下载文档原格式
基于多传感器数据融合的战场态势估计周云1107191.引言近20年来，多传感器信息融合技术受到广泛的关注，成为80 年代形成和发展的一种自动化信息综合处理技术。
由于其充分利用多源数据的互补性和电子计算机的高速运算和智能,提高了信息处理结果的质量。
该多传感器信息融合是数学、军事科学、计算机科学、自动控制理论、人工智能、通信技术、管理科学等多种学科的交叉和具体运用。
该融合技术最初仅用于军事科学，现己广泛适用于民用工程。
多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。
多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
在多传感器系统中，信息表现形式多样，信息数量巨大，同时要求信息处理迅速及时，人脑的信息综合处理能力已经无法胜任，因此，一个新兴的学科——多传感器信息融合便迅速发展起来，并在现代化作战系统和各种武器平台上得到了广泛的应用。
多传感器数据融合技术是通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。
多传感器融合技术就是对同一检测对象,利用各种传感器检测的信息和不同的处理方法以获得该对象的全面检测信息,从而提高检测精度和可靠性。
在多传感器系统中,信息表现为多样性、复杂性以及大容量,信息处理不同于单一的传感检测处理技术,多传感器信息融合技术已成为当前的一个重要研究领域。
2.战场感知与理解战场感知与理解是对战场空间内敌、我、友各方兵力部署，武器装备与作战平台，和战场环境等信息的实时掌握的过程。
战场感知与理解包括战场环境感知与战场态势理解两个层次。
战场态势感知综合多个水下信息探测网络和作战平台传感器所获取的关于战场的片面的、离散的信息，提取出目标相关属性。
基于智能代理的战场态势评估自20世纪70年代以来，以美国为代表的西方军事强国对态势评估（SA）进行了广泛研究，已经取得了一系列研究成果，如美军的陆军分析系统（TCAC）、战场开发与目标获取（BETA）、Kirillov 的基于规则的专家系统模型等。
进行智能代理的战场态势评估是进行威胁评估、目标分配和机动决策的前提条件。
由于现代智能代理的战场中目标机动性的增强和战术意图的不确定性增大，如何在复杂智能代理的战场环境下准确进行态势评估，帮助飞行员做出正确决策，成为目前研究的热点。
随着新型武器装备的快速装备运用，以及理论战法的创新使用，智能代理的战场环境日趋复杂，发展智能态势评估系统，满足飞行员对智能代理的战场态势评估的质量和可靠性的要求，已经成为共识。
特别是在分布式智能代理的战场中，智能态势评估系统收集和处理的数据呈现指数级增长，并且不同飞行员对态势的需求是不一致的，特别是受到敌方干扰等影响，态势评估趋于复杂，对系统的要求也越来越高。
现有的态势评估系统在计算能力、准确性、可靠性、可视化等方面难以满足现有智能代理的战场发展需求。
构建一个高效的智能态势评估系统，增强对智能代理的战场复杂环境的态势感知能力已成为当前的研究热点。
通过态势感知，可以获得对整个战场态势的准确把握，并根据态势评估结果进行态势运用，为提高智能代理的战场的智能化调整和控制水平提供支撑。
智能代理的战场智能态势评估技术研究与展望：态势评估作为数据融合领域的一种新概念，目前并没有形成统一的定义，各种文献针对不同的智能代理的战场环境，给出的概念也不尽相同。
但被大多数人所接受的一种理解是：态势评估是指在特定时空环境中的要素感知，并给予要素理解，估计态势在未来一段时间内的发展趋势。
为了适应复杂智能代理的战场环境下态势评估的要求，使智能代理的战场态势评估从单独评估当前时刻静止态势，割裂个体和群体之间的态势关系，逐步向群体之间态势评估，并且能够根据当前智能代理的战场态势预测未来一段时间的智能代理的战场态势，为飞行员决策提供支撑。
战争战略报告：制胜策略与军事态势评估前言：战争一直以来都是人类社会发展中的重要议题，伴随着科技的不断进步以及国际形势的变化，各国之间的军事态势也在不断演变。
本篇文章将从六个方面展开详细论述，探讨战争制胜策略与当前军事态势的评估。
