崔亞奇 徐平亮* 龔 誠 余舟川 張建廷 于洪波 董 凱

①(海軍航空大學信息融合研究所 煙臺 264001)

②(91001部隊 北京 100000)

③(91977部隊 北京 100000)

1 引言

多源航跡關聯(lián)問題在雷達數(shù)據(jù)處理領域中普遍存在，其中也包含中斷航跡接續(xù)關聯(lián)問題，并且有著較長的研究歷史，是目標跟蹤[1]、態(tài)勢感知[2]、信息融合[3]的前提和基礎。中斷航跡可以表述為：在對目標進行跟蹤的過程中，受目標機動、平臺機動、長采樣間隔、低探測概率等多種因素影響，存在大量的航跡中斷現(xiàn)象，即目標的當前航跡突然消失，一段時間后又在臨近區(qū)域重新起始跟蹤一條新的航跡。多源航跡可以表述為：在對目標進行跟蹤的過程中，經(jīng)過不同傳感器的觀測，上報了對同一目標的多個航跡，各個航跡包含不同的系統(tǒng)誤差和隨機誤差。對于這兩種航跡關聯(lián)問題，傳統(tǒng)方法需要預先假定目標的運動模型，利用目標的先驗信息，采用統(tǒng)計估計理論對待關聯(lián)航跡進行復雜計算完成關聯(lián)任務[4–8]，存在假設不合理、先驗信息難以獲取、門限無法確定等問題。

近年來，隨著人工智能和深度學習技術的快速發(fā)展，有學者提出采用基于深度學習的數(shù)據(jù)驅(qū)動方法完成航跡關聯(lián)任務，利用神經(jīng)網(wǎng)絡提取航跡的運動特征、中斷特征、多源誤差特征等信息，通過損失函數(shù)對高維空間中的航跡特征進行約束，實現(xiàn)從航跡數(shù)據(jù)到關聯(lián)結(jié)果的映射[9–11]。與傳統(tǒng)方法相比，深度學習方法可以基于實測航跡數(shù)據(jù)，自動訓練航跡關聯(lián)模型，有效避免了人工對模型的選取、目標運動參數(shù)的設置、目標先驗信息的采集分析等大量調(diào)試操作，具有關聯(lián)速度快、關聯(lián)精度高、泛化能力強等優(yōu)點。

然而，采用深度學習方法實現(xiàn)航跡關聯(lián)任務，其網(wǎng)絡訓練必須依賴大量的航跡數(shù)據(jù)。以上研究均基于仿真數(shù)據(jù)或采集到的少量真實數(shù)據(jù)，缺乏一個統(tǒng)一的、規(guī)范的、規(guī)模大的航跡關聯(lián)數(shù)據(jù)集。在深度學習發(fā)展較為成熟的領域，均有相關的高質(zhì)量數(shù)據(jù)集作為支撐，例如圖像分類中的ImageNet數(shù)據(jù)集[12]、目標檢測和分割的PASCAL-VOC數(shù)據(jù)集[13]和COCO數(shù)據(jù)集[14]、遙感圖像分類的AID數(shù)據(jù)集[15]、遙感圖像檢索的RSICD數(shù)據(jù)集[16]、自動駕駛的KITTI數(shù)據(jù)集[17]、各類醫(yī)學影像數(shù)據(jù)集[18–20]，等等。可以說，在深度學習領域，數(shù)據(jù)逐漸達到了與模型和算法同等重要的程度，必須有統(tǒng)一的、規(guī)范的、規(guī)模大的高質(zhì)量數(shù)據(jù)集，才能為某一相關研究的發(fā)展提供基本保障。但是，航跡關聯(lián)數(shù)據(jù)集在國內(nèi)外的構(gòu)建還是一個空白，航跡關聯(lián)數(shù)據(jù)集的缺失成為制約基于數(shù)據(jù)驅(qū)動的航跡關聯(lián)研究的主要因素。因此，構(gòu)建一個與航跡關聯(lián)任務相適應的數(shù)據(jù)集對相關研究的發(fā)展具有重要意義。

