結(jié)合分塊DCT系數(shù)及其統(tǒng)計(jì)特征的人臉識(shí)別

1、computer engineering and applications 計(jì)算機(jī)工程與應(yīng)用2012，48（30）193結(jié)合分塊 dct 系數(shù)及其統(tǒng)計(jì)特征的人臉識(shí)別劉凡秀，蔡茂國(guó)，陳章樂(lè)liu fanxiu, cai maoguo, chen zhangle深圳大學(xué) 計(jì)算機(jī)與軟件學(xué)院，廣東 深圳 518060college of computer and software, shenzhen university, shenzhen, guangdong 518060, chinaliu fanxiu, cai maoguo, chen zhangle. combination of coef

2、ficient and statistical features of block dctfor face recognition. computer engineering and applications, 2012, 48（30）：193-196.abstract：a face recognition algorithm based on coefficient and statistical features of block dct is proposed. theimage is partitioned into a set of blocks, choosing the dct

3、coefficient of the low frequency part as its features. at the same time the dct transform is performed on each block in order to decompose it into a low-pass filtered image and a reversed l-shape blocks containing the high frequency coefficients of the dct; the statistical measures such as mean, var

4、iance, and entropy rate are then computed on the low-pass filtered image and a reversed l-shape blocks; svm and the nearest neighbor classifier are selected to perform face classification. the experimental results on orl and yale face databases show that the algorithm based on statistical features o

5、f block dct achieves high recognition rate.key words：discrete cosine transform（dct）; support vector machine（svm）; nearest neighbor classifier; statis-tical features; face recognition摘 要：提出了一種基于分塊 dct 系數(shù)及其統(tǒng)計(jì)特征的人臉識(shí)別算法。對(duì)圖像進(jìn)行分塊，對(duì)每一塊進(jìn)行 dct變換，選擇低頻部分的系數(shù)作為識(shí)別的特征，將每一塊分解為一幅低通濾波圖和一個(gè)包含 dct 高頻系數(shù)的反 l 型塊；分別對(duì)這兩塊求其均值

6、、方差和熵這三個(gè)統(tǒng)計(jì)特征；利用支持向量機(jī)（svm）和最近鄰分類(lèi)器對(duì)這些特 征進(jìn)行分類(lèi)識(shí)別。在 orl、yale 人臉數(shù)據(jù)庫(kù)上的仿真實(shí)驗(yàn)表明，使用基于分塊 dct 系數(shù)及其統(tǒng)計(jì)特征可達(dá)到 較高的識(shí)別率。關(guān)鍵詞：離散余弦變換（dct）；支持向量機(jī)；最近鄰分類(lèi)器；統(tǒng)計(jì)特征；人臉識(shí)別文章編號(hào)：1002-8331（2012）30-0193-04文獻(xiàn)標(biāo)識(shí)碼：a中圖分類(lèi)號(hào)：tp3911引言當(dāng)今社會(huì)，隨著信息化進(jìn)程的深入和互聯(lián)網(wǎng)的 迅速發(fā)展，信息的安全性、隱蔽性越來(lái)越受到人們的 重視。人臉識(shí)別技術(shù)也因其所具有的方便、友好、直 接、易于為用戶所接受等特點(diǎn)在近幾十年來(lái)倍受研 究人員的青睞，相關(guān)的方法也相繼被提出。

7、根據(jù)對(duì) 國(guó)內(nèi)外大量文獻(xiàn)的統(tǒng)計(jì)，主要可以分為基于整體的 方法，典型的有 pca 特征臉和 fisher 臉?lè)椒ǖ?；基?局部的方法，如純幾何方法、彈性匹配方法等；基于融合的方法，即同時(shí)使用整體和局部信息來(lái)識(shí)別人臉。在文獻(xiàn)1中，通過(guò)利用圖像的積分投影方法，對(duì) 圖像進(jìn)行裁剪并縮放到 30 30 的標(biāo)準(zhǔn)大小，然后再利用 pca 的方法進(jìn)行識(shí)別，由于人臉識(shí)別易受光照、姿勢(shì)、遮擋、表情等影響，所以在利用積分投影方法對(duì)圖像進(jìn)行裁剪時(shí)，很難準(zhǔn)確得到標(biāo)準(zhǔn)圖像，且 pca 法的一個(gè)不足是需要求解高維矩陣的特征分解問(wèn) 題，計(jì)算量較大，其次，當(dāng)有新圖像加入時(shí)，必須重新 計(jì)算新圖像與原庫(kù)中的所有圖像的協(xié)方差矩陣，不作者

