特征協(xié)助的水聲融合探測技術(shù)

韓一娜, 楊益新, 劉清宇, 馬遠(yuǎn)良

?

特征協(xié)助的水聲融合探測技術(shù)

韓一娜1, 楊益新1, 劉清宇2, 馬遠(yuǎn)良1

(1.西北工業(yè)大學(xué) 航海學(xué)院, 陜西 西安, 710072; 2.海軍研究院, 北京, 100073)

為克服多基地聲吶網(wǎng)絡(luò)雜波率高、目標(biāo)微弱、傳感器檢測概率低等問題, 業(yè)界日益重視特征協(xié)助的水聲融合探測技術(shù), 以利用回波特征與目標(biāo)的相關(guān)性抑制雜波, 提供更適宜的探測輸入。文章首先介紹了特征協(xié)助的水聲融合探測技術(shù)的發(fā)展背景; 綜述了國外特征協(xié)助跟蹤的最新進(jìn)展, 并基于探測前跟蹤的思想, 重點(diǎn)討論了基于回波特征協(xié)助的跟蹤前預(yù)處理技術(shù); 同時進(jìn)一步回顧了國內(nèi)在多基地聲吶定位、跟蹤、回波特征提取與信息融合等相關(guān)方面的貢獻(xiàn); 最后指出該領(lǐng)域尚待進(jìn)一步研究的內(nèi)容, 包括獲取測試數(shù)據(jù)的原型系統(tǒng)、適用的信號與信息處理技術(shù)、自動融合與跟蹤能力的提高。

多基地聲吶; 水聲探測; 融合跟蹤

0 引言

聲吶是水下環(huán)境最為常用也最為有效的信息源[1-2], 主要分為主動聲吶和被動聲吶。主動聲吶為顯性系統(tǒng), 工作時會暴露自身; 而被動聲吶則具有隱蔽性, 能夠提供戰(zhàn)術(shù)優(yōu)勢。但是, 由于當(dāng)前安靜型潛艇的威脅, 被動聲吶的探測距離和覆蓋面積與主動聲吶相比要小得多, 需要具有響亮聲源ping的主動聲吶來獲取更大的信號余量和探測距離。因此, 主/被動聲吶的異構(gòu)混合組成的多基地聲吶網(wǎng)絡(luò)可提供聲學(xué)與操作上互補(bǔ)的性能優(yōu)勢, 如更高的目標(biāo)檢測概率、更大的監(jiān)控覆蓋面積等。此外, 分布式網(wǎng)絡(luò)的幾何多樣性, 還可提供對目標(biāo)的多視角測量[3]。因此, 近年來世界強(qiáng)國都積極研究在海洋中部署多基地聲吶網(wǎng)絡(luò), 如圖1所示為美國水下戰(zhàn)中心的分布式硬件原型——分布式水下多基地實(shí)驗(yàn)系統(tǒng)(deployable experimental multistatic undersea system, DEMUS)總覽, 以對抗惡劣的高雜波淺海區(qū)與深海環(huán)境中小而靜的潛艇威脅, 提高反潛戰(zhàn)性能[4-7]。

但是, 在實(shí)際的海洋環(huán)境中部署多基地聲吶網(wǎng)絡(luò)又引發(fā)了一系列新的挑戰(zhàn), 如大規(guī)模部署的成本因素, 使得多基地聲吶網(wǎng)絡(luò)中采用的傳感器通常不夠精確, 且檢測概率較低。雜波在主/被動傳感方式中都很盛行, 被動方式常常被附近或遠(yuǎn)處的艦船所迷惑, 而主動方式則有可能被混響所淹沒[8]。因此, 隨著發(fā)/收裝置(主/被動聲吶)數(shù)量的增加, 雜波數(shù)也將隨之增多。對此, 業(yè)界日益重視探測前跟蹤的策略, 如圖2所示, 即同時處理若干連續(xù)幀, 并根據(jù)目標(biāo)的運(yùn)動學(xué)特性(即軌跡), 判斷目標(biāo)的存在。探測前跟蹤策略保證了在統(tǒng)計(jì)特性未知的干擾下的恒虛警率(constant false alarm rate, CFAR)特性。

網(wǎng)絡(luò)環(huán)境下目標(biāo)的探測前跟蹤通常可從融合各傳感器對目標(biāo)的測量中受益。這對于低雜波、高檢測率的系統(tǒng)處理上較為簡單。但是, 對于檢測概率低, 且存在大量雜波的多基地聲吶網(wǎng)絡(luò)環(huán)境, 則要困難得多。對此, 國際信息融合協(xié)會專門成立了多基地跟蹤工作組(multistatic track ing working group, MSTWG), 著力研究多基地聲吶網(wǎng)絡(luò)中目標(biāo)跟蹤及其相關(guān)技術(shù)。

