地面战场侦察系统多目标识别的评价指标
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
［ +］ 别效果通过识别率来进行评价 ：
价类） 中的各个元素在一定意义上是不可分的。如 果把一个子集当成一个目标类， 则满足等价关系的 各个元素在一定意义上是不可分的。 目标识别的主要任务就是确定合理的相似性度 量并使用它们进行分类。 目标识别由三个有内在联系的方面组成， 即目 标、 目标信号、 识别系统。目标系指待探测和识别的 对象； 目标信号是获取目标某种或几种信息的载体， 根据探测传感器所利用的不同物理场， 它又可分为 声信号、 地震动信号、 电磁波信号或红外信号等， 在 本文中将主要研究声信号和地震动信号； 识别系统 是指对目标信息进行加工与处理， 以达到识别目标 万方数据 目的的方法与装置。
! "
别。 设目标 " 1 在判别域 !! 1 和 !" 1 上的概率密度函数 分别为 （ * " + #! ）和 （ * " 1 + #" 1 ） ， 则有： 虚警率：
0 0
,* -
（ $" 1 + #! 1 ） (,
1 -"
* "1 + ( ’（ 1 -"
1 ! "
#! 1 ） $"（ ( ）
漏报率：
0 0
,. -
（ $! 1 + #" 1 ） (,
1 -"
（ * "1 + ( ’ 1 -"
1 ! !
#" 1 ） $" （)）
检测率：
0 0
,) -
’
, （ $" 1 + ( 1 -"
0
#" 1 ） -
* "1 + ( ’（ 1 -"
1 ! "
#" 1 ） $" （*）
（%）
误报率：
0 0 0
漏报率： ,. - , （ $! + #" ） - （ * " + #" ） $"
别的评价的差别， 根据单目标评价体系， 提出了多目标识别效果的评价指标， 为战场侦察系统的多目标识别提供了 评价方法。
关键词： 战场侦察系统； 多目标识别； 评价指标 中图分类号： 78900: 文献标识码： ;: : 文章编号： 022<=0096 （ 522> ） 20=222>=26
7?* @A&’#&+-"% B#-C*’-%* "( +?* D#’+- 3 +&$E*+ F*,"E%-+-"% D"C*’ "( +?* G&++’*(-*’C F*,"%%&-HH&%,*
［ #， !］ 标 。为解决上述问题， 无源被动式探测技术的
2: 引言
随着现代科学技术的飞速发展及其在军事领域 里的广泛应用， 传统的作战思想、 作战方式已发生了 根本性的变化， 近年来的几次局部战争已经证明了 信息在战争对抗中的决定性作用。各军事大国都在 发展包括地面雷达、 红外探测、 光学探测， 空中无人 机、 预警机、 侦察机， 天上卫星等在内的信息收集、 目 标探测系统。以辐射电磁波为主要途径的主动探测 方式逐渐暴露出自身的弱点， 即在探测敌方的同时， 也把自己暴露给敌方， 不但成为敌方进行电子欺骗 的重要内 容， 而且成为反辐射手段首要的攻击目
$" 战场多目标识别系统的评价指标
从目前对战场侦察传感器系统的识别效果评价 的研究看， 还没有比较完整地进行评价指标的定义。 一般都是通过识别率来简单地分析识别的效果。但 是对于战场背景下的多目标的识别， 仅仅使用识别 率就不能可靠地评价识别效果。 $ * !" 典型单目标的分类器的识别效果评价指标 一个目标的分类器， 为了使其满足实际需求需 要建立一定的指标对其进行评价， 其中主要包括算 法的鲁棒性、 实时性、 分类器的泛化性和目标的识别 效果的评价指标。通常， 对典型环境下的单目标识
45 6789 3 :;9<# ，=>?*@ A;B9# ，6>?* C’9< 3 <,9# ，6DE F;B9<!
