水中目標信息智能識別方法研究

王 冠，郭 育

(中國船舶工業(yè)系統(tǒng)工程研究院，北京100094)

0 引言

隨著海洋基礎(chǔ)設(shè)施建設(shè)的步伐向前邁進，海洋中的目標信息數(shù)據(jù)量與日俱增已成為現(xiàn)實趨勢，進行目標信息數(shù)據(jù)識別，將不同海洋目標信息按照重要和關(guān)鍵程度進行關(guān)系劃分，并賦予每條目標信息數(shù)據(jù)一種關(guān)系[1]。目前有學者采用經(jīng)典的HBACA算法[2]，對大數(shù)據(jù)的每條信息的重要性進行大致定義，但他們的研究成果，在區(qū)分信息目標數(shù)據(jù)的重要性問題上有待優(yōu)化與完善。

本文首先利用HBACA算法查找或識別不同元素關(guān)系能力強的特性，提取目標信息數(shù)據(jù)的關(guān)系，主要是通過在搜索蟻的行為特性中混入偵察蟻的行為特性，即搜索蟻在搜索過程中，會找到偵查蟻已經(jīng)標記的信息素進行重復標記，將重復標記的信息素鏈路作為信息數(shù)據(jù)的關(guān)系網(wǎng)，進而識別出大數(shù)據(jù)中信息數(shù)據(jù)的關(guān)系。然后，在信息數(shù)據(jù)關(guān)系中計算每個信息節(jié)點的點度中心度、緊致中心度和節(jié)點活躍度，根據(jù)信息數(shù)據(jù)在目標事件中的重要或關(guān)鍵程度，將信息數(shù)據(jù)劃分為關(guān)鍵目標信息、重要目標信息和一般目標信息，提出了信息數(shù)據(jù)的判定準則，形成了基于關(guān)系的信息數(shù)據(jù)識別方法。

1 目標分類

水中目標分類在軍事防御及進攻上具有重要作用，目標特征與海洋信道之間的關(guān)聯(lián)十分緊密，水聲探測系統(tǒng)接收到的目標信號都是目標源激發(fā)信號與信道多途響應耦合后的信號，本文基于聲吶已探測目標信息內(nèi)容，從水面目標和水下目標所激發(fā)的聲場波數(shù)譜差異特征入手，將目標分為3類。

一般目標(節(jié)點)：浮漂、偵察船或漁船、郵輪、集裝箱船、貨輪、LNG船、海警船。

重要目標(節(jié)點)：驅(qū)逐艦、護衛(wèi)艦、常規(guī)潛艇、UUV、特種潛航器、蛙人。

關(guān)鍵目標(節(jié)點)：航母、戰(zhàn)略潛艇、魚雷、水雷，戰(zhàn)略躉船。

2 信息數(shù)據(jù)識別

HBACA算法，即混合螞蟻算法，可以識別出網(wǎng)絡數(shù)據(jù)中信息節(jié)點之間的關(guān)系，它是基于蟻群算法進行的改進，其主要思想是：通過引入具有多行為的混合螞蟻來擴大搜索解空間，避免局部最優(yōu)解、早熟和停滯現(xiàn)象；另外在每次迭代過程中具有不同行為的螞蟻數(shù)目可以視具體情況而進行動態(tài)調(diào)整，這樣就可以在加速收斂和防止早熟、停滯顯現(xiàn)之間取得較好的平衡[3]。

混合螞蟻是一種具有多行為的螞蟻，它包括以下3種類型的螞蟻行為。

行為1：螞蟻具有信息感知能力，搜索前進策略在尚未走過的路徑上選擇信息量大的路徑前進，在走完全部路徑后對所走路徑進行一次全局信息更新，此螞蟻稱為智能螞蟻。

行為2：螞蟻不具有信息感知能力，將其隨機選擇一個本次遍歷中尚未走過的路徑前進，以保證算法搜索更大的解空間，此螞蟻稱為隨機螞蟻。

行為3：具有與智能螞蟻相反的搜索前進策略，即選取下一個節(jié)點的轉(zhuǎn)移概率與智能螞蟻正好相反，而其他特征與智能螞蟻完全相同，此螞蟻稱為逆反螞蟻。