8、簡(jiǎn)介：劉凡秀（1987），女，碩士，主要研究方向：多媒體信息處理、人臉識(shí)別；蔡茂國(guó)（1965），男，教授，碩士生導(dǎo)師，主要研究方向：多媒體信息處理、計(jì)算機(jī)網(wǎng)絡(luò)；陳章樂(lè)（1987），男，碩士，主要研究方向：多媒體信息處理、人臉檢測(cè)。e-mail：收稿日期：2011-06-15修回日期：2011-08-15cnki 出版日期：2011-10-24doi：10.3778/j.issn.1002-8331.2012.30.040/kcms/detail/11.2127.tp.20111024.1015.085.htm

9、lc(u v) 是dct 系數(shù)。 a(u) ，a(v) 的定義為：利于新圖像的加入。離散余弦變換（dct）是由 n.ahmed 等人在 1974 年提出的正交變換方法，且被廣泛用于語(yǔ)音和圖像 信號(hào)壓縮，信號(hào)經(jīng)過(guò)正交變換后，能量會(huì)集中在少數(shù) 變換系數(shù)上，一般是集中在變換后的低頻部分，刪除 對(duì)信號(hào)貢獻(xiàn)較小的系數(shù)，只利用余留下來(lái)的系數(shù)便 可恢復(fù)大致的信號(hào)，且不會(huì)引起明顯的失真，dct 的 數(shù)據(jù)壓縮能力在一定條件下近似于 pca，dct 可對(duì) 圖像進(jìn)行單獨(dú)的處理，且 dct 有快速的算法2。近些 年來(lái)，許多研究者將 dct 方法運(yùn)用到人臉識(shí)別中，并 取得了不錯(cuò)的效果。如在文獻(xiàn)3提出了基于 dct 與

10、svm 的人臉識(shí)別方法，并獲得了不錯(cuò)的識(shí)別率。在 文獻(xiàn)4 中，randa 等受小波分解思想的啟發(fā)，提出 dct 金字塔式的多分辨率的特征提取方法，其采用 多分塊 dct 金字塔方法進(jìn)行人臉識(shí)別時(shí)，也取得了 較不錯(cuò)的效果。因?yàn)閳D像經(jīng) dct 變換之后，用較少 的低頻系數(shù)便可恢復(fù)大致的圖像，而統(tǒng)計(jì)特征均值 能很好地表現(xiàn)圖像的平均灰度信息，方差能很好地 表現(xiàn)圖像內(nèi)灰度波動(dòng)的情況，熵5可以很好地表現(xiàn)圖 像的紋理信息。且在文獻(xiàn)4中，對(duì)圖像進(jìn)行多級(jí)dct 分解比較麻煩，且文中忽略了能代表圖像整體信息 的 dct 系數(shù)。受此啟發(fā)，本文提出了利用分塊 dct 系數(shù)及其統(tǒng)計(jì)特征進(jìn)行人臉識(shí)別的方法，該方法首 先對(duì)

11、圖像進(jìn)行分塊，并對(duì)每一塊進(jìn)行 dct 變換，選擇 低頻部分的系數(shù)作為識(shí)別的特征，同時(shí)將其分解為 一幅低通濾波圖和一個(gè)包含 dct 高頻系數(shù)的反 l 型 塊；然后分別對(duì)這兩塊求其均值、方差和熵這三個(gè)統(tǒng) 計(jì)特征；最后利用支持向量機(jī)（svm）和最近鄰分類(lèi) 器對(duì)這些特征進(jìn)行分類(lèi)識(shí)別。在 orl、yale 人臉數(shù) 據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，該方法優(yōu)于文獻(xiàn)3和文獻(xiàn)4 的方法。1u = 0m a(u) = 2 u = 1 2 3 m - 1m1n v = 0a(v) = 2v = 1 2 3 m - 1n dct 反變換公式為：i (x y) =m - 1 n - 1 (2x + 1)u (2y + 1)v c

