熊振宇, 崔亞奇, 熊 偉, 顧祥岐

(海軍航空大學(xué)信息融合研究所, 山東 煙臺 264001)

0 引 言

隨著監(jiān)視技術(shù)的不斷發(fā)展,對目標(biāo)的探測手段日益增多,探測能力逐步增強。然而不同探測手段所獲取的數(shù)據(jù)間差異不斷增大,對于當(dāng)前有限的關(guān)聯(lián)融合能力,不僅沒有提升整體的監(jiān)視能力,還導(dǎo)致了更多問題。多源數(shù)據(jù)關(guān)聯(lián)主要用于判斷對同一目標(biāo)描述的一致性[1],是多源數(shù)據(jù)融合的前提和基礎(chǔ),在軍事和民用領(lǐng)域都有廣泛的應(yīng)用[2-5]。例如目標(biāo)識別、海洋監(jiān)視、目標(biāo)跟蹤、環(huán)境監(jiān)測等。本文主要研究衛(wèi)星和雷達位置數(shù)據(jù)間的關(guān)聯(lián)問題。衛(wèi)星探測范圍廣、重訪周期長、定位精度差,一般在監(jiān)視過程中用于大范圍探測[6];雷達探測范圍小,更新周期短,定位精度高,一般在監(jiān)視過程中用于目標(biāo)的連續(xù)跟蹤監(jiān)視[7]。衛(wèi)星與雷達之間的關(guān)聯(lián)可以將兩者的信息有效綜合起來,互補兩類信息各自的不足,實現(xiàn)目標(biāo)的完全掌握。為有效綜合集成空間信息網(wǎng)絡(luò)中的多源信息,形成多手段聯(lián)合的預(yù)警探測體系,大差異多源信息關(guān)聯(lián)是最亟待突破的難題[8-10]。

為解決多源數(shù)據(jù)關(guān)聯(lián)問題,文獻[11-13]以雷達與無源雷達兩種手段間關(guān)聯(lián)為背景,解決雷達信息與定位精度差的無源雷達信息間的關(guān)聯(lián)問題。文獻[14]利用傳統(tǒng)方法提取出艦船目標(biāo)的拓?fù)浣Y(jié)構(gòu)特征和屬性特征,同時引入了Dempster-Shafer(簡稱為DS)證據(jù)理論[15]解決了成像遙感信息和衛(wèi)星電子信息間的艦船目標(biāo)關(guān)聯(lián)問題。文獻[16]采用相干點集(coherent point set, CPS)分析法建立多模態(tài)融合模型,利用成像遙感信息和衛(wèi)星電子信息中目標(biāo)的位置坐標(biāo)和屬性特征實現(xiàn)關(guān)聯(lián)匹配。文獻[17]將高斯混合模型(Gaussian mixture model, GMM)[18]和一致性漂移算法(coherent point drift, CPD)[19]相結(jié)合,提出了非均勻GMM(inhomogeneous GMM, IGMM),采用期望最大值(expectation maximum, EM)[20]計算關(guān)聯(lián)匹配結(jié)果。以上解決多源數(shù)據(jù)關(guān)聯(lián)問題都采用了迭代優(yōu)化的傳統(tǒng)關(guān)聯(lián)方法,存在的主要缺點有:關(guān)聯(lián)成功率低、泛化能力弱、適用范圍有限、關(guān)聯(lián)速度慢、人工干預(yù)強等問題。同時上述關(guān)聯(lián)方法僅解決了形式簡單、條件理想情況下的關(guān)聯(lián)問題,而對于雷達和衛(wèi)星圖像此類更一般、更實際、更具代表性的關(guān)聯(lián)問題缺乏研究。

針對上述問題,本文提出了一種衛(wèi)星與雷達位置數(shù)據(jù)自適應(yīng)關(guān)聯(lián)模型。首先基于多層神經(jīng)網(wǎng)絡(luò)(multi-layer neural network, MLN)搭建整體差異參數(shù)提取網(wǎng)絡(luò),分別提取衛(wèi)星目標(biāo)點和雷達目標(biāo)點的整體差異參數(shù)。接著采用串聯(lián)等方式整合提取到的差異參數(shù)得到全局差異參數(shù)。然后將全局參數(shù)通過設(shè)計的位移變換網(wǎng)絡(luò)實現(xiàn)兩類信源目標(biāo)的配準(zhǔn)對齊。最后根據(jù)定義的關(guān)聯(lián)判別準(zhǔn)則對配準(zhǔn)后的目標(biāo)點進行關(guān)聯(lián)判斷。仿真實驗結(jié)果表明,該模型能夠很好地適應(yīng)隊形變換、定位出差、虛警漏報等場景,有效提高了關(guān)聯(lián)速度和精度。

