李 洪，張大銘，嚴(yán)晞雋，梁晨光，劉靖東

(1.中國航天科技集團(tuán)有限公司，北京 100048；2.北京宇航系統(tǒng)工程研究所，北京 100076；3.中國運(yùn)載火箭技術(shù)研究院，北京 100076)

0 引言

隨著電子通信行業(yè)的快速發(fā)展，信息獲取技術(shù)更加多樣(如紅外、可見光、合成孔徑雷達(dá)(SAR)、主被動聲吶等)，信息類型和容量急劇增長，信息處理呈現(xiàn)出分層級、復(fù)雜融合的發(fā)展趨勢，形成了多源信息融合(multi-source information fusion)技術(shù)。它是指將傳感器等設(shè)備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，進(jìn)而對某些問題做出全方位準(zhǔn)確可靠判斷的一種信息處理技術(shù)[1]。多源信息融合相對于同源數(shù)據(jù)融合具有明顯的優(yōu)勢，因?yàn)閷Ω鞣N類型的特征數(shù)據(jù)進(jìn)行綜合，能夠提高融合結(jié)果的準(zhǔn)確性。因此，多源信息融合在科學(xué)探測、環(huán)境感知等方面發(fā)揮著重要作用[2]。特別是在需要多數(shù)據(jù)源信息獲取和目標(biāo)判斷的海洋科學(xué)探測領(lǐng)域應(yīng)用前景廣闊，例如船只搜索導(dǎo)航、水下生物辨識、洋流變化分析、海嘯和臺風(fēng)預(yù)警、海底地質(zhì)活動觀測等。

當(dāng)前，基于美國數(shù)據(jù)融合專家組發(fā)布的數(shù)據(jù)融合系統(tǒng)(DFS)功能模型[3]，多源信息融合技術(shù)發(fā)展自底向上可劃分為3個層級：數(shù)據(jù)級、特征級、決策級。

1)第一層級是數(shù)據(jù)級融合，主要為目標(biāo)的所處方位、運(yùn)動軌跡估計(jì)。該層級直接處理各種采集到的原始數(shù)值數(shù)據(jù)，一般以最優(yōu)估計(jì)、卡爾曼濾波、參數(shù)匹配等技術(shù)為基礎(chǔ),包含了多數(shù)表決法、加權(quán)平均法、小波變換、主成分分析法等[4]。這種融合在各種原始觀測信息未經(jīng)預(yù)處理之前就進(jìn)行數(shù)據(jù)綜合分析，是最低層級的融合。它的優(yōu)點(diǎn)是能保持盡可能多的現(xiàn)場數(shù)據(jù)，提供其他融合層級所不能提供的細(xì)微信息。其局限性在于處理的信息種類單一，信息量較大，處理代價(jià)高，實(shí)時性差。

2)第二層級是特征級融合，主要為目標(biāo)的特征分析和辨識。該層級包括目標(biāo)特征的提取和評估，利用多源信息之間的互補(bǔ)性剔除模態(tài)間的冗余性，基于貝葉斯、D-S證據(jù)推理等算法、支持向量機(jī)(SVM)模型、淺層及深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)等模型方法[5]，學(xué)習(xí)到更好的特征表示，進(jìn)行數(shù)據(jù)校準(zhǔn)、目標(biāo)識別、態(tài)勢判斷等。特征級融合的優(yōu)點(diǎn)是實(shí)現(xiàn)了對多類型、大容量信息的有效壓縮，有利于實(shí)時處理，具有較大的靈活性，但缺點(diǎn)在于損失了部分原始信息，可能會導(dǎo)致融合質(zhì)量有所下降。

3)第三層級是決策級融合，主要為整體感知和決策判斷，屬于一種高層次的融合。該層級針對探測研究的目標(biāo)，采用二次特征提取和專用判決機(jī)制等多元化的方法，綜合得出結(jié)論，為辨識和決策提供依據(jù)。相比特征級融合，決策級融合抽象層次更高、能夠基于目標(biāo)的一些關(guān)鍵性質(zhì)，快速實(shí)現(xiàn)對其定性和辨識[6]，通信數(shù)據(jù)量和計(jì)算復(fù)雜度更小。但是如果對關(guān)鍵性質(zhì)把握不準(zhǔn)，可能會帶來較大偏差的誤判[7]。

1 技術(shù)難點(diǎn)