12、(u, v)a(u)a(v)cos（2）cos 2m2nu = 0 v = 0其中，x = 0 1 2 m - 1 ，y = 0 1 2 n - 1 。圖 1 所表示的是對(duì)一幅圖像進(jìn)行 dct 變換后，取左上角四分之一大小的低頻系數(shù)經(jīng) dct 反變換后得到的低通濾波圖像，和剩余類(lèi)似于反 l 型 dct 高 頻系數(shù)。（a）原圖片（b）低通濾波圖（c）反 l 型 dct高頻系數(shù)圖 1 人臉的 dct 及 idct 變換2.2結(jié)合分塊 dct 系數(shù)及其統(tǒng)計(jì)特征提取特征提取是人臉識(shí)別中最基本的問(wèn)題之一，由 于人臉圖像數(shù)據(jù)的高維性和數(shù)據(jù)之間冗余性。因此 特征提取時(shí)不但要提取出最有利用人臉?lè)诸?lèi)的特 征，而

13、且要極大地降低人臉樣本的維數(shù)?；谛〔?分解，小波包分解以及 dct 分解的方法，能很好地降 低圖像的維數(shù)。另外一種有效的降維方法就是計(jì)算 圖像的一系列統(tǒng)計(jì)特征，如均值、方差、熵等?？紤]到圖像經(jīng) dct 變換之后，用較少的低頻系 數(shù)便可恢復(fù)大致的圖像，而統(tǒng)計(jì)特征均值能很好地 表現(xiàn)圖像的平均灰度信息，方差能很好地表現(xiàn)圖像 內(nèi)灰度波動(dòng)的情況，熵可以很好地表現(xiàn)圖像的紋理 信息。所以在本文中將同時(shí)使用 dct 分解和計(jì)算圖2結(jié)合分塊 dct 系數(shù)及其統(tǒng)計(jì)特征的人臉識(shí)別算法和關(guān)鍵技術(shù)2.1離散余弦變換dct 是一種常用的正交變換，圖像經(jīng) dct 變換 后，圖像的主要信息集中在低頻部分，可以通過(guò)提取 低頻

14、部分的少量系數(shù)進(jìn)行 dct 反變換，得到原圖像 的近似圖。對(duì) 一 幅 大 小 為 m n 圖 像 i (x y) ，其 二 維 的dct 變換的定義如下：c(u v) =像的統(tǒng)計(jì)特征的方法來(lái)提取特征。對(duì)于一幅圖像，先將其分成大小一樣的 k 塊，然后對(duì)每塊進(jìn)行 dct變換，提取低頻部分中的少量系數(shù)作為特征，同時(shí)利 用圖 1 所示的方法，將每塊分解成一幅低通濾波圖和 一個(gè)反 l 型 dct 高頻系數(shù)塊，然后計(jì)算這兩部分中 的均值、方差和熵這三個(gè)統(tǒng)計(jì)特征。對(duì)于每一部分a(u)a(v) i (x y)cos (2x + 1)u cos (2y + 1)v m - 1 n - 1（1） 2m 2nx =

15、 0 y = 0其 中 ，u = 0 1 2 m - 1 ，v = 0 1 2 n - 1 。劉凡秀，蔡茂國(guó)，陳章樂(lè)：結(jié)合分塊dct 系數(shù)及其統(tǒng)計(jì)特征的人臉識(shí)別2012，48（30）1952的統(tǒng)計(jì)特征向量可以表示為 vi =i i hi ，其中，中，一般有“一對(duì)一”、“一對(duì)多”、“dag”等方法。2對(duì) 于有 n 類(lèi)樣本，“一對(duì)一”方法的問(wèn)題是需要構(gòu)n (n - 1)/2 個(gè)兩類(lèi)分類(lèi)器，最后采用投票方式進(jìn)行分 類(lèi)?！耙粚?duì)多”方法只需要構(gòu)造 n 個(gè) svm 分類(lèi)器，它的問(wèn)題是會(huì)出現(xiàn)“數(shù)據(jù)集偏斜”。而對(duì)于“dag”方法i i 分別表示均值、方差和熵，分別被定義為：m n1i = m n (si (

