本发明属于雷达技术领域，涉及组网雷达目标意图识别技术。
背景技术：
目标意图识别即从所获取的不完全信息中推断出目标的目的或预测它未来行动的过程。目标意图识别在战场态势评估中起到关键性的作用，也是威胁估计的基础。能否正确识别目标意图，关系到整个战场的态势变化，因而目标意图识别技术目前已经成为国内外专家的重点研究课题。
由于实际获取的目标不完全信息中，含有高度的随机性和不确定性。传统的贝叶斯概率理论对这种无规则不确定性难以描述，而d-s证据理论具有解决不确定因素的能力且只需满足比贝叶斯概率理论更弱的条件，因而被广泛应用于目标意图识别中。在文献“researchonrecognitiontechniqueoftargettacticalintentionsinseabattlefield，2012fifthinternationalsymposiumoncomputationalintelligenceanddesign，2012：130-133”中，利用d-s证据理论对雷达目标的战术意图的识别技术进行了研究，但是没有考虑证据出现冲突的情况。而对于高度冲突的证据运用d-s证据理论进行融合后得到的结果往往有悖于常理。因此，国内外学者们对关于d-s证据理论的改进进行了大量的研究。在文献“一种新的证据表示模型及其在敌作战意图识别中的应用，指挥控制与仿真，2006，28(6)：9-13”中，提出一种改进的d-s证据理论方法并运用于对敌作战的意图识别中。但上述两篇文献都未考虑在组网雷达中的应用。然而近年来，组网雷达在雷达应用中越来越广泛，对组网雷达的研究非常迫切，利用组网雷达进行目标意图识别正越来越受研究者的重视。
技术实现要素：
本发明的目的是针对背景技术存在的缺陷，研究设计一种基于改进d-s证据理论的目标意图识别方法，解决现有证据相互冲突时，传统d-s证据理论不能有效识别目标意图的问题。
本发明的解决方案是首先对各雷达接收到的数据进行预处理，其次利用意图与证据间的相似度获取各证据的基本概率分配，然后基于证据间的相似系数对证据进行冲突处理，最后利用d-s证据理论将各证据进行合成得到最终的概率分配并对目标意图进行判决。该方法有效解决了在实际应用中证据冲突的问题，改善了目标意图识别性能。
为了方便描述本发明的内容，首先对以下术语进行解释：
术语1：事件
不同雷达或者相同雷达在不同时间点探测到的目标的各个参数构成不同的事件。
术语2：属性
属性是指探测到目标的每个参数。
术语3：标准值
每个意图都有一个最合适的目标状态作为依据，这个目标状态称为该意图的标准值。标准值是针对在特定背景下由专家系统根据以往经验给定的一个取值(可以是固定值也可以是一个取值范围)。
术语4：识别框架
识别框架θ即为一个问题的所有可能答案的完备集合。其所有子集共同组成θ的幂集，记作2θ。
术语5：mass函数
识别框架上的基本概率分配，简称为bpa。在识别框架θ上的bpa是一个2θ→[0,1]的函数m(·)，也称为mass函数。
本发明提出了一种基于改进d-s证据理论的目标意图识别方法，该方法包括步骤：
步骤1：数据预处理，
目标t的位置记为(x,y,z)，其中，x、y、z分别为目标的x轴坐标、y轴坐标及z轴坐标；三部雷达ri,i＝1,2,3的位置记为(xi,yi,zi),i＝1,2,3，其中xi、yi、zi，i＝1,2,3分别为三部雷达的x轴坐标、y轴坐标及z轴坐标；则三部雷达之间的距离为：
目标到三部雷达的距离记为ri,i＝1,2,3，每部雷达探测到的目标径向速度分别记为vi,i＝1,2,3；则由几何关系可得任意两部雷达与目标形成的夹角θij，i、j＝1,2,3,i≠j：
