據(jù)融合后正確識(shí)別了目標(biāo)，如第6行所示，這說明D-S證據(jù)理論在基于雷達(dá)和紅外傳感器數(shù)據(jù)融合的智能目標(biāo)識(shí)別中的應(yīng)用是有效的。本發(fā)明提供的目標(biāo)識(shí)別方法先由雷達(dá)和紅外傳感器分別對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)，再用D-S合成法則得到聯(lián)合基本概率分配函數(shù)，并依據(jù)最大隸屬度法則進(jìn)行決策，從而實(shí)現(xiàn)了智能目標(biāo)識(shí)別。從融合前后的識(shí)別結(jié)果來(lái)看，融合后的識(shí)別精度相對(duì)于各傳感器分別識(shí)別的結(jié)果好得多。權(quán)利要求基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法，其特征在于如下步驟步驟一、由紅外傳感器對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)M1；具體步驟為(1)利用小波的方法提取目標(biāo)圖像的特征；(2)選擇區(qū)分度最大的特征組；(3)由步驟(2)得到區(qū)分度最大的特征組，基于BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)區(qū)分此特征組的分類器；其中，BP神經(jīng)網(wǎng)絡(luò)選用下列參數(shù)(a)確定輸入層的節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)、隱層節(jié)點(diǎn)數(shù)；所述輸入層的節(jié)點(diǎn)數(shù)為最優(yōu)的小波矩特征向量的維數(shù)；(b)所選的訓(xùn)練方法為L(zhǎng)evenberg-Marquardt法；(c)隱層和輸出層函數(shù)分別為tansig和purelin；tansig(n)＝2/(1+exp(-2＊n))-1；purelin(n)＝n；(d)最大訓(xùn)練次數(shù)定為1000次；最小均方誤差定為1e-8；最小梯度定為1e-20；通過設(shè)定上述參數(shù)得到分類器；(4)輸出結(jié)果歸一化得到基本概率分配函數(shù)M1；基本概率分配函數(shù)M1<msup><mfencedopen='['close=']'><mtable><mtr><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mn>1</mn></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mn>2</mn></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mn>3</mn></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mi>i</mi></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mi>j</mi></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd><mtd><mo>.</mo><mo>.</mo><mo>.</mo></mtd><mtd><mfrac><mrow><mo>|</mo><msub><mi>c</mi><mi>n</mi></msub><mo>|</mo></mrow><mi>c</mi></mfrac></mtd></mtr></mtable></mfenced><mi>T</mi></msup>其中ci為圖像目標(biāo)的神經(jīng)網(wǎng)路輸出，c＝|c1|+|c2|+|c3|+…|ci|+…|cj|+…|cn|；步驟二、由雷達(dá)對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)M2；A、由雷達(dá)測(cè)得目標(biāo)特征，并進(jìn)行隸屬度的計(jì)算；通過高斯隸屬度函數(shù)來(lái)確定未知目標(biāo)對(duì)各類飛機(jī)的隸屬度，所述的高斯隸屬度函數(shù)如下式<mrow><msub><mi>μ</mi><mi>rcs</mi></msub><mrow><mo>(</mo><mi>Fi</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>e</mi><mrow><mo>-</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mrow><mo>(</mo><mfrac><mrow><mi>rcs</mi><mo>-</mo><mi>c</mi></mrow><mi>σ</mi></mfrac><mo>)</mo></mrow><mn>2</mn></msup></mrow></msup></mrow>其中Fi為飛機(jī)目標(biāo)，c為均值，σ為標(biāo)準(zhǔn)差；B、模糊推理得到?jīng)Q策向量；C、輸出解模糊化，采用最大隸屬度法則進(jìn)行解模糊；D、輸出結(jié)果歸一化得到基本概