張大銘，劉靖東，梁晨光

(1.北京宇航系統(tǒng)工程研究所，北京 100076；2.中國(guó)運(yùn)載火箭技術(shù)研究院，北京 100076)

0 引 言

隨著海洋探測(cè)技術(shù)的快速發(fā)展、針對(duì)水下目標(biāo)的探索手段（如主被動(dòng)聲吶[1–2]、紅外[3]、合成孔徑雷達(dá)（SAR）[4]、可見(jiàn)光[5]、磁異探測(cè)[6]等）更加豐富，數(shù)據(jù)量更加龐大，信息處理正朝著多源融合的方向發(fā)展。多源信息融合技術(shù)指將多傳感器獲取的多種信息按照一定規(guī)則組合，減少或消除信息中的干擾及不確定性[7]，進(jìn)而實(shí)現(xiàn)對(duì)某些問(wèn)題做出全方位準(zhǔn)確可靠判斷的一種信息處理技術(shù)，在自動(dòng)目標(biāo)識(shí)別，遙感及監(jiān)控系統(tǒng)[8]等方面發(fā)揮著重要的作用。

信息融合技術(shù)經(jīng)歷了傳感融合、異源融合、決策融合幾個(gè)階段[9]。第1 階段在20 世紀(jì)70 年代，美國(guó)首先開(kāi)始對(duì)多源信息融合進(jìn)行研究，起初主要應(yīng)用于軍事，用來(lái)提高傳感系統(tǒng)的實(shí)時(shí)識(shí)別、跟蹤、戰(zhàn)場(chǎng)狀態(tài)估計(jì)和威脅估計(jì)的能力[10]；第2 階段，信息融合被推廣到非同類(lèi)傳感器的異源信息融合技術(shù)[11]，并將其應(yīng)用到電子情報(bào)、電子作戰(zhàn)系統(tǒng)中；第3 階段，信息融合技術(shù)與指揮決策相關(guān)聯(lián)，形成了數(shù)據(jù)專(zhuān)家系統(tǒng)。目前，美國(guó)已研制了幾十個(gè)應(yīng)用數(shù)據(jù)融合技術(shù)的情報(bào)收集和作戰(zhàn)指揮系統(tǒng)，例如戰(zhàn)場(chǎng)海軍戰(zhàn)爭(zhēng)狀態(tài)分析顯示系統(tǒng)、管理和目標(biāo)檢測(cè)系統(tǒng)、軍用情報(bào)分析系統(tǒng)[12]等。相較于美國(guó)等發(fā)達(dá)國(guó)家，我國(guó)在信息融合技術(shù)方面起步較晚。從20 世紀(jì)末開(kāi)始，國(guó)內(nèi)學(xué)者主要關(guān)注異源信息融合技術(shù)，并開(kāi)展理論研究，陸續(xù)提出了基于支持向量機(jī)（SVM）的模型和融合算法、人工神經(jīng)網(wǎng)絡(luò)融合算法[13–14]等。

但是上述各階段的研究都存在局限性，單一傳感融合精度較高，但很難適應(yīng)復(fù)雜信息處理，異源融合在樣本訓(xùn)練、特征分析方面有很大優(yōu)勢(shì)，但是即使目前融合人工算法，往往只能反映目標(biāo)的局部特征而非關(guān)鍵性特征[14]。因此，無(wú)法全面、準(zhǔn)確地區(qū)分出深遠(yuǎn)海不同類(lèi)型目標(biāo)之間的差別（例如不同種類(lèi)的水下航行器、人工設(shè)施和大型生物體等），而融合指揮系統(tǒng)決策融合還在探索階段，準(zhǔn)確度不夠高，強(qiáng)烈依賴(lài)數(shù)據(jù)融合分析結(jié)果。

針對(duì)水下目標(biāo)特征量受海洋環(huán)境影響大、融合難度大、數(shù)據(jù)處理復(fù)雜等問(wèn)題，本文提出層次化信息融合方法，并進(jìn)行測(cè)實(shí)驗(yàn)證。著重介紹方法設(shè)計(jì)的思路和流程，給出基于該方法的部分實(shí)驗(yàn)測(cè)試結(jié)果，對(duì)多源融合技術(shù)未來(lái)發(fā)展進(jìn)行探討。

1 層次化信息融合方法設(shè)計(jì)

