陸澤健，劉 筱，秦永剛，潘 越，郭繼光，黃 勝

(中國(guó)電子科學(xué)研究院，北京 100041)

一種面向協(xié)同感知的多傳感器自適應(yīng)管理方法

陸澤健，劉 筱，秦永剛，潘 越，郭繼光，黃 勝

(中國(guó)電子科學(xué)研究院，北京 100041)

針對(duì)多特征目標(biāo)綜合識(shí)別中的傳感器動(dòng)態(tài)調(diào)度問(wèn)題，本文提出一種面向協(xié)同感知的多傳感器自適應(yīng)管理方法。該方法在離線獲取目標(biāo)識(shí)別先驗(yàn)概率分布的基礎(chǔ)上，首先利用多個(gè)管控周期的累積探測(cè)特征組合，基于貝葉斯推理實(shí)現(xiàn)對(duì)未知目標(biāo)的在線識(shí)別，然后計(jì)算感知信息熵增益作為管控系統(tǒng)反饋輸入，利用遺傳優(yōu)化算法實(shí)現(xiàn)多傳感器-多目標(biāo)的自適應(yīng)分配。仿真結(jié)果表明，與隨機(jī)分配算法相比，該方法識(shí)別效率提高了近21秒，有效提升了傳感器網(wǎng)絡(luò)對(duì)未知目標(biāo)的動(dòng)態(tài)感知能力。關(guān)鍵詞： 識(shí)別；信息熵；自適應(yīng)；傳感器管理

0 引 言

現(xiàn)代預(yù)警探測(cè)網(wǎng)絡(luò)系統(tǒng)中通常包含相控陣?yán)走_(dá)、紅外、光學(xué)、電子偵察、敵我識(shí)別/二次雷達(dá)、聲吶等多種不同體制、不同類型的傳感器。為充分發(fā)揮多源異構(gòu)傳感器資源的作用，需要加強(qiáng)對(duì)傳感器網(wǎng)絡(luò)的智能化管理，使其能夠根據(jù)復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境做出實(shí)時(shí)的決策，以獲取作戰(zhàn)指揮所需求的信息，滿足情報(bào)保障的需求。多傳感器自適應(yīng)管理技術(shù)通過(guò)對(duì)傳感器、戰(zhàn)場(chǎng)環(huán)境的建模，建立起滿足業(yè)務(wù)需求的優(yōu)化目標(biāo)，在有限傳感器資源條件下，對(duì)傳感器資源進(jìn)行合理、科學(xué)的分配，最大化探測(cè)效能[1-3]。

在傳感器網(wǎng)絡(luò)探測(cè)過(guò)程中，目標(biāo)檢測(cè)、跟蹤與識(shí)別是三個(gè)最重要的工作任務(wù)。當(dāng)前，圍繞多目標(biāo)聯(lián)合檢測(cè)、協(xié)同跟蹤需求，已有不少文獻(xiàn)對(duì)傳感器的管控方法和策略進(jìn)行了研究[4]。然而，針對(duì)目標(biāo)綜合識(shí)別的傳感器管控方法研究較少[5-7]。文獻(xiàn)[5]基于假設(shè)檢驗(yàn)的方法, 從理論上研究了目標(biāo)識(shí)別中的傳感器管理方法，并進(jìn)行了多種方法的分析對(duì)比；文獻(xiàn)[6]首次提出了一種基于分辨力的目標(biāo)識(shí)別系統(tǒng)中的傳感器管理方法，該方法從分辨力的角度出發(fā)，利用D-S證據(jù)理論對(duì)各傳感器的探測(cè)結(jié)果進(jìn)行綜合決策；文獻(xiàn)[7]在分析綜合識(shí)別中目標(biāo)優(yōu)先級(jí)和傳感器使用約束條件的基礎(chǔ)上，建立了利用分辨力增益作為傳感器資源管理優(yōu)化準(zhǔn)則的目標(biāo)函數(shù)，提出了利用傳感器混淆矩陣的預(yù)測(cè)分辨力增益計(jì)算方法。這些理論或者方法通過(guò)綜合多個(gè)傳感器在同一時(shí)刻的判決結(jié)果，在決策級(jí)別進(jìn)行目標(biāo)綜合識(shí)別，依靠建立的優(yōu)化目標(biāo)函數(shù)實(shí)現(xiàn)傳感器的自適應(yīng)管理。這些研究大都在決策級(jí)別目標(biāo)綜合識(shí)別的基礎(chǔ)上進(jìn)行傳感器優(yōu)化管理，無(wú)法充分發(fā)揮多種類型傳感器不同探測(cè)特征的最大效用；此外，由于戰(zhàn)場(chǎng)環(huán)境的復(fù)雜性，兩個(gè)傳感器有可能會(huì)對(duì)同一個(gè)目標(biāo)做出相反的判決，有可能會(huì)造成基于D-S證據(jù)理論的傳感器自適應(yīng)調(diào)度算法的失效。

