Identification Data Combining Process

Identification Data Combining Process (IDCP, deutsch etwa Verfahren zur Zusammenführung von Identifikationsdaten) bezeichnet ein von der NATO standardisiertes Verfahren zur Zusammenführung unsicherer Angaben über die Identität und Klasse verfolgter Objekte. Es verarbeitet Informationen unterschiedlicher Sensoren und anderer Identifikationsquellen und erzeugt daraus Wahrscheinlichkeiten für vorgegebene Identitäts- oder Objektklassen. Die anschließende Auswahl eines Ergebnisses beruht auf der bayesschen Entscheidungstheorie.^[1]

Das Verfahren ist in STANAG 4162 festgelegt. Die dritte Ausgabe von STANAG 4162 verweist auf die Allied Identification Publication AIDPP-01, die den Prozess und die zugehörigen Daten beschreibt.^[2]

IDCP wird in Überwachungs- und Führungssystemen eingesetzt, in denen zu einem Track Angaben aus mehreren Quellen vorliegen. Neben der Position und Bewegung eines Objekts können dies beispielsweise Informationen eines Freund-Feind-Erkennungssystems, eines taktischen Datenlinks, eines Sensors für elektronische Unterstützungsmaßnahmen, eines bildgebenden Sensors oder eines Verfahrens zur Auswertung des Bewegungsverhaltens sein.^[3]

Vor der Identitätsfusion müssen eingehende Angaben dem betreffenden Track zugeordnet werden. Quellen mit eigenen Positions- oder Bewegungsangaben werden dazu mit vorhandenen Tracks korreliert. Kann keine Zuordnung hergestellt werden, kann das verarbeitende System aus den kinematischen Angaben einen neuen Track erzeugen.^[3]

Die anschließende Quellenverarbeitung ist vom jeweiligen Quellentyp abhängig. Aus der Meldung einer Quelle wird ein Vektor von Likelihoods gebildet. Eine Source Probability Matrix (SPM) enthält hierzu für jede mögliche Quellenmeldung die bedingten Wahrscheinlichkeiten dieser Meldung unter den von der Quelle unterscheidbaren Objektmerkmalen. Für eine Meldung ${\displaystyle d_{i}}$ und die technischen Objektmerkmale ${\displaystyle s_{1},\ldots ,s_{m}}$ ergibt sich ein Likelihood-Vektor der Form

${\displaystyle L_{i}={\bigl (}P(d_{i}\mid s_{1}),P(d_{i}\mid s_{2}),\ldots ,P(d_{i}\mid s_{m}){\bigr )}.}$

Die SPM bildet die Unterscheidungsleistung der Quelle ab. Für unterschiedliche Sensorleistungen, Messbedingungen oder Zuordnungsqualitäten können unterschiedliche Matrizen verwendet werden.^[3]

Mehrere Meldungen derselben Quellenart können bereits vor der eigentlichen Fusion zusammengeführt werden. Das Ergebnis bleibt zunächst in dem für diese Quellenart definierten Merkmalsraum.

Die Merkmalsräume verschiedener Quellen sind im Allgemeinen nicht unmittelbar vergleichbar. Eine Mapping Matrix überführt die quellenspezifischen Merkmale deshalb in eine gemeinsame Menge von Ausgabeklassen, die als Output Object Class bezeichnet wird. Die Einträge der Matrix beschreiben bedingte Wahrscheinlichkeiten zwischen technischen Merkmalen und operativen Klassen.^[1]

Die auf die gemeinsamen Ausgabeklassen abgebildeten Likelihood-Vektoren werden komponentenweise multipliziert. Für die Klasse ${\displaystyle o_{k}}$ und die Meldungen ${\displaystyle d_{1},\ldots ,d_{N}}$ entsteht dadurch ein gemeinsamer Likelihood-Wert

${\displaystyle J(o_{k})=\prod _{i=1}^{N}P(d_{i}\mid o_{k}).}$

Die A-priori-Wahrscheinlichkeit der Klassen wird durch das Force Mix Ratio angegeben. Bei der Plattformklassifikation wird entsprechend von einem Platform Mix Ratio gesprochen. Es beschreibt die vor der Auswertung der Quellen erwartete Verteilung der Klassen im betrachteten Gebiet oder Einsatzszenario.^[3]

Mit dem Satz von Bayes wird aus dem gemeinsamen Likelihood-Vektor und den A-priori-Wahrscheinlichkeiten der Posterior Likelihood Vector (PLV) berechnet:

${\displaystyle P(o_{k}\mid d_{1},\ldots ,d_{N})={\frac {P(o_{k})\prod _{i=1}^{N}P(d_{i}\mid o_{k})}{\sum _{\ell =1}^{K}P(o_{\ell })\prod _{i=1}^{N}P(d_{i}\mid o_{\ell })}}.}$

Der PLV enthält für jede der ${\displaystyle K}$ Ausgabeklassen die bedingte Wahrscheinlichkeit unter den verarbeiteten Quellenmeldungen. Er bildet ein Zwischenergebnis, aus dem entweder eine Identitätsentscheidung abgeleitet oder die vollständige Wahrscheinlichkeitsverteilung an ein nachgeordnetes System übergeben werden kann.^[1]

Die Klasse mit der höchsten Posteriorwahrscheinlichkeit muss nicht zugleich die unter operativen Gesichtspunkten günstigste Entscheidung sein. IDCP verwendet daher eine Verlust- beziehungsweise Risikomatrix. Ihr Eintrag ${\displaystyle C(a,o_{k})}$ beschreibt den bewerteten Verlust, wenn die Entscheidung ${\displaystyle a}$ getroffen wird, obwohl das Objekt der Klasse ${\displaystyle o_{k}}$ angehört.

Das bedingte Risiko einer Entscheidung lautet

${\displaystyle R(a)=\sum _{k=1}^{K}C(a,o_{k})\,P(o_{k}\mid d_{1},\ldots ,d_{N}).}$

Als Ergebnis wird die Entscheidungsalternative mit dem geringsten Risiko ausgewählt. Dadurch können unterschiedliche Folgen von Fehlentscheidungen berücksichtigt werden. Die fälschliche Einstufung eines eigenen Objekts als feindlich kann beispielsweise mit einem anderen Verlustwert versehen werden als die Einstufung eines unbekannten Objekts als neutral.^[3]

Neben der gewählten Identität können weitere Angaben ausgegeben werden. Dazu gehören das berechnete Risiko, die Stabilität der Entscheidung und die Entropie der Wahrscheinlichkeitsverteilung. Widersprüchliche Quelleninformationen können erkannt und zur weiteren Bearbeitung an das System oder dessen Bediener weitergegeben werden.^[1]

Die Verarbeitung wird durch technische und operative Daten konfiguriert. Zu den technischen Daten gehören insbesondere die Source Probability Matrices. Sie beschreiben die Erkennungs- und Unterscheidungsleistung der jeweiligen Quellen einschließlich ihrer Unsicherheiten. Kontextdaten können geographische Angaben, Umgebungsbedingungen, verwendete Codes oder die Standorte bekannter Einrichtungen umfassen.^[1]

Die Mapping-Matrizen, das Force Mix Ratio und die Verlustmatrizen gehören zur operativen Konfiguration. Mapping-Matrizen legen fest, wie technische Eigenschaften unter den Bedingungen eines bestimmten Einsatzes auszulegen sind. Das Force Mix Ratio beschreibt die erwartete Verteilung der Objektklassen. Die Verlustmatrizen bewerten die Folgen der möglichen Entscheidungen.

Da ein großer Teil der Konfigurationsdaten aus bedingten Wahrscheinlichkeiten besteht, ist ihre Erhebung bei Fachleuten ein eigener Arbeitsschritt. Als Hilfsmittel wurden unter anderem natürlichsprachliche Bewertungsskalen und paarweise Vergleiche untersucht, aus denen anschließend numerische Wahrscheinlichkeitsverteilungen abgeleitet werden.^[1]

• Evidenztheorie

1. ↑ ^{a b c d e f} Max Krüger, Jürgen Ziegler: User-oriented Bayesian identification and its configuration. In: Proceedings of the 11th International Conference on Information Fusion. Köln 2008, S. 544–552 (englisch). 
2. ↑ STANAG 4162 Ed 3 – Identification Data Combining Process – AIDPP-01 ed. A version 1. NATO Interoperability Standards and Profiles, 7. April 2023, abgerufen am 24. Juli 2026 (englisch). 
3. ↑ ^{a b c d e} Albert Bodenmüller: Bayesian Multi-sensor Data Fusion for Target Identification. Applications in Naval and Ground based Command and Control Systems. In: Proceedings of the 7th International Conference on Sensor Networks. SCITEPRESS, 2018, S. 107–114 (englisch).