通過上述分析可以看出，不同層級、多源數(shù)據(jù)融合的方法各有優(yōu)勢。但是，要應(yīng)用到面向海洋的科學(xué)探測的具體領(lǐng)域，特別是研究目標(biāo)的特征提取與分析識別，這些通用性的方法在信息融合的各環(huán)節(jié)上還面臨著諸多難點(diǎn)和挑戰(zhàn)，具體表現(xiàn)在以下幾個方面。

1)信息獲取片面化。海洋范圍廣、深度大，海洋探測中的目標(biāo)(如航行船只、海洋生物、局部冰川、海域洋流和海底地質(zhì)環(huán)境等)靈活性強(qiáng)、運(yùn)動軌跡復(fù)雜。當(dāng)前的探測技術(shù)(如紅外[8]、SAR圖像探測[9]、聲吶頻率探測等[10-11])性能受限，探測平臺(如機(jī)載巡航、懸浮聲吶等)相對被動，各類探測設(shè)備以“單打獨(dú)斗”為主，缺乏面向廣域、深海的監(jiān)測系統(tǒng)，難以形成整體性、全面性和及時性的信息獲取機(jī)制，使得獲取到的信息質(zhì)量低、碎片化嚴(yán)重。

2)特征融合質(zhì)量差。與陸地和空間探測不同，海洋探測受海潮雜質(zhì)、海底地質(zhì)等水下復(fù)雜情況的影響很大[12]。例如，頻繁變化的聲速、溫度和風(fēng)浪等，都會直接影響到主被動聲吶探測、水下信息通信傳輸[13]的性能。此外，探測設(shè)備獲取到的往往是目標(biāo)運(yùn)動變化產(chǎn)生的現(xiàn)象的數(shù)據(jù)，只能反映出目標(biāo)的一些“間接”特征，如遙感衛(wèi)星設(shè)備拍攝的淺水區(qū)內(nèi)波尾跡圖像，懸浮聲吶收集的水下聲波振動頻譜等。這些參數(shù)不能直接反映目標(biāo)本身的特征，導(dǎo)致后續(xù)特征融合與辨識的質(zhì)量難以保證。

3)目標(biāo)誤判概率大?，F(xiàn)有的海洋探測手段獲取信息并處理得到的特征結(jié)果(如合成尾跡圖、聲波振動譜等)，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，無法全面、準(zhǔn)確地區(qū)分出海洋探測目標(biāo)的差別(如航行器、海洋設(shè)施和生物體等)，容易發(fā)生誤判和虛警，降低對海洋環(huán)境探測感知的準(zhǔn)確性，進(jìn)而影響海洋活動計(jì)劃的制定和實(shí)施。

2 解決思路

針對上述信息獲取片面化、特征融合質(zhì)量差、目標(biāo)誤判概率大等技術(shù)難點(diǎn)，本文從信息獲取模式、特征提取方法以及目標(biāo)判別策略等幾個方面入手，有針對性地提出解決思路。

2.1 體系化探測：獲取全面信息

海洋探測的信息獲取雖然困難重重，但并非鐵板一塊，除傳統(tǒng)的圖像(如可見光、紅外、合成孔徑雷達(dá)等)和聲學(xué)(如主被動聲吶等)等獲取技術(shù)外，引入多種先進(jìn)探測手段(如磁異探測、水下固定網(wǎng)絡(luò)探測、甚低頻探測、重力梯度探測等)，能夠綜合獲取“形、跡、聲、電、磁”與目標(biāo)有關(guān)的全方位特征信息，為后續(xù)的特征融合提供更多可能。

針對當(dāng)前海洋探測中信息獲取不系統(tǒng)、碎片化等問題，可依據(jù)目標(biāo)在海岸附近、大陸架、大陸坡到深海的活動范圍和時間規(guī)律展開分析，構(gòu)建“天、空、地、海、網(wǎng)”全方位、立體式的海洋信息探測體系,如圖1所示。利用衛(wèi)星實(shí)現(xiàn)高、中、低軌道全覆蓋，采用高效的推掃策略實(shí)現(xiàn)周期性的廣域探測；對目標(biāo)活動變化軌跡的紅外、可見光和雷達(dá)圖像信息進(jìn)行同一時間分別捕獲；利用磁異、重力梯度等探測設(shè)備搭載海上無人機(jī)進(jìn)行跨介質(zhì)海洋探測，獲取相關(guān)的熱力學(xué)、磁場強(qiáng)度分布信息；利用水面浮標(biāo)、水下固定探測網(wǎng)對局域范圍內(nèi)目標(biāo)的活動特征進(jìn)行收集。此外，在民用商船及試驗(yàn)、保障等船只上配置聲學(xué)、電磁學(xué)等探測設(shè)備，通過全球范圍內(nèi)廣域、長期航行獲取和累積海洋中目標(biāo)活動變化的離散點(diǎn)位信息等；地面測控站利用衛(wèi)星、無人機(jī)、遠(yuǎn)洋船以及水下固定探測網(wǎng)等構(gòu)建起一體化海洋探測網(wǎng)絡(luò)，匯集多類型、全時段的探測數(shù)據(jù)，為后續(xù)更高層次的信息融合提供全面、及時、充足的原始信息。

