水聲目標探測和識別融合技術(shù)發(fā)展綜述

張延厚 王 超 張 奇 李 強 笪良龍

（1.海軍潛艇學(xué)院航海觀通系，山東青島 266199；2.青島協(xié)同創(chuàng)新研究院，山東青島 266071）

1 引言

近年來，水下空間成為各方搶奪戰(zhàn)略先機的新戰(zhàn)場，傳統(tǒng)的依靠單聲吶探測和聲吶員主觀經(jīng)驗判斷的方式已越來越不適合未來水下作戰(zhàn)需求，為適應(yīng)復(fù)雜的海洋環(huán)境和獲得更豐富、更準確的目標信息，越來越多的各種樣式的水下探測裝備和傳感器被研發(fā)出來，并投入測試和應(yīng)用。因此，發(fā)展基于多源信息融合的水聲目標探測與識別技術(shù)具有重要的科研價值和軍事意義。

信息融合技術(shù)較早的工程應(yīng)用是在水下信號處理領(lǐng)域，美軍在1973年應(yīng)用多個獨立聲吶融合處理，實現(xiàn)了比單聲吶更優(yōu)的探潛效果，這一成功實踐對改變水下作戰(zhàn)模式有重要影響［1］。自此，多傳感器信息融合應(yīng)用技術(shù)成為海洋技術(shù)領(lǐng)域重點攻關(guān)的技術(shù)之一。在軍用領(lǐng)域，海洋信息融合技術(shù)是海上軍事信息系統(tǒng)最為核心的技術(shù)之一，美軍代表性成果有：海軍戰(zhàn)術(shù)數(shù)據(jù)系統(tǒng)（Navy Tactical Data System，NTDS）［2］、態(tài)勢圖族概念-互操作作戰(zhàn)圖族（Family of Interoperable Operational Pictures，F(xiàn)IOP）［3］、網(wǎng)絡(luò)中心戰(zhàn)（Network-Centric Warfare，NCW）概念［3］和21 世紀海上力量設(shè)想［4］等。FIOP 模塊之一的單一綜合圖（Single Integrated Picture，SIP）是指面向某單一作戰(zhàn)空間應(yīng)用的多源探測和偵察信息融合圖，其為全維作戰(zhàn)空間（地面、水面、水下、空中、空間以及信息空間）提供及時、融合、精確、可靠的作戰(zhàn)對象信息，作戰(zhàn)對象有海面艦船或平臺、潛艇、水雷以及水下其他設(shè)備等，經(jīng)過數(shù)據(jù)融合處理達到火控精度的目標狀態(tài)估計，對海洋作戰(zhàn)環(huán)境形成全方位的掌控，并掌握戰(zhàn)場主動權(quán)。因此，美國等西方國家為充分發(fā)揮信息融合技術(shù)在海洋信息作戰(zhàn)中的優(yōu)勢，均致力于為信息融合設(shè)計高精度傳感器、高性能處理器、多載體平臺及穩(wěn)健融合算法等，研發(fā)和改進多種信息融合作戰(zhàn)系統(tǒng)并投入試驗。國內(nèi)信息融合技術(shù)的研究始于20世紀80年代末，至20世紀末，信息融合技術(shù)才被列為我國“863”計劃和“九五”規(guī)劃中的重點研究內(nèi)容，數(shù)據(jù)融合模型與結(jié)構(gòu)、信號檢測融合、多傳感器協(xié)同定位、目標跟蹤、目標融合識別和多源決策融合等技術(shù)率先取得突破［5］，之后以戰(zhàn)場為背景的態(tài)勢評估與威脅估計等熱門研究方向也取得了一定研究成果。但因為水下攻防任務(wù)特殊且復(fù)雜，技術(shù)保密要求高，國內(nèi)外關(guān)于水聲目標探測與識別的信息融合技術(shù)公開資料相對較少。

水聲目標探測與識別，即利用聲學(xué)或非聲學(xué)手段實現(xiàn)對水面水下目標檢測、定位跟蹤、分類和識別等。而聲波是目前在水下能遠距離傳播信息的唯一有效方式，聲吶是水聲目標探測的主要設(shè)備。聲傳播受復(fù)雜的海洋環(huán)境影響嚴重，聲吶獲取的目標信息往往具有不準確性和不確定性：單聲吶受限于有限的時空探測能力和探測精度，獲取的信息不全面且不可靠；單聲吶生存能力差、不可替代造成水下觀測系統(tǒng)穩(wěn)定性差。此外，海洋試驗成本高、難度大、數(shù)據(jù)存儲和傳輸困難等。綜上，基于單傳感器探測能力差、我國多平臺協(xié)同作戰(zhàn)迫切需求以及對戰(zhàn)場態(tài)勢感知實時性和精確性的更高要求，多傳感器、多平臺、多基陣的水下探測和識別技術(shù)是現(xiàn)在和未來主要發(fā)展趨勢，綜合利用多樣化信息：聲、光、電、磁、熱尾流、重力場、圖像視頻、人工情報和網(wǎng)絡(luò)數(shù)據(jù)等，提升水下目標探測識別能力。

根據(jù)水聲目標探測與識別技術(shù)發(fā)展需求，本文在構(gòu)建水下立體觀測系統(tǒng)的基礎(chǔ)上，重點歸納、分析和總結(jié)信息融合技術(shù)在水聲目標檢測、定位跟蹤和識別中的應(yīng)用現(xiàn)狀，并對水聲目標融合探測和識別中存在的問題給出一些意見和建議。

2 水下立體觀測系統(tǒng)

2.1 水下立體觀測網(wǎng)絡(luò)組成

水下立體觀測是復(fù)雜的時空協(xié)同過程，基于多域多平臺，利用水聲、無線以及衛(wèi)星等通信方式，構(gòu)建對海洋實時觀測的立體網(wǎng)絡(luò)［6］。水下立體觀測系統(tǒng)多用于水下環(huán)境監(jiān)測、資源勘探及自然災(zāi)害預(yù)報等，隨著水下立體觀測網(wǎng)絡(luò)功能多元化，水下目標探測與識別已成為其功能之一，即美軍提出的“空海一體戰(zhàn)”作戰(zhàn)概念［4］。

水下立體觀測網(wǎng)絡(luò)包含多種觀測平臺、設(shè)備和傳感器，分布在海底、水下、水面、岸基、空天等全域空間。觀測平臺包括衛(wèi)星、飛機、無人飛艇、科考船、漂流浮標、Argo 浮標、波浪滑翔器、水下滑翔機、自主水下潛航器、水面無人艇（船）以及水下機器人等移動平臺和錨定?。摌耍⒑５子^測站、岸基觀測站等固定平臺；探測設(shè)備、系統(tǒng)及傳感器包括聲吶、雷達、合成孔徑雷達（Synthetic Aperture Radar，SAR）、船舶自動識別系統(tǒng)（Automatic identification System，AIS）、光電成像傳感器以及電磁傳感器等。實際應(yīng)用中，根據(jù)不同海域需求設(shè)計不同的組網(wǎng)方式，包括近海、遠海、淺海、深海以及海峽等，如在關(guān)鍵的海峽要塞為形成對水下敏感目標探測，可構(gòu)建衛(wèi)星、飛機、水聲監(jiān)聽船、水面無人艇以及水下潛標、無人潛航器等在內(nèi)的多平臺聯(lián)合探測體系，如圖1為跨域異構(gòu)立體探測系統(tǒng)設(shè)想示意圖。水下平臺之間通過水聲通信和信息傳輸，水面平臺之間通過無線、衛(wèi)星等進行通信和信息傳輸，水下、水面信息通過衛(wèi)星傳輸?shù)桨痘笓]中心進行融合處理并做出響應(yīng)，水下、水面、空中以及岸基構(gòu)成一個完整的系統(tǒng)，同時各部分也能形成一個獨立觀測系統(tǒng)，共同完成探測功能。

圖1 跨域異構(gòu)水聲目標立體探測系統(tǒng)設(shè)想示意圖Fig.1 Conceptual diagram of trans-domain heterogeneous underwater acoustic target stereo observation system

