水下目標(biāo)融合識(shí)別技術(shù)研究現(xiàn)狀與展望

夏慶升1, 劉義海2

?

水下目標(biāo)融合識(shí)別技術(shù)研究現(xiàn)狀與展望

夏慶升, 劉義海

(1. 海裝重慶局, 重慶, 401120; 2. 西北工業(yè)大學(xué)航海學(xué)院, 陜西西安, 710072)

回顧了近年來國(guó)內(nèi)外關(guān)于信息融合功能模型結(jié)構(gòu)的研究現(xiàn)狀, 針對(duì)水下目標(biāo)融合識(shí)別系統(tǒng)重點(diǎn)分析了具有數(shù)據(jù)、特征和決策3個(gè)融合層次的目標(biāo)融合識(shí)別模型, 給出了各融合層次幾種常用的典型算法, 即基于概率理論、數(shù)據(jù)分類理論以及人工智能理論的算法, 分析了各種算法的優(yōu)缺點(diǎn)和應(yīng)用約束。最后對(duì)水下基于多傳感器的目標(biāo)融合識(shí)別系統(tǒng)的發(fā)展動(dòng)向、存在的問題和解決這些問題的思路進(jìn)行了展望。

目標(biāo)識(shí)別; 信息融合; 多傳感器系統(tǒng); 融合算法

0 引言

多傳感器信息融合識(shí)別系統(tǒng)(target fusion recognition system, TFRS)可以充分利用與系統(tǒng)功能關(guān)聯(lián)的多個(gè)傳感器資源, 將多傳感器關(guān)于目標(biāo)屬性的描述性數(shù)據(jù)進(jìn)行融合推理, 并獲得比任一單傳感器更具體、更精確的目標(biāo)識(shí)別內(nèi)涵, 得到各行業(yè)領(lǐng)域的廣泛研究和應(yīng)用。融合識(shí)別技術(shù)可以獲得的優(yōu)勢(shì)包括: 增強(qiáng)系統(tǒng)的環(huán)境適應(yīng)性, 提高決策的自適應(yīng)性和魯棒性; 某個(gè)或某幾個(gè)傳感器失效或測(cè)不準(zhǔn)時(shí), 可以采取剔除的方式, 保持系統(tǒng)仍能正常運(yùn)行, 提高系統(tǒng)的可靠性; 可以發(fā)揮各自的優(yōu)點(diǎn), 取長(zhǎng)補(bǔ)短, 提高獲取信息的準(zhǔn)確性和全面性, 降低信息的不確定性和測(cè)量范圍的局限性等。

現(xiàn)有的水下裝備識(shí)別系統(tǒng)大多數(shù)是利用艦船物理場(chǎng)信息, 通過掛載的針對(duì)該物理場(chǎng)信息的傳感系統(tǒng)獲得目標(biāo)特征信息, 完成目標(biāo)識(shí)別。然而, 實(shí)際情況是, 海洋中存在的不同艦船物理場(chǎng)信號(hào)受各種因素的影響, 呈現(xiàn)一定的不穩(wěn)定性, 表現(xiàn)為觀測(cè)物理場(chǎng)信號(hào)受海洋信道的時(shí)-空-頻變動(dòng)態(tài)性、非線性和非高斯性, 混響以及環(huán)境噪聲等干擾和多徑效應(yīng)。另外, 系統(tǒng)所搭載的各種傳感器自身只能感知目標(biāo)信息的一部分特性, 加上海戰(zhàn)中雙方采取的多種電子對(duì)抗技術(shù), 導(dǎo)致傳感器在感知過程中存在不確定因素, 系統(tǒng)獲取數(shù)據(jù)不精確、不完整和不可靠。上述諸種因素會(huì)導(dǎo)致僅靠單一傳感器的水下目標(biāo)識(shí)別系統(tǒng)因識(shí)別率低、魯棒性差、可靠性不高而不能滿足新形勢(shì)下海戰(zhàn)目標(biāo)識(shí)別的要求。因此, 將上述的具有眾多性能優(yōu)點(diǎn)的信息融合技術(shù)應(yīng)用于水下裝備的自動(dòng)目標(biāo)識(shí)別系統(tǒng), 以期獲得更優(yōu)的決策結(jié)果就自然提到日程上來。

