熊振宇, 崔亞奇, 熊 偉, 顧祥岐

(海軍航空大學(xué)信息融合研究所, 山東 煙臺(tái) 264001)

0 引 言

隨著監(jiān)視技術(shù)的不斷發(fā)展,對(duì)目標(biāo)的探測(cè)手段日益增多,探測(cè)能力逐步增強(qiáng)。然而不同探測(cè)手段所獲取的數(shù)據(jù)間差異不斷增大,對(duì)于當(dāng)前有限的關(guān)聯(lián)融合能力,不僅沒(méi)有提升整體的監(jiān)視能力,還導(dǎo)致了更多問(wèn)題。多源數(shù)據(jù)關(guān)聯(lián)主要用于判斷對(duì)同一目標(biāo)描述的一致性[1],是多源數(shù)據(jù)融合的前提和基礎(chǔ),在軍事和民用領(lǐng)域都有廣泛的應(yīng)用[2-5]。例如目標(biāo)識(shí)別、海洋監(jiān)視、目標(biāo)跟蹤、環(huán)境監(jiān)測(cè)等。本文主要研究衛(wèi)星和雷達(dá)位置數(shù)據(jù)間的關(guān)聯(lián)問(wèn)題。衛(wèi)星探測(cè)范圍廣、重訪周期長(zhǎng)、定位精度差,一般在監(jiān)視過(guò)程中用于大范圍探測(cè)[6];雷達(dá)探測(cè)范圍小,更新周期短,定位精度高,一般在監(jiān)視過(guò)程中用于目標(biāo)的連續(xù)跟蹤監(jiān)視[7]。衛(wèi)星與雷達(dá)之間的關(guān)聯(lián)可以將兩者的信息有效綜合起來(lái),互補(bǔ)兩類信息各自的不足,實(shí)現(xiàn)目標(biāo)的完全掌握。為有效綜合集成空間信息網(wǎng)絡(luò)中的多源信息,形成多手段聯(lián)合的預(yù)警探測(cè)體系,大差異多源信息關(guān)聯(lián)是最亟待突破的難題[8-10]。

為解決多源數(shù)據(jù)關(guān)聯(lián)問(wèn)題,文獻(xiàn)[11-13]以雷達(dá)與無(wú)源雷達(dá)兩種手段間關(guān)聯(lián)為背景,解決雷達(dá)信息與定位精度差的無(wú)源雷達(dá)信息間的關(guān)聯(lián)問(wèn)題。文獻(xiàn)[14]利用傳統(tǒng)方法提取出艦船目標(biāo)的拓?fù)浣Y(jié)構(gòu)特征和屬性特征,同時(shí)引入了Dempster-Shafer(簡(jiǎn)稱為DS)證據(jù)理論[15]解決了成像遙感信息和衛(wèi)星電子信息間的艦船目標(biāo)關(guān)聯(lián)問(wèn)題。文獻(xiàn)[16]采用相干點(diǎn)集(coherent point set, CPS)分析法建立多模態(tài)融合模型,利用成像遙感信息和衛(wèi)星電子信息中目標(biāo)的位置坐標(biāo)和屬性特征實(shí)現(xiàn)關(guān)聯(lián)匹配。文獻(xiàn)[17]將高斯混合模型(Gaussian mixture model, GMM)[18]和一致性漂移算法(coherent point drift, CPD)[19]相結(jié)合,提出了非均勻GMM(inhomogeneous GMM, IGMM),采用期望最大值(expectation maximum, EM)[20]計(jì)算關(guān)聯(lián)匹配結(jié)果。以上解決多源數(shù)據(jù)關(guān)聯(lián)問(wèn)題都采用了迭代優(yōu)化的傳統(tǒng)關(guān)聯(lián)方法,存在的主要缺點(diǎn)有:關(guān)聯(lián)成功率低、泛化能力弱、適用范圍有限、關(guān)聯(lián)速度慢、人工干預(yù)強(qiáng)等問(wèn)題。同時(shí)上述關(guān)聯(lián)方法僅解決了形式簡(jiǎn)單、條件理想情況下的關(guān)聯(lián)問(wèn)題,而對(duì)于雷達(dá)和衛(wèi)星圖像此類更一般、更實(shí)際、更具代表性的關(guān)聯(lián)問(wèn)題缺乏研究。

