相關商品
商品簡介
目次
書摘/試閱
商品簡介
本書系統介紹直覺模糊集理論和方法及其在模式識別、信息融合、信息安全、數據挖掘等領域的應用。全書共分為14章：第1章介紹直覺模糊集理論的發展；第2章介紹直覺模糊集的基本運算；第3章介紹直覺模糊集之間的度量及直覺模糊模式識別；第4章介紹直覺模糊關係及直覺模糊聚類分析；第5章介紹直覺模糊推理與直覺模糊控制；第6章介紹直覺模糊綜合評判與直覺模糊決策；第7章介紹直覺模糊神經網絡與直覺模糊規劃；第8章介紹基於直覺模糊集的數據關聯方法；第9章介紹基於直覺模糊集的目標識別方法；第10章介紹基於直覺模糊集的態勢評估方法；第11章介紹基於直覺模糊集的威脅評估方法；第12章介紹基於直覺模糊集的網絡入侵檢測技術；第13章介紹直覺模糊集在網絡信息安全中的應用；第14章介紹基於直覺模糊推理的數據挖掘方法
目次
目錄
第 8章基于直覺模糊集的數據關聯 281
8.1信息融合功能模型和結構 281
8.1.1信息融合功能模型 281
8.1.2信息融合的結構 283
8.1.3多傳感器數據關聯的過程與任務 284
目錄
第 8章基于直覺模糊集的數據關聯 281
8.1信息融合功能模型和結構 281
8.1.1信息融合功能模型 281
8.1.2信息融合的結構 283
8.1.3多傳感器數據關聯的過程與任務 284
8.2基于模糊理論的信息融合 286
8.2.1模糊理論在信息融合中的應用 . 286
8.2.2基于直覺模糊集的信息融合 287
8.3直覺模糊數據關聯 288
8.3.1算法描述 288
8.3.2算例分析 290
8.3.3討論 291
8.4直覺模糊航跡關聯與航跡融合 292
8.4.1直覺模糊航跡關聯方法 292
8.4.2直覺模糊航跡融合 294
8.4.3算例分析 295
8.5本章小結 .296參考文獻 296第 9章基于直覺模糊集的目標識別方法 299
9.1目標識別問題描述 299
9.2基于直覺模糊推理的典型目標識別 . 302
9.2.1狀態變量屬性函數 302
9.2.2推理規則 305
9.2.3推理合成算法 . 306
9.2.4解模糊算法 307
9.2.5規則檢驗 308
9.2.6仿真實例 309
9.3基于直覺模糊推理的普通目標識別 . 312
9.3.1狀態變量屬性函數 313
9.3.2推理合成過程 . 315
9.3.3仿真實例 316
9.4基于直覺模糊聚類的目標識別 319
9.4.1目標屬性識別的基本方法 319
9.4.2基于直覺模糊等價關系聚類的目標識別 320
9.4.3基于直覺模糊 C均值聚類的目標識別 326
9.5基于直覺模糊推理與規劃理論的目標識別 330
9.5.1傳感器識別可信度模型 330
9.5.2傳感器識別直覺模糊推理規則 . 331
9.5.3基于凸優化理論的目標協同識別模型 . 333
9.5.4仿真實例 339
9.6本章小結 .340參考文獻 340第 10章基于直覺模糊集的態勢評估 . 344
10.1態勢評估與態勢預測 344
10.1.1態勢評估問題 344
10.1.2態勢預測問題 345
10.1.3直覺模糊綜合評判模型 346
10.2基于直覺模糊決策的態勢評估方法 346
10.2.1戰場態勢評估指標體系 346
10.2.2評估指標效用值度量與規范化 347
10.2.3用德爾菲法處理群體決策 . 354
10.2.4用 AHP方法確定指標權重 355
10.2.5實例分析 . 357
10.2.6討論 367
10.3基于直覺模糊推理的態勢預測方法 368
10.3.1狀態變量屬性函數 368
10.3.2輸入和輸出空間的直覺模糊分割 . 369
10.3.3推理規則 . 370
10.3.4推理算法 . 371
10.3.5解模糊算法 371
10.3.6實例分析 . 372
10.3.7討論 373
10.4基于 T-S模型直覺模糊神經網絡的態勢預測方法 .374
10.4.1 T-S模型直覺模糊神經網絡模型 . 374
10.4.2態勢預測系統 374
10.4.3實例分析 . 380
10.4.4討論 382
10.5基于直覺模糊神經網絡的態勢預測系統設計 382
10.5.1系統模型框架設計 382
10.5.2系統詳細設計與實現 384
10.6本章小結 389參考文獻 389第 11章基于直覺模糊集的威脅評估 . 390
11.1威脅評估問題描述 391
11.1.1空中目標影響威脅評估的因素 391
11.1.2威脅評估中的不確定性 392
11.1.3常用的威脅判斷方法 392
11.1.4防空作戰中威脅評估的目標 393
11.2基于直覺模糊推理的威脅評估 393
11.2.1威脅程度量化等級 394
11.2.2狀態變量的屬性函數 395
11.2.3推理規則 . 399
11.2.4推理算法 . 402
11.2.5解模糊算法 404
11.2.6實例研究 . 404
11.3基于 ANIFIS的威脅評估方法 407
11.3.1基本假設 . 407
11.3.2模型結構 . 408
11.3.3全局逼近性質 411
11.3.4網絡學習算法 412
11.3.5實例研究 . 415
11.3.6結果對比分析 417
11.4基于直覺模糊多屬性決策的威脅評估 . 418
11.4.1問題描述 . 418
11.4.2威脅因素評判指標的規范化方法 . 419
11.4.3基于直覺模糊集的多屬性模糊決策方法 . 420
11.4.4實例研究 . 424
11.5具有偏好信息的多屬性決策在威脅評估中應用 426
11.5.1直覺模糊區間判斷矩陣 426
11.5.2直覺模糊偏好信息的多屬性決策方法 426
11.5.3實例研究 . 430
11.5.4方法對比分析 432
11.6基于直覺模糊綜合評判的威脅評估 433
11.6.1基于可能度排序的直覺模糊綜合評判模型 433
11.6.2威脅評估求解步驟 436
