Multisensormålsökare. Klassificering av markmål med datafusion

I projektet MUMS (Multisensormålsökardemonstrator) har vi studerat klassificering och datafusion av stridsfordon i ett simulerat scenario. Studien behandlar en multisensormålsökare som på 300 m höjd flyger an mot sex olika stridsfordon från ett avstånd av 8 km fram till 500 m. Sensorerna som används är IR (8-9 mikro m) och radar (16 GHz). För att kunna klassificera de olika stridsfordonen har de segmenterats, varefter olika särdrag har estimerats. För att finna lämpliga IR-särdrag som bevarar klass-separabiliteten, men samtidigt är oberoende, har två olika tekniker testats: Kanonisk diskriminantanalys respektive oberoende komponenter (ICA). Flera olika klassificeringsmetoder har testats på dessa IR-särdrag: Bayes metod med separabla eller multipla täthetsfördelningar samt multipla Gaussfördelningar. Parzen och k-nearest neighbours, artificiella neuronnät (RPROP, Resilient Backpropagation) och Support vector machines (SVM) har också använts. För radardata, med särdrag direkt från avståndsprofiler, har RPROP, SVM och korrelation visat sig användbara. Resultatet visar att redan på 1700 m avstånd kan man klassificera ett mål med mycket god sannolikhet om man använder både IR och radar samt ackumulerar (voterar) data under anflygningen. Om endast IR-sensorn eller radarn används blir klassificeringssannolikheten ca 65 % resp. ca 80 %, även här med votering. Både IR- och radardata har här klassificerats med RPROP. Andra kombinationer av klassificerare (kan vara olika för IR och radar) ger jämförbara resultat.