賀文嬌

(中國(guó)西南電子技術(shù)研究所，成都610036)

0 引 言

信息融合是20世紀(jì)70年代出現(xiàn)的一門學(xué)科，目的是綜合雷達(dá)、光電、敵我識(shí)別、電子支援、情報(bào)、數(shù)據(jù)鏈等傳感器目標(biāo)數(shù)據(jù)，形成及時(shí)、準(zhǔn)確、連續(xù)、完整和一致的戰(zhàn)場(chǎng)態(tài)勢(shì)[1]。根據(jù)美國(guó)國(guó)防實(shí)驗(yàn)室聯(lián)合理事會(huì)(Joint Directors of Laboratories，JDL)定義的信息融合模型[2]，目標(biāo)估計(jì)是信息融合的第一級(jí)處理過程，主要通過數(shù)據(jù)配準(zhǔn)、數(shù)據(jù)關(guān)聯(lián)、目標(biāo)位置和運(yùn)動(dòng)學(xué)參數(shù)估計(jì)、目標(biāo)身份和屬性參數(shù)估計(jì)，得到明確的目標(biāo)位置和屬性信息，為更高級(jí)別的融合提供輔助決策信息。目標(biāo)估計(jì)最大的難點(diǎn)在于不同傳感器獲取的數(shù)據(jù)質(zhì)量差異大，直接融合困難，估計(jì)過程需要大量的人工參與，導(dǎo)致融合自動(dòng)化水平低。

為提高目標(biāo)估計(jì)的自動(dòng)化水平，國(guó)內(nèi)外已有大量的研究，尤其在目標(biāo)位置連續(xù)的航跡融合領(lǐng)域，已有相當(dāng)成熟的應(yīng)用。然而在目標(biāo)身份和屬性參數(shù)估計(jì)方面，無論是模糊推理、D-S證據(jù)理論還是貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等估計(jì)算法，都有一個(gè)共同的特點(diǎn)，即融合權(quán)重和融合規(guī)則，需要人工事先設(shè)置，如果傳感器實(shí)際數(shù)據(jù)質(zhì)量與人工估計(jì)存在偏差則會(huì)嚴(yán)重影響融合的效果。隨著人工智能技術(shù)的發(fā)展，利用集成學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等算法，訓(xùn)練基于多源數(shù)據(jù)的目標(biāo)估計(jì)模型[3]成為可能，但是在實(shí)際應(yīng)用過程中，由于缺少足夠的訓(xùn)練樣本，導(dǎo)致估計(jì)效果不佳。

本文提出了基于數(shù)據(jù)質(zhì)量評(píng)價(jià)的目標(biāo)估計(jì)方法，通過對(duì)前端傳感器數(shù)據(jù)質(zhì)量進(jìn)行評(píng)價(jià)，以客觀質(zhì)量評(píng)分代替主觀的人工判定，并以此為依據(jù)動(dòng)態(tài)調(diào)整各傳感器數(shù)據(jù)參與融合的權(quán)重，從而在不影響估計(jì)準(zhǔn)確性的前提下提高目標(biāo)估計(jì)的自動(dòng)化水平。

1 目標(biāo)數(shù)據(jù)質(zhì)量評(píng)價(jià)

不同傳感器獲取的目標(biāo)數(shù)據(jù)質(zhì)量不同，例如：雷達(dá)探測(cè)傳感器可以得到連續(xù)的目標(biāo)航跡，但是卻難以判別目標(biāo)身份；電子支援傳感器可以得到較為準(zhǔn)確的目標(biāo)身份信息，但是卻難以得到準(zhǔn)確的目標(biāo)位置；圖像傳感器可以得到目標(biāo)身份和目標(biāo)位置，但是信息的時(shí)效性卻不高。圖1所示為目標(biāo)估計(jì)模型，其過程就是要充分發(fā)揮多源數(shù)據(jù)融合的優(yōu)勢(shì)，取長(zhǎng)補(bǔ)短、相互印證，從而得到準(zhǔn)確的目標(biāo)屬性和位置信息。