特征是聲吶回波中的可量化測量, 由接收裝置從接收到的回波信號中計(jì)算得到。目標(biāo)跟蹤歷來最重視運(yùn)動學(xué)特征, 如方位、距離等信息。運(yùn)動學(xué)特征在具有少量雜波的場景中運(yùn)行良好, 但是當(dāng)雜波密度變高時, 其性能將會嚴(yán)重下降, 甚至完全失效。能否獲得額外的非運(yùn)動學(xué)特征, 如信噪比、目標(biāo)強(qiáng)度以及人耳聽覺感知等特征, 將其與跟蹤所需的運(yùn)動學(xué)信息一起協(xié)力作用？對于此問題, 美國海軍空間和海戰(zhàn)系統(tǒng)司令部專門研發(fā)了主被動目標(biāo)仿真器(Passive-active contact si- mulator, PACsim)多基地聲吶數(shù)據(jù)集[8], 研究如何在多基地聲吶跟蹤中使用特征信息以及特征信息的價值。MSTWG主席Mellema在其初步的實(shí)驗(yàn)中指出: 與基準(zhǔn)方法相比, 當(dāng)跟蹤器中還使用了非運(yùn)動學(xué)特征時, 能夠減少1/3的虛假航跡[9]。因此, 特征協(xié)助的跟蹤問題已成為近年MSTWG成員間協(xié)同分析的主題。

那么, 如何才能將這些特征所攜帶的信息最有效地與跟蹤相結(jié)合？美國海軍空間和海戰(zhàn)系統(tǒng)司令部Grimmett明確了特征協(xié)助跟蹤的3種主流方式[3]: 基于回波特征協(xié)助的跟蹤前預(yù)處理、基于航跡累積特征的跟蹤后處理和跟蹤過程中的回波特征協(xié)助。華盛頓大學(xué)應(yīng)用物理實(shí)驗(yàn)室(applied physics laboratory, APL)性能評估指出[10], 現(xiàn)有的跟蹤器已達(dá)到其性能極限, 跟蹤質(zhì)量通常是跟蹤器獲取的回波數(shù)量與質(zhì)量的函數(shù)。而特征協(xié)助的跟蹤前預(yù)處理具有顯著的技術(shù)優(yōu)勢, 主要表現(xiàn)在: 能充分利用回波特征與目標(biāo)的各種相關(guān)屬性; 抑制雜波的同時可顯著降低跟蹤器的計(jì)算復(fù)雜度; 為各種跟蹤器靈活地提供更適宜的表征, 改善跟蹤性能。

文中介紹了特征協(xié)助的水聲融合探測技術(shù)的發(fā)展背景, 綜述了國外特征協(xié)助的跟蹤技術(shù), 重點(diǎn)論述了具有顯著技術(shù)優(yōu)勢的特征協(xié)助跟蹤前預(yù)處理技術(shù), 同時回顧了我國在多基地聲吶定位、跟蹤、回波特征提取與信息融合等相關(guān)方面的貢獻(xiàn), 指出該領(lǐng)域尚待進(jìn)一步研究的內(nèi)容。

1 國外研究現(xiàn)狀

1.1 特征協(xié)助的跟蹤

近年來, 特征協(xié)助的跟蹤策略為業(yè)界廣為關(guān)注, 即除通過主動聲吶獲得的方位和距離測量外, 還將獲得的其他特征引入到跟蹤框架中。這方面最早的工作是利用目標(biāo)幅度, 即接收到的目標(biāo)能量與環(huán)境噪聲間的信噪比(signal to noise ratio, SNR)。Lerro等[11]改進(jìn)了概率數(shù)據(jù)關(guān)聯(lián)(probability data association, PDA)濾波器以包含幅度信息(PDA filter with amplitude information, PDAFAI)。PDAFAI假設(shè)目標(biāo)幅度分布與雜波或背景噪聲的幅度分布不同。試驗(yàn)證明引入幅度信息后, 即使SNR不斷減小, PDAFAI也能提高跟蹤性能。目標(biāo)幅度通常是目標(biāo)距離、環(huán)境與目標(biāo)強(qiáng)度(target strength, TS)的函數(shù)。目標(biāo)強(qiáng)度與方位有著直接相關(guān)性[1]: 大部分目標(biāo)不是徑向?qū)ΨQ的, 因此返回的強(qiáng)度應(yīng)該是方位的函數(shù)。

近來, Pitton等[12]研究利用方位相關(guān)的目標(biāo)強(qiáng)度曲線來改進(jìn)PDAFAI跟蹤, 如圖3所示, 目標(biāo)強(qiáng)度在舷側(cè)(90°和270°)時顯著高于其他角度。用來自當(dāng)前跟蹤狀態(tài)空間的速度信息生成方位上的分布, 再將該分布與目標(biāo)強(qiáng)度曲線相結(jié)合來提高PDAFAI算法。Krout等[13]為PDAFAI引入了目標(biāo)強(qiáng)度信息(PDAFAI with target strength, PDAFAIwTS)進(jìn)行跟蹤, 并證明了該算法可在更困難的跟蹤場景(如更低的SNR)下提高性能。

