聲吶目標跟蹤關聯(lián)中的模糊關聯(lián)方法

石超雄，陶劍鋒，張路蔚

聲吶目標跟蹤關聯(lián)中的模糊關聯(lián)方法

石超雄，陶劍鋒，張路蔚

(中國船舶重工集團第七一五研究所，浙江杭州 310023)

聲吶目標跟蹤關聯(lián)是為了獲得精確的狀態(tài)和屬性估計、完全和實時的態(tài)勢和威脅評估。在多臺聲吶系統(tǒng)聯(lián)合探測中，根據(jù)相同目標、不同觀測具有相似特征，提出了聲吶目標模糊關聯(lián)算法。模糊關聯(lián)能夠處理模糊性和不確定性信息，求解具有相似特征目標的關聯(lián)值。通過將探測目標的方位數(shù)據(jù)模糊化，利用觀測的模糊量和模糊隸屬度函數(shù)進行數(shù)據(jù)關聯(lián)，計算關聯(lián)時長內(nèi)兩臺聲吶探測目標方位的關聯(lián)值，仿真分析驗證了上述算法的有效性并取得了較好的實驗效果。

跟蹤關聯(lián)；模糊隸屬度；模糊關聯(lián)

0 引言

對聲吶系統(tǒng)目標進行數(shù)據(jù)關聯(lián)融合，通過對滿足條件的目標方位等信息進行目標關聯(lián)，能夠提高對目標的檢測、定位和識別能力。在多臺聲吶實時聯(lián)合目標探測跟蹤過程中，同一個目標在不同聲吶上形成的觀測，會由于其來源相同而具有某種相似特征，同時也會由于雜波干擾、噪聲和觀測的聲吶系統(tǒng)性能的差異性而導致這些觀測的目標特征存在一定的差異。數(shù)據(jù)關聯(lián)通過利用目標的這種觀測相似特征，判別目標量測的相似而不完全相同的特征是否對應于同一個探測目標[1]，從而得到多節(jié)點聯(lián)合探測的目標綜合態(tài)勢。

在跟蹤過程中出現(xiàn)新的目標，需要對連續(xù)的多個采樣周期進行“觀測”與“觀測”的目標數(shù)據(jù)關聯(lián)，對觀測數(shù)據(jù)的關聯(lián)融合需要進行“觀測”與“航跡”關聯(lián)，進而更新目標信息，確定目標航跡修正后的觀測。本文提出了基于模糊理論的多節(jié)點數(shù)據(jù)關聯(lián)算法，對不同探測節(jié)點的目標信息進行關聯(lián)分析，實現(xiàn)同一目標在不同聲吶系統(tǒng)上觀測的正確關聯(lián)。仿真試驗結果表明該方法能夠有效地解決純方位航跡相關的問題。

1 目標方位數(shù)據(jù)關聯(lián)

水中目標信息來源于不同聲吶基陣的探測目標。聲吶系統(tǒng)送出方位、距離等信息，需要將不同聲吶探測目標的信息轉換到統(tǒng)一坐標系上，而且時間上也要統(tǒng)一。數(shù)據(jù)關聯(lián)流程圖如圖1所示。

1.1 方位數(shù)據(jù)平滑預處理

水聲環(huán)境復雜、聲吶系統(tǒng)差異、輸出信息精度不一樣等各種因素會導致水聲探測信息在很多時候并不穩(wěn)定，跟蹤級數(shù)據(jù)質量對后續(xù)航跡數(shù)據(jù)關聯(lián)正確率、穩(wěn)定度有較大影響。因此，在進行航跡數(shù)據(jù)關聯(lián)前需要對方位距離數(shù)據(jù)進行平滑、預測等必要處理，以形成質量較好的航跡數(shù)據(jù)。數(shù)據(jù)預處理流程如圖2所示。