當(dāng)前, 對(duì)于水中智能裝備系統(tǒng)的目標(biāo)融合識(shí)別問題的研究主要有美國(guó)的Naval Research Laboratory、Sona Lyst incorporated, 法國(guó)的Alcatel、Thompson-CSF, 德國(guó)的FGAN、Humbolt University, 以及英國(guó)、瑞士、荷蘭等國(guó)家的相關(guān)研究機(jī)構(gòu)。我國(guó)的許多大學(xué)和研究所的專家也開始從事這方面的研究, 但基本上還處于跟蹤國(guó)外階段, 主要集中在以下幾點(diǎn): 水下不確定性信息的匯集、配準(zhǔn)和關(guān)聯(lián), 水下信息融合結(jié)構(gòu)和層次的定義優(yōu)化, 信息融合算法有效性、魯棒性、自適應(yīng)性以及融合性能的評(píng)價(jià)等各個(gè)方面。本文基于作者近期的科研工作, 結(jié)合國(guó)內(nèi)外最新研究現(xiàn)狀, 試圖給出水下裝備的融合目標(biāo)識(shí)別技術(shù)在融合識(shí)別模型結(jié)構(gòu)和融合算法的一個(gè)統(tǒng)一研究框架, 并初步分析各信息融合層次及各種融合算法優(yōu)勢(shì)和應(yīng)用約束, 并對(duì)目標(biāo)融合識(shí)別存在的問題給出自己的一些意見和建議。

1 水下目標(biāo)融合識(shí)別的模型結(jié)構(gòu)

信息融合的模型設(shè)計(jì)是從融合過程出發(fā)描述信息融合包括的主要功能、數(shù)據(jù)庫(kù), 以及信息融合系統(tǒng)各組成部分之間相互作用的過程, 是融合任務(wù)的概念式表述。目前, 很多學(xué)者從不同的角度提出了融合系統(tǒng)的一般功能模型, 較為典型的有Gainey和Blasch的PEMS回路模型, 美國(guó)JDL組的JDL模型, Bedworth的Omnibus模型(OODA環(huán))以及Dasarathy的3級(jí)融合模型等。從處理過程上看, 可以概括地認(rèn)為信息融合是一個(gè)從數(shù)據(jù)、特征到?jīng)Q策, 由底層到高層的多源信息處理、交互及融合過程, 然而, 針對(duì)不同的應(yīng)用場(chǎng)景和任務(wù), 融合的偏重點(diǎn)又存在差別。

針對(duì)水下目標(biāo)探測(cè)和識(shí)別任務(wù), 將信息融合技術(shù)擴(kuò)展為“數(shù)據(jù)—特征—識(shí)別”這一最為常見的目標(biāo)分類處理過程, 并擴(kuò)展傳感器優(yōu)化管理、環(huán)境信息評(píng)價(jià)等模塊(如: 智能融合模型等), 得到基于多傳感器與多信源的水下目標(biāo)融合分類模型。圖1給出了基于多傳感器融合識(shí)別的一般功能模型。