此外, 還可以利用目標(biāo)強(qiáng)度曲線提高航跡的初始化能力, 即當(dāng)且僅當(dāng)鏡面反射發(fā)生時進(jìn)行航跡的初始化[14-18]。鏡面是指發(fā)射脈沖撞擊到目標(biāo)舷側(cè)的情況, 即當(dāng)目標(biāo)方位為90°和270°時,此時回波的幅度將顯著高于非鏡面角度時的情況, 因此易于探測這些回波, 并可據(jù)此推測出目標(biāo)的朝向。此時由于已知目標(biāo)的朝向, 與其他的初始化技術(shù)相比則可獲得具有更高置信的軌跡初始化狀態(tài)。

文獻(xiàn)[19]對鏡面方法進(jìn)行推廣, 跟蹤軌跡逐步建立與之相應(yīng)的目標(biāo)幅度歷史, 接著將這些累積的幅度與某個模板相比對, 可對目標(biāo)與雜波軌跡進(jìn)行分類。PDAFAI和PDAFAIwTS均始于幅度信息。幅度信息是對時間域的回波信號進(jìn)行目標(biāo)檢測的結(jié)果。信號多普勒頻移是具有特定功能的特征, 早期使用多普勒的方法是利用均方誤差擬合技術(shù)來跟蹤連續(xù)波形(continuous wave, CW)輻射目標(biāo)[20], 多普勒被用于提高被動聲吶環(huán)境下的目標(biāo)定位與跟蹤[21-23]。Wang等[24]利用多普勒測量來提高對目標(biāo)速度的初始估計(jì), 實(shí)驗(yàn)證明該方法既可提高跟蹤性能又能減少所需計(jì)算量。文獻(xiàn)[25]指出, 如果可以發(fā)射整個時間域的信號, 移動的接收裝置則可利用信號處理技術(shù)來定位固定的發(fā)射裝置。La Cour[26]在貝葉斯跟蹤框架下利用多普勒測量來跟蹤跨多個時間片段的目標(biāo)。

鑒于聲吶兵可有效地區(qū)分源自目標(biāo)的回波和雜波, 研究人員因此嘗試通過模擬人類對聲音的感知過程來建立基于人類聽覺系統(tǒng)的聽覺模型[27-29]。Georgescu等[30]基于人耳的外耳道和內(nèi)耳道功能對聲吶回波進(jìn)行處理, 提取多種聽覺感知特征, 利用最小冗余最大相關(guān)(maximum relevance minimum redundancy, MRMR)技術(shù)進(jìn)行特征選擇, 并利用決策樹分類器進(jìn)行目標(biāo)回波與雜波的分類, 在Clutter09數(shù)據(jù)集上的實(shí)驗(yàn)顯示可取得良好的跟蹤性能。

1.2 多基地跟蹤預(yù)處理技術(shù)

跟蹤預(yù)處理技術(shù)源自跟蹤器對大規(guī)模低質(zhì)量傳感器數(shù)據(jù)進(jìn)行分析的需要。Krout等[31]采用多種跟蹤器對Metron數(shù)據(jù)集進(jìn)行分析。其中在采用聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)((joint probabilistic data association, JPDA)跟蹤器對數(shù)據(jù)集進(jìn)行分析時[32], 為了緩和算法產(chǎn)生的大量錯誤軌跡, 在跟蹤前引入了一個預(yù)處理步驟, 即從所有接收器計(jì)算得到的似然面中, 提取前個局部最大作為某一掃的測量信息, 送至JPDA跟蹤器。該算法在Metron數(shù)據(jù)集的場景1和場景4上效果令人滿意, 但在跟蹤碎片和探測概率方面仍有待提高。這可看作最早的預(yù)處理技術(shù)。

一種稱之為跟蹤前融合(fusion before tracking, FbT)的預(yù)處理結(jié)構(gòu)第一次明確地強(qiáng)調(diào)了如何最優(yōu)地處理由大量廉價但性能有限的傳感器所組成的大規(guī)模傳感器監(jiān)測網(wǎng)絡(luò)所產(chǎn)生的數(shù)據(jù)[33]。FbT通過靜態(tài)融合操作來組合掃描所得的測量信息[34]。接著, 對經(jīng)靜態(tài)融合所得的輸出采用基于掃描的處理, 獲取實(shí)時監(jiān)測結(jié)果。仿真數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明, FbT處理能夠帶來比集中式跟蹤更好的性能。但是FbT沒有充分利用度量協(xié)方差信息, 因而無法區(qū)分空間距離近的目標(biāo)。

