張大銘，劉靖東，梁晨光

(1.北京宇航系統(tǒng)工程研究所，北京 100076；2.中國運載火箭技術(shù)研究院，北京 100076)

0 引 言

隨著海洋探測技術(shù)的快速發(fā)展、針對水下目標的探索手段（如主被動聲吶[1–2]、紅外[3]、合成孔徑雷達（SAR）[4]、可見光[5]、磁異探測[6]等）更加豐富，數(shù)據(jù)量更加龐大，信息處理正朝著多源融合的方向發(fā)展。多源信息融合技術(shù)指將多傳感器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[7]，進而實現(xiàn)對某些問題做出全方位準確可靠判斷的一種信息處理技術(shù)，在自動目標識別，遙感及監(jiān)控系統(tǒng)[8]等方面發(fā)揮著重要的作用。

信息融合技術(shù)經(jīng)歷了傳感融合、異源融合、決策融合幾個階段[9]。第1 階段在20 世紀70 年代，美國首先開始對多源信息融合進行研究，起初主要應用于軍事，用來提高傳感系統(tǒng)的實時識別、跟蹤、戰(zhàn)場狀態(tài)估計和威脅估計的能力[10]；第2 階段，信息融合被推廣到非同類傳感器的異源信息融合技術(shù)[11]，并將其應用到電子情報、電子作戰(zhàn)系統(tǒng)中；第3 階段，信息融合技術(shù)與指揮決策相關(guān)聯(lián)，形成了數(shù)據(jù)專家系統(tǒng)。目前，美國已研制了幾十個應用數(shù)據(jù)融合技術(shù)的情報收集和作戰(zhàn)指揮系統(tǒng)，例如戰(zhàn)場海軍戰(zhàn)爭狀態(tài)分析顯示系統(tǒng)、管理和目標檢測系統(tǒng)、軍用情報分析系統(tǒng)[12]等。相較于美國等發(fā)達國家，我國在信息融合技術(shù)方面起步較晚。從20 世紀末開始，國內(nèi)學者主要關(guān)注異源信息融合技術(shù)，并開展理論研究，陸續(xù)提出了基于支持向量機（SVM）的模型和融合算法、人工神經(jīng)網(wǎng)絡(luò)融合算法[13–14]等。

但是上述各階段的研究都存在局限性，單一傳感融合精度較高，但很難適應復雜信息處理，異源融合在樣本訓練、特征分析方面有很大優(yōu)勢，但是即使目前融合人工算法，往往只能反映目標的局部特征而非關(guān)鍵性特征[14]。因此，無法全面、準確地區(qū)分出深遠海不同類型目標之間的差別（例如不同種類的水下航行器、人工設(shè)施和大型生物體等），而融合指揮系統(tǒng)決策融合還在探索階段，準確度不夠高，強烈依賴數(shù)據(jù)融合分析結(jié)果。

針對水下目標特征量受海洋環(huán)境影響大、融合難度大、數(shù)據(jù)處理復雜等問題，本文提出層次化信息融合方法，并進行測實驗證。著重介紹方法設(shè)計的思路和流程，給出基于該方法的部分實驗測試結(jié)果，對多源融合技術(shù)未來發(fā)展進行探討。

1 層次化信息融合方法設(shè)計

面向海洋水下目標探測的層次化信息融合方法，將復雜的多源信息按照聲學、非聲學進行分類，從低到高融合層級排序，分批、分步驟實現(xiàn)特征獲取。聲學信息類型相同或接近，采用數(shù)據(jù)級融合方式進行目標航跡關(guān)聯(lián)性分析，可有效剔除環(huán)境干擾和預測誤差，提高目標方位、距離計算精度，提取運動特征。圖像、磁探測等非聲學信息類型差異較大，采用預處理、分階段特征級融合的方式，可以有效提取水下目標的形態(tài)、局部熱力學、電磁學分布等特征，減少中間量屬性的特征參數(shù)在信息融合中的不確定性。

在決策級融合中，針對提取的各方面（如天基、空基、地基、?；綔y等）目標特征信息進行綜合，引入多元化的先驗性的目標特征知識，輔助進行目標判定。一方面，針對目標本身的關(guān)鍵特性進行分析，包括整體外觀形態(tài)（如外形尺寸、動力及航行水流特征等）、關(guān)鍵部位機械結(jié)構(gòu)（如葉片數(shù)量、槳舵位置等）、振動聲紋特征、熱力學及電磁學梯度分布等，逐步構(gòu)建目標尾流圖、聲紋庫等一系列關(guān)鍵特征判別數(shù)據(jù)庫；另一方面，基于目標歷史活動觀測記錄和軌跡分析，提煉目標行為規(guī)律，構(gòu)建智能化仿真和預測模型，有針對性地進行廣域和局域的深海監(jiān)控及模型驗證，提高預測精度，為最終水下目標識別構(gòu)建多個維度的輔助判定標準，減少在決策級信息融合中由于信息損失和人為因素帶來的誤判和虛警。