圖1 基于感知識(shí)別信息熵增量的多傳感器管理流程

在多傳感器網(wǎng)絡(luò)中，不同體制、不同工作模式的傳感器能夠提供威脅目標(biāo)不同特征的描述，通過(guò)綜合多個(gè)特征的信息，能夠產(chǎn)生比系統(tǒng)中任何一個(gè)傳感器更有效、更精確的身份估計(jì)和判決。因此，在多傳感器協(xié)同感知過(guò)程中，一方面需要綜合多種不同的探測(cè)特征信息，使目標(biāo)識(shí)別概率最大；另一方面，由于目標(biāo)的獨(dú)特性，不同的目標(biāo)特征對(duì)目標(biāo)身份識(shí)別的貢獻(xiàn)度不一樣，因此在多傳感器管理過(guò)程中應(yīng)該選擇合適的傳感器使探測(cè)目標(biāo)特征最有利于識(shí)別。本文針對(duì)戰(zhàn)場(chǎng)威脅目標(biāo)多特征綜合識(shí)別中的多傳感器自適應(yīng)管理問(wèn)題，在多傳感器特征級(jí)信息融合的基礎(chǔ)上，建立了面向協(xié)同感知信息熵增益的傳感器資源管理優(yōu)化模型；在此基礎(chǔ)上，采用遺傳算法實(shí)現(xiàn)“傳感器-目標(biāo)”配對(duì)的問(wèn)題；最后，通過(guò)設(shè)定綜合識(shí)別場(chǎng)景, 對(duì)該方法的性能進(jìn)行了仿真分析。

1 多傳感器自適應(yīng)管理模型

1.1 總體框架

本文提出的面向協(xié)同感知的多傳感器自適應(yīng)管理總體框架如圖1所示。該框架包括離線學(xué)習(xí)和在線決策兩部分。在離線學(xué)習(xí)部分，針對(duì)傳感器網(wǎng)絡(luò)歷史探測(cè)數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)對(duì)探測(cè)目標(biāo)進(jìn)行統(tǒng)計(jì)分析，得到不同類型傳感器對(duì)不同類型目標(biāo)探測(cè)特征分布以及全特征模式下的傳感器識(shí)別先驗(yàn)條件概率分布，作為目標(biāo)識(shí)別在線決策的依據(jù)；在第k個(gè)管控周期的在線決策過(guò)程中，首先對(duì)k時(shí)刻之前的探測(cè)數(shù)據(jù)進(jìn)行目標(biāo)特征提取、離散化，得到已探測(cè)目標(biāo)特征組合，然后對(duì)第k時(shí)刻分配的新傳感器組合，結(jié)合傳感器探測(cè)特征分布預(yù)測(cè)目標(biāo)特征。已探測(cè)目標(biāo)特征組合加上預(yù)測(cè)目標(biāo)特征組合可以得到組合的部分目標(biāo)特征組合，采用貝葉斯推理結(jié)合離散學(xué)習(xí)得到的先驗(yàn)條件概率分布表可以計(jì)算得出未知目標(biāo)的綜合識(shí)別概率。在此基礎(chǔ)上，求解當(dāng)前時(shí)刻傳感器網(wǎng)絡(luò)對(duì)未知目標(biāo)的預(yù)測(cè)感知信息熵，與上時(shí)刻的感知信息熵比較，可以得到系統(tǒng)的感知信息熵增量。感知信息熵增量作為探測(cè)系統(tǒng)的反饋輸入，在信息熵增量減小的情況下，通過(guò)智能優(yōu)化算法重新優(yōu)化分配傳感器資源，動(dòng)態(tài)生成傳感器組合對(duì)未知目標(biāo)進(jìn)行感知，從而實(shí)現(xiàn)“感知-學(xué)習(xí)-決策-行動(dòng)”的傳感器管控閉環(huán)。