11.6.3評估指標的效用值度量與規范化 . 437
11.6.4實例研究 . 439
11.7本章小結 440參考文獻 441第 12章基于直覺模糊集的信息安全評估與網絡流量預測 443
12.1信息安全評估研究進展 443
12.1.1評估標準 . 444
12.1.2評估方法 . 445
12.1.3評估模型 . 446
12.2基于多級 IFS綜合的信息安全評估 448
12.2.1信息系統安全的要求 448
12.2.2信息系統安全評估的基本要求 448
12.2.3基于多級 IFS綜合的信息安全評估模型 449
12.2.4實例分析 . 460
12.2.5討論 463
12.3基于多級 IFS綜合的信息安全評估軟件設計 463
12.3.1系統總體設計 463
12.3.2典型模塊設計 465
12.3.3 C#對 MATLAB函數的調用 470
12.3.4評估結果 . 471
12.4動態遞歸–直覺模糊神經網絡 472
12.4.1動態遞歸神經網絡理論基礎 472
12.4.2 Elman神經網絡的結構及其學習算法 479
12.4.3動態遞歸 –直覺模糊神經網絡 . 482
12.4.4討論 489
12.5基于動態遞歸直覺模糊神經網絡的網絡流量預測 . 489
12.5.1網絡流量概述 489
12.5.2網絡流量時序分析 490
12.5.3網絡流量數據處理 491
12.5.4基于動態遞歸神經網絡的網絡流量預測 . 491
12.5.5基于動態遞歸 –直覺模糊神經網絡的網絡流量預測 495
12.6本章小結 500參考文獻 500第 13章基于直覺模糊集的網絡入侵檢測與意圖識別 502
13.1入侵檢測問題描述 502
13.1.1入侵檢測系統的基本構成 . 502
13.1.2入侵檢測的基本方法 503
13.1.3入侵檢測系統的性能指標 . 505
13.1.4入侵檢測系統測試樣本庫的分析 . 506
13.1.5當前入侵檢測系統存在的問題及其解決策略 509
13.2基于直覺模糊推理的入侵檢測方法 510
13.2.1基于相似度的直覺模糊推理方法 . 510
13.2.2基于直覺模糊推理的入侵檢測方法 515
13.2.3實例分析 . 519
13.2.4討論 520
13.3基于直覺模糊綜合評判的入侵檢測方法 520
13.3.1基于三角模的直覺模糊綜合評判 . 520
13.3.2基于直覺模糊綜合評判的入侵檢測 523
13.3.3實例分析 . 523
13.3.4討論 525
13.4基于直覺模糊評判的告警預處理 526
13.4.1 IDS初始告警的提取 526
13.4.2基于直覺模糊評判的多源告警校驗方法 . 527
13.4.3實驗與分析 534
13.4.4討論 536
13.5基于直覺模糊聚類與 RBIFCM的入侵意圖識別 537
13.5.1預備知識 . 537
13.5.2基于直覺模糊聚類的入侵子意圖生成方法 539
13.5.3基于 RBIFCM的全局入侵意圖識別 547
13.5.4討論 555
13.6基于 RBIFCM的入侵意圖識別原型系統設計 556
13.6.1需求分析與設計目標 556
13.6.2系統模型框架設計 556
13.6.3各系統模塊設計與功能實現 557
13.7本章小結 561參考文獻 562索引 564
第 8章基于直覺模糊集的數據關聯 281
8.1信息融合功能模型和結構 281
8.1.1信息融合功能模型 281
8.1.2信息融合的結構 283
8.1.3多傳感器數據關聯的過程與任務 284
目錄
第 8章基于直覺模糊集的數據關聯 281
8.1信息融合功能模型和結構 281
8.1.1信息融合功能模型 281
8.1.2信息融合的結構 283
8.1.3多傳感器數據關聯的過程與任務 284
8.2基于模糊理論的信息融合 286
8.2.1模糊理論在信息融合中的應用 . 286
8.2.2基于直覺模糊集的信息融合 287
8.3直覺模糊數據關聯 288
8.3.1算法描述 288
8.3.2算例分析 290
8.3.3討論 291
8.4直覺模糊航跡關聯與航跡融合 292
8.4.1直覺模糊航跡關聯方法 292
8.4.2直覺模糊航跡融合 294
8.4.3算例分析 295
8.5本章小結 .296參考文獻 296第 9章基于直覺模糊集的目標識別方法 299
9.1目標識別問題描述 299
9.2基于直覺模糊推理的典型目標識別 . 302
9.2.1狀態變量屬性函數 302
9.2.2推理規則 305
9.2.3推理合成算法 . 306
9.2.4解模糊算法 307
9.2.5規則檢驗 308
9.2.6仿真實例 309
9.3基于直覺模糊推理的普通目標識別 . 312
9.3.1狀態變量屬性函數 313
9.3.2推理合成過程 . 315
9.3.3仿真實例 316
9.4基于直覺模糊聚類的目標識別 319
9.4.1目標屬性識別的基本方法 319
9.4.2基于直覺模糊等價關系聚類的目標識別 320
9.4.3基于直覺模糊 C均值聚類的目標識別 326
9.5基于直覺模糊推理與規劃理論的目標識別 330
9.5.1傳感器識別可信度模型 330
9.5.2傳感器識別直覺模糊推理規則 . 331
9.5.3基于凸優化理論的目標協同識別模型 . 333
9.5.4仿真實例 339
9.6本章小結 .340參考文獻 340第 10章基于直覺模糊集的態勢評估 . 344
10.1態勢評估與態勢預測 344
10.1.1態勢評估問題 344
10.1.2態勢預測問題 345
10.1.3直覺模糊綜合評判模型 346
10.2基于直覺模糊決策的態勢評估方法 346
10.2.1戰場態勢評估指標體系 346
10.2.2評估指標效用值度量與規范化 347
10.2.3用德爾菲法處理群體決策 . 354
10.2.4用 AHP方法確定指標權重 355
10.2.5實例分析 . 357
10.2.6討論 367
