2.3 特征級融合目標識別的關鍵問題分析

2.3.1 特征數據庫

多傳感器信息融合目標識別的識別率和實時性在很大程度上取決于特征數據庫建立的完備程度。現有的目標識別算法模式，都需要與先驗模式進行比較。將各種可能存在的目標特征信息存放在特征數據庫中。因為目標特征數據庫構成了目標識別分類器的先驗模式集。它包含了各種目標的特征信息，也可以包含目標的身份信息和輻射源參數等詳細信息。特征信息是可被各種傳感器直接或間接測量的實變量提取的特征數據，如幅度的直觀特征、統計特征、變換系數特征、代數特征等。身份信息屬于非實值變量，是對目標的詳細分類描述，例如目標的類型、種類、級別和發射機型號等。輻射源參數包括可被電子支援措施（ESM）檢測到的輻射源名字和類別，例如載頻、重頻、脈寬和脈幅等。

2.3.2 特征提取

面對各種異質傳感器組合的多傳感器系統，傳感器的物理探測原理不同，獲取的目標信息有圖像和非圖像類等較大的性質差異，并且信息量巨大。如何選擇特征提取方法，能提取出目標獨有的、可用于區別其他目標的最本質的信息屬性是特征級融合目標識別的難點，也是關鍵點。多傳感器獲取的目標特征有代數特征、圖像視覺特征、圖像統計特征、變換特征等。

2.3.3 特征融合

特征融合的過程就是將特征提取后特征信息通過融合處理，獲得多個特征數據的特征綜合——種新的聯合特征量，為目標的識別處理﹑決策提供服務。

特征融合算法是對提取的原始目標特征空間降低了特征空間維數，消除提取的特征空間中特征表示向量之間的冗余信息，并且保證維數壓縮后特征數據的熵、能量、相關性不改變，利于后繼的目標識別。總之，特征融合算法就是獲得有利于目標識別的有效的、低維的特征表示向量。

特征融合在部分文獻和研究者中也稱為特征選擇，特征提取和特征選擇有些系統是合在一起，有些是分開，算法中它們沒有明確的界限，即特征提取和特征選擇、特征融合是融合在一起的算法。特征融合分為目標狀態信息融合和目標特性信息融合。目標狀態信息融合用于目標跟蹤，主要是實現狀態矢量的估計和參數的相關。而特征級目標特性融合主要實現目標屬性特性的聯合，實現目標屬性種類的判定。

特征融合算法按特征向量的產生方式可劃分為特征選擇和特征組合兩類實現方法。特征選擇方法是將待融合的所有特征量放在一起，用某種方法從原向量選擇產生一個新的特征向量，例如，遺傳算法、Tabu搜索算法等。特征組合方法將所有特征向量按某種規則組合成新的特征向量，例如，串行和并行融合策略。遺傳算法詳見第9章，串行和并行融合策略是簡單而有效的特征融合方法，其缺點就是所有大量特征信息全部保留，存在大量的冗余特征量，數據維數高，計算復雜，影響識別的精確性和實時性。

1）串行特征融合方法：設樣本模式空間Ω的兩個特征空間為A和B，對Γ∈Ω的任意樣本，特征量可以表示為α∈A和β∈B。串行特征融合方法就是將α、β串成了一個特征量γ，公式如下：

由式（2-1）可知，若α是n維的，β是m維，那么串行組合的特征量γ是（m+n）維。因此，由串行融合而成的特征量構成（m+n）維的融合特征空間，后續的目標分類識別就是在這個融合特征空間中進行。

2）并行特征融合方法：設樣本模式空間Ω的兩個特征空間為A和B。對于Γ∈Ω的任意樣本，特征量可以表示為α∈A和β∈B。并行特征融合方法將α、β兩個特征量并成了一個復合量γ，公式如下：

γ=α+iβ（2-2）式中，i為虛數單位。α和β特征量維數不一致時，低維的特征量需要補0，兩個特征量才能并行融合。例如，α=（α₁，α₂，α₃）T，β=（β₁，β₂）T，則首先將β變為β=（β₁，β₂，0）T，然后融合成融合特征量γ=（α₁+iβ₁，α₂+iβ₂，α₃+i0）。

定義一個在Ω上的并行融合特征空間C={α+iβα∈A，β∈B}。這是一個n維的復向量空間，其中n=max{dimA，dimB}。在這個空間里，內積可定義為

（X，Y）=X^HY（2-3）式中，X，Y∈C，H表示共軛轉置。

定義以上內積的復向量空間，稱為酉空間。在酉空間可引入以下范數：

式中，Z=（α₁+iβ₁，α₂+iβ₂，…，α_n+iβ_n）T。相應地，復向量Z₁和Z₂之間的距離可定義為

遺傳算法等優化算法的特征融合方法與串行、并行特征融合方法相比，可以獲得更有效的、低維的融合特征表示向量，但是融合過程較串行、并行特征融合方法耗費的時間長，但是降低了后續的目標識別分類時間。