1.2 目標(biāo)協(xié)同識(shí)別模型

本文采用貝葉斯網(wǎng)絡(luò)推理技術(shù)對(duì)目標(biāo)進(jìn)行綜合識(shí)別。貝葉斯網(wǎng)絡(luò)推理主要應(yīng)用貝葉斯推理算法以及貝葉斯網(wǎng)絡(luò)的條件概率表，對(duì)識(shí)別目標(biāo)的類型進(jìn)行概率計(jì)算，取概率值最大的目標(biāo)類型為目標(biāo)所屬類型。設(shè)傳感器網(wǎng)絡(luò)中出現(xiàn)的目標(biāo)種類為S，對(duì)于探測(cè)目標(biāo)可以分類到0,1,…S類別上，其中0表示信息不足未能區(qū)分目標(biāo)。假設(shè)在某一個(gè)管控周期k，采用M部不同類型的傳感器探測(cè)N個(gè)未識(shí)別目標(biāo)，其觀測(cè)特征向量值為Zk=(z1,z2,...,zn)，則根據(jù)貝葉斯理論對(duì)目標(biāo)的判決概率p(si|Zk)為：

(1)

式中，假設(shè)各個(gè)傳感器的探測(cè)是相對(duì)獨(dú)立的。其中p(zj|si)為目標(biāo)探測(cè)的先驗(yàn)概率，p(si)是目標(biāo)類型si出現(xiàn)的概率。p(zk)是測(cè)量值z(mì)k出現(xiàn)的先驗(yàn)概率。在貝葉斯準(zhǔn)則下，目標(biāo)類型判定的依據(jù)為：

(2)

1.3 目標(biāo)特征提取及離散化

貝葉斯推理需要借助于貝葉斯網(wǎng)絡(luò)的條件概率表，該概率表可以通過(guò)對(duì)傳感器網(wǎng)絡(luò)積累的大量歷史探測(cè)數(shù)據(jù)離線學(xué)習(xí)得到，也可以由軍事專家結(jié)合理論及實(shí)際工程經(jīng)驗(yàn)給出。由于貝葉斯網(wǎng)絡(luò)接受的數(shù)值都是離散的數(shù)值，而部分傳感器提取的目標(biāo)特征信息通常是連續(xù)的，因此需要將連續(xù)分布的特征數(shù)值模糊轉(zhuǎn)換為離散的特征數(shù)值。例如，速度可以按照速度的大小模糊成為“快-中-慢”三個(gè)數(shù)值；RCS可以按照RCS期望的大小模糊成為“高-中-低”三個(gè)數(shù)值；紅外特征可以按照目標(biāo)輻射亮度的大小模糊成為“強(qiáng)-中-弱”三個(gè)數(shù)值。對(duì)于ESM、CSM，可以按照是否存在某個(gè)波段或波段組合進(jìn)行離散化；對(duì)于敵我識(shí)別/二次雷達(dá)，得到應(yīng)答則為1，否則為0。對(duì)于速度、RCS、紅外等特征的劃分，可結(jié)合各類型目標(biāo)的特點(diǎn)和典型的數(shù)值來(lái)劃分。