对于所有雷达位于同一平面，且目标的速度方向与雷达所在的平面共面的情况；目标速度记为v，任取两部雷达r1,r2，目标速度与雷达r1,r2探测到的目标的径向速度的夹角分别记为β1,β2，共存在三种拓扑结构；
对于拓扑结构一：目标速度v在雷达r1探测到的目标的径向速度的左侧；则由几何关系可得：
对于拓扑结构二：目标速度v在两部雷达探测到的目标的径向速度夹角之间；则由几何关系可得：
对于拓扑结构三：目标速度v在雷达r2探测到的目标的径向速度右侧；则由几何关系可得：
则当利用任意两部雷达的数据带入公式(3)、(4)、(5)时，所得结果为正的那个β1即为正确的β1，相应的为正的β2即为正确的β2；这样在组网雷达中，任意选择两部雷达利用其探测到的目标的径向速度就能推导出目标速度，由于目标速度为定值，通过选择不同的雷达进行相互印证，找到与所有雷达组合推导出的目标速度都与其他任意两部雷达组合推导出的目标速度不同的那部雷达，即为存在异常的雷达，如果这部雷达为用来识别目标意图的雷达，则对其数据进行修正，否则将其数据剔除；
对于所有雷达中有一部分雷达探测到的目标的径向速度与目标速度共面，而另一部分与目标速度不在同一平面的情况；目标速度记为v，并与雷达r1,r2共面，目标速度与雷达r1,r2测量到的目标的径向速度的夹角分别记为β1,β2，另任取一部雷达r3，其探测到的目标的径向速度与目标速度的夹角记为β3，共存在三种拓扑结构；目标速度的延长线交由雷达r1,r2连线构成的线段r1r2于h，目标t与h的连线记为th，雷达r1与h的连线记为r1h，雷达r3与h的连线记为r3h，目标t与雷达r1,r2形成的夹角记为∠tr1r2＝γ1，三部雷达形成的夹角记为∠r2r1r3＝α1；则由几何关系有：
对于拓扑结构一：目标速度v在雷达r1探测到的目标的径向速度的左侧；由式(3)得到目标速度及夹角β1,β2；则由几何关系可得：
对于拓扑结构二：目标速度v在两部雷达r1、r2探测到的目标的径向速度夹角之间；由式(4)得到目标速度及夹角β1,β2；则由几何关系可得：
对于拓扑结构三：目标速度v在雷达r2探测到的目标的径向速度右侧；由式(5)得到目标速度及夹角β1,β2；则由几何关系可得：
通过上述对三种模型的求解可以得到th、r3h，则由几何关系可得：
vcosβ3＝v3(14)
从而通过v3可以推导出目标速度v；通过将雷达r1,r2与不同雷达进行组合，每个组合都能推导出一个目标速度，通过对比发现推导出的目标速度中与其他组合得到的目标速度不同的雷达，即为存在问题的雷达，如果这部雷达是用来识别目标意图的雷达，则对其数据进行修正，否则将其数据剔除；
步骤2：数据规范化，
目标具有的意图个数记为l，将第l个意图记为yl,l＝1,2,…,l，将所有意图放在同一空间得到目标战术意图空间y＝(y1,y2,…,yl)；在一段时间内检测到的事件个数为e，目标具有的属性个数为n，则对于第e个事件第n个属性取值记为xen,e＝1,2,…e,n＝1,2,…n；将第e个事件的所有属性的取值组合构成目标特征向量xe＝(xe1,xe2,…xen,…,xen)；目标具有意图yl时的特征向量x称为标准特征向量
标准值
采用min－max规范化方法将原始数据的第e个事件第n个属性的值xen映射到一个统一的范围内；设minn是属性n的最小值，maxn是属性n的最大值，所有属性转换后的区间统一为[0,1]，记转换得到的值为
按类似的方法将第l个意图第n个属性的标准值
步骤3：目标状态与各意图的相似程度，
利用式(16)、(17)将目标当前特征向量xe和目标意图空间对应的标准向量
当标准值
当标准值
当标准值
其中n为属性个数；
将
步骤4：概率密度分配函数，
将相似度矩阵h按行归一化得到每个证据的基本概率分配函数me(·)：
其中
步骤5：冲突处理，