從圖中可以看出, 水下目標(biāo)融合識(shí)別的模型結(jié)構(gòu)按信息抽象的程度被分為3個(gè)融合級(jí)別: 數(shù)據(jù)級(jí)融合、特征級(jí)融合、決策級(jí)融合。數(shù)據(jù)級(jí)融合通常用于裝備平臺(tái)內(nèi)部對(duì)來自同等量級(jí)、同質(zhì)傳感器的原始數(shù)據(jù)進(jìn)行融合, 例如對(duì)多個(gè)分布式聲、磁、水壓傳感器獲取的艦船同類型物理場(chǎng)數(shù)據(jù)的融合, 以獲取較高的接收信號(hào)信噪比。在進(jìn)行數(shù)據(jù)級(jí)融合時(shí), 通常采用基于統(tǒng)計(jì)估值理論的算法, 包含非遞歸類和遞歸迭代類2種。非遞歸類算法常見的有加權(quán)平均算法和最小均方估值算法等, 遞歸迭代類算法常見的有卡爾曼濾波算法和擴(kuò)展的卡爾曼濾波算法。另外, 對(duì)于成像聲納等多傳感器的數(shù)據(jù)類融合, 主元分析法、小波分頻帶融合法等新算法也被廣泛采用。對(duì)于水下裝備平臺(tái)的融合識(shí)別系統(tǒng)而言, 數(shù)據(jù)級(jí)融合可以保持盡可能多的艦船物理場(chǎng)數(shù)據(jù)的細(xì)微信息, 是一種最優(yōu)的融合識(shí)別。然而, 數(shù)據(jù)級(jí)融合方法存在的局限性也是十分明顯的, 其處理的傳感器數(shù)據(jù)量太大, 對(duì)于裝備平臺(tái)的數(shù)字處理器要求較高; 對(duì)傳感器網(wǎng)絡(luò)而言數(shù)據(jù)通信量很大, 而實(shí)際情況是水下通信能力有限。這些對(duì)于水下目標(biāo)的融合識(shí)別系統(tǒng)來說都是比較難滿足的。特征級(jí)融合屬于中間層次的融合, 各傳感器觀測(cè)一個(gè)目標(biāo)并完成特征提取(如: 聲傳感器從艦船聲場(chǎng)信號(hào)提取艦船噪聲的功率譜、聲壓級(jí)、通過特性譜等聲場(chǎng)特征, 電場(chǎng)傳感器從艦船電場(chǎng)信息獲取的艦船的基頻、場(chǎng)強(qiáng)變化率等電場(chǎng)特征量), 然后再對(duì)這些特征向量進(jìn)行綜合分析和處理, 并基于所獲得的融合特征向量來產(chǎn)生對(duì)目標(biāo)身份的估計(jì)。通常, 特征級(jí)的融合分為各傳感器特征集的統(tǒng)一化和標(biāo)準(zhǔn)化處理, 特征壓縮、拼接, 以及特征匹配等。在特征級(jí)融合時(shí), 通常采用基于數(shù)據(jù)分類處理理論的算法, 包含基于支持向量機(jī)的特征分類方法、聚類分析類方法、K-均值分類、Kohonen特征自組織算法、學(xué)習(xí)向量量化(learning vector quantization, LVQ)算法等。對(duì)于融合識(shí)別系統(tǒng)而言, 特征級(jí)融合的優(yōu)點(diǎn)在于實(shí)現(xiàn)了客觀的信息壓縮, 減輕了平臺(tái)內(nèi)中央單元的負(fù)擔(dān), 并且在融合的結(jié)構(gòu)模型上一般多采用分散式的融合結(jié)構(gòu), 而且可以采用有效的電源管理方案達(dá)到節(jié)省電能的作用。但由于其損失了一部分有用信息, 使得融合性能有所降低, 對(duì)于要求高識(shí)別率的自主目標(biāo)識(shí)別系統(tǒng)來說并不是理想選擇。決策級(jí)融合要求每個(gè)傳感器都是一個(gè)獨(dú)立的數(shù)據(jù)處理單元(專家系統(tǒng)), 并完成對(duì)采集信息的變換以便獲得其對(duì)目標(biāo)的獨(dú)立身份估計(jì), 融合中心對(duì)來自每個(gè)傳感器的屬性分類進(jìn)行融合得到最終決策。在決策層常采用的融合算法有Bayes推斷、專家系統(tǒng)、D-S證據(jù)推理、模糊集理論等。決策級(jí)融合數(shù)據(jù)損失量最大, 因而相對(duì)來說精度最低, 但其具有通信量小, 抗干擾能力強(qiáng), 對(duì)傳感器依賴小, 融合中心處理代價(jià)低等優(yōu)點(diǎn), 而這些優(yōu)點(diǎn)又都是水聲網(wǎng)絡(luò)里急切需要的。表1給出了上述3級(jí)融合處理結(jié)構(gòu)各自的優(yōu)缺點(diǎn)對(duì)比。

表1 融合層次及優(yōu)缺點(diǎn)對(duì)比

從上述分析可得, 利用水下艦船目標(biāo)多源物理場(chǎng)信息的融合目標(biāo)識(shí)別平臺(tái), 包含3級(jí)結(jié)構(gòu)(數(shù)據(jù)級(jí)、特征級(jí)、決策級(jí))的融合識(shí)別功能模型應(yīng)該是開放的。該功能模型應(yīng)該結(jié)合實(shí)際應(yīng)用背景、任務(wù)的不同, 系統(tǒng)硬件配置的不同, 以及相應(yīng)融合層次的優(yōu)缺點(diǎn)來選擇系統(tǒng)重點(diǎn)傾向的融合層級(jí), 舍棄對(duì)系統(tǒng)代價(jià)過高的融合層級(jí), 進(jìn)而得到一個(gè)面向?qū)嶋H情況的實(shí)用性融合功能結(jié)構(gòu)模型。

2 信息融合的幾種典型算法

確定的融合系統(tǒng)功能模型還需要在各融合層次中選擇合適的融合算法, 才能獲取最優(yōu)的融合結(jié)果。信息融合算法將所有的輸入數(shù)據(jù)在一個(gè)公共空間內(nèi)得以有效描述, 同時(shí)對(duì)這些數(shù)據(jù)進(jìn)行適當(dāng)?shù)木C合, 最后以適當(dāng)?shù)男问捷敵龊捅憩F(xiàn)。算法的選擇和研究不取決于信息融合的任務(wù)和結(jié)果, 而是取決于要融合信息的形式即信息流。多傳感器信息融合算法通常源于對(duì)概率理論、數(shù)據(jù)分類理論以及人工智能理論的拓展。