圖1 目標方位關聯(lián)流程圖

圖2 數(shù)據(jù)預處理

數(shù)據(jù)平滑有線性和非線性兩大類方法。經(jīng)過仿真比較多種算法，不管對勻速目標還是非勻速目標，非線性處理方法效果都較好?？刹捎脮r間序列指數(shù)平滑法、中值均值結合平滑法等方法，這些方法實現(xiàn)簡單，寬容性、處理效果均較好。

1.2 時空統(tǒng)一處理

時空統(tǒng)一處理在數(shù)據(jù)關聯(lián)中有很重要的作用，處理過程中需要將不同聲吶目標在不同時刻、不同坐標系下的信息統(tǒng)一轉換到同一時刻、同一坐標系下同類型的信息再進行其他后續(xù)處理。處理實施流程如圖3所示。

圖3 時空統(tǒng)一流程圖

測值可以通過以下插值公式得到：

該式適用于內(nèi)插、外推兩種情況，一般按照勻速直線運動進行推算。

2 模糊數(shù)據(jù)關聯(lián)

2.1 基于模糊量相似度的數(shù)據(jù)融合算法

該算法通過對探測目標方位數(shù)據(jù)模糊化，得到方位數(shù)據(jù)觀測的模糊量，然后計算不同目標航跡方位數(shù)據(jù)模糊量之間的相似關聯(lián)度，得到目標方位數(shù)據(jù)模糊量相似關聯(lián)度矩陣。設定關聯(lián)度閾值，計算各目標的航跡關聯(lián)對，判定不同探測節(jié)點的目標方位航跡相關[2]。

參考序列模糊量：

式(2)中：

比較序列模糊量：

式(6)中：

分別計算比較序列和參考序列純方位模糊量的相似度：

其中：

2.2 基于模糊隸屬度函數(shù)的模糊關聯(lián)算法

(1) 偏小型：

(2) 偏大型：

(3) 中間型：

基于隸屬度函數(shù)的模糊關聯(lián)步驟：

(4) 計算比較序列與參考序列的關聯(lián)值：

3 實驗驗證

3.1 模糊量數(shù)據(jù)關聯(lián)仿真

設1-1為參考序列，1-2，…，2-1，…，2-4為比較序列，函數(shù)輸出為參考序列和比較序列關聯(lián)度。第一列為參考序列，第二列至第八列為比較序列，得到各目標與1-1的關聯(lián)概率，正確關聯(lián)應該是1-1與2-1關聯(lián)概率最大，圖6是模糊量關聯(lián)不同探測誤差下的關聯(lián)概率。

圖4 聲吶1測得的目標方位圖

圖5 聲吶2測得的目標方位圖

圖6 不同探測誤差下的目標方位模糊量關聯(lián)概率

表1 目標方位模糊量關聯(lián)概率

由表1可以看出，模糊量關聯(lián)雖然正確關聯(lián)概率高，但是其區(qū)分度比較低，不利于目標分類。

3.2 模糊隸屬度關聯(lián)仿真

圖7 目標運動軌跡

圖8 聲吶1測得圖7所示目標的方位

圖9 聲吶2測得圖7所示目標的方位

經(jīng)過100次蒙特卡羅實驗，得到模糊隸屬度關聯(lián)概率如表2所示。

由仿真結果可以看出，雖然正確的關聯(lián)概率比模糊量關聯(lián)正確率低，但是其區(qū)分度比較明顯，即不是同一目標的關聯(lián)概率低，這對跟蹤目標分類融合結果有利。而且這種方法在建立模糊隸屬度函數(shù)求關聯(lián)值過程中，不需要預先知道聲吶探測系統(tǒng)目標探測的誤差。

表2 目標方位模糊隸屬度關聯(lián)概率

4 結論

本文提出了基于模糊隸屬度函數(shù)的模糊關聯(lián)算法，該方法相對于模糊量關聯(lián)算法，不要求系統(tǒng)的方位探測誤差。實驗結果表明，同一目標在不同誤差的系統(tǒng)上做模糊隸屬度函數(shù)關聯(lián)，能夠區(qū)分不同目標，有一定的關聯(lián)準確率。

在下一步的工作中，將研究聲吶目標頻域特征的模糊隸屬度函數(shù)形式對目標模糊關聯(lián)準確率的影響，同時利用這兩種相互獨立的特征提高相同目標的關聯(lián)概率。

[1] 劉源. 基于模糊信息處理的數(shù)據(jù)融合方法研究[D]. 陜西: 西安電子科技大學, 1999.

