水下目标融合识别技术研究现状与展望

夏庆升1, 刘义海2



水下目标融合识别技术研究现状与展望

夏庆升, 刘义海

(1. 海装重庆局, 重庆, 401120; 2. 西北工业大学航海学院, 陕西西安, 710072)

回顾了近年来国内外关于信息融合功能模型结构的研究现状, 针对水下目标融合识别系统重点分析了具有数据、特征和决策3个融合层次的目标融合识别模型, 给出了各融合层次几种常用的典型算法, 即基于概率理论、数据分类理论以及人工智能理论的算法, 分析了各种算法的优缺点和应用约束。最后对水下基于多传感器的目标融合识别系统的发展动向、存在的问题和解决这些问题的思路进行了展望。

目标识别; 信息融合; 多传感器系统; 融合算法

0 引言

多传感器信息融合识别系统(target fusion recognition system, TFRS)可以充分利用与系统功能关联的多个传感器资源, 将多传感器关于目标属性的描述性数据进行融合推理, 并获得比任一单传感器更具体、更精确的目标识别内涵, 得到各行业领域的广泛研究和应用。融合识别技术可以获得的优势包括: 增强系统的环境适应性, 提高决策的自适应性和鲁棒性; 某个或某几个传感器失效或测不准时, 可以采取剔除的方式, 保持系统仍能正常运行, 提高系统的可靠性; 可以发挥各自的优点, 取长补短, 提高获取信息的准确性和全面性, 降低信息的不确定性和测量范围的局限性等。

现有的水下装备识别系统大多数是利用舰船物理场信息, 通过挂载的针对该物理场信息的传感系统获得目标特征信息, 完成目标识别。然而, 实际情况是, 海洋中存在的不同舰船物理场信号受各种因素的影响, 呈现一定的不稳定性, 表现为观测物理场信号受海洋信道的时-空-频变动态性、非线性和非高斯性, 混响以及环境噪声等干扰和多径效应。另外, 系统所搭载的各种传感器自身只能感知目标信息的一部分特性, 加上海战中双方采取的多种电子对抗技术, 导致传感器在感知过程中存在不确定因素, 系统获取数据不精确、不完整和不可靠。上述诸种因素会导致仅靠单一传感器的水下目标识别系统因识别率低、鲁棒性差、可靠性不高而不能满足新形势下海战目标识别的要求。因此, 将上述的具有众多性能优点的信息融合技术应用于水下装备的自动目标识别系统, 以期获得更优的决策结果就自然提到日程上来。

当前, 对于水中智能装备系统的目标融合识别问题的研究主要有美国的Naval Research Laboratory、Sona Lyst incorporated, 法国的Alcatel、Thompson-CSF, 德国的FGAN、Humbolt University, 以及英国、瑞士、荷兰等国家的相关研究机构。我国的许多大学和研究所的专家也开始从事这方面的研究, 但基本上还处于跟踪国外阶段, 主要集中在以下几点: 水下不确定性信息的汇集、配准和关联, 水下信息融合结构和层次的定义优化, 信息融合算法有效性、鲁棒性、自适应性以及融合性能的评价等各个方面。本文基于作者近期的科研工作, 结合国内外最新研究现状, 试图给出水下装备的融合目标识别技术在融合识别模型结构和融合算法的一个统一研究框架, 并初步分析各信息融合层次及各种融合算法优势和应用约束, 并对目标融合识别存在的问题给出自己的一些意见和建议。

1 水下目标融合识别的模型结构

信息融合的模型设计是从融合过程出发描述信息融合包括的主要功能、数据库, 以及信息融合系统各组成部分之间相互作用的过程, 是融合任务的概念式表述。目前, 很多学者从不同的角度提出了融合系统的一般功能模型, 较为典型的有Gainey和Blasch的PEMS回路模型, 美国JDL组的JDL模型, Bedworth的Omnibus模型(OODA环)以及Dasarathy的3级融合模型等。从处理过程上看, 可以概括地认为信息融合是一个从数据、特征到决策, 由底层到高层的多源信息处理、交互及融合过程, 然而, 针对不同的应用场景和任务, 融合的偏重点又存在差别。