2.1 基于概率估值理論的融合方法

常用的與概率估值有關(guān)的方法有卡爾曼濾波, 貝葉斯方法, 統(tǒng)計(jì)決策理論等。

1) 卡爾曼濾波法

該算法假定系統(tǒng)可以用一個(gè)線性模型描述, 且系統(tǒng)噪聲與傳感器測(cè)量噪聲均符合高斯分布的白噪聲模型, 則卡爾曼濾波將為融合數(shù)據(jù)提供統(tǒng)計(jì)意義下的最優(yōu)估計(jì)?？柭鼮V波對(duì)多傳感器的觀測(cè)進(jìn)行融合處理, 既可以獲得當(dāng)前狀態(tài)的估計(jì), 又可以預(yù)報(bào)系統(tǒng)未來的狀態(tài)?？柭鼮V波方法是一種建立在估計(jì)目標(biāo)模型基礎(chǔ)上的融合方法。

2) Bayes算法

該算法應(yīng)用于目標(biāo)屬性融合的基本原理: 給定某假設(shè)的先驗(yàn)似然估計(jì), 隨著觀測(cè)數(shù)據(jù)的到來, Bayes方法可以更新該假設(shè)的似然函數(shù)。Bayes多傳感器融合推理基于Bayes 理論, 首先假定各傳感器為Bayes估計(jì)器, 將各個(gè)單獨(dú)物體的關(guān)聯(lián)概率分布合成一個(gè)聯(lián)合的后驗(yàn)概率分布函數(shù), 最后通過選擇具有最大聯(lián)合后驗(yàn)概率的決策提供多傳感器信息的最終融合值。然而, Bayes推理存在一些缺點(diǎn): 定義先驗(yàn)概率函數(shù)非常困難, 定義決策函數(shù)閾值的主觀性太強(qiáng), 且當(dāng)有多個(gè)可能的假設(shè)和多個(gè)條件相關(guān)時(shí), 算法計(jì)算量較大。

圖2給出了基于Bayes理論的水下艦船多傳感器信息融合識(shí)別算法示意圖。

3) 統(tǒng)計(jì)決策理論

該算法主要面向水聲傳感器網(wǎng)絡(luò)對(duì)目標(biāo)的檢測(cè)識(shí)別問題, 在已知各本地聲傳感器檢測(cè)和虛警概率時(shí), 融合中心節(jié)點(diǎn)所能獲取的融合各本地決策的最優(yōu)方法是似然比檢驗(yàn)(likelihood ratio test, LRT)?；诜植际浇y(tǒng)計(jì)理論的計(jì)數(shù)規(guī)則檢驗(yàn)(counting rule test, CRT)方法是上述方法在實(shí)際應(yīng)用中檢測(cè)和虛警概率難獲得情況下的一種拓展。該方法對(duì)各個(gè)本地傳感器符合二項(xiàng)式分布的決策結(jié)果進(jìn)行等權(quán)值求和, 不需要各傳感器探測(cè)概率和虛警概率, 理論上CRT的融合結(jié)果近似LRT方法, 是一種次最優(yōu)的方法。然而, 當(dāng)局部傳感器所處環(huán)境惡劣, 且艦船目標(biāo)輻射噪聲覆蓋區(qū)域有限時(shí), CRT方法會(huì)因接收全局虛警而導(dǎo)致效果迅速下滑。掃描統(tǒng)計(jì)檢驗(yàn)(scan statistic test, SST)方法通過在傳感器網(wǎng)絡(luò)覆蓋的區(qū)域?qū)^(qū)域離散化處理, 然后在各個(gè)離散區(qū)域內(nèi)繼續(xù)采用CRT準(zhǔn)則, 融合中心對(duì)各離散域內(nèi)的報(bào)告結(jié)果進(jìn)行基于CRT的二次融合, 試驗(yàn)結(jié)果表明, 當(dāng)該離散區(qū)域窗近似和目標(biāo)輻射噪聲信號(hào)的區(qū)域匹配時(shí), 該方法可以克服CRT準(zhǔn)則受虛警概率嚴(yán)重影響的缺陷, 是分布式統(tǒng)計(jì)決策理論的最新算法。

2.2 基于不精確推理類方法

基于不精確推理類融合的典型算法有: D-S證據(jù)理論、模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)。