構(gòu)建水下跨域異構(gòu)組網(wǎng)體系，克服單一平臺能力不足的短板，發(fā)揮多平臺協(xié)同優(yōu)勢，實現(xiàn)“1+1＞2”的跨域協(xié)同效應(yīng)，基于多源信息融合提高水下目標探測能力。水下無人集群是立體組網(wǎng)探測模式的發(fā)展方向之一，無人設(shè)備相互協(xié)同，發(fā)揮其隱蔽、智能、機動靈活、快速反應(yīng)的優(yōu)勢，完成自主決策。美軍在海洋觀測計劃［7］基礎(chǔ)上構(gòu)想了異構(gòu)無人平臺集群作戰(zhàn)模式，多種水面水下無人平臺構(gòu)成跨空中、海上及水下的多維立體式無人組網(wǎng)協(xié)同方式，在大量的實戰(zhàn)演習(xí)中驗證了水下無人集群的優(yōu)勢?！坝腥?無人”協(xié)同組網(wǎng)是立體組網(wǎng)探測模式另一發(fā)展方向，可增強組網(wǎng)協(xié)同指揮能力和信息判別能力，采用潛艇、反潛機、無人集群和水下預(yù)置系統(tǒng)組合的方式，構(gòu)建多信息節(jié)點，形成區(qū)域精準探測能力。

2.2 水下立體觀測系統(tǒng)信息處理結(jié)構(gòu)

根據(jù)多平臺和多傳感器在水下立體觀測系統(tǒng)中的協(xié)同方式、組成結(jié)構(gòu)和應(yīng)用場景的不同，水聲目標融合結(jié)構(gòu)可分為集中式、分布式和混合式。由于水下各平臺之間通信受限以及數(shù)據(jù)存儲有限，集中式結(jié)構(gòu)很難實現(xiàn)；分布式是目前水下應(yīng)用最廣泛的融合結(jié)構(gòu)，此結(jié)構(gòu)可減少數(shù)據(jù)傳輸量，有利于系統(tǒng)的實時計算，保證各個傳感器的穩(wěn)定互不干擾，但同時造成目標信息的丟失；理論上混合式是最理想的融合結(jié)構(gòu)，可實現(xiàn)不同平臺、不同傳感器和不同信息之間的最優(yōu)化分配和計算，但其結(jié)構(gòu)復(fù)雜很難用于工程。

基于不同的融合結(jié)構(gòu)，實現(xiàn)水聲目標數(shù)據(jù)級-特征級-決策級的多重信息交互與融合。數(shù)據(jù)級融合通常處理相同量級和同類傳感器的原始數(shù)據(jù)，如聲吶陣列信號處理，算法簡單可保留較多的原始信息，但由于海洋環(huán)境復(fù)雜、環(huán)境噪聲干擾嚴重，對于主要采用加權(quán)融合的數(shù)據(jù)級融合很難得到很好的融合效果，在水聲領(lǐng)域應(yīng)用較少；特征級融合在水聲領(lǐng)域中廣泛應(yīng)用，不受傳感器獲取信息類型約束，每個傳感器檢測到目標并提取特征，相同或不同類型的多特征向量綜合處理，得到表征目標屬性的融合特征；決策級融合對數(shù)據(jù)源的獨立性要求較高，能處理目標的不確定性信息、虛假信息以及模糊信息，尤其對異類、異構(gòu)數(shù)據(jù)有較好的適用性，在水聲領(lǐng)域具有較好的研究前景。

根據(jù)美軍實驗室理事聯(lián)合會（Joint Directors of Laboratories，JDL）提出的JDL 融合模型可將水聲目標信息融合處理的功能過程分為五級，即檢測級-水聲目標有無判決、狀態(tài)級-水聲目標定位跟蹤、屬性級-水聲目標識別、態(tài)勢評估和威脅綜合估計，最后兩級多用于海上對敵決策和指揮策略制定。構(gòu)建水聲目標融合處理功能框架，如圖2所示。

圖2 水聲目標信息融合處理功能過程Fig.2 Underwater acoustic target information fusion processing function

3 水聲目標融合檢測

3.1 水聲目標探測方式

目前，水下目標探測主要利用聲學(xué)手段，分為主、被動兩種模式。被動探測具有較好的隱蔽性，應(yīng)用廣泛，采用單聲吶及多聲吶組合形式（線型、面型和球型等）被動接收目標輻射噪聲，各聲吶單元經(jīng)過信號處理得到目標時頻、運動等信息。而主動探測主要利用主動聲吶回波檢測獲取目標距離、深度等更豐富信息。低頻高功率探測技術(shù)、雙/多基地探測、前向散射探測和多輸入多輸出（Multi Input Multi Output，MIMO）探測等新型探測技術(shù)形成了水聲主動探測技術(shù)的發(fā)展方向［8］。水聲目標探測的主要方式由單一探測發(fā)展到主被動聯(lián)合探測，形成多種協(xié)同模式的探測方式，如“一主多被”或“多主多被”的分布式或集中式空間布局，再通過多種通信方式實現(xiàn)多層級的信息處理和融合。

多種非聲學(xué)探測技術(shù)也開始應(yīng)用在水聲目標探測中，如可見光成像、雷達、紅外、激光、磁異、衛(wèi)星以及AIS等，可見光成像、雷達、紅外、激光和磁異等探測方式可實現(xiàn)在水下對目標短距離探測，而所有非聲學(xué)方式均具有對水面目標的探測能力，也可獲取水下目標上浮下潛時的運動態(tài)勢信息，輔助降低水下目標聲學(xué)探測的虛警率，形成以主被動聲學(xué)探測方式為主、非聲學(xué)探測方式為輔的聯(lián)合探測方式，多種探測方式綜合應(yīng)用是未來水聲目標探測的主要發(fā)展趨勢。

3.2 水聲目標融合檢測方法

單傳感器水聲目標檢測受環(huán)境噪聲干擾、聲波傳播衰減、多徑傳播等影響，信號信噪比低，檢測結(jié)果不可靠，多傳感器協(xié)同運用和信號組合處理可以提高水聲目標檢測的可信度，降低虛警率。

3.2.1 基于目標聲學(xué)信號的融合檢測方法

為提高水聲目標的檢測概率，單節(jié)點多檢測方法相結(jié)合和多節(jié)點數(shù)據(jù)融合處理的檢測方法相繼被研究。單節(jié)點將能量檢測、線譜檢測或過零率檢測等兩種或兩種以上的檢測方法構(gòu)成集成檢測模型，即集成檢測器，再基于判決準則實現(xiàn)目標有無判別，多種檢測方法可實現(xiàn)性能互補；多節(jié)點融合處理方法則集成各節(jié)點概率統(tǒng)計檢測模型，再按照一定融合規(guī)則進行目標有無全局判決，分布式融合檢測結(jié)構(gòu)可靠性較高應(yīng)用最多，其可以獨立處理局部信息，對目標做出局部判決，發(fā)揮多傳感器集群的檢測性能。

水聲目標融合檢測融合中心的檢測概率可表示為

其中，u=(u1，u2，…，uN)表示N個局部判決，P(u0=1|u)為融合中心的判決準則。

水聲目標融合檢測結(jié)果的準確性取決于判決準則的選擇，常見的判決準則可分為基于統(tǒng)計的判決準則和非統(tǒng)計的判決準則，統(tǒng)計判決準則包括：Bayes準則、最小錯誤概率準則、最大后驗概率準則、極大極小化準則和Neyman-Pearson（N-P）準則等［9-11］。N-P 準則相較于其他準則既不用代價函數(shù)也沒有先驗要求，能使綜合檢測器達到次最優(yōu)性能。非統(tǒng)計檢測判決準則典型的是表決準則，基本的融合準則包括：“或”、“與”、“與或”等，判決規(guī)則簡單，但輸入必須符合邏輯標準。