針對(duì)上述問(wèn)題,本文提出了一種衛(wèi)星與雷達(dá)位置數(shù)據(jù)自適應(yīng)關(guān)聯(lián)模型。首先基于多層神經(jīng)網(wǎng)絡(luò)(multi-layer neural network, MLN)搭建整體差異參數(shù)提取網(wǎng)絡(luò),分別提取衛(wèi)星目標(biāo)點(diǎn)和雷達(dá)目標(biāo)點(diǎn)的整體差異參數(shù)。接著采用串聯(lián)等方式整合提取到的差異參數(shù)得到全局差異參數(shù)。然后將全局參數(shù)通過(guò)設(shè)計(jì)的位移變換網(wǎng)絡(luò)實(shí)現(xiàn)兩類信源目標(biāo)的配準(zhǔn)對(duì)齊。最后根據(jù)定義的關(guān)聯(lián)判別準(zhǔn)則對(duì)配準(zhǔn)后的目標(biāo)點(diǎn)進(jìn)行關(guān)聯(lián)判斷。仿真實(shí)驗(yàn)結(jié)果表明,該模型能夠很好地適應(yīng)隊(duì)形變換、定位出差、虛警漏報(bào)等場(chǎng)景,有效提高了關(guān)聯(lián)速度和精度。

1 問(wèn)題描述

假設(shè)同一時(shí)刻衛(wèi)星在某一區(qū)域內(nèi)探測(cè)到目標(biāo)點(diǎn)位置集合為S,雷達(dá)探測(cè)到目標(biāo)點(diǎn)位置集合為G。由于雷達(dá)探測(cè)較為連續(xù),可以雷達(dá)為參考,衛(wèi)星向雷達(dá)進(jìn)行關(guān)聯(lián)。實(shí)測(cè)數(shù)據(jù)分析發(fā)現(xiàn),衛(wèi)星量測(cè)與雷達(dá)量測(cè)間受時(shí)間間隔和定位誤差的影響產(chǎn)生較大的空間差異。其中受時(shí)間間隔影響,目標(biāo)點(diǎn)位置的整體差異具有一致性,同時(shí)每個(gè)點(diǎn)受定位誤差的影響,目標(biāo)點(diǎn)之間的差異還具有個(gè)體波動(dòng)性。因此,雷達(dá)與衛(wèi)星量測(cè)點(diǎn)關(guān)聯(lián)問(wèn)題可描述為

(1)

2 模型設(shè)計(jì)

衛(wèi)星與雷達(dá)探測(cè)的目標(biāo)點(diǎn)空間差異性大,難以直接進(jìn)行關(guān)聯(lián)匹配,需對(duì)兩種信源中每個(gè)目標(biāo)點(diǎn)先配準(zhǔn)對(duì)齊,再關(guān)聯(lián)判斷,同時(shí)空間差異函數(shù)ο(·)的優(yōu)化不受映射函數(shù)m的影響,而映射函數(shù)m取決于空間差異函數(shù)ο(·)的優(yōu)化程度。所以采取先優(yōu)化空間差異函數(shù)ο(xs(i),λ),后優(yōu)化映射函數(shù)m(i)的思路設(shè)計(jì)模型。

(1) 對(duì)于優(yōu)化ο(xs(i),λ),采取先整體后個(gè)體的方式進(jìn)行模型設(shè)計(jì),網(wǎng)絡(luò)模型如圖1所示。

圖1 網(wǎng)絡(luò)模型

衛(wèi)星目標(biāo)點(diǎn)xs(i)通過(guò)位移變換Γ能夠逼近對(duì)應(yīng)關(guān)聯(lián)的雷達(dá)目標(biāo)點(diǎn)xr(m(i))。衛(wèi)星目標(biāo)點(diǎn)xs(i)的變換過(guò)程為