16、y x)（3）y = 1 x = 1m n 2 1 i = m n (s ( y x) - )（4）ii會(huì)出現(xiàn)錯(cuò)誤累積，如果第一次分類(lèi)器不能正確判別，y = 1 x = 1hi = - ( p lb( p)（5）則會(huì)出現(xiàn)一直錯(cuò)誤判別下去，這樣會(huì)導(dǎo)致分類(lèi)率的下降。chih-wei hsu 等人對(duì)上述的三種方法進(jìn)行了比 較，表明一一區(qū)分法的分類(lèi)性能最優(yōu)6。本文對(duì)所提 取的統(tǒng)計(jì)特征采用“一對(duì)一”進(jìn)行判別。2.4 算法實(shí)現(xiàn)步驟（1）將圖像縮放成大小為 80 80 ，然后將圖像分 成 8 8 大小的100 塊。（2）對(duì)于每一塊進(jìn)行 dct 變換，并利用 zig-zag 之 字形7 方法提取低頻部分中的少

17、量系數(shù)組成系數(shù)特征向量 c n ，其中 n 為所提取的 dct 系數(shù)的個(gè)數(shù)（本 文中 n = 3）。同時(shí)取左上角四分之一大小的低頻系 數(shù)經(jīng) dct 反變換后得到的低通濾波圖像，剩余四分 之三的 dct 高頻系數(shù)組成一個(gè)類(lèi)似于反 l 型 dct 高 頻系數(shù)塊。然后分別對(duì)低通濾波圖像求其均值 (il)其中，m 和 n 分別是每一分塊的大小，它的值為si ( y x) ，p 是直方圖統(tǒng)計(jì)。因?yàn)榉?l 型塊表示的是 圖像經(jīng) dct 變換后的高頻交流系數(shù)，它們的值通常 都比較小，它們的均值相對(duì)來(lái)說(shuō)也非常小，一般可以忽略，且反 l 型塊的紋理不明顯，所以它的熵重要性 不高。所以對(duì)于反 l 型塊，只計(jì)算其方

18、差這一特征， 而對(duì)于低通濾波圖，由于是先對(duì)圖像進(jìn)行分塊，然后 再對(duì)分塊進(jìn)行 dct 變換和反變換，所以每塊內(nèi)像素 間的差異不會(huì)很大，也就是說(shuō)，它的方差將會(huì)很小， 所以也可以忽略不計(jì)。因?yàn)?，?duì)于每一個(gè)低通濾波 圖像，只計(jì)算其均值和熵特征。所以每一塊的統(tǒng)計(jì)2特征向量可表示為：vi =il hil ih ，其中 il hil 2ih 分別表示每塊內(nèi)的低通濾波圖像的均值、熵以及反 l 型 塊 的 方 差 。 每 塊 的 特 征 向 量 可 以 表 示 為nnvi c ，其中 c 表示所選取的 dct 系數(shù)向量，n 表示的是所選取的 dct 系數(shù)的個(gè)數(shù)。則每一幅圖像的k和熵 (h )，對(duì)反 l 型 dc

19、t 高頻系數(shù)塊求其方差 ( 2ih ) ，il組成一個(gè)統(tǒng)計(jì)特征向量 v = h 2ih 。則每塊的iililn特征向量可以表示為 v = vi c ，其中 k 表示圖像n特征向量可以表示為vi c 。每幅圖像的特征向量ki = 1總共被分成了 k 塊，如圖2 所示。n表示為 v = vi c ，其中 k = 100 。i = 1（3）對(duì)訓(xùn)練圖像和測(cè)試圖像進(jìn)行如（2）的操作，得 到訓(xùn)練圖像和測(cè)試圖像的特征庫(kù)。再分別利用 svm 和最近鄰分類(lèi)器進(jìn)行識(shí)別。在使用 svm 進(jìn)行分類(lèi)之 h8il il44 idct82vi =il hil ih 2i88 dctc n前，先分別對(duì)訓(xùn)練特征和測(cè)試特征進(jìn)行規(guī)