圖1 目標(biāo)估計(jì)模型

對(duì)參與融合的各數(shù)據(jù)源進(jìn)行質(zhì)量評(píng)價(jià)，首先根據(jù)各數(shù)據(jù)源的特點(diǎn)和融合需求，選擇適當(dāng)?shù)馁|(zhì)量評(píng)價(jià)指標(biāo)。指標(biāo)選得過多，會(huì)增加系統(tǒng)負(fù)擔(dān)；而指標(biāo)選得過少，會(huì)導(dǎo)致評(píng)價(jià)結(jié)果不夠準(zhǔn)確。文獻(xiàn)[4]詳細(xì)闡述了常見的目標(biāo)數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)(見圖2)及對(duì)應(yīng)指標(biāo)的計(jì)算方法，本文不再贅述。

圖2 目標(biāo)數(shù)據(jù)質(zhì)量評(píng)價(jià)指標(biāo)[4]

目標(biāo)數(shù)據(jù)質(zhì)量包含目標(biāo)屬性質(zhì)量(Attribution Quality,AQ)和目標(biāo)航跡質(zhì)量(Track Quality,TQ)兩部分。其中，目標(biāo)航跡數(shù)據(jù)質(zhì)量主要用于評(píng)價(jià)航跡的準(zhǔn)確性、及時(shí)性和穩(wěn)定性。參照美軍Link-16數(shù)據(jù)鏈航跡質(zhì)量標(biāo)準(zhǔn)[5]，如表1所示。表1中，第二列采用航跡誤差散布圓面積為TQ分級(jí)門限，其單位為數(shù)據(jù)英里(1 DM=1 828.8 m)的平方；第三列為16級(jí)TQ分級(jí)門限距離數(shù)據(jù)，單位為DM；第二列與第三列的TQ門限在數(shù)值上呈圓面積半徑關(guān)系，即S=πr2。

表1 目標(biāo)航跡質(zhì)量等級(jí)

目標(biāo)屬性質(zhì)量主要用于評(píng)價(jià)傳感器提供的目標(biāo)屬性參數(shù)的完整性與準(zhǔn)確性。目標(biāo)屬性參數(shù)的完整性，主要是指海空、類型、型號(hào)、個(gè)體、隸屬建制、國(guó)別、敵我這七類，且相互之間存在層級(jí)關(guān)系[6]，如圖3所示。

圖3 目標(biāo)屬性參數(shù)的層次化特征結(jié)構(gòu)分析

目標(biāo)屬性的準(zhǔn)確性是指對(duì)應(yīng)屬性的辨識(shí)概率(0～100%)，因此有

AQ=C×m。

(1)

式中：C表示屬性完整性得分，m表示屬性對(duì)應(yīng)的辨識(shí)概率。參考航跡質(zhì)量等級(jí)劃分方法，目標(biāo)屬性完整性得分定義如表2所示。

表2 目標(biāo)屬性完整性質(zhì)量分

目標(biāo)數(shù)據(jù)質(zhì)量評(píng)價(jià)系統(tǒng)包括在線和離線兩種工作模式，在工程應(yīng)用過程中，兩種模式需要結(jié)合使用才能得到更為準(zhǔn)確的質(zhì)量評(píng)價(jià)結(jié)果，具體步驟如圖4所示。

圖4 數(shù)據(jù)質(zhì)量評(píng)價(jià)步驟

(1)離線評(píng)價(jià)模式：對(duì)數(shù)據(jù)庫(kù)中存儲(chǔ)的歷史數(shù)據(jù)進(jìn)行質(zhì)量計(jì)算，得到的歷史數(shù)據(jù)質(zhì)量評(píng)分，將各數(shù)據(jù)源的質(zhì)量分進(jìn)行歸一化處理，從而得到目標(biāo)估計(jì)的初始權(quán)重。