1.4 協(xié)同感知信息熵計(jì)算

傳感器網(wǎng)絡(luò)探測(cè)的目的就是與目標(biāo)環(huán)境互相作用，以進(jìn)一步減小目標(biāo)環(huán)境的“不確定性”。這種不確定性可以通過(guò)信息熵來(lái)[8]描述。在多目標(biāo)協(xié)同感知過(guò)程中，假設(shè)有M部傳感器，未識(shí)別目標(biāo)有N個(gè)，各傳感器對(duì)目標(biāo)的探測(cè)是互相獨(dú)立的，則在k時(shí)刻系統(tǒng)感知信息熵為：

(3)

式中，Z1:k第1個(gè)管控周期到第k個(gè)管控周期傳感器網(wǎng)絡(luò)累積的目標(biāo)特征組合。pi(s|Z1:k)是指在k個(gè)管控周期已知目標(biāo)特征組合Z1:k的前提下，對(duì)第i個(gè)目標(biāo)識(shí)別的貝葉斯判決概率。在實(shí)時(shí)探測(cè)過(guò)程中，傳感器的信息在整個(gè)網(wǎng)絡(luò)中是共享的，因此傳感器網(wǎng)絡(luò)的信息熵是動(dòng)態(tài)變化的，即第k個(gè)管控周期的信息熵不僅僅包括當(dāng)前的探測(cè)組合對(duì)目標(biāo)的信息熵，也同樣包括之前已探測(cè)目標(biāo)特征對(duì)應(yīng)的信息熵。則傳感器網(wǎng)絡(luò)每次探測(cè)目標(biāo)的信息增量I定義為：

(4)

若Hk(p)=Hk-1(p)，則Ik=0，表示傳感器網(wǎng)絡(luò)本次量測(cè)沒(méi)有提供任何信息，在協(xié)同感知中表示沒(méi)有新的特征量提供。若Hk(p)≠Hk-1(p)，則Ik≠0，則說(shuō)明傳感器網(wǎng)絡(luò)本次量測(cè)提供了新的信息。Ik越大，說(shuō)明傳感器網(wǎng)絡(luò)的分類不確定性越大，對(duì)應(yīng)的目標(biāo)更需要傳感器對(duì)它做進(jìn)一步識(shí)別。協(xié)同感知信息熵增益可以作為傳感器動(dòng)態(tài)調(diào)度的判斷依據(jù)之一。

2 基于遺傳算法的傳感器-目標(biāo)分配算法

2.1 傳感器-目標(biāo)分配模型

多傳感器協(xié)同感知就是要科學(xué)、合理的分配多個(gè)傳感器去識(shí)別多個(gè)未知目標(biāo)。假設(shè)傳感器網(wǎng)絡(luò)中包含M部傳感器，待識(shí)別目標(biāo)有N個(gè)。在探測(cè)過(guò)程中同一個(gè)目標(biāo)可能由多個(gè)傳感器來(lái)探測(cè)，則引入偽傳感器的概念[9]，即對(duì)于一個(gè)目標(biāo)，可能分配的傳感器組合為2M-1個(gè)。面向協(xié)同感知的傳感器-目標(biāo)分配模型如下式所示：

(5)

2.2 智能優(yōu)化算法流程

由上一小節(jié)可以看出，傳感器資源分配求解是一個(gè)組合爆炸的NP-hard問(wèn)題。雖然傳統(tǒng)的數(shù)學(xué)規(guī)劃方法在理論上能得到最優(yōu)解,但受到問(wèn)題維數(shù)的制約往往不滿足實(shí)際要求。本文采用遺傳算法求解該問(wèn)題。遺傳算法包含適應(yīng)度函數(shù)選擇、基因編碼、遺傳操作(初始種群產(chǎn)生、選擇、交叉、變異)等步驟。適應(yīng)度函數(shù)采用公式(5)中的定義，則整個(gè)遺傳算法具體步驟如下：

