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．
（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
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
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
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，
缺点是 D-S 证据理论要求各证据源之间是相互独立的 , 这在实际的态势估计问题中几
乎是很难达到的 , 这也就限制了 D- S 证据理论在态势估计问题解决中的应用。
设 U 表示一识别框架 , 则函数 m: 2U
[0,1] 是 U 上的基本概率值，
Bel : 2U
[0,1 ]
Bel ( A)
m( B) ( A U )
BA
称为函数是 U 上的信任函数。
（ 2）
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
Dou( A)
Bel( A), Pl ( A) 1 Bel ( A)
基于多传感器数据融合的战场态势估计
周云 110719
1. 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
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，
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
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: 2U
[0,1] 满足
m( f ) 0 ； m( A) 1
AU
（ 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。
组合方法可以
概括如下：设 Bel 1 和 Bel 2 是同一识别框架 U 上的两个信任函数 , m 1 和 m2 是对应的基本概率
赋值 , 焦元分别为 A1,..., Ak 和 B1,..., Bk ，又设
K
m1( Ai )m2( Bj )
i ,j
A Bf
i
j
m1( Ai )m2( Bj )
i ,j
4.3 D-S 证据理论的应用优缺点
应用 D- S证据理论的优点是它能够从专家处获得不确定信息
, 并能将不确定性的知识
形式化后进行判断、 推理和决策 , 为知识的获取和知识库的形成提供了有效的手段；
证据理
论作为一种处理认知不确定的方法 , 不仅能在规则中反映未知信息 , 而且能在推理过程中
区分不确定和不知道。
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。
m( B)
B Af
（ 3）
为 的怀疑函数。称为的似真度函数。
A U ， Dou( A) 称为 A 的怀疑度； Pl ( A) 称为 A
的似真度，即 A 可靠或似真的程度。这样， [ Bel ( A), Pl ( 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。
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。
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：
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据。 这样 , 可把态势分
图 2 给出了决策层属性融合结构。 如图所示， 利用 D-S 理论中的合并规则将不同态势 因素下的态势可信度进行融合 , 计算出态势评估结果。
传感 器1
态势因素 1
不同
特
态势
决
传感 器2
征
提
态势因素 2
因素 下的
策 层 融
...
取
...
D-S
合
证据
传感 器k
态势因素 k
合并
图 2 运用 D-S 理论进行态势因素融合
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
, 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。