一、战争制胜策略的演变与路径选择随着科技的不断进步，战争制胜策略也在不断演变。
从传统的军事力量对抗到非对称战争，再到信息战和网络战，各国在选择战争路径上面临着诸多变数。
在制胜策略的演变过程中，各国普遍采用的策略包括经济手段施压、技术创新为先导、联盟建设等。
文章将通过具体案例分析，评估当前战争制胜策略的实施情况。
二、军事态势的评估与分析军事态势评估对于制定战争战略至关重要。
从全球军事格局到地区冲突，本节将通过案例研究，对当前的军事态势进行深入分析。
涉及到的内容包括各国的军备竞赛、地缘政治争端、地区稳定与不稳定因素等。
三、军事技术与装备发展趋势军事技术与装备一直是战争中的制胜利器。
本节将通过对当前军事技术与装备发展的趋势进行评估，分析影响因素和未来展望。
主要涉及的内容包括无人机技术、人工智能应用、高超声速武器等。
四、战场信息化的挑战和机遇随着信息技术的快速发展，战场信息化已经成为战争的新形态。
本节将分析战场信息化带来的挑战与机遇，探讨其在未来战争中的重要性和应用前景。
五、战略合作与联盟建设在当前多极化的国际格局下，战略合作与联盟建设对于各国来说显得尤为重要。
本节将评估战略合作与联盟建设的现状与趋势，分析存在的问题和发展前景。
六、战争的人道主义问题及解决办法战争不仅对参与战争的各方造成巨大伤害，也对无辜的平民带来深重的灾难。
本节将探讨战争中出现的人道主义问题，并提出解决办法和建议。
结语：本文从战争制胜策略的演变与路径选择、军事态势的评估与分析、军事技术与装备发展趋势、战场信息化的挑战和机遇、战略合作与联盟建设、战争的人道主义问题及解决办法六个方面进行了展开的论述。
通过对这些内容的深入分析，可以更好地了解战争的现状和趋势，并为未来的军事决策提供参考。
态势估计方法综述0 引言数据融合的概念是在20世纪70年代初期由美国海军首先提出的[1]。
而数据融合包括态势估计这个过程（见图1），可以说态势估计这个概念就是这个时候产生的。
态势估计是军事智能决策过程中的重要环节。
在军事领域中，态势估计至今没有统一的定义。
在大量关于态势估计的功能描述，最著名的是美国JDL 的描述：态势估计是建立关于作战活动、事件、时间、位置和兵力要素组织形式的一张视图。
该视图将所获得的所有战场力量的部署、活动和战场周围环境、作战意图及机动性结合起来，分析并确定发生的事件，估计敌方的兵力结构、使用特点，最终形成战场综合态势图[ 2 ]。
态势估计应该包括下述过程：1，生成当前态势要素集合；2，生成态势假设集合；3，当前态势生成—通过形成最小不确定性态势假设来实现；4，估计当前态势对实现态势目标的支持程度；5，态势预测—预测下一周期出现的可能战场态势（包括战场事件和作战行为等）[1]。
态势估计处理的是正在发生的事件或者活动，它的重点是所关心领域内的敌我行为模式。
因此，态势估计的结果能够反映当前真实的战场态势，并提供事件、活动的预测，为最优决策和资源管理的优化提供依据。
国外态势估计技术发展比较迅速，自20世纪70年代以来，许多国家对态势估计从理论体系和系统实现方法等方面进行了研究和开发，取得了很大进展。
美国已经有较成熟的联合作战态势估计系统。
实现态势估计系统的方法很多，主要的实现技术有：基于知识的系统（又称作专家系统）、模板技术、品质因素法、计划识别方法、贝叶斯网络、模糊逻辑技术、遗传算法等[1]。
它们将军事领域知识与不确定性处理技术结合起来，用于解决态势估计中的问题。
初级处理图1数据融合体系的功能结构1 态势估计方法1.1基于贝叶斯网络的态势估计贝叶斯网络也称为信度网络、因果网络或者推理网络，是指基于概率分析和图论的一种不确定性知识的表示和推理模型［3］。
它是一种概率推理技术，使用概率论来处理在描述不同知识成分之间的条件相关而产生的不确定性，提供了一种将知识知觉地图解为可视化的方法，是一种新的知识表示模型，知识的不完全、不确定性用概率来表示。
态势估计方法综述0 引言数据融合的概念是在20世纪70年代初期由美国海军首先提出的[1]。
而数据融合包括态势估计这个过程（见图1），可以说态势估计这个概念就是这个时候产生的。
态势估计是军事智能决策过程中的重要环节。
在军事领域中，态势估计至今没有统一的定义。