10.3基于直覺模糊推理的態勢預測方法 368
10.3.1狀態變量屬性函數 368
10.3.2輸入和輸出空間的直覺模糊分割 . 369
10.3.3推理規則 . 370
10.3.4推理算法 . 371
10.3.5解模糊算法 371
10.3.6實例分析 . 372
10.3.7討論 373
10.4基于 T-S模型直覺模糊神經網絡的態勢預測方法 .374
10.4.1 T-S模型直覺模糊神經網絡模型 . 374
10.4.2態勢預測系統 374
10.4.3實例分析 . 380
10.4.4討論 382
10.5基于直覺模糊神經網絡的態勢預測系統設計 382
10.5.1系統模型框架設計 382
10.5.2系統詳細設計與實現 384
10.6本章小結 389參考文獻 389第 11章基于直覺模糊集的威脅評估 . 390
11.1威脅評估問題描述 391
11.1.1空中目標影響威脅評估的因素 391
11.1.2威脅評估中的不確定性 392
11.1.3常用的威脅判斷方法 392
11.1.4防空作戰中威脅評估的目標 393
11.2基于直覺模糊推理的威脅評估 393
11.2.1威脅程度量化等級 394
11.2.2狀態變量的屬性函數 395
11.2.3推理規則 . 399
11.2.4推理算法 . 402
11.2.5解模糊算法 404
11.2.6實例研究 . 404
11.3基于 ANIFIS的威脅評估方法 407
11.3.1基本假設 . 407
11.3.2模型結構 . 408
11.3.3全局逼近性質 411
11.3.4網絡學習算法 412
11.3.5實例研究 . 415
11.3.6結果對比分析 417
11.4基于直覺模糊多屬性決策的威脅評估 . 418
11.4.1問題描述 . 418
11.4.2威脅因素評判指標的規范化方法 . 419
11.4.3基于直覺模糊集的多屬性模糊決策方法 . 420
11.4.4實例研究 . 424
11.5具有偏好信息的多屬性決策在威脅評估中應用 426
11.5.1直覺模糊區間判斷矩陣 426
11.5.2直覺模糊偏好信息的多屬性決策方法 426
11.5.3實例研究 . 430
11.5.4方法對比分析 432
11.6基于直覺模糊綜合評判的威脅評估 433
11.6.1基于可能度排序的直覺模糊綜合評判模型 433
11.6.2威脅評估求解步驟 436
11.6.3評估指標的效用值度量與規范化 . 437
11.6.4實例研究 . 439
11.7本章小結 440參考文獻 441第 12章基于直覺模糊集的信息安全評估與網絡流量預測 443
12.1信息安全評估研究進展 443
12.1.1評估標準 . 444
12.1.2評估方法 . 445
12.1.3評估模型 . 446
12.2基于多級 IFS綜合的信息安全評估 448
12.2.1信息系統安全的要求 448
12.2.2信息系統安全評估的基本要求 448
12.2.3基于多級 IFS綜合的信息安全評估模型 449
12.2.4實例分析 . 460
12.2.5討論 463
12.3基于多級 IFS綜合的信息安全評估軟件設計 463
12.3.1系統總體設計 463
12.3.2典型模塊設計 465
12.3.3 C#對 MATLAB函數的調用 470
12.3.4評估結果 . 471
12.4動態遞歸–直覺模糊神經網絡 472
12.4.1動態遞歸神經網絡理論基礎 472
12.4.2 Elman神經網絡的結構及其學習算法 479
12.4.3動態遞歸 –直覺模糊神經網絡 . 482
12.4.4討論 489
12.5基于動態遞歸直覺模糊神經網絡的網絡流量預測 . 489
12.5.1網絡流量概述 489
12.5.2網絡流量時序分析 490
12.5.3網絡流量數據處理 491
12.5.4基于動態遞歸神經網絡的網絡流量預測 . 491
12.5.5基于動態遞歸 –直覺模糊神經網絡的網絡流量預測 495
12.6本章小結 500參考文獻 500第 13章基于直覺模糊集的網絡入侵檢測與意圖識別 502
13.1入侵檢測問題描述 502
13.1.1入侵檢測系統的基本構成 . 502
13.1.2入侵檢測的基本方法 503
13.1.3入侵檢測系統的性能指標 . 505
13.1.4入侵檢測系統測試樣本庫的分析 . 506
13.1.5當前入侵檢測系統存在的問題及其解決策略 509
13.2基于直覺模糊推理的入侵檢測方法 510
13.2.1基于相似度的直覺模糊推理方法 . 510
13.2.2基于直覺模糊推理的入侵檢測方法 515
13.2.3實例分析 . 519
13.2.4討論 520
13.3基于直覺模糊綜合評判的入侵檢測方法 520
13.3.1基于三角模的直覺模糊綜合評判 . 520
13.3.2基于直覺模糊綜合評判的入侵檢測 523
13.3.3實例分析 . 523
13.3.4討論 525
13.4基于直覺模糊評判的告警預處理 526
13.4.1 IDS初始告警的提取 526
13.4.2基于直覺模糊評判的多源告警校驗方法 . 527
13.4.3實驗與分析 534
13.4.4討論 536
13.5基于直覺模糊聚類與 RBIFCM的入侵意圖識別 537
13.5.1預備知識 . 537
13.5.2基于直覺模糊聚類的入侵子意圖生成方法 539
13.5.3基于 RBIFCM的全局入侵意圖識別 547
13.5.4討論 555
13.6基于 RBIFCM的入侵意圖識別原型系統設計 556
13.6.1需求分析與設計目標 556
13.6.2系統模型框架設計 556
13.6.3各系統模塊設計與功能實現 557
13.7本章小結 561參考文獻 562索引 564
書摘/試閱
第 8章基于直覺模糊集的數據關聯
本章介紹直覺模糊集在信息融合中的應用 ,主要內容包括信息融合功能模型和結構;直覺模糊數據關聯;直覺模糊航跡關聯與航跡融合.