由Guerriero等[35]提出的多假設(shè)廣義似然比檢驗(yàn)(generalized likelihood ratio test, GLRT)為多基地聲吶傳感器網(wǎng)絡(luò)數(shù)據(jù)的預(yù)處理問題提供了一種自然的方式。對每一個假定目標(biāo), 均需找到最大化位置估計(jì)的似然函數(shù), 然后在關(guān)于各目標(biāo)的似然中選擇最大似然。因?yàn)樗迫缓瘮?shù)需同時關(guān)于目標(biāo)數(shù)和其所在的笛卡爾坐標(biāo)位置進(jìn)行最大化, 所以計(jì)算負(fù)荷極高, 無法滿足實(shí)際應(yīng)用的需要。對此, Georgescu等[36]提出一種更具實(shí)用性的方法, 首先采用度量協(xié)方差進(jìn)行蒙特卡羅采樣, 以此緩解低質(zhì)量傳感器所帶來的問題, 接著進(jìn)行測量篩選, 再由期望最大化(expectation maximization, EM)算法進(jìn)行處理, 以進(jìn)一步提高探測位置的精確性。與GLRT相比, 該方法雖然顯著提高了計(jì)算效率, 但是卻引入了相當(dāng)大的性能損失。

為了平衡性能與計(jì)算復(fù)雜度, Georgescu等[37]提出一種基于隨機(jī)有限集馬爾科夫鏈-蒙特卡羅(random finite set Markov Chain Monte Carlo, RFS MCMC)方法。該方法將潛在目標(biāo)及其測量看作是由有限個隨機(jī)變量組成的集合, 該集合可由概率質(zhì)量函數(shù)(probability mass function, PMF)和聯(lián)合概率密度完全刻畫, 然后通過MCMC采樣依次估計(jì)目標(biāo)的勢(即目標(biāo)數(shù))和每一個目標(biāo)的位置及其相應(yīng)的協(xié)方差。與最優(yōu)GLRT相比, 其定位誤差仍有待進(jìn)一步提高。

Hanusa等[38-46]采用了基于聚類的多基地聲吶跟蹤預(yù)處理技術(shù), 其主要思想是: 第一, 先對來自相同目標(biāo)的測量進(jìn)行聚類, 再將其融合; 第二, 未能與其他測量聚為一類的將被視為噪聲或雜波而丟棄。

2 國內(nèi)研究現(xiàn)狀

我國多基地聲吶研究始于20世紀(jì)90年代初。然而尚未看到國內(nèi)在特征協(xié)助的水聲融合探測領(lǐng)域的公開報(bào)道。1991年, 西北工業(yè)大學(xué)趙俊渭等[47]率先在國內(nèi)發(fā)表了雙基地聲吶研究綜述, 重點(diǎn)論述雙基地聲吶的特點(diǎn)和實(shí)現(xiàn)的關(guān)鍵問題。在國家“八·五”計(jì)劃期間, 西北工業(yè)大學(xué)和中船重工集團(tuán)760所、715所進(jìn)行了有關(guān)雙基地聲吶定位原理、定位方法和測向精度等方面的理論研究。西北工業(yè)大學(xué)張小鳳[48]、哈爾濱工程大學(xué)凌青[49]均就多基地聲吶的定位解算方法以及定位誤差的空間分布等問題, 從不同角度給出了詳盡闡述。

此后, 業(yè)界針對多基地聲吶工作給出諸多的優(yōu)異研究成果, 如海軍裝備研究院李濤等[50]提出總體最小二乘的多基地聲吶系統(tǒng)定位算法能取得更好的定位精度和穩(wěn)定性。海軍工程大學(xué)楊麗[51]提出雙基地聲吶系統(tǒng)最大可探測范圍的數(shù)學(xué)模型, 海軍潛艇學(xué)院徐景峰等[52]研究了T2-R型多基地聲吶定位精度。中科院聲學(xué)所李嶷等[53]依托能量約束, 提出一種用圓來代替檢測覆蓋區(qū)的多基地聲吶配置算法, 以解決多基地聲吶能量約束下的探測能力過于復(fù)雜問題。哈爾濱工程大學(xué)鄒吉武和孫大軍、東南大學(xué)高勇等給出幾種直達(dá)波干擾和混響抑制和剔除方法[54-56]。

在多基地聲吶水下機(jī)動目標(biāo)跟蹤方面, 海軍航空工程學(xué)院張林琳和楊日杰首先綜述研究[57], 哈爾濱工程大學(xué)劉立昕和卞紅雨針對前視聲吶成像, 提出水下目標(biāo)跟蹤的多特征融合PSOPF算法[58],韓建輝和楊日杰[59-60]提出一種定量度量航空聲吶浮標(biāo)陣多基地性能方法, 可定量評估多基地航空聲吶浮標(biāo)陣特性。

在水下目標(biāo)回波特征提取研究方面, 上海交通大學(xué)范軍、哈爾濱工程大學(xué)樸勝春和孫輝對回波特征分析、回聲轉(zhuǎn)發(fā)器設(shè)計(jì)以及回波測量深入研究[61-63]。國內(nèi)研究現(xiàn)狀表明, 在多基地聲吶的定位理論和算法、定位精度和干擾等方面, 我國已有深入研究且取得了一些關(guān)鍵性突破。