圖1 海洋信息探測體系場景圖

2.2 分布式融合：發(fā)揮各級優(yōu)勢

針對深遠(yuǎn)海水下目標(biāo)特征量受海洋環(huán)境影響大、無法直接獲取、融合難度大等問題，本文提出分布式融合的策略，將復(fù)雜的多源信息按照聲學(xué)、非聲學(xué)進(jìn)行分類，從低到高融合層級排序，從各部分?jǐn)?shù)據(jù)處理到整體融合實(shí)現(xiàn)特征獲取。聲學(xué)信息類型相同或接近，采用數(shù)據(jù)級融合方式進(jìn)行活動軌跡等信息關(guān)聯(lián)性分析，可有效剔除環(huán)境干擾和預(yù)測誤差，提高融合精度，更好地提取運(yùn)動特征。圖像、磁異探測等非聲學(xué)信息類型差異較大，分批采用特征級融合的方式，可以分別提取目標(biāo)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。

如圖2所示，在基于衛(wèi)星圖像進(jìn)行海洋生物探測的特征級融合方案中，信息獲取源被分為電子偵察衛(wèi)星和遙感成像衛(wèi)星兩類，再分別進(jìn)行信息融合，形成脈沖信號、內(nèi)波尾跡圖像和尾流溫差等3種中間量特征信息，再將這些不同類型信息輸入人工神經(jīng)網(wǎng)絡(luò)等數(shù)學(xué)模型中進(jìn)行二次特征提取，實(shí)現(xiàn)可供識別的海洋生物目標(biāo)特征信息；在決策級融合中，針對特征級提取的聲學(xué)、圖像等各類目標(biāo)特征信息進(jìn)行綜合，利用機(jī)器學(xué)習(xí)等智能化手段實(shí)現(xiàn)再提取，最后進(jìn)行綜合判定。通過這樣的方式，能夠在每級獲取局部最優(yōu)特征提取，在多層級逼近全局最優(yōu)目標(biāo)識別。

圖2 基于衛(wèi)星圖像的特征級信息融合識別方案框圖

本文以局部海域的鯨魚活動探測為例，進(jìn)一步說明采用分布式融合方法在目標(biāo)識別中的優(yōu)勢?；诰W(wǎng)絡(luò)公開數(shù)據(jù)，采用高斯分布、正態(tài)分布等通常分布模式，設(shè)置樣本方差，生成訓(xùn)練樣本和測試樣本，包括3個類別鯨魚游動尾跡波紋、體型輪廓投影、關(guān)鍵部位特征和主要活動規(guī)律等4類特征信息。首先采用支持向量機(jī)(SVM)對測試樣本按照4類特征屬性進(jìn)行聚類處理，再利用反向傳播網(wǎng)絡(luò)(BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)的特征識別與分類。網(wǎng)絡(luò)層與層之間采用全互連方式,包括輸入層、隱含層和輸出層。網(wǎng)絡(luò)中設(shè)置輸入層節(jié)點(diǎn)數(shù)為4(4類特征信息)，隱含層節(jié)點(diǎn)數(shù)為12，輸出層節(jié)點(diǎn)數(shù)為3(3種類別目標(biāo))，最大訓(xùn)練迭代次數(shù)為500。利用訓(xùn)練樣本生成網(wǎng)絡(luò)，利用測試樣本對目標(biāo)類型識別效果進(jìn)行驗(yàn)證。