8.1信息融合功能模型和結構
多傳感器信息融合是人類和其他動物中普遍存在的一種基本功能 .人類和其他動物對客觀事物的認知過程 ,就是對多傳感器信息的融合過程 .在這個認知過程中 ,人或動物首先通過視覺、聽覺、觸覺、嗅覺和味覺等多種感官對客觀事物實施多種類、多方位的感知 ,從而獲得大量互補和冗余信息 ;然后由大腦對這些感知信息依據某種規則進行組合和處理 ,從而得到對客觀對象統一與和諧的理解和認識 .這種由感知到認知的過程就是生物體的多傳感器信息融合過程 .
現在所研究的多傳感器信息融合 ,實際上是對人腦綜合處理復雜問題的一種功能模擬 .其基本原理就像人腦綜合處理信息的過程一樣 ,充分利用多個傳感器資源 ,通過對各種傳感器及其觀測信息的合理支配與使用 ,將各種傳感器在空間和時間上的互補與冗余信息依據某種優化準則組合起來 ,產生對觀測環境的一致性解釋和描述.信息融合的目標是基于各傳感器分離觀測信息 ,通過對信息的優化組合導出更多的有效信息 ,最終目的是利用多個傳感器共同或聯合操作的優勢來提高整個傳感器系統的有效性 .
8.1.1信息融合功能模型
關于信息融合的功能模型歷史上曾出現過不同觀點 ,迄今已有多種信息融合系統模型 ,其中典型的有 JDL的信息融合功能模型、 Dasarathy[1]提出的 I/O功能模型、 E. Waltz提出的支持指揮與控制的融合模型以及 Bedworth[2]的 “Omnibus”處理模型等 .
JDL的信息融合功能模型影響較大 ,是公認較為權威的模型 ,它是一個有效的、跨越多個應用領域的模型 ,它確定了適用于數據融合的過程、功能、技術種類和特定技術 .該模型按照信息處理的抽象級別 ,將信息融合功能劃分為 L0 ～ L4等幾個級別及支持數據庫 ,如圖 8.1所示 , JDL模型的優點是易于理解各個不同層次上信息融合的基本任務 .
圖 8.1 JDL信息融合模型圖
第 0級處理 L0為預處理級 ,它進行信號級優化 ,基于像數 /信號級數據關聯和特征 ,對可觀測信號或目標狀態進行估計和預測 .
第一級處理 L1為目標優化 ,主要功能包括數據配準、數據關聯、目標位置和運動學參數估計 ,以及屬性參數估計、身份估計等 ,其結果為更高級別的融合過程提供輔助決策信息 .所謂數據配準 ,就是將時域上不同步 ,空域上屬于不同坐標系的多源數據進行時空對準 ,從而將多源數據納入一個統一的參考框架中 .數據關聯主要處理分類和組合等問題 ,將隸屬于同一數據源的數據集合組合在一起 .跟蹤用以實現對運動實體的運動參數估計 .身份估計處理的是實體屬性信息的表征與描述 .
第二級處理 L2為態勢評估 ,是對整個態勢的抽象和評定 .其中 ,態勢抽象就是根據不完整的數據集構造一個綜合的態勢表示 ,從而產生實體之間一個相互聯系的解釋 .而態勢評定則關系到對產生觀測數據和事件態勢的表示與理解 .態勢評定的輸入包括事件檢測、狀態估計以及為態勢評定所生成的一組假設等 .態勢評定的輸出在理論上是所考慮的各種假設的條件概率 .在軍事領域 ,態勢評估是指評價實體之間的相互關系 ,包括敵我雙方兵力結構和使用特點 ,是對戰場上戰斗力量分配情況的評價過程 .
第三級處理 L3為威脅評估 ,它將當前態勢映射到未來 ,對參與者設想或預測行為的影響進行評估 ;在軍事上是一種多層視圖處理過程 ,用以解釋對武器效能的估計 ,以及有效地扼制敵人進攻的風險程度 .此外 ,威脅估計還包括通過匯集技術和軍事條令數據庫中的數據 ,對我軍要害部位受敵人攻擊的脆弱性 ,以及作戰事件出現的程度和可能性進行估計 ,并對敵方作戰企圖給出指示和告警 .