在识别框架θ下的两个证据e1，e2，其基本概率分配函数分别为m1(·)和m2(·)，焦元分别为ai和bj，则证据e1、e2间的相似系数可以表示为：
设共有证据数目为e，计算任意两证据间的相似系数，得到相似矩阵s；将相似距阵s的每行相加得到各证据对证据ei的支持度，然后将其进行归一化得到该证据的可信度cr(mi)；将其作为证据ei的权重，得到加权后的各证据的基本概率分配；
对证据的基本概率分配进行平均：
步骤6：d-s证据合成及意图判决，
将式(23)得到的证据的基本概率分配由下式进行自身的合成；
其中
将合成后的结果m(c)与式(23)得到的m(ai)继续进行式(24)的合成，继续将合成后的结果与式(23)得到的m(ai)进行式(24)的合成，一直循环直到完成e-2次合成；得到最终的每个意图的概率分配，概率值最大所对应的意图即为目标意图。
本发明的有益效果：本发明首先将各雷达接收到的数据进行预处理，然后利用意图与证据间的相似度得到各证据的基本概率分配，再基于证据间的相似系数对证据进行冲突处理，最后利用d-s证据理论将各证据进行合成得到最终各意图的概率分配并对目标意图进行判决，从而有效解决了证据冲突时，传统d-s证据理论不能有效识别目标意图的问题。本发明的优点是不用判断各证据是否冲突，降低了算法复杂性，改善了目标意图识别性能。本发明可以应用于民用军事等领域。
附图说明
图1是本发明提供方法的总体框图。
图2是本发明提供方法的流程框图。
图3是本发明采用的d-s证据合成框图。
图4是本发明采用的数据预处理的雷达目标的拓扑结构示意图。
图5是本发明采用的数据预处理中对于所有雷达位于同一平面，且目标的速度方向与雷达所在的平面共面的情况对应的三种拓扑结构示意图。
图6是本发明采用的数据预处理中对于所有雷达中有一部分雷达探测到的目标的径向速度与目标速度共面，而另一部分与目标速度不在同一平面的情况对应的三种拓扑结构示意图。
图7是本发明具体实施方式中未经数据预处理直接进行d-s证据理论合成的目标意图识别仿真结果。
图8是本发明具体实施方式中未经数据预处理基于改进d-s证据理论合成的目标意图识别仿真结果。
图9是本发明具体实施方式中经数据预处理后直接进行d-s证据理论合成的目标意图识别仿真结果。
图10是本发明具体实施方式中经数据预处理后基于改进d-s证据理论合成的目标意图识别仿真结果。
具体实施方式
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在matlab2012上验证正确。下面就具体实施方式对本发明作进一步的详细描述。
步骤一：数据预处理，
目标t的位置记为(x,y,z)，其中，x、y、z分别为目标的x轴坐标、y轴坐标及z轴坐标。三部雷达ri,i＝1,2,3的位置记为(xi,yi,zi),i＝1,2,3，其中xi、yi、zi，i＝1,2,3分别为三部雷达的x轴坐标、y轴坐标及z轴坐标。则三部雷达之间的距离为：
目标到三部雷达的距离记为ri,i＝1,2,3，每部雷达探测到的目标径向速度分别记为vi,i＝1,2,3。则由几何关系可得任意两部雷达与目标形成的夹角θij＝∠ritrj,i,j＝1,2,3,i≠j：
对于所有雷达位于同一平面，且目标的速度方向与雷达所在的平面共面的情况。目标速度记为v，任取两部雷达r1,r2，目标速度与雷达r1,r2探测到的目标的径向速度的夹角分别记为β1,β2，共存在三种拓扑结构。
对于拓扑结构一：目标速度v在雷达r1探测到的目标的径向速度的左侧。则由几何关系可得：
对于拓扑结构二：目标速度v在两部雷达探测到的目标的径向速度夹角之间。则由几何关系可得：
对于拓扑结构三：目标速度v在雷达r2探测到的目标的径向速度右侧。则由几何关系可得：