（ #) G7, H;IJ: C,KBI:L,9:，MIN9B9O, ?9<;9,,I;9< 6’((,<, ，P7;Q;BR78B9< $/$$$S ，67;9B； !) P7;A;BR78B9< TB;(UBV 6’((,<, ，P7;Q;BR78B9< $/$$WS ，67;9B ） ;IH+$&,+：XBJ,N ’9 :7, KI,J,9:B:;’9 ’H :7, -B::(,H;,(N I,O’99B;JJB9O, JVJ:,L B9N :BI<,: I,O’<9;:;’9 ，:7, N;HH,I,9O, -,:U,,9 :7, ,YB(8B:;’9 <8;N,(;9, ’H :7, J;9<(, 3 :BI<,: I,O’<9;:;’9 ;9 :7, :VK, ,9Y;I’9L,9: B9N ,YB(8B:;’9 <8;N,(;9, ’H :7, L8(:; 3 :BI<,: O(BJJ;H;OB:;’9 ’H :7, -B::(,H;,(N JVJ:,L ;J B9B(VR,N) G7, ,YB(8B:;’9 <8;N,(;9, ’H L8(:; 3 :BI<,: O(BJJ;H;OB:;’9 I,J8(: ;J -I’8<7: H’IUBIN ，-BJ,N ’9 :7, J;9<(, :BI<,: ,YB(8B:;’9 JVJ:,L，:78J (BV;9< :7, H’89NB:;’9 H’I :7, -B::(,H;,(N I,O’99B;JJB9O, JVJ:,L :’ -, 8J,N ;9 BO:8B( O’L-B:) J*K L"$CH：-B::(,H;,(N I,O’99B;JJB9O, JVJ:,L；L8(:; 3 :BI<,: I,O’<9;:;’9；:7, ,YB(8B:, <8;N,(;9,
研究引起了人们的更大注意， 各国竞相发展自己的 地面战场侦察传感器系统， 使之成为 6W EPT 的重要
［ S， W］ 。 组成部分
地面战场侦察系统是运用最新高科技的成果， 具有侦察范围广， 侦察纵深远， 不受地形和天候条件 影响， 隐蔽性好， 抗干扰能力和生存能力强， 获取情 报准确、 及时、 不间断， 布设方便灵活等特点。真正 做到 “ 既能有效、 实时地侦察敌人活动， 而敌人全然
［ # Z /］ 不知难以发现” 。随着技术的不断进步， 国内地
面战场侦察系统逐步走向实战， 传感器技术、 多目标 识别技术和保密传输技术等成为主要的研究课题。 但是对于多目标环境下的识别评价体系还缺乏建立
. ! 收稿日期： !$$/0#!0!" 万方数据 作者简介： 马春庭 （ #12$ —） ， 男， 河北井陉人， 副教授， 从事兵器检测技术与目标探测研究工作。
第 !" 卷第 # 期 !$$% 年 $! 月
探测与控制学报 !"#$%&’ "( )*+*,+-"% . /"%+$"’
&’() !" *’) # +,-) !$$%
地面战场侦察系统多目标识别的评价指标
马春庭# ， 郑 . 坚# ， 陈东根# ， 崔 . 亮!
（ 01 军械工程学院火炮工程系， 河北 石家庄 232224 ； 51 石家庄铁道学院， 河北 石家庄， 232264 ） 摘. 要： 在对地面战场侦察系统和目标识别介绍的基础上， 分析了典型环境下单目标识别与战场环境下多目标识
2 $ % 1 识别为目标 $ %（ 2 - "， %， …， 0， 2 & 1）的错误判
标识别的效果， 本文应用二元判定规则和概率密度 对典型环境下的单目标识别效果进行了定义。 对目标的判别通常使用的是存在或不存在的二 元假设判定的。 其实质是把目标识别的结果分为 !! 和 !" 两个区域， 假定目标 " 为 !! 时， 判别 #（ ! 目标出 现）为正确的假设； 当目标 " 为 !" 时， 判别 #（ " 目标 没有出现） 为正确的假设。 目标识别区域 !! 和 !" 称 作判别域， 因此目标识别的任务就是选择这些判别 域， 使得在多次重复实验中错误最小。 设 $ % 表示选择假设 # % 为真， 任何二元假设实验 问题中， 作判别时要考虑 # 种可能性： （ &）#! 假设为真， 判别为 $! ； （ ’）#! 假设为真， 判别为 $" ； （ (）#" 假设为真， 判别为 $! ； （ )）#" 假设为真， 判别为 $" 。 （ &） 和 （ )） 对目标选择正确； （ ’） 称为第一类错 误， 叫作虚警 （ 没有目标而识别为有目标） ； （ (）称为 第二类 错 误， 叫作漏报 （ 有目标而误判为没有目 标） 。 设目标 " 在判别域 !! 和 !" 上的概率密度函数 分别为 （ * " + #! ）和 （ * " + #" ） ， 则有： 虚警率： ,* - , （ $" + #! ） - （ * " + #! ） $"
! !