1 問題描述

假設(shè)同一時刻衛(wèi)星在某一區(qū)域內(nèi)探測到目標(biāo)點位置集合為S,雷達探測到目標(biāo)點位置集合為G。由于雷達探測較為連續(xù),可以雷達為參考,衛(wèi)星向雷達進行關(guān)聯(lián)。實測數(shù)據(jù)分析發(fā)現(xiàn),衛(wèi)星量測與雷達量測間受時間間隔和定位誤差的影響產(chǎn)生較大的空間差異。其中受時間間隔影響,目標(biāo)點位置的整體差異具有一致性,同時每個點受定位誤差的影響,目標(biāo)點之間的差異還具有個體波動性。因此,雷達與衛(wèi)星量測點關(guān)聯(lián)問題可描述為

(1)

2 模型設(shè)計

衛(wèi)星與雷達探測的目標(biāo)點空間差異性大,難以直接進行關(guān)聯(lián)匹配,需對兩種信源中每個目標(biāo)點先配準(zhǔn)對齊,再關(guān)聯(lián)判斷,同時空間差異函數(shù)ο(·)的優(yōu)化不受映射函數(shù)m的影響,而映射函數(shù)m取決于空間差異函數(shù)ο(·)的優(yōu)化程度。所以采取先優(yōu)化空間差異函數(shù)ο(xs(i),λ),后優(yōu)化映射函數(shù)m(i)的思路設(shè)計模型。

(1) 對于優(yōu)化ο(xs(i),λ),采取先整體后個體的方式進行模型設(shè)計,網(wǎng)絡(luò)模型如圖1所示。

圖1 網(wǎng)絡(luò)模型

衛(wèi)星目標(biāo)點xs(i)通過位移變換Γ能夠逼近對應(yīng)關(guān)聯(lián)的雷達目標(biāo)點xr(m(i))。衛(wèi)星目標(biāo)點xs(i)的變換過程為

Γ(xs(i),o)=xs(i)+o(xs(i),λ)

(2)

首先利用神經(jīng)網(wǎng)絡(luò)強大的信息提取能力,采用MLN和最大池化函數(shù)提取衛(wèi)星和雷達目標(biāo)點的整體差異參數(shù)λ。再利用神經(jīng)網(wǎng)絡(luò)強大的函數(shù)逼近能力,將整體差異參數(shù)λ與衛(wèi)星目標(biāo)點集S串聯(lián)整合后通過多層神經(jīng)網(wǎng)絡(luò)估計衛(wèi)星目標(biāo)點到雷達目標(biāo)點的位移變換ο(xs(i),λ)。

(2) 對于優(yōu)化映射函數(shù)m(i),通過先計算關(guān)聯(lián)矩陣再采用最大關(guān)聯(lián)系數(shù)法配對實現(xiàn)每個雷達目標(biāo)點和位移后的衛(wèi)星目標(biāo)點間的關(guān)聯(lián)。

2.1 整體差異參數(shù)提取

時間間隔導(dǎo)致衛(wèi)星與雷達目標(biāo)點的空間差異具有一致性,設(shè)計整體差異參數(shù)提取網(wǎng)絡(luò)提取出目標(biāo)點顯著性的差異特征。整體差異參數(shù)提取網(wǎng)絡(luò)如圖2所示。

圖2 整體差異參數(shù)提取網(wǎng)絡(luò)

首先,將衛(wèi)星和雷達目標(biāo)點集合D={(S,G)|S,G?R2}作為網(wǎng)絡(luò)的輸入部分,該網(wǎng)絡(luò)采用了含有Relu激活函數(shù)的多層神經(jīng)網(wǎng)絡(luò):{fi}i=1,2,…,t,其中t為網(wǎng)絡(luò)的層數(shù),然后將網(wǎng)絡(luò)的輸出通過最大池化函數(shù)進行歸一化處理,提取到整體差異參數(shù)λ={(λS,λG)|λS,λG?Rd},其中d為參數(shù)的維度,最后將提取到的差異參數(shù)串聯(lián)[λS,λG]。整體差異參數(shù)提取網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。該網(wǎng)絡(luò)的表達式為

