Aerial target identification method based on switching reasoning evidential network under incomplete information

doi:10.11772/j.issn.1001-9081.2022020287

Journal of Computer Applications ›› 2023, Vol. 43 ›› Issue (4): 1071-1078.DOI: 10.11772/j.issn.1001-9081.2022020287

• Artificial intelligence • Previous Articles

Aerial target identification method based on switching reasoning evidential network under incomplete information

Yu WANG(), Zilin FAN, Tianjun REN, Xiaofei JI

School of Automation，Shenyang Aerospace University，Shenyang Liaoning 110136，China

Received:2022-03-11 Revised:2022-05-26 Accepted:2022-05-30 Online:2022-08-16 Published:2023-04-10
Contact: Yu WANG
About author:FAN Zilin， born in 1998， M. S. candidate. Her research interests include machine reasoning， information fusion.
REN Tianjun， born in 1995， M. S. candidate. His research interests include intelligent decision-making.
JI Xiaofei， born in 1978， Ph. D.， associate professor. Her research interests include information fusion.
Supported by:
National Natural Science Fundation of China(61906125);Scientific Research Project of Educational Department of Liaoning Province(LJKZ0222)

不完备信息下基于切换推理证据网络的空中目标识别方法

王昱(), 范子琳, 任田君, 姬晓飞

沈阳航空航天大学自动化学院，沈阳 110136

通讯作者: 王昱
作者简介:范子琳（1998—），女，辽宁锦州人，硕士研究生，主要研究方向：机器推理、信息融合；
任田君（1995—），男，山西运城人，硕士研究生，主要研究方向：智能决策；
姬晓飞（1978—），女，辽宁沈阳人，副教授，博士，主要研究方向：信息融合。
基金资助:
国家自然科学基金资助项目(61906125);辽宁省教育厅科学研究项目(LJKZ0222)

Abstract

Abstract:

Existing evidential reasoning methods have fixed model structure， single information processing mode and reasoning mechanism， making these methods difficult to be applied to target identification in an environment with a variety of incomplete information such as uncertain， error and missing information. To address this problem， a Switching Reasoning Evidential Network （SR-EN） method was proposed. Firstly， a multi-template network model was constructed considering evidence-node deletion and other situations. Then， conditional correlation between each evidence variable and target type was analyzed to establish an reasoning rule base for incomplete information. Finally， an intelligent spatio-temporal fusion reasoning method based on three evidence input and correction methods was proposed. Compared with traditional Evidential Network （EN） and combination methods of two information correction methods， such as EN and Technique for Order Preference by Similarity to an Ideal Solution （TOPSIS）， SR-EN can achieve continuous and accurate identification for aerial targets under multiple types of random incomplete information while ensuring reasoning timeliness. Experimental results show that SR-EN can realize adaptive switching of evidence processing methods， network structures and fusion rules among nodes in continuous reasoning process through effective identification of various types of incomplete information.

Key words: switching reasoning, evidential network, incomplete information fusion, evidence correction, aerial target identification, spatio-temporal fusion

摘要：

现有证据推理方法模型结构固定、信息处理方式和推理机制单一，难以适用于集结了不确定、错误甚至缺失等多种不完备信息环境下的目标识别。针对该问题，提出了一种切换推理证据网络（SR-EN）方法。首先，考虑证据节点删除等情况构建多模板网络模型；然后，分析各证据变量与目标类型的条件关联性以建立针对不完备信息的推理规则库；最后，提出基于三种证据输入及修正方式的智能化时空融合推理方法。与传统的证据网络（EN）以及EN与优劣解距离法（TOPSIS）等两种信息修正方法的结合方法相比，SR-EN能够在确保推理时效性的同时实现在多类随机性不完备信息下对空中目标的连续准确识别。实验结果表明，通过对各类不完备信息的有效识别，SR-EN能够实现连续推理过程中证据处理方式、网络结构和节点间融合规则的自适应切换。

关键词: 切换推理, 证据网络, 不完备信息融合, 证据修正, 空中目标识别, 时空融合

CLC Number:

TP391

Yu WANG, Zilin FAN, Tianjun REN, Xiaofei JI. Aerial target identification method based on switching reasoning evidential network under incomplete information[J]. Journal of Computer Applications, 2023, 43(4): 1071-1078.