Γ(xs(i),o)=xs(i)+o(xs(i),λ)

(2)

首先利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的信息提取能力,采用MLN和最大池化函數(shù)提取衛(wèi)星和雷達(dá)目標(biāo)點(diǎn)的整體差異參數(shù)λ。再利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的函數(shù)逼近能力,將整體差異參數(shù)λ與衛(wèi)星目標(biāo)點(diǎn)集S串聯(lián)整合后通過(guò)多層神經(jīng)網(wǎng)絡(luò)估計(jì)衛(wèi)星目標(biāo)點(diǎn)到雷達(dá)目標(biāo)點(diǎn)的位移變換ο(xs(i),λ)。

(2) 對(duì)于優(yōu)化映射函數(shù)m(i),通過(guò)先計(jì)算關(guān)聯(lián)矩陣再采用最大關(guān)聯(lián)系數(shù)法配對(duì)實(shí)現(xiàn)每個(gè)雷達(dá)目標(biāo)點(diǎn)和位移后的衛(wèi)星目標(biāo)點(diǎn)間的關(guān)聯(lián)。

2.1 整體差異參數(shù)提取

時(shí)間間隔導(dǎo)致衛(wèi)星與雷達(dá)目標(biāo)點(diǎn)的空間差異具有一致性,設(shè)計(jì)整體差異參數(shù)提取網(wǎng)絡(luò)提取出目標(biāo)點(diǎn)顯著性的差異特征。整體差異參數(shù)提取網(wǎng)絡(luò)如圖2所示。

圖2 整體差異參數(shù)提取網(wǎng)絡(luò)

首先,將衛(wèi)星和雷達(dá)目標(biāo)點(diǎn)集合D={(S,G)|S,G?R2}作為網(wǎng)絡(luò)的輸入部分,該網(wǎng)絡(luò)采用了含有Relu激活函數(shù)的多層神經(jīng)網(wǎng)絡(luò):{fi}i=1,2,…,t,其中t為網(wǎng)絡(luò)的層數(shù),然后將網(wǎng)絡(luò)的輸出通過(guò)最大池化函數(shù)進(jìn)行歸一化處理,提取到整體差異參數(shù)λ={(λS,λG)|λS,λG?Rd},其中d為參數(shù)的維度,最后將提取到的差異參數(shù)串聯(lián)[λS,λG]。整體差異參數(shù)提取網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。該網(wǎng)絡(luò)的表達(dá)式為

λS=Maxpool{ftft-1…f1(xs(i))}xs(i)∈S

(3)

λG=Maxpool{ftft-1…f1(xr(j))}xr(j)∈G

(4)

表1 整體差異參數(shù)提取網(wǎng)絡(luò)結(jié)構(gòu)

該網(wǎng)絡(luò)采用了5層MLN結(jié)構(gòu),即t=5,網(wǎng)絡(luò)輸出的維度為512維,即d=512。其中,M為訓(xùn)練過(guò)程中每一批次數(shù)據(jù)的大小。

2.2 位移變換估計(jì)

在位移變換的過(guò)程中,通過(guò)第2.1節(jié)所提網(wǎng)絡(luò)不僅能夠讓衛(wèi)星數(shù)據(jù)中的目標(biāo)和雷達(dá)數(shù)據(jù)中的目標(biāo)盡可能重合,同時(shí)還能保證位移變換函數(shù)連續(xù)且平滑。位移變換估計(jì)網(wǎng)絡(luò)如圖3所示。

圖3 位移變換估計(jì)網(wǎng)絡(luò)

