互联网环境下语境分类目标信息分布式传播方法

2019-03-28

制造业自动化 2019年3期

（宁夏广播电视台新媒体发展中心，银川 750002）

0 引言

在21世纪互联网技术高速发展的今天，越来越多的信息需要依靠互联网完成，如何更快更便捷的获取信息并传递信息成为业界共同关注的问题。

目标数据关联指的是关联系统中的目标信源报告，再将关联后的信息进行传递，将目标信源进行综合识别，达到将有关同一目标的信息相融合的目的。作为在目标识别融合系统中的重要组成部分，能够为目标信息变化的检测识别跟踪技术、信息融合技术等奠定基础。信息融合是以采用多个传感器进行有效处理信息为目的，与单一传感器相比，能够得到更加精确可靠的结果。在进行数据层、特征层和决策层信息融合处理前，首先要将目标数据进行关联，目标关联技术受到众多因素的影响，例如传感器性能、目标检测手段、目标运动、目标环境等，它直接影响信息后续处理的准确性。

本文基于互联网语境对目标分类信息分布式传播技术进行研究，将目标分类信息分布式传播系统进行设计，根据所设计框架将基于互联网语境的目标分类信息分布式传播系统的工作流程进行阐述，通过实验验证了基于互联网语境的目标分类信息分布式传播技术的可行性。

1 互联网语境下目标分类信息分布式传播技术设计

互联网语境指的是在互联网时代，构成互联网的外部社会、内部语言环境和信息交流时的真实语言意境，他的产生是互联网时代特征完全显露后的必然现象。其中，互联网语境中的外部社会语言环境指的是没有完全嵌入互联网的原社会语言环境，受当前人类社会的思想、意识、术语的影响，可以说是以人为中心，尊重个体独立性，但其具有无法掌握互联网时代脉搏、容易忽略整体观照的缺陷。将目标关联技术与互联网领域相结合，在互联网语境下寻找关联因子，将目标进行分类整理，运用多传感器进行分布式传播，实现目标分类信息分布式传播的高效率、低成本完成。

1.1 互联网语境下信息分类及融合

互联网语境的出现标志着互联网生态逐渐走向成熟。如图1所示，根据目标信息的性质不同，将信息分为位置信息、属性信息、侦查信息等。侦查信息分为信号侦查信息和成像侦查信息，针对不同的信息采取不同的关联方式。

图1 互联网语境下信息分类及融合

图2 位置信息分类及关联

如图2所示，基于位置信息，采用的是一种很基础很成熟的目标关联方法。而这种方法根据不同的情况分为两类。一种是基于运动状态信息的目标关联方法，它将目标视为时间观测密集的点对象，通过观测数据得到目标的运动特性，将目标运动过程建立成适当的模型，根据模型计算得到目标的速度、加速度等运动参量，作为基本的关联量，从而得到航迹之间的匹配度，与先验只是相结合，得到最终的目标关联结果。

另一种是基于点模式匹配的目标关联方法，这种方法常用于当目标之间的距离远远大于各个目标的大小的情况下。将各个目标抽象为点目标，将阵群中所有成员的位置信息构建成一个集合，将这个集合视为一个点模式，基于点模式匹配实现目标关联。基于点模式匹配的算法有变换参数估计算法、迭代最近点算法、薄板样条差值变换算法等。

图3 属性信息分类及关联

如图3所示，基于属性信息，进行目标关联的方法对解决运动信息数据关联中的不确定性问题十分有利。根据信息抽象程度的不同，将基于属性信息的目标关联方法分为特征层和身份层关联两类。特征层关联是直接利用目标特征信息进行关联，包括目标的空间分布特征、外形特征、电磁辐射特征等。身份层关联受到身份识别的影响严重，直接关系到后续关联结果的可靠性。当信息源同时提供目标的位置信息和属性信息时，可以综合位置信息和属性信息，将两者互补，得到更准确数据目标关联，但是相关方法仍不够成熟，有待进一步研究。

图4 侦察信息分类及关联

如图4所示，基于侦察信息的目标关联方法可以分为三类，其中最早提出的是基于信号侦察信息的目标关联，它是在采集观测数据时间较密为前提，借鉴传统滤波数据关联与跟踪的方法，先将运动目标状态信息和点阵拓扑结构进行粗关联，将结果融合后进一步实现精细关联。基于成像侦察信息的目标关联是成像传感器发展起来后逐渐被重视的。它首先从成像传感器获取的图像信息进行分析，获得目标的特征，再将目标进行匹配和定位，利用目标图像的特征结构进行关联。基于信号与成像侦察信息的目标关联是利用目标的空间位置和属性信息，通过时空校准获得的目标群队形拓扑特征，再对信号侦察设备侦察的雷达参数识别辐射源类型，最后根据群目标属性和队形拓扑特征实现平台目标身份级的关联。