王昱, 范子琳, 任田君, 姬晓飞. 不完备信息下基于切换推理证据网络的空中目标识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1071-1078.

Figures/Tables 18

Fig. 1 Evidence input mode switching process

Fig. 2 Four-level affinity curve

Fig. 3 Target identification evidential network model

Tab. 1 Description of network model variables

节点	含义	识别框架	说明
T	目标机型	｛SF，F，SB， B，A，HE， US｝	｛隐身战斗机，普通战斗机，隐身轰炸机，普通轰炸机，预警机，直升机，无人侦察机｝
$T R R R$	RCS、RFB、RB 规则融合T	―	―
$T L$	L规则融合T	―	―
$T V H$	VH规则融合T	―	―
V	速度	｛0，1，2，3｝	｛极小，小，高，极高｝
H	飞行高度	｛0，1，2，3｝	｛极低，低，高，极高｝
L	机身长度	｛0，1，2，3｝	｛极短，短，长，极长｝
RCS	雷达反射面积	｛0，1，2，3｝	｛极小，小，大，极大｝
RFB	雷达频率段	｛0，1｝	｛敏捷，固定｝
RB	雷达波束方向	｛0，1｝	｛空对空，空对地｝

Tab. 1 Description of network model variables

节点	含义	识别框架	说明
T	目标机型	｛SF，F，SB， B，A，HE， US｝	｛隐身战斗机，普通战斗机，隐身轰炸机，普通轰炸机，预警机，直升机，无人侦察机｝
$T R R R$	RCS、RFB、RB 规则融合T	―	―
$T L$	L规则融合T	―	―
$T V H$	VH规则融合T	―	―
V	速度	｛0，1，2，3｝	｛极小，小，高，极高｝
H	飞行高度	｛0，1，2，3｝	｛极低，低，高，极高｝
L	机身长度	｛0，1，2，3｝	｛极短，短，长，极长｝
RCS	雷达反射面积	｛0，1，2，3｝	｛极小，小，大，极大｝
RFB	雷达频率段	｛0，1｝	｛敏捷，固定｝
RB	雷达波束方向	｛0，1｝	｛空对空，空对地｝

Tab. 2 Quantitative evidence grade intervals

证据	各焦元变量作用区间
证据	｛0｝	｛1｝	｛2｝	｛3｝
V/（km·h^-1）	0~350	280~1 000	650~2 400	1 300~3 600
H/m	0~200	100~6 000	3 000~20 000	10 000~36 000
L/m	0~10	5~30	15~65	45~90
RCS/m²	0~1	0.5~6	2~20	10~90