(2)在線評(píng)價(jià)模式：在融合第0級(jí)處理過程——數(shù)據(jù)預(yù)處理系統(tǒng)中，對(duì)接收到的實(shí)時(shí)數(shù)據(jù)進(jìn)行質(zhì)量評(píng)價(jià)，并根據(jù)實(shí)時(shí)數(shù)據(jù)質(zhì)量動(dòng)態(tài)調(diào)整，得到參與目標(biāo)估計(jì)的各信源實(shí)時(shí)權(quán)重。

2 目標(biāo)估計(jì)規(guī)則動(dòng)態(tài)調(diào)整

在信息融合領(lǐng)域，并不是融合的數(shù)據(jù)源越多效果越好，甚至有融合后的數(shù)據(jù)質(zhì)量反而不如融合前的情況。利用數(shù)據(jù)質(zhì)量評(píng)分，動(dòng)態(tài)調(diào)整參與融合的各數(shù)據(jù)源權(quán)重，一是避免越融越差，二是避免因人工采信某一數(shù)據(jù)源造成傳感器資源的浪費(fèi)。

2.1 屬性估計(jì)規(guī)則動(dòng)態(tài)調(diào)整

屬性估計(jì)的目的是為了確定目標(biāo)的唯一的身份和屬性信息。

假定參與融合的數(shù)據(jù)源為A和B，融合后為目標(biāo)AB，AQ(A)和AQ(B)分表表示數(shù)據(jù)源A、B的屬性質(zhì)量。利用A、B的質(zhì)量等級(jí)，調(diào)整目標(biāo)屬性估計(jì)中，數(shù)據(jù)源A、B分別所占的權(quán)重。調(diào)整規(guī)則如下：

(1)如果(AQ(A)==10 || AQ(B) ==10) 那么融合目標(biāo)AB的屬性直接取A或B的屬性參數(shù)；

(2)如果(AQ(A)<2 ||AQ(B)<2)，那么融合目標(biāo)AB的屬性為不明；

(3)其余情況，根據(jù)A、B的質(zhì)量分，計(jì)算得到A、B的權(quán)重值，代入目標(biāo)屬性估計(jì)算法，進(jìn)行屬性估計(jì)計(jì)算。

以常用的D-S證據(jù)理論[6-7]算法進(jìn)行目標(biāo)屬性估計(jì)為例，假設(shè)辨識(shí)框架U中有性質(zhì)不同的證據(jù)A和B，其屬性值分別是Ai和Bj，基本概率賦值分別是m1(Ai)和m2(Bj)，則融合規(guī)則如下：

將屬性質(zhì)量評(píng)價(jià)結(jié)果AQ(A)和AQ(B)應(yīng)用于修正基本概率值m1(Ai)和m2(Bj)：

(2)

(3)

修正后的融合規(guī)則如下：

(4)

2.2 位置估計(jì)規(guī)則動(dòng)態(tài)調(diào)整

位置估計(jì)是確定目標(biāo)唯一的位置和運(yùn)動(dòng)學(xué)參數(shù)。

由于傳感器定位精度和跟蹤能力的不同，有的傳感器能夠獲取連續(xù)的目標(biāo)航跡，有的傳感器只能得到零散的目標(biāo)點(diǎn)跡，因此目標(biāo)位置估計(jì)算法又分為點(diǎn)-點(diǎn)融合、點(diǎn)-航跡融合和航跡-航跡融合3類。本文主要以航跡-航跡融合為例，闡述數(shù)據(jù)質(zhì)量評(píng)價(jià)結(jié)果對(duì)融合權(quán)重的影響。