首先將串聯(lián)后的整體差異參數(shù)[λS,λG]復(fù)制N次,目的是讓復(fù)制后的維度與衛(wèi)星數(shù)據(jù)的維度相同;然后將衛(wèi)星數(shù)據(jù)與復(fù)制后的差異參數(shù)串聯(lián)得到全局差異參數(shù)[λS,λG,xs(i)];最后將全局差異參數(shù)作為輸入通過(guò)帶有Relu激活函數(shù)的多層神經(jīng)網(wǎng)絡(luò):{gi}i=1,2,…,s中,所以空間差異函數(shù)為o=gsgs-1…g1。位移變換估計(jì)網(wǎng)絡(luò)的表達(dá)式為

dxs(i)=gsgs-1…g1([λS,λG,xs(i)])

(5)

(6)

表2 位移變換估計(jì)網(wǎng)絡(luò)結(jié)構(gòu)

考慮到衛(wèi)星數(shù)據(jù)與雷達(dá)數(shù)據(jù)中每個(gè)目標(biāo)點(diǎn)都存在對(duì)應(yīng)關(guān)系,采用倒角距離[21]進(jìn)行度量。為了讓衛(wèi)星數(shù)據(jù)的目標(biāo)點(diǎn)經(jīng)位移變換后與雷達(dá)數(shù)據(jù)的目標(biāo)點(diǎn)距離接近,該模型的損失函數(shù)倒角損失定義如下:

(7)

式中,θ為該關(guān)聯(lián)網(wǎng)絡(luò)模型中需要訓(xùn)練的參數(shù);β為超參數(shù),在實(shí)驗(yàn)中β=0.1。

2.3 關(guān)聯(lián)判決

(8)

基于以上原則采用最大關(guān)聯(lián)系數(shù)法進(jìn)行關(guān)聯(lián)判斷,具體過(guò)程如下:

(2) 然后,從關(guān)聯(lián)系數(shù)矩陣C(i,j)中刪除最大元素cij所對(duì)應(yīng)的行和列元素,得到新的降階關(guān)聯(lián)矩陣C1(i,j),但原矩陣的行、列號(hào)(即數(shù)據(jù)中對(duì)應(yīng)的目標(biāo))保持不變,從降階矩陣C1(i,j)中找到新的最大值以判定該下標(biāo)對(duì)應(yīng)目標(biāo)的關(guān)聯(lián)；

(3) 重復(fù)上述過(guò)程直到求出降階關(guān)聯(lián)矩陣CN-1(i,j)中的最大元素。

3 仿真分析

為充分驗(yàn)證自適應(yīng)關(guān)聯(lián)模型算法的有效性,分別進(jìn)行數(shù)據(jù)集構(gòu)建、仿真場(chǎng)景驗(yàn)證和對(duì)比實(shí)驗(yàn)。根據(jù)實(shí)際情況,在仿真實(shí)驗(yàn)中考慮了4種仿真場(chǎng)景,分別驗(yàn)證所提模型算法在處理艦船編隊(duì)隊(duì)形變換、定位誤差、虛警、漏檢等情況時(shí)的適應(yīng)能力。在對(duì)比試驗(yàn)中,將傳統(tǒng)GMM算法與本文模型算法進(jìn)行對(duì)比。仿真場(chǎng)景驗(yàn)證和對(duì)比實(shí)驗(yàn)都采用了20 000組訓(xùn)練集和20 000組測(cè)試集。整個(gè)實(shí)驗(yàn)是在Tensorflow框架下的一個(gè)64位工作站上進(jìn)行的,該工作站主要配置為Ubuntu 16.04、32gb RAM、8intel(R)Core(TM)i7-6770kcpu和NVIDIA GTX 1080Ti×2。