2.3.4 目標識別

特征級融合的目標識別算法目前都是基于模式識別的方法，可分為統計模式識別、句法模式識別、模糊模式識別、人工智能方法。統計模式識別、句法模式識別這兩種方法比較成熟，發展得較早，但是自身缺點很多，現在用得較少。后兩種方法目前都是研究的熱點，應用也較多，由于模糊模式識別和人工智能方法都允許樣本有較大的缺損、畸變，目前這兩種方法都在積極的探索中。

（1）統計模式識別

統計模式識別又稱統計決策法，它的理論基礎是概率論和數理統計。其主要方法包括線性分類、非線性分類、貝葉斯決策、聚類分析等分類方法，是發展較早、也比較成熟的一種方法。為此而引入鑒別函數，由特征矢量計算出對應于各類別的鑒別函數值，通過鑒別函數值的比較實行分類。其主要優點是比較成熟、能考慮干擾噪聲等影響、識別模式基元能力強；缺點是對結構復雜的模式抽取特征困難、不能反映模式的結構特征，難以描述模式的性質，難以從整體角度考慮識別問題。

（2）句法模式識別

句法模式識別也稱為語言學方法、結構方法。句法模式識別的方法是用簡單的子模式組合描述一個模式，更簡單的子模式的組合又可描述子模式，結構描述最終得到一個樹形，模式基元就是在底層的最簡單的子模式。在句法模式中選取基元就是目標識別中選取特征。對模式提供緊湊并反映其結構關系的描述就是基元的要求，并且抽取可以用非句法方法。重要的結構信息并不包含在基元本身。模式描述語句就是一組基元與基元的組合關系形成模式的描述，類似于語言中詞組合成為短語和句子的作用，而詞是用字符組合而成的。語法來指定基元組合成模式的規則。一旦基元被鑒別，識別過程可通過句法分析進行，即分析給定的模式語句是否符合指定的語法，滿足某類語法的即被分入該類。

（3）模糊模式識別

面對甲、乙兩類歸屬問題，傳統的二值邏輯模式，對樣本A或者屬于甲，或者屬于乙。Zadeh在1965年提出模糊集理論，將傳統的二值0和1的邏輯模式轉化為邏輯（0，1）區間，此種對事物刻畫的模式改變了片面、單純的通過事物內涵描述其特征的方式，并且提出了綜合事物內涵與外延性態的數學模型，構建了隸屬度函數。模糊邏輯面對甲、乙兩類歸屬問題，認為A既屬于甲，又屬于乙，判斷兩者歸屬的結果是根據A在甲、乙兩類中的隸屬度即歸屬程度不同。模糊模式識別與普通的模式識別方法相比，具有客體信息表達更加合理，信息利用充分，各種算法簡單靈巧，識別穩定性好，推理能力強的特點。模糊模式識別思想方法對解決模式識別問題起到了很大的推動作用。

如何建立隸屬度函數是模糊模式識別的關鍵，但是如何建立比較合理的隸屬度函數目前還是難點，是需要進一步解決的問題。模糊統計法、模糊分布法、二元對比排序法、相對比較法和專家評分法等是目前的主要方法。這些方法雖然具有一定的客觀規律性與科學性，也已經開始應用并取得巨大成果，但建立時也需要人為的主觀因素，因此怎樣建立準確合理的隸屬度函數還需要進一步摸索出合理的、普適的理論和方法。

（4）人工神經網絡識別

人工神經網絡是模擬動物神經系統的某些功能，采用軟件或硬件的方法，建立了許多以大量處理單元為節點，處理單元間實現（加權值的）互聯的拓撲網絡，進行模擬，稱為人工神經網絡。這種方法可以看作是對原始特征空間進行非線性變換，產生一個新的樣本空間，使得變換后的特征線性可分。同傳統統計方法相比，其分類器是與概率分布無關的。人工神經網絡的主要特點在于其具有信息處理的并行性、自組織性和自適應性，具有很強的學習能力和聯想功能以及容錯性能等，在解決一些復雜的模式識別問題中顯示出了其獨特的優勢。

人工神經網絡是一種復雜的非線性映射方法，其物理意義比較難解釋，在理論上還存在一系列亟待解決的問題。例如在設計上，網絡層數的確定和節點個數的選取帶有很大的經驗性和盲目性，缺乏理論指導，網絡結構的設計仍是一個尚未解決的問題。在算法復雜度方面，神經網絡計算復雜度大，在特征維數比較高時，樣本訓練時間比較長；在算法穩定性方面，學習過程中容易陷入局部極小，并且存在欠學習與過學習的現象，范化能力不容易控制。這些也是制約人工神經網絡進一步發展的關鍵問題。