LIU Yuan. The reseach of data fusion based on fuzzy information processing[D]. Xi’an: Xidian University, 1999.

[2] 何友, 王國宏, 陸大紟, 等. 多傳感器信息融合及應用[M]. 北京: 電子工業(yè)出版社, 2000.

HE You, WANG Guohong, LU Daqian, et al. Multisensor information fusion with applications[M]. BeiJing: Publishing House of Electronics Industry, 2000.

[3] 韓崇昭, 朱紅艷, 段戰(zhàn)勝, 等. 多元信息融合[M]. 北京: 清華大學出版社, 2010.

HAN Congzhao, ZHU Hongyan, DUAN Zhansheng, et al. Multi-sources information fusion[M]. Beijing:Tsinghua University Press, 2010.

[4] 何友, 王國宏, 陸大紟, 等. 多傳感器數(shù)據(jù)融合模型綜述[J]. 清華大學學報, 1996, 36(9): 14- 20.

HE You, WANG Guohong, LU Daqian, et al. Summary of multisensor data fusion model[J]. Journal of Tsinghua University, 1996, 36(9): 14-20.

[5] 肖冠. 基于多特征融合的異類傳感器中段目標關聯(lián)算法研究[D].長沙: 國防科技大學, 2013.

XIAO Guan. The research based on the target association algorithm of the middle segment of heterogeneous sensor based on multi-feature fusion[D]. Changsha: National University of Defense Technology, 2013.

[6] 朱沛勝. 多目標數(shù)據(jù)關聯(lián)算法研究[D]. 西安: 西安電子科技大學, 2001.

ZHU Peisheng. The research on multi-target data association algorithm[D]. Xi’an:Xidian University, 2001.

[7] HOU Y L. Multiple-sensor fusion tracking based on square-root cubature kalman filtering[J]. Joural of Networks, 2014, 9(7): 132- 136.

[8] TIWARI R, GUPTA V K, KANKAR P K. Bearing fault diagnosis based on multi-scale permutation entropy and adaptive neuro fuzzy classifier[J]. Journal of Vibration and Control 2015, 21(3): 461-467.

The fuzzy association method for target-tracking association of sonar

SHI Chaoxiong, TAO Jianfeng, ZHANG Luwei

(715th Institute of CSIC, Hangzhou 310023, Zhejiang, China)

Target-tracking association of sonar is a comprehensive processing technique, which can achieve more accurate state and attribute estimation and more complete real-time situation and threat assessment than the single information source through smartly combining the multi-source information of targets. In this paper, the multiple sensors based fuzzy correlation algorithm is proposed on the similarity of different observations of the same target. The method is used to process uncertain information for finding the difference between illegible targets, and the correlation value of the target orientations within the correlation time is calculated by blurring the target orientation data based on the fuzzy set definition of observation data and the fuzzy membership function. The validity of the above algorithm is verified by simulation analysis, and good experimental results are obtained.

target-tracking association; fuzzy membership degree; fuzzy association

TB56

A

1000-3630(2020)-02-0141-05

10.16300/j.cnki.1000-3630.2020.02.003

2018-08-12;

2018-12-06

裝備預研項目(30202)。

石超雄(1987－), 男, 湖北黃岡人, 工程師, 研究方向為水聲信號處理和數(shù)據(jù)融合。

石超雄,E-mail: scx610192559@163.com