Step1：基因編碼?；蚓幋a操作是將待解決的問(wèn)題的可行解進(jìn)行數(shù)學(xué)量化，并轉(zhuǎn)化為遺傳過(guò)程中基因結(jié)構(gòu)數(shù)學(xué)模型，以便進(jìn)一步進(jìn)行交叉、變異、選擇等操作。假設(shè)待分配的傳感器組合(包括真實(shí)傳感器和偽傳感器)為2M-1，對(duì)于由N個(gè)待識(shí)別的目標(biāo)，每個(gè)目標(biāo)選擇一種傳感器組合作為分配的結(jié)果，則編碼形成的染色體串對(duì)應(yīng)著一種傳感器-目標(biāo)分配方案，如下圖所示：

圖2 染色體編碼示意圖

其中Ri∈[1,2M-1]。

Step2：初始化種群。假設(shè)種群個(gè)體的數(shù)量設(shè)置為T，則隨機(jī)生成T個(gè)染色體串，即產(chǎn)生含有T個(gè)個(gè)體的初始種群。對(duì)于每個(gè)染色體中的每一個(gè)基因，隨機(jī)從[1,2M-1]之間選擇一個(gè)數(shù)字作為初始化分配結(jié)果。

Step3：個(gè)體選擇。選擇根據(jù)適者生存的原則選擇生成下一個(gè)個(gè)體方案的父本，以適應(yīng)度為選擇原則，選擇出適應(yīng)度大的分配方案直接傳給下一代，淘汰適應(yīng)度低的方案。采用輪盤賭選擇方法對(duì)種群個(gè)體進(jìn)行選擇。

首先由適應(yīng)度大小計(jì)算每種分配方案被選擇的概率。記Si為T個(gè)個(gè)體中第i個(gè)個(gè)體的適應(yīng)度，Ai為第i個(gè)個(gè)體被選中這一事件，則第i個(gè)方案被選擇參與下一代種群的概率為

(6)

(7)

的第k個(gè)方案作為被選中方案，重復(fù)選擇T次(同一個(gè)體可以多次被選中)，選出下一代的T個(gè)個(gè)體。為滿足遺傳算法收斂的要求，保證最優(yōu)個(gè)體能夠被復(fù)制到下一代，應(yīng)當(dāng)將當(dāng)代適應(yīng)度最高的個(gè)體替換下一代個(gè)體中適應(yīng)度最差的個(gè)體，以保證適應(yīng)度最高的個(gè)體能夠存活到下一代種群中。

Step4：交叉。在被選中用于繁殖下一代的個(gè)體中，以交叉概率pc隨機(jī)不重復(fù)地從中間群體中選擇兩兩個(gè)體對(duì)，等概率隨機(jī)選擇個(gè)體對(duì)中的基因交換位，對(duì)交換位前的基因進(jìn)行交叉運(yùn)算，交叉過(guò)程如圖所示。

圖3 染色體交叉示意圖

Step5：變異。變異是在交叉后的個(gè)體中，以變異概率pm對(duì)所有個(gè)體的基因位進(jìn)行變異運(yùn)算，隨機(jī)產(chǎn)生一個(gè)符合限制條件的數(shù)賦值給該位，生成子代群體。具體操作為，對(duì)于每個(gè)基因位，隨機(jī)生成[0,1]上的數(shù)，將它與變異概率pm進(jìn)行比較，如果隨機(jī)生成的數(shù)小于變異概率，則在取值范圍內(nèi)隨機(jī)生成一個(gè)值替換原基因位。變異生成新方案的過(guò)程如圖3所示。

