基于LabVIEW的雷達(dá)與AIS航跡關(guān)聯(lián)的研究*

黃洪瓊，呂麗霞，張翠玲（.上海海事大學(xué) 信息工程學(xué)院，上海 0306；.寧夏理工大學(xué) 電信學(xué)院，寧夏 石嘴山 753000）

基于LabVIEW的雷達(dá)與AIS航跡關(guān)聯(lián)的研究*

黃洪瓊1，呂麗霞1，張翠玲2
（1.上海海事大學(xué) 信息工程學(xué)院，上海 201306；2.寧夏理工大學(xué) 電信學(xué)院，寧夏 石嘴山 753000）

現(xiàn)代船舶交通管理系統(tǒng)中，雷達(dá)與AIS航跡的關(guān)聯(lián)處在一個(gè)非常重要的位置上。結(jié)合LabVIEW圖形化編程特點(diǎn)和MATLAB強(qiáng)大的矩陣運(yùn)算能力，應(yīng)用二者混合編程和BP網(wǎng)絡(luò)算法的改進(jìn)，實(shí)現(xiàn)雷達(dá)與AIS的航跡關(guān)聯(lián)。利用圖形化編程工具LabVIEW開發(fā)平臺(tái)與神經(jīng)網(wǎng)絡(luò)相結(jié)合，能更直觀地分析關(guān)聯(lián)模型，拓寬了二者的應(yīng)用領(lǐng)域，并為提高航跡關(guān)聯(lián)技術(shù)和開發(fā)效率提供了新的思路。

航跡關(guān)聯(lián)；LabVIEW；神經(jīng)網(wǎng)絡(luò)

0　引言

在現(xiàn)代海上交通管理中，船舶交通管理系統(tǒng)（VTS）起到了提高航運(yùn)效率、保障航運(yùn)安全、保護(hù)水域環(huán)境等不可替代的作用［1］。VTS信息來源是多渠道的，主要包括雷達(dá)與AIS。在船舶信息獲取完成后，VTS首先要對(duì)其進(jìn)行航跡關(guān)聯(lián)處理。關(guān)聯(lián)的目的是對(duì)其進(jìn)行分類，找出同一目標(biāo)船的特征信息。由于VTS系統(tǒng)每時(shí)每刻都會(huì)接收來自不同傳感器（雷達(dá)和AIS）的數(shù)據(jù)，這些數(shù)據(jù)可能源自同一目標(biāo)也可能是不同目標(biāo)，因此航跡關(guān)聯(lián)便尤為重要。實(shí)際上關(guān)聯(lián)解決了多傳感器數(shù)據(jù)融合過程中重復(fù)融合、錯(cuò)誤融合的問題。

目前關(guān)于航跡關(guān)聯(lián)的常用方法主要有基于模糊數(shù)學(xué)和統(tǒng)計(jì)理論方法。這其中有最鄰近方法、多因素模糊綜合評(píng)判法、模糊聚類法等。有學(xué)者提出了基于多因素模糊綜合決策的雷達(dá)與AIS航跡關(guān)聯(lián)算法，討論了關(guān)聯(lián)門限取值等問題，但關(guān)聯(lián)門限的自適應(yīng)問題還有待進(jìn)一步探討與研究。本文則采用近年研究比較熱門但在航跡關(guān)聯(lián)上應(yīng)用不多的神經(jīng)網(wǎng)絡(luò)方法。神經(jīng)網(wǎng)絡(luò)的選擇著眼于既能滿足問題要求又不至于浪費(fèi)系統(tǒng)資源的原則。BP算法是利用梯度下降的思想對(duì)網(wǎng)絡(luò)神經(jīng)元連接的權(quán)值進(jìn)行修正和更新的［2］，對(duì)其改進(jìn)加入動(dòng)量因子以避免網(wǎng)絡(luò)訓(xùn)練中陷入極小值，增加網(wǎng)絡(luò)訓(xùn)練的層數(shù)以提高訓(xùn)練過程中的性能。具體實(shí)現(xiàn)過程中選擇圖形化軟件，Lab-VIEW在虛擬化儀器儀表的可視性方面有非常好的表現(xiàn)。

1　系統(tǒng)模型

1.1神經(jīng)網(wǎng)絡(luò)

1.1.1基本BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是指應(yīng)用誤差反向傳播學(xué)習(xí)算法的多層前饋神經(jīng)網(wǎng)絡(luò)，其一般結(jié)構(gòu)如圖1所示。

圖1　一種典型的BP神經(jīng)網(wǎng)絡(luò)