Fig. 4 Mapping relationship between target types and evidence variables

Tab. 3 Rule bases

规则库	序号	条件	［机型T，信度β］	［θ₁，θ₂］
Ⅰ	1	V=0，H=0	［US，1］	［0.6，0.8］
	2	V=0，H=1	［US，1］	［0.6，0.8］
	3	V=1，H=1	［F，1］	［0.6，0.8］
	4	V=1，H=2	［F，0.2］［SB，0.4］［A，0.1］［HE，0.1］［｛F，SB，A，HE｝，0.2］	［0.9，1］
	5	V=1，H=3	［F，0.2］［B，0.2］［A，0.2］［HE，0.2］［｛F，B，A，HE｝，0.2］	［0.9，1］
	6	V=2，H=1	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	7	V=2，H=2	［SF，0.1］［F，0.4］［SB，0.2］［B，0.1］［｛SF，F，SB，B｝，0.2］	［0.9，1］
	8	V=2，H=3	［SF，0.2］［F，0.2］［B，0.2］［A，0.2］［｛SF，F，B，A｝，0.2］	［0.9，1］
	9	V=3，H=1	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	10	V=3，H=2	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	11	V=3，H=3	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	12	V=0，H缺失	［US，1］	［0.6，0.8］
	13	V=1，H缺失	［F，0.15］［SB，0.15］［B，0.15］［A，0.15］［HE，0.15］［｛F，SB，B，A，HE｝，0.25］	［0.9，1］
	14	V=2，H缺失	［SF，0.15］［F，0.15］［SB，0.15］［B，0.15］［A，0.15］［｛SF，F，SB，B，A｝，0.25］	［0.9，1］
	15	V=3，H缺失	［SF.0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	16	V缺失，H=0	［US，1］	［0.6，0.8］
	17	V缺失，H=1	［SF，0.3］［F，0.3］［US，0.3］［｛SF，F，US｝，0.1］	［0.9，1］
	18	V缺失，H=2	［SF，0.15］［F，0.15］［SB，0.3］［B，0.15］［HE，0.15］［｛SF，F，SB，B，HE｝，0.1］	［0.9，1］
	19	V缺失，H=3	［SF，0.15］［F，0.15］［SB，0.15］［B，0.15］［HE，0.15］［｛SF，F，SB，B，HE｝，0.25］	［0.9，1］
Ⅱ	1	L=1	［SF，0.1］［F，0.3］［SB，0.1］［B，0.1］［HE，0.15］［US，0.15］［｛SF，F，SB，HE，US｝，0.1］	［0.9，1］
	2	L=2	［B，0.2］［A，0.2］［HE，0.2］［US，0.2］［｛B，A，HE，US｝，0.2］	［0.9，1］
	3	L=3	［A，1］	［0.6，0.8］
Ⅲ	1	RCS=0，RFB=1，RB=1	［SF，0.85］［SB，0.1］［｛SF，SB｝，0.05］	［0.9，1］
	2	RCS=0，RFB=1，RB=1	［SF，0.1］［SB，0.85］［｛SF，SB｝，0.05］	［0.9，1］
	3	RCS=1，RFB=1，RB=0	［SF，0.1］［F，0.4］［SB，0.05］［B，0.05］［HE，0.3］［｛SF，F，SB，B，HE｝，0.1］	［0.9，1］
	4	RCS=1，RFB=1，RB=1	［SF，0.05］［F，0.1］［SB，0.1］［B，0.3］［HE，0.3［｛SF，F，SB，B，HE｝，0.15］	［0.9，1］
	5	RCS=2，RFB=1，RB=0	［F，0.8］［B，0.1］［｛F，B｝，0.1］	［0.9，1］
	6	RCS=2，RFB=1，RB=1	［F，0.1］［B，0.8］［｛F，B｝，0.1］	［0.9，1］
	7	RCS=2，RFB=0，RB=0	［US，1］	［0.6，0.8］
	8	RCS=2，RFB=0，RB=1	［US，1］	［0.6，0.8］
	9	RCS=3，RFB=0，RB=0	［A，1］	［0.6，0.8］
	10	RCS=3，RFB=0，RB=1	［A，1］	［0.6，0.8］
	11	RCS=0，RFB，RB缺失	［SF，0.4］［SB，0.4］［｛SF，SB｝，0.2］	［0.9，1］
	12	RCS=1，RFB，RB缺失	［SF，0.15］［F，0.15］［SB，0.15］［B，0.15］［HE，0.15］［｛SF，F，SB，B，HE｝，0.25］	［0.9，1］
	13	RCS=2，RFB，RB缺失	［F，0.3］［B，0.3］［US，0.3］［｛F，B，US｝，0.1］	［0.9，1］
	14	RCS=3，RFB，RB缺失	［A，1］	［0.6，0.8］
	15	RCS缺失，RFB=0，RB=0	［A，0.4］［US，0.4］［｛A，US｝，0.2］	［0.9，1］
	16	RCS缺失，RFB=0，RB=1	［A，0.4］［US，0.4］［｛A，US｝，0.2］	［0.9，1］
	17	RCS缺失，RFB=1，RB=0	［SF，0.25］［F，0.25］［SB，0.05］［B，0.05］［HE，0.25］［｛SF，F，SB，B，HE｝，0.15］	［0.9，1］
	18	RCS缺失，RFB=1，RB=1	［SF，0.05］［F，0.05］［SB，0.25］［B，0.25］［HE，0.25］［｛SF，F，SB，B，HE｝，0.15］	［0.9，1］