第四級處理 L4為過程優化 ,是一個更高級的處理階段 .通過建立一定的優化指標 ,對整個融合過程進行實時監控與評價 ,從而實現多傳感器自適應信息獲取和處理 ,以及資源的最優分配 ,以支持特定的任務目標 ,并最終提高整個實時系統的性能 .
8.1.2信息融合的結構
信息融合按處理方式分為三種融合結構：集中式、分布式和混合式 .
1.集中式結構
集中式結構將各傳感器節點的數據都送至中央處理器進行融合處理 ,在那里完成航跡起始、點跡 –航跡相關及航跡更新等任務 ,如圖 8.2所示 .
圖 8.2集中式結構
集中式處理的優點是：對多傳感器信息可實時融合 ,數據量大、處理精度高、解法靈活 .其困難在于數據處理中心的數據量大、處理負擔重、要求有更強大的處理資源、可靠性較低、難于實現 .
2.分布式結構
分布式的結構如圖 8.3所示 .其特點是每個傳感器利用自己的量測單獨跟蹤目標,將估計結果送至處理中心 ,在此將各傳感器的估計合成為目標的聯合估計 .其優點是傳送到處理中心的數據量小 ,對通信帶寬需求低 ,處理中心的計算速度快 .且由于系統是分布跟蹤的 ,具有較高的生存能力 ,單個傳感器失效不影響其他傳感器的性能 ,對整個系統性能的影響也較小 ,故可靠性和延續性好 .
分布式處理的困難在于實現航跡 –航跡關聯 ,典型的解決方法是利用航跡關聯矩陣 .分布式處理的精度不高 ,對目標的機動適應性差 ,故多用于對精度要求不高的場合 .
3.混合式結構
混合式結構是以上兩種形式的綜合 ,如圖 8.4所示 .混合式結構同時傳輸檢測報告和經過局部處理后的航跡信息 ,它兼具上述二者的優點 ,但在通信和計算上要付出較昂貴的代價 .此類結構也具有上述兩類結構難以比擬的優勢 ,在實踐場合往往采用此類結構 .
圖 8.3分布式結構
圖 8.4混合式結構
8.1.3多傳感器數據關聯的過程與任務
對多個傳感器獲取的信息進行關聯 ,是多傳感器信息融合的主要任務之一 ,也是完成信息融合其他任務的前提和基礎 .關聯處理過程要經過不同的層次 ,如常將雷達網信息處理分為三個層次 ,即雷達信號與目標檢測、單部雷達數據處理和多部雷達數據融合 ,有時也分別稱其為雷達信息一次處理、雷達信息二次處理和雷達信息三次處理 .一般來說 ,多傳感器數據關聯需要經過數據準備、數據關聯、航跡關聯與融合等過程 .
1.數據準備
參與多傳感器數據關聯的單傳感器數據需要經過預處理、系統誤差修正、時空對準等準備環節 .
(1)預處理
.在二次處理之前 ,對一次處理給出的點跡要做進一步的處理 ,即預處理 ,以提高信號的質量 ,其中主要包括點跡濾波、點跡合并和去野值 .點跡過濾的目的是將非目標點跡減至最少 ,其基本依據是運動目標和固定目標跨周期的相關特性不同 .點跡合并 ,是對同一目標在多個相鄰波門被檢測到的情況 ,即出現目標分裂時 ,進行合并 .去野值 ,是去掉那些在錄取、傳輸過程中 ,由于受到干擾等原因所產生的一些不合理或具有粗大誤差的數據 ,通常這些數據稱為野值 .
(2)系統誤差修正
.傳感器對目標坐標參數進行測量時 ,在所測得的數據中包含有兩種誤差 .一種是隨機誤差 ,每次測量時 ,它都可能是不同的 ,這種誤差是無法修正的 ;另一種是固定誤差 ,即系統誤差 ,它不隨測量次數的變化而變化 ,因此通過校正是可以消除的 .系統誤差包括傳感器本身的位置誤差和傳感器給出的目標坐標的系統誤差 ,后者主要包括方向測量的波束指向偏差、距離測量零點偏差、高度計偏差和處理方法誤差等 .
(3)
坐標變換或空間對準 .對處于不同地點的各個雷達站送來的點跡進行數據關聯 ,必須對坐標系進行統一 ,即把它們都轉換到處理中心或指揮中心的公共坐標系上來 .坐標變換的方法很多 ,各種方法的變換復雜度和處理精度不同 ,可根據傳感器分布范圍和對精度的要求選取合適的坐標變換方法 .
(4)
時間同步或對準 .多傳感器工作時 ,在時間上是不同步的 ,所以不同傳感器的觀測數據通常不是在同一時刻得到的 ,存在著觀測數據的時間差 .這樣 ,在融合之前必須將這些觀測數據進行同步 ,或者稱作時間對準 ,即統一時間基準 .
(5)量綱對準
.量綱對準就是把各個雷達站送來的各個點跡數據中的參數量綱進行統一 ,以便后續計算 .
2.數據關聯
數據關聯是建立單一的傳感器測量與以前其他測量數據的關系 ,以確定它們是否有一個公共源的處理過程 .由于這些測量可能涉及不同的坐標系 ,它們在不同的時間觀察不同的源 ,即時間上不同步 ,并且可能有不同的空間分辨率 ,因此 ,關聯處理必須建立每個測量與大量的可能數據集合的關系 .