1) D-S證據(jù)理論

D-S證據(jù)理論基于2個(gè)最基本的思想: ①識(shí)別框架的劃分及對(duì)應(yīng)的信任程度分配; ②D-S融合規(guī)則融合各傳感器關(guān)于框架元素信度分配值, 獲得融合后對(duì)目標(biāo)信度的重新分配。目前對(duì)D-S證據(jù)理論的討論主要集中在以下幾個(gè)問題: ① D-S證據(jù)理論往往不適用于處理高度沖突的證據(jù), 會(huì)得出有悖于常理的結(jié)論。②針對(duì)含有不等可信度信息的證據(jù), 一般先采用折扣處理的D-S規(guī)則, 問題是: a.折扣規(guī)則將折扣的信度分配給全集, 增加了不確定性, 不利于決策; b.證據(jù)的可信度和權(quán)威性是2個(gè)不同的概念, 如果考慮證據(jù)的重要性或權(quán)威性等這類相對(duì)度量指標(biāo), 打折扣的辦法將不再適用。③沖突管理問題。沖突產(chǎn)生的原因可概括為兩大類型: 一是辨識(shí)框架不完備, 即有新的元素出現(xiàn); 二是證據(jù)或傳感器未能正確反映觀測(cè)目標(biāo), 例如: a.由于傳感器的時(shí)變效應(yīng)、環(huán)境變化或者敵方干擾, 導(dǎo)致輸出信息不穩(wěn)定、不可靠; b.證據(jù)源的辨識(shí)能力有限。④先驗(yàn)信息存在時(shí), 如何將不同種類的先驗(yàn)信息融入到推理和決策框架, 從而真正實(shí)現(xiàn)多源異類異構(gòu)信息的融合, 也是框架建模時(shí)需要考慮的問題。

2) 模糊推理理論

模糊概念由美國(guó)控制論專家Zadeh教授于1965年提出, 用于表示某一事件“似乎屬于”的程度?；谀：碚摱紫劝l(fā)展起來的一種融合識(shí)別方法是決策模板法。該方法用訓(xùn)練樣本關(guān)于同類目標(biāo)決策分布圖的平均值作為該類目標(biāo)的決策模板, 將決策模板和樣本的決策分布圖看作模糊子集。對(duì)一待識(shí)別樣本, 融合識(shí)別就是計(jì)算其決策分布圖與各類目標(biāo)決策模板之間的相似度, 將其判為相似度(或包含級(jí))最大的那個(gè)類別。另外, 基于模糊理論發(fā)展起來的模糊聚類分析算法常用于實(shí)現(xiàn)特征層融合的最優(yōu)特征選擇。

3) 人工神經(jīng)網(wǎng)絡(luò)

該算法根據(jù)當(dāng)前系統(tǒng)所接收到樣本的相似性, 動(dòng)態(tài)改變網(wǎng)絡(luò)權(quán)值分布, 同時(shí)可采用神經(jīng)網(wǎng)絡(luò)特定的學(xué)習(xí)算法來獲取知識(shí), 確定目標(biāo)的分類標(biāo)準(zhǔn)。神經(jīng)網(wǎng)絡(luò)多傳感器信息融合的實(shí)現(xiàn)分3個(gè)重要步驟: ①根據(jù)智能系統(tǒng)要求及傳感器信息融合的形式, 選擇其拓?fù)浣Y(jié)構(gòu); ②各傳感器的輸入信息綜合處理為一總體輸入函數(shù), 并將此函數(shù)映射定義為相關(guān)單元的映射函數(shù), 通過神經(jīng)網(wǎng)絡(luò)與環(huán)境的交互作用把環(huán)境的統(tǒng)計(jì)規(guī)律反映到網(wǎng)絡(luò)本身結(jié)構(gòu); ③對(duì)傳感器輸出信息進(jìn)行學(xué)習(xí)、理解, 確定權(quán)值的分配, 完成知識(shí)獲取信息融合, 進(jìn)而對(duì)輸入模式做出解釋, 將輸入數(shù)據(jù)向量轉(zhuǎn)換成高層邏輯(符號(hào))概念?；谏窠?jīng)網(wǎng)絡(luò)的傳感器信息融合具有統(tǒng)一的內(nèi)部知識(shí)表示形式, 通過學(xué)習(xí)算法可將網(wǎng)絡(luò)獲得的傳感器信息進(jìn)行融合, 獲得相應(yīng)網(wǎng)絡(luò)的參數(shù), 并且可將知識(shí)規(guī)則轉(zhuǎn)換成數(shù)字形式, 便于建立知識(shí)庫(kù); 利用外部環(huán)境的信息, 便于實(shí)現(xiàn)知識(shí)自動(dòng)獲取及并行聯(lián)想推理; 能夠?qū)⒉淮_定環(huán)境的復(fù)雜關(guān)系, 經(jīng)過學(xué)習(xí)推理, 融合為系統(tǒng)能理解的準(zhǔn)確信號(hào); 由于神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行處理信息能力, 使得系統(tǒng)信息處理速度很快。神經(jīng)網(wǎng)絡(luò)的優(yōu)越性和強(qiáng)大的非線性處理能力, 能夠很好地滿足多傳感器數(shù)據(jù)融合技術(shù)的要求。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的容錯(cuò)性和自組織、自學(xué)習(xí)、自適應(yīng)能力, 能夠?qū)崿F(xiàn)復(fù)雜的映射。