Tab. 3 Rule bases

规则库	序号	条件	［机型T，信度β］	［θ₁，θ₂］
Ⅰ	1	V=0，H=0	［US，1］	［0.6，0.8］
	2	V=0，H=1	［US，1］	［0.6，0.8］
	3	V=1，H=1	［F，1］	［0.6，0.8］
	4	V=1，H=2	［F，0.2］［SB，0.4］［A，0.1］［HE，0.1］［｛F，SB，A，HE｝，0.2］	［0.9，1］
	5	V=1，H=3	［F，0.2］［B，0.2］［A，0.2］［HE，0.2］［｛F，B，A，HE｝，0.2］	［0.9，1］
	6	V=2，H=1	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	7	V=2，H=2	［SF，0.1］［F，0.4］［SB，0.2］［B，0.1］［｛SF，F，SB，B｝，0.2］	［0.9，1］
	8	V=2，H=3	［SF，0.2］［F，0.2］［B，0.2］［A，0.2］［｛SF，F，B，A｝，0.2］	［0.9，1］
	9	V=3，H=1	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	10	V=3，H=2	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	11	V=3，H=3	［SF，0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	12	V=0，H缺失	［US，1］	［0.6，0.8］
	13	V=1，H缺失	［F，0.15］［SB，0.15］［B，0.15］［A，0.15］［HE，0.15］［｛F，SB，B，A，HE｝，0.25］	［0.9，1］
	14	V=2，H缺失	［SF，0.15］［F，0.15］［SB，0.15］［B，0.15］［A，0.15］［｛SF，F，SB，B，A｝，0.25］	［0.9，1］
	15	V=3，H缺失	［SF.0.4］［F，0.4］［｛SF，F｝，0.2］	［0.9，1］
	16	V缺失，H=0	［US，1］	［0.6，0.8］
	17	V缺失，H=1	［SF，0.3］［F，0.3］［US，0.3］［｛SF，F，US｝，0.1］	［0.9，1］
	18	V缺失，H=2	［SF，0.15］［F，0.15］［SB，0.3］［B，0.15］［HE，0.15］［｛SF，F，SB，B，HE｝，0.1］	［0.9，1］
	19	V缺失，H=3	［SF，0.15］［F，0.15］［SB，0.15］［B，0.15］［HE，0.15］［｛SF，F，SB，B，HE｝，0.25］	［0.9，1］
Ⅱ	1	L=1	［SF，0.1］［F，0.3］［SB，0.1］［B，0.1］［HE，0.15］［US，0.15］［｛SF，F，SB，HE，US｝，0.1］	［0.9，1］
	2	L=2	［B，0.2］［A，0.2］［HE，0.2］［US，0.2］［｛B，A，HE，US｝，0.2］	［0.9，1］
	3	L=3	［A，1］	［0.6，0.8］
Ⅲ	1	RCS=0，RFB=1，RB=1	［SF，0.85］［SB，0.1］［｛SF，SB｝，0.05］	［0.9，1］
	2	RCS=0，RFB=1，RB=1	［SF，0.1］［SB，0.85］［｛SF，SB｝，0.05］	［0.9，1］
	3	RCS=1，RFB=1，RB=0	［SF，0.1］［F，0.4］［SB，0.05］［B，0.05］［HE，0.3］［｛SF，F，SB，B，HE｝，0.1］	［0.9，1］
	4	RCS=1，RFB=1，RB=1	［SF，0.05］［F，0.1］［SB，0.1］［B，0.3］［HE，0.3［｛SF，F，SB，B，HE｝，0.15］	［0.9，1］
	5	RCS=2，RFB=1，RB=0	［F，0.8］［B，0.1］［｛F，B｝，0.1］	［0.9，1］
	6	RCS=2，RFB=1，RB=1	［F，0.1］［B，0.8］［｛F，B｝，0.1］	［0.9，1］
	7	RCS=2，RFB=0，RB=0	［US，1］	［0.6，0.8］
	8	RCS=2，RFB=0，RB=1	［US，1］	［0.6，0.8］
	9	RCS=3，RFB=0，RB=0	［A，1］	［0.6，0.8］
	10	RCS=3，RFB=0，RB=1	［A，1］	［0.6，0.8］
	11	RCS=0，RFB，RB缺失	［SF，0.4］［SB，0.4］［｛SF，SB｝，0.2］	［0.9，1］
	12	RCS=1，RFB，RB缺失	［SF，0.15］［F，0.15］［SB，0.15］［B，0.15］［HE，0.15］［｛SF，F，SB，B，HE｝，0.25］	［0.9，1］
	13	RCS=2，RFB，RB缺失	［F，0.3］［B，0.3］［US，0.3］［｛F，B，US｝，0.1］	［0.9，1］
	14	RCS=3，RFB，RB缺失	［A，1］	［0.6，0.8］
	15	RCS缺失，RFB=0，RB=0	［A，0.4］［US，0.4］［｛A，US｝，0.2］	［0.9，1］
	16	RCS缺失，RFB=0，RB=1	［A，0.4］［US，0.4］［｛A，US｝，0.2］	［0.9，1］
	17	RCS缺失，RFB=1，RB=0	［SF，0.25］［F，0.25］［SB，0.05］［B，0.05］［HE，0.25］［｛SF，F，SB，B，HE｝，0.15］	［0.9，1］
	18	RCS缺失，RFB=1，RB=1	［SF，0.05］［F，0.05］［SB，0.25］［B，0.25］［HE，0.25］［｛SF，F，SB，B，HE｝，0.15］	［0.9，1］