混合蟻群算法在搜索路徑問題上，具有并行偵察和搜索的行為特性，并對信息量較大的路徑具有良好的正反饋性和較強的魯棒性，因此其在信息數(shù)據(jù)關(guān)系識別領(lǐng)域具有較好的研究和應用價值。

目標信息數(shù)據(jù)識別方法主要過程分為2個步驟，方法步驟如下。

步驟1：針對目標信息數(shù)據(jù)開展聚類，而后設(shè)置目標信息數(shù)據(jù)各種信息標簽的預設(shè)值，根據(jù)具體情況，對目標信息數(shù)據(jù)的類型、頻率、置信度、代價等信息進行綜合處理，通過聚類方法計算，分析信息數(shù)據(jù)為類型，對目標信息數(shù)據(jù)極其類似的信息數(shù)據(jù)開展聚類。

步驟2：完成目標信息數(shù)據(jù)聚類分析后，采用基于關(guān)系的目標信息數(shù)據(jù)識別方法對單位時間內(nèi)目標事件進行分析。首先，利用HBACA算法提取目標信息數(shù)據(jù)的關(guān)系；然后，通過目標信息數(shù)據(jù)的判定準則，識別出目標事件中的關(guān)鍵目標信息、重要目標信息和一般目標信息。

3 信息數(shù)據(jù)關(guān)系提取

本文提出的方法，通過調(diào)整混合螞蟻的投放方式，以及其偵察、搜索方式，從而延長信息素的有效時間，進而在全局范圍內(nèi)提高識別準確率，并實現(xiàn)提取信息數(shù)據(jù)在其目標事件中的關(guān)系。

原有HBACA算法僅僅是對執(zhí)行偵察任務的混合螞蟻數(shù)量，與執(zhí)行搜索、偵察任務的混合螞蟻數(shù)量進行了調(diào)配，但并未考慮信息素的持久性與數(shù)據(jù)流通過的路徑之間的關(guān)系，以及信息素的持久性與時間的指數(shù)關(guān)系。

基于關(guān)系的目標信息數(shù)據(jù)識別方法，采用偵察混合螞蟻、搜索混合螞蟻開展研究分析。基于建立目標事件數(shù)據(jù)流向量表的前提，設(shè)置偵察混合螞蟻的行為偏向偵察蟻，搜索混合螞蟻的行為是偵察蟻與搜索蟻采用行為的融合，采用偵察混合螞蟻與搜索混合螞蟻的不同特征，針對源信息數(shù)據(jù)之間的數(shù)據(jù)流開展局部、全局分析，獲得節(jié)點上信息數(shù)據(jù)之間的關(guān)系。

HBACA算法基于螞蟻有不同的行為特性，設(shè)定不同行為螞蟻的比例參數(shù)，HBACA避免了ACO、ACS及AS顯現(xiàn)出的停滯現(xiàn)象，更重要的是HBACA中搜索蟻搜索最優(yōu)解的性能較佳。實驗證明HBACA較AOC系列算法計算效能有很大的提升，相關(guān)計算性能表現(xiàn)良好。在利用HBACA提取目標事件中信息節(jié)點之間的關(guān)系時，設(shè)定偵察混合螞蟻對每一個節(jié)點作為開展局部查詢與搜索的基點。同時使用特殊的信息素標記獲得的數(shù)據(jù)，使用特殊的信息素標記獲得的數(shù)據(jù)目的是，使得搜索混合螞蟻抵達被標記的數(shù)據(jù)點后，搜索下一個被標記的數(shù)據(jù)點時，發(fā)揮有效的信息導引。搜索混合螞蟻憑借偵察混合螞蟻對每一個節(jié)點使用特殊的信息素的濃度及導引信息，針對局域數(shù)據(jù)節(jié)點開展搜索。

3.1 信息素標記與持久性分析

在HBACA算法中，可以采用偵察混合螞蟻進行信息素的標記。將m只偵察混合螞蟻與m個節(jié)點一一對應進行放置，每只偵察混合螞蟻以自身所在節(jié)點為基點，偵察與自身所在節(jié)點周圍相連的m-1個節(jié)點，并將偵察結(jié)果結(jié)合現(xiàn)有的信息標記信息素，記為Flow[i][j]，標記i節(jié)點到j節(jié)點路徑。其中 Flow[i][j](i，j＝0，1，2，3，…，，m-1；i≠j)公式見式(1)。