對傳感器檢測結(jié)果進行最優(yōu)分配和統(tǒng)計建模是優(yōu)化融合判決準則的常用方法，賦予單聲吶或單節(jié)點一個概率范圍或可信度度量先驗，提升綜合檢測能力。文獻［12］采用基于N-P準則的分布式聲吶檢測融合方法，設(shè)置多個靜態(tài)節(jié)點向融合中心發(fā)送多個二進制決策信息，引入模糊決策對每個聲吶節(jié)點進行量化，提升多基地聲吶對不確定目標的檢測度。文獻［13］研究了由主動聲源、分布式被動傳感器和融合中心組成的網(wǎng)絡(luò)對水下目標的探測問題，引入分散式廣義似然比檢驗檢測器對傳感器觀測信息進行判別，通過對各傳感器構(gòu)建統(tǒng)計分布函數(shù)，對水面水下目標“多大可能”出現(xiàn)進行度量，可改善單傳感器“硬判決”誤判影響最終融合結(jié)果。

3.2.2 其他融合檢測方法

隨著傳感器技術(shù)和融合理論的發(fā)展，有三個方向成為目前的熱點研究內(nèi)容：

一是采用新型探測傳感器，合成孔徑技術(shù)是一種空間上的信息融合，合成孔徑聲吶可以明顯改善探測分辨率，但不同海域?qū)铣煽讖郊夹g(shù)影響不同，合成孔徑聲吶受聲傳播速度和水聲信道嚴重制約，雖然如此，合成孔徑技術(shù)也將是未來提升水下目標檢測性能的一個突破點。

二是多異類傳感器聯(lián)合檢測，不同空間不同傳感器對目標探測的信息種類、精度和維度都不同，可以起到很好的信息互補作用，水面探測設(shè)備如雷達、AIS、衛(wèi)星等可獲得水面目標信息，異類信息通過關(guān)聯(lián)處理形成目標航跡并估計目標態(tài)勢，輔助水下聲吶對目標的檢測，降低虛警率；各異類傳感器獲得對目標的檢測概率，基于證據(jù)理論、貝葉斯理論等可實現(xiàn)對目標檢測概率的決策融合。

三是運用智能檢測方法，進一步提取和綜合利用多種聲學(xué)和非聲學(xué)特征，根據(jù)特征特性區(qū)分目標與海洋環(huán)境噪聲，提取多種時域、頻域或圖像特征輸入到目標檢測器或分類模型中，并利用機器學(xué)習(xí)、證據(jù)理論等方法實現(xiàn)特征級融合和決策級融合檢測。此類方法多用在可見光傳感器獲取的水下目標圖像特征處理和水下目標識別中，對于聲吶探測的目標信號檢測研究較少，原因是聲學(xué)信號數(shù)據(jù)樣本較少、信噪比低，訓(xùn)練模型很難建立且較為復(fù)雜。

4 水聲目標融合定位跟蹤

4.1 水聲目標融合定位方法

水聲目標與陸空目標融合定位不同：（1）受復(fù)雜海洋環(huán)境影響，存在聲速分布和多途效應(yīng)現(xiàn)象，導(dǎo)致聲線彎曲和傳播時延問題；（2）水聲通信傳輸能力有限，信息易丟失；（3）載荷平臺并不完全是固定的，易受洋流和海水擾動；（4）多傳感器之間協(xié)同性差；（5）聲學(xué)被動融合定位困難，量測誤差大。

4.1.1 基于時空特征的融合定位方法

純方位目標運動分析和定位是被動聲吶亟需解決的難題，單平臺非機動條件下基于純方位的目標運動系統(tǒng)是不可觀測的，為此研究者提出了基于多平臺多傳感器組合的純方位目標協(xié)同定位法［14-15］。多聲吶被動協(xié)同定位利用幾何關(guān)系和最小二乘估計實現(xiàn)測向交叉定位［16］，但此類方法是通過多個方位線交叉融合定位，信噪比低或多目標時各測向線交點可能會產(chǎn)生大量虛假目標，干擾位置估計，數(shù)據(jù)關(guān)聯(lián)法與目標定位法相結(jié)合是提高目標多方位關(guān)聯(lián)和定位精度較好的思路，最小二乘法、最大似然估計與卡爾曼濾波、粒子濾波、多假設(shè)跟蹤等關(guān)聯(lián)濾波定位法提了出來。文獻［17］提出一種多級多假設(shè)目標濾波和關(guān)聯(lián)的協(xié)同定位跟蹤法，使用數(shù)據(jù)關(guān)聯(lián)和非線性濾波實現(xiàn)測量到航跡的關(guān)聯(lián)，減少因干擾點過多而目標丟失，從而提高定位精度和穩(wěn)定性。

非純方位交叉定位則采用方位和距離解算目標位置，即基于測距的水聲目標定位法，利用不同到達時間（Time Of Arrival，TOA）、到達時差（Time Delay Of Arrival，TDOA）、到達頻率差（Frequency Difference Of Arrival，F(xiàn)DOA）、到達角度（Angle Of Arrival，AOA）或接收信號強度指示（Received Signal Strength Indicator，RSSI）等信息差得到各節(jié)點間距離［18］，可最大限度提高定位精度，但依然不能消除誤差。由于聲波傳播的弱通信特點，傳感器節(jié)點和水下目標之間會出現(xiàn)時鐘不同步或信息丟失問題，多模態(tài)融合定位方法成為熱點，其可融合不同觀測信息優(yōu)勢，形成互補優(yōu)勢。多模態(tài)融合即綜合TDOA、FDOA、AOA 和RSSI 等信息，其中，到達頻率差可改善估計速度，到達角可提升位置估計精度。文獻［19］基于傳感器節(jié)點的自定位誤差和測距誤差，提出基于加權(quán)整體最小二乘的TDOA/FDOA 聯(lián)合定位方法，相較單一模態(tài)的定位法，多模態(tài)融合定位法可顯著提高定位精度和改善網(wǎng)絡(luò)性能。

4.1.2 基于運動信息的融合定位方法

移動錨節(jié)點輔助定位與基于純方位的單平臺機動目標運動分析類似，基于移動節(jié)點運動實現(xiàn)多時刻多節(jié)點信息獲取進而實現(xiàn)水下目標定位［20］。此方法多適用于探測平臺較少或探測平臺位置移動較大時，且多應(yīng)用于搭載有多傳感器的自主式水下航行器（Autonomous Underwater Vehicle，AUV）等平臺，平臺機動性好可獲得目標方位、距離等信息。若水下無人平臺節(jié)點運動狀態(tài)已知，當傳感器在不同時刻得到多個與目標之間的信息時，可采用三角測量法或時空特征融合定位來估計位置。移動錨節(jié)點還可按預(yù)設(shè)軌跡運動或?qū)ζ浣⒁欢ǖ倪\動模型，這樣基于移動錨點運動模型就能較為準確地估計目標位置，提高定位精度。移動錨節(jié)點法還可與測距法進行結(jié)合，文獻［21］提出聯(lián)合使用移動錨節(jié)點和RSSI 測距的定位算法來節(jié)省定位成本和加快定位速度。移動錨節(jié)點輔助的水下節(jié)點定位依靠其低成本和靈活性已成為多節(jié)點協(xié)同定位的熱點。

4.1.3 基于海洋物理場的融合定位方法

目標輻射噪聲在不同海域不同海深服從不同的聲傳播模型，將海洋環(huán)境參數(shù)作為先驗信息同時結(jié)合實時的聲傳播模型，從而可以預(yù)先估計出在整個目標探測海域內(nèi)所有輻射源近似位置的拷貝場，最后將實際探測的聲信號與之相匹配，即可得到輻射聲源大致位置。目前研究熱點是用各種聲場模型或數(shù)學(xué)模型改進匹配場，如簡正波理論、拋物方程模型、高階累積量和時頻空間變換等［22-23］。

匹配場處理算法在低信噪比和環(huán)境失配時效果較差。信噪比低時，一般將傳統(tǒng)的低維平面波束形成擴展到三維空間，同時利用多個空間分布較遠的聲陣列構(gòu)成多樣的三維聲場空間采樣并同時增加采樣差異性［24］，實現(xiàn)多子陣定位融合；匹配場失配時，可綜合匹配場定位結(jié)果與多異類平臺探測結(jié)果，并進行融合處理，將多異類平臺探測目標位置信息進行平臺級位置關(guān)聯(lián)，再基于不同的物理場、先驗信息及聲傳播模型設(shè)置匹配場結(jié)果的置信度，利用證據(jù)理論等融合方法降低模型因環(huán)境失配造成的不確定，從而提高分辨能力［25］。