针对水下目标探测和识别任务, 将信息融合技术扩展为“数据—特征—识别”这一最为常见的目标分类处理过程, 并扩展传感器优化管理、环境信息评价等模块(如: 智能融合模型等), 得到基于多传感器与多信源的水下目标融合分类模型。图1给出了基于多传感器融合识别的一般功能模型。

从图中可以看出, 水下目标融合识别的模型结构按信息抽象的程度被分为3个融合级别: 数据级融合、特征级融合、决策级融合。数据级融合通常用于装备平台内部对来自同等量级、同质传感器的原始数据进行融合, 例如对多个分布式声、磁、水压传感器获取的舰船同类型物理场数据的融合, 以获取较高的接收信号信噪比。在进行数据级融合时, 通常采用基于统计估值理论的算法, 包含非递归类和递归迭代类2种。非递归类算法常见的有加权平均算法和最小均方估值算法等, 递归迭代类算法常见的有卡尔曼滤波算法和扩展的卡尔曼滤波算法。另外, 对于成像声纳等多传感器的数据类融合, 主元分析法、小波分频带融合法等新算法也被广泛采用。对于水下装备平台的融合识别系统而言, 数据级融合可以保持尽可能多的舰船物理场数据的细微信息, 是一种最优的融合识别。然而, 数据级融合方法存在的局限性也是十分明显的, 其处理的传感器数据量太大, 对于装备平台的数字处理器要求较高; 对传感器网络而言数据通信量很大, 而实际情况是水下通信能力有限。这些对于水下目标的融合识别系统来说都是比较难满足的。特征级融合属于中间层次的融合, 各传感器观测一个目标并完成特征提取(如: 声传感器从舰船声场信号提取舰船噪声的功率谱、声压级、通过特性谱等声场特征, 电场传感器从舰船电场信息获取的舰船的基频、场强变化率等电场特征量), 然后再对这些特征向量进行综合分析和处理, 并基于所获得的融合特征向量来产生对目标身份的估计。通常, 特征级的融合分为各传感器特征集的统一化和标准化处理, 特征压缩、拼接, 以及特征匹配等。在特征级融合时, 通常采用基于数据分类处理理论的算法, 包含基于支持向量机的特征分类方法、聚类分析类方法、K-均值分类、Kohonen特征自组织算法、学习向量量化(learning vector quantization, LVQ)算法等。对于融合识别系统而言, 特征级融合的优点在于实现了客观的信息压缩, 减轻了平台内中央单元的负担, 并且在融合的结构模型上一般多采用分散式的融合结构, 而且可以采用有效的电源管理方案达到节省电能的作用。但由于其损失了一部分有用信息, 使得融合性能有所降低, 对于要求高识别率的自主目标识别系统来说并不是理想选择。决策级融合要求每个传感器都是一个独立的数据处理单元(专家系统), 并完成对采集信息的变换以便获得其对目标的独立身份估计, 融合中心对来自每个传感器的属性分类进行融合得到最终决策。在决策层常采用的融合算法有Bayes推断、专家系统、D-S证据推理、模糊集理论等。决策级融合数据损失量最大, 因而相对来说精度最低, 但其具有通信量小, 抗干扰能力强, 对传感器依赖小, 融合中心处理代价低等优点, 而这些优点又都是水声网络里急切需要的。表1给出了上述3级融合处理结构各自的优缺点对比。

表1 融合层次及优缺点对比

从上述分析可得, 利用水下舰船目标多源物理场信息的融合目标识别平台, 包含3级结构(数据级、特征级、决策级)的融合识别功能模型应该是开放的。该功能模型应该结合实际应用背景、任务的不同, 系统硬件配置的不同, 以及相应融合层次的优缺点来选择系统重点倾向的融合层级, 舍弃对系统代价过高的融合层级, 进而得到一个面向实际情况的实用性融合功能结构模型。