Fig. 5 Detection of target flight trajectory

Tab. 4 Attribute data of target 1 and 2

目标	时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
1	t1	900.05	6 000.0	17.32	0.90	1	0
	t2	892.53	7 280.4	14.38	2.00	1	0
	t3	866.29	10 773.0	16.54	1.50	1	0
	t4	841.25	15 102.0	17.32	1.30	1	0
	t5	815.98	18 155.0	16.39	0.75	1	0
	t6	854.47	18 200.0	16.00	1.51	1	0
	t7	902.89	13 900.0	17.34	2.00	1	0
	t8	966.31	3 237.8	16.97	2.40	1	0
2	t1	ф	6 050.0	21.00	ф	1	1
	t2	398.70	6 127.1	19.00	0.79	1	1
	t3	96.80	6 277.9	19.54	ф	1	1
	t4	ф	6 414.5	18.00	ф	1	0
	t5	ф	6 406.9	60.32	ф	ф	1
	t6	406.20	5 988.2	20.90	0.90	1	1
	t7	416.20	5 590.9	17.34	0.84	1	1
	t8	4 436.40	4 771.4	19.97	ф	1	1

Tab. 5 Identification results of SR-EN method for target 1

时刻	不同机型的识别结果
时刻	SF	F	SB	B	A	HE	US
t1	0.208 5	0.364 1	0.218 9	0.208 5	0.000 0	0.000 0	0.000 0
t2	0.147 3	0.546 7	0.158 7	0.147 3	0.000 0	0.000 0	0.000 0
t3	0.102 0	0.684 1	0.111 9	0.102 0	0.000 0	0.000 0	0.000 0
t4	0.075 8	0.848 2	0.000 0	0.075 8	0.000 0	0.000 0	0.000 0
t5	0.000 0	0.924 4	0.000 0	0.075 3	0.000 0	0.000 3	0.000 0
t6	0.024 2	0.938 8	0.000 0	0.037 0	0.000 0	0.000 0	0.000 0
t7	0.022 6	0.929 0	0.019 8	0.029 0	0.000 0	0.000 0	0.000 0
t8	0.030 1	0.969 9	0.000 0	0.000 0	0.000 0	0.000 0	0.000 0

Tab. 6 Selection and switching for evidence input modes in target 2 identification

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1

Tab. 7 Evidence correction and reliability conversion results in target 2 identification

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	/	0，0，0.8， 0，0.2	0，0.48， 0.32，0，0.2	/	1	1
t2	0，0.8，0， 0，0.2	0，0，0.8， 0，0.2	0，0.59， 0.21，0，0.2	0.33，0.46， 0，0，0.2	1	1
t3	/	0，0，0.8， 0，0.2	0，0.55， 0.24，0，0.2	/	1	1
t4	/	0，0，0.8， 0，0.2	0，0.64， 0.16，0，0.2	/	1	1
t5	/	0，0，0.8， 0，0.2	0，0.68， 0.12，0，0.2	/	1	1
t6	0，0.8，0， 0，0.2	0，0，0.8， 0，0.2	0，0.43， 0.31，0，0.2	0.16，0.64， 0，0，0.2	1	1
t7	0，0.8，0， 0，0.2	0，0.11， 0.69，0，0.2	0，0.68， 0.12，0，0.2	0.25，0.54， 0，0，0.2	1	1
t8	/	0，0.33， 0.47，0，0.2	0，0.53， 0.27，0，0.2	/	1	1