表2 常用信息融合算法的特點(diǎn)及約束

2.3 其他方法

除了上述典型的算法, 在信息融合技術(shù)研究中還有許多其他的方法, 代表性的有以下幾種: Fisher判別分析法、主成分分析法、粗糙集理論、近似網(wǎng)格濾波法(approximate grid-based method)、小波分層圖像融合法、粒子濾波法、基于馬爾可夫的隱馬爾可夫建模(hidden Markov model, HMM)和雙馬爾可夫鏈(pairwise Markov chains, PMC)模型法, 基于熵規(guī)范的方法, JSM方法(John Stuart Mill algorithm)等。

上述眾多的信息融合算法, 其性能各具特色。表2給出了常用信息融合模型的集中算法的特點(diǎn)以及各自的應(yīng)用約束。

3 水下目標(biāo)融合識(shí)別研究中的問題及設(shè)想

3.1 水下多傳感器網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

水下多傳感器目標(biāo)融合識(shí)別系統(tǒng)的模型結(jié)構(gòu)設(shè)計(jì)應(yīng)結(jié)合實(shí)際水文背景, 考慮各水下節(jié)點(diǎn)間水聲信號(hào)傳輸速率小, 信號(hào)傳輸時(shí)延大, 傳輸誤碼率高, 傳輸所用的帶寬有限, 多徑, 衰落及多普勒頻移干擾嚴(yán)重等因素的影響, 研究各傳感器節(jié)點(diǎn)合理的布放方式, 并將網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)模型設(shè)計(jì)和信息處理的功能模型設(shè)計(jì)結(jié)合起來。此外, 在信息融合系統(tǒng)的設(shè)計(jì)中, 為了保證系統(tǒng)的精確度、實(shí)時(shí)性以及降低成本, 應(yīng)該根據(jù)理論模型和測(cè)試數(shù)據(jù)范圍適當(dāng)選擇合適的傳感器組, 要考慮局部動(dòng)態(tài)環(huán)境的影響及其對(duì)策, 并將最終的融合結(jié)果用于網(wǎng)絡(luò)的反饋管理。圖3給出了一種信息處理功能模型和傳感器拓?fù)浣Y(jié)構(gòu)模型相結(jié)合的水下多傳感器網(wǎng)絡(luò)設(shè)想。

3.2 信息融合的算法選擇

對(duì)于目標(biāo)的探測(cè)和識(shí)別這一領(lǐng)域的信息融合, 人們常注重某一功能或結(jié)構(gòu)或算法的研究, 卻忽視了它們之間內(nèi)在的聯(lián)系與溝通, 缺乏整體合理的設(shè)計(jì)理念, 對(duì)于大型的信息融合系統(tǒng)往往導(dǎo)致研究范疇模糊, 缺乏統(tǒng)一的系統(tǒng)設(shè)計(jì)工程和規(guī)范, 不利于信息融合系統(tǒng)的穩(wěn)健性與容錯(cuò)性。針對(duì)此, 可以研究特定模型體系的各推理理論的組合方法, 結(jié)合多種算法的優(yōu)勢(shì), 克服單一算法的不足。另外, 可以針對(duì)某一特定算法的不足和限制進(jìn)行新算法的設(shè)計(jì), 目前大量的新型算法開始應(yīng)用于目標(biāo)的融合識(shí)別, 例如: LVQ算法, Dezert Smarandache Theory(DSMT)算法等。對(duì)于實(shí)際應(yīng)用中存在的訓(xùn)練數(shù)據(jù)不足情況, 可以考慮混合模式識(shí)別技術(shù)。另外, 如果把模式分類器與一個(gè)自動(dòng)推理環(huán)節(jié)相結(jié)合, 根據(jù)具體任務(wù)或?qū)嶋H環(huán)境來解釋得到的結(jié)果, 也有可能克服由于缺乏訓(xùn)練數(shù)據(jù)帶來的問題。