2 信息融合的几种典型算法

确定的融合系统功能模型还需要在各融合层次中选择合适的融合算法, 才能获取最优的融合结果。信息融合算法将所有的输入数据在一个公共空间内得以有效描述, 同时对这些数据进行适当的综合, 最后以适当的形式输出和表现。算法的选择和研究不取决于信息融合的任务和结果, 而是取决于要融合信息的形式即信息流。多传感器信息融合算法通常源于对概率理论、数据分类理论以及人工智能理论的拓展。

2.1 基于概率估值理论的融合方法

常用的与概率估值有关的方法有卡尔曼滤波, 贝叶斯方法, 统计决策理论等。

1) 卡尔曼滤波法

该算法假定系统可以用一个线性模型描述, 且系统噪声与传感器测量噪声均符合高斯分布的白噪声模型, 则卡尔曼滤波将为融合数据提供统计意义下的最优估计。卡尔曼滤波对多传感器的观测进行融合处理, 既可以获得当前状态的估计, 又可以预报系统未来的状态。卡尔曼滤波方法是一种建立在估计目标模型基础上的融合方法。

2) Bayes算法

该算法应用于目标属性融合的基本原理: 给定某假设的先验似然估计, 随着观测数据的到来, Bayes方法可以更新该假设的似然函数。Bayes多传感器融合推理基于Bayes 理论, 首先假定各传感器为Bayes估计器, 将各个单独物体的关联概率分布合成一个联合的后验概率分布函数, 最后通过选择具有最大联合后验概率的决策提供多传感器信息的最终融合值。然而, Bayes推理存在一些缺点: 定义先验概率函数非常困难, 定义决策函数阈值的主观性太强, 且当有多个可能的假设和多个条件相关时, 算法计算量较大。

图2给出了基于Bayes理论的水下舰船多传感器信息融合识别算法示意图。

3) 统计决策理论

该算法主要面向水声传感器网络对目标的检测识别问题, 在已知各本地声传感器检测和虚警概率时, 融合中心节点所能获取的融合各本地决策的最优方法是似然比检验(likelihood ratio test, LRT)。基于分布式统计理论的计数规则检验(counting rule test, CRT)方法是上述方法在实际应用中检测和虚警概率难获得情况下的一种拓展。该方法对各个本地传感器符合二项式分布的决策结果进行等权值求和, 不需要各传感器探测概率和虚警概率, 理论上CRT的融合结果近似LRT方法, 是一种次最优的方法。然而, 当局部传感器所处环境恶劣, 且舰船目标辐射噪声覆盖区域有限时, CRT方法会因接收全局虚警而导致效果迅速下滑。扫描统计检验(scan statistic test, SST)方法通过在传感器网络覆盖的区域将区域离散化处理, 然后在各个离散区域内继续采用CRT准则, 融合中心对各离散域内的报告结果进行基于CRT的二次融合, 试验结果表明, 当该离散区域窗近似和目标辐射噪声信号的区域匹配时, 该方法可以克服CRT准则受虚警概率严重影响的缺陷, 是分布式统计决策理论的最新算法。

2.2 基于不精确推理类方法

基于不精确推理类融合的典型算法有: D-S证据理论、模糊逻辑和人工神经网络。

1) D-S证据理论

D-S证据理论基于2个最基本的思想: ①识别框架的划分及对应的信任程度分配; ②D-S融合规则融合各传感器关于框架元素信度分配值, 获得融合后对目标信度的重新分配。目前对D-S证据理论的讨论主要集中在以下几个问题: ① D-S证据理论往往不适用于处理高度冲突的证据, 会得出有悖于常理的结论。②针对含有不等可信度信息的证据, 一般先采用折扣处理的D-S规则, 问题是: a.折扣规则将折扣的信度分配给全集, 增加了不确定性, 不利于决策; b.证据的可信度和权威性是2个不同的概念, 如果考虑证据的重要性或权威性等这类相对度量指标, 打折扣的办法将不再适用。③冲突管理问题。冲突产生的原因可概括为两大类型: 一是辨识框架不完备, 即有新的元素出现; 二是证据或传感器未能正确反映观测目标, 例如: a.由于传感器的时变效应、环境变化或者敌方干扰, 导致输出信息不稳定、不可靠; b.证据源的辨识能力有限。④先验信息存在时, 如何将不同种类的先验信息融入到推理和决策框架, 从而真正实现多源异类异构信息的融合, 也是框架建模时需要考虑的问题。