數據關聯處理可以描述為：把來自一個或多個傳感器的觀測或點跡 Zi, i = 1, 2, ,N,與 j個已知或已經確認的事件歸并到一起 ,使它們分別屬于 j個事件的集合 ,即保證每個事件集合所包含的觀測以較大的概率或接近于 1的概率均來自同一個實體 .對沒有歸并到 j個事件中的點跡 ,其中可能包括新的來自目標的點跡或由于噪聲或雜波剩余產生的點跡 ,保留到下個時刻繼續處理 .
3.航跡關聯與融合
在分布式多傳感器融合系統中 ,每個傳感器的跟蹤所給出的航跡稱作局部航跡或傳感器航跡 ,航跡融合系統將各個局部航跡融合后形成的航跡稱作系統航跡或全局航跡 .航跡融合是以傳感器航跡為基礎的 ,分為兩步：航跡關聯和航跡融合 .
航跡關聯 ,在航跡融合中有兩層意思 ,一層意思是把各個傳感器送來的目標狀態按照一定的準則 ,將同一批目標狀態歸并到一起 ,形成一個統一的航跡 ,即系統航跡或全局航跡 ;另一層意思是把各個傳感器送來的局部航跡的狀態與數據庫中已有的系統航跡進行配對 ,以保證配對以后的目標狀態與系統航跡中的狀態源于同一批目標 .
航跡融合 ,是融合中心把來自不同局部航跡的狀態 ,或局部航跡的狀態與系統航跡狀態關聯之后 ,把已配對的局部狀態分配給對應的系統航跡 ,形成新的系統航跡,并計算新的系統航跡的狀態估計和協方差 ,實現系統航跡的更新 .
8.2基于模糊理論的信息融合
當前 ,制約信息融合向深入發展的因素有：
(1)
信息類型的高度相異性和內容的模糊屬性 ;
(2)
多源信息和多任務引入的固有復雜性 ;
(3)
目前尚沒有數學工具來統一描述和處理此類復雜的問題 .
尋求深層次的有效數學工具對多源信息融合問題進行描述和處理勢在必行 .本書將直覺模糊理論與方法引入信息領域 ,介紹直覺模糊集理論在信息融合各層次的應用.
8.2.1模糊理論在信息融合中的應用
由于多傳感器獲取的信息存在不確定性 ,其中模糊性是主要的不確定性之一 ,因此模糊理論自然就成為研究信息融合的理論基礎 .基于模糊理論的信息融合方法,在任務描述和評價體系方面具有獨特優勢 .模糊理論的基本方法 ,如模糊聚類、模糊推理、模糊模式識別、模糊綜合評判等 ,在信息融合的不同層次得到了成功應用.
自從 Aziz等將數據關聯問題看作是模糊聚類問題 [5],模糊 C均值聚類 (fuzzy C-means clustering, FCM)算法成為了模糊數據關聯算法 (fuzzy data association, FDA)的基礎 , FDA算法通過使目標函數最小把觀測數據分別劃分到以目標預測位置為中心的類中 ,從而實現觀測與航跡的關聯 ,最終完成目標跟蹤任務 .模糊數據關聯算法一經提出就獲得了廣泛應用及持續改進 ,如韓紅等將其應用于異類多傳感器數據關聯 [6];程婷等將測量點跡與目標預測位置之間的隸屬度作為加權系數 ,對每個有效回波的信息加權后進行狀態估計 ,以克服傳統算法的一些缺陷 [7];郭睿等通過定義一種新的度量空間的距離 ,在迭代中平滑異常噪聲點對聚類中心的影
本章介紹直覺模糊集在信息融合中的應用 ,主要內容包括信息融合功能模型和結構;直覺模糊數據關聯;直覺模糊航跡關聯與航跡融合.
8.1信息融合功能模型和結構
多傳感器信息融合是人類和其他動物中普遍存在的一種基本功能 .人類和其他動物對客觀事物的認知過程 ,就是對多傳感器信息的融合過程 .在這個認知過程中 ,人或動物首先通過視覺、聽覺、觸覺、嗅覺和味覺等多種感官對客觀事物實施多種類、多方位的感知 ,從而獲得大量互補和冗余信息 ;然后由大腦對這些感知信息依據某種規則進行組合和處理 ,從而得到對客觀對象統一與和諧的理解和認識 .這種由感知到認知的過程就是生物體的多傳感器信息融合過程 .
現在所研究的多傳感器信息融合 ,實際上是對人腦綜合處理復雜問題的一種功能模擬 .其基本原理就像人腦綜合處理信息的過程一樣 ,充分利用多個傳感器資源 ,通過對各種傳感器及其觀測信息的合理支配與使用 ,將各種傳感器在空間和時間上的互補與冗余信息依據某種優化準則組合起來 ,產生對觀測環境的一致性解釋和描述.信息融合的目標是基于各傳感器分離觀測信息 ,通過對信息的優化組合導出更多的有效信息 ,最終目的是利用多個傳感器共同或聯合操作的優勢來提高整個傳感器系統的有效性 .
8.1.1信息融合功能模型
關于信息融合的功能模型歷史上曾出現過不同觀點 ,迄今已有多種信息融合系統模型 ,其中典型的有 JDL的信息融合功能模型、 Dasarathy[1]提出的 I/O功能模型、 E. Waltz提出的支持指揮與控制的融合模型以及 Bedworth[2]的 “Omnibus”處理模型等 .
JDL的信息融合功能模型影響較大 ,是公認較為權威的模型 ,它是一個有效的、跨越多個應用領域的模型 ,它確定了適用于數據融合的過程、功能、技術種類和特定技術 .該模型按照信息處理的抽象級別 ,將信息融合功能劃分為 L0 ～ L4等幾個級別及支持數據庫 ,如圖 8.1所示 , JDL模型的優點是易于理解各個不同層次上信息融合的基本任務 .