基于Flow[i][j]的值為基點，設(shè)置初始時刻每條路徑上的信息量如式(2)所示。

HBACA算法僅僅是對執(zhí)行偵察任務的混合螞蟻數(shù)量，與執(zhí)行搜索、偵察任務的混合螞蟻數(shù)量進行了調(diào)配，并未考慮信息素的持久性與數(shù)據(jù)流通過的路徑之間的關(guān)系，以及信息素的持久性與時間的指數(shù)關(guān)系。事實上信息素的持久性與數(shù)據(jù)流通過路徑上的偵察混合螞蟻標記次數(shù)存在求和關(guān)系，同時還與時間存在指數(shù)關(guān)系。信息素與數(shù)據(jù)流鏈路之間的關(guān)系如圖1和圖2所示。

如圖1所示，該圖描述了4個信息數(shù)據(jù)節(jié)點的信息流向圖，分別代表4個信息數(shù)據(jù)節(jié)點。圖2描述了偵查蟻偵查路徑與信息素關(guān)系，4只偵察蟻分別為a1，a2，a3，a4，a1經(jīng)過偵察路徑為 A→B→C→D，a2經(jīng)過偵察路徑為A→B→D→C，a3經(jīng)過的偵察路徑為A→D→C，a4經(jīng)過偵察經(jīng)路徑為A→C→D。則在計算D與C兩個信息數(shù)據(jù)節(jié)點之間數(shù)據(jù)流路徑上信息素的持久性時，應該采用4倍的Flow[C][D]進行計算。在計算A與B信息數(shù)據(jù)節(jié)點之間數(shù)據(jù)流路徑上信息素的持久性時，采用2倍的Flow[A][B]進行計算；同樣在計算B與C、B與D信息數(shù)據(jù)節(jié)點之間數(shù)據(jù)流路徑上信息素的持久性時，分別采用2倍的Flow[B][C]、Flow[B][D]分別進行計算。因此，如果Flow[A][B]＝Flow[B][C]＝Flow[B][D]，則由于D與 C兩個信息數(shù)據(jù)節(jié)點之間數(shù)據(jù)鏈路上信息素的持久性強于B與C節(jié)點、B與D節(jié)點數(shù)據(jù)鏈路之間信息素持久性。

在偵查混合螞蟻標記的信息素，會隨時間的流逝而慢慢變少，直到消失。為了能通過信息數(shù)據(jù)節(jié)點之間信息流關(guān)系的分析，識別信息數(shù)據(jù)關(guān)系，需要強化偵查混合螞蟻標記的信息素，可以采用主要具有搜索特性的搜索混合螞蟻來加強信息素。

3.2 基于信息素的信息數(shù)據(jù)關(guān)系網(wǎng)絡形成

搜索混合螞蟻，K(K＝1，2，…，n)在時刻t時，由i節(jié)點至j節(jié)點的轉(zhuǎn)移概率PKij可以表示為公式(3)。

全部的偵察混合螞蟻、搜索混合螞蟻結(jié)束一次循環(huán)，每條路徑上信息量調(diào)整為公式(4)所示。

式中：△τij是此次循環(huán)內(nèi)全部的偵察混合螞蟻、搜索混合螞蟻在路徑(i，j)上的全部信息量之和；由于信息素的持久性ρ與數(shù)據(jù)流通過的路徑有關(guān)，同時信息素的持久性ρ與時間間隔之間存在指數(shù)關(guān)系，所以ρ為公式(5)所示。

公式(5)中的ε如公式(6)所示。

式中：Tdijata(t)是需傳輸?shù)臄?shù)據(jù)包個數(shù)，Rdjata(t)是需重傳數(shù)據(jù)報個數(shù)的回饋信息。

公式(5)中φ如公式(7)所示。

式中：Sij(t)是數(shù)據(jù)流由i至j路徑上經(jīng)過的次數(shù)，F(xiàn)ij(t)為數(shù)據(jù)流未在i至j路徑上的次數(shù)。