2) 模糊推理理论

模糊概念由美国控制论专家Zadeh教授于1965年提出, 用于表示某一事件“似乎属于”的程度。基于模糊理论而首先发展起来的一种融合识别方法是决策模板法。该方法用训练样本关于同类目标决策分布图的平均值作为该类目标的决策模板, 将决策模板和样本的决策分布图看作模糊子集。对一待识别样本, 融合识别就是计算其决策分布图与各类目标决策模板之间的相似度, 将其判为相似度(或包含级)最大的那个类别。另外, 基于模糊理论发展起来的模糊聚类分析算法常用于实现特征层融合的最优特征选择。

3) 人工神经网络

该算法根据当前系统所接收到样本的相似性, 动态改变网络权值分布, 同时可采用神经网络特定的学习算法来获取知识, 确定目标的分类标准。神经网络多传感器信息融合的实现分3个重要步骤: ①根据智能系统要求及传感器信息融合的形式, 选择其拓扑结构; ②各传感器的输入信息综合处理为一总体输入函数, 并将此函数映射定义为相关单元的映射函数, 通过神经网络与环境的交互作用把环境的统计规律反映到网络本身结构; ③对传感器输出信息进行学习、理解, 确定权值的分配, 完成知识获取信息融合, 进而对输入模式做出解释, 将输入数据向量转换成高层逻辑(符号)概念。基于神经网络的传感器信息融合具有统一的内部知识表示形式, 通过学习算法可将网络获得的传感器信息进行融合, 获得相应网络的参数, 并且可将知识规则转换成数字形式, 便于建立知识库; 利用外部环境的信息, 便于实现知识自动获取及并行联想推理; 能够将不确定环境的复杂关系, 经过学习推理, 融合为系统能理解的准确信号; 由于神经网络具有大规模并行处理信息能力, 使得系统信息处理速度很快。神经网络的优越性和强大的非线性处理能力, 能够很好地满足多传感器数据融合技术的要求。神经网络具有较强的容错性和自组织、自学习、自适应能力, 能够实现复杂的映射。

表2 常用信息融合算法的特点及约束

2.3 其他方法

除了上述典型的算法, 在信息融合技术研究中还有许多其他的方法, 代表性的有以下几种: Fisher判别分析法、主成分分析法、粗糙集理论、近似网格滤波法(approximate grid-based method)、小波分层图像融合法、粒子滤波法、基于马尔可夫的隐马尔可夫建模(hidden Markov model, HMM)和双马尔可夫链(pairwise Markov chains, PMC)模型法, 基于熵规范的方法, JSM方法(John Stuart Mill algorithm)等。

上述众多的信息融合算法, 其性能各具特色。表2给出了常用信息融合模型的集中算法的特点以及各自的应用约束。

3 水下目标融合识别研究中的问题及设想

3.1 水下多传感器网络的结构设计

水下多传感器目标融合识别系统的模型结构设计应结合实际水文背景, 考虑各水下节点间水声信号传输速率小, 信号传输时延大, 传输误码率高, 传输所用的带宽有限, 多径, 衰落及多普勒频移干扰严重等因素的影响, 研究各传感器节点合理的布放方式, 并将网络的拓扑结构模型设计和信息处理的功能模型设计结合起来。此外, 在信息融合系统的设计中, 为了保证系统的精确度、实时性以及降低成本, 应该根据理论模型和测试数据范围适当选择合适的传感器组, 要考虑局部动态环境的影响及其对策, 并将最终的融合结果用于网络的反馈管理。图3给出了一种信息处理功能模型和传感器拓扑结构模型相结合的水下多传感器网络设想。