圖 8.1 JDL信息融合模型圖
第 0級處理 L0為預處理級 ,它進行信號級優化 ,基于像數 /信號級數據關聯和特征 ,對可觀測信號或目標狀態進行估計和預測 .
第一級處理 L1為目標優化 ,主要功能包括數據配準、數據關聯、目標位置和運動學參數估計 ,以及屬性參數估計、身份估計等 ,其結果為更高級別的融合過程提供輔助決策信息 .所謂數據配準 ,就是將時域上不同步 ,空域上屬于不同坐標系的多源數據進行時空對準 ,從而將多源數據納入一個統一的參考框架中 .數據關聯主要處理分類和組合等問題 ,將隸屬于同一數據源的數據集合組合在一起 .跟蹤用以實現對運動實體的運動參數估計 .身份估計處理的是實體屬性信息的表征與描述 .
第二級處理 L2為態勢評估 ,是對整個態勢的抽象和評定 .其中 ,態勢抽象就是根據不完整的數據集構造一個綜合的態勢表示 ,從而產生實體之間一個相互聯系的解釋 .而態勢評定則關系到對產生觀測數據和事件態勢的表示與理解 .態勢評定的輸入包括事件檢測、狀態估計以及為態勢評定所生成的一組假設等 .態勢評定的輸出在理論上是所考慮的各種假設的條件概率 .在軍事領域 ,態勢評估是指評價實體之間的相互關系 ,包括敵我雙方兵力結構和使用特點 ,是對戰場上戰斗力量分配情況的評價過程 .
第三級處理 L3為威脅評估 ,它將當前態勢映射到未來 ,對參與者設想或預測行為的影響進行評估 ;在軍事上是一種多層視圖處理過程 ,用以解釋對武器效能的估計 ,以及有效地扼制敵人進攻的風險程度 .此外 ,威脅估計還包括通過匯集技術和軍事條令數據庫中的數據 ,對我軍要害部位受敵人攻擊的脆弱性 ,以及作戰事件出現的程度和可能性進行估計 ,并對敵方作戰企圖給出指示和告警 .
第四級處理 L4為過程優化 ,是一個更高級的處理階段 .通過建立一定的優化指標 ,對整個融合過程進行實時監控與評價 ,從而實現多傳感器自適應信息獲取和處理 ,以及資源的最優分配 ,以支持特定的任務目標 ,并最終提高整個實時系統的性能 .
8.1.2信息融合的結構
信息融合按處理方式分為三種融合結構：集中式、分布式和混合式 .
1.集中式結構
集中式結構將各傳感器節點的數據都送至中央處理器進行融合處理 ,在那里完成航跡起始、點跡 –航跡相關及航跡更新等任務 ,如圖 8.2所示 .
圖 8.2集中式結構
集中式處理的優點是：對多傳感器信息可實時融合 ,數據量大、處理精度高、解法靈活 .其困難在于數據處理中心的數據量大、處理負擔重、要求有更強大的處理資源、可靠性較低、難于實現 .
2.分布式結構
分布式的結構如圖 8.3所示 .其特點是每個傳感器利用自己的量測單獨跟蹤目標,將估計結果送至處理中心 ,在此將各傳感器的估計合成為目標的聯合估計 .其優點是傳送到處理中心的數據量小 ,對通信帶寬需求低 ,處理中心的計算速度快 .且由于系統是分布跟蹤的 ,具有較高的生存能力 ,單個傳感器失效不影響其他傳感器的性能 ,對整個系統性能的影響也較小 ,故可靠性和延續性好 .
分布式處理的困難在于實現航跡 –航跡關聯 ,典型的解決方法是利用航跡關聯矩陣 .分布式處理的精度不高 ,對目標的機動適應性差 ,故多用于對精度要求不高的場合 .
3.混合式結構
混合式結構是以上兩種形式的綜合 ,如圖 8.4所示 .混合式結構同時傳輸檢測報告和經過局部處理后的航跡信息 ,它兼具上述二者的優點 ,但在通信和計算上要付出較昂貴的代價 .此類結構也具有上述兩類結構難以比擬的優勢 ,在實踐場合往往采用此類結構 .
圖 8.3分布式結構
圖 8.4混合式結構
8.1.3多傳感器數據關聯的過程與任務
對多個傳感器獲取的信息進行關聯 ,是多傳感器信息融合的主要任務之一 ,也是完成信息融合其他任務的前提和基礎 .關聯處理過程要經過不同的層次 ,如常將雷達網信息處理分為三個層次 ,即雷達信號與目標檢測、單部雷達數據處理和多部雷達數據融合 ,有時也分別稱其為雷達信息一次處理、雷達信息二次處理和雷達信息三次處理 .一般來說 ,多傳感器數據關聯需要經過數據準備、數據關聯、航跡關聯與融合等過程 .
1.數據準備
參與多傳感器數據關聯的單傳感器數據需要經過預處理、系統誤差修正、時空對準等準備環節 .
(1)預處理
.在二次處理之前 ,對一次處理給出的點跡要做進一步的處理 ,即預處理 ,以提高信號的質量 ,其中主要包括點跡濾波、點跡合并和去野值 .點跡過濾的目的是將非目標點跡減至最少 ,其基本依據是運動目標和固定目標跨周期的相關特性不同 .點跡合并 ,是對同一目標在多個相鄰波門被檢測到的情況 ,即出現目標分裂時 ,進行合并 .去野值 ,是去掉那些在錄取、傳輸過程中 ,由于受到干擾等原因所產生的一些不合理或具有粗大誤差的數據 ,通常這些數據稱為野值 .