则当我们利用任意两部雷达的数据带入公式(27)、(28)、(29)时，所得结果为正的那个β1即为正确的β1，相应的为正的β2即为正确的β2。这样在组网雷达中，任意选择两部雷达利用其探测到的目标的径向速度就能推导出目标速度，由于目标速度为定值，因而可以通过选择不同的雷达进行相互印证，找到与所有雷达组合推导出的目标速度都与其他任意两部雷达组合推导出的目标速度不同的那部雷达，即为存在异常的雷达，如这部雷达为用来识别目标意图的雷达，则对其数据进行修正，否则将其数据剔除。
对于所有雷达中有一部分雷达探测到的目标的径向速度与目标速度共面，而另一部分与目标速度不在同一平面的情况。目标速度记为v，并与雷达r1,r2共面，目标速度与雷达r1,r2测量到的目标的径向速度的夹角分别记为β1,β2，另任取一部雷达r3，其探测到的目标的径向速度与目标速度的夹角记为β3，共存在三种拓扑结构。目标速度的延长线交由雷达r1,r2连线构成的线段r1r2于h，目标t与h的连线记为th，雷达r1与h的连线记为r1h，雷达r3与h的连线记为r3h，目标t与雷达r1,r2形成的夹角记为∠tr1r2＝γ1，三部雷达形成的夹角记为∠r2r1r3＝α1。则由几何关系有：
对于拓扑结构一：目标速度v在雷达r1探测到的目标的径向速度的左侧。由式(27)得到目标速度及夹角β1,β2。则由几何关系可得：
对于拓扑结构二：目标速度v在两部雷达r1、r2探测到的目标的径向速度夹角之间。由式(28)得到目标速度及夹角β1,β2。则由几何关系可得：
对于拓扑结构三：目标速度v在雷达r2探测到的目标的径向速度右侧。由式(29)得到目标速度及夹角β1,β2。则由几何关系可得：
通过上述对三种模型的求解可以得到th、r3h，则由几何关系可得：
vcosβ3＝v3(38)
从而通过v3可以推导出目标速度v。通过将雷达r1,r2与不同雷达进行组合，每个组合都能推导出一个目标速度，通过对比发现推导出的目标速度中与其他组合得到的目标速度不同的雷达，即为存在问题的雷达，如这部雷达为用来识别目标意图的雷达，则对其数据进行修正，否则将其数据剔除。
步骤二：数据规范化，
目标具有的意图个数记为l，将第l个意图记为yl,l＝1,2,…,l，将所有意图放在同一空间得到目标战术意图空间y＝(y1,y2,…,yl)。在一段时间内检测到的事件个数为e，目标具有的属性个数为n，则对于第e个事件第n个属性取值记为xen,e＝1,2,…e,n＝1,2,…n。将第e个事件的所有属性的取值组合构成目标特征向量xe＝(xe1,xe2,…xen,…,xen)。目标具有意图yl时的特征向量x称为标准特征向量
标准值
采用min－max规范化方法将原始数据的第e个事件第n个属性的值xen映射到一个统一的范围内。设minn是属性n的最小值，maxn是属性n的最大值，所有属性转换后的区间统一为[0,1]，记转换得到的值为
按类似的方法将第l个意图第n个属性的标准值
步骤三：目标状态与各意图的相似程度，
利用式(40)、(41)将目标当前特征向量xe和目标意图空间对应的标准向量
当标准值
当标准值
当标准值
其中n为属性个数。
将
步骤五：概率密度分配函数，
将相似度矩阵h按行归一化得到每个证据的基本概率分配函数me(·)：
其中
步骤六：冲突处理，
在识别框架θ下的两个证据e1，e2，其基本概率分配函数分别为m1(·)和m2(·)，焦元分别为ai和bj，则证据e1、e2间的相似系数可以表示为：
设共有证据数目为e，计算任意两证据间的相似系数，得到相似矩阵s。将相似距阵s的每行相加得到各证据对证据ei的支持度，然后将其进行归一化得到该证据的可信度cr(mi)。将其作为证据ei的权重，得到加权后的各证据的基本概率分配。