,3 -
’
（&）
( ( 1 - " 2 - "， 1&2
, （$" 2 + #" 1 ）-
( )
* , ,%% +
（,）
式中： ( 为识别率； * 为该类样本正确分类的个数； + 为该类样本的总数。 仅仅依靠识别率， 对于典型环境下的单目标识 别简单地比较是可以满足要求的， 但是对多目标的 识别效果就不能满足要求。 为了比较系统地分析目
+
探测与控制学报 虑 # 种可能性： 判别为 $! 1 ； （ &）#! 1 假设为真， （ ’）#! 1 假设为真， 判别为 $" 1 ； （ (）#" 1 假设为真， 判别为 $! 1 ； 判别为 $" 1 。 （ )）#" 1 假设为真， （ &）和 （ )）对目标 1 选择正确； （ ’）称为第一类 错误， 叫作虚警 （ 没有目标而识别为有目标） ； （ (）称 为第二类错误， 叫作漏报 （ 有目标而误判为没有目 标） 。 除此之外， 在多目标识别中还多了一种将目标
&
的目标均为单一种类单个目标。 典型环境下的单目标识别 （ 简称典型单目标识 别） ， 就是目标分类器通过典型环境下的单个目标 信号的特征参数对识别分类器训练后， 对测得的典 型环境下的单个目标信号是否属于本训练样本的目 标类型进行判别。 # * #" 多目标识别 多目标识别与典型单目标识别的区别在于， 建 立的分类器进行识别时， 输入的信号不局限于单个 目标的信号， 可以是同种多个目标的信号， 也可以是 多种单个目标的信号或多种多个目标同时存在的信 号。多目标识别的信号不但包括多种多个目标， 而 且可能包括多目标环境下存在的多种干扰信号， 比 如声信号中的风声、 雨声、 枪炮声等。
马春庭等： 地面战场侦察系统多目标识别的评价指标
［ #］ 统一的指标。其中 !"" 模型 和模糊逻辑与神经 ［ $］ 目前比较成功应用的两种类型的 网络结合模型
+
识别模型， 本#34; 典型环境下的单目标识别与多目标 识别
# * !" 典型环境下的单目标识别 典型环境是一种测试环境。在典型环境中， 基 本上除了目标信号外没有噪声源或者只有有限个可
［ (］ 控的、 可测的噪声源 ， 而且通常情况下识别研究
!" 目标识别的基本概念
模式识别诞生于 $% 世纪 $% 年代， 随着 &% 年代 ’% 年代人工智能的兴起， 模式识别 计算机的出现， 只有在计 在 (% 年代初迅速发展成一门学科。但是， 算机出现之后， 当人们企图用计算机来实现人或动 物所具有的模式识别能力时， 它的难度才逐步为人 们所认识。 目标识别属于模式识别的范畴， 并随着模式识 别的不断发展而发展。目标识别的基本定义就是对 目标类型或其属性等作出某种判别。 通常， 把通过对具体的个别事物进行观测所得 到的具有时间或空间分布的信息称为目标， 而把目 标所属的类别或同一类中目标的总体称为目标类。 用集合论中的子集和元素来代表目标类、 目标 和相似关系就是： 在一个集合 ! 中可以定义一个关 如果对所有的 #"!， #"# 成立， 则称关系 " 是 系 "， $ " !， #"$ # $"# 成立， 则称关 自反的； 如果对于 #， 系 " 是对称的。相似关系就是满足对称和自反的 关系。如果对于 #， $， % "!， #"$， $"% # #"% 则称关系 " 是传递的。同时满足对称、 自反和传递的关系则 称为等价关系。例如， 相等就是一种等价关系。满 足等价关系的集合必定可以划分为若干子集， 即 ! ) $! & 且 ! & %! ’ ) ! （ &&’） 在同一子集 !（ & 或等