在大量关于态势估计的功能描述，最著名的是美国JDL 的描述：态势估计是建立关于作战活动、事件、时间、位置和兵力要素组织形式的一张视图。
该视图将所获得的所有战场力量的部署、活动和战场周围环境、作战意图及机动性结合起来，分析并确定发生的事件，估计敌方的兵力结构、使用特点，最终形成战场综合态势图[ 2 ]。
态势估计应该包括下述过程：1，生成当前态势要素集合；2，生成态势假设集合；3，当前态势生成—通过形成最小不确定性态势假设来实现；4，估计当前态势对实现态势目标的支持程度；5，态势预测—预测下一周期出现的可能战场态势（包括战场事件和作战行为等）[1]。
态势估计处理的是正在发生的事件或者活动，它的重点是所关心领域内的敌我行为模式。
因此，态势估计的结果能够反映当前真实的战场态势，并提供事件、活动的预测，为最优决策和资源管理的优化提供依据。
国外态势估计技术发展比较迅速，自20世纪70年代以来，许多国家对态势估计从理论体系和系统实现方法等方面进行了研究和开发，取得了很大进展。
美国已经有较成熟的联合作战态势估计系统。
实现态势估计系统的方法很多，主要的实现技术有：基于知识的系统（又称作专家系统）、模板技术、品质因素法、计划识别方法、贝叶斯网络、模糊逻辑技术、遗传算法等[1]。
它们将军事领域知识与不确定性处理技术结合起来，用于解决态势估计中的问题。
初级处理图1数据融合体系的功能结构1 态势估计方法1.1基于贝叶斯网络的态势估计贝叶斯网络也称为信度网络、因果网络或者推理网络，是指基于概率分析和图论的一种不确定性知识的表示和推理模型［3］。
它是一种概率推理技术，使用概率论来处理在描述不同知识成分之间的条件相关而产生的不确定性，提供了一种将知识知觉地图解为可视化的方法，是一种新的知识表示模型，知识的不完全、不确定性用概率来表示。
基于多传感器数据融合的战场态势估计周云1107191.引言近20年来，多传感器信息融合技术受到广泛的关注，成为80 年代形成和发展的一种自动化信息综合处理技术。
由于其充分利用多源数据的互补性和电子计算机的高速运算和智能,提高了信息处理结果的质量。
该多传感器信息融合是数学、军事科学、计算机科学、自动控制理论、人工智能、通信技术、管理科学等多种学科的交叉和具体运用。
该融合技术最初仅用于军事科学，现己广泛适用于民用工程。
多传感器数据融合是一个新兴的研究领域，是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究。
多传感器数据融合技术是近几年来发展起来的一门实践性较强的应用技术，是多学科交叉的新技术，涉及到信号处理、概率统计、信息论、模式识别、人工智能、模糊数学等理论。
在多传感器系统中，信息表现形式多样，信息数量巨大，同时要求信息处理迅速及时，人脑的信息综合处理能力已经无法胜任，因此，一个新兴的学科——多传感器信息融合便迅速发展起来，并在现代化作战系统和各种武器平台上得到了广泛的应用。
多传感器数据融合技术是通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间和空间上的冗余或互补信息依据某种准则进行组合，以获取被观测对象的一致性解释或描述。
多传感器融合技术就是对同一检测对象,利用各种传感器检测的信息和不同的处理方法以获得该对象的全面检测信息,从而提高检测精度和可靠性。
在多传感器系统中,信息表现为多样性、复杂性以及大容量,信息处理不同于单一的传感检测处理技术,多传感器信息融合技术已成为当前的一个重要研究领域。
2.战场感知与理解战场感知与理解是对战场空间内敌、我、友各方兵力部署，武器装备与作战平台，和战场环境等信息的实时掌握的过程。
战场感知与理解包括战场环境感知与战场态势理解两个层次。
战场态势感知综合多个水下信息探测网络和作战平台传感器所获取的关于战场的片面的、离散的信息，提取出目标相关属性。
战场态势感知属于信号级的数据融合，所完成的主要功能包括环境监测、目标检测、定位跟踪和分类识别，是进一步实现战场环境理解的基础。
战场态势理解则从感知信息中抽象出对战场环境的整体性认识，战场环境理解的研究内容包括了目标行为理解、态势评估、威胁估计等，是决策级信息融合的研究领域。