3.1 數(shù)據(jù)集構(gòu)建

根據(jù)艦船編隊(duì)實(shí)際場(chǎng)景,首先構(gòu)建訓(xùn)練數(shù)據(jù)集。衛(wèi)星數(shù)據(jù)的生成是通過(guò)對(duì)某一單元區(qū)域內(nèi)隨機(jī)選取11個(gè)目標(biāo)點(diǎn)(即N=11)。假設(shè)雷達(dá)上報(bào)數(shù)據(jù)時(shí)間晚于衛(wèi)星上報(bào)數(shù)據(jù)時(shí)間,將衛(wèi)星數(shù)據(jù)進(jìn)行平移得到雷達(dá)數(shù)據(jù),在平移過(guò)程中涉及的參數(shù)有x坐標(biāo)軸平移量Δx∈[-5,5],y坐標(biāo)軸平移量Δy∈[-5,5]。考慮到艦船的隊(duì)形可能發(fā)生變化,即雷達(dá)數(shù)據(jù)中的位置坐標(biāo)點(diǎn)發(fā)生了非剛性形變,引入形變因子l。

測(cè)試數(shù)據(jù)集的構(gòu)建大致與訓(xùn)練數(shù)據(jù)相同。主要考慮以下4種場(chǎng)景。

(1) 仿真場(chǎng)景1:考慮到兩種觀測(cè)手段存在時(shí)間間隔。在此期間,艦船編隊(duì)發(fā)生位移和隊(duì)形變化,即雷達(dá)數(shù)據(jù)相對(duì)于衛(wèi)星數(shù)據(jù)發(fā)生平移和非剛性形變,具體參數(shù)設(shè)置與訓(xùn)練集構(gòu)建相同。

(2) 仿真場(chǎng)景2:考慮到兩種觀測(cè)手段所獲取的數(shù)據(jù)在定位精度上存在偏差。在場(chǎng)景1基礎(chǔ)上對(duì)雷達(dá)數(shù)據(jù)G中的每個(gè)位置坐標(biāo)點(diǎn)添加位置噪聲。位置噪聲采用均值unoise=0,標(biāo)準(zhǔn)差σnoise=f的高斯噪聲,其中f為噪聲因子。

(3) 仿真場(chǎng)景3:考慮到獲取的數(shù)據(jù)可能存在虛警點(diǎn),在場(chǎng)景2基礎(chǔ)上對(duì)雷達(dá)目標(biāo)點(diǎn)集合G中添加N×r個(gè)出格點(diǎn),其中r為出格點(diǎn)比率。

(4) 仿真場(chǎng)景4:考慮到獲取的數(shù)據(jù)可能存在漏警點(diǎn),在場(chǎng)景2基礎(chǔ)上對(duì)雷達(dá)目標(biāo)點(diǎn)集合G中減少N×s個(gè)缺失點(diǎn),其中s為缺失點(diǎn)比率。

3.2 仿真場(chǎng)景驗(yàn)證

(1) 仿真場(chǎng)景1

假設(shè)雷達(dá)和衛(wèi)星檢測(cè)概率為100%,即不存在虛警和漏警點(diǎn)。雷達(dá)數(shù)據(jù)的獲取時(shí)刻晚于衛(wèi)星數(shù)據(jù)的獲取時(shí)刻,在這段時(shí)間內(nèi)艦船編隊(duì)發(fā)生機(jī)動(dòng),隊(duì)形產(chǎn)生形變。通過(guò)增加形變因子l的值,驗(yàn)證模型對(duì)艦船編隊(duì)發(fā)生隊(duì)形變化的適應(yīng)能力。l越大則雷達(dá)數(shù)據(jù)目標(biāo)點(diǎn)發(fā)生非剛性形變的形變量越大,實(shí)驗(yàn)結(jié)果如圖4所示。第1列表示訓(xùn)練前衛(wèi)星和雷達(dá)目標(biāo)點(diǎn)的位置關(guān)系,其中紅色代表衛(wèi)星探測(cè)到的目標(biāo)點(diǎn),而藍(lán)色代表雷達(dá)探測(cè)到的目標(biāo)點(diǎn)。第2列表示位移變換時(shí)每個(gè)衛(wèi)星目標(biāo)點(diǎn)的移動(dòng)軌跡。第3列表示經(jīng)過(guò)目標(biāo)點(diǎn)位移變換后衛(wèi)星數(shù)據(jù)與雷達(dá)數(shù)據(jù)的目標(biāo)點(diǎn)位置關(guān)系。實(shí)驗(yàn)分別測(cè)試了l分別取0.3、0.9和1.5時(shí)的匹配效果。