假定參與融合的航跡為A、B，融合后生成的航跡為AB，TQ(A)、TQ(B)分別表示兩條原始航跡的質(zhì)量等級(jí)。航跡融合規(guī)則如下：

(1)如果|TQ(A)-TQ(B)|> 2 那么融合航跡AB直接采信質(zhì)量高的航跡；

(2)其余情況，將航跡質(zhì)量等級(jí)歸一化后作為權(quán)重進(jìn)行融合計(jì)算。

以常用的協(xié)方差交集算法為例，假定歸一化后A的航跡融合權(quán)重為m1，B的航跡融合權(quán)重為m2，有m1+m2=1，融合后航跡為

(5)

式中：P表示融合后的航跡點(diǎn)，Pi表示航跡A中第i個(gè)航跡點(diǎn)，Bj表示航跡B中第j個(gè)航跡點(diǎn)，X表示A和B在時(shí)間上可對(duì)準(zhǔn)的航跡點(diǎn)集合。

2.3 融合貢獻(xiàn)度

根據(jù)參與估計(jì)的各信源權(quán)重，即可計(jì)算出各個(gè)信源在融合過程中的實(shí)際貢獻(xiàn)。

假定融合過程中，數(shù)據(jù)源A、B所占權(quán)重m(A)、m(B)如表3所示。

表3 參與融合的各數(shù)據(jù)源權(quán)重

在同一時(shí)刻，有

m(A)+m(B)=1 。

(6)

因此，信源A對(duì)融合的實(shí)際貢獻(xiàn)

(7)

式中：k表示融合過程中權(quán)重改變的次數(shù)，NAi表示利用第i個(gè)權(quán)重計(jì)算得到的航跡點(diǎn)個(gè)數(shù)，N表示融合后AB的航跡點(diǎn)總數(shù)。信源B的貢獻(xiàn)度計(jì)算方法相同。

于是，上面示例中，各信源對(duì)融合目標(biāo)的屬性貢獻(xiàn)度的計(jì)算結(jié)果如下：

各信源對(duì)融合目標(biāo)航跡的貢獻(xiàn)度如下：

3 試驗(yàn)結(jié)果

本文在pycharm-community-2019.3.4開發(fā)平臺(tái)上仿真模擬了動(dòng)目標(biāo)監(jiān)視(MTI)、紅外圖像偵察(IMG)、AIS信號(hào)偵察和衛(wèi)星信號(hào)偵察(SIG)這四類傳感器，協(xié)同對(duì)海上目標(biāo)進(jìn)行跟蹤監(jiān)視。想定場(chǎng)景如下：

(1)海上目標(biāo)靜默航行，調(diào)集MTI發(fā)現(xiàn)目標(biāo)并進(jìn)行跟蹤；

(2)為確認(rèn)其身份，調(diào)集紅外傳感器IMG查看，并發(fā)出警告；

(3)目標(biāo)開啟AIS，通過解譯信息得到目標(biāo)內(nèi)涵信息；

(4)目標(biāo)關(guān)閉AIS，通過海事衛(wèi)星電話與陸地通信，調(diào)集MTI和衛(wèi)星信號(hào)偵察手段SIG，持續(xù)跟蹤監(jiān)視。

想定目標(biāo)航跡如圖5所示，仿真計(jì)算得到的航跡如圖6所示。

圖5 想定目標(biāo)航跡

圖6 仿真計(jì)算得到的四種手段航跡

在傳統(tǒng)目標(biāo)估計(jì)系統(tǒng)中，由人工設(shè)置各信息源的融合優(yōu)先級(jí)，這四類傳感器數(shù)據(jù)的屬性優(yōu)先級(jí)為AIS>IMG>SIG>MTI，航跡融合優(yōu)先級(jí)為AIS>MTI>IMG>SIG。

采用本文方法，計(jì)算四種手段航跡數(shù)據(jù)的質(zhì)量等級(jí)(見表4)、屬性質(zhì)量得分(見表5，辨識(shí)概率取100%)以及融合過程中根據(jù)實(shí)時(shí)數(shù)據(jù)質(zhì)量計(jì)算得到的各數(shù)據(jù)源實(shí)際權(quán)重值(見表6)。由表6可知，融合航跡總點(diǎn)數(shù)為572。