λS=Maxpool{ftft-1…f1(xs(i))}xs(i)∈S

(3)

λG=Maxpool{ftft-1…f1(xr(j))}xr(j)∈G

(4)

表1 整體差異參數(shù)提取網(wǎng)絡(luò)結(jié)構(gòu)

該網(wǎng)絡(luò)采用了5層MLN結(jié)構(gòu),即t=5,網(wǎng)絡(luò)輸出的維度為512維,即d=512。其中,M為訓(xùn)練過程中每一批次數(shù)據(jù)的大小。

2.2 位移變換估計

在位移變換的過程中,通過第2.1節(jié)所提網(wǎng)絡(luò)不僅能夠讓衛(wèi)星數(shù)據(jù)中的目標(biāo)和雷達數(shù)據(jù)中的目標(biāo)盡可能重合,同時還能保證位移變換函數(shù)連續(xù)且平滑。位移變換估計網(wǎng)絡(luò)如圖3所示。

圖3 位移變換估計網(wǎng)絡(luò)

首先將串聯(lián)后的整體差異參數(shù)[λS,λG]復(fù)制N次,目的是讓復(fù)制后的維度與衛(wèi)星數(shù)據(jù)的維度相同;然后將衛(wèi)星數(shù)據(jù)與復(fù)制后的差異參數(shù)串聯(lián)得到全局差異參數(shù)[λS,λG,xs(i)];最后將全局差異參數(shù)作為輸入通過帶有Relu激活函數(shù)的多層神經(jīng)網(wǎng)絡(luò):{gi}i=1,2,…,s中,所以空間差異函數(shù)為o=gsgs-1…g1。位移變換估計網(wǎng)絡(luò)的表達式為

dxs(i)=gsgs-1…g1([λS,λG,xs(i)])

(5)

(6)

表2 位移變換估計網(wǎng)絡(luò)結(jié)構(gòu)

考慮到衛(wèi)星數(shù)據(jù)與雷達數(shù)據(jù)中每個目標(biāo)點都存在對應(yīng)關(guān)系,采用倒角距離[21]進行度量。為了讓衛(wèi)星數(shù)據(jù)的目標(biāo)點經(jīng)位移變換后與雷達數(shù)據(jù)的目標(biāo)點距離接近,該模型的損失函數(shù)倒角損失定義如下:

(7)

式中,θ為該關(guān)聯(lián)網(wǎng)絡(luò)模型中需要訓(xùn)練的參數(shù);β為超參數(shù),在實驗中β=0.1。

2.3 關(guān)聯(lián)判決

(8)

基于以上原則采用最大關(guān)聯(lián)系數(shù)法進行關(guān)聯(lián)判斷,具體過程如下:

(2) 然后,從關(guān)聯(lián)系數(shù)矩陣C(i,j)中刪除最大元素cij所對應(yīng)的行和列元素,得到新的降階關(guān)聯(lián)矩陣C1(i,j),但原矩陣的行、列號(即數(shù)據(jù)中對應(yīng)的目標(biāo))保持不變,從降階矩陣C1(i,j)中找到新的最大值以判定該下標(biāo)對應(yīng)目標(biāo)的關(guān)聯(lián)；

(3) 重復(fù)上述過程直到求出降階關(guān)聯(lián)矩陣CN-1(i,j)中的最大元素。

3 仿真分析

為充分驗證自適應(yīng)關(guān)聯(lián)模型算法的有效性,分別進行數(shù)據(jù)集構(gòu)建、仿真場景驗證和對比實驗。根據(jù)實際情況,在仿真實驗中考慮了4種仿真場景,分別驗證所提模型算法在處理艦船編隊隊形變換、定位誤差、虛警、漏檢等情況時的適應(yīng)能力。在對比試驗中,將傳統(tǒng)GMM算法與本文模型算法進行對比。仿真場景驗證和對比實驗都采用了20 000組訓(xùn)練集和20 000組測試集。整個實驗是在Tensorflow框架下的一個64位工作站上進行的,該工作站主要配置為Ubuntu 16.04、32gb RAM、8intel(R)Core(TM)i7-6770kcpu和NVIDIA GTX 1080Ti×2。