20、一化操作，k使其具有零均值和單位方差。v = vi c ni = 1圖 2 人臉的特征向量提取2.3支持向量機(jī)支持向量機(jī)（svm）是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化 原則的通用學(xué)習(xí)算法，它的基本思想是在樣本輸入 空間或特征空間構(gòu)造出一個(gè)最優(yōu)超平面，使得超平 面到兩類(lèi)樣本集之間的距離達(dá)到最大，從而得到最 好的泛化能力，在解決小樣本、非線性及高維模式識(shí) 別中表現(xiàn)出許多特有的優(yōu)勢(shì)（http：/www.blogjava. net/zhenandaci/archive/2009/02/13/254519.html）。 支 持向量機(jī)算法是專(zhuān)門(mén)針對(duì)性小樣本的二分類(lèi)問(wèn)題提 出的。對(duì)于多分類(lèi)的問(wèn)題，可以通過(guò)建立多個(gè) sv

21、m 分類(lèi)器的方式方法加以解決。在現(xiàn)有的解決方法3實(shí)驗(yàn)結(jié)果及分析本文的實(shí)驗(yàn)平臺(tái)是 windows 7，采用 matlabtmr2010a 編 程 實(shí) 現(xiàn) ，在 配 置 為 intel core i5 cpu2.53 ghz 2.0 gb ram 的 asus 筆記本上進(jìn)行了仿 真 。 實(shí) 驗(yàn) 中 支 持 向 量 機(jī) 采 用 林 智 仁 的 libsvm（http：/.tw/cjlin/libsvm/libsvm-3.1. zip）。因?yàn)槿四樧R(shí)別容易受姿態(tài)、表情、光照等因素 的影響，為了驗(yàn)證所提出算法在不同條件下的識(shí)別 能力，同時(shí)在orl 和yale 人臉庫(kù)上進(jìn)行了

22、實(shí)驗(yàn)。3.1 orl 人臉庫(kù)實(shí)驗(yàn)該人臉庫(kù)由 40 人、每人 10 幅（見(jiàn)圖 3），共 400 幅圖像組成，主要包括了姿態(tài)、表情和面部飾物的變化，所用圖像的大小為 112 92 。隨機(jī)選擇每個(gè)人的 5 幅 圖像作為訓(xùn)練樣本，剩余的另外 5 幅圖像作為測(cè)試圖 像。首先將圖像縮放成大小為 80 80 ，然后將圖像 分成 8 8 大小的100 塊。進(jìn)行了兩組實(shí)驗(yàn)，分別是利 用 dct 系數(shù)與統(tǒng)計(jì)特征進(jìn)行人臉識(shí)別，和只用 dct 系數(shù)進(jìn)行人臉識(shí)別，在 dct 系數(shù)的選擇上，采用了 zig-zag 之字形的方法。最后分別利用最近鄰分類(lèi)器 和svm 對(duì)特征進(jìn)行分類(lèi)。（a）正確識(shí)別（b）錯(cuò)誤識(shí)別圖 4 利用

23、dct 系數(shù)與統(tǒng)計(jì)特征作為特征，利用歐式距離進(jìn)行判別的結(jié)果3.2yale 人臉庫(kù)實(shí)驗(yàn)該人臉庫(kù)由 15 人，每人 11 幅的 165 幅圖像組成，主要包含光照、表情和姿態(tài)的變化。所用圖像的大小為 100 100 。隨機(jī)選擇每個(gè)人的 5 幅圖像作為訓(xùn) 練樣本，剩余的另外 6 幅圖像作為測(cè)試圖像。因?yàn)樵?人臉庫(kù)的圖像光照變化較大，所以在對(duì)圖像進(jìn)行分 塊提取特征前，先利用直方圖均衡化對(duì)圖像進(jìn)行處理，然后再與orl 人臉庫(kù)中實(shí)驗(yàn)一樣，做一樣的處理?？偣仓貜?fù)進(jìn)行了10 次實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2 所示。從表 2 中可以看出，雖然兩種方法都可以達(dá)到比 較高的識(shí)別率，但是本文中所提出的方法在 yale 人 臉庫(kù)上