從公式(9)可知，每只搜索混合螞蟻僅僅在具備上下級關(guān)系節(jié)點處，由最優(yōu)解組成的路徑上留下適量的信息素；根據(jù)公式(7)，每只搜索混合螞蟻僅僅在可能是最優(yōu)解組的路徑上追加信息量。

基于每只搜索混合螞蟻得到的最優(yōu)解，也就是信息素最多的路線，結(jié)合數(shù)據(jù)流特征，能夠得到i節(jié)點的直接上游節(jié)點，進而能夠提取得到各信息數(shù)據(jù)在周期內(nèi)對相應目標事件所起的作用，從而形成了基于目標事件的信息數(shù)據(jù)節(jié)點之間關(guān)系。

4 信息數(shù)據(jù)節(jié)點判定準則

在大數(shù)據(jù)中，不僅僅需要識別出信息數(shù)據(jù)在目標事件的作用[4]，以及信息數(shù)據(jù)節(jié)點之間通過該事件形成的關(guān)系[5]，更需要分辨出這些網(wǎng)絡信息數(shù)據(jù)在該事件中關(guān)系的重要性[6]。信息數(shù)據(jù)節(jié)點的重要性或關(guān)鍵性的判定可以通過節(jié)點關(guān)系的點度中心度、緊致中心度和節(jié)點活躍度進行綜合判定。

1)點度中心度[7](Degree Centrality)。信息數(shù)據(jù)節(jié)點的點度中心度指與其相連的信息節(jié)點數(shù)。即：

點度中心度反映了信息數(shù)據(jù)節(jié)點在網(wǎng)絡中的活躍程度，刻畫了信息數(shù)據(jù)節(jié)點對目標事件關(guān)系的影響力。點度中心度越高，表示與該節(jié)點連接的節(jié)點數(shù)越多，說明該信息數(shù)據(jù)節(jié)點越有能力支配其它節(jié)點。

2)緊致中心度(Closeness Centrality)。網(wǎng)絡信息數(shù)據(jù)節(jié)點的緊致中心度是指它與網(wǎng)絡中所有其它節(jié)點的最短路徑長度和。

式中：pi，j為節(jié)點vi和vj間最短路徑的長度。

緊密中心度反映了信息數(shù)據(jù)節(jié)點到其它信息數(shù)據(jù)節(jié)點間的平均路徑長度?？坍嬃嗽摴?jié)點居于網(wǎng)絡中心位置的能力以及從該節(jié)點到達其它節(jié)點的速率。緊致中心度越小，表示該節(jié)點越處于網(wǎng)絡的中間位置，通過該節(jié)點向其它節(jié)點發(fā)送信息速率越快。

3)節(jié)點活躍度(Activity)。信息數(shù)據(jù)節(jié)點的活躍度等于與其連接的所有邊的信息素之和。即：

節(jié)點活躍度反應了與之直接關(guān)聯(lián)的節(jié)點集中的重要程度，在信息數(shù)據(jù)網(wǎng)絡中，選擇累積活躍度達到總活躍度一定比例(比例因子為r)的節(jié)點為重要目標節(jié)點集。其數(shù)學模型為：從包含n個節(jié)點V＝{v1，v2，…，vn}的網(wǎng)絡中，選出m個節(jié)點V′＝{v1，v2，…，vm}，V′k∈V′，設(shè)節(jié)點V′i的活躍度為ai，使V′滿足：

式中：比例因子r可以根據(jù)具體情況設(shè)定，一般取r∈[0.5，1]。

在目標事件中，根據(jù)信息數(shù)據(jù)的重要性或關(guān)鍵性，將信息數(shù)據(jù)分為關(guān)鍵目標信息、重要目標信息和一般目標信息3類，則根據(jù)點度中心度、緊致中心度和目標節(jié)點活躍度的定義，可以定義網(wǎng)絡信息數(shù)據(jù)識別的準則。