面向海洋水下目標(biāo)探測(cè)的層次化信息融合方法，將復(fù)雜的多源信息按照聲學(xué)、非聲學(xué)進(jìn)行分類(lèi)，從低到高融合層級(jí)排序，分批、分步驟實(shí)現(xiàn)特征獲取。聲學(xué)信息類(lèi)型相同或接近，采用數(shù)據(jù)級(jí)融合方式進(jìn)行目標(biāo)航跡關(guān)聯(lián)性分析，可有效剔除環(huán)境干擾和預(yù)測(cè)誤差，提高目標(biāo)方位、距離計(jì)算精度，提取運(yùn)動(dòng)特征。圖像、磁探測(cè)等非聲學(xué)信息類(lèi)型差異較大，采用預(yù)處理、分階段特征級(jí)融合的方式，可以有效提取水下目標(biāo)的形態(tài)、局部熱力學(xué)、電磁學(xué)分布等特征，減少中間量屬性的特征參數(shù)在信息融合中的不確定性。

在決策級(jí)融合中，針對(duì)提取的各方面（如天基、空基、地基、?；綔y(cè)等）目標(biāo)特征信息進(jìn)行綜合，引入多元化的先驗(yàn)性的目標(biāo)特征知識(shí)，輔助進(jìn)行目標(biāo)判定。一方面，針對(duì)目標(biāo)本身的關(guān)鍵特性進(jìn)行分析，包括整體外觀形態(tài)（如外形尺寸、動(dòng)力及航行水流特征等）、關(guān)鍵部位機(jī)械結(jié)構(gòu)（如葉片數(shù)量、槳舵位置等）、振動(dòng)聲紋特征、熱力學(xué)及電磁學(xué)梯度分布等，逐步構(gòu)建目標(biāo)尾流圖、聲紋庫(kù)等一系列關(guān)鍵特征判別數(shù)據(jù)庫(kù)；另一方面，基于目標(biāo)歷史活動(dòng)觀測(cè)記錄和軌跡分析，提煉目標(biāo)行為規(guī)律，構(gòu)建智能化仿真和預(yù)測(cè)模型，有針對(duì)性地進(jìn)行廣域和局域的深海監(jiān)控及模型驗(yàn)證，提高預(yù)測(cè)精度，為最終水下目標(biāo)識(shí)別構(gòu)建多個(gè)維度的輔助判定標(biāo)準(zhǔn)，減少在決策級(jí)信息融合中由于信息損失和人為因素帶來(lái)的誤判和虛警。

通過(guò)上述方式，能夠在每層級(jí)獲取局部最優(yōu)特征提取，在多層級(jí)逼近全局最優(yōu)目標(biāo)識(shí)別，最大限度地緩解特征級(jí)和決策級(jí)融合中信息量損失、信息類(lèi)型復(fù)雜導(dǎo)致的低精度問(wèn)題。

以天基探測(cè)水下目標(biāo)的信息融合為例，如圖1 所示。按照層次化的信息融合方法，將信息獲取源分為電子偵察衛(wèi)星和遙感探測(cè)衛(wèi)星兩大類(lèi)，每個(gè)大類(lèi)分批進(jìn)行數(shù)據(jù)融合，形成脈沖信號(hào)、內(nèi)波軌跡和尾流溫差3 種中間量特征信息，再將這些不同類(lèi)型信息進(jìn)行特征融合預(yù)處理，即特征點(diǎn)篩選，相關(guān)性分析和加權(quán)平均融合，減少特征信息的總數(shù)據(jù)量，降低后續(xù)計(jì)算復(fù)雜度，緊接著輸入淺層監(jiān)督+深入學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行二次特征提取，實(shí)現(xiàn)可供識(shí)別的目標(biāo)特征信息。在決策級(jí)融合中，利用已有的天基探測(cè)目標(biāo)識(shí)別數(shù)據(jù)庫(kù)，生成針對(duì)當(dāng)前海域水下目標(biāo)的電學(xué)信號(hào)檢測(cè)歷史結(jié)果和尾流軌跡分布規(guī)律等先驗(yàn)知識(shí)，在決策機(jī)制的判別下，最終得到目標(biāo)識(shí)別的結(jié)果。

圖1 基于天基探測(cè)的水下目標(biāo)識(shí)別的層次化信息融合方法框圖Fig.1 Diagram of space-based detection for underwater target detection with hierarchical information fusion method

2 仿真實(shí)驗(yàn)驗(yàn)證

基于遙感探測(cè)衛(wèi)星、電子偵察衛(wèi)星等電學(xué)信號(hào)探測(cè)，以及被動(dòng)聲吶陣列等聲學(xué)信號(hào)探測(cè)的復(fù)雜信息融合場(chǎng)景，本文針對(duì)層次化信息融合方法整體進(jìn)行仿真測(cè)試。根據(jù)水下目標(biāo)一般特性，人工擬合實(shí)際探測(cè)場(chǎng)景下的探測(cè)信息數(shù)據(jù)庫(kù)，同時(shí)擬定神經(jīng)網(wǎng)絡(luò)專(zhuān)家規(guī)則，如表1 所示。實(shí)驗(yàn)中神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)部分設(shè)置隱含層節(jié)點(diǎn)數(shù)為12，設(shè)置輸出層節(jié)點(diǎn)數(shù)為3，訓(xùn)練精度為0.001，最大迭代次數(shù)500。標(biāo)簽按照表1 設(shè)置為3 類(lèi)。