价类） 中的各个元素在一定意义上是不可分的。如 果把一个子集当成一个目标类， 则满足等价关系的 各个元素在一定意义上是不可分的。 目标识别的主要任务就是确定合理的相似性度 量并使用它们进行分类。 目标识别由三个有内在联系的方面组成， 即目 标、 目标信号、 识别系统。目标系指待探测和识别的 对象； 目标信号是获取目标某种或几种信息的载体， 根据探测传感器所利用的不同物理场， 它又可分为 声信号、 地震动信号、 电磁波信号或红外信号等， 在 本文中将主要研究声信号和地震动信号； 识别系统 是指对目标信息进行加工与处理， 以达到识别目标 万方数据 目的的方法与装置。
! "
别。 设目标 " 1 在判别域 !! 1 和 !" 1 上的概率密度函数 分别为 （ * " + #! ）和 （ * " 1 + #" 1 ） ， 则有： 虚警率：
0 0
,* -
（ $" 1 + #! 1 ） (,
1 -"
* "1 + ( ’（ 1 -"
1 ! "
#! 1 ） $"（ ( ）
漏报率：
0 0
,. -
（ $! 1 + #" 1 ） (,
1 -"
（ * "1 + ( ’ 1 -"
1 ! !
#" 1 ） $" （)）
检测率：
0 0
,) -
’
, （ $" 1 + ( 1 -"
0
#" 1 ） -
* "1 + ( ’（ 1 -"
1 ! "
#" 1 ） $" （*）
（%）
误报率：
0 0 0
漏报率： ,. - , （ $! + #" ） - （ * " + #" ） $"
别的评价的差别， 根据单目标评价体系， 提出了多目标识别效果的评价指标， 为战场侦察系统的多目标识别提供了 评价方法。
关键词： 战场侦察系统； 多目标识别； 评价指标 中图分类号： 78900: 文献标识码： ;: : 文章编号： 022<=0096 （ 522> ） 20=222>=26
7?* @A&’#&+-"% B#-C*’-%* "( +?* D#’+- 3 +&$E*+ F*,"E%-+-"% D"C*’ "( +?* G&++’*(-*’C F*,"%%&-HH&%,*
［ #， !］ 标 。为解决上述问题， 无源被动式探测技术的
2: 引言
随着现代科学技术的飞速发展及其在军事领域 里的广泛应用， 传统的作战思想、 作战方式已发生了 根本性的变化， 近年来的几次局部战争已经证明了 信息在战争对抗中的决定性作用。各军事大国都在 发展包括地面雷达、 红外探测、 光学探测， 空中无人 机、 预警机、 侦察机， 天上卫星等在内的信息收集、 目 标探测系统。以辐射电磁波为主要途径的主动探测 方式逐渐暴露出自身的弱点， 即在探测敌方的同时， 也把自己暴露给敌方， 不但成为敌方进行电子欺骗 的重要内 容， 而且成为反辐射手段首要的攻击目
$" 战场多目标识别系统的评价指标
从目前对战场侦察传感器系统的识别效果评价 的研究看， 还没有比较完整地进行评价指标的定义。 一般都是通过识别率来简单地分析识别的效果。但 是对于战场背景下的多目标的识别， 仅仅使用识别 率就不能可靠地评价识别效果。 $ * !" 典型单目标的分类器的识别效果评价指标 一个目标的分类器， 为了使其满足实际需求需 要建立一定的指标对其进行评价， 其中主要包括算 法的鲁棒性、 实时性、 分类器的泛化性和目标的识别 效果的评价指标。通常， 对典型环境下的单目标识
45 6789 3 :;9<# ，=>?*@ A;B9# ，6>?* C’9< 3 <,9# ，6DE F;B9<!