在战场感知与理解技术中，依靠单一的传感器提供信息已无法满足作战需要, 必须运用多传感器提供观测信息,实时进行目标发现、优化综合处理来获得状态估计、目标属性、态势评估、威胁估计等作战信息。
其中，态势评估是对战场上战斗力量分配情况的评价过程。
战场态势评估不仅可以识别观测到敌方事件和行为的可能态势, 而且还能对抗敌方包括伪装、隐蔽和欺骗在内的破坏手段, 帮助指挥员正确判断。
因此, 态势评估在现代战场中起着非常重要的作用。
3.战场态势估计战场态势估计是把来自多传感器和信息源的数据和信息加以联合相关和组合，以获得精确的位置估计和身份估计，以及对战场情况和威胁及其重要程度进行实时的完整评价由于战场信息复杂多变，具有高度的不确定性不完备性，因此态势估计必须能对这种不确定性进行有效推理，并能对敌方下一步行动做出预测。
3.1 态势估计的概念态势估计是建立作战活动、事件、时间、位置和兵力要素组织形式的视图，将所观测的战斗力量分布与活动和战场周围环境、敌方作战意图及敌机动性有机地联系起来，分析并确定事件发生的原因，得到关于敌兵力结构、使用特点的估计，最终形成战场综合态势图．可以理解为是对当前作战环境中目标和事件相互关系的描述和解释，其处理的结果是对战场和作战态势的抽象和估计．它是建立在位置融合和身份识别基础上的知识处理，是知识与理解的综合过程，数据融合的层次满足知识处理的“数据一信息一知识一理解”层次结构．“数据”解决了环境中有什么的问题，而“信息”解决了想从数据中得到什么的问题，“知识”和“理解”则解决了知道了什么以及如何根据知道的什么进行行动的问题．态势估计是数据融合处理模型的二层处理过程，它接收一层融合的结果，从中抽取出对当前战场态势尽可能准确、完备的信息，为指挥员决策提供支持。
态势估计所涉及到的目标以及与之相应的态势元素的处理过程具有一定的层次性。
在态势分析中，如果将整个敌方作为作战目标，则此时的目标就是战略意义上的目标；如果将敌方的某架飞机或某艘舰船作为作战目标，则此时的目标就是战术目标。
由于态势估计涉及的对象多、范围广，且理论基础薄弱，要构造一个性能优良的系统来支持它相当困难。
相对于战略态势估计，战术态势估计涉及面较窄，规则较为明晰，而它又是前者系统建设的前提和基础。
因此，我们把态势估计的研究重点放在战术级上。
根据Endsley的定义，态势估计基本层次结构可以分解为态势察觉、态势理解和态势预测3个层次．态势察觉是获取环境中态势元素的状态、属性和动态特性，并把所获信息分解为可理解的表达形式，为后面的态势理解和预测层次奠定基础．态势理解主要是对敌方行为、行动企图进行推理，即态势行动在进行当前事件情况下的结果是什么，产生的影响是什么．态势预测是在对当前态势理解的基础上，对未来可能出现的态势情况进行预测．由此可见，对态势元素完整而准确的察觉是态势估计过程的基础．3.2 态势估计的内容和处理步骤进行信息融合中2级处理态势估计应按如下流程进行：首先分析作战样式，明确敌我双方的作战目标。
由于态势估计与作战样式有一定的关系，不同的作战样式下选取的态势要素不同，各要素的侧重点和权值不同，使用的态势估计方法可能不一样，用到的军事领域知识( 规则) 也不同。
没有选定作战样式，泛泛地谈论态势估计或威胁估计，比较困难。
本文针对一定的作战样式进行态势估计方法研究，望由此推广到其它作战样式，最后形成统一的态势估计方法。
其次考虑态势要素提取。
在一定的作战样式下，提取进行态势估计要考虑的各要素，称为态势要素。
最后确定对态势要素进行估计的各种方法，实现战场态势估计的各项功能。
态势估计应包含以下内容：（1）态势要素提取；（2）态势评估推理；（3）态势预测。
态势评估首先要确定态势要素, 这些态势要素都可由多传感器的测量获得。
由于传感器的精度、多传感器系统组成环节、外部环境以及数据后处理的影响, 会导致态势评估的不确定性。
因此, 需要采用推理的方法来解决数据融合的问题。
4.不确定性推理估计在态势评估推理技术中, 经常用于决策级不确定推理方法有，Bayes和D-S证据理论，其中主观Bayes方法用概率来表示不确定性，而证据理论用信任区间来表示不确定性。
