多体制协同目标智能识别技术发展综述*

石钊铭

（武汉市江夏区藏龙大道709号 武汉 430205）

1 引言

随着体系化作战概念的不断深化，作战兵力预警范围不断扩大，对来袭导弹的干扰手段和能力不断增强，在对重点目标的大范围高效打击过程中，仅依靠单一体系进行目标探测和识别，很容易受到电子对抗与欺骗，以及海杂波、地理气象环境等因素的干扰，几乎无法满足武器高效打击需求。随着卫星辅助侦察手段的加入，一定程度上提升了目标探测与识别能力，但因战场环境多变性、待打击目标的复杂性、及弹载和星载信息处理的局限性，仍无法在打击时间窗口内实现对航母、驱逐舰等目标的高效融合识别以及关键部位的精细化检测。而智能化技术的引入，能够有效提升作战系统对敌智能化杀伤的技术水平[1]，因此多体制协同目标智能识别，作为现代武器高效打击的关键前提，对提升打击效能具有十分重要的意义。

2 国内外研究概况

在多体制协同方面，美国海军于20世纪70年代开始开发协同作战能力（Cooperative Engagement Capability，CEC）[2]。通过专用的视距数据分发系统（DDS）在作战编队的舰艇之间共享雷达未经滤波处理的、低时延、高精度量测数据，由协同作战处理器进行目标复合跟踪与识别处理，形成飞机和导弹的连续跟踪航迹。在CEC条件下，所有传感器资源组成了一个远、中、近，高、中、低以及不同精度满足不同需求的传感器网络，从而可以有效发挥各平台传感器的优势[3]。俄罗斯20世纪研制并装备于现代级驱逐舰的米涅拉尔雷达，具有对海协同探测工作模式，参与协同工作的雷达可接近10部，它们之间通过专用的微波通信链路共享侦听或主动量测数据，各雷达之间也没有实现信号级协同处理。对于处于不同空间的协作成员，要达到良好的协作效果，离不开协同过程中成员之间工作状态和意图的感知。

在目标智能识别方面，美国早在2015年就开始了基于深度学习的目标识别的研究及应用。深度学习分析专家利用降低运行时间复杂性的新识别算法和新移动处理器增加的计算效率，以减少雷达目标识别算法运行时的尺寸、重量和功率（SWAP）。利用较少的训练数据快速学习识别新的目标是一个重要研究方向。BAE系统公司通过引入机器学习和人工智能技术，用以提升其自动目标瞄准系统的性能。

目前国内在多体制协同感知架构方面的研究主要集中在态势感知方面，例如非结构化感知方法、复杂环境感知与认识算法、基于生物视觉认知机理的目标识别与环境建模等[4]。此外，由于深度学习技术的不断发展，基于深度学习的态势感知与认知技术已成为主要的研究热点[5]，能够提高态势感知的快速性、准确性和智能化水平。

在目标识别理论研究上距国外水平更近一步，在基于单平台和单信源的检测识别已经有了一定的研究基础，尤其在图像方面有了较大发展。但是基于多平台协同的目标识别能力还不成熟，面对复杂干扰环境下的目标检测识别能力还较为不足，缺乏通过多种印证手段不断提高识别准确度的能力，目标识别的智能化水平不高。

3 关键技术

多体制协同目标智能识别旨在利用天基节点、海基节点、导弹等探测分析平台，完成对待打击目标的协同探测、异构信息关联与融合、目标检测识别，为武器打击提供及时精确可靠的目标信息。一种多体制协同设想如图1所示。本文将从协同探测任务规划技术、多传感器信息融合技术、目标智能识别技术三个方面简要分析多体制协同目标智能识别关键技术。

图1 一种多平台协同设想示意图

3.1 协同探测任务规划技术

在利用导弹打击目标的任务中，在预警探测阶段，通过多探测节点协同探测，可拓宽目标探测时空覆盖范围，提升目标信息融合精度，提高对目标的复合跟踪能力和传感器抗干扰能力，从而增强目标识别效果。

协同探测任务规划技术主要包含探测节点在搜索、跟踪过程中的规划分配、调度优化、组合使用等技术，通过建立传感器探测特性模型，分析传感器在不同环境下执行不同任务的效用，形成支撑各探测节点相互引导和协同使用的规则并实现节点资源合理规划和动态管控。

在执行探测节点的协同规划前，需要根据经验设定前置协同准则，以规则的方式指导系统完成协同探测智能规划的整个过程；智能规划是根据当前的任务内容，实际的战场情况生成协同探测感知方案下达至各个探测感知节点；探测感知节点根据智能规划的方案以集中式、分散式或者分布式的方式指挥各自的传感器完成协同探测感知的内容，并将执行反馈的结果发送至系统，系统根据结果修正优化协同准则，提升下一次的协同探测智能规划方案的有效性。这一过程如图2所示。

图2 协同探测任务规划过程

3.2 多传感器信息融合技术

与单传感器相比，多传感器信息技术在解决探测、跟踪和目标识别等问题时，能够通过多传感器的多维度、多层次信息信息处理，提高系统的实时性、正确性、准确性、鲁棒性[6～7]，为后续识别提供数据基础。实现多源信息融合与目标的稳定跟踪需要解决的问题主要包括三个，分别是数据配准、数据关联和数据融合[8]。