此外, 在信息融合領(lǐng)域, 國內(nèi)著名學(xué)者何友[64]、敬忠良[65]、潘泉[66]以及韓崇昭[67]等近年來出版了多部專著, 為這一領(lǐng)域的發(fā)展做出了積極的貢獻(xiàn)。

3 結(jié)束語

事實(shí)上, 探索多基地聲吶監(jiān)視網(wǎng)絡(luò)的潛力需要系統(tǒng)發(fā)展以下幾個方面:

1) 獲取測試數(shù)據(jù)的原型系統(tǒng)。常用的多基地聲吶監(jiān)視場景有基于移動平臺(適用于遠(yuǎn)征任務(wù))或固定/漂移部署的平臺(適用于監(jiān)視港口, 阻塞點(diǎn)等)。這2個系統(tǒng)概念均已得到NURC的評估。

2) 適用的信號與信息處理技術(shù), 為每一ping發(fā)射-接收裝置產(chǎn)生一組可管理的接觸數(shù)據(jù), 該接觸數(shù)據(jù)可通過無線電或衛(wèi)星鏈路進(jìn)行交換, 以便在融合中心得到進(jìn)一步利用。NURC已通過海試證明其在上述2種系統(tǒng)概念下的有效性。

3) 即是文中所關(guān)注的自動融合與跟蹤能力, 這是在具有持續(xù)速率的多基地聲吶配置中兌現(xiàn)多源附加值的核心環(huán)節(jié)。通常, 主動聲吶處理將為每個發(fā)射-接收裝置產(chǎn)生數(shù)百個疑似目標(biāo)的接觸。由此, 典型的多基地監(jiān)視網(wǎng)絡(luò)每分鐘即可產(chǎn)生數(shù)千個接觸。該項(xiàng)技術(shù)的目標(biāo)是從這個龐大的數(shù)據(jù)中提取一小部分可控?cái)?shù)目的潛在目標(biāo)軌跡, 供給聲吶操作員用于進(jìn)一步的分析。

如文中所述, 特征協(xié)助跟蹤的多基地聲吶網(wǎng)絡(luò)預(yù)處理技術(shù)已成為國際新興研究熱點(diǎn)。引入回波幅度、目標(biāo)強(qiáng)度、或人耳的聽覺感知等特征, 在預(yù)處理階段進(jìn)行雜波抑制能夠有效地改善水聲融合探測的性能。

但是, 現(xiàn)有特征協(xié)助跟蹤的研究分別針對單個傳感器上基礎(chǔ)特征與目標(biāo)的相關(guān)性進(jìn)行雜波抑制, 然后針對多傳感器對目標(biāo)位置的測量進(jìn)行線性融合, 而對多傳感器、多特征系統(tǒng)而深入的融合策略仍有待于進(jìn)一步的研究。

[1] Urick R J.Principles of Underwater Sound[M].3rd Edition.New York: McGraw-Hill, 1975.

[2] 李啟虎.聲吶信號處理引論[M].北京: 海洋出版社, 1985.

[3] Grimmett D, Coraluppi S.Multistatic Active Sonar System Interoperability, Data Fusion and Measures of Performance[R].US: NURC, NURC-FR-2006-004, 2006.

[4] Scott R.UK Moves Ahead with Multistatic Active ASW Upgrade for Merlin[R].United Kingdom: International Defence Review, 2014.

[5] Scott R.GLINT in the Eye: NURC Explores Novel Autonomous Concepts for Future ASW[R].United Kingdom: International Defence Review, 2009.

[6] Jane’s Information Group.Spartan Scout/ASW USV.Jane’s Unmanned Maritime Vehicles and Systems[R].UK: Jane’s Information Group, 2009.

[7] Jane’s Information Group.Sonic Boom: Underwater Sensor Market Proliferates[R].Jane’s Information Group, 2010.

[8] Grimmett D, Wakayama C, Ricks R.Simulation of Passive and Multistatic Active Sonar Contacts[C]//4th International Conference on Underwater Acoustic Measurements: Technologies & Results.Kos Island, Greece, 2011.

[9] Mellema G R.Feature-assisted Multistatic Tracking Using the PACsim Data Set[C]//2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.

[10] Hanusa E.Incorporation of Features in Multistatic Active Sonar Tracking[D].US: University of Washington, 2012.

[11] Lerro D, Bar-Shalom Y.Automated Tracking with Target Amplitude Information[C]//1990 American Control Conference.San Diego: IEEE, 1990.

[12] Pitton J W, Fox W L J.Incorporating Target Strength into Environmentally Adaptive Sonar Tracking[C]//Oceans 2007.Aberdeen: IEEE, 2007.

[13] Krout D W, Morrison D.PDAFAI vs.PDAFAIwTS: TNO blind dataset and SEABAR’07[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.

[14] Grimmett D.Reduction of False Alarm Rate in Distributed Multistatic Sonar Systems through Detection Cueing[C]//Oceans 2007-Europe.Aberdeen: IEEE, 2007.