4.2 水聲目標跟蹤方法

水聲環(huán)境復(fù)雜多變，接收信號信噪比低，環(huán)境噪聲干擾嚴重，量測數(shù)據(jù)中多虛假和干擾信息，另外目標種類數(shù)量的不確定性、目標運動模型未知、量測-目標關(guān)聯(lián)的不確定性以及跟蹤算法缺乏魯棒性等，這些不確定性造成了水聲目標跟蹤的不穩(wěn)定和不準確。同時水聲通信質(zhì)量差、信息傳輸受帶寬限制、聲傳播多徑效應(yīng)干擾等，導(dǎo)致目標信息交互不及時和信息丟失。以上因素都將嚴重影響水聲目標跟蹤的性能［26］。

4.2.1 基于經(jīng)典非線性濾波的水聲目標跟蹤

卡爾曼濾波主要應(yīng)用于跟蹤中的時變線性系統(tǒng)，對信噪比要求較高。水聲目標跟蹤目前主要還是以被動跟蹤為主，觀測值與狀態(tài)量呈非線性關(guān)系，主流方法有：擴展卡爾曼濾波（Extended Kalman Filter，EKF）、無跡卡爾曼濾波（Unscented Kalman Filter，UKF）、容積卡爾曼濾波器（Cubature Kalman filter，CKF）等［27］。除廣義卡爾曼濾波算法外，二階濾波、迭代濾波、粒子濾波（Particle Filter，PF）和轉(zhuǎn)換瑞利濾波（Shifted Rayleigh Filter，SRF）等濾波法也被相繼用于水聲目標跟蹤［28-29］。

EKF 是一種空間估計器，將非線性求解通過空間轉(zhuǎn)換矩陣變成線性估計，實現(xiàn)在弱干擾情況下水聲目標跟蹤，改善了收斂速度。UKF 則利用無損變換使非線性估計求解問題滿足線性假設(shè)下的標準卡爾曼體系，保留了高階項，計算非線性分布統(tǒng)計量的誤差較小，但系統(tǒng)維度過高也會導(dǎo)致估計結(jié)果發(fā)散。文獻［30］將UKF 與基于修正極坐標的擴展卡爾曼濾波（Modified Polar-coordinates Extended Kalman Filter，MPEKF）在水下無人平臺對目標純方位跟蹤上的應(yīng)用效果對比，UKF 在收斂速度、跟蹤穩(wěn)定性以及精確度上優(yōu)于MPEKF，但兩種算法均受到目標初始未知狀態(tài)假設(shè)的影響。

在實際海洋環(huán)境中，水下目標的未知狀態(tài)大多為非線性和非高斯狀態(tài)，考慮采用近似計算來獲得目標未知狀態(tài)的估計。CKF 和PF 則不受限于線性化誤差或高斯噪聲假設(shè)，對各種環(huán)境下的各種狀態(tài)轉(zhuǎn)換或測量模型均適用。CKF 將非線性濾波估計轉(zhuǎn)化為非線性函數(shù)與高斯概率密度函數(shù)乘積的積分問題，文獻［31］認為合適的容積準則如球面容積準則是高斯假設(shè)下的非線性環(huán)境中貝葉斯濾波器的最佳近似，能解決水下高維非線性問題并減小計算量。PF 算法不對系統(tǒng)做線性假設(shè)和后驗概率的高斯假設(shè)，是一種非線性、非高斯濾波，利用非參數(shù)化的序貫蒙特卡洛模擬法來實現(xiàn)遞推貝葉斯濾波，其精度近似最優(yōu)估計，該方法簡單易行，給水聲目標跟蹤的非線性動態(tài)系統(tǒng)提供了較好的解決方案。且PF算法可以抗環(huán)境噪聲強干擾，保持穩(wěn)定的非線性狀態(tài)估計，其改進有擴展粒子濾波、無跡粒子濾波等，PF及其改進算法在有高斯噪聲和散粒噪聲的水聲純方位跟蹤中可實現(xiàn)較好的跟蹤效果［32］。

KF、EKF、UKF 及PF 等方法還適用于目標運動且具有機動性時，常與交互多模型（Interacting Multiple Model，IMM）相結(jié)合［33］，是改善機動目標跟蹤能力的一種有效方法，通過融合目標和傳感器的機動信息、方位角、俯仰角等信息達到提高目標跟蹤的穩(wěn)定性。

4.2.2 基于數(shù)據(jù)關(guān)聯(lián)的水聲目標跟蹤

在噪聲干擾嚴重、多目標、多傳感器跟蹤系統(tǒng)中，需對同一時刻用于更新目標狀態(tài)的量測數(shù)據(jù)進行關(guān)聯(lián)，降低目標跟蹤的不確定性［34-35］?；陉P(guān)聯(lián)的水聲目標跟蹤分兩步：（1）關(guān)聯(lián)，將有效觀測與目標狀態(tài)關(guān)聯(lián)；（2）估計，使用與每個目標關(guān)聯(lián)的有效觀測來計算該目標狀態(tài)的估計。

水聲目標數(shù)據(jù)關(guān)聯(lián)方法主要有極大似然類數(shù)據(jù)關(guān)聯(lián)法和貝葉斯類數(shù)據(jù)關(guān)聯(lián)法［36-37］，傳統(tǒng)極大似然類數(shù)據(jù)關(guān)聯(lián)法一般是對數(shù)據(jù)進行批處理，計算量較大，在水聲干擾環(huán)境中研究較少。貝葉斯類數(shù)據(jù)關(guān)聯(lián)法是水聲領(lǐng)域的研究重點，第一類屬于次優(yōu)貝葉斯算法，只對最新時刻量測集合進行確認和計算，主要包括最近鄰數(shù)據(jù)關(guān)聯(lián)（Nearest Neighbor，NN）、全局最近鄰數(shù)據(jù)關(guān)聯(lián)（Global Nearest Neighbor，GNN）、k-最近鄰數(shù)據(jù)關(guān)聯(lián)（k-Nearest Neighbor，k-NN）、統(tǒng)計關(guān)聯(lián)、概率數(shù)據(jù)關(guān)聯(lián)（Probabilistic Data Association，PDA）、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)（Joint Probabilistic Data Association，JPDA）以及各種改進JPDA算法等；第二類屬于最優(yōu)貝葉斯算法，計算對象則是最新時刻及過去時刻所有確認的量測集合，需計算出每個量測序列的概率值，主要有最優(yōu)貝葉斯跟蹤算法、多假設(shè)跟蹤（Multiple Hypothesis Tracking，MHT）算法、高斯混合概率假設(shè)算法和概率多假設(shè)跟蹤（Probabilistic Multiple Hypothesis Tracking，PMHT）算法等［38］。表1分析了各種常用數(shù)據(jù)關(guān)聯(lián)算法的優(yōu)缺點及水下應(yīng)用條件。

PDA 類和MHT 類方法是目前在水聲多目標低信噪比環(huán)境中效果較好的方法。文獻［39］結(jié)合CKF 和PDA 完成目標-量測的關(guān)聯(lián)，實現(xiàn)純方位水下多目標跟蹤，但PDA 算法忽略了水下干擾的存在，這在實際環(huán)境中是不可能的；JPDA 算法則充分考慮了進入關(guān)聯(lián)波門內(nèi)的量測，計算互聯(lián)概率時需考慮多條航跡對量測的競爭并賦予不同權(quán)值，文獻［36］對雜波多目標環(huán)境下JPDA 后驗概率密度函數(shù)更新規(guī)則進行討論，取得了較好的聲吶跟蹤目標精度。但JPDA 在量測個數(shù)較多時計算復(fù)雜度會大幅增加，JPDA 與其他算法相結(jié)合進行改進，文獻［40］用模糊隸屬度簡化JPDA 算法關(guān)聯(lián)的計算，提高了算法的實時性。