Tab. 8 Rule selection and switching in target 2 identification

规则	t1	t2	t3	t4	t5	t6	t7	t8
m2规则	Ⅲ₁₈	Ⅲ₄	Ⅲ₁₈	Ⅲ₁₈	Ⅲ₁₈	Ⅲ₄	Ⅲ₄	Ⅲ₁₈
m3规则	Ⅱ₁	Ⅱ₁	Ⅱ₁	Ⅱ₁	Ⅱ₁	Ⅱ₁	Ⅱ₁	Ⅱ₁
m4规则	Ⅰ₁₈	Ⅰ₄	Ⅰ₁₈	Ⅰ₁₈	Ⅰ₁₈	Ⅰ₄	Ⅰ₄	Ⅰ₁₈

Tab. 9 Identification results of SR-EN method for target 2

时刻	不同机型的识别结果
时刻	SF	F	SB	B	A	HE	US
t1	0.186 6	0.216 0	0.357 3	0.239 9	0.000 0	0.000 2	0.000 0
t2	0.000 0	0.282 6	0.466 4	0.250 6	0.000 0	0.000 0	0.000 0
t3	0.052 7	0.194 1	0.549 6	0.202 9	0.000 0	0.000 7	0.000 0
t4	0.044 9	0.156 0	0.635 8	0.161 8	0.000 0	0.000 5	0.000 0
t5	0.044 6	0.113 4	0.719 0	0.122 0	0.000 0	0.000 1	0.000 0
t6	0.000 0	0.104 5	0.786 0	0.094 5	0.000 0	0.000 0	0.000 0
t7	0.000 0	0.097 9	0.823 0	0.079 0	0.000 0	0.000 0	0.000 0
t8	0.031 7	0.077 8	0.817 3	0.073 0	0.000 0	0.000 2	0.000 0

Fig. 6 Comparison of identification results of four methods for target 1

Fig. 7 Comparison of identification results of four methods for target 2

Tab. 10 Comparison of weight ω sensitivity analysis experimental results （SB type probability）

时刻	$ω$
时刻	0.0	0.3	0.5	0.8	1.0
t1	0.357 3	0.357 3	0.357 3	0.357 3	0.357 3
t2	0.392 5	0.443 2	0.466 4	0.491 5	0.504 2
t3	0.355 6	0.466 2	0.549 6	0.657 8	0.712 4
t4	0.353 3	0.490 0	0.635 8	0.815 7	0.884 8
t5	0.351 9	0.507 0	0.719 0	0.936 3	0.982 5
t6	0.395 2	0.542 9	0.786 0	0.969 4	0.987 7
t7	0.368 0	0.524 2	0.823 0	0.991 4	1.000 0
t8	0.284 8	0.455 5	0.817 3	0.992 1	1.000 0

Tab. 10 Comparison of weight ω sensitivity analysis experimental results （SB type probability）

时刻	$ω$
时刻	0.0	0.3	0.5	0.8	1.0
t1	0.357 3	0.357 3	0.357 3	0.357 3	0.357 3
t2	0.392 5	0.443 2	0.466 4	0.491 5	0.504 2
t3	0.355 6	0.466 2	0.549 6	0.657 8	0.712 4
t4	0.353 3	0.490 0	0.635 8	0.815 7	0.884 8
t5	0.351 9	0.507 0	0.719 0	0.936 3	0.982 5
t6	0.395 2	0.542 9	0.786 0	0.969 4	0.987 7
t7	0.368 0	0.524 2	0.823 0	0.991 4	1.000 0
t8	0.284 8	0.455 5	0.817 3	0.992 1	1.000 0

Tab. 11 Average running time comparison of four methods

推理方法	平均运行时间	推理方法	平均运行时间
EN	0.113 6	EN-CON	0.139 5
EN-TOPSIS	0.116 5	SR-EN	0.128 7