考慮到智能關聯(lián)算法研究的迫切需求和多雷達協(xié)同觀測航跡數(shù)據(jù)獲取困難，針對航跡關聯(lián)數(shù)據(jù)集缺失問題，該文公開了多源航跡關聯(lián)數(shù)據(jù)集(Multisource Track Association Dataset, MTAD)，其由全球自動識別系統(tǒng)(Automatic Identification System, AIS)航跡數(shù)據(jù)經(jīng)柵格劃分、自動中斷和噪聲添加處理步驟構(gòu)建。該數(shù)據(jù)集包括訓練集和測試集兩大部分，共有航跡百萬余條，其中訓練集包含5000個場景樣本，測試集包含1000個場景樣本，每一個場景樣本由幾個到幾百個數(shù)量不等的航跡構(gòu)成，涵蓋多種運動模式、多種目標類型和長度不等的持續(xù)時間。同時，進一步對構(gòu)造的MTAD數(shù)據(jù)集進行可視化分析，詳細研究了各個柵格內(nèi)航跡的特點，證明了該數(shù)據(jù)集的豐富性、合理性和有效性。最后，作為參考，給出了關聯(lián)評價指標和關聯(lián)基線結(jié)果。

2 數(shù)據(jù)集構(gòu)建

船舶自動識別系統(tǒng)是一種廣播式的艦載應答系統(tǒng)，該系統(tǒng)能夠使船舶在公用無線信道上向附近的船舶和岸上的監(jiān)測部門持續(xù)發(fā)送自身的身份、位置、航向、航速等數(shù)據(jù)[21]。AIS系統(tǒng)具有定位精度高、船舶編碼唯一、自控時分多址聯(lián)接(SOTDMA)、電子海圖等特點，為艦船目標識別[22,23]、艦船目標跟蹤[24,25]、加強海事管理[26,27]等應用提供了可靠技術保障，在軍用和民用領域均有廣泛應用。由于其廣播式的數(shù)據(jù)發(fā)送特點，與雷達航跡數(shù)據(jù)相比，AIS航跡數(shù)據(jù)具有分布廣泛、獲取難度低和時效性好的優(yōu)點，因此這里采用全球AIS數(shù)據(jù)，構(gòu)建多源航跡關聯(lián)數(shù)據(jù)集。

2.1 AIS數(shù)據(jù)特征信息

MTAD數(shù)據(jù)集采用的基礎AIS數(shù)據(jù)特征包括目標的用戶識別碼(MMSI碼)、時間(UNIX時間戳，單位：s)、緯度(l/10000°，±90°，北為+，南為–)、經(jīng)度(1/10000°，±180°，東為+，西為–)、航速(單位：kn)、航向(單位：(°))。利用以上基礎特征通過添加中斷和多源誤差構(gòu)造MTAD數(shù)據(jù)集。

2.2 全球AIS可視化分析

全球柵格是MTAD數(shù)據(jù)集構(gòu)建的基礎，數(shù)據(jù)集中的所有場景均從全球柵格中抽取產(chǎn)生，因此柵格中的航跡質(zhì)量對于MTAD數(shù)據(jù)集的質(zhì)量至關重要。為了分析全球柵格航跡信息，在全球地圖中根據(jù)所有柵格中的MMSI數(shù)量繪制熱力圖，對MMSI數(shù)量進行可視化，結(jié)果如圖1所示。從圖1可以看出，在重要港口地帶，MMSI數(shù)量較多，在遠海區(qū)域，MMSI數(shù)量較少。各航跡在全球各個海域均廣泛分布，為數(shù)據(jù)集的構(gòu)建提供了豐富的航跡資源。

圖1 MMSI數(shù)量熱力圖

之后，進一步分析MMSI數(shù)量的分布情況。以柵格內(nèi)MMSI數(shù)量為橫軸，柵格所占比例為縱軸，繪制柱狀圖，如圖2所示。從圖2(a)可以看出，全球絕大多數(shù)柵格中的MMSI數(shù)量在300個以下，但也存在一些柵格中的MMSI數(shù)量達到了2000個以上。為了更細致地分析MMSI數(shù)量在0～300個的柵格比例，將MMSI數(shù)量在0-300個的柵格重新繪制其柱狀圖，如從圖2(b)所示。圖2(b)可以看出，在MMSI在0～300個的各個分段均有柵格分布，全面的AIS航跡庫為稀疏場景、普通場景、密集場景的構(gòu)建提供了豐富的航跡資源。

圖2 MMSI數(shù)量分布柱狀圖

2.3 整體思路

航跡關聯(lián)數(shù)據(jù)集包括多個關聯(lián)場景樣本，每個關聯(lián)樣本包括信源航跡CSV文件和關聯(lián)映射表CSV文件，信源航跡CSV文件包括兩個信源的多條航跡，兩個信源可設置為艦載雷達、機載雷達或岸基雷達等不同類型。