在實(shí)驗(yàn)中設(shè)置訓(xùn)練樣本為1 200，選取類別1的130個測試樣本數(shù)據(jù)進(jìn)行測試。如圖3所示，在測試中有5個樣本錯分為類別2，有2個樣本錯分為類別3。識別率(正確識別個數(shù)與總樣本數(shù)的比值)達(dá)到94.62%。如圖4所示，采用BP網(wǎng)絡(luò)直接進(jìn)行所有原始數(shù)據(jù)訓(xùn)練的單步驟信息融合方法，得到的識別率為79.23%。相比之下，分信息屬性SVM聚類+整體BP網(wǎng)絡(luò)識別的分布式信息融合方法能夠獲得較高的識別準(zhǔn)確率。因?yàn)榇朔椒ㄗ畲笙薅鹊鼐徑饬颂卣骷壓蜎Q策級融合中信息量損失、信息類型復(fù)雜導(dǎo)致的低精度問題。一般而言，對于目標(biāo)種類更多、信息特征類型更復(fù)雜的情況，采用分布式融合方法進(jìn)行目標(biāo)識別的提升效果更為明顯。

圖3 基于多源信息的分布式融合效果的實(shí)例

圖4 基于多源信息的單步驟融合效果的實(shí)例

2.3 先驗(yàn)性知識：輔助最終辨識

為了有效區(qū)分海洋探測中目標(biāo)的關(guān)鍵性差別，提高決策級融合的準(zhǔn)確性，在決策級引入多元化、先驗(yàn)性特征知識，輔助進(jìn)行識別判定[15]。一方面，針對目標(biāo)本身的關(guān)鍵特性進(jìn)行分析，包括：外形輪廓、水流特征振動聲紋特征等，尾流圖、聲紋庫等一系列關(guān)鍵特征判別數(shù)據(jù)庫；另一方面，基于目標(biāo)的歷史活動觀測記錄和軌跡分析，提煉變化規(guī)律，構(gòu)建智能化仿真和預(yù)測模型，有針對性地進(jìn)行廣域和局域的海洋監(jiān)控及探測模型驗(yàn)證，提高預(yù)測精度，為最終信息辨識、海洋活動計(jì)劃制定構(gòu)建多個維度的輔助判定標(biāo)準(zhǔn)，減少在決策級信息融合中由于關(guān)鍵信息缺失或人為因素干擾帶來的誤判和虛警。

3 未來展望

基于上述深遠(yuǎn)海探測信息融合技術(shù)分析，本文對多源信息融合技術(shù)未來的應(yīng)用和發(fā)展提出如下思考與建議。

1)發(fā)展新型探測技術(shù)，完善體系化探測系統(tǒng)。傳統(tǒng)聲學(xué)和圖像等探測手段在信息獲取中存在探測深度淺、范圍小、易受干擾等問題。進(jìn)一步拓展面向海洋探測的信息傳感技術(shù)[10-11]、研發(fā)新型探測手段有利于彌補(bǔ)當(dāng)前系統(tǒng)的不足。以海洋探測應(yīng)用為例，藍(lán)綠激光在海水中信號衰減小，可利用光波獲取高分辨率水下圖像；重力梯度法能夠跨介質(zhì)將水下探測范圍拓展到km級別；光量子探測技術(shù)能夠通過水體參數(shù)快速識別目標(biāo)位置；甚低頻聲波技術(shù)能夠通過觀察水動力場識別水下低噪聲聲源和遠(yuǎn)距離探測；紫外線照射海洋發(fā)光細(xì)菌來標(biāo)記水下目標(biāo)熒光尾流軌跡的生物探測技術(shù)等。有針對性地發(fā)展和引入這些新型探測技術(shù)，能夠更好地完善體系化探測系統(tǒng)，更全面、及時地獲取海洋探測的有效信息。

2)針對具體應(yīng)用場景構(gòu)建分層次、分布式的信息融合機(jī)制。隨著海洋活動越來越頻繁，探測手段愈發(fā)多源化,數(shù)據(jù)量加速增長,環(huán)境場景日趨復(fù)雜，采用層次化、分布式的思路有針對性地構(gòu)建信息融合機(jī)制，有利于快速降低信息融合的復(fù)雜度，提高態(tài)勢感知決策效率。相比于集中式信息融合，分布式信息融合根據(jù)信息類型的劃分，將數(shù)據(jù)初步處理放在信息源頭，特別是在軟硬件資源約束條件下，通過復(fù)雜問題劃分和多源信息屬性分類，實(shí)現(xiàn)單類型信息數(shù)據(jù)的最佳逼近，能夠有效提高融合質(zhì)量，降低特征提取偏差、誤識別機(jī)率等。通過構(gòu)建信息融合機(jī)制數(shù)據(jù)庫，在不同場景需求下篩選合適的信息融合機(jī)制，可以大幅提升多源多維探測效率和質(zhì)量。