MHT 算法被認為是數(shù)據(jù)關(guān)聯(lián)中理想假設(shè)條件下的較優(yōu)方法，是多目標跟蹤的一種延遲決策算法。與依賴于當前掃描的PDA 和JPDA 算法相比，MHT 算法的計算成本較高，但MHT 算法對雜波環(huán)境中低信噪比目標具有關(guān)聯(lián)穩(wěn)定性和可靠性［41］。PMHT 是對MHT 的進一步優(yōu)化，通過EM 迭代求解目標狀態(tài)的最大后驗概率分布，降低了計算量，在概率統(tǒng)計意義下易擴展。文獻［42］針對強干擾環(huán)境下的水下多目標純方位跟蹤，引入一個目標和量測之間的關(guān)聯(lián)變量來解決兩者之間的數(shù)據(jù)模糊問題，使目標和量測之間的關(guān)聯(lián)假設(shè)是相互獨立的，為更好的計算每一個目標的狀態(tài)估計值，作者給出了結(jié)合EKF 和UKF 的PMHTe 和PMHTu 算法，能較好的剔除干擾，對多目標密集場景有著很好的適應(yīng)性。但該方法也存在著對目標初始狀態(tài)值敏感的弊端。為解決這個問題多級多假設(shè)跟蹤方法（Multi-Stage MHT，MS-MHT）提了出來［17］，分級處理水下目標的測量值（包括方位、方位變化率、角度以及頻率等），第一級基于每個平臺波束域的檢測結(jié)果，獨立使用MHT法來跟蹤目標方位；第二級，利用多平臺的聯(lián)合似然概率估計多個目標的初始位置，然后將不同平臺的方位值與MHT跟蹤結(jié)果相關(guān)聯(lián)，最后，利用關(guān)聯(lián)方位和EKF 對多個目標進行序貫位置估計，對多目標實現(xiàn)了較好的跟蹤。

4.2.3 基于隨機集理論的水聲目標跟蹤

在水下噪聲干擾嚴重且目標數(shù)未知時，難以突破多目標關(guān)聯(lián)“組合爆炸”的瓶頸。Mahler 基于隨機集（Random Finite Set，RFS）框架，將水下多目標狀態(tài)濾波以集值形式濾波處理，利用最優(yōu)貝葉斯濾波法來估計水下目標運動狀態(tài)和數(shù)量，關(guān)鍵是將每一個目標狀態(tài)和量測信息表示成隨機集形式，可避免復(fù)雜的關(guān)聯(lián)過程［43］?；赗FS 框架，目標個數(shù)、多目標狀態(tài)集和量測狀態(tài)集個數(shù)都是隨機變化的。

為求解RFS 框架下多目標積分的最優(yōu)貝葉斯濾波器［43］，相關(guān)計算方法陸續(xù)提出。概率假設(shè)密度（Probability Hypothesis Density，PHD）濾波算法假設(shè)目標服從泊松分布，利用一階統(tǒng)計矩近似多目標后驗概率密度函數(shù)，實現(xiàn)多目標貝葉斯遞歸濾波，能夠?qū)崟r估計目標狀態(tài)和數(shù)量，計算復(fù)雜度低。文獻［44］針對水下應(yīng)用提出了一種面向前視聲吶圖像的多目標PHD 跟蹤算法，對雜波環(huán)境中的目標進行距離和方位跟蹤，這是較早水下目標跟蹤的一次嘗試。PHD 不包含目標數(shù)方差信息，目標數(shù)瞬時估計極不穩(wěn)定，勢概率假設(shè)密度（Cardinalized Probability Hypothesis Density，CPHD）濾波算法提了出來，CPHD 引入了多目標概率分布的高階矩，可得到更準確的后驗概率，實現(xiàn)更穩(wěn)健的目標數(shù)估計，在雜波環(huán)境下的水下無源多目標跟蹤系統(tǒng)中取得了良好的效果［45］。

與PHD/CPHD 迭代傳遞統(tǒng)計矩不同，多伯努利濾波（Multi-target Multi-Bernoulli，MeMBer）將每個目標建模為伯努利RFS，分布之間是獨立的，每一個目標伯努利RFS 均包含目標存在概率和目標概率密度，將多目標的每一個伯努利RFS 中的概率進行聯(lián)合計算求得后驗多目標概率，即實現(xiàn)多目標貝葉斯濾波。文獻［46］在對未知目標數(shù)進行估計時，發(fā)現(xiàn)多伯努利濾波對目標數(shù)量有過估計現(xiàn)象，導(dǎo)致目標估計結(jié)果出現(xiàn)虛警。對此勢均衡多目標多伯努利濾波器（Cardinality Balanced Multi-target Multi-Bernoulli，CBMeMBer）提了出來，此濾波器可以融合目標數(shù)分布高階矩信息，估計出準確的目標，為實現(xiàn)濾波器的有效求解，研究者又提出了粒子與高斯混合模型的近似濾波方法。文獻［47］基于單矢量水聽器的方位和頻率信息，首次應(yīng)用CB-MeMBer成功檢測和跟蹤兩個不同頻率的窄帶目標，具有良好的估計性能。

PHD 類和MeMBer 類方法僅能估計目標位置，卻不能得出目標位置和時間的關(guān)系，為保持目標航跡，一種是在濾波過程加上標簽，每個狀態(tài)估計都有不同標簽，表示與某條航跡的隸屬關(guān)系，如廣義標簽多伯努利分布，另一種即與關(guān)聯(lián)算法相組合，關(guān)聯(lián)目標前后時刻狀態(tài)形成連續(xù)航跡。利用RFS的多目標跟蹤方法，大多假定各傳感器觀測數(shù)據(jù)完全獨立，采用序貫處理的策略，理論上具有良好的應(yīng)用前景，但在水下多目標跟蹤中還未經(jīng)過實踐檢驗。

5 水聲目標融合識別

基于單特征或單信息源的水聲目標識別越來越受限，主要體現(xiàn)在艦船種類多樣、軍民船界限模糊、運行工況多變、目標特性畸變、傳輸信道與多目標干擾、艦艇廣泛使用降噪技術(shù)、艦艇信息處于嚴格保密狀態(tài)以及假/偽裝目標干擾等。早在20 世紀80 年代印度研制出一個水聲目標被動識別專家系統(tǒng)RECTSENSOR，該系統(tǒng)對9 個不同的特征參數(shù)進行融合識別出4類目標［48］。基于信息融合的識別系統(tǒng)成功實踐，使基于信息融合的水聲目標識別技術(shù)相關(guān)研究成為熱點。

基于多源信息融合的水聲目標識別可歸結(jié)為利用多類別特征和多種類信息對水聲目標屬性綜合判別和決策的問題，依據(jù)信息融合模型的分級方法將水聲目標融合識別方法的流程結(jié)構(gòu)概括如圖3所示。

圖3 基于信息融合的水聲目標識別方法流程Fig.3 Flow of underwater acoustic target recognition method based on information fusion

數(shù)據(jù)級融合只限在水聲信號信噪比較高時的同維、同類型數(shù)據(jù)間融合，水聲中應(yīng)用很少；特征級和決策級融合方法是水聲目標識別研究的重點，可對異類數(shù)據(jù)、不同維數(shù)據(jù)實現(xiàn)較好的融合?，F(xiàn)有融合識別方法基本上可分為兩大類：第一類是推理方法，包括貝葉斯推理、經(jīng)典推理和證據(jù)理論（Dempster-Shafer，D-S）等；另一類是人工智能方法，包括支持向量機、模糊理論、神經(jīng)網(wǎng)絡(luò)、機器學(xué)習(xí)和深度學(xué)習(xí)等［49-50］。

5.1 多源水聲目標特征分析

水聲目標一般處于多源物理場中，主要包括聲壓場、電磁場、重力場和水壓場等［51］，通過映射或變換提取表征目標屬性的多種特征或特征參數(shù)，是基于信息融合的水聲目標識別方法的前提。

