蒲　勇

(江蘇自動化研究所　連云港　222061)

?

一種基于水聲特征的輔助關聯(lián)算法*

蒲勇

(江蘇自動化研究所連云港222061)

摘要針對聲納探測特性,提取了幾個有效的目標特征信息;結合水面水下目標運動規(guī)律,構建了短時位置預測模型;基于聯(lián)合概率密度關聯(lián)算法架構,提出了特征輔助的關聯(lián)算法模型,基本實現(xiàn)了利用聲納特征輔助多目標進行關聯(lián)融合,提高了復雜環(huán)境下的關聯(lián)正確率。

關鍵詞水聲; 特征輔助; 預測; 數(shù)據(jù)關聯(lián)

Data Association Method Based on Acoustic Feature

PU Yong

(Jiangsu Automation Research Institute, Lianyungang222061)

AbstractAimed at detection characteristics of sonar, some volid target feature information is extracted. Combined with surface and underwater targets move rules, target’s position prediction model for short time is designed. Based on joint probabilistic data association algorithm, featured-aided association method is provided. Simulation proves the method can use features to correlate and fuse of multi-targets, and improves correct fusion rate in complex situation.

Key Wordsacoustic, feature-aided, prediction, data association

Class NumberTP301

1引言

數(shù)據(jù)關聯(lián)是在雜波或多目標背景條件下實現(xiàn)對目標進行穩(wěn)定、正確跟蹤的關鍵技術,檢測過程中的隨機虛警、由于鄰近所關心目標的虛假反射或者輻射體產(chǎn)生的雜波、干擾目標、誘餌或其他對抗等使得量測與目標的正確關聯(lián)變得異常困難。

經(jīng)過國內外研究者數(shù)十年的研究,已經(jīng)取得了一定的研究成果[1~4]。傳統(tǒng)的數(shù)據(jù)關聯(lián)都是基于目標運動學參數(shù)(如位置、速度、加速度等)進行的,即通過對目標運動模型進行遞推獲得關于目標當前的運動學參數(shù)預測值,再與傳感器量測(或量測轉換)數(shù)據(jù)進行關聯(lián)。但在復雜應用條件特別是軍事應用中,單純基于運動學參數(shù)的數(shù)據(jù)關聯(lián)面臨著嚴峻的挑戰(zhàn):一是高度密集的雜波環(huán)境大大增加了傳感器量測數(shù)據(jù)的不確定性,從而在增加關聯(lián)算法復雜度的同時降低了關聯(lián)結果的準確性;二是多目標(尤其是量測間斷目標)環(huán)境數(shù)據(jù)關聯(lián)的復雜性和不確定性,極易導致誤跟、失跟現(xiàn)象。無論是在密集目標還是間斷量測條件下,單純通過目標運動學參數(shù)難以達到最佳的數(shù)據(jù)關聯(lián)效果。

隨著傳感器技術的發(fā)展,除了能探測目標的運動信息之外,還能獲得目標的一些特征信息,這些特征信息可能與運動學參數(shù)具有一定的相關性,也可能獨立于運動學參數(shù),但由于特征信息表征的是不同類型、個體目標所固有的獨特屬性,在減少可能關聯(lián)量測數(shù)、降低關聯(lián)配對的不確定性和維持復雜條件下對目標的穩(wěn)定跟蹤方面具有巨大的潛力,因此基于特征輔助的數(shù)據(jù)關聯(lián)算法在近年來受到越來越多的關注。

2算法思路

特征輔助的數(shù)據(jù)關聯(lián)是個較新的研究領域,其技術發(fā)展不過十多年的歷史,但這一技術在復雜條件下的目標跟蹤中卻有著廣闊的應用前景,尤其是對于水下復雜的聲探測環(huán)境而言。已有文獻提出了一些特征輔助關聯(lián)方法[5~7],如利用目標的多普勒信息、目標的徑向長度、檢測信號的幅度等。其中一些方法將目標運動要素與特征聯(lián)合處理,類似于狀態(tài)方程一樣構建特征方程,利用非線性濾波(如擴展卡爾曼濾波EKF)進行濾波處理。但是,構建的特征方程往往難以完全符合實際情況,引入的建模誤差給跟蹤性能帶來了一定的影響。

另一種思路是將目標特征信息僅用來作數(shù)據(jù)關聯(lián),而特征信息的處理單獨進行,采用專門的方法進行提取。也有相關的文獻對此進行了論述,例如利用GPDA方法的特征輔助關聯(lián)方法[8~9]。本文也采用該思路,主要思想是針對水聲探測條件下斷續(xù)、交叉等復雜情況,結合目標運動要素預測方法,在傳統(tǒng)的多目標概率關聯(lián)算法中,引入水聲特征信息進行輔助關聯(lián),提高關聯(lián)正確性。具體技術框圖如圖1所示。