3.3 有效的融合效果評(píng)價(jià)模型設(shè)計(jì)

究竟一個(gè)融合系統(tǒng)功能結(jié)構(gòu)或算法執(zhí)行效能如何, 對(duì)系統(tǒng)成功的概率貢獻(xiàn)大小如何, 需要對(duì)信息融合策略的評(píng)估進(jìn)行研究。通常, 融合系統(tǒng)的評(píng)估要對(duì)系統(tǒng)設(shè)計(jì)—實(shí)施—使用效果進(jìn)行全過程評(píng)估, 要建立實(shí)用的評(píng)估體系, 包括指標(biāo)體系和算法體系, 這些都非常依賴于具體問題的要求和現(xiàn)代數(shù)學(xué)的發(fā)展。對(duì)于融合識(shí)別這種典型的分層融合系統(tǒng), 評(píng)價(jià)其性能的方法包括量測(cè)融合與狀態(tài)向量融合。其中量測(cè)融合盡管是最優(yōu)的, 然而其計(jì)算代價(jià)太大; 而狀態(tài)向量融合算法較為節(jié)省計(jì)算機(jī)資源, 但是由于該方法根據(jù)公共先驗(yàn)估計(jì)或是公共過程噪聲來進(jìn)行關(guān)聯(lián), 因此它并不是最優(yōu)的, 且這些方法在對(duì)真實(shí)系統(tǒng)進(jìn)行評(píng)估的時(shí)候卻仍然存在著難題。近年, 基于現(xiàn)代計(jì)算機(jī)技術(shù)和虛擬現(xiàn)實(shí)技術(shù)等現(xiàn)代仿真技術(shù)建立起來的仿真系統(tǒng), 可以完成對(duì)整個(gè)融合過程蒙特卡洛的統(tǒng)計(jì)仿真試驗(yàn), 然后對(duì)試驗(yàn)結(jié)果的分析和比較也是一種有效的系統(tǒng)評(píng)估途徑。

4 結(jié)束語

信息融合技術(shù)可以使水下智能武器系統(tǒng)具有自學(xué)習(xí)能力、自適應(yīng)能力、自組織能力和容錯(cuò)能力, 可以使系統(tǒng)快速完成對(duì)各種途徑的不同信息有效的融合處理, 提高對(duì)目標(biāo)的解釋和描述能力。本文立足于水下無人值守作戰(zhàn)平臺(tái)的目標(biāo)探測(cè)和識(shí)別, 對(duì)多傳感器網(wǎng)絡(luò)的信息融合模型、融合算法、發(fā)展動(dòng)向、存在的問題和解決這些問題的思路給出了系統(tǒng)的綜述。盡管信息融合技術(shù)已經(jīng)滲透到研究的各個(gè)領(lǐng)域, 并取得了重大的進(jìn)步, 然而, 目前在理論上尚未形成統(tǒng)一的框架, 而在實(shí)際系統(tǒng)設(shè)計(jì)上則缺乏有效的指導(dǎo)原則, 系統(tǒng)全過程的評(píng)估方法研究更是成效甚微, 很多問題還有待解決。

[1] 楊雷. 弱小目標(biāo)檢測(cè)與多傳感器數(shù)據(jù)融合跟蹤技術(shù)研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2007.

[2] Veeravalli V V, Varshney P K. Distributed Inference in Wireless Sensor Networks[J]. Philosophical Transactions of Royal Society, 2012, 370(1958): 100-117.

[3] 王祁. 傳感器信息處理及應(yīng)用[M]. 北京: 科學(xué)出版社, 2012.

[4] 蒲書縉. 復(fù)雜環(huán)境下目標(biāo)識(shí)別的智能數(shù)據(jù)融合技術(shù)研究 [D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2006.

[5] Gainet J, Blasch E. Development of Emergent Processing Loops as A System of Systems Concept[C]//Proceedings of AeroSense Conference, 1999: 186-195．

[6] Hall D L, McMullen S A. Mathematical Techniques in Multisensor Data Fusion[M]. USA: Artech House, 2004.

[7] Bedworth M. Probability Moderation for Multilevel Information Processing[R]. Personal Communication, 1992．

[8] Bedworth M, Obrien J．The Omnibus Model: A New Model of Data Fusion[J]．IEEE Aerospace and Electronic Systems Magazine, 2000, 5(4): 30-36．

[9] Paradis S, Roy J. An Architecture and a Facility for the Integration of All Levels of Data Fusion[C]//Proceedings of International Conference on Information Fusion. France: Paris, 2000: 278-384.