3.2 信息融合的算法选择

对于目标的探测和识别这一领域的信息融合, 人们常注重某一功能或结构或算法的研究, 却忽视了它们之间内在的联系与沟通, 缺乏整体合理的设计理念, 对于大型的信息融合系统往往导致研究范畴模糊, 缺乏统一的系统设计工程和规范, 不利于信息融合系统的稳健性与容错性。针对此, 可以研究特定模型体系的各推理理论的组合方法, 结合多种算法的优势, 克服单一算法的不足。另外, 可以针对某一特定算法的不足和限制进行新算法的设计, 目前大量的新型算法开始应用于目标的融合识别, 例如: LVQ算法, Dezert Smarandache Theory(DSMT)算法等。对于实际应用中存在的训练数据不足情况, 可以考虑混合模式识别技术。另外, 如果把模式分类器与一个自动推理环节相结合, 根据具体任务或实际环境来解释得到的结果, 也有可能克服由于缺乏训练数据带来的问题。

3.3 有效的融合效果评价模型设计

究竟一个融合系统功能结构或算法执行效能如何, 对系统成功的概率贡献大小如何, 需要对信息融合策略的评估进行研究。通常, 融合系统的评估要对系统设计—实施—使用效果进行全过程评估, 要建立实用的评估体系, 包括指标体系和算法体系, 这些都非常依赖于具体问题的要求和现代数学的发展。对于融合识别这种典型的分层融合系统, 评价其性能的方法包括量测融合与状态向量融合。其中量测融合尽管是最优的, 然而其计算代价太大; 而状态向量融合算法较为节省计算机资源, 但是由于该方法根据公共先验估计或是公共过程噪声来进行关联, 因此它并不是最优的, 且这些方法在对真实系统进行评估的时候却仍然存在着难题。近年, 基于现代计算机技术和虚拟现实技术等现代仿真技术建立起来的仿真系统, 可以完成对整个融合过程蒙特卡洛的统计仿真试验, 然后对试验结果的分析和比较也是一种有效的系统评估途径。

4 结束语

信息融合技术可以使水下智能武器系统具有自学习能力、自适应能力、自组织能力和容错能力, 可以使系统快速完成对各种途径的不同信息有效的融合处理, 提高对目标的解释和描述能力。本文立足于水下无人值守作战平台的目标探测和识别, 对多传感器网络的信息融合模型、融合算法、发展动向、存在的问题和解决这些问题的思路给出了系统的综述。尽管信息融合技术已经渗透到研究的各个领域, 并取得了重大的进步, 然而, 目前在理论上尚未形成统一的框架, 而在实际系统设计上则缺乏有效的指导原则, 系统全过程的评估方法研究更是成效甚微, 很多问题还有待解决。

[1] 杨雷. 弱小目标检测与多传感器数据融合跟踪技术研究[D]. 哈尔滨: 哈尔滨工程大学, 2007.

[2] Veeravalli V V, Varshney P K. Distributed Inference in Wireless Sensor Networks[J]. Philosophical Transactions of Royal Society, 2012, 370(1958): 100-117.

[3] 王祁. 传感器信息处理及应用[M]. 北京: 科学出版社, 2012.

[4] 蒲书缙. 复杂环境下目标识别的智能数据融合技术研究 [D]. 哈尔滨: 哈尔滨工业大学, 2006.

[5] Gainet J, Blasch E. Development of Emergent Processing Loops as A System of Systems Concept[C]//Proceedings of AeroSense Conference, 1999: 186-195．

[6] Hall D L, McMullen S A. Mathematical Techniques in Multisensor Data Fusion[M]. USA: Artech House, 2004.

[7] Bedworth M. Probability Moderation for Multilevel Information Processing[R]. Personal Communication, 1992．

[8] Bedworth M, Obrien J．The Omnibus Model: A New Model of Data Fusion[J]．IEEE Aerospace and Electronic Systems Magazine, 2000, 5(4): 30-36．

[9] Paradis S, Roy J. An Architecture and a Facility for the Integration of All Levels of Data Fusion[C]//Proceedings of International Conference on Information Fusion. France: Paris, 2000: 278-384.

[10] 仲崇权, 张立勇, 杨素英, 等. 基于最小二乘原理的多传感器加权融合算法[J]. 仪器仪表学报, 2003, 25(4): 427- 430.Zhong Chong-quan, Zhang Li-yong, Yang Su-ying, et al. A Weighted Fusion Algorithm of Multi-sensor Based on the Principle of Least Squares[J]. Chinese Journal of Scientific Instrument, 2003, 25(4): 427-430.