針對(duì)多源圖像和聲吶識(shí)別場(chǎng)景，分別比較本文層次化信息融合方法、僅采用特征級(jí)融合方法，以及傳統(tǒng)多級(jí)融合方法（包括：數(shù)據(jù)級(jí)+特征級(jí)、特征級(jí)+決策級(jí)，不含先驗(yàn)知識(shí)）實(shí)驗(yàn)針對(duì)不用輸入的多源探測(cè)數(shù)據(jù)，得到各個(gè)場(chǎng)景下的平均識(shí)別率。匯總結(jié)果見(jiàn)表2。可以看出，采用“層次化的綜合化融合方法+先驗(yàn)知識(shí)”，能夠較好地同時(shí)解決大容量、復(fù)信息和高精度的問(wèn)題，進(jìn)而提高建模準(zhǔn)確性和目標(biāo)成功識(shí)別率，減少虛警和誤判的情況。

此外，基于水槽實(shí)驗(yàn)中可采集的聲吶數(shù)據(jù)，本文針對(duì)層次化信息融合方法中最核心的特征級(jí)融合部分進(jìn)行了單獨(dú)的測(cè)實(shí)驗(yàn)證。如圖2 所示，特征預(yù)處理采用K 均值方式進(jìn)行特征點(diǎn)篩選，采用非線性回歸進(jìn)行相關(guān)性分析，并基于相關(guān)性程度進(jìn)行加權(quán)平均。在學(xué)習(xí)層面，采用反向傳播（BP）淺層監(jiān)督網(wǎng)+卷積（CNN）深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行特征級(jí)數(shù)據(jù)融合，最終得到特征提取結(jié)果。

表1 信息融合神經(jīng)網(wǎng)絡(luò)的專(zhuān)家規(guī)則Tab.1 Expert rules of the information fusion neutral network

表2 不同場(chǎng)景下不同方法的目標(biāo)識(shí)別率對(duì)比Tab.2 Comparison of the target detection rates with different methods in different scenarios

在測(cè)試中，將標(biāo)數(shù)據(jù)簽設(shè)置為3 類(lèi)。1 對(duì)應(yīng)水下目標(biāo)，2 對(duì)應(yīng)艦船，3 對(duì)應(yīng)水下無(wú)人航行器，進(jìn)行迭代更新。利用3 類(lèi)訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，利用測(cè)試數(shù)據(jù)對(duì)網(wǎng)絡(luò)識(shí)別效果進(jìn)行驗(yàn)證。設(shè)置訓(xùn)練樣本為1 200 時(shí)，選取5 類(lèi)130 個(gè)測(cè)試樣本數(shù)據(jù)進(jìn)行測(cè)試。實(shí)際測(cè)試集分類(lèi)和預(yù)測(cè)測(cè)試集分類(lèi)圖如圖3 所示。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，130 個(gè)測(cè)試樣本均為5 類(lèi)數(shù)據(jù)，在測(cè)試集中，有6 個(gè)樣本錯(cuò)分為類(lèi)別2，有0 個(gè)樣本錯(cuò)分為類(lèi)別3。訓(xùn)練性能曲線如圖4 所示。可以看到，網(wǎng)絡(luò)參數(shù)逐漸調(diào)整，預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差逐漸收斂，驗(yàn)證該網(wǎng)絡(luò)用于識(shí)別的可行性，且誤差值穩(wěn)定在0.001 以下，穩(wěn)定誤差值下降，說(shuō)明模型訓(xùn)練效果較好?？梢钥吹?，采用預(yù)處理，以及“淺層+深層”相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型，可以提高特征提取的有效性，減少后續(xù)目標(biāo)識(shí)別的誤差。

圖2 基于聲吶數(shù)據(jù)的特征級(jí)信息融合方法框圖Fig.2 Diagram of the information fusion method in feature level based on the sonar data

3 未來(lái)信息融合技術(shù)探究

基于上述深遠(yuǎn)海探測(cè)信息融合技術(shù)分析，對(duì)多源信息融合技術(shù)未來(lái)的應(yīng)用和發(fā)展進(jìn)行探究，形成如下幾方面研究方向：