關聯(lián)樣本生成流程如圖3所示，包括參數(shù)設置、基于空間柵格的真值航跡抽取和信源航跡生成等3個步驟。

圖3 關聯(lián)樣本生成流程圖

2.4 參數(shù)設置

參數(shù)設置包括場景設置、目標設置和信源設置。

2.4.1 場景設置場景設置主要對柵格精度和場景中心經(jīng)緯度進行設置。其中柵格精度α，用于全球柵格劃分，表示對全球經(jīng)緯度劃分的最小間隔；場景中心經(jīng)緯度W0，用于后續(xù)空間柵格的平移。

2.4.2 目標設置

2.4.3 信源設置

信源設置主要對信源1和信源2的探測特性進行設置。主要參數(shù)包括更新周期、目標發(fā)現(xiàn)概率、航跡開始時間范圍、航跡結(jié)束時間范圍、最小持續(xù)時間、中斷頻率、中斷時間范圍、位置系統(tǒng)偏差、航跡質(zhì)量噪聲(高斯噪聲或瑞利噪聲)。

2.5 基于空間柵格的真值航跡抽取

基于空間柵格的真值航跡抽取包括AIS基礎航跡庫構(gòu)建和真值航跡抽取兩個步驟。

2.5.1 AIS基礎航跡庫構(gòu)建

AIS基礎航跡庫的構(gòu)建步驟為：

(1)從AIS數(shù)據(jù)文件中，按照MMSI號對單個目標航跡進行抽取，存為CSV文件，文件名為MMSI號。

(2)對單個目標航跡進行預處理，包括拆分長時間未更新航跡，刪除靜止、速度過低航跡，刪除采樣點跳變航跡，刪除過短航跡。

(a)拆分長時間未更新航跡。航跡的更新時間每大于600 s就將航跡截斷一次，直至航跡結(jié)束。具體實施步驟為：

①設置初始索引I Ds=0 ， 終止索引I De=0；

②遍歷航跡中的每個采樣點，計算后一采樣點與前一采樣點之間的時間差?T=Te?Ts， 并令IDe等于后一采樣點對應的索引；

③如果前后兩個采樣點的時間差 ?T>600 s，保存[ IDs,IDe] 之 間的航跡，并設置I Ds=IDe+1；

④重復①—③，直到航跡結(jié)束，并保存[IDs,IDe]之間的航跡。

(b)刪除靜止、速度過低航跡。對(a)中保存的航跡進行處理，若平均航速小于等于1，且經(jīng)度最大值減經(jīng)度最小值小于等于0.5，且緯度最大值減緯度最小值小于等于0.5，該航跡不保存。約束條件如式(3)所示。

(c)刪除采樣點跳變航跡。對(b)中保存的航跡進行處理，遍歷航跡中的每個采樣點，若前后兩點之間經(jīng)度差的絕對值大于0.5，或緯度差的絕對值大于0.5，該航跡不保存。約束條件如式(4)所示。

其中，∨表示或操作。

(d)刪除過短航跡。對(c)中保存的航跡進行處理，只保存航跡采樣點數(shù)大于30且持續(xù)時間大于300 s的航跡，分別命名為MMSI_0, MMSI_1, ···，約束條件如式(5)所示。

(4)統(tǒng)計每個柵格內(nèi)的MMSI號、航跡數(shù)量、目標數(shù)量、航向方差均值、航速方差均值、目標密集程度、目標機動程度，并以CSV格式，存為AIS空間編碼索引文件，每個空間柵格一行，具體格式為{空間柵格緯度索引、空間柵格經(jīng)度索引、航跡數(shù)量、目標數(shù)量、航向方差均值、航速方差均值、目標密集程度、目標機動程度、MMSI號序列}。

2.5.2 真值航跡抽取

真值航跡抽取包括兩種模式，一是隨機抽取，二是條件抽取。其中隨機抽取為對空間編碼進行隨機抽取，然后根據(jù)AIS空間編碼索引文件，得到柵格內(nèi)所有的MMSI號，然后得到真值航跡。

條件抽取為根據(jù)設定的目標密集程度和目標機動程度，選取與設定密集程度和機動程度最相似的空間柵格，或者從多個相似的空間柵格中進行抽取。

2.6 信源航跡生成

(1)首先以抽取的柵格內(nèi)AIS航跡Z0為真值，根據(jù)場景中心經(jīng)緯度W0和信源參數(shù)，依次生成信源1和信源2兩個信源航跡，具體步驟如下：