（ #) G7, H;IJ: C,KBI:L,9:，MIN9B9O, ?9<;9,,I;9< 6’((,<, ，P7;Q;BR78B9< $/$$$S ，67;9B； !) P7;A;BR78B9< TB;(UBV 6’((,<, ，P7;Q;BR78B9< $/$$WS ，67;9B ） ;IH+$&,+：XBJ,N ’9 :7, KI,J,9:B:;’9 ’H :7, -B::(,H;,(N I,O’99B;JJB9O, JVJ:,L B9N :BI<,: I,O’<9;:;’9 ，:7, N;HH,I,9O, -,:U,,9 :7, ,YB(8B:;’9 <8;N,(;9, ’H :7, J;9<(, 3 :BI<,: I,O’<9;:;’9 ;9 :7, :VK, ,9Y;I’9L,9: B9N ,YB(8B:;’9 <8;N,(;9, ’H :7, L8(:; 3 :BI<,: O(BJJ;H;OB:;’9 ’H :7, -B::(,H;,(N JVJ:,L ;J B9B(VR,N) G7, ,YB(8B:;’9 <8;N,(;9, ’H L8(:; 3 :BI<,: O(BJJ;H;OB:;’9 I,J8(: ;J -I’8<7: H’IUBIN ，-BJ,N ’9 :7, J;9<(, :BI<,: ,YB(8B:;’9 JVJ:,L，:78J (BV;9< :7, H’89NB:;’9 H’I :7, -B::(,H;,(N I,O’99B;JJB9O, JVJ:,L :’ -, 8J,N ;9 BO:8B( O’L-B:) J*K L"$CH：-B::(,H;,(N I,O’99B;JJB9O, JVJ:,L；L8(:; 3 :BI<,: I,O’<9;:;’9；:7, ,YB(8B:, <8;N,(;9,
研究引起了人们的更大注意， 各国竞相发展自己的 地面战场侦察传感器系统， 使之成为 6W EPT 的重要
［ S， W］ 。 组成部分
地面战场侦察系统是运用最新高科技的成果， 具有侦察范围广， 侦察纵深远， 不受地形和天候条件 影响， 隐蔽性好， 抗干扰能力和生存能力强， 获取情 报准确、 及时、 不间断， 布设方便灵活等特点。真正 做到 “ 既能有效、 实时地侦察敌人活动， 而敌人全然
［ # Z /］ 不知难以发现” 。随着技术的不断进步， 国内地
面战场侦察系统逐步走向实战， 传感器技术、 多目标 识别技术和保密传输技术等成为主要的研究课题。 但是对于多目标环境下的识别评价体系还缺乏建立
. ! 收稿日期： !$$/0#!0!" 万方数据 作者简介： 马春庭 （ #12$ —） ， 男， 河北井陉人， 副教授， 从事兵器检测技术与目标探测研究工作。
第 !" 卷第 # 期 !$$% 年 $! 月
探测与控制学报 !"#$%&’ "( )*+*,+-"% . /"%+$"’
&’() !" *’) # +,-) !$$%
地面战场侦察系统多目标识别的评价指标
马春庭# ， 郑 . 坚# ， 陈东根# ， 崔 . 亮!
（ 01 军械工程学院火炮工程系， 河北 石家庄 232224 ； 51 石家庄铁道学院， 河北 石家庄， 232264 ） 摘. 要： 在对地面战场侦察系统和目标识别介绍的基础上， 分析了典型环境下单目标识别与战场环境下多目标识
2 $ % 1 识别为目标 $ %（ 2 - "， %， …， 0， 2 & 1）的错误判
标识别的效果， 本文应用二元判定规则和概率密度 对典型环境下的单目标识别效果进行了定义。 对目标的判别通常使用的是存在或不存在的二 元假设判定的。 其实质是把目标识别的结果分为 !! 和 !" 两个区域， 假定目标 " 为 !! 时， 判别 #（ ! 目标出 现）为正确的假设； 当目标 " 为 !" 时， 判别 #（ " 目标 没有出现） 为正确的假设。 目标识别区域 !! 和 !" 称 作判别域， 因此目标识别的任务就是选择这些判别 域， 使得在多次重复实验中错误最小。 设 $ % 表示选择假设 # % 为真， 任何二元假设实验 问题中， 作判别时要考虑 # 种可能性： （ &）#! 假设为真， 判别为 $! ； （ ’）#! 假设为真， 判别为 $" ； （ (）#" 假设为真， 判别为 $! ； （ )）#" 假设为真， 判别为 $" 。 （ &） 和 （ )） 对目标选择正确； （ ’） 称为第一类错 误， 叫作虚警 （ 没有目标而识别为有目标） ； （ (）称为 第二类 错 误， 叫作漏报 （ 有目标而误判为没有目 标） 。 设目标 " 在判别域 !! 和 !" 上的概率密度函数 分别为 （ * " + #! ）和 （ * " + #" ） ， 则有： 虚警率： ,* - , （ $" + #! ） - （ * " + #! ） $"
! !