圖3 基于層次化信息融合方法的水下目標(biāo)識(shí)別效果Fig.3 Effects of underwater target detection based on the hierarchical information fusion method

圖4 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型的誤差變化Fig.4 Error variation of the model of deep-learning neutral network

1）面向應(yīng)用領(lǐng)域設(shè)計(jì)層次化信息融合解決方案。面對(duì)不同類(lèi)型的應(yīng)用領(lǐng)域，該方案可以快速分解和降低全局問(wèn)題分析的復(fù)雜度、提高求解質(zhì)量，特別是在當(dāng)前技術(shù)水平和算法工具無(wú)法直接進(jìn)行全局求解時(shí)，通過(guò)對(duì)具體應(yīng)用領(lǐng)域的特點(diǎn)剖析和問(wèn)題劃分，采用“多級(jí)分而治之+單級(jí)最優(yōu)逼近”的層次化信息融合方案，可以有效緩解通用融合技術(shù)特征提取不準(zhǔn)確、目標(biāo)識(shí)別精度低等問(wèn)題，提升最終目標(biāo)識(shí)別的有效性和準(zhǔn)確率。

2）進(jìn)一步加強(qiáng)人工智能技術(shù)在信息融合中的應(yīng)用。當(dāng)前，神經(jīng)網(wǎng)絡(luò)、專(zhuān)家系統(tǒng)、支持向量機(jī)等方法應(yīng)用到數(shù)據(jù)處理、數(shù)據(jù)關(guān)聯(lián)、目標(biāo)判決等信息融合中，可以實(shí)現(xiàn)不同類(lèi)型特征提取，減少數(shù)據(jù)計(jì)算量。但與實(shí)際應(yīng)用問(wèn)題結(jié)合時(shí)會(huì)面臨模型構(gòu)建過(guò)程復(fù)雜、易受錯(cuò)誤數(shù)據(jù)干擾、預(yù)測(cè)結(jié)果精度受限、缺乏統(tǒng)一評(píng)判標(biāo)準(zhǔn)等問(wèn)題。因此，需要構(gòu)建面向功能的智能化、拓?fù)涫降哪Ｐ透咝ч_(kāi)發(fā)平臺(tái)，探索神經(jīng)網(wǎng)絡(luò)等模型架構(gòu)的系統(tǒng)性?xún)?yōu)化策略，研究模型網(wǎng)絡(luò)的容錯(cuò)和抗干擾能力提升，統(tǒng)籌基于知識(shí)和信息的系統(tǒng)測(cè)試和評(píng)定方法、標(biāo)準(zhǔn)問(wèn)題[13]等。

3）逐步構(gòu)建系統(tǒng)化的先驗(yàn)知識(shí)庫(kù)。在一個(gè)信息系統(tǒng)中，知識(shí)和推理起到?jīng)Q定性作用，隨著信息的積累，形成的知識(shí)可以在特定情況下對(duì)其進(jìn)行抽象。先驗(yàn)知識(shí)庫(kù)的建立與完善是發(fā)展決策級(jí)信息融合技術(shù)的核心，充分發(fā)揮先驗(yàn)知識(shí)庫(kù)的作用將是解決信息融合實(shí)際應(yīng)用中計(jì)算量大、數(shù)據(jù)結(jié)構(gòu)復(fù)雜、誤判虛警嚴(yán)重等問(wèn)題的關(guān)鍵，對(duì)未來(lái)深遠(yuǎn)海探打體系構(gòu)建、環(huán)境態(tài)勢(shì)感知等領(lǐng)域應(yīng)用意義重大。

4 結(jié) 語(yǔ)

當(dāng)前，信息融合技術(shù)已成為現(xiàn)代軍事及民用中重要的數(shù)據(jù)分析和決策手段。但是，通用的融合技術(shù)應(yīng)用于深遠(yuǎn)海探測(cè)目標(biāo)識(shí)別等具體領(lǐng)域時(shí)，在信息獲取、特征融合和目標(biāo)判定等方面還存在諸多技術(shù)難點(diǎn)。本文提出層次化的信息融合和加入先驗(yàn)知識(shí)的方法，能夠更加有效地提高特征融合質(zhì)量、減少目標(biāo)判決失誤等。未來(lái)，隨著層次化信息獲取平臺(tái)快速構(gòu)建，更先進(jìn)融合策略深入研究，人工智能技術(shù)不斷升級(jí)，先驗(yàn)知識(shí)庫(kù)系統(tǒng)化逐步完善，將會(huì)有更多、更廣泛的多源信息融合系統(tǒng)工程落地，在海洋水下目標(biāo)識(shí)別、環(huán)境信息感知等領(lǐng)域中發(fā)揮出更大的作用。