5.1.1 水聲目標特征提取

聲場是至今研究最多和最能直觀表征水下目標特性的物理場，主要指目標輻射噪聲，包括螺旋槳噪聲、空化噪聲、機械噪聲和水動力噪聲等［52-53］。一般聲吶探測接收的螺旋槳輻射噪聲功率譜包括寬頻帶連續(xù)譜和一系列單頻線譜，分布在0～1500 Hz的頻率范圍，是識別艦船目標最根本的特征之一。將水聲目標特征歸納為六類：（1）波形特征：主要包括時頻域信號過零點波長、平均過零率、峰谷值、峰間幅值分布、過零點波長差分、波列面積、短時能量分布以及平均幅值變化等，反映原始信號的幅值變化趨勢、頻率高低以及頻率變化快慢等信息；（2）譜分析特征：譜估計從頻域反映信號特性，主要包括經(jīng)典譜估計、現(xiàn)代譜估計、倒譜分析、LOFAR 譜分析、DEMON 譜分析和聽覺譜分析等。LOFAR 譜和DEMON 譜可提取出艦船輻射噪聲中螺旋槳的軸頻、葉頻和葉片數(shù)等關(guān)鍵信息，是單信息源水聲目標識別的有效特征；（3）時頻域特征：用時頻分析法分析艦船等輻射噪聲局部時間區(qū)間上的頻率特征，提取信號的瞬時頻率和瞬時能量參數(shù)，反映水聲非平穩(wěn)信號的實值性、對稱性、邊緣積分特性、能量守恒、時頻移位不變性等時變頻譜特性。（4）非線性特征：水聲噪聲信號的混沌現(xiàn)象對弱目標信號的檢測和識別有重要作用，可區(qū)分海洋環(huán)境噪聲和艦船輻射噪聲，主要混沌特征參數(shù)有相空間軌跡、Lyapunov指數(shù)、分數(shù)維特征、估計熵、Poincare 截面和自然測度等；（5）聽覺特征：構(gòu)建聽覺模型提取目標輻射噪聲瞬態(tài)信號的音色等特征，包括梅爾倒譜系數(shù)（Melscale Frequency Cepstral Coefficients，MFCC）、感知線性預(yù)測系數(shù)（Perceptual Linear Predictive，PLP）、響度、幅度、尖銳度、粗糙度以及波動強度等；（6）可視化特征：可視聲吶圖像和聲信號通過時域分析、譜分析或時頻分析等轉(zhuǎn)換的二維圖像，均可提取顏色、紋理、強度、灰度分布、多階矩、梯度以及能量變化等特征。

水下目標的其他物理場特征一般比較難獲取，磁場和可見光可視距離都比較近，多用于近場目標識別，磁場主要涉及目標磁場強度和環(huán)境磁場變化，同聲場特征類似，目標磁場也具有波形特征和時頻域特征等，受限于復(fù)雜水下環(huán)境，目前磁場特征研究較少；水下目標可見光圖像特征提取研究較多，多應(yīng)用于海底打撈及海底勘探，對水下潛艇等運動目標很難適用；水面目標可利用雷達、AIS、紅外熱成像等，獲取目標的運動特征和圖像信息，為水下目標判別提供水面態(tài)勢輔助信息，降低虛警率。雖然各種傳感器都發(fā)展的很成熟，但在水聲目標探測領(lǐng)域還是發(fā)揮不出很好的綜合效果，目前還是以水聲信號特征為主，其他類型特征為輔。

5.1.2 多源異類數(shù)據(jù)及特征分析

多源信息及特征由于獲取途徑、傳感器不同，源頭多樣導(dǎo)致數(shù)據(jù)類型多樣，表達形式呈現(xiàn)出多維化、碎片化以及離散化，因此，多源數(shù)據(jù)很難直接融合處理。多源非異類信息計算比較簡單，基本上經(jīng)過去噪、時空配準等預(yù)處理即可進行后續(xù)關(guān)聯(lián)、融合運算；多源異類數(shù)據(jù)則比較復(fù)雜，現(xiàn)在主要是利用多元表示原理提升異類信息的一致性表示精度，即構(gòu)建高維一致性表示空間，對多源異類數(shù)據(jù)進行深度挖掘。隨著深度學(xué)習(xí)、機器學(xué)習(xí)以及強化學(xué)習(xí)等方法的發(fā)展，借助此類方法可對多源異類數(shù)據(jù)的關(guān)聯(lián)性和差異性進行機理分析，建立多源異類信息的提取模型和轉(zhuǎn)換模型，得出可替代異類信息的參數(shù)模型或融合參數(shù)，再輸入到各種融合模型中，提升融合算法對信息的有效綜合利用。

5.2 水聲目標識別融合方法

水聲目標不同物理特征表征的目標信息往往存在不確定性，是單特征目標識別不準確的主要原因之一，信息融合算法可基于多特征冗余有效降低信息源的不確定性，本文主要概要介紹三類在不確定信息下應(yīng)用較多的水聲目標融合識別方法。

5.2.1 基于Bayes理論的水聲目標融合方法

Bayes 推理方法在信息融合中屬于統(tǒng)計融合算法，基于Bayes 法則［54］實現(xiàn)對水聲目標不確定信息的建模和概率推理，可以表述為：

（1）設(shè)H1，H2，…，Hn表示所有可能探測的n個水聲目標，且，將傳感器獲取的目標觀測轉(zhuǎn)換成目標屬性：軍艦、民船、水下敏感目標、海洋生物、噪聲等，表示為D={D1，D2，…，Dm}；

（2）計算每個傳感器對目標屬性分類判定的不確定性概率，即P(Dj|Hi)，i=1，2，…，n，j=1，2，…，m；

（3）基于Bayes 定理求得目標屬性的融合概率：

Bayes 信息融合推理即將單個觀測的概率分布合成一個包含所有觀測信息的后驗概率分布，最后選擇具有最大聯(lián)合后驗概率的融合決策。算法流程如圖4所示。

圖4 基于Bayes理論的水聲目標融合判別流程圖Fig.4 Flow chart of underwater acoustic target fusion based on Bayes theory

一般基于Bayes 統(tǒng)計理論的信息融合方法多用于決策層融合判別。因為水下目標信息的不確定性，貝葉斯融合結(jié)構(gòu)面臨著融合系數(shù)選擇和各分布信息不平衡的問題，專家經(jīng)驗判斷對指導(dǎo)融合參數(shù)選擇很關(guān)鍵，但專家系統(tǒng)需要豐富的先驗信息且具有主觀隨意性，對各分布權(quán)重系數(shù)的選擇不是很嚴謹。為解決這個問題，通過對多源信息特征進行統(tǒng)計或建模，衡量不同信息源之間的差異，如利用置信區(qū)間匹配的分布擬合法、矩估計法、最大熵估計、最大似然估計、無信息分布假設(shè)等，使得各個分布獲得不同的融合系數(shù)。還可從融合結(jié)構(gòu)和更新規(guī)則出發(fā)，進行重采樣迭代貝葉斯融合更新和多級多層的貝葉斯融合結(jié)構(gòu)優(yōu)化，有效提升水聲目標信息不確定性建模精度和水下目標識別性能。

面對水下環(huán)境的非線性、動態(tài)性和隨機性給水下目標識別過程帶來不確定性，Tang 等人［55］提出了一種基于不同水下傳感器大量被破壞的動態(tài)感知信息的融合框架-離散動態(tài)貝葉斯網(wǎng)絡(luò)（Discrete Dynamic Bayesian Network，DDBN）。DDBN 提供了一個連貫統(tǒng)一的分層概率框架，從不同模式的動態(tài)信息中表示、整合和推斷各種目標特征。在多個觀測時間切片內(nèi)獲得對目標的動態(tài)有效識別。文獻［56］則將動態(tài)樹（Dynamic Trees，DT）模型與Bayes推理模型相結(jié)合構(gòu)成了一種新的水下目標融合識別網(wǎng)絡(luò)-可變分貝葉斯網(wǎng)絡(luò)（Deformable Bayesian network，DFBN），通過使用DT模型將來自多個感知平臺的測量數(shù)據(jù)融合為一種無冗余表示，對海底目標圖像和對應(yīng)的海底紋理提取相應(yīng)特征，DFBN 靈活的結(jié)構(gòu)用于融合不同傳感器測量的公共信息，對聲吶圖像實時融合識別。