表4 仿真數(shù)據(jù)航跡質(zhì)量等級(jí)

表5 仿真數(shù)據(jù)屬性質(zhì)量得分

表6 融合過程中各數(shù)據(jù)源貢獻(xiàn)的權(quán)重

兩種方法融合得到目標(biāo)航跡如圖7所示，其中藍(lán)色點(diǎn)(ori)為想定目標(biāo)航跡，橙色點(diǎn)(old)為人工設(shè)置權(quán)重估計(jì)出來的航跡，綠色點(diǎn)(new)是利用本文方法估計(jì)出來的航跡。從圖中可見，本文方法計(jì)算得到的航跡更接近想定目標(biāo)航跡。

圖7 融合目標(biāo)航跡

利用傳統(tǒng)方法對(duì)目標(biāo)屬性進(jìn)行估計(jì)，將直接采信優(yōu)先級(jí)更高的信息源提供的屬性。但是采用本方法，尤其在傳感器獲取的目標(biāo)屬性質(zhì)量相近但屬性值有沖突時(shí)，融合結(jié)果更為準(zhǔn)確。如圖8所示，兩種方法的屬性融合結(jié)果對(duì)比如下：

圖8 融合目標(biāo)屬性

(1)在31 974≤t≤55 828時(shí)間段，傳統(tǒng)方法直接采信了AIS得到的國(guó)籍信息，但是本方法融合了紅外傳感器提供的國(guó)別屬性，發(fā)現(xiàn)兩種傳感器提供的國(guó)別屬性不同，因此對(duì)外輸出結(jié)果為國(guó)別屬性“不明”；

(2)在55 829≤t≤62 313時(shí)間段，傳統(tǒng)方法采信衛(wèi)星信號(hào)傳感器信息，本方法融合了三種傳感器提供的國(guó)別屬性，最終確定這艘外形特征和電話號(hào)碼歸屬地為A國(guó)的船只，發(fā)送的AIS中提供了虛假的國(guó)籍信息“B國(guó)”，而傳統(tǒng)方法直接采信AIS信息的做法會(huì)導(dǎo)致國(guó)別屬性判別錯(cuò)誤。

計(jì)算得到各信源對(duì)融合目標(biāo)屬性的貢獻(xiàn)度如下：

計(jì)算得到各信源對(duì)融合目標(biāo)航跡的貢獻(xiàn)度如下：

SIG=0。

四個(gè)信源數(shù)據(jù)的貢獻(xiàn)度之和小于1，這是因?yàn)樵趯?shí)際融合過程中存在時(shí)間對(duì)齊的問題。以23 775≤t≤31 973這段時(shí)間為例，MTI上報(bào)了86個(gè)航跡點(diǎn)，而IMG只有41個(gè)航跡點(diǎn)，這就意味著至少有45個(gè)時(shí)刻只有MTI的數(shù)據(jù)而無IMG的數(shù)據(jù)。在估計(jì)過程中，需要通過內(nèi)插外推等算法估計(jì)IMG在這45個(gè)時(shí)刻點(diǎn)對(duì)應(yīng)的位置。

4 結(jié)束語

本文介紹了利用數(shù)據(jù)質(zhì)量評(píng)價(jià)結(jié)果對(duì)參與目標(biāo)估計(jì)的數(shù)據(jù)源權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整的方法，有助于減少目標(biāo)估計(jì)過程中對(duì)人工的嚴(yán)重依賴，提高目標(biāo)估計(jì)的自動(dòng)化水平。此外，質(zhì)量評(píng)價(jià)結(jié)果還可作為數(shù)據(jù)標(biāo)簽，用于智能算法訓(xùn)練。后續(xù)將繼續(xù)研究態(tài)勢(shì)估計(jì)和影響估計(jì)階段的自動(dòng)化融合方法，進(jìn)一步提高高階融合的自動(dòng)化水平。