圖4 染色體變異示意圖

Step6：交叉概率和變異概率的動(dòng)態(tài)選取。用不變的控制參數(shù)來(lái)控制遺傳進(jìn)化，很容易導(dǎo)致“早熟”，降低了算法的搜索效率。調(diào)整遺傳算法控制參數(shù)較好的方法是動(dòng)態(tài)自適應(yīng)技術(shù)，其基本思想是使交叉概率pc和變異概率pm在進(jìn)化過(guò)程中根據(jù)種群的實(shí)際情況，隨機(jī)調(diào)整大小，具體做法為：當(dāng)種群趨于收斂時(shí)，減小pc、增大pm，即降低交叉的概率，提高變異的概率，以保持種群的多樣性，避免出現(xiàn)“早熟”；當(dāng)種群個(gè)體發(fā)散時(shí)，增大pc、減小pm，即提高交叉的概率，降低變異的概率，使種群趨于收斂，提升算法的收斂速度。

利用“早熟”程度指標(biāo)

(8)

(9)

3 仿真分析

假設(shè)在[100 km×100 km]的監(jiān)視區(qū)域內(nèi)部署6部傳感器，包含1部測(cè)速雷達(dá)傳感器，1部RCS特性測(cè)量雷達(dá)傳感器，2部紅外傳感器，2部無(wú)線電偵察傳感器，其中雷達(dá)傳感器、紅外傳感器、無(wú)線電偵察傳感器的探測(cè)距離分別為60 km、 65 km以及70 km。在某一時(shí)刻，有80批未知類型的目標(biāo)從監(jiān)視區(qū)域的某一側(cè)沿著不同的方向同時(shí)進(jìn)入監(jiān)視區(qū)域，目標(biāo)可能有4種類型A、B、C、D，每種類型目標(biāo)的個(gè)數(shù)均為20個(gè)。每種類型目標(biāo)的先驗(yàn)概率通過(guò)對(duì)歷史探測(cè)數(shù)據(jù)進(jìn)行貝葉斯網(wǎng)絡(luò)統(tǒng)計(jì)分析得到。由于貝葉斯網(wǎng)絡(luò)涉及到大量的統(tǒng)計(jì)分析計(jì)算，這里直接給出貝葉斯網(wǎng)絡(luò)條件概率表，如表1所示。

根據(jù)當(dāng)前測(cè)量的特征數(shù)據(jù)組合，經(jīng)過(guò)貝葉斯推理之后計(jì)算得出當(dāng)前目標(biāo)的綜合識(shí)別概率。當(dāng)綜合識(shí)別概率大于等于0.80時(shí)，目標(biāo)被確認(rèn)，之后不用再被識(shí)別。為簡(jiǎn)單起見(jiàn)，在整個(gè)仿真過(guò)程中，目標(biāo)做二維的勻速運(yùn)動(dòng)。為形成對(duì)比，本文采用傳感器隨機(jī)分配算法進(jìn)行參考分析。隨機(jī)分配算法即在每個(gè)管控周期內(nèi)，為每個(gè)目標(biāo)隨機(jī)的選擇一個(gè)傳感器組合，系統(tǒng)采用隨機(jī)分配的傳感器方案對(duì)目標(biāo)進(jìn)行探測(cè)。本文采用蒙特卡洛法對(duì)兩種算法進(jìn)行比較分析，蒙特卡洛仿真次數(shù)為100次，仿真周期為150 s，傳感器的管控周期為5 s，得到兩種算法的性能比較如表2所示。

表1 貝葉斯網(wǎng)絡(luò)的先驗(yàn)條件概率分布表

表2 兩種算法性能比較表

表中，算法平均運(yùn)行時(shí)間反映了多傳感器動(dòng)態(tài)調(diào)度的時(shí)間；平均識(shí)別時(shí)間是指從仿真開(kāi)始時(shí)刻到正確識(shí)別所有目標(biāo)所需要的時(shí)間。從表中可以看出，盡管隨機(jī)分配算法的運(yùn)行時(shí)間遠(yuǎn)遠(yuǎn)小于本文算法的運(yùn)行時(shí)間，但是本文算法的運(yùn)行時(shí)間僅僅為0.16 s，遠(yuǎn)小于5 s的管控周期，因此能夠滿足傳感器管控實(shí)時(shí)性的要求。在整個(gè)仿真周期內(nèi)，兩種算法都能夠100%正確識(shí)別出新出現(xiàn)的80批目標(biāo)，然而，隨機(jī)分配算法平均用了63.95 s才能識(shí)別出全部的目標(biāo)，而本文提出的面向協(xié)同感知的自適應(yīng)管控算法僅僅用了42.65 s，識(shí)別時(shí)效性提高了近21 s。