圖4 仿真場(chǎng)景1的關(guān)聯(lián)結(jié)果

實(shí)驗(yàn)結(jié)果表明,形變因子較小時(shí)匹配結(jié)果精確,有相同標(biāo)號(hào)的點(diǎn)幾乎完全重合;隨著形變因子增大,雷達(dá)目標(biāo)的整體編隊(duì)結(jié)構(gòu)產(chǎn)生劇烈變化,加大了匹配難度。從最終匹配結(jié)果可以看出,雖然部分點(diǎn)沒(méi)有完全重合,但有相同標(biāo)號(hào)的點(diǎn)距離更近。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計(jì)算,l分別取0.3、0.9和1.5時(shí)的關(guān)聯(lián)準(zhǔn)確率分別為100%、81%、64%。

(2) 仿真場(chǎng)景2

假設(shè)雷達(dá)和衛(wèi)星數(shù)據(jù)不存在虛警和漏警點(diǎn)。雷達(dá)數(shù)據(jù)的獲取時(shí)刻晚于衛(wèi)星數(shù)據(jù)的獲取時(shí)刻,在這段時(shí)間內(nèi)艦船編隊(duì)發(fā)生機(jī)動(dòng),隊(duì)形產(chǎn)生形變,形變因子l=0.3。通過(guò)增加噪聲因子f的值,驗(yàn)證模型的抗噪聲能力。實(shí)驗(yàn)結(jié)果如圖5所示,實(shí)驗(yàn)分別測(cè)試了f分別取0.1、0.3和0.5時(shí)的匹配效果。

圖5 仿真場(chǎng)景2的關(guān)聯(lián)結(jié)果

實(shí)驗(yàn)結(jié)果表明，噪聲因子較小時(shí),經(jīng)過(guò)目標(biāo)點(diǎn)位移變換后的衛(wèi)星數(shù)據(jù)與雷達(dá)數(shù)據(jù)目標(biāo)點(diǎn)匹配結(jié)果精確,重合度高。當(dāng)噪聲因子增大,雷達(dá)目標(biāo)點(diǎn)的相對(duì)位置發(fā)生較大改變時(shí),通過(guò)本文提出的自適應(yīng)關(guān)聯(lián)模型后,衛(wèi)星數(shù)據(jù)與雷達(dá)數(shù)據(jù)目標(biāo)點(diǎn)匹配結(jié)果較差,但單純依靠位置信息,人眼難以判別。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計(jì)算,f分別取0.05、0.1和0.2時(shí)的關(guān)聯(lián)準(zhǔn)確率分別為100%、64%、36%。

(3) 仿真場(chǎng)景3

假設(shè)雷達(dá)數(shù)據(jù)存在虛警,在雷達(dá)數(shù)據(jù)中添加額外的出格點(diǎn),虛警率用出格點(diǎn)比率表示。雷達(dá)數(shù)據(jù)的獲取時(shí)刻晚于衛(wèi)星數(shù)據(jù)的獲取時(shí)刻,在這段時(shí)間內(nèi)艦船編隊(duì)發(fā)生機(jī)動(dòng),隊(duì)形產(chǎn)生形變，形變因子l=0.3,噪聲因子f=0.05。通過(guò)增加出格點(diǎn)比率r的值,驗(yàn)證模型的抗虛警能力。實(shí)驗(yàn)結(jié)果如圖6所示,實(shí)驗(yàn)分別測(cè)試了r分別取0.09、0.27和0.45時(shí)的目標(biāo)匹配效果。