網(wǎng)絡(luò)分為輸入層、隱層、輸出層，在正常工作時(shí)，信號(hào)經(jīng)輸入層節(jié)點(diǎn)輸入，然后傳輸?shù)诫[層節(jié)點(diǎn)，經(jīng)隱層函數(shù)作用后傳遞至輸出層輸出。中間隱層函數(shù)一般選取Sigmoid型函數(shù)，它是一種非線性函數(shù)［3］。

設(shè)一個(gè)具有P層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，一組輸入樣本與期望輸出分別為 Xk=（X1k，…，Xnk）、dk，k=1，…，n，n為樣本總數(shù)。對(duì)于網(wǎng)絡(luò)節(jié)點(diǎn)i，其輸出為Oi。設(shè)輸入樣本為Xk，輸出為Yk，節(jié)點(diǎn)i的輸出為 Oki。則定義單個(gè)樣本的誤差為：

所以網(wǎng)絡(luò)總誤差為：

該誤差是網(wǎng)絡(luò)學(xué)習(xí)的目標(biāo)函數(shù)，網(wǎng)絡(luò)訓(xùn)練的結(jié)果是使得該誤差達(dá)到或者趨近于最小，BP網(wǎng)絡(luò)在學(xué)習(xí)過程中采用梯度下降法，為了使誤差最小化，就要不斷地修正各神經(jīng)元之間的連接權(quán)值。取第k個(gè)樣本，即為網(wǎng)絡(luò)的第k次迭代，下面討論節(jié)點(diǎn)i所在層右側(cè)某神經(jīng)元j，該節(jié)點(diǎn)的輸入表示為：

其中，wkij表示神經(jīng)元i和j的連接權(quán)值。記節(jié)點(diǎn)j此時(shí)的誤差應(yīng)該為：

定義局部梯度為：

所以：

當(dāng)節(jié)點(diǎn)j是輸出節(jié)點(diǎn)時(shí)：

當(dāng)節(jié)點(diǎn)j是隱層節(jié)點(diǎn)時(shí)：

對(duì)于下一層某一節(jié)點(diǎn)m有：

1.1.2 BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)

原始的BP神經(jīng)網(wǎng)絡(luò)自身存在一些不足，為解決缺陷，在修正權(quán)值時(shí)對(duì)修正量添加動(dòng)量因子，即：

其中，α表示動(dòng)量項(xiàng)系數(shù)，取值范圍為［0，1］。這么做的意義在于動(dòng)量項(xiàng)反映了之前時(shí)刻權(quán)值改變積累的“經(jīng)驗(yàn)”，對(duì)當(dāng)前時(shí)刻權(quán)值的調(diào)整起到了阻尼作用。動(dòng)量因子的引入一定程度上解決了網(wǎng)絡(luò)訓(xùn)練過程中陷入局部極小值的問題。

1.2關(guān)聯(lián)算法

對(duì)目標(biāo)航跡的關(guān)聯(lián)采用兩級(jí)門限判定。在航跡關(guān)聯(lián)過程中，單一時(shí)刻的雷達(dá)與AIS神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)判斷過程中神經(jīng)網(wǎng)絡(luò)的輸出作為第一門限值。根據(jù)樣本構(gòu)造的情況，這一門限值確定為Th=0.85。Th1的數(shù)值大小意義并不十分重要，其大小完全由神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本來決定。在本文使用的訓(xùn)練樣本中，期望輸出為0.9，綜合考慮網(wǎng)絡(luò)誤差等因素選定0.85。

為保證關(guān)聯(lián)準(zhǔn)確性，選擇多時(shí)刻多次判斷求關(guān)聯(lián)次數(shù)法。具體選定雷達(dá)目標(biāo)Ri和一組需要判定的AIS目標(biāo) A=｛a1，a2，a3，…，an｝，待關(guān)聯(lián)目標(biāo)選取 N個(gè)時(shí)刻，依次關(guān)聯(lián)判斷每個(gè)目標(biāo)每個(gè)時(shí)刻。目標(biāo)關(guān)聯(lián)則K加1，否則不加，統(tǒng)計(jì)每個(gè)AIS目標(biāo)與Ri關(guān)聯(lián)次數(shù)K。在多次試驗(yàn)測(cè)試總結(jié)下設(shè)定K值為第二門限。若對(duì)雷達(dá)目標(biāo)Ri的AIS組A每個(gè)目標(biāo)aj關(guān)聯(lián)次數(shù)K兩兩相異，則取K值最大且超過第二門限值的AIS目標(biāo)為與Ri關(guān)聯(lián)目標(biāo)。若存在兩個(gè)或者兩個(gè)以上K值的情況，則定義dij（Ri，Aj）為：

dij（Ri，Aj）表征了雷達(dá)目標(biāo)與 AIS目標(biāo)的相似測(cè)度，在存在不全相異關(guān)聯(lián)次數(shù)時(shí)調(diào)用，其值越大越關(guān)聯(lián)。