然而，Bayes 推理也存在一些缺點：受先驗信息的嚴重制約；定義決策函數(shù)閾值的主觀性太強；多源多假設(shè)條件下或多事件不獨立時，算法復(fù)雜性迅速增大；融合結(jié)果對多源信息的初始概率依賴高。

5.2.2 基于D-S證據(jù)理論的水聲目標融合方法

與Bayes 推理方法用概率來表示信源不確定性不同，證據(jù)理論則構(gòu)建了命題和集合之間的不確定推理模型的識別框架，即用集合的不確定性代替命題的不確定性。如圖5 為基于D-S 證據(jù)理論的水聲目標融合識別流程［5］。

圖5 基于D-S理論的水聲目標融合識別流程Fig.5 Underwater acoustic target fusion recognition based on D-S theory

證據(jù)理論屬于決策級融合，充分利用各局部不同信源的初步?jīng)Q策，從證據(jù)區(qū)間和合成規(guī)則角度為多源信息的“不確定”和“不知道”提供了有效的表達方式，對先驗信息要求低，在復(fù)雜的水聲環(huán)境中具有很好的研究前景。D-S 融合算法中的不確定信息表示、證據(jù)修正、證據(jù)組合規(guī)則以及決策規(guī)則是關(guān)乎融合結(jié)果可信任的關(guān)鍵［57-58］，也是其基于概率論的理論框架不完備的表現(xiàn)，需根據(jù)各信源性質(zhì)和證據(jù)間關(guān)系進行相應(yīng)優(yōu)化，才能達到最優(yōu)決策。

文獻［59］基于證據(jù)理論設(shè)計了一種分級的多源信息融合結(jié)構(gòu)用于潛艇的識別，綜合利用目標的聲學(xué)特征和運動特征，各級決策結(jié)果和證據(jù)權(quán)概念相結(jié)合，構(gòu)成加權(quán)證據(jù)理論決策方法。第一級對提取的聲學(xué)和運動不同特征分別進行融合，第二級對上級融合結(jié)果加權(quán)合并，第三級對第二級結(jié)果進行多時相融合，充分利用目標的不同級特征及決策結(jié)果，實現(xiàn)了更準確的識別結(jié)果。而在水聲環(huán)境中普遍會存在信號信噪比較低的情況，導(dǎo)致證據(jù)在置信度初始化時具有一定“模糊度”，文獻［60］針對水下目標信號復(fù)雜、樣本獲取難度大的問題，提出了一種證據(jù)聚類識別算法，對水下目標的各類訓(xùn)練樣本，根據(jù)特征距離和證據(jù)近鄰分類優(yōu)化算法為各目標數(shù)據(jù)構(gòu)造一組合理的初始基本置信度，然后對算法的目標函數(shù)進行循環(huán)迭代優(yōu)化，計算出目標數(shù)據(jù)最終的全局基本置信度，最后基于證據(jù)理論得出目標的屬性。在實際應(yīng)用中，異源信息的初步?jīng)Q策有時是相矛盾的，即造成證據(jù)間沖突，多數(shù)文獻對證據(jù)理論的組合規(guī)則進行了改進，文獻［61］對兩大類沖突證據(jù)融合方法：Shafer 模型下的沖突證據(jù)融合方法和DSmT（Dezert-Smarandache）超冪集模型下的沖突證據(jù)融合方法進行了理論分析和算例仿真比較，并基于最優(yōu)PCR6 規(guī)則構(gòu)建了基于多節(jié)點群沖突證據(jù)融合的水下目標決策級融合識別模型，驗證了分類模型有效性。而證據(jù)理論和人工智能方法的結(jié)合在水聲目標識別中也引起了不少人的關(guān)注，文獻［62］利用證據(jù)理論改進機器學(xué)習(xí)特征融合算法，結(jié)合了多維和多分類器融合的特征來識別艦船輻射噪聲目標，進一步利用循證決策理論實現(xiàn)不同神經(jīng)網(wǎng)絡(luò)分類器下的特征和識別結(jié)果融合，該類算法能夠有效地集成異構(gòu)數(shù)據(jù)和異構(gòu)網(wǎng)絡(luò)的識別結(jié)果，可提高判斷的準確性。

但證據(jù)理論在水聲目標融合識別應(yīng)用中依然存在著一定局限：水聲信號特征作為證據(jù)有時難以滿足相互獨立性；證據(jù)合成規(guī)則簡單，但在復(fù)雜水聲環(huán)境中融合的合理性有待驗證；水下各傳感器獲取證據(jù)不確定性較大，很難保證結(jié)果可靠性，容易產(chǎn)生沖突；在計算上存在潛在的指數(shù)爆炸問題等。

5.2.3 基于深度學(xué)習(xí)的水聲目標融合方法

深度學(xué)習(xí)是人工神經(jīng)網(wǎng)絡(luò)和表示學(xué)習(xí)相結(jié)合的方法。神經(jīng)網(wǎng)絡(luò)系統(tǒng)隨著隱含層數(shù)的增加，表達能力不斷提高，逼近更復(fù)雜的數(shù)學(xué)模型，可完成復(fù)雜的目標分類，“學(xué)習(xí)”完成的神經(jīng)網(wǎng)絡(luò)具有特征提取、學(xué)習(xí)概括等特點，可以對水聲目標多傳感器獲取的多源數(shù)據(jù)、異類數(shù)據(jù)以及提取出來的多種特征進行綜合分析和處理。因此，近年來許多研究者競相把深度學(xué)習(xí)應(yīng)用到信息融合領(lǐng)域中去。

深度學(xué)習(xí)算法模型多種多樣，深度學(xué)習(xí)在降梯度、優(yōu)化模型參數(shù)、權(quán)值分配以及神經(jīng)網(wǎng)絡(luò)架構(gòu)優(yōu)化等方面不斷創(chuàng)新，再加上元學(xué)習(xí)（meta-learning）等新理論的出現(xiàn)，使深度學(xué)習(xí)在海洋這種復(fù)雜的環(huán)境中有著明顯的應(yīng)用優(yōu)勢。深度學(xué)習(xí)和信息融合相結(jié)合的技術(shù)主要可以歸納為兩類：多模態(tài)深度學(xué)習(xí)和多尺度特征融合。多模態(tài)深度學(xué)習(xí)是目前深度學(xué)習(xí)研究的一個重點［63］，信息融合中多異類信息源一般是多模態(tài)數(shù)據(jù)，異類數(shù)據(jù)有著相異的統(tǒng)計特征，多模態(tài)深度學(xué)習(xí)主要是使用不同類型的神經(jīng)網(wǎng)絡(luò)提取各模態(tài)特征，或構(gòu)建不同的學(xué)習(xí)網(wǎng)絡(luò)模型對每個模態(tài)輸入狀態(tài)進行加權(quán)組合，對異類數(shù)據(jù)有著很好的適用性，通過對多模態(tài)信息的綜合利用得到最優(yōu)輸出。而多尺度特征融合也是深度學(xué)習(xí)提高網(wǎng)絡(luò)模型精度和魯棒性的方式之一，綜合利用水聲目標不同粒度的信息特征，主要體現(xiàn)在特征級融合，即對輸入網(wǎng)絡(luò)的多種特征進行融合處理得到模型優(yōu)化目的，對單信息源、多信息源、同類數(shù)據(jù)和異類數(shù)據(jù)都適用。