1.2 互联网语境下目标信息分布式传播预处理

信息分类、关联、融合都是为目标信息的分布式传播进行预处理，它需要一些算法将数据进行处理，在提高传播效率的同时，保证传播过程中信息的准确性和完整性。将图像信息根据其位置信息和像素本身的特征进行划分，通过超像素将图像简化，去除大量冗余信息，减轻后续传播的负担。互联网语境下目标信息分布式传播预处理模型如图5所示。

图5 分布式传播预处理模型

根据预先设定的超像素数据，初步计算聚类中心点，每一个聚类中心点都会形成一个相关覆盖范围，该覆盖面积大于平均覆盖范围，保证信息的完整性。

在式(1)中，ωi，j为两个超像素聚类中心点之间的权重，λ为第一层和第二层控制环绕超像素边权重的系数，ci和cj分别为第i，j个超像素对应空间中的特征值，σ为控制边权重大小常数。系数λ的引入能够更好地区分环绕超像素的两层空间的差异信息。

在式(2)中，α为控制边权重大小常数σ的相关函数，用于表征拟合限制条件的符合程度。

在式(3)中，yi为第i个特像素对应的初始显著性值，D为超像素模型的度量，w为控制平滑限制条件参数，s0,i为第i个超像素初始显著性值的常数值。

1.3 目标分类信息分布式传播

在将目标信息分类、关联、融合后，为目标信息的分布式传播做好准备。分多层次进行信息传播是利用不同的传感器对信息中的特定目标进行传播，目标信息可以分为图像信息层次、特征信息层次和关联信息层次。

图6 目标分类信息分布式传播模型

如图6所示，在图像信息层次的传播时，首先要将图像进行分割，减少系统的负担，加快传播速率，然后针对嵌入式环境，将采集到的图像信息进行压缩实现加工处理，以保证传播过程中图像的清晰度和效果。

在特征信息层次的传播时，不同的特征信息的传播复杂度不同，将特征信息根据其复杂度不同分为两类。相对简单、易于计算的如影像数据中目标空间分布特征、目标外形尺寸特征、不变特征等特征信息在传播时，同图像信息的传播相似，需要进行压缩后传播。较为复杂的如电子侦察数据中电磁辐射源目标载波频率、脉冲重复频率、脉冲宽度等电磁辐射特征信息在传播时，会将特征信息的相似程度进行比较，将以及根据自身特点进行关联，转化为关联信息，在关联信息层次上完成传播。目标分类信息分布式传播过程如图7所示。

图7 目标分类信息分布式传播过程

在关联信息层次的传播时，将目标关联转化为点模式匹配，对目标信息进行识别、定位，将关联信息转化为数字信息，提高信息传播的适用性。

如图8所示，当系统受到外界干扰时，系统工作效率以及信息完整性都会造成影响，图6中用电压的波动值表征信号的变化幅度。

图8 系统受干扰变化幅度

将目标分类信息分布式传播的信息进行抽样，统计信息的完整性，按百分制将信息完整性进行评分，从而得到表1和表2所示。

表1 本文系统数据完整性抽样统计结果

表1 （续）

根据表1的数据进行线性拟合，发现抽样统计结果基本呈正态分布，规定60分以下为不及格，60～85为及格，85分以上为良好。在传统系统中，不及格几率为1.19%，良好为35.12%，在本文系统中，不及格几率为0.82%，良好为44.51%。由此可见，本文中互联网语境的应用，提高了系统的精密度。

表2 线性拟合实验结果

表2 （续）

2 目标分类信息分布式传播技术验证实验

2.1 实验目的

为了检测优化设计的目标分类信息分布式传播技术实际效果，与传统技术进行对比，在互联网语境下对目标分类信息分布式传播速度进行了实验研究。

2.2 实验参数设置

设置实验参数如表3所示。

表3 目标分类信息分布式传播实验参数

2.3 实验结果与分析

根据上述设定的参数进行实验，将传统的目标分类信息分布式传播技术和本文基于互联网语境的目标分类信息分布式传播技术进行比较，分别记录相应系统运维成本、使用寿命和系统工作效率，得到的实验结果如下所示。

1）系统运维成本实验

图9 系统运维成本实验

观察图9可知，随着系统传播信息量的增多，系统的运维成本会不断增加。但是，本文基于互联网语境的目标分类信息分布式传播系统的运维成本明显低于传统的目标分类信息分布式传播系统。例如，当系统传播信息量为400万项时，传统系统的运维成本为1.81万元，本文系统的运维成本为1.52万元。因此，基于互联网语境将系统进行设计，可以有效的降低目标分类信息分布式传播系统的运维成本。

2）系统使用寿命实验

图10 系统使用寿命实验

如图10所示，将系统7个月内的使用情况以及4个故障位置进行记录，比较本文基于互联网语境的目标分类信息分布式传播系统和传统的目标分类信息分布式传播系统的故障情况，发现在不同的故障位置，传统系统的使用寿命最长为4个月，而本文的使用寿命最长可达7个月，传统系统的使用寿命都低于本文系统。因此，基于互联网语境将系统进行设计，可以有效的提高目标分类信息分布式传播系统的使用寿命。

3）系统工作效率实验