战场环境下信息融合关键技术研究

《战场环境下信息融合关键技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码10699分类号N945.13密级非密学号2009100416题目战场环境下信息融合关键技术研究作者袁德平学科、专业通信与信息工程指导教师史浩山教授申请学位日期2016年10月西北工业大学博士学位论文（学位研究生）题目：战场环境下信息融合关键技术研究作者：袁德平学科专业：通信与信息工程指导教师：史浩山教授2016年10月ResearchonthekeyTechnologyofInformationFusioninBattlefieldEnvironmentByYuanDe-pingUndertheSupervisionofProfessorShiHao-shanADissert

2、ationSubmittedtoNorthwesternPolytechnicalUniversityInpartialfulfillmentoftherequirementForthedegreeofDoctorofCommunicationandInformationEngineeringXi’anP.R.ChinaOctober2016摘要摘要信息融合技术是一门新兴的交叉学科，在各个行业及领域中的应用蓬勃发展，其中军事需求是信息融合技术发展的源动力。在复杂的战场环境下，为了实现战场环境中物理域、信息域和认知域的高度统一，对战场环境下的信息融合技术提出了更高的要求。经过四十多年的发

3、展，信息融合技术取得了长足发展，但是其理论体系与算法实现上依然处于不断完善发展过程中。本文针对战场环境下信息融合技术的关键技术展开研究，取得如下创新成果：1.针对态势估计中存在的功能和信息流关系不清晰，以及态势估计和威胁估计之间的功能关系存在混淆的现象，提出了一种战场环境下态势估计的结构模型。该结构模型构建了观测态势、理解态势和预测态势之间的信息流层递关系，使得态势估计过程中各功能模块之间的信息关系更加明确，态势估计与威胁估计功能更加清晰，在此结构模型下，便于构建适合工程实现的态势估计结构框架。2.针对多目标环境下数据关联运算量大，算法收敛性慢的缺点，提出了一种粒子群和蚁群结合的群智能

4、算法。该算法首先将多目标数据关联问题转化为约束条件下的最优求解问题，再利用粒子群算法在开始搜索具有快速收敛，蚁群算法具有在最后搜索收敛速度快的特点，通过对这两种智能算法进行改进并结合使用，以达到对最优化问题的快速寻优，实现对多目标跟踪时的快速关联。通过与JPDA(JointProbabilisticDataAssociation)算法仿真比较，两种算法关联准确率相当，但本算法实时性由20多秒提高至100多毫秒；与ACDA（AntColonyDataAssociation）算法仿真比较，本算法关联准确率提高了7%，实时性提高了一倍。3.针对敌我双方多编队作战时，无法有效地对作战双方实现目

5、标编群问题，提出了一种敌我双方多编队作战情况下的目标编群算法。对敌方目标进行编群时，先以改进的变色龙（Chameleon）算法实现空间群的聚类，再根据空间群的几何要素，通过计算进攻要素的优势函数和进攻矩阵，实现对相互作用群的聚类。对我方目标编群时，先计算出相对进攻优势矩阵，再将最佳进攻组合问题转化为最优化问题，采用改进的遗传算法获得我方的相互作用群。通过与参考文献算法仿真对比，两种算法空间编群的结果一致，但本文的算法对相互作用群实现了精确聚类，且实时性达到了二十毫秒级的要求。4.针对密集群目标跟踪时，滤波模型参数的设定难以适应环境的需求，对群目标扩展状态的估计无法有效反映扩展状态的变化

6、问题，提出了一种参数自适应的密集群目标跟踪算法。该算法在贝叶斯滤波构架下，通过对交互多模型滤波中转移概率矩阵的各转移概率进行后验信息的修正，以实现参数的自适应调整；通过自动判定群目标的分裂与合并，以及对扩展状态灵敏度的在线修正，提高了群目标扩展状态的估计性能。最后与I西北工业大学博士学位论文参考算法进行仿真比较，本跟踪算法的距离误差与速度误差均减少了约一半；对群目标的分裂，3个周期就能检测出来，并可以对新的群目标和扩展状态进行有效的跟踪。5.针对战场环境下，态势估计算法难以满足连续地对确定性、不确定性的态势要素进行实时地估计与推理，提出了一种具有参数在线学习的动态贝叶斯网络态势估计算法

7、。采用前向递归法进行DBN（DynamicBayesianNetwork）推理时，由于态势要素的小样本特性，以狄利克雷分布作为先验分布，将先验信息融入到小样本数据的参数估计中，提高了对动态贝叶斯网络参数估计的精度和实时性。通过与EM（ExpectationMaximization）算法的仿真比较，本文算法在平均推理耗时和最大推理耗时上均降低6-7倍，对隐变量的最大威胁度估计概率由0.58提高到0.71，参数A和B的估计精度提高明显，且随着T个数