24、識(shí)別率并不是特別理想，主要原因可能是因 為 yale 人臉庫(kù)中圖像的光照變化較大，圖像經(jīng)過(guò)直 方圖預(yù)處理之后，使得類(lèi)間差異性變小了。所提取 到的統(tǒng)計(jì)特征類(lèi)間差異性變小，從而不利于圖像的 分類(lèi)。圖 3 orl 人臉數(shù)據(jù)庫(kù)中的 10 幅人臉在利用 dct 系數(shù)與統(tǒng)計(jì)特征進(jìn)行人臉識(shí)別時(shí)，每塊提取了 6 個(gè)特征，即 3 個(gè) dct 系數(shù)特征和 3 個(gè)統(tǒng) 計(jì)特征。在只用 dct 系數(shù)進(jìn)行人臉識(shí)別，每塊提取 了 6 個(gè) dct 系數(shù)特征。最近鄰分類(lèi)器中所采用的是 歐式距離進(jìn)行判別，svm 中所選用的核函數(shù)是線性 核函數(shù)，其參數(shù)是默認(rèn)的參數(shù)?？偣仓貜?fù)進(jìn)行了 10 次實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1 所示。從表 1 中可

25、以看出，利用 dct 系數(shù)和統(tǒng)計(jì)特征 的方法能得到比較高的識(shí)別率，其中 dct 系數(shù)和統(tǒng) 計(jì)特征+svm 的方法所獲得的識(shí)別率是最高的，平均 識(shí)別率達(dá)到了96.7%。在文獻(xiàn)4中，利用多分塊dct 金字塔方法所獲得的最高識(shí)別率是 95.9% ，相對(duì)來(lái) 說(shuō)，本文所提出的方法要優(yōu)于文獻(xiàn)4的方法。圖 4 顯 示的是利用 dct 系數(shù)與統(tǒng)計(jì)特征作為特征，利用歐 式距離進(jìn)行判別的結(jié)果。4結(jié)論提出了一種結(jié)合分塊 dct 系數(shù)及其統(tǒng)計(jì)特征 的人臉識(shí)別方法，充分利用了統(tǒng)計(jì)特征和 dct 在降 低特征維數(shù)和保留對(duì)表情、姿態(tài)等不敏感的類(lèi)別信息方面的優(yōu)點(diǎn)。從實(shí)驗(yàn)結(jié)果來(lái)看，該方法對(duì)于姿態(tài)、表情變換具有一定的魯棒性，在

26、orl 人臉庫(kù)上得到了較高的識(shí)別率。但是對(duì)于光照變換有點(diǎn)敏感。本 文對(duì)于每個(gè)分塊內(nèi)的 dct 系數(shù)的個(gè)數(shù)的選取，是根表 1 orl 數(shù)據(jù)庫(kù)中算法識(shí)別結(jié)果比較（%）svm（線性核函數(shù)）最近鄰分類(lèi)器（歐式距離）方法最高識(shí)別率最低識(shí)別率平均識(shí)別率最高識(shí)別率最低識(shí)別率平均識(shí)別率dct 系數(shù)和統(tǒng)計(jì)特征dct 系數(shù)999494.084.596.791.196.596.0919193.7593.80表 2 yale 數(shù)據(jù)庫(kù)中算法識(shí)別結(jié)果比較（%）svm（線性核函數(shù)）最近鄰分類(lèi)器（歐式距離）方法最高識(shí)別率最低識(shí)別率平均識(shí)別率最高識(shí)別率最低識(shí)別率平均識(shí)別率dct 系數(shù)和統(tǒng)計(jì)特征dct 系數(shù)97.7897.789