3.1 數(shù)據(jù)集構(gòu)建

根據(jù)艦船編隊實際場景,首先構(gòu)建訓(xùn)練數(shù)據(jù)集。衛(wèi)星數(shù)據(jù)的生成是通過對某一單元區(qū)域內(nèi)隨機選取11個目標(biāo)點(即N=11)。假設(shè)雷達上報數(shù)據(jù)時間晚于衛(wèi)星上報數(shù)據(jù)時間,將衛(wèi)星數(shù)據(jù)進行平移得到雷達數(shù)據(jù),在平移過程中涉及的參數(shù)有x坐標(biāo)軸平移量Δx∈[-5,5],y坐標(biāo)軸平移量Δy∈[-5,5]?？紤]到艦船的隊形可能發(fā)生變化,即雷達數(shù)據(jù)中的位置坐標(biāo)點發(fā)生了非剛性形變,引入形變因子l。

測試數(shù)據(jù)集的構(gòu)建大致與訓(xùn)練數(shù)據(jù)相同。主要考慮以下4種場景。

(1) 仿真場景1:考慮到兩種觀測手段存在時間間隔。在此期間,艦船編隊發(fā)生位移和隊形變化,即雷達數(shù)據(jù)相對于衛(wèi)星數(shù)據(jù)發(fā)生平移和非剛性形變,具體參數(shù)設(shè)置與訓(xùn)練集構(gòu)建相同。

(2) 仿真場景2:考慮到兩種觀測手段所獲取的數(shù)據(jù)在定位精度上存在偏差。在場景1基礎(chǔ)上對雷達數(shù)據(jù)G中的每個位置坐標(biāo)點添加位置噪聲。位置噪聲采用均值unoise=0,標(biāo)準(zhǔn)差σnoise=f的高斯噪聲,其中f為噪聲因子。

(3) 仿真場景3:考慮到獲取的數(shù)據(jù)可能存在虛警點,在場景2基礎(chǔ)上對雷達目標(biāo)點集合G中添加N×r個出格點,其中r為出格點比率。

(4) 仿真場景4:考慮到獲取的數(shù)據(jù)可能存在漏警點,在場景2基礎(chǔ)上對雷達目標(biāo)點集合G中減少N×s個缺失點,其中s為缺失點比率。

3.2 仿真場景驗證

(1) 仿真場景1

假設(shè)雷達和衛(wèi)星檢測概率為100%,即不存在虛警和漏警點。雷達數(shù)據(jù)的獲取時刻晚于衛(wèi)星數(shù)據(jù)的獲取時刻,在這段時間內(nèi)艦船編隊發(fā)生機動,隊形產(chǎn)生形變。通過增加形變因子l的值,驗證模型對艦船編隊發(fā)生隊形變化的適應(yīng)能力。l越大則雷達數(shù)據(jù)目標(biāo)點發(fā)生非剛性形變的形變量越大,實驗結(jié)果如圖4所示。第1列表示訓(xùn)練前衛(wèi)星和雷達目標(biāo)點的位置關(guān)系,其中紅色代表衛(wèi)星探測到的目標(biāo)點,而藍色代表雷達探測到的目標(biāo)點。第2列表示位移變換時每個衛(wèi)星目標(biāo)點的移動軌跡。第3列表示經(jīng)過目標(biāo)點位移變換后衛(wèi)星數(shù)據(jù)與雷達數(shù)據(jù)的目標(biāo)點位置關(guān)系。實驗分別測試了l分別取0.3、0.9和1.5時的匹配效果。

圖4 仿真場景1的關(guān)聯(lián)結(jié)果

實驗結(jié)果表明,形變因子較小時匹配結(jié)果精確,有相同標(biāo)號的點幾乎完全重合;隨著形變因子增大,雷達目標(biāo)的整體編隊結(jié)構(gòu)產(chǎn)生劇烈變化,加大了匹配難度。從最終匹配結(jié)果可以看出,雖然部分點沒有完全重合,但有相同標(biāo)號的點距離更近。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計算,l分別取0.3、0.9和1.5時的關(guān)聯(lián)準(zhǔn)確率分別為100%、81%、64%。