實(shí)驗(yàn)結(jié)果表明,當(dāng)出格點(diǎn)的個(gè)數(shù)較少時(shí),提出的模型結(jié)構(gòu)能夠很好地忽略掉出格點(diǎn),保持衛(wèi)星數(shù)據(jù)和雷達(dá)數(shù)據(jù)目標(biāo)點(diǎn)間的匹配;當(dāng)出格點(diǎn)個(gè)數(shù)較多時(shí),與密集出格點(diǎn)臨近的目標(biāo)在匹配時(shí)受到影響,發(fā)生錯(cuò)匹配,但離出格點(diǎn)較遠(yuǎn)的目標(biāo)依然能夠保持很好的局部完整性,匹配結(jié)果精確。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計(jì)算,r分別取0.09、0.27和0.45時(shí)的關(guān)聯(lián)準(zhǔn)確率分別為100%、64%、55%。

(4) 仿真場(chǎng)景4

假設(shè)雷達(dá)數(shù)據(jù)存在漏警,隨機(jī)刪除雷達(dá)數(shù)據(jù)中的目標(biāo)點(diǎn)作為缺失點(diǎn),漏警率用缺失點(diǎn)比率表示。雷達(dá)數(shù)據(jù)的獲取時(shí)刻晚與衛(wèi)星數(shù)據(jù)的獲取時(shí)刻,在這段時(shí)間內(nèi)艦船編隊(duì)發(fā)生機(jī)動(dòng),隊(duì)形產(chǎn)生形變，形變因子l=0.3,噪聲因子f=0.05。通過(guò)缺失點(diǎn)比率s的值,驗(yàn)證模型的抗漏警能力。實(shí)驗(yàn)結(jié)果如圖7所示,實(shí)驗(yàn)分別測(cè)試了s分別取0.09、0.27和0.45時(shí)的目標(biāo)匹配效果。

圖6 仿真場(chǎng)景3的關(guān)聯(lián)結(jié)果

圖7 仿真場(chǎng)景4的關(guān)聯(lián)結(jié)果

實(shí)驗(yàn)結(jié)果表明,缺失點(diǎn)個(gè)數(shù)較小時(shí),能夠保持雷達(dá)數(shù)據(jù)中編隊(duì)目標(biāo)的整體輪廓,匹配結(jié)果精確;當(dāng)缺失點(diǎn)個(gè)數(shù)較多時(shí),只能保持編隊(duì)目標(biāo)的局部輪廓,部分局部點(diǎn)匹配正確。根據(jù)第2.3節(jié)中定義的關(guān)聯(lián)判別準(zhǔn)則計(jì)算,s分別取0.09、0.27和0.45時(shí)的關(guān)聯(lián)準(zhǔn)確率分別為90%、75%、67%。

3.3 對(duì)比試驗(yàn)

與現(xiàn)有的傳統(tǒng)關(guān)聯(lián)模型不同,本文提出一種學(xué)習(xí)型的自適應(yīng)關(guān)聯(lián)模型,為了驗(yàn)證該模型的泛化能力和關(guān)聯(lián)效率,與GMM進(jìn)行對(duì)比時(shí)主要考慮關(guān)聯(lián)耗時(shí)和平均關(guān)聯(lián)準(zhǔn)確率兩項(xiàng)指標(biāo)。

根據(jù)本文模擬的4種仿真場(chǎng)景,計(jì)算不同條件下模型在測(cè)試集中的平均關(guān)聯(lián)準(zhǔn)確率,實(shí)驗(yàn)結(jié)果如圖8所示。

圖8 與GMM算法實(shí)驗(yàn)結(jié)果對(duì)比

在圖8(a)中,當(dāng)雷達(dá)目標(biāo)點(diǎn)發(fā)生非剛性變換,本文算法相比于GMM算法適應(yīng)能力更強(qiáng)。當(dāng)形變因子小于0.6時(shí),本文算法的平均關(guān)聯(lián)準(zhǔn)確率在90%以上,而GMM算法的最高平均關(guān)聯(lián)準(zhǔn)確率不到90%。隨著形變程度的增加,本文算法的準(zhǔn)確率緩慢下降,而GMM算法下降較快,無(wú)法應(yīng)對(duì)較大的非剛性形變。當(dāng)形變因子達(dá)到2.0時(shí),本文算法準(zhǔn)確率依然能夠達(dá)到50%以上,而GMM算法準(zhǔn)確率不到30%,難以進(jìn)行關(guān)聯(lián)。