通過上述方式，能夠在每層級獲取局部最優(yōu)特征提取，在多層級逼近全局最優(yōu)目標識別，最大限度地緩解特征級和決策級融合中信息量損失、信息類型復雜導致的低精度問題。

以天基探測水下目標的信息融合為例，如圖1 所示。按照層次化的信息融合方法，將信息獲取源分為電子偵察衛(wèi)星和遙感探測衛(wèi)星兩大類，每個大類分批進行數(shù)據(jù)融合，形成脈沖信號、內(nèi)波軌跡和尾流溫差3 種中間量特征信息，再將這些不同類型信息進行特征融合預處理，即特征點篩選，相關(guān)性分析和加權(quán)平均融合，減少特征信息的總數(shù)據(jù)量，降低后續(xù)計算復雜度，緊接著輸入淺層監(jiān)督+深入學習神經(jīng)網(wǎng)絡(luò)模型進行二次特征提取，實現(xiàn)可供識別的目標特征信息。在決策級融合中，利用已有的天基探測目標識別數(shù)據(jù)庫，生成針對當前海域水下目標的電學信號檢測歷史結(jié)果和尾流軌跡分布規(guī)律等先驗知識，在決策機制的判別下，最終得到目標識別的結(jié)果。

圖1 基于天基探測的水下目標識別的層次化信息融合方法框圖Fig.1 Diagram of space-based detection for underwater target detection with hierarchical information fusion method

2 仿真實驗驗證

基于遙感探測衛(wèi)星、電子偵察衛(wèi)星等電學信號探測，以及被動聲吶陣列等聲學信號探測的復雜信息融合場景，本文針對層次化信息融合方法整體進行仿真測試。根據(jù)水下目標一般特性，人工擬合實際探測場景下的探測信息數(shù)據(jù)庫，同時擬定神經(jīng)網(wǎng)絡(luò)專家規(guī)則，如表1 所示。實驗中神經(jīng)網(wǎng)絡(luò)學習部分設(shè)置隱含層節(jié)點數(shù)為12，設(shè)置輸出層節(jié)點數(shù)為3，訓練精度為0.001，最大迭代次數(shù)500。標簽按照表1 設(shè)置為3 類。

針對多源圖像和聲吶識別場景，分別比較本文層次化信息融合方法、僅采用特征級融合方法，以及傳統(tǒng)多級融合方法（包括：數(shù)據(jù)級+特征級、特征級+決策級，不含先驗知識）實驗針對不用輸入的多源探測數(shù)據(jù)，得到各個場景下的平均識別率。匯總結(jié)果見表2?？梢钥闯?，采用“層次化的綜合化融合方法+先驗知識”，能夠較好地同時解決大容量、復信息和高精度的問題，進而提高建模準確性和目標成功識別率，減少虛警和誤判的情況。

此外，基于水槽實驗中可采集的聲吶數(shù)據(jù)，本文針對層次化信息融合方法中最核心的特征級融合部分進行了單獨的測實驗證。如圖2 所示，特征預處理采用K 均值方式進行特征點篩選，采用非線性回歸進行相關(guān)性分析，并基于相關(guān)性程度進行加權(quán)平均。在學習層面，采用反向傳播（BP）淺層監(jiān)督網(wǎng)+卷積（CNN）深度學習神經(jīng)網(wǎng)絡(luò)模型進行特征級數(shù)據(jù)融合，最終得到特征提取結(jié)果。

表1 信息融合神經(jīng)網(wǎng)絡(luò)的專家規(guī)則Tab.1 Expert rules of the information fusion neutral network

表2 不同場景下不同方法的目標識別率對比Tab.2 Comparison of the target detection rates with different methods in different scenarios