(2)系統誤差修正
.傳感器對目標坐標參數進行測量時 ,在所測得的數據中包含有兩種誤差 .一種是隨機誤差 ,每次測量時 ,它都可能是不同的 ,這種誤差是無法修正的 ;另一種是固定誤差 ,即系統誤差 ,它不隨測量次數的變化而變化 ,因此通過校正是可以消除的 .系統誤差包括傳感器本身的位置誤差和傳感器給出的目標坐標的系統誤差 ,后者主要包括方向測量的波束指向偏差、距離測量零點偏差、高度計偏差和處理方法誤差等 .
(3)
坐標變換或空間對準 .對處于不同地點的各個雷達站送來的點跡進行數據關聯 ,必須對坐標系進行統一 ,即把它們都轉換到處理中心或指揮中心的公共坐標系上來 .坐標變換的方法很多 ,各種方法的變換復雜度和處理精度不同 ,可根據傳感器分布范圍和對精度的要求選取合適的坐標變換方法 .
(4)
時間同步或對準 .多傳感器工作時 ,在時間上是不同步的 ,所以不同傳感器的觀測數據通常不是在同一時刻得到的 ,存在著觀測數據的時間差 .這樣 ,在融合之前必須將這些觀測數據進行同步 ,或者稱作時間對準 ,即統一時間基準 .
(5)量綱對準
.量綱對準就是把各個雷達站送來的各個點跡數據中的參數量綱進行統一 ,以便后續計算 .
2.數據關聯
數據關聯是建立單一的傳感器測量與以前其他測量數據的關系 ,以確定它們是否有一個公共源的處理過程 .由于這些測量可能涉及不同的坐標系 ,它們在不同的時間觀察不同的源 ,即時間上不同步 ,并且可能有不同的空間分辨率 ,因此 ,關聯處理必須建立每個測量與大量的可能數據集合的關系 .
數據關聯處理可以描述為：把來自一個或多個傳感器的觀測或點跡 Zi, i = 1, 2, ,N,與 j個已知或已經確認的事件歸并到一起 ,使它們分別屬于 j個事件的集合 ,即保證每個事件集合所包含的觀測以較大的概率或接近于 1的概率均來自同一個實體 .對沒有歸并到 j個事件中的點跡 ,其中可能包括新的來自目標的點跡或由于噪聲或雜波剩余產生的點跡 ,保留到下個時刻繼續處理 .
3.航跡關聯與融合
在分布式多傳感器融合系統中 ,每個傳感器的跟蹤所給出的航跡稱作局部航跡或傳感器航跡 ,航跡融合系統將各個局部航跡融合后形成的航跡稱作系統航跡或全局航跡 .航跡融合是以傳感器航跡為基礎的 ,分為兩步：航跡關聯和航跡融合 .
航跡關聯 ,在航跡融合中有兩層意思 ,一層意思是把各個傳感器送來的目標狀態按照一定的準則 ,將同一批目標狀態歸并到一起 ,形成一個統一的航跡 ,即系統航跡或全局航跡 ;另一層意思是把各個傳感器送來的局部航跡的狀態與數據庫中已有的系統航跡進行配對 ,以保證配對以后的目標狀態與系統航跡中的狀態源于同一批目標 .
航跡融合 ,是融合中心把來自不同局部航跡的狀態 ,或局部航跡的狀態與系統航跡狀態關聯之后 ,把已配對的局部狀態分配給對應的系統航跡 ,形成新的系統航跡,并計算新的系統航跡的狀態估計和協方差 ,實現系統航跡的更新 .
8.2基于模糊理論的信息融合
當前 ,制約信息融合向深入發展的因素有：
(1)
信息類型的高度相異性和內容的模糊屬性 ;
(2)
多源信息和多任務引入的固有復雜性 ;
(3)
目前尚沒有數學工具來統一描述和處理此類復雜的問題 .
尋求深層次的有效數學工具對多源信息融合問題進行描述和處理勢在必行 .本書將直覺模糊理論與方法引入信息領域 ,介紹直覺模糊集理論在信息融合各層次的應用.
8.2.1模糊理論在信息融合中的應用
由于多傳感器獲取的信息存在不確定性 ,其中模糊性是主要的不確定性之一 ,因此模糊理論自然就成為研究信息融合的理論基礎 .基于模糊理論的信息融合方法,在任務描述和評價體系方面具有獨特優勢 .模糊理論的基本方法 ,如模糊聚類、模糊推理、模糊模式識別、模糊綜合評判等 ,在信息融合的不同層次得到了成功應用.
自從 Aziz等將數據關聯問題看作是模糊聚類問題 [5],模糊 C均值聚類 (fuzzy C-means clustering, FCM)算法成為了模糊數據關聯算法 (fuzzy data association, FDA)的基礎 , FDA算法通過使目標函數最小把觀測數據分別劃分到以目標預測位置為中心的類中 ,從而實現觀測與航跡的關聯 ,最終完成目標跟蹤任務 .模糊數據關聯算法一經提出就獲得了廣泛應用及持續改進 ,如韓紅等將其應用于異類多傳感器數據關聯 [6];程婷等將測量點跡與目標預測位置之間的隸屬度作為加權系數 ,對每個有效回波的信息加權后進行狀態估計 ,以克服傳統算法的一些缺陷 [7];郭睿等通過定義一種新的度量空間的距離 ,在迭代中平滑異常噪聲點對聚類中心的影
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。