在圖8(b)中,隨著噪聲因子的增加,兩種算法的準(zhǔn)確率都下降較快,難以克服高噪聲的情況,但本文算法的關(guān)聯(lián)準(zhǔn)確率整體優(yōu)于GMM算法。在圖8(c)和圖8(d)中,本文算法在應(yīng)對(duì)出格點(diǎn)和失格點(diǎn)的情況明顯優(yōu)于GMM算法,當(dāng)出格點(diǎn)個(gè)數(shù)較少時(shí),關(guān)聯(lián)準(zhǔn)確率較于GMM算法提升較大,表明本文算法不僅能夠?qū)崿F(xiàn)目標(biāo)點(diǎn)的全局關(guān)聯(lián),對(duì)局部目標(biāo)點(diǎn)依然能夠保持很好關(guān)聯(lián)效果。

根據(jù)仿真場(chǎng)景1中的參數(shù)設(shè)置,對(duì)比本文算法和GMM算法在形變因子為0.9時(shí)的平均關(guān)聯(lián)準(zhǔn)確率和關(guān)聯(lián)時(shí)間,實(shí)驗(yàn)結(jié)果如表3所示。

表3 與GMM算法的性能和時(shí)間對(duì)比

實(shí)驗(yàn)結(jié)果表明,本文算法在平均關(guān)聯(lián)準(zhǔn)確率和關(guān)聯(lián)時(shí)間上明顯優(yōu)于GMM算法,表現(xiàn)出很好的關(guān)聯(lián)精度和效率。這主要因?yàn)閭鹘y(tǒng)的GMM算法采用迭代優(yōu)化的策略,不同場(chǎng)景中每一次關(guān)聯(lián)過(guò)程都是相互獨(dú)立的,極大程度上限制了該算法在應(yīng)對(duì)大規(guī)模關(guān)聯(lián)任務(wù)時(shí)的有效性。而本文算法采用基于學(xué)習(xí)的策略,能夠通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行離線訓(xùn)練,同時(shí)學(xué)習(xí)到目標(biāo)點(diǎn)的全局和局部特征,在測(cè)試時(shí)關(guān)聯(lián)精度高,耗時(shí)少,能夠?qū)崟r(shí)處理大規(guī)模的關(guān)聯(lián)任務(wù)。

4 結(jié) 論

本文提出了衛(wèi)星和雷達(dá)的位置數(shù)據(jù)關(guān)聯(lián)新問(wèn)題,基于神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種自適應(yīng)的關(guān)聯(lián)算法模型,根據(jù)實(shí)際情況構(gòu)建基于位置信息的衛(wèi)星和雷達(dá)關(guān)聯(lián)數(shù)據(jù)集。仿真結(jié)果表明:該算法關(guān)聯(lián)速度快,精度高,能夠適用于大規(guī)模數(shù)據(jù)下的跨源關(guān)聯(lián)任務(wù),并且在應(yīng)對(duì)隊(duì)形變換、定位誤差、虛警漏報(bào)等情況適應(yīng)能力強(qiáng),即使出現(xiàn)整體編隊(duì)形狀變化大到人工難以關(guān)聯(lián)判斷的程度,所提算法也能給出正確有效的關(guān)聯(lián)結(jié)果。

為進(jìn)一步提高跨源關(guān)聯(lián)準(zhǔn)確率,應(yīng)對(duì)大形變、高噪聲等惡劣場(chǎng)景,下一步將采用衛(wèi)星和雷達(dá)的位置數(shù)據(jù)和特征數(shù)據(jù)相結(jié)合的方式解決兩者之間的關(guān)聯(lián)問(wèn)題,進(jìn)一步提高跨源關(guān)聯(lián)效率和準(zhǔn)確率。