[15] Grimmett D.Multistatic Target Tracking Using Specular Cue Initiation and Directed Data Retrieval[C]//2008 11th International Conference on Information Fusion.Cologne: IEEE, 2008.

[16] Grimmett D.SPECSweb Multistatic Tracking on a Truth- Blind Simulated Scenario of the MSTWG[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.

[17] Ricks R, Grimmett D, Wakayama C.Passive Acoustic Tracking for Cueing a Multistatic Active Acoustic Tracking System[C]//2012 Oceans-Yeosu.Yeosu: IEEE, 2012.

[18] Wakayama C, Grimmett D, Ricks R.Active Multistatic Track Initiation Cued by Passive Acoustic Detection[C]// 2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.

[19] Grimmett D, Wakayama C, Plate R.Multistatic Post- Track Classification Using a Target Strength Function [C]//2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.

[20] Weinstein E, Levanon N.Passive Array Tracking of a Continuous Wave Transmitting Projectile[J].IEEE Transactions on Aerospace and Electronic Systems, 1980, AES-16(5): 721-726.

[21] Chan Y T, Towers J J.Passive Localization from Doppler Shifted Frequency Measurements[C]//1991 International Conference on Acoustics, Speech, and Signal Processing.Toronto: IEEE, 1991.

[22] Chan Y T, Towers J J.Sequential Localization of a Radiating Source by Doppler Shifted Frequency Measurements[J].IEEE Transa-ctions on Aerospace and Electronic Systems, 1992, 28(4): 1084-1090.

[23] Chan Y T, Rudnicki S W.Bearings-only and Doppler- Bearing Tracking Using Instrumental Variables[J].IEEE Transactions on Aerospace and Electronic Systems, 1992, 28(4): 1076-1083.

[24] Wang X, Musicki D, Ellem R, et al.Enhanced Multi- Target Tracking with Doppler Measurements[C]// 2007 Information, Decision and Control.Adelaide: IEEE, 2007.

[25] Amar A, Weiss A J.Localization of Narrowband Radio Emitters Based on Doppler Frequency Shifts[J].IEEE Transactions on Signal Processing, 2008, 56(11): 5500-5508.

[26] La Cour B R.Bayesian Sensor Registration For Multistatic Active Sonar[C]//Europe Oceans 2005.Brest: IEEE, 2005.

[27] Allen N, Hines P C, Young V W, et al.Study on the Human Ability To Aurally Discriminate Between Target Echoes And Environmental Clutter In Recor-dings Of Incoherent Broadband Sonar[J].The Journal of the Acoustical Society of America, 2006, 119(5): 3395-3395.

[28] Philips S, Pitton J, Atlas L.Perceptual Feature Identification For Active Sonar Echoes[C]//Oceans 2006.Boston: IEEE, 2006.

[29] Allen N, Hines P C, Young V W.Performances of Human Listeners and an Automatic Aural Classifier in Discriminating between Sonar Target Echoes and Clutter[J].The Journal of the Acoustical Society of America, 2011, 130(3): 1287-1298.

[30] Georgescu R, Willett P.The GMCPHD Tracker Applied to the Clutter09 Dataset[C]//Proceedings of the 16th International Conference on Information Fusion.Istanbul: IEEE, 2013.

[31] Krout D, Morrison D.PDAFAI vs.PDAFAIwTS: TNO Blind Dataset and SEABAR 07[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.

[32] Krout D, Hanusa E.Likelihood Surface Preprocessing with the JPDA Algorithm: Metron Data Set[C]// 2010 13th International Conference on Information Fusion.Edin-burgh: IEEE, 2010.

[33] Coraluppi S, Carthel C.Multi-stage Data Fusion and the MSTWG TNO Datasets[C]//2009 12th International Conference on Information Fusion.Seattle: IEEE, 2009.

[34] Guerriero M.Statistical Signal Processing in Sensor Networks[D].US: University of Connecticut, 2009.

[35] Guerriero M, Coraluppi S, Willett P.Analysis of Scan and Batch Processing Approaches to Static Fusion in Sensor Networks[C]//Signal and Data Processing of Small Targets.Orlando: SPIE, 2008.

[36] Georgescu R, Willett P, Marano S, et al.Predetection Fusion in Large Sensor Networks with Unknown Target Locations[J].ISIF Journal of Advances in Information Fusion, 2012, 7(1): 61-77.

[37] Georgescu R, Willett P.Random Finite Set Markov Chain Monte Carlo Predetection Fusion[C]//14th International Conference on Information Fusion.Chicago: IEEE, 2011.

[38] Hanusa E, Krout D.Improving Contact Classification Using an Estimate of Aspect from Track State[C]// Oceans'11 MTS/IEEE Kona.Waikoloa: IEEE, 2011.

[39] Krout D, Hanusa E.Likelihood Surface Preproce-ssing with the JPDA Algorithm: Metron Data Set[C]//2010 13th International Conference on Information Fusion.Edinburgh: IEEE, 2010.