(2) 仿真場景2

假設(shè)雷達和衛(wèi)星數(shù)據(jù)不存在虛警和漏警點。雷達數(shù)據(jù)的獲取時刻晚于衛(wèi)星數(shù)據(jù)的獲取時刻,在這段時間內(nèi)艦船編隊發(fā)生機動,隊形產(chǎn)生形變,形變因子l=0.3。通過增加噪聲因子f的值,驗證模型的抗噪聲能力。實驗結(jié)果如圖5所示,實驗分別測試了f分別取0.1、0.3和0.5時的匹配效果。

圖5 仿真場景2的關(guān)聯(lián)結(jié)果

實驗結(jié)果表明，噪聲因子較小時,經(jīng)過目標(biāo)點位移變換后的衛(wèi)星數(shù)據(jù)與雷達數(shù)據(jù)目標(biāo)點匹配結(jié)果精確,重合度高。當(dāng)噪聲因子增大,雷達目標(biāo)點的相對位置發(fā)生較大改變時,通過本文提出的自適應(yīng)關(guān)聯(lián)模型后,衛(wèi)星數(shù)據(jù)與雷達數(shù)據(jù)目標(biāo)點匹配結(jié)果較差,但單純依靠位置信息,人眼難以判別。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計算,f分別取0.05、0.1和0.2時的關(guān)聯(lián)準(zhǔn)確率分別為100%、64%、36%。

(3) 仿真場景3

假設(shè)雷達數(shù)據(jù)存在虛警,在雷達數(shù)據(jù)中添加額外的出格點,虛警率用出格點比率表示。雷達數(shù)據(jù)的獲取時刻晚于衛(wèi)星數(shù)據(jù)的獲取時刻,在這段時間內(nèi)艦船編隊發(fā)生機動,隊形產(chǎn)生形變，形變因子l=0.3,噪聲因子f=0.05。通過增加出格點比率r的值,驗證模型的抗虛警能力。實驗結(jié)果如圖6所示,實驗分別測試了r分別取0.09、0.27和0.45時的目標(biāo)匹配效果。

實驗結(jié)果表明,當(dāng)出格點的個數(shù)較少時,提出的模型結(jié)構(gòu)能夠很好地忽略掉出格點,保持衛(wèi)星數(shù)據(jù)和雷達數(shù)據(jù)目標(biāo)點間的匹配;當(dāng)出格點個數(shù)較多時,與密集出格點臨近的目標(biāo)在匹配時受到影響,發(fā)生錯匹配,但離出格點較遠的目標(biāo)依然能夠保持很好的局部完整性,匹配結(jié)果精確。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計算,r分別取0.09、0.27和0.45時的關(guān)聯(lián)準(zhǔn)確率分別為100%、64%、55%。

(4) 仿真場景4

假設(shè)雷達數(shù)據(jù)存在漏警,隨機刪除雷達數(shù)據(jù)中的目標(biāo)點作為缺失點,漏警率用缺失點比率表示。雷達數(shù)據(jù)的獲取時刻晚與衛(wèi)星數(shù)據(jù)的獲取時刻,在這段時間內(nèi)艦船編隊發(fā)生機動,隊形產(chǎn)生形變，形變因子l=0.3,噪聲因子f=0.05。通過缺失點比率s的值,驗證模型的抗漏警能力。實驗結(jié)果如圖7所示,實驗分別測試了s分別取0.09、0.27和0.45時的目標(biāo)匹配效果。

圖6 仿真場景3的關(guān)聯(lián)結(jié)果

圖7 仿真場景4的關(guān)聯(lián)結(jié)果

實驗結(jié)果表明,缺失點個數(shù)較小時,能夠保持雷達數(shù)據(jù)中編隊目標(biāo)的整體輪廓,匹配結(jié)果精確;當(dāng)缺失點個數(shù)較多時,只能保持編隊目標(biāo)的局部輪廓,部分局部點匹配正確。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計算,s分別取0.09、0.27和0.45時的關(guān)聯(lián)準(zhǔn)確率分別為90%、75%、67%。

3.3 對比試驗

與現(xiàn)有的傳統(tǒng)關(guān)聯(lián)模型不同,本文提出一種學(xué)習(xí)型的自適應(yīng)關(guān)聯(lián)模型,為了驗證該模型的泛化能力和關(guān)聯(lián)效率,與GMM進行對比時主要考慮關(guān)聯(lián)耗時和平均關(guān)聯(lián)準(zhǔn)確率兩項指標(biāo)。