(a)根據(jù)場景中心經(jīng)緯度W0，對柵格內(nèi)AIS航

(d)目標發(fā)現(xiàn)概率處理。根據(jù)設置的目標發(fā)現(xiàn)概率(可設置為0.8或0.9)，對柵格內(nèi)全部AIS航跡進行隨機抽取，得到信源的探測航跡索引I1。如果抽取后信源的航跡個數(shù)為0，則重新抽取。

(e)航跡插值處理。根據(jù)柵格內(nèi)AIS真值航跡Z0和信源的探測航跡索引I1，對索引內(nèi)的每條航跡，除第1個時間點和最后1個時間點外，將航跡的持續(xù)時間以信源的更新周期Ts為斷點進行分割，在每個時間點添加隨機誤差，然后進行插值(插值方法可以選擇最近鄰插值、階梯插值、線性插值、B樣條曲線插值等)，得到信源的探測航跡Z1。

從而實現(xiàn)將航跡中斷為nB段 。

(g)設置批號。記錄信源航跡與真值航跡的對應關系，然后對信源的所有航跡進行隨機編號，得到其航跡批號。

(h)添加系統(tǒng)誤差。根據(jù)設置的系統(tǒng)偏差(es1～es2，單位為(°))，采用均勻分布的形式，對每個航跡的經(jīng)度、緯度位置添加系統(tǒng)誤差。信源1不添加系統(tǒng)誤差，信源2的系統(tǒng)誤差以50%的概率服從U (?0.03,?0.01) 或U (0.01,0.03)，單位為(°)。

(i)添加隨機誤差。根據(jù)設置的航跡質(zhì)量(1～15)，按照高斯分布(或瑞利分布)，對每個航跡經(jīng)度、緯度位置添加隨機誤差。其中，航跡質(zhì)量表示航跡的隨機誤差，分為1～15個級別，級別越高，誤差越小，每個級別對應航跡隨機誤差的標準差，基于直角坐標系計算，單位為m。由于該數(shù)據(jù)集是基于經(jīng)緯度添加誤差，而直角坐標系和地理坐標系之間的轉(zhuǎn)換是非線性的，因此需要對航跡質(zhì)量進行變換，將原有的直角坐標系標準差變?yōu)閳鼍爸行母浇慕?jīng)緯度標準差，再添加到數(shù)據(jù)當中。

(j)根據(jù)每個航跡經(jīng)度和緯度，計算得到航速和航向，進而得到每個航跡的信息Z3，包括{航跡批號、信源號(9001, 9002，隨機設置)、時間(一天內(nèi)的絕對秒)、經(jīng)度(°)、緯度(°)、航速(kn)、航向(°)}。

(k)同時生成關聯(lián)映射表，多個{開始時間-結(jié)束時間-真值批號-信源號-航跡批號}列構(gòu)成的表。

(2)對兩信源的關聯(lián)映射表進行混合，按開始時間進行排序，設置新的航跡批號，重新編批，存為關聯(lián)映射表CSV文件。

(3)對兩信源的航跡信息進行混合，并按時間進行排序，根據(jù)關聯(lián)映射表中，重新編批，存為信源航跡CSV文件。

綜上，在生成信源航跡時所需的參數(shù)有信源1的更新周期Ts1、 信源2的更新周期Ts2、場景中心W0、 目標發(fā)現(xiàn)概率Pd、航跡質(zhì)量Q，總結(jié)如表1所示。

表1 生成信源航跡時所需的參數(shù)表

3 數(shù)據(jù)集展示與分析

3.1 柵格可視化與分析

將AIS航跡劃分到全球柵格中，是后續(xù)生成中斷航跡和多信源航跡的前提和基礎。由于數(shù)據(jù)集中的航跡均由柵格航跡抽取得到，所以柵格中航跡質(zhì)量的好壞程度將直接影響生成數(shù)據(jù)集的質(zhì)量。本節(jié)對劃分到全球柵格的AIS數(shù)據(jù)進行可視化，包括MMSI數(shù)量可視化、目標數(shù)量可視化、密集程度可視化、機動程度可視化，分析柵格內(nèi)航跡的全面性和有效性。