[40] Hanusa E, Krout D W.Posterior Distribution Preprocessing with the JPDA Algorithm: Pacsim Data Set[C]/ 2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.

[41] Krout D W, Okopal G, Hanusa E.Video Data and Sonar Data: Real World Data Fusion Example[C]//14th International Conference on Information Fusion.Chicago: IEEE, 2011.

[42] Krout D W, Kooiman W, Okopal G, et al.Object Tracking with Imaging Sonar[C]//2012 15th International Conference on Information Fusion.Singapore: IEEE, 2012.

[43] Krout D W, Okopal G, Jessup A, et al.Tracking Drifting Surface Objects with Aerial Infrared and Electro-Optical Sensors[C]//Oceans 2012.Hampton Roads: IEEE, 2012.

[44] Hanusa E, Krout D, Gupta M R.Estimation of Position from Multistatic Doppler Measurements[C]// 2010 13th International Conference on Information Fusion.Edinburgh: IEEE, 2010.

[45] Hanusa E, Gupta M R, Krout D W.Contact Clustering and Classification Using Likelihood-Based Simil-arities[C]// Oceans 2012.Hampton Roads: IEEE, 2012.

[46] Hanusa E, Krout D, Gupta M R.Clutter Rejection by Clustering Likelihood-Based Similarities[C]//14th International Conference on Information Fusion.Chicago: IEEE, 2011.

[47] 趙俊渭, 閻宜生, 丁緯, 等.雙基地聲吶的性能與展望[J].聲學(xué)與電子工程, 1991(3): 29-33.

[48] 張小鳳.雙/多基地聲吶定位及目標(biāo)特性研究[D].西安: 西北工業(yè)大學(xué), 2003.

[49] 凌青.基于多站址信息綜合的水下探測定位技術(shù)研究[D].哈爾濱: 哈爾濱工程大學(xué), 2006.

[50] 李濤, 屈也頻, 梅風(fēng)華.基于總體最小二乘的多基地聲吶系統(tǒng)定位算法[J].探測與控制學(xué)報(bào), 2015, 37(3): 82-85.Li Tao, Qu Ye-pin, Mei Feng-hua.Multistatic Sonar Space Location Algorithm Based on Total Least Squares Method[J].Journal of Detection & Control, 2015, 37(3): 82-85.

[51] 楊麗, 蔡志明.混響背景下雙基地聲吶的探測范圍分析[J].哈爾濱工程大學(xué)學(xué)報(bào), 2006, 27(4): 597-602.Yang Li, Cai Zhi-ming.Analysis of Detectable Region for the Bistatic Sonar in Reverberation Background[J].Journal of Harbin Engineering University, 2006, 27(4): 597- 602.

[52] 徐景峰, 舒象蘭, 韓樹平, 等.T2-R型多基地聲吶定位精度研究[J].兵工學(xué)報(bào), 2014, 35(7): 1052-1059.Xu Jing-feng, Shu Xiang-lan, Han Shu-Ping, et al.Research on Accuracy of Localization Algorithm for T2-R Multistatic Sonar[J].Acta Armamentarii, 2014, 35(7): 1052-1059.

[53] 李嶷, 孫長瑜, 余華兵, 等.多基地聲吶系統(tǒng)檢測性能分析[J].聲學(xué)技術(shù), 2010, 29(5): 478-483.Li Yi, Sun Chang-yu, Yu Hua-bing, et al.Analysis of the Detection Performance of Multistatic Sonar System[J].Technical Acoustics, 2010, 29(5): 478-483.

[54] 鄒吉武, 孫大軍, 師俊杰, 等.雙基地聲吶矢量傳感器直達(dá)波抑制技術(shù)[J].高技術(shù)通訊, 2010, 20(11): 1138- 1141.Zou Ji-wu, Sun Da-jun, Shi Jun-jie, et al.Vector Sensor Based Reduction of Direct Wave Interference for Bistatic Sonar Systems[J].Chinese High Technology Letters, 2010, 20(11): 1138-1141.

[55] 鄒吉武, 孫大軍, 蘭華林.基于矢量傳感器的雙基地聲吶數(shù)據(jù)融合[J].高技術(shù)通訊, 2009, 19(9): 946-950.Zou Ji-wu, Sun Da-jun, Lan Hua-lin.A Data Fusion Algorithm for Bistatic Sonar Based on Vector Transducer[J].Chinese High Technology Letters, 2009, 19(9): 946-950.

[56] 高勇.收發(fā)分置主動聲吶混響特性和抑制方法的研究[D].南京: 東南大學(xué), 2014.

[57] 張林琳, 楊日杰, 楊春英.水下機(jī)動目標(biāo)跟蹤技術(shù)研究[J].聲學(xué)技術(shù), 2011, 30(1): 68-73.Zhang Lin-lin, Yang Ri-jie, Yang Chun-ying.Research on Underwater Manoeuvre Target Tracking Technology[J].Technical Acoustics, 2011, 30(1): 68-73.