3)針對具體目標(biāo)特性構(gòu)建起先驗(yàn)知識庫。知識是信息傳播中獲取的經(jīng)驗(yàn)，知識的積累有益于不斷提高信息獲取的效率，使人們對于事物及其變化規(guī)律的認(rèn)知更加清晰、穩(wěn)定。構(gòu)建先驗(yàn)知識庫，是提高信息融合和算法模型效率的重要手段，在已知信息下進(jìn)行融合分析，不僅能極大地減少模型訓(xùn)練的難度和周期，還可以快速剔除大量錯誤判斷情況[13]。對于海洋探測而言，先驗(yàn)知識庫的建立需要充分利用海底光纜、航行船只、水下懸浮網(wǎng)絡(luò)節(jié)點(diǎn)等方式，針對水下探測目標(biāo)的聲紋特征、尾跡形態(tài)、活動規(guī)律等關(guān)鍵信息進(jìn)行綜合協(xié)同和長期積累。持續(xù)更新的先驗(yàn)知識庫有助于和當(dāng)前有限的特征級融合結(jié)果進(jìn)行快速比對，進(jìn)行決策級目標(biāo)辨識，同時這對于復(fù)雜環(huán)境下系統(tǒng)化、體系化的態(tài)勢感知、判斷和決策，都有至關(guān)重要的作用。

4)針對具體信息特點(diǎn)優(yōu)化智能算法和模型。從支持向量機(jī)到神經(jīng)網(wǎng)絡(luò)模型，越來越多的智能算法和模型幫助人們在多源數(shù)據(jù)融合中實(shí)現(xiàn)有效地聚類、分類、計(jì)算和預(yù)測，在減少計(jì)算復(fù)雜度的同時，提高目標(biāo)特征的提取質(zhì)量。在具體應(yīng)用過程中，還需要考慮數(shù)據(jù)量的大小，數(shù)據(jù)類型的關(guān)聯(lián)性等特征，合理選擇模型的類型和規(guī)模，減少數(shù)據(jù)訓(xùn)練過程中梯度消失、無法收斂等問題；同時也要結(jié)合模型長期訓(xùn)練的方法和經(jīng)驗(yàn)，在增強(qiáng)學(xué)習(xí)的過程中不斷加入新的樣本，逐漸提高模型預(yù)測的魯棒性和準(zhǔn)確度，探索模型架構(gòu)的通用性優(yōu)化思路、測試方法和評價(jià)標(biāo)準(zhǔn)[16]等，不斷提升模型構(gòu)建的效率。

5)目前，多源信息融合的研究主要停留在理論研究層面上，我國自主研發(fā)信息融合系統(tǒng)的能力不強(qiáng)，這是由于信息融合系統(tǒng)涉及結(jié)構(gòu)模型、實(shí)時響應(yīng)、判決準(zhǔn)則等多方面的因素，而相應(yīng)的技術(shù)與平臺都需要進(jìn)一步的完善。采用全局化體系構(gòu)建、多元化平臺研發(fā)、關(guān)鍵性技術(shù)突破、局限性近似等效、研究難點(diǎn)分解、多方聯(lián)合驗(yàn)證等綜合治理手段，能夠由點(diǎn)及面、分階段地實(shí)現(xiàn)多源信息融合系統(tǒng)工程的落地和應(yīng)用。

4 結(jié)論

隨著科學(xué)探測環(huán)境日趨復(fù)雜和信息獲取技術(shù)快速發(fā)展，多源信息融合分析已成為人們進(jìn)行環(huán)境感知、活動決策的關(guān)鍵性輸入條件。但應(yīng)用到海洋探測等具體領(lǐng)域時，通用化的融合方法會導(dǎo)致信息獲取片面化、特征提取質(zhì)量低、目標(biāo)誤判概率大等問題?；诒疚奶岢龅捏w系化探測、分布式融合和利用先驗(yàn)性知識等一系列解決思路，可以有效提高目標(biāo)辨識準(zhǔn)確率，減低多源信息融合計(jì)算復(fù)雜度。隨著全球星座組網(wǎng)部署應(yīng)用、新型探測技術(shù)加速突破、體系化探測平臺構(gòu)建優(yōu)化、多源信息融合機(jī)制深入探究和先驗(yàn)知識系統(tǒng)不斷完善，針對具體應(yīng)用場景探測感知的多源信息融合技術(shù)及工程實(shí)踐將發(fā)揮更大的作用。