近年来，多传感器融合技术的研究多集中在融合滤波算法领域，充分考虑各传感器存在的噪声或不确定性，采用分布式融合滤波的方式，通过设计标准化的接口协议，提升整个全局滤波效果。主要研究包括贝叶斯一致性滤波、分布式卡尔曼滤波算法等[9]。但在多体制协同探测过程中的多尺度、大时延的异构信息融合仍然存在目标关联不正确、融合精度不高、处理不及时的问题。

3.3 目标智能识别技术

目标智能识别技术具备对样本数据的学习能力，能够保证识别模型的稳健性和演化性[10]，能够有效降低模型适配产生的拂面影响。目标识别包括特征级识别和决策级识别。其中目标识别特征参数包括空域特征、时域特征、频域特征、能域特征等。通过目标特征数据库进行匹配分析解算，利用支持向量机、神经网络和证据理论等方法的学习或训练优势，提高目标识别效率。

以卷积神经网络为主的深度学习技术的发展大大推动了图像识别技术的发展，卷积神经网络在图像分类、图像检索和物体检测等领域的表现越来越出色，针对深度学习在海战场图像目标识别中应用的研究越来越丰富[11]。小样本条件下的迁移学习[12]、基于端到端可训练网络的目标检测、基于区域建议的目标检测与识别等技术在海战场图像识别中的应用提高了目标识别正确率。但深度学习对于处在不同形态的同一物体以及具有细微差异的物体的区分能力并不够。

4 发展建议

针对海战场武器高效打击信息保障需求，结合当前国内外多体制协同目标智能识别关键技术的研究和发展情况，提出以下发展建议。

4.1 发展弹-星-舰三位一体跨域协同感知架构设计技术

受海战场态势感知信息获取能力及处理时效性所限，仅仅凭借单一手段难以实现对重点目标的准确识别与选择性攻击。充分发挥弹载探测器、天基卫星和海基舰船平台各体制下信息处理优势，提升多平台协同感知节点规划效能，研究综合各平台的高效协同态势自主感知技术，建立主动（雷达、SAR）与被动（红外、可见光）等多平台探测传感器联合引导机制，实现预警探测-搜索识别-末端引导的全链路信息保障与快速处理能力。

4.2 发展跨域多尺度多源异构信息关联技术

针对海战场目标识别面临的类型多、分布广、机动性强，以及主被动传感器数据定位精度差异大，异构平台数据获取目标信息时空不同步等问题，开展多源异构数据（包括星载/弹载/舰载等不同平台的各类传感器获取的目标图像、姿态、位置及特征数据）的目标关联技术研究。其包括多源异构数据的统一表示，大时延异构数据时空对准，多源信息自适应快速关联等多个方面的研究。

4.3 发展智能目标抗干扰检测识别技术

待打击目标类型复杂多样性，目标所处背景地形地貌复杂多变，成像天候时相及视点变化，伪装、干扰及对抗手段多变等复杂成像影响因素，增加了目标识别的难度。尤其是干扰对抗手段，其具有不同时机、干扰空间分布和不同频段干扰等时空谱特性。被动探测雷达虽然探测距离远，抗干扰能力强，但是如果对方雷达不开机也无法进行探测；前视雷达虽然具有相对稳定的强散射点特征，但易受箔条、角反射器以及电子干扰影响；红外成像易受光照、烟雾、阴影以及背景局部变化等干扰。基于星-舰-弹协同多模探测，通过对不同信息源成像与融合以及分析复杂场景目标和背景成像特性、结合图像信息与非图像信息融合、星基与弹基多源影像信息联合检测、弹载多模传感器融合等多种多源手段，降低环境与人为干扰，提升目标的检测识别能力。

4.4 发展精细化目标辨识和关键部位识别技术

大中型舰船编队中目标类型多，不同类型舰船（如航母、驱逐舰、护卫舰、补给舰、登陆舰等）承担不同的作战任务，对舰船目标细分类是构建海战场态势图的基础，也为特定目标的精准打击提供重要指示信息。同时，为了实现目标高效毁伤，对舰船目标识别不仅限于船体自身，还需具备关键部位的精确识别与跟踪能力，节省打击成本，提高作战效率。同时随着少样本对象识别算法的不断发展，识别的准确率也在不断提高，但是目前由于图像拍摄工具和条件的原因，使得测试遥感样本的分辨率很难于训练样本数据的分辨率保持一致，对于大多数少样本算法来说，这一情况将直接导致新能的大幅下降，可充分利用卫星图像具有范围广、干扰较少的特点，着力发展少样本条件下的目标类型辨识与关键部位识别技术研究。

5 结语

随着武器性能的不断提高，对目标识别准确性、实时性、精确性的要求也越来越高，同时随着各种新的技术平台的加入，丰富了识别的手段，同时提高了识别技术的复杂度。多体制协同目标智能识别技术，在立体化作战的框架下，将舰船、卫星、导弹有机结合起来，利用卫星侦察系统、舰船分析系统、导弹识别系统，形成一套基于“侦-查-打”的、完整的、抗干扰能力强的、自主性高的智能打击模式，为导弹完成大范围、高精度、高效能武器打击提供准确、清晰、连续的战场态势，对提高复杂环境下大范围打击态势感知的抗干扰能力和目标态势信息的准确性，具有重大的战略意义。