3.1.1 目標數(shù)量可視化

在2.5.1節(jié)中，由于對超過600 s的長時間未更新航跡進行了截斷處理，導致一條航跡分成了多個目標，因此目標數(shù)量與MMSI數(shù)量并不相同，故有必要對目標數(shù)量進行可視化分析。在全球地圖中根據(jù)所有柵格中的目標數(shù)量繪制熱力圖，對目標數(shù)量進行可視化，結(jié)果如圖4所示。從圖4可以看出，與MMSI數(shù)量可視化結(jié)果相似，在重要港口地帶，目標數(shù)量較多，在遠海區(qū)域，目標數(shù)量較少。各航跡在全球各個海域均廣泛分布，為數(shù)據(jù)集的構(gòu)建提供了豐富的航跡資源。

圖4 目標數(shù)量熱力圖

之后，進一步分析目標數(shù)量的分布情況。以柵格內(nèi)目標數(shù)量為橫軸，柵格所占比例為縱軸，繪制柱狀圖，如圖5所示。從圖5可以看出，全球絕大多數(shù)柵格中的目標數(shù)量在300個以下，但也存在一些柵格中的目標數(shù)量達到了2000個以上，全面的AIS航跡庫為稀疏場景、普通場景、密集場景的構(gòu)建提供了豐富的航跡資源。

圖5 目標數(shù)量分布柱狀圖

3.1.2 密集程度可視化

如式(1)所示，柵格的目標密集程度反映了某一柵格內(nèi)的目標數(shù)量的大小在總的柵格中的比重，其對數(shù)據(jù)集的構(gòu)建具有較高的重要性。在全球地圖中根據(jù)所有柵格中的目標密集程度繪制熱力圖，對目標密集程度進行可視化，結(jié)果如圖6所示。從圖6可以看出，重要港口城市附近的目標密集程度較高，遠洋目標的密集程度較低，因此在對算法進行測試驗證時，可以根據(jù)對算法的使用場景需求，選擇密集柵格或稀疏柵格構(gòu)建測試場景。

圖6 目標密集程度熱力圖

3.1.3 機動程度可視化

如式(2)所示，柵格的目標機動程度反映了某一柵格內(nèi)的目標航速和航向標準差的大小在總的柵格中的比重，其對數(shù)據(jù)集的構(gòu)建具有較高的重要性。在全球地圖中根據(jù)所有柵格中的目標機動程度繪制熱力圖，對目標機動程度進行可視化，結(jié)果如圖7所示。

從圖7可以看出，復雜航道和航道轉(zhuǎn)彎處的目標機動程度較大(例如圖中的重要港口城市附近)，航道的直行區(qū)域目標機動程度較小(例如圖中的遠海區(qū)域)，能夠滿足對于較大機動目標場景的構(gòu)建需求。

圖7 目標機動程度熱力圖

之后，進一步分析目標機動程度的分布情況。以柵格內(nèi)目標機動程度為橫軸，柵格所占比例為縱軸，繪制柱狀圖，如圖8所示。從圖8可以看出，有96%以上的目標其機動程度在0.5以下，表明大多數(shù)海面目標沒有進行特大機動運動。運動機動程度在0至0.7均有目標分布，為不同的場景構(gòu)建提供了充足的數(shù)據(jù)保證。

圖8 目標機動程度分布柱狀圖

3.2 典型場景展示與分析

為了說明數(shù)據(jù)的豐富性、合理性、有效性，本節(jié)從數(shù)據(jù)集中抽取一組典型的航跡數(shù)據(jù)進行展示，給出其經(jīng)緯度的可視化結(jié)果，同時還有其時間-緯度圖像和時間-經(jīng)度圖像，用來說明“航跡共存時間處理”的有效性。典型場景如圖9所示，從上至下依次為航跡圖像、時間-緯度圖像、時間-經(jīng)度圖像，其中紅色航跡為信源1觀測到的航跡，信源號為9001；藍色航跡為信源2觀測到的航跡，信源號為9002。

從圖9可以看出：

(1)整體上，航跡運動類型豐富，包括各種機動狀態(tài)以及各種密度場景，沒有靜止航跡、速度低航跡、過短航跡、跳變航跡。所有場景中心經(jīng)緯度均為(20°, 30°)，符合預期設置要求。比較時間-緯度圖像和時間-經(jīng)度圖像可知，每個場景中均存在同時空航跡交叉現(xiàn)象，與實際情況相符，證明了“航跡共存時間處理”的有效性。