表3給出了不同的特征組合感知信息熵的大小，從仿真結(jié)果可以看出，不同的目標(biāo)特征對(duì)于未知目標(biāo)識(shí)別的貢獻(xiàn)度是不一樣的。表中，對(duì)于目標(biāo)1，當(dāng)只有幾何特征時(shí)，感知信息熵為-1.36，對(duì)應(yīng)的識(shí)別概率分別為[0.07 0.15 0.69 0.09]，此時(shí)還未能識(shí)別目標(biāo)。隨著特征組合逐漸增多，感知信息熵逐漸減小，說(shuō)明目標(biāo)識(shí)別的不確定性逐漸在下降，當(dāng)采用幾何+RCS+紅外+ESM特征組合對(duì)目標(biāo)進(jìn)行識(shí)別時(shí)，對(duì)應(yīng)的識(shí)別概率分別為[0.0015 0.0001 0.9943 0.0041]，綜合識(shí)別概率大大增加了。一般而言，特征組合越多，越有利于識(shí)別，但是部分情況下，某些特征反而會(huì)增大識(shí)別的不確定性，例如在對(duì)目標(biāo)2識(shí)別的過(guò)程中，采用幾何+RCS+紅外特征組合對(duì)目標(biāo)的感知信息熵為-0.69，但是增加了ESM信號(hào)特征之后，感知信息熵反而下降到了-0.78，說(shuō)明ESM特征不利于識(shí)別，因此在傳感器動(dòng)態(tài)調(diào)度過(guò)程中，就不應(yīng)該再調(diào)度ESM傳感器對(duì)目標(biāo)進(jìn)行測(cè)量。

表3 不同目標(biāo)特征對(duì)感知信息熵的貢獻(xiàn)

3 結(jié) 語(yǔ)

在現(xiàn)代復(fù)雜多變的戰(zhàn)場(chǎng)環(huán)境中，如何充分利用利用多種傳感器探測(cè)的多種特征對(duì)未知目標(biāo)進(jìn)行盡早識(shí)別已經(jīng)成為決定戰(zhàn)爭(zhēng)勝負(fù)的關(guān)鍵。從多傳感器多目標(biāo)多特征綜合識(shí)別的角度出發(fā)，本文提出了一種面向協(xié)同感知的多傳感器自適應(yīng)管理方法，該方法利用貝葉斯網(wǎng)絡(luò)通過(guò)離線學(xué)習(xí)和在線學(xué)習(xí)的方式得到多傳感器特征級(jí)別協(xié)同感知概率，基于聯(lián)合感知信息熵建立了目標(biāo)協(xié)同識(shí)別到傳感器動(dòng)態(tài)管理的管控閉環(huán)，同時(shí)采用智能優(yōu)化算法提升“多傳感器-多目標(biāo)”的分配效率。仿真結(jié)果表明，本文提出的面向協(xié)同感知的多傳感器自適應(yīng)管控方法能夠極大提升整個(gè)傳感器網(wǎng)絡(luò)的識(shí)別時(shí)效性，從而為后續(xù)的預(yù)警、攔截、打擊等作戰(zhàn)指揮活動(dòng)爭(zhēng)取寶貴的時(shí)間。

[1] A.O Hero, D. Cochran. Sensor management: past, present, and future [J]. IEEE Sensors Journal, 2011, 11(12): 3064-3075.

[2] 劉先省, 石磊, 潘泉. 傳感器管理及方法綜述[J]. 電子學(xué)報(bào), 2002,30(3):394-397.