同時(shí)為減少需要比對(duì)的時(shí)刻數(shù)，采用等差列法取時(shí)刻。即相鄰觀測(cè)時(shí)刻的間隔為 △tn=△tn-1+d，其中 d是觀測(cè)間隔的公差。這種方法避免了在航跡重合或十分接近時(shí)重復(fù)無用功。等差法的應(yīng)用實(shí)際是在有限關(guān)聯(lián)時(shí)刻次數(shù)內(nèi)擴(kuò)大了時(shí)刻取值范圍，這在航跡小范圍接近情況下十分有效。

2　LabVIEW實(shí)現(xiàn)

LabVIEW是美國 NI公司推出的圖形化虛擬儀器開發(fā)平臺(tái)軟件，它的圖形化編程語言具有簡(jiǎn)潔、快速、直觀、易于編程開發(fā)等優(yōu)點(diǎn)?，F(xiàn)在LabVIEW的應(yīng)用已經(jīng)十分廣泛，本文主要是體現(xiàn)了它的直觀和易于開發(fā)的特性［4］。

LabVIEW實(shí)現(xiàn) BP神經(jīng)網(wǎng)絡(luò)的方法有兩種，一種是利用軟件本身的編程語言實(shí)現(xiàn)BP網(wǎng)絡(luò)；另一種是發(fā)揮LabVIEW和MATLAB強(qiáng)大的聯(lián)合工作能力，利用MATLAB script節(jié)點(diǎn)導(dǎo)入MATLAB編譯好的神經(jīng)網(wǎng)絡(luò)程序?qū)崿F(xiàn)LabVIEW中的BP網(wǎng)絡(luò)。本文采用第二種方法。這種聯(lián)合工作的方法很好地發(fā)揮了兩個(gè)軟件各自的優(yōu)勢(shì)。具體的實(shí)現(xiàn)如圖2所示。

圖2　LabVIEW編程實(shí)現(xiàn)

系統(tǒng)總體流程圖如圖3。

圖3　系統(tǒng)流程圖

3　仿真分析

系統(tǒng)仿真過程中，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的構(gòu)造尤為重要，在構(gòu)造過程中要充分考慮現(xiàn)實(shí)情況，提高網(wǎng)絡(luò)的健壯性。因此，訓(xùn)練樣本中遍歷了航速、航向等參數(shù)值，這里不做過多展示。圖4是網(wǎng)絡(luò)訓(xùn)練完成后得到的實(shí)際輸出與期望輸出的比較，可以看出實(shí)際輸出與期望輸出的擬合程度是良好的。

圖4　網(wǎng)絡(luò)期望輸出與實(shí)際輸出比較

MATLAB下網(wǎng)絡(luò)輸出誤差分布圖如圖5所示。

圖5　BP網(wǎng)絡(luò)誤差分布圖

由圖5可以看出誤差主要分布在［0，0.2］范圍內(nèi)，所以在判定門限值的設(shè)置上參考這一數(shù)值分布確定第一門限值為0.85。誤差的范圍十分有限，這說明實(shí)際訓(xùn)練得到的網(wǎng)絡(luò)性能是優(yōu)良的。

圖6是LabVIEW中測(cè)試樣本的各相關(guān)參數(shù)的對(duì)比圖。

圖6　雷達(dá)目標(biāo)1與AIS目標(biāo)各相關(guān)參數(shù)對(duì)比

測(cè)試樣本原始航跡圖如圖7所示。

在不同第一門限值下50次關(guān)聯(lián)測(cè)試中關(guān)聯(lián)頻數(shù)分布如圖8所示。

圖7　測(cè)試樣本原始航跡

圖8　關(guān)聯(lián)頻數(shù)分布

從圖8可以明顯看到，由于網(wǎng)絡(luò)性能良好，在第一門限值為0.8以后關(guān)聯(lián)頻數(shù)已經(jīng)很理想了，但保守起見選擇0.85。關(guān)聯(lián)頻數(shù)圖還能很好地反映出對(duì)關(guān)聯(lián)時(shí)刻選取方法改進(jìn)的效果。

4　結(jié)論

本文提出了一種基于LabVIEW的雷達(dá)與AIS航跡關(guān)聯(lián)實(shí)現(xiàn)的方法，改進(jìn)了關(guān)聯(lián)算法中關(guān)聯(lián)時(shí)刻的選取方法。利用LabVIEW和MATLAB完成了設(shè)計(jì)的仿真，驗(yàn)證了設(shè)計(jì)的可行性和LabVIEW在可視性方面的優(yōu)點(diǎn)。在關(guān)聯(lián)判斷時(shí)刻的選取上，改進(jìn)對(duì)有限時(shí)間內(nèi)航跡重合或接近時(shí)的判斷起到了很好的過濾作用，大大提高了關(guān)聯(lián)實(shí)現(xiàn)的可靠性。

［1］王世遠(yuǎn)，許開宇.AIS現(xiàn)狀、前景及對(duì)策［J］.航海技術(shù)，2001（5）：2-8.