文獻［64］提取了兩類水聲信號模態(tài)數(shù)據(jù)：一維時域特征和二維頻域特征，利用長短時記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）對多模態(tài)信號進行并行處理，并利用典型相關(guān)形成特征融合表示，構(gòu)建了多模態(tài)特征融合的深度學(xué)習(xí)結(jié)構(gòu)，實測水聲信號驗證多模態(tài)特征融合方法可顯著提高水下目標識別的精度。文獻［65］則提出了利用多子通道特征級聯(lián)和拼接的方法，對不同頻率區(qū)間的特征進行加權(quán)處理，驗證了基于多通道級聯(lián)特征的深度神經(jīng)網(wǎng)絡(luò)識別有效性。文獻［66］從神經(jīng)網(wǎng)絡(luò)優(yōu)化角度出發(fā)，提出了一種結(jié)合多維融合特征和改進深度神經(jīng)網(wǎng)絡(luò)的水下目標識別方法，采用Gammatone 頻率倒譜系數(shù)（Gammatone Frequency Cepstral Coefficient，GFCC）和修正經(jīng)驗?zāi)B(tài)分解（Modified Empirical Mode Decomposition，MEMD）提取多維特征。采用高斯混合模型對深度神經(jīng)網(wǎng)絡(luò)進行結(jié)構(gòu)修正，減少冗余特征，具有較高的識別精度和較強的適應(yīng)性。張少康等人［67］針對矢量水聽器獲取的水聲信息研究了單傳感器多特征融合，用多層LSTM 模型提取了水聲目標的多種時序特征，包括時域包絡(luò)、Demon 譜、MFCC 等目標噪聲特征，并組成了多類別特征子集，建立了基于多類別特征子集的特征級融合識別分類模型和基于D-S證據(jù)理論的決策級融合識別分類模型，實現(xiàn)了比單特征識別更高的準確率。Zhang 等人［68］提取水聲信號的短時傅里葉變換幅度譜、相位譜和雙譜特征，構(gòu)成網(wǎng)絡(luò)的輸入，并設(shè)計了一個集成神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對多特征輸入網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化和融合，該特征融合識別方法不僅包含了豐富的目標信息，減少了特征提取造成的信息損失，而且具有較強的噪聲魯棒性。

深度學(xué)習(xí)理論在水聲目標融合識別領(lǐng)域中取得了初步的成果，但是其復(fù)雜龐大的參數(shù)優(yōu)化問題、無監(jiān)督學(xué)習(xí)、模型復(fù)雜度增加、缺乏訓(xùn)練樣本、深度特征的物理意義解釋性弱等問題還有待于解決。

6 總結(jié)與展望

隨水下探測平臺和傳感器種類數(shù)量增加，信息源越來越多，信息越來越豐富，以及信號處理技術(shù)、信息通信技術(shù)、計算機硬件軟件等不斷發(fā)展，信息融合技術(shù)以其能綜合處理多源信息的獨特優(yōu)勢，必將成為未來水聲目標探測和識別的關(guān)鍵技術(shù)和方向。主要體現(xiàn)在：多平臺和多傳感器探測，實現(xiàn)大范圍空間覆蓋，增加目標探測的信息量和維度；利用信息融合技術(shù)可降低信息的冗余度，提升信息質(zhì)量；提升水下觀測系統(tǒng)的穩(wěn)定性；提高水下目標探測精度和水下綜合判情能力。

本文基于已有的研究成果對基于信息融合的水下觀測系統(tǒng)、水聲目標檢測、定位跟蹤和識別技術(shù)進行了較為詳細的綜述和分析，總結(jié)了各研究內(nèi)容的關(guān)鍵技術(shù)和方法，但現(xiàn)有的方法和技術(shù)依然面臨著很多問題和挑戰(zhàn)：

（1）水下立體觀測網(wǎng)絡(luò)已初具規(guī)模，信息獲取手段也多種多樣，各固定和移動平臺載荷都有自主探測的能力，且傳感器探測精度也越來越高，雖然水下觀測網(wǎng)絡(luò)越來越完善，但并沒有發(fā)揮出組網(wǎng)協(xié)同該有的優(yōu)勢。一是水下平臺的續(xù)航問題，增加電池容量或使用可更換電池及優(yōu)化平臺系統(tǒng)的計算消耗，都可以延續(xù)無人平臺使用壽命；二是通信問題，通信方式單一且只有水聲一種遠距離信息傳播方式，水下觀測網(wǎng)絡(luò)并沒有形成水聲通信組網(wǎng)的能力，水聲信道時延導(dǎo)致信息傳輸不及時，應(yīng)合理進行水下觀測網(wǎng)絡(luò)布局設(shè)計，如“局部-節(jié)點-局部”設(shè)計，通過鏈路進行傳輸，逐步解決水下遠距離通信問題；三是信息傳遞和處理，水下水聲通信傳輸信息特別有限，水面遠距離衛(wèi)星通信也很難傳輸大批數(shù)據(jù)，考慮對信息進行壓縮編碼或者分時分級進行傳輸，合理優(yōu)化現(xiàn)有傳輸能力，考慮構(gòu)建基于多源信息融合的水下探測-通信-控制一體化架構(gòu)，真正形成組網(wǎng)系統(tǒng)化、模塊化。

（2）水下環(huán)境復(fù)雜和干擾較多，信息量急劇增加，適用于水下環(huán)境的信息融合結(jié)構(gòu)需進一步優(yōu)化，分布式、多基地、多層次融合結(jié)構(gòu)可增加水下系統(tǒng)的穩(wěn)健性，但前提必須符合簡單、高效、穩(wěn)定的工程化標準。因此，在融合結(jié)構(gòu)豐富優(yōu)化的前提下，同時結(jié)合不同的海洋環(huán)境和應(yīng)用目的，構(gòu)建不同的空間布局，使得相應(yīng)的融合結(jié)構(gòu)發(fā)揮最大效能。

（3）水聲目標融合探測方法在復(fù)雜的多目標密集場景和偽目標場景，計算復(fù)雜度會急劇增加，多目標狀態(tài)很難確定，因此需改進現(xiàn)有方法，或研究適用于水下環(huán)境的新的檢測、定位、跟蹤方法。為提高水下目標檢測能力，引入環(huán)境和目標先驗知識，提取目標特征，基于特征融合達到提高檢測能力的目的；精確的海洋物理模型和聲傳播模型構(gòu)建、多維信息的綜合運用、主被動探測方式結(jié)合以及探測平臺和傳感器布局優(yōu)化都有利于提高水下目標的定位精度；多目標關(guān)聯(lián)和跟蹤等算法都面臨著狀態(tài)估計精度和算法復(fù)雜度矛盾的問題，未來研究中可尋求更精確的狀態(tài)估計方法、水下目標運動模型，綜合利用多種算法，對各種關(guān)聯(lián)和濾波算法進行融合使用，發(fā)揮各自的優(yōu)勢。

（4）水下目標融合識別算法也存在著許多問題：多傳感器信息融合的決策過程中涉及的傳感器數(shù)據(jù)不確定、數(shù)據(jù)沖突、數(shù)據(jù)誤差較大等問題嚴重影響了判決結(jié)果，如何獲得可靠的隸屬度、基本概率賦值等依然是無法徹底解決的問題；信息融合中的數(shù)據(jù)庫和知識庫技術(shù)研究也很重要，數(shù)據(jù)的預(yù)處理技術(shù)是改善融合精度的關(guān)鍵點；探索基于未知知識和先驗信息的信息融合新技術(shù)，綜合利用多種融合方法是思路之一，如模糊理論和人工智能相結(jié)合、D-S 證據(jù)理論和人工智能方法相結(jié)合、低層融合和高層融合相結(jié)合等；如何合理的評價融合結(jié)果也沒有統(tǒng)一的標準。

（5）多源異類數(shù)據(jù)越來越豐富，現(xiàn)有研究卻缺乏對多源異類數(shù)據(jù)的有效利用，且目前主要集中在決策融合層次，對異類數(shù)據(jù)只是進行高度標準化、概率化，丟失了很多原始信息。多信息源獲取的多模態(tài)、異類數(shù)據(jù)如何處理，如何對異類數(shù)據(jù)深度挖掘，針對“異構(gòu)、異質(zhì)、異步”數(shù)據(jù)的融合方法目前還沒有更好的思路，還需進一步研究。

（6）基于信息融合的水聲目標探測與識別技術(shù)許多還只是停留在理論研究階段，缺乏工程應(yīng)用研究，且硬件研究沒能同步實施，很難處理海量數(shù)據(jù)和滿足算法計算量需求，和工程應(yīng)用有著嚴重的脫節(jié)現(xiàn)象。