[58] 劉立昕, 卞紅雨.用于水下目標(biāo)跟蹤的多特征融合PSOPF算法[J].應(yīng)用科學(xué)學(xué)報(bào), 2013, 31(6): 564-568.Liu Li-xin, Bian Hong-yu.Multi-feature Fused PSOPF for Underwater Target Tracking[J].Journal of Applied Sciences, 2013, 31(6): 564-568.

[59] 韓建輝, 楊日杰, 苗康樂, 等.一種定量度量航空聲吶浮標(biāo)陣多基地性能方法研究[J].測試技術(shù)學(xué)報(bào), 2015, 29(4): 315-320.Han Jian-hui, Yang Ri-jie, Miao Kang-le, et al.Research on a Method to Quantitatively Evaluate Multistatic Aerial Sonobuoy Array Performance[J].Journal of Test and Measurement Technology, 2015, 29(4): 315-320.

[60] 肖超超, 楊日杰, 韓建輝.多基地聲吶搜索性能模型研究[J].系統(tǒng)仿真學(xué)報(bào), 2014, 26(6): 1315-1319.Xiao Chao-chao, Yang Ri-jie, Han Jian-hui.Research on Model of Search Performance of Multi-static Sonar[J].Journal of System Simulation, 2014, 26(6): 1315-1319.

[61] 陳燕, 湯渭霖, 范軍, 淺海波導(dǎo)中目標(biāo)回聲計(jì)算的射線聲學(xué)方法[J].聲學(xué)學(xué)報(bào), 2010, 25(3): 335-342.Chen Yan, Tang Wei-lin, Fan Jun.The Geometrical Acoustic Method for Calculating the Echo of Targets Submerged in a Shallow Water Waveguide[J].Acta Acustica, 2010, 25(3): 335-342.

[62] 徐翔.目標(biāo)回波仿真與應(yīng)用研究[D].哈爾濱: 哈爾濱工程大學(xué), 2008.

[63] 朱廣平, 王飛, 孫輝.時頻域?yàn)V波沉底目標(biāo)亮點(diǎn)特征提取方法研究[J].哈爾濱工程大學(xué)學(xué)報(bào), 2015, 36(5): 616- 622.Zhu Guang-ping, Wang Fei, Sun Hui.Extraction Method of Highlight Features of a Bottom Target Based on Time-Frequency Dominant Filtering[J].Journal of Harbin Engineering University, 2015, 36(5): 616-622.

[64] 何友.信息融合理論及應(yīng)用[M].北京: 電子工業(yè)出版社, 2010.

[65] 敬忠良, 肖剛, 李振華.圖像融合: 理論與應(yīng)用[M].北京: 高等教育出版社, 2007.

[66] 潘泉, 程詠梅, 梁彥, 等.信息融合理論與應(yīng)用[M].北京: 清華大學(xué)出版社, 2012.

[67] 韓崇昭, 朱洪艷, 段戰(zhàn)勝.多源信息融合[M].2版.北京: 清華大學(xué)出版社, 2010.

The Technology of Feature-Aided Underwater Acoustic Fusion Detection

HAN Yi-na1, YANG Yi-xin1, LIU Qing-yu2, MA Yuan-liang1

(1.School of Marine and Technology, Northwestern Polytechnical University, Xi’an 710072, China; 2.Institute of Navy Research of China, Beijing 100073, China)

To overcome the problems such as high clutter rate, dim target, and low detection rate of sensors in multi-static sonar network, increasing attention has been paid to the feature-aided underwater acoustic fusion detection technology, which suppresses the clutter by using the correlation between the features derived from echo and the target, and provides more suitable inputs to detectors.Based on the idea of track before detection, this paper reviews the recent progress of feature-aided tracking, focusing on echo feature-aided pre-processing techniques.Domestic contributions in related areas such as multi-static sonar localization, tracking, echo feature extraction and information fusion are further discussed.Finally, the issues that will be further studied in this field are pointed out, including the prototype system for obtaining test data, the suitable signal and information processing technology, and the enhancement of automatic fusion and tracking ability.

multi-static sonar; underwater acoustic detection; fusion and tracking

TJ630.34; TB566

A

2096-3920(2018)06-0581-07

10.11993/j.issn.2096-3920.2018.06.012

2018-07-26;

2018-11-07.

國家重點(diǎn)研發(fā)計(jì)劃(2016YFC1400200), 國家自然科學(xué)基金面上項(xiàng)目(61671388)資助.

韓一娜(1981-), 女, 博士, 教授, 主要研究方向?yàn)樗暥嘣慈诤细櫋⑺曋悄芴綔y.

韓一娜, 楊益新, 劉清宇, 等.特征協(xié)助的水聲融合探測技術(shù)[J].水下無人系統(tǒng)學(xué)報(bào), 2018, 26(6): 581-587.

(責(zé)任編輯: 陳 曦)