27、0.0092.2293.5695.7898.89100.0091.1194.4494.2296.11（下轉(zhuǎn)228 頁(yè)）2282012，48（30）computer engineering and applications 計(jì)算機(jī)工程與應(yīng)用理不確定信息時(shí)具有更強(qiáng)的表現(xiàn)能力。結(jié)合 petri 網(wǎng)直觀的知識(shí)表示優(yōu)點(diǎn)，提出了模糊推理算法。算法 全部采用矩陣形式運(yùn)算，便于在計(jì)算機(jī)上實(shí)現(xiàn)。選 取最小決策信息集的元素為模糊控制變量，使推理 過(guò)程快速、有效?？諔?zhàn)戰(zhàn)術(shù)決策主要指飛行員根據(jù)對(duì)抗態(tài)勢(shì)信息 選取合適的機(jī)動(dòng)，使飛機(jī)占據(jù)并保持有利的相對(duì)位 置，目的是形成武器攻擊條件，并最終發(fā)射導(dǎo)彈毀傷 目標(biāo)。影響空戰(zhàn)決策

28、的不確定性因素多，如雷達(dá)實(shí) 際探測(cè)距離、對(duì)抗空域氣象條件等，直覺(jué)模糊集隸屬 度函數(shù)和非隸屬度函數(shù)可以描述“非此非彼”的“模 糊概念”，具備強(qiáng)大的模糊描述能力，能有效解決不 確定性因素的問(wèn)題。文中仿真實(shí)例的態(tài)勢(shì)信息是從 一次真實(shí)對(duì)抗訓(xùn)練中采集的，經(jīng)過(guò)推理得出的結(jié)論 與戰(zhàn)術(shù)專(zhuān)家?guī)斓念A(yù)測(cè)結(jié)果相符。由于空戰(zhàn)對(duì)抗稍縱 即逝，態(tài)勢(shì)變化迅速，如果要在實(shí)時(shí)對(duì)抗中應(yīng)用該模 型輔助飛行員決策，必須考慮算法的時(shí)間問(wèn)題。決 策模型的模糊推理算法時(shí)間復(fù)雜度為 o(mk nk ) ，其中 n 為庫(kù)所數(shù)，m 為變遷數(shù)，k 為迭代次數(shù)，時(shí)間復(fù)雜度 與 mn 的 k 次冪呈正比，當(dāng) k 值較小時(shí)，算法時(shí)間復(fù) 雜度主要由 n 和

29、 m 的乘積決定，當(dāng) k 值較大時(shí)，算法時(shí)間復(fù)雜度主要與 k 值有關(guān)，與 n 、m 值關(guān)系不大。 對(duì)于不同的庫(kù)所初始值，k 值也不同。與此同時(shí)，在 實(shí)際應(yīng)用中還必須考慮機(jī)動(dòng)無(wú)效的情況，即無(wú)論飛 行員選取何種機(jī)動(dòng)方式，采取何種機(jī)動(dòng)動(dòng)作，都無(wú)法規(guī)避導(dǎo)彈攻擊。出現(xiàn)該情況的可能原因是目標(biāo)機(jī)飛行員的威脅意識(shí)不強(qiáng)，攻擊機(jī)發(fā)射的導(dǎo)彈已進(jìn)入末 端制導(dǎo)，彈目距離較近，目標(biāo)機(jī)無(wú)法機(jī)動(dòng)規(guī)避導(dǎo)彈攻 擊。通過(guò)研究態(tài)勢(shì)信息和導(dǎo)彈攻擊包絡(luò)線確定機(jī)動(dòng) 無(wú)效的時(shí)刻，從而進(jìn)一步完善決策模型。參考文獻(xiàn)：1 周創(chuàng)明，申曉勇，雷英杰.基于直覺(jué)模糊 petri 網(wǎng)的敵意圖識(shí) 別方法研究j.計(jì)算機(jī)應(yīng)用，2009，29（9）：2464-2467.2 史志富，張安，劉海燕，等.基于模糊 petri 網(wǎng)的空戰(zhàn)戰(zhàn)術(shù)決 策研究j.系統(tǒng)仿真學(xué)報(bào)，2007，19（1）：63-66.3 陳軍，高曉光，符小衛(wèi).基于粗超集理論與貝葉斯網(wǎng)絡(luò)的超 視距空戰(zhàn)戰(zhàn)術(shù)決策j. 系統(tǒng)