对证据的基本概率分配进行平均：
步骤七：d-s证据合成及意图判决，
将式(47)得到的证据的基本概率分配由下式进行自身的合成。
其中
将合成后的结果m(c)与式(47)得到的m(ai)继续进行式(48)的合成，继续将合成后的结果与式(47)得到的m(ai)进行式(48)的合成，一直循环直到完成e-2次合成。得到最终的每个意图的概率分配，概率值最大所对应的意图即为目标意图。
本发明的效果通过以下仿真对比试验进一步说明：
仿真场景：设有两架敌方某型飞机飞向我方，其中一架飞机负责侦察我方情况，并将侦察结果传递给另外一架担任攻击任务的飞机。担任攻击任务的飞机先对我方进行佯攻，然后再进行攻击。假设t0、t1、t2、t3表示不同时刻，f1、f2假设为敌方两架飞机的编号。假设我方有10部雷达同时对目标进行观测，10部雷达位于同一条线上。假设只有雷达r1对目标进行意图识别，其余雷达用于辅助检测雷达r1观测的各项数据是否准确。现考虑雷达r1观测的速度存在问题，其他各项均正确。10部雷达位置分别为：(100,300,0)、(100,400,0)、(100,200,0)、(100,100,0)、(100,900,0)、(100,700,0)、(100,500,0)、(100,1000,0)、(100,2000,0)、(100,3000,0)。雷达r1观测到在t0-t3时刻两架飞机的具体过程如表1所示。10部雷达在t0-t3时刻分别观测到目标的径向速度如表2所示。
根据战场环境及目标特征，以目标的导攻雷达是否开机(1表示开机，0表示关机)、距离、高度、速度作为目标意图识别要素，由专家设定目标意图空间及其标准。假设目标存在侦察、攻击、佯攻、掩护等意图，本发明假设专家设定的标准如表3所示。
未对数据进行预处理直接识别目标意图，基于d-s证据理论的目标意图识别的仿真结果如图7所示，基于改进d-s证据理论的目标意图识别的仿真结果如图8所示。
数据经过预处理再进行目标意图识别，基于d-s证据理论的目标意图识别的仿真结果如图9所示。基于改进d-s证据理论的目标意图识别的仿真结果如图10所示。
表1敌方两架飞机具体过程
表210部雷达不同时刻的速度
表3意图及其标准值
通过对比图7、图8可以发现，用错误的雷达r1的速度进行仿真对飞机f1意图识别的结果影响不大，其可能原因是f1的意图为侦察，其高度属性所占的权重较大，速度对其影响较小。但是可以看到对飞机f2/f3意图识别的结果影响很大，直接使用d-s证据理论进行合成与基于改进d-s证据理论的方法进行合成均不能正确识别目标意图。
由图9(a)可以看出，从t0时刻开始随着新证据的获取，f1飞机的侦察意图概率逐渐增大。对比图9(a)和图10(a)可以看出两幅图的概率走向基本一致，但是图10(a)具有更快的收敛速度；由图10(b)可以看出，在最开始f2飞机的意图为佯攻，随着时间的推移，其佯攻意图逐渐减小，攻击意图逐渐增大。而图9(b)目标意图一开始为佯攻，且该意图概率逐渐增加，但是在t2时刻，佯攻意图减小，掩护和攻击的意图增大，在t3时刻，掩护和攻击的意图概率几乎相同，从而不能准确判断目标意图。
对比图7、图8、图9、图10可以发现，经过数据预处理后再进行目标意图识别较未经数据预处理直接进行目标意图识别更能有效识别目标意图，基于证据间相似系数的冲突证据合成方法较直接使用d-s合成方法更有效，收敛速度更快，可以有效解决证据冲突的问题且更容易识别目标意图。在证据不冲突时，合成效果也更好，因此对证据不加判断直接进行冲突处理，再进行d-s合成的方法是有效的。
通过本发明具体实施方式可以看出，本发明可以很好的识别目标意图。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。