[10] 仲崇權(quán), 張立勇, 楊素英, 等. 基于最小二乘原理的多傳感器加權(quán)融合算法[J]. 儀器儀表學(xué)報(bào), 2003, 25(4): 427- 430.Zhong Chong-quan, Zhang Li-yong, Yang Su-ying, et al. A Weighted Fusion Algorithm of Multi-sensor Based on the Principle of Least Squares[J]. Chinese Journal of Scientific Instrument, 2003, 25(4): 427-430.

[11] Yue J, Yang R, Huan R. Pixel Level Fusion for Multiple SAR Images Using PCA and Wavelet Transform[C]//Proceedings International Conference on Radar, 2006: 1-4.

[12] Venkatalakshmi K, Shalinie S M. Classification of Multi- spectral Images Using Support Vector Machines Based on PSO and K-means Clustering[C]//Proceedings International Conference on Intelligent Sensing and Information Processing, 2005: 127-133.

[13] Dixon S J, Brereton R G.. Comparison of Performance of Five Common Classifiers Represented as Boundary Methods: Euclidean Distance to Centroids, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Learning Vector Quantization and Support Vector Machines, as Dependent on Data Structure[J]. Chemometrics and Intelligent Laboratory Systems, 2009, 95(1): 1-17.

[14] Luo R C, Su K L. A Review of High-level Multi-sensor Fusion: Approaches and Applications[C]//Proceedings International Conference on Multisensor Fusion and Integration for Intelligent Systems, 1999: 25-31.

[15] Bracio B R, Horn W, Moller D P F. Sensor Fusion in Biomedical Systems[C]//Proceedings of the 19th Annual International Conference on Engineering in Medicine Biology Society, 1997: 1387-1390.

[16] Widjaja F, Shee C Y, Latt W T, et al. Kalman Filtering of Accelerometer and Electromyography (EMG) Data in Pathological Tremor Sensing System[C]//Proceedings of IEEE International Conference on Robotics and Automation, 2008: 3250- 3255.

[17] Pan H, Mcmichael D, Lendjel M. Inference Algorithms in Bayesian Networks and The Probanet System[J]. Digital Signal Processing, 1998, 8(4): 231-243.

[18] Veeravalli V V, Varshney P K. Distributed Inference in Wireless Sensor Networks[J]. Philosophical Transactions of Royal Society. 2012, 370(1958): 100-117.

[19] 楊風(fēng)暴, 王肖霞. D-S證據(jù)理論的沖突證據(jù)合成方法[M]. 北京: 國(guó)防工業(yè)出版社, 2010.

[20] Murofusi T, Sugeno M. Fuzzy T-conorm Integral with Respect to Fuzzy Measures: Generalization of Sugeno Integral and Choquet Integral[J]. Fuzzy sets and Systems, 1991, 42(1): 57-71.

[21] 彭力. 信息融合關(guān)鍵技術(shù)及其應(yīng)用[M]. 北京: 冶金工業(yè)出版社, 2010.

[22] Smarandache F, Dezert J. Advances and Applications of DSmT for Information Fusion [M]. USA: American Research Press, 2009.

(責(zé)任編輯: 陳 曦)

Review of Fusion Recognition Technology for Underwater Target

XIA Qing-sheng, LIU Yi-hai

(1. Representative Bureau in Chongqing, Naval Armament Department, Chongqing 401120, China; 2.College of Marine Engineering, Northwestern Polytechnical University, Xi′an 710075, China)

Information fusion techniques, which can help to effectively reduce or eliminate the measuring uncertainty of distributed sensors′ signal and fuse more comprehensive original vessel radiated signals, have been widely used in various military and civilian fields, and have attracted more concerns in the world. In this paper, the existing most accepted function models of the fusion systems are summarized, and a three-level (data-feature-decision) underwater automatic target recognition (ATR) system model is proposed. Subsequently, several commonly used fusion algorithms based on the probability theory, the data classification theory, and the artificial intelligence theory are presented, and their advantages, disadvantages and application constraints are analyzed. Moreover, the development trend of the underwater target fusion recognition system based on multi-sensor system, the existing problems, and the solutions to these problems are all discussed.

target recognition; information fusion; multi-sensor system; fusion algorithm

TP212

A

1673-1948(2013)03-0234-07

2013-03-13;

2012-05-06.

夏慶升(1966-), 男, 高級(jí)工程師, 長(zhǎng)期從事水中兵器監(jiān)造工作.