圖1　特征輔助關聯(lián)示意圖

3水聲目標特征

用于數(shù)據(jù)關聯(lián)的目標特征信息需具有以下幾個特點:

1) 獲取性。這一類目標的特征信息是可以持續(xù)提取的;

2) 穩(wěn)定性。目標的特征信息相對于目標的狀態(tài)信息是不變的或者是緩變的;

3) 差異性。這一類的目標特征信息對于不同的目標是不一樣的。

由于海洋環(huán)境的復雜性和水聲信號通道的特殊性,要從艦船噪聲信號中提取既能反映目標本質特征又能滿足水下遠距離探測要求的有效特征表示,一直是這一領域的難題。目前可以采用的特征信息主要包括:

1) 目標頻率特征:表征了目標接近傳感器平臺的徑向速度。

2) 目標幅度特征:表示了信號的強弱及其變化特性。

3) LOFAR譜特征:從時、頻兩個角度對信號進行描述,含有重要的艦船目標性質信息。

4) DEMON譜特征:可以獲得諸如目標螺旋槳轉速、螺旋槳葉片數(shù)等不變的艦船物理特性。

5) 混沌特征:船舶輻射噪聲信號中存在混沌現(xiàn)象,而且不同類型的信號具有不同的分維特征[10]。

傳統(tǒng)的水聲特征主要是目標強度、頻率、功率譜等,同一類目標之間的特征區(qū)分度不強,尤其是在多個相同類型密集目標之間的關聯(lián)中無法有效支持目標與量測關聯(lián),現(xiàn)在隨著傳感器以及水聲處理技術的發(fā)展,混沌特征等新的特征信息的出現(xiàn),使得目標分類特征更加細致,更能表征目標的本質,其特征逐漸趨向個體化表征,可有效提高目標識別程度,并進一步增強關聯(lián)的正確性,未來技術發(fā)展方向是持續(xù)不斷地研究和提取能刻畫個體目標本質的新特征。另外,隨著水聲傳感器探測技術的進步和信號處理水平的提高,可能獲得多種有效的特征信息。與單特征相比,多種特征信息可以進一步保證不同目標在某種/某幾種特征信息相同/相似的情況仍有區(qū)分力,從而提高消除數(shù)據(jù)關聯(lián)模糊的能力。因此,綜合利用多種特征信息更好地輔助數(shù)據(jù)關聯(lián)是今后技術發(fā)展的一大趨勢。

4位置推算預測方法

通常情況下,水聲探測都是被動探測,在一定時間內很難獲得準確的目標運動信息,而目標方位信息具有非線性和非平穩(wěn)的特點,在僅有方位信息情況下的預測比較困難,本文采用灰色系統(tǒng)理論對目標方位序列進行預測。預測算法簡述如下:

假定原始序列為X(0)={x(0)(1)x(0)(2)…x(0)(n)},對原始序列進行累加生成序列X(1)={x(1)(1)x(1)(2)…x(1)(n)};對生成序列X(1)進行處理;而后對原始序列進行預測。算法步驟如下:

第一步:分析原始數(shù)據(jù)序列,剔除異常數(shù)據(jù),得到預處理后的數(shù)據(jù)序列。

第四步:經(jīng)典GM(1,1)模型處理。

第五步:殘差檢驗。

5水聲特征輔助關聯(lián)方法

概率數(shù)據(jù)關聯(lián)算法是最有效、最常用的關聯(lián)方法之一,其針對所有量測和目標構建了統(tǒng)一的關聯(lián)概率計算公式。在傳統(tǒng)的概率關聯(lián)算法的基礎上推導利用特征信息輔助關聯(lián)的概率計算。一般情況下,對多目標進行跟蹤建模,目標t的狀態(tài)方程描述為:

xt(k+1)=Ft(k)xt(k)+vt(k)

式中,xt(k)表示目標t在k時刻的狀態(tài)向量;Ft(k)為系統(tǒng)的狀態(tài)轉移矩陣;vt(k)是過程噪聲,假定為零均值高斯白噪聲,協(xié)方差為Qt(k)。目標t的狀態(tài)常常可以由直角坐標軸方向上的位置和速度來描述,如:

對于每個采樣時間k,傳感器得到的有效量測集為

Z(k)={z1(k),z2(k),…,zmk(k)}

其中mk為探測區(qū)域內的回波數(shù);Z(k)中包含了目標回波和雜波。則量測的累積集合可表示為

其中目標t的狀態(tài)量測方程可以描述為

其中Ht(k)為觀測矩陣;ωt(k)是零均值高斯白噪聲,協(xié)方差為Rt(k)。

在上式的基礎上,引入特征信息,得到包含特征信息的關聯(lián)概率。由于目標的特征信息與目標的狀態(tài)信息假設是獨立的或者是弱相關的,根據(jù)概率密度函數(shù)公式,引入特征信息后的事件θjt的概率密度函數(shù)可寫為pjt,pjt為量測j與目標t之間的統(tǒng)計距離,可表示為

由多事件的條件貝葉斯公式及聯(lián)合概率密度關聯(lián)方法的定義,可得量測j與目標t的關聯(lián)概率為

對應的狀態(tài)更新及協(xié)方差更新為

根據(jù)該公式系就可完成對目標t的單次跟蹤濾波。

6仿真分析

搭建仿真系統(tǒng),仿真四批目標,進行交叉運動,并且在交叉過程中丟失3分鐘量測,測試算法的處理性能。算法在運動要素關聯(lián)和預測的基礎上,結合目標水聲特征,對出現(xiàn)量測間斷情況下的多目標態(tài)勢進行關聯(lián)處理。

從圖2可以看出,提出的水聲特征輔助關聯(lián)方法對于航跡斷續(xù)的情況有著較好的關聯(lián)效果,能實現(xiàn)目標間斷量測情況下的有效關聯(lián),保持態(tài)勢生成的一致性。因為特征輔助關聯(lián)算法的效果與特征提取的準確性、特征與目標匹配的正確性以及各目標特征之間的區(qū)分性密切相關,因此在實際應用時,需要針對不同的態(tài)勢,在計算關聯(lián)概率的時候設置不同的系數(shù),調節(jié)特征信息和運動要素信息在關聯(lián)中的比重,可以結合特征提取方法進行自適應的調整,以達到更優(yōu)的效果。

圖2　特征輔助關聯(lián)情況示意圖

7結語

本文針對聲納探測特性,分析了可用于目標表征的特征信息,結合位置預測模型,在聯(lián)合概率關聯(lián)算法基礎上,構建了特征輔助的關聯(lián)算法,基本實現(xiàn)了利用水聲特征輔助進行的多目標關聯(lián),提高了關聯(lián)正確率。其性能和效果取決于特征對于目標表征的準確性、可區(qū)分性以及提取過程中的可靠性和穩(wěn)定性。后續(xù)還需在挖掘目標特征信息方面進一步研究,優(yōu)化輔助關聯(lián)算法,提高復雜環(huán)境下的數(shù)據(jù)關聯(lián)能力。

參 考 文 獻

[1] Bar-Shalom Y, Kirubarjan T, Gokberk C. Tracking with classification-aided multiframe data association[J]. IEEE Trans. on Aerospace Electronic Systems,2005,41(3):868-878.

[2] Wang J G, Luo J Q, Lv J M. Passive tracking based on dataassociation with information fusion of multi feature and multitarget[C]//M Proc. of International Conference on Neural Networks and Signal Processing,2003:686-689.1999,27(3):136-139.

[3] 占榮輝,張軍.特征輔助數(shù)據(jù)關聯(lián)研究綜述[J].系統(tǒng)工程與電子技術,2011,33(1):35-41.

[4] 趙峰.特征輔助的多目標數(shù)據(jù)關聯(lián)算法研究[D].長沙:國防科技大學,2010.

[5] Wang X Z, Muíi cki D, Ellem R, et al. Enhanced multi target tracking with Doppler measurements[C]//M Proc. of Information, Decision and Control,2007:53-58.

[6] Pace D W, Mallick M, Eldredge W. Spectral feature-aided multi target multi sensor passive sonar tracking[C]//M Proc. of Oceans,2003:2120-2126.

[7] Song T L. Most probable data association with distance and amplitude information for target tracking in clutter[C]//Proc. of IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems,2008:360-365.

[8] 郭磊,唐斌,劉剛.基于輻射源信號特征信息的JPDA無源跟蹤算法[J].電子科技大學學報,2007,36(1):27-29.

[9] 王杰貴,羅景青.基于多目標多特征信息融合數(shù)據(jù)關聯(lián)的無源跟蹤方法[J].電子學報,2004,32(6):1013-1016.

[10] 李亞安,徐德民,張效民.基于混沌理論的水下目標信號特征提取研究[J].兵工學報,2002,23(2):279-281.

中圖分類號TP301

DOI:10.3969/j.issn.1672-9730.2016.03.037

作者簡介:蒲勇,男,碩士,高級工程師,研究方向:指控系統(tǒng)和信息綜合處理。

收稿日期:2015年9月12日,修回日期:2015年10月26日