率分配函數(shù)M2；步驟三、運(yùn)用D-S證據(jù)理論對(duì)雷達(dá)和紅外傳感器識(shí)別結(jié)果進(jìn)行融合；通過機(jī)載雷達(dá)和紅外成像傳感器的數(shù)據(jù)融合，得到聯(lián)合基本概率分配函數(shù)M(A)<mrow><mi>M</mi><mrow><mo>(</mo><mi>A</mi><mo>)</mo></mrow><mo>=</mo><msup><mi>K</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mo>×</mo><munder><mi>Σ</mi><mrow><mi>x</mi><mo>∩</mo><mi>y</mi><mo>=</mo><mi>A</mi></mrow></munder><msub><mi>M</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>M</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow></mrow>其中<mrow><mi>K</mi><mo>=</mo><mn>1</mn><mo>-</mo><munder><mi>Σ</mi><mrow><mi>x</mi><mo>∩</mo><mi>y</mi><mo>=</mo><mi>Φ</mi></mrow></munder><msub><mi>M</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>M</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><mi>x</mi><mo>∩</mo><mi>y</mi><mo>≠</mo><mi>Φ</mi></mrow></munder><msub><mi>M</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>×</mo><msub><mi>M</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>y</mi><mo>)</mo></mrow></mrow>x和y分別為基本概率分配函數(shù)M1和M2的自變量；步驟四、識(shí)別目標(biāo)并作出決策；依據(jù)聯(lián)合基本概率分配函數(shù)，選取最大的聯(lián)合基本概率分配函數(shù)識(shí)別目標(biāo)并作出決策。2.根據(jù)權(quán)利要求1所述的基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法，其特征在于步驟一中所述的利用小波的方法提取目標(biāo)圖像的特征過程為對(duì)紅外傳感器采集得到的圖像進(jìn)行歸一化處理，將圖像轉(zhuǎn)化成標(biāo)準(zhǔn)大小，然后將歸一化后的圖像進(jìn)行極坐標(biāo)轉(zhuǎn)換；采用三次B樣條函數(shù)作為母小波函數(shù)<formula>formulaseeoriginaldocumentpage3</formula>其中，樣條次數(shù)n=3，基準(zhǔn)系數(shù)a=0.697066，初始頻率f。=0.409177，方差《=0.561145;小波函數(shù)沿著軸向定義為<formula>formulaseeoriginaldocumentpage3</formula>小波矩提取由獲得，其中，角度積分S,(r)為對(duì)得到的角度積分Sq(r)，利用小波函數(shù)在徑向區(qū)域{0《r《1}內(nèi)提取特征其中，m=0，1，2，3，n=0，1，2，...，2m+1，q=0，1，2，3。全文摘要本發(fā)明公開了一種基于機(jī)載雷達(dá)和紅外成像傳感器數(shù)據(jù)融合的目標(biāo)識(shí)別方法，該方法首先由紅外傳感器對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)M1；然后由雷達(dá)對(duì)目標(biāo)進(jìn)行識(shí)別，并產(chǎn)生對(duì)應(yīng)的基本概率分配函數(shù)M2；運(yùn)用D-S證據(jù)理論對(duì)雷達(dá)和紅外傳感器識(shí)別結(jié)果進(jìn)行融合；最后識(shí)別目標(biāo)并作出決策。本發(fā)明中雷達(dá)對(duì)目標(biāo)進(jìn)行識(shí)別采用基于模糊推理的目標(biāo)識(shí)別方法，克服了由于雷達(dá)傳感器測(cè)得的數(shù)據(jù)具有很大的不確定性的缺陷，最終實(shí)現(xiàn)了機(jī)載雷達(dá)和紅外傳感器的數(shù)據(jù)融合。仿真結(jié)果表明，基于雷達(dá)和紅外傳感器數(shù)據(jù)融合的智能目標(biāo)識(shí)別算法的識(shí)別效果要比單個(gè)雷達(dá)或單個(gè)紅外傳感器的識(shí)別效果好很多。文檔編號(hào)G01J5/00GK101697006SQ20091009258公開日2010年4月21日申請(qǐng)日期2009年9月18日優(yōu)先權(quán)日2009年9月18日發(fā)明者蔣宏申請(qǐng)人:北京航空航天大學(xué);