［2］PANDYA A S，MACYR B.神經(jīng)網(wǎng)絡(luò)模式識(shí)別及其實(shí)現(xiàn)［M］.徐勇，荊濤，譯.北京：電子工業(yè)出版社，1999.

［3］徐婷婷，柳曉明，楊鑫.基于 BP神經(jīng)網(wǎng)絡(luò)的船舶航跡實(shí)時(shí)預(yù)測(cè)［J］.大連海事大學(xué)學(xué)報(bào)，2012，38（1）：9-11.

［4］劉君華.基于LabVIEW的虛擬儀器設(shè)計(jì)［M］.北京：電子工業(yè)出版社，2003.

圖4　客戶端視頻顯示圖

5　結(jié)論

本文介紹了一種嵌入式視頻監(jiān)控系統(tǒng)終端軟件的設(shè)計(jì)與實(shí)現(xiàn)方案，并且通過實(shí)際的傳輸測(cè)試實(shí)現(xiàn)了音視頻數(shù)據(jù)的流暢傳輸和播放。整個(gè)終端系統(tǒng)具有通用、安裝方便、穩(wěn)定、可靠和成本低等優(yōu)點(diǎn)，適用于視頻監(jiān)控系統(tǒng)領(lǐng)域，具有很好的應(yīng)用前景。

參考文獻(xiàn)

［1］張?jiān)?視頻監(jiān)控系統(tǒng)的發(fā)展趨勢(shì)［J］.中國科技博覽，2011 （11）：32-35.

［2］劉繼超.基于DM355的嵌入式網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)設(shè)計(jì)［D］.青島：青島科技大學(xué)，2009.

［3］宋經(jīng)瑋.嵌入式網(wǎng)絡(luò)視頻監(jiān)控設(shè)備的驅(qū)動(dòng)設(shè)計(jì)與開發(fā)［D］.杭州：浙江工業(yè)大學(xué)，2013.

［4］宋建勛，劉峰.基于 TMS320DM365多平臺(tái)實(shí)時(shí)視頻傳輸系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.電視技術(shù)，2011，35（7）：32-35，40.

［5］馮國進(jìn).嵌入式 Linux驅(qū)動(dòng)程序設(shè)計(jì)從入門到精通［M］.北京：清華大學(xué)出版社，2008.

（收稿日期：2014-10-29）

作者簡(jiǎn)介：

王慧州（1990-），男，碩士研究生，主要研究方向：通信與信息系統(tǒng)。

Research on radar and AIS track association based on LabVIEW

Huang Hongqiong1，Lv Lixia1，Zhang Cuiling2
（1.College of Information Technology，Shanghai Maritime University，Shanghai 201306，China；2.Institute of Telecommunication，Ningxia Institute of Science and Technology，Shizhuishan 753000，China）

In the modern vessel traffic management system，fusion of radar and AIS track are in a very important position.Combined with the LabVIEW graphical programming characteristics and the powerful matrix operation ability of MATLAB，using improved hybrid programming and algorithm of BP networkapplication，this paper realizes the track associationbetween radar and AIS.Combined with the graphical programming tool LabVIEW development platform and neural network，association analysis model is more intuitive，expands the application field of the two，and provides a new way to improve the track correlation technique and development efficiency.

track association；LabVIEW；neural network

U666.159

A

1674-7720（2015）06-0075-04

2014-11-16）

黃洪瓊（1973-），女，博士，副教授，主要研究方向：智能信息處理及其在智能交通領(lǐng)域、航運(yùn)智能運(yùn)輸系統(tǒng)領(lǐng)域中的應(yīng)用。

呂麗霞（1990-），通信作者，女，碩士研究生，主要研究方向，智能信息處理。E-mail：llxia7832@163.com。

張翠玲（1971-），女，博士研究生，副教授，主要研究方向：電力系統(tǒng)及電力傳統(tǒng)設(shè)備狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)、電子技術(shù)、電路理論、管理工程與決策等。

上海海事大學(xué)?；痦?xiàng)目（ 2013470 ）