,3 -
’
（&）
( ( 1 - " 2 - "， 1&2
, （$" 2 + #" 1 ）-
( )
* , ,%% +
（,）
式中： ( 为识别率； * 为该类样本正确分类的个数； + 为该类样本的总数。 仅仅依靠识别率， 对于典型环境下的单目标识 别简单地比较是可以满足要求的， 但是对多目标的 识别效果就不能满足要求。 为了比较系统地分析目
+
探测与控制学报 虑 # 种可能性： 判别为 $! 1 ； （ &）#! 1 假设为真， （ ’）#! 1 假设为真， 判别为 $" 1 ； （ (）#" 1 假设为真， 判别为 $! 1 ； 判别为 $" 1 。 （ )）#" 1 假设为真， （ &）和 （ )）对目标 1 选择正确； （ ’）称为第一类 错误， 叫作虚警 （ 没有目标而识别为有目标） ； （ (）称 为第二类错误， 叫作漏报 （ 有目标而误判为没有目 标） 。 除此之外， 在多目标识别中还多了一种将目标
&
的目标均为单一种类单个目标。 典型环境下的单目标识别 （ 简称典型单目标识 别） ， 就是目标分类器通过典型环境下的单个目标 信号的特征参数对识别分类器训练后， 对测得的典 型环境下的单个目标信号是否属于本训练样本的目 标类型进行判别。 # * #" 多目标识别 多目标识别与典型单目标识别的区别在于， 建 立的分类器进行识别时， 输入的信号不局限于单个 目标的信号， 可以是同种多个目标的信号， 也可以是 多种单个目标的信号或多种多个目标同时存在的信 号。多目标识别的信号不但包括多种多个目标， 而 且可能包括多目标环境下存在的多种干扰信号， 比 如声信号中的风声、 雨声、 枪炮声等。
马春庭等： 地面战场侦察系统多目标识别的评价指标
［ #］ 统一的指标。其中 !"" 模型 和模糊逻辑与神经 ［ $］ 目前比较成功应用的两种类型的 网络结合模型
+
识别模型， 本#34; 典型环境下的单目标识别与多目标 识别
# * !" 典型环境下的单目标识别 典型环境是一种测试环境。在典型环境中， 基 本上除了目标信号外没有噪声源或者只有有限个可
［ (］ 控的、 可测的噪声源 ， 而且通常情况下识别研究
!" 目标识别的基本概念
模式识别诞生于 $% 世纪 $% 年代， 随着 &% 年代 ’% 年代人工智能的兴起， 模式识别 计算机的出现， 只有在计 在 (% 年代初迅速发展成一门学科。但是， 算机出现之后， 当人们企图用计算机来实现人或动 物所具有的模式识别能力时， 它的难度才逐步为人 们所认识。 目标识别属于模式识别的范畴， 并随着模式识 别的不断发展而发展。目标识别的基本定义就是对 目标类型或其属性等作出某种判别。 通常， 把通过对具体的个别事物进行观测所得 到的具有时间或空间分布的信息称为目标， 而把目 标所属的类别或同一类中目标的总体称为目标类。 用集合论中的子集和元素来代表目标类、 目标 和相似关系就是： 在一个集合 ! 中可以定义一个关 如果对所有的 #"!， #"# 成立， 则称关系 " 是 系 "， $ " !， #"$ # $"# 成立， 则称关 自反的； 如果对于 #， 系 " 是对称的。相似关系就是满足对称和自反的 关系。如果对于 #， $， % "!， #"$， $"% # #"% 则称关系 " 是传递的。同时满足对称、 自反和传递的关系则 称为等价关系。例如， 相等就是一种等价关系。满 足等价关系的集合必定可以划分为若干子集， 即 ! ) $! & 且 ! & %! ’ ) ! （ &&’） 在同一子集 !（ & 或等