[3] 羅開(kāi)平, 姜維, 李一軍. 傳感器管理述評(píng)[J]. 電子學(xué)報(bào),2010,38(8):1900-1907.

[4] 劉欽, 劉崢, 謝榮. 防空雷達(dá)網(wǎng)對(duì)多隱身目標(biāo)的協(xié)同檢測(cè)與跟蹤[J],電子與信息學(xué)報(bào), 2013,35(3):601-607.

[5] 楊秀珍, 何友, 鞠傳文. 目標(biāo)識(shí)別中的傳感器管理方法[J]. 火力與指揮控制, 2005, 30(3): 8-13.

[6] 胡仁偉, 廖東平, 魏璽章. 基于分辨力的融合目標(biāo)識(shí)別系統(tǒng)中的傳感器管理方法研究[J].電光與控制, 2007,14(3):1-4.

[7] 衛(wèi)楊勇, 徐世友, 辛玉林. 基于分辨力增益的綜合識(shí)別傳感器管理方法[J]. 電訊技術(shù)，2011,51(11):11-15.

[8] 劉先省, 申石磊, 潘泉. 基于信息熵的一種傳感器管理方法[J]. 電子學(xué)報(bào), 2000,28(9): 39-41.

[9] J.M Nash, optimal allocation of tracking resources[C]. Proceeding of IEEE conference on Decision and Control including the 16th Symposium on Adaptive Processes and A Special Symposium on Fuzzy Set Theory and Applications, New Orleans, LA, 1997:1177-1180.

An Adaptive Multi-sensor Management Method for Cooperative Perception

LU Ze-jian, LIU Xiao, QIN Yong-gang, PAN Yue, GUO Ji-guang, HUANG Sheng

(China Academy of Electronic and Information Technology, Beijing 100041, China)

An adaptive management method is proposed in this paper to address the problem of multi-sensor dispatching in the sense of multi-feature target recognition. The method firstly computes the prior probability distribution and then utilizes Bayesian inference to identify unknown targets based on detected feature combination from multiple detection periods. Perceptual information entropy gain is then calculated as the feedback of the dispatching system while genetic optimization algorithm is utilized to adaptively dispatch multi-sensor on line. Simulation results have shown that, compared with the random method, the identification efficiency can raise up almost 21 seconds via the proposed method, which effectively improves the dynamic perception capability of unknown targets.

identification; information entropy; adaptive; sensor management

10.3969/j.issn.1673-5692.2017.04.005

2017-05-25

2017-07-10

電子信息裝備體系研究國(guó)防科技重點(diǎn)實(shí)驗(yàn)室基礎(chǔ)研究項(xiàng)目(DXZT-JC-ZZ-2011-015)

陸澤健(1986—)，男，廣西人，工程師，主要研究方向?yàn)槔走_(dá)組網(wǎng)，多傳感器管理技術(shù)；

E-mail:lzj_bupt@163.com

劉 筱(1979—)，男，湖南人，高級(jí)工程師，主要研究方向?yàn)榫C合電子信息系統(tǒng)總體設(shè)計(jì)，系統(tǒng)集成與信息處理；

秦永剛，(1983—)，男，湖北人，工程師，主要研究方向?yàn)榫C合電子信息系統(tǒng)設(shè)計(jì)與系統(tǒng)集成；

潘 越(1984—)，男，湖南人，高級(jí)工程師，主要研究方向?yàn)榫C合電子信息系統(tǒng)總體設(shè)計(jì)，系統(tǒng)集成與信息處理；

郭繼光(1979—)，男，黑龍江人，高級(jí)工程師，主要研究方向?yàn)榫C合電子信息系統(tǒng)總體設(shè)計(jì)，系統(tǒng)集成與信息處理；

黃 勝(1986—)，男，河南人，工程師，主要研究方向?yàn)榍閳?bào)處理，大數(shù)據(jù)分析與數(shù)據(jù)挖掘。

TN391,TP273

A

1673-5692(2017)04-353-06