判定準則1：在某個目標信息數(shù)據(jù)節(jié)點關(guān)系中，如果一個目標節(jié)點v屬于重要目標節(jié)點集，并且該目標節(jié)點的點度中心度最大或緊致中心度最短，則該目標信息數(shù)據(jù)節(jié)點是關(guān)鍵目標信息。

判定準則2：在某個目標信息數(shù)據(jù)節(jié)點關(guān)系中，如果一個目標信息數(shù)據(jù)節(jié)點v屬于重要目標節(jié)點集，但該目標節(jié)點的點度中心度不是最大，同時緊致中心度不是最短，則該目標信息數(shù)據(jù)節(jié)點是重要目標信息。

判定準則3：在某個目標信息數(shù)據(jù)節(jié)點關(guān)系中，如果一個目標信息數(shù)據(jù)節(jié)點v不屬于重要目標節(jié)點集，則該目標信息數(shù)據(jù)節(jié)點為一般目標。

5 仿真實驗

本仿真試驗中的目標節(jié)點包括關(guān)鍵目標節(jié)點與一般目標節(jié)點：關(guān)鍵目標節(jié)點是包含1個及以上重要目標信息數(shù)據(jù)的節(jié)點，一般目標節(jié)點是只包含一般目標信息數(shù)據(jù)的節(jié)點。若干重要目標信息數(shù)據(jù)及若干一般目標信息數(shù)據(jù)構(gòu)成了若干關(guān)鍵目標節(jié)點與若干一般目標節(jié)點，進而組成了若干網(wǎng)絡節(jié)點。

將280 000個由信息數(shù)據(jù)以FHACC[8]進行數(shù)據(jù)結(jié)構(gòu)劃分，如圖3所示，所有的點都表示在信息網(wǎng)絡中的節(jié)點，點的大小表示了該網(wǎng)絡節(jié)點包含的信息數(shù)據(jù)量，不同的顏色表示不同的網(wǎng)絡位置，同顏色不同大小的點表示不同的網(wǎng)絡節(jié)點所在位置相同。

如圖4所示，同一網(wǎng)絡時間條件下，三角形表示數(shù)據(jù)中已知的目標事件一般目標節(jié)點，圓點表示數(shù)據(jù)中已知的目標事件關(guān)鍵目標節(jié)點，點的大小表示該節(jié)點所含信息量的多少。

對280 000個信息數(shù)據(jù)進行聚類后，采用HBACA對網(wǎng)絡信息數(shù)據(jù)關(guān)系進行識別，其計算結(jié)果可大致分辨出對每個信息數(shù)據(jù)的重要性，但無法找出其間的關(guān)聯(lián)，以及其在目標事件中的作用。HBACA搜索出的關(guān)鍵目標節(jié)點分布情況，如圖5所示。HBACA重要目標節(jié)點輸出數(shù)據(jù)以FHACC進行數(shù)據(jù)結(jié)構(gòu)劃分結(jié)果，如圖6所示。

經(jīng)過對HBACA算法進行優(yōu)化后，本文設(shè)計的算法，根據(jù)計算輸出結(jié)果，能夠清楚地看到相關(guān)目標的關(guān)系非常明顯如圖7，很容易獲得所處事件中重要目標之間的關(guān)系如圖8所示。

圖8所示，不同顏色代表不同的目標分類。

由圖3-8對比可知，基于關(guān)系的目標信息數(shù)據(jù)識別方法在同一目標事件中識別出的關(guān)鍵目標節(jié)點，與已知的關(guān)鍵目標節(jié)點數(shù)量一致；基于關(guān)系的信息數(shù)據(jù)識別方法能夠識別出同一目標事件中的節(jié)點，而且識別出的網(wǎng)絡節(jié)點數(shù)量比HBACA算法識別出的關(guān)鍵目標節(jié)點要多；本文基于關(guān)系的信息數(shù)據(jù)識別方法比HBACA算法的優(yōu)勢在于能夠識別出同一目標事件信息數(shù)據(jù)之間的關(guān)系。

6 結(jié)束語

本文的算法，根據(jù)計算數(shù)據(jù)輸出結(jié)合FHACC進行數(shù)據(jù)結(jié)構(gòu)劃分結(jié)果，能夠明確地獲得關(guān)鍵