(2)中斷航跡方面，每個場景中均至少存在一條中斷的航跡，且兩個信源之間航跡的中斷位置、中斷時刻、中斷間隔、中斷目標數(shù)量不一致，證明了航跡中斷設置的合理性，符合實際要求。

(3)多源航跡方面，比較圖9中9001信源(紅色)和9002信源(藍色)的航跡，可以發(fā)現(xiàn)存在明顯的多源觀測現(xiàn)象。由于設置了目標發(fā)現(xiàn)概率，所以兩個信源觀測到的航跡數(shù)量不一致，符合實際要求。兩信源觀測得到的航跡起始點和終止點不一致證明了“航跡起始與終結(jié)時刻處理”的有效性。

圖9 典型場景展示

4 關聯(lián)評價指標和基線結(jié)果

為了明確關聯(lián)的評價標準并為研究人員提供對比參考的依據(jù)，本節(jié)提供一種關聯(lián)評價標準并在該標準下給出數(shù)據(jù)集訓練場景和測試場景的基線結(jié)果。

4.1 關聯(lián)評價指標

首先，對關聯(lián)指標中需要的重要變量進行定義。

定義1 實際應能關聯(lián)對AP

實際應能關聯(lián)對 AP 定義為根據(jù)關聯(lián)映射表，存在關聯(lián)關系，且滿足以下條件的關聯(lián)對：對于中斷關聯(lián)，兩條航跡的中斷時間間隔小于20 min，兩條航跡各自持續(xù)時間大于2 min；對于多源關聯(lián)，兩條航跡段的相交時間大于2 min。

定義2 實際應能關聯(lián)對集合TAP

實際應能關聯(lián)對集合TAP定義為由場景中所有實際應能關聯(lián)對 AP構(gòu)成的集合。

定義3 關聯(lián)對輸出集合OAP

關聯(lián)對輸出集合OAP定義為由航跡關聯(lián)算法輸出的航跡關聯(lián)對構(gòu)成的集合，包括中斷航跡關聯(lián)和多源航跡關聯(lián)對。

定義4 關聯(lián)對集合的模

關聯(lián)對集合的模定義為該關聯(lián)對集合中的關聯(lián)對的個數(shù)，用“|?|”表示。

關聯(lián)指標包括關聯(lián)正確率和關聯(lián)錯誤率，在計算過程中同時考慮中斷航跡關聯(lián)和多源航跡關聯(lián)，兩個指標可以根據(jù)定義的重要變量按照如下公式進行計算。

定義5 關聯(lián)正確率PCA

關聯(lián)正確率PCA定義為關聯(lián)對輸出集合OAP中屬于實際應能關聯(lián)對的個數(shù)與實際應能關聯(lián)對集合TAP中關聯(lián)對的個數(shù)之間的比值。

定義6 關聯(lián)錯誤率PFA

4.2 關聯(lián)基線結(jié)果

根據(jù)4.1節(jié)定義的關聯(lián)評價指標，本節(jié)給出了基于最近鄰距離的航跡關聯(lián)算法的關聯(lián)基線結(jié)果。

4.2.1 算法描述

基于最近鄰距離的航跡關聯(lián)算法通過計算并比較不同航跡之間的距離，選擇最近鄰(距離最小)的航跡對作為關聯(lián)結(jié)果，其關聯(lián)步驟如下：

(1)針對多源航跡關聯(lián)

步驟1：初始化距離矩陣D=(di,j)N1×N2和關

其中，L為參與計算的航跡點數(shù)，D為參考屬性個數(shù)，xdi(l)表 示信源1的第i個 航跡的第l個采樣點的第d維屬性，xdj(l)表 示信源2的第i個 航跡的第l個采樣點的第d維屬性。

步驟3：選擇距離矩陣D中的最小元素，將關聯(lián)矩陣A中對應位置元素設為1；

步驟4：將距離矩陣D中最小元素對應的行和列的所有元素設置為正無窮；

步驟5：重復步驟3和步驟4，直到距離矩陣D中的所有元素均為正無窮；

步驟6：根據(jù)關聯(lián)矩陣進行關聯(lián)判決，遍歷關聯(lián)矩陣中的所有元素，若該元素值為1，即ai,j=1，則信源1的第i個元素和信源2的第j個元素關聯(lián)，否則，不關聯(lián)。

(2)針對中斷航跡關聯(lián)

