论文部分内容阅读
作战指挥决策系统是现代战争实施指挥控制的主要支撑平台,多传感器融合是提供指挥控制和辅助决策的前提和依据,目标融合识别程度的高低直接影响指挥决策者对战场态势的分析、判断和把握。目前,决策层目标融合识别对决策系统的不确定性无法做出有效度量,对有噪声的目标数据缺乏研判能力。为此,本文采用基于粗糙集理论和其他数据挖掘方法,对目标融合识别的关键环节进行分析和研究,主要工作有以下几方面：(1)不确定性度量是粗糙集理论研究的重要问题,基于依赖度γ的度量无法全面反映决策系统的不确定性。针对这个问题,本文构建了一种基于边界域的变精度条件熵的度量标准。理论分析表明在衡量决策系统一致性程度问题时,该度量标准与条件熵具有相同的判别作用,与相对正域等效。实验结果表明,相比较其它度量标准,在离散化处理、属性约简算法中采用该标准,具有计算简单、准确性高和抗噪声数据的特点。(2)离散化处理中的全局方法很难保证系统的一致性,局部方法又会产生过多的断点。针对这些问题,提出了一种基于属性重要度的整体连续属性离散化方法。按照对象的一致程度分组选取候选断点能够减少生成断点的数量,根据重要性依次对属性进行离散处理能更好地保证系统的一致性。该算法定义了基于边界域条件熵的断点重要性,删除重要性为零的断点,从而降低决策表的规模,提高面向决策系统算法的运行效率。实验结果表明,该算法具有时间复杂度低、生成离散断点少的优点。(3)基于代数观的属性约简方法不适用于不一致决策系统,针对这个问题,本文结合代数观和信息观两种理论思想,提出了基于改进分辨矩阵和信息熵的属性约简算法。改进的分辨矩阵能够在不一致决策系统中求得属性核；利用边界域变精度条件熵作为不确定度量,以属性核作为迭代初值,以信息熵的属性重要性作为准则求得属性约简。结果表明,该算法能够提供较少的约简数目和规则数目,识别精度较高,对于含有噪声类型的数据也具有较好的效果。(4)将粗糙集理论与其它人工智能技术结合,提出了包含航迹关联和目标类型识别的目标融合模型。针对航迹关联难以处理目标数量多且位置较近的问题,通过构建目标观测数据相似度方程,提出基于层次和密度的航迹关联算法,实验表明该算法具有提高航迹关联准确性、时间复杂度低和易于实现的优点。针对无法通过规则推导出目标类型的数据,提出了一种目标类型识别算法,利用粗糙集近似集来定义DS证据理论下的相关函数。实例证明,与传统识别方法相比,该算法具有更高的计算效率和识别准确性。