主观Bayes方法需要知道先验概率和条件概率，而证据理论则不必给出，证据理论能区分不确定和不知道，而Bayes则不能，从以上对比考虑，选择D-S证据理论作为决策层信息融合方式对态势情况进行评估。
运用D-S 证据理论的决策层信息融合方式对态势情况进行评估，最大特点就是对不确定信息的描述采用信任函数而不是概率作为量度, 在区分不知道与不确定方面以及精确反映证据收集方面显示了很大的灵活性。
4.1 D-S 证据理论的基本概念证据理论是由Dempster 于1967年提出的，后由Shafer 加以扩充和发展，所以证据理论又称为D-S 理论。
证据理论可处理由不知道所引起的不确定性。
它采用信任函数而不是概率作为度量，通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率，当约束限制为严格的概率时，它就进而成为概率论。
4.1.1 识别框架设U 表示X 所有可能取值的一个论域集合, 且所有在U 内的元素间是互不相容的, 则称U 为X 的识别框架。
4.1.2 信任函数和似真度函数设U 表示一识别框架, 则函数m: 2[0,1]U →满足()0m f = ；()1A Um A ⊂=∑ （1）时, m( A) 称为A 的基本概率赋值。
m( A) 表示的仅是提供给A 的基本概率赋值, 而不是A 的概率值,要获得A 的概率值, 必须将A 中所有子集B 的基本概率赋值数相加, 用信任函数表示。
设U 表示一识别框架, 则函数m: 2[0,1]U →是U 上的基本概率值，:2[0,1]U el B →()()el B A B A m B ⊂=∑ ()A U ∀⊂ （2）称为函数是U 上的信任函数。
似真度函数是从另一侧面对信度函数的描述。
设U 表示一识别框架, 定义()(),()1()()ou el l el B A f D A B A P A B A m B ⋂≠==-=∑ （3） 为 的怀疑函数。
称为的似真度函数。
A U ∀⊂，()ou D A 称为A 的怀疑度；()l P A 称为A 的似真度，即A 可靠或似真的程度。
这样，[(),()]el l B A P A 就构成了A 的信任度区间。
4.1.3 Dempster 证据组合法则D-S 证据理论中的Dempster 证据组合法则提供了组合两个证据的法则。
组合方法可以概括如下：设1el B 和2el B 是同一识别框架U 上的两个信任函数, m 1 和m 2 是对应的基本概率赋值, 焦元分别为1,...,k A A 和1,...,k B B ，又设12,()()i j i j i j A B fK m A m B ⋂==∑ 12,()()(),,1i j i j i j A B Cm A m B m C C U C f K ⋂==∀⊂≠-∑ （4） 在上式中，若1K ≠，则m 确定一个基本概率赋值；若1K =，则认为m 1、m 2 矛盾, 不能对基本概率进行组合。
通过上式可以对证据进行两两综合, 而对于多个证据的计算也可以按照Dempster 证据组合的方法递推进行组合。
在进行合成计算时, 由于多个态势因素的融合与次序无关。
则多个证据结合的计算可以用两个证据结合的计算递推得到，其结构等效图如下图1所示：图1 证据合成计算的等效形式4.2 D-S 证据理论用于态势估计的信息融合方法对于态势估计系统来说, 由军事领域知识产生的战场空间中可能出现的态势分类就是命题, 各个传感器通过检测、处理给出的对事件发生的判断就是证据。
这样, 可把态势分类看作假设的原因, 而从传感器获得的事件发生的数据则可以看作是已经检测到的结果。
态势估计从检测事件的发生开始, 在检测到事件后, 由领域知识产生对某些命题的度量, 这些度量即构成了证据, 并利用这些证据通过构造相应的基本概率分配函数, 对所有的命题赋予一个置信度。
态势信息融合和判决的一般步骤为: 首先根据不同传感器所提供的证据计算冲突系数k1 , 判断两个证据之间的冲突程度。
若证据之间的冲突程度不大, 则可按照Dempster组合规则进行两两组合, 若证据出现冲突较大或相互矛盾的情况, 则可选取适当的修正组合规则进行证据组合；其次根据不同的识别目标以及态势环境, 综合各种因素, 确定判决门限；最后根据一定的算法和规则进行态势判决, 给出融合后的最终判决结果。