步驟1：初始化距離矩陣D=(di,j)N×N和關聯(lián)矩陣A=(ai,j)N×N，距離矩陣內(nèi)元素為正無窮，關聯(lián)矩陣內(nèi)元素為0，其中N表示待關聯(lián)信源觀測到的航跡個數(shù)；

步驟2：遍歷待關聯(lián)信源的所有航跡，設當前航跡索引為i，將其設為老航跡，再遍歷待關聯(lián)信源的所有航跡，設當前航跡索引為j，將其設為新航跡，若新航跡的開始時間大于老航跡的結(jié)束時間且新、老航跡索引不相同，則計算航跡i和 航跡j之間所有參考屬性的歐氏距離的平方，作為距離矩陣的第i行 第j列元素；

步驟3：選擇距離矩陣D中的最小元素，將關聯(lián)矩陣A中對應位置元素設為1；

步驟4：將距離矩陣D中最小元素對應的行和列的所有元素設置為正無窮；

步驟5：重復步驟3和步驟4，直到距離矩陣D中的所有元素均為正無窮；

步驟6：根據(jù)關聯(lián)矩陣進行關聯(lián)判決，遍歷關聯(lián)矩陣中的所有元素，若該元素值為1，即ai,j=1，則待關聯(lián)信源的第i個老航跡和第j個新航跡關聯(lián)，否則，不關聯(lián)。

根據(jù)基于最近鄰距離的航跡關聯(lián)算法可以看出，多源關聯(lián)和中斷關聯(lián)的核心都是比較航跡之間的距離，選出最近鄰航跡對作為關聯(lián)結(jié)果。其區(qū)別在于多源關聯(lián)的距離計算考慮的是不同源之間的航跡，而中斷關聯(lián)的距離計算考慮的是同源航跡。

4.2.2 關聯(lián)結(jié)果

為了便于研究人員的對比和參考，將多源關聯(lián)和中斷關聯(lián)的基線關聯(lián)結(jié)果分開表述，多源關聯(lián)基線結(jié)果如表2所示，中斷關聯(lián)基線結(jié)果如表3所示。表中的關聯(lián)正確率和關聯(lián)錯誤率均為各類數(shù)據(jù)集中所有場景的平均值。

表2 多源關聯(lián)基線結(jié)果(%)

表3 中斷關聯(lián)基線結(jié)果(%)

從表2和表3可以看出，采用基于最近鄰距離的航跡關聯(lián)方法，對于多源關聯(lián)任務可以取得較好的關聯(lián)結(jié)果，但對于中斷關聯(lián)任務，由于中斷前后新老航跡位置相差較大，且與周圍臨近航跡相互干擾，關聯(lián)效果急劇下降。并且，基于最近鄰距離的航跡關聯(lián)方法在兩種關聯(lián)任務中都具有較高的關聯(lián)錯誤率，表明其關聯(lián)結(jié)果可靠性較低，亟需對關聯(lián)算法進行進一步研究和改善。

5 結(jié)論

目前，在航跡關聯(lián)領域由于缺乏一個統(tǒng)一的、規(guī)范的、規(guī)模大的航跡關聯(lián)數(shù)據(jù)集，導致基于深度學習數(shù)據(jù)驅(qū)動的航跡關聯(lián)研究受到制約，難以滿足模型訓練和實驗對比的需求?？紤]到智能關聯(lián)算法研究的迫切需求和多雷達協(xié)同觀測航跡數(shù)據(jù)獲取困難，針對航跡關聯(lián)數(shù)據(jù)集缺失問題，該文公開了多源航跡關聯(lián)數(shù)據(jù)集(MTAD)，其由全球AIS航跡數(shù)據(jù)經(jīng)柵格劃分、自動中斷和噪聲添加處理步驟構(gòu)建。該數(shù)據(jù)集包括訓練集和測試集兩大部分，共有航跡百萬余條，其中訓練集包含5000個場景樣本，測試集包含1000個場景樣本，每一個場景樣本由幾個到幾百個數(shù)量不等的航跡構(gòu)成，涵蓋多種運動模式、多種目標類型和長度不等的持續(xù)時間。同時，進一步對構(gòu)造的MTAD數(shù)據(jù)集進行可視化分析，詳細研究了各個柵格內(nèi)航跡的特點，證明了該數(shù)據(jù)集的豐富性、合理性和有效性。最后，作為參考，給出了關聯(lián)評價指標和關聯(lián)基線結(jié)果。