[11] Yue J, Yang R, Huan R. Pixel Level Fusion for Multiple SAR Images Using PCA and Wavelet Transform[C]//Proceedings International Conference on Radar, 2006: 1-4.

[12] Venkatalakshmi K, Shalinie S M. Classification of Multi- spectral Images Using Support Vector Machines Based on PSO and K-means Clustering[C]//Proceedings International Conference on Intelligent Sensing and Information Processing, 2005: 127-133.

[13] Dixon S J, Brereton R G.. Comparison of Performance of Five Common Classifiers Represented as Boundary Methods: Euclidean Distance to Centroids, Linear Discriminant Analysis, Quadratic Discriminant Analysis, Learning Vector Quantization and Support Vector Machines, as Dependent on Data Structure[J]. Chemometrics and Intelligent Laboratory Systems, 2009, 95(1): 1-17.

[14] Luo R C, Su K L. A Review of High-level Multi-sensor Fusion: Approaches and Applications[C]//Proceedings International Conference on Multisensor Fusion and Integration for Intelligent Systems, 1999: 25-31.

[15] Bracio B R, Horn W, Moller D P F. Sensor Fusion in Biomedical Systems[C]//Proceedings of the 19th Annual International Conference on Engineering in Medicine Biology Society, 1997: 1387-1390.

[16] Widjaja F, Shee C Y, Latt W T, et al. Kalman Filtering of Accelerometer and Electromyography (EMG) Data in Pathological Tremor Sensing System[C]//Proceedings of IEEE International Conference on Robotics and Automation, 2008: 3250- 3255.

[17] Pan H, Mcmichael D, Lendjel M. Inference Algorithms in Bayesian Networks and The Probanet System[J]. Digital Signal Processing, 1998, 8(4): 231-243.

[18] Veeravalli V V, Varshney P K. Distributed Inference in Wireless Sensor Networks[J]. Philosophical Transactions of Royal Society. 2012, 370(1958): 100-117.

[19] 杨风暴, 王肖霞. D-S证据理论的冲突证据合成方法[M]. 北京: 国防工业出版社, 2010.

[20] Murofusi T, Sugeno M. Fuzzy T-conorm Integral with Respect to Fuzzy Measures: Generalization of Sugeno Integral and Choquet Integral[J]. Fuzzy sets and Systems, 1991, 42(1): 57-71.

[21] 彭力. 信息融合关键技术及其应用[M]. 北京: 冶金工业出版社, 2010.

[22] Smarandache F, Dezert J. Advances and Applications of DSmT for Information Fusion [M]. USA: American Research Press, 2009.

(责任编辑: 陈 曦)

Review of Fusion Recognition Technology for Underwater Target

XIA Qing-sheng, LIU Yi-hai

(1. Representative Bureau in Chongqing, Naval Armament Department, Chongqing 401120, China; 2.College of Marine Engineering, Northwestern Polytechnical University, Xi′an 710075, China)

Information fusion techniques, which can help to effectively reduce or eliminate the measuring uncertainty of distributed sensors′ signal and fuse more comprehensive original vessel radiated signals, have been widely used in various military and civilian fields, and have attracted more concerns in the world. In this paper, the existing most accepted function models of the fusion systems are summarized, and a three-level (data-feature-decision) underwater automatic target recognition (ATR) system model is proposed. Subsequently, several commonly used fusion algorithms based on the probability theory, the data classification theory, and the artificial intelligence theory are presented, and their advantages, disadvantages and application constraints are analyzed. Moreover, the development trend of the underwater target fusion recognition system based on multi-sensor system, the existing problems, and the solutions to these problems are all discussed.

target recognition; information fusion; multi-sensor system; fusion algorithm

TP212

A

1673-1948(2013)03-0234-07

2013-03-13;

2012-05-06.

夏庆升(1966-), 男, 高级工程师, 长期从事水中兵器监造工作.