References 18

1	LIN Z， XIE J Y. Research on improved evidence theory based on multi-sensor information fusion［J］. Scientific Reports， 2021， 11： No.9267. 10.1038/s41598-021-88814-3
2	ZHAO G Z， CHEN A G， LU G X， et al. Data fusion algorithm based on fuzzy sets and D-S theory of evidence［J］. Tsinghua Science and Technology， 2020， 25（1）： 12-19. 10.26599/tst.2018.9010138
3	吴强，姜礼平，季傲. 基于模糊集和D-S证据理论的空中作战目标识别［J］. 指挥控制与仿真， 2015， 37（4）： 54-58.
	WU Q， JIANG L P， JI A. Aircraft target identification based on fuzzy sets and D-S evidence theory in air operation［J］. Command Control and Simulation， 2015， 37（4）： 54-58.
4	赵静，关欣，刘海桥. 冲突证据决策新方法及应用［J］. 北京航空航天大学学报， 2019， 45（9）： 1838-1847.
	ZHAO J， GUAN X， LIU H Q. A new conflict evidence decision method and its application［J］. Journal of Beijing University of Aeronautics and Astronautics， 2019， 45（9）： 1838-1847.
5	高晓阳，王刚. 基于改进时域证据融合的目标识别［J］. 系统工程与电子技术， 2018， 40（12）： 2629-2635. 10.3969/j.issn.1001-506X.2018.12.02
	GAO X Y， WANG G. Target identification based on improved combination of temporal evidence sources［J］. Systems Engineering and Electronics， 2018， 40（12）： 2629-2635. 10.3969/j.issn.1001-506X.2018.12.02
6	尹东亮，黄晓颖，吴艳杰，等. 基于云模型和改进D-S证据理论的目标识别决策方法研究［J］. 航空学报， 2021， 42（12）： No.324768.
	YIN D L， HUANG X Y， WU Y J， et al. Target recognition decision method based on cloud model and improved D-S evidence theory［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（12）： No.324768.
7	MI J H， LU N， LI Y F， et al. An evidential network-based hierarchical method for system reliability analysis with common cause failures and mixed uncertainties［J］. Reliability Engineering and System Safety， 2022， 220： No.108295. 10.1016/j.ress.2021.108295
8	王昱，章卫国，傅莉，等. 基于改进证据网络的空战动态态势估计方法［J］. 航空学报， 2015， 36（12）： 3896-3909.
	WANG Y， ZHANG W G， FU L， et al. Dynamic situation assessment method of aerial warfare based on improved evidence network［J］. Acta Aeronautica et Astronautica Sinica， 2015， 36（12）： 3896-3909.
9	DUAN R X， LIN Y N， HU L F. Reliability evaluation for complex systems based on interval-valued triangular fuzzy weighted mean and evidence network［J］. Journal of Advanced Mechanical Design， Systems， and Manufacturing， 2018， 12（4）： No.JAMDSM0087. 10.1299/jamdsm.2018jamdsm0087
10	BOUGOFA M， BOUAFIA A， BELLAOUAR A. Availability assessment of complex systems under parameter uncertainty using dynamic evidential networks［J］. International Journal of Performability Engineering， 2020， 16（4）： 510-519. 10.23940/ijpe.20.04.p2.510519
11	ZUO L， XIAHOU T F， LIU Y. Reliability assessment of systems subject to interval-valued probabilistic common cause failure by evidential networks［J］. Journal of Intelligent and Fuzzy Systems， 2019， 36（4）： 3711-3723. 10.3233/jifs-18290
12	DU J H， HU M H， ZHANG W N. Missing data problem in the monitoring system： a review［J］. IEEE Sensors Journal， 2020： 20（23）： 13984-13998. 10.1109/jsen.2020.3009265
13	HUANG G L. Missing data filling method based on linear interpolation and lightGBM［J］. Journal of Physics： Conference Series， 2021， 1754： No.012187. 10.1088/1742-6596/1754/1/012187
14	陈海洋，刘喜庆，环晓敏. 一步预测的SVDDBN缺失数据插补算法［J］. 计算机工程与应用， 2020， 56（7）： 81-87.
	CHEN H Y， LIU X Q， HUAN X M. One-step prediction SVDDBN missing data interpolation algorithm［J］. Computer Engineering and Applications， 2020， 56（7）： 81-87.
15	JOHNY V， PHILIP M， AUGUSTINE S. Methods to handle incomplete data［J］. MAMC Journal of Medical Sciences， 2020， 6（3）： 194-198. 10.4103/mamcjms.mamcjms_54_20
16	RAHMAN M G， ISLAM M Z. Missing value imputation using a fuzzy clustering-based EM approach［J］. Knowledge and Information Systems， 2016， 46（2）： 389-422. 10.1007/s10115-015-0822-y
17	QU S Q， SALLAK M， SCHÖN W， et al. A valuation-based system approach for risk assessment of belief rule-based expert systems［J］. Information Sciences， 2018， 466： 323-336. 10.1016/j.ins.2018.04.039
18	梁复台，周焰，陈新，等. 基于TOPSIS-BORDA连续时间片的空中目标识别算法［J］. 兵器装备工程学报， 2021， 42（11）： 169-173.
	LIANG F T， ZHOU Y， CHEN X， et al. Aerial target recognition algorithm based on TOPSIS-BORDA continuous time slice［J］. Journal of Ordnance Equipment Engineering， 2021， 42（11）： 169-173.