在測試中，將標數(shù)據(jù)簽設(shè)置為3 類。1 對應水下目標，2 對應艦船，3 對應水下無人航行器，進行迭代更新。利用3 類訓練樣本訓練網(wǎng)絡(luò)，利用測試數(shù)據(jù)對網(wǎng)絡(luò)識別效果進行驗證。設(shè)置訓練樣本為1 200 時，選取5 類130 個測試樣本數(shù)據(jù)進行測試。實際測試集分類和預測測試集分類圖如圖3 所示。通過實驗發(fā)現(xiàn)，130 個測試樣本均為5 類數(shù)據(jù)，在測試集中，有6 個樣本錯分為類別2，有0 個樣本錯分為類別3。訓練性能曲線如圖4 所示?？梢钥吹剑W(wǎng)絡(luò)參數(shù)逐漸調(diào)整，預測結(jié)果與實際結(jié)果之間的誤差逐漸收斂，驗證該網(wǎng)絡(luò)用于識別的可行性，且誤差值穩(wěn)定在0.001 以下，穩(wěn)定誤差值下降，說明模型訓練效果較好?？梢钥吹剑捎妙A處理，以及“淺層+深層”相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型，可以提高特征提取的有效性，減少后續(xù)目標識別的誤差。

圖2 基于聲吶數(shù)據(jù)的特征級信息融合方法框圖Fig.2 Diagram of the information fusion method in feature level based on the sonar data

3 未來信息融合技術(shù)探究

基于上述深遠海探測信息融合技術(shù)分析，對多源信息融合技術(shù)未來的應用和發(fā)展進行探究，形成如下幾方面研究方向：

圖3 基于層次化信息融合方法的水下目標識別效果Fig.3 Effects of underwater target detection based on the hierarchical information fusion method

圖4 深度學習神經(jīng)網(wǎng)絡(luò)模型的誤差變化Fig.4 Error variation of the model of deep-learning neutral network

1）面向應用領(lǐng)域設(shè)計層次化信息融合解決方案。面對不同類型的應用領(lǐng)域，該方案可以快速分解和降低全局問題分析的復雜度、提高求解質(zhì)量，特別是在當前技術(shù)水平和算法工具無法直接進行全局求解時，通過對具體應用領(lǐng)域的特點剖析和問題劃分，采用“多級分而治之+單級最優(yōu)逼近”的層次化信息融合方案，可以有效緩解通用融合技術(shù)特征提取不準確、目標識別精度低等問題，提升最終目標識別的有效性和準確率。

2）進一步加強人工智能技術(shù)在信息融合中的應用。當前，神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、支持向量機等方法應用到數(shù)據(jù)處理、數(shù)據(jù)關(guān)聯(lián)、目標判決等信息融合中，可以實現(xiàn)不同類型特征提取，減少數(shù)據(jù)計算量。但與實際應用問題結(jié)合時會面臨模型構(gòu)建過程復雜、易受錯誤數(shù)據(jù)干擾、預測結(jié)果精度受限、缺乏統(tǒng)一評判標準等問題。因此，需要構(gòu)建面向功能的智能化、拓撲式的模型高效開發(fā)平臺，探索神經(jīng)網(wǎng)絡(luò)等模型架構(gòu)的系統(tǒng)性優(yōu)化策略，研究模型網(wǎng)絡(luò)的容錯和抗干擾能力提升，統(tǒng)籌基于知識和信息的系統(tǒng)測試和評定方法、標準問題[13]等。

3）逐步構(gòu)建系統(tǒng)化的先驗知識庫。在一個信息系統(tǒng)中，知識和推理起到?jīng)Q定性作用，隨著信息的積累，形成的知識可以在特定情況下對其進行抽象。先驗知識庫的建立與完善是發(fā)展決策級信息融合技術(shù)的核心，充分發(fā)揮先驗知識庫的作用將是解決信息融合實際應用中計算量大、數(shù)據(jù)結(jié)構(gòu)復雜、誤判虛警嚴重等問題的關(guān)鍵，對未來深遠海探打體系構(gòu)建、環(huán)境態(tài)勢感知等領(lǐng)域應用意義重大。

4 結(jié) 語

當前，信息融合技術(shù)已成為現(xiàn)代軍事及民用中重要的數(shù)據(jù)分析和決策手段。但是，通用的融合技術(shù)應用于深遠海探測目標識別等具體領(lǐng)域時，在信息獲取、特征融合和目標判定等方面還存在諸多技術(shù)難點。本文提出層次化的信息融合和加入先驗知識的方法，能夠更加有效地提高特征融合質(zhì)量、減少目標判決失誤等。未來，隨著層次化信息獲取平臺快速構(gòu)建，更先進融合策略深入研究，人工智能技術(shù)不斷升級，先驗知識庫系統(tǒng)化逐步完善，將會有更多、更廣泛的多源信息融合系統(tǒng)工程落地，在海洋水下目標識別、環(huán)境信息感知等領(lǐng)域中發(fā)揮出更大的作用。