根據(jù)本文模擬的4種仿真場景,計算不同條件下模型在測試集中的平均關(guān)聯(lián)準(zhǔn)確率,實驗結(jié)果如圖8所示。

圖8 與GMM算法實驗結(jié)果對比

在圖8(a)中,當(dāng)雷達目標(biāo)點發(fā)生非剛性變換,本文算法相比于GMM算法適應(yīng)能力更強。當(dāng)形變因子小于0.6時,本文算法的平均關(guān)聯(lián)準(zhǔn)確率在90%以上,而GMM算法的最高平均關(guān)聯(lián)準(zhǔn)確率不到90%。隨著形變程度的增加,本文算法的準(zhǔn)確率緩慢下降,而GMM算法下降較快,無法應(yīng)對較大的非剛性形變。當(dāng)形變因子達到2.0時,本文算法準(zhǔn)確率依然能夠達到50%以上,而GMM算法準(zhǔn)確率不到30%,難以進行關(guān)聯(lián)。

在圖8(b)中,隨著噪聲因子的增加,兩種算法的準(zhǔn)確率都下降較快,難以克服高噪聲的情況,但本文算法的關(guān)聯(lián)準(zhǔn)確率整體優(yōu)于GMM算法。在圖8(c)和圖8(d)中,本文算法在應(yīng)對出格點和失格點的情況明顯優(yōu)于GMM算法,當(dāng)出格點個數(shù)較少時,關(guān)聯(lián)準(zhǔn)確率較于GMM算法提升較大,表明本文算法不僅能夠?qū)崿F(xiàn)目標(biāo)點的全局關(guān)聯(lián),對局部目標(biāo)點依然能夠保持很好關(guān)聯(lián)效果。

根據(jù)仿真場景1中的參數(shù)設(shè)置,對比本文算法和GMM算法在形變因子為0.9時的平均關(guān)聯(lián)準(zhǔn)確率和關(guān)聯(lián)時間,實驗結(jié)果如表3所示。

表3 與GMM算法的性能和時間對比

實驗結(jié)果表明,本文算法在平均關(guān)聯(lián)準(zhǔn)確率和關(guān)聯(lián)時間上明顯優(yōu)于GMM算法,表現(xiàn)出很好的關(guān)聯(lián)精度和效率。這主要因為傳統(tǒng)的GMM算法采用迭代優(yōu)化的策略,不同場景中每一次關(guān)聯(lián)過程都是相互獨立的,極大程度上限制了該算法在應(yīng)對大規(guī)模關(guān)聯(lián)任務(wù)時的有效性。而本文算法采用基于學(xué)習(xí)的策略,能夠通過神經(jīng)網(wǎng)絡(luò)進行離線訓(xùn)練,同時學(xué)習(xí)到目標(biāo)點的全局和局部特征,在測試時關(guān)聯(lián)精度高,耗時少,能夠?qū)崟r處理大規(guī)模的關(guān)聯(lián)任務(wù)。

4 結(jié) 論

本文提出了衛(wèi)星和雷達的位置數(shù)據(jù)關(guān)聯(lián)新問題,基于神經(jīng)網(wǎng)絡(luò)設(shè)計了一種自適應(yīng)的關(guān)聯(lián)算法模型,根據(jù)實際情況構(gòu)建基于位置信息的衛(wèi)星和雷達關(guān)聯(lián)數(shù)據(jù)集。仿真結(jié)果表明:該算法關(guān)聯(lián)速度快,精度高,能夠適用于大規(guī)模數(shù)據(jù)下的跨源關(guān)聯(lián)任務(wù),并且在應(yīng)對隊形變換、定位誤差、虛警漏報等情況適應(yīng)能力強,即使出現(xiàn)整體編隊形狀變化大到人工難以關(guān)聯(lián)判斷的程度,所提算法也能給出正確有效的關(guān)聯(lián)結(jié)果。

為進一步提高跨源關(guān)聯(lián)準(zhǔn)確率,應(yīng)對大形變、高噪聲等惡劣場景,下一步將采用衛(wèi)星和雷達的位置數(shù)據(jù)和特征數(shù)據(jù)相結(jié)合的方式解決兩者之間的關(guān)聯(lián)問題,進一步提高跨源關(guān)聯(lián)效率和準(zhǔn)確率。