[1]	ZHANG Zhiang, LIAO Guangzhong. Multi-scale feature enhanced retinal vessel segmentation algorithm based on U-Net [J]. Journal of Computer Applications, 0, (): 0-0.
[2]	Cheng FANG, Bei LI, Ping HAN, Qiong WU. Fine-grained emotion classification of Chinese microblog based on syntactic dependency graph [J]. Journal of Computer Applications, 2023, 43(4): 1056-1061.
[3]	Xu ZHANG, Long SHENG, Haifang ZHANG, Feng TIAN, Wei WANG. Pre-hospital emergency text classification model based on label confusion [J]. Journal of Computer Applications, 2023, 43(4): 1050-1055.
[4]	Hao SUN, Jian CAO, Haisheng LI, Dianhui MAO. Session-based recommendation model based on enhanced capsule network [J]. Journal of Computer Applications, 2023, 43(4): 1043-1049.
[5]	Wenhao HU, Jing LUO, Xinhui TU. Pseudo relevance feedback method for dense retrieval [J]. Journal of Computer Applications, 2023, 43(4): 1036-1042.
[6]	Quan YUAN, Yunpeng XU, Chengliang TANG. Document-level relation extraction method based on path labels [J]. Journal of Computer Applications, 2023, 43(4): 1029-1035.
[7]	Yongbing GAO, Juntian GAO, Rong MA, Lidong YANG. User granularity-level personalized social text generation model [J]. Journal of Computer Applications, 2023, 43(4): 1021-1028.
[8]	Mengting GE, Minghua WAN. Feature extraction model based on neighbor supervised locally invariant robust principal component analysis [J]. Journal of Computer Applications, 2023, 43(4): 1013-1020.
[9]	Zhoubo XU, Puqing CHEN, Huadong LIU, Xin YANG. Deep graph matching model based on self-attention network [J]. Journal of Computer Applications, 2023, 43(4): 1005-1012.
[10]	. Multi-objective optimization for unmanned aerial vehicle trajectory model based on decomposition and trajectory search [J]. Journal of Computer Applications, 0, (): 0-0.
[11]	JI Jiaqi, LU Zhenkun, XIONG Fupeng, ZHANG Tian, YANG Hao. Moving portrait debluring network based on multi-level jump residual group [J]. Journal of Computer Applications, 0, (): 0-0.
[12]	HE Ziyi, YANG Yan, ZHANG Yiling. Multi-view clustering network with deep fusion [J]. Journal of Computer Applications, 0, (): 0-0.
[13]	YU Zixing , QU Shaojun, HE Xing, WANG Zhuo. High-low dimensional feature guided real-time semantic segmentation network [J]. Journal of Computer Applications, 0, (): 0-0.
[14]	. Semantically enhanced sentiment classification model based on multi-level attention [J]. Journal of Computer Applications, 0, (): 0-0.
[15]	ZHAO Jingtao, ZHAO Zefang, YUE Zhaojuan, LI Jun. TenrepNN：Practice of new ensemble learning paradigm in enterprise self-discipline evaluation [J]. Journal of Computer Applications, 0, (): 0-0.

Aerial target identification method based on switching reasoning evidential network under incomplete information

不完备信息下基于切换推理证据网络的空中目标识别方法

RichHTML

PDF

PDF (Mobile)

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 18

References 18

Related Articles 15

Recommended Articles

Metrics

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1

时刻	V/（km·h^-1）	H/m	L/m	RCS/m²	RFB	RB
t1	2	1	1	2	1	1
t2	1	1	1	1	1	1
t3	2	1	1	2	1	1
t4	2	1	1	2	1	3
t5	2	1	3	2	3	1
t6	1	1	1	1	1	1
t7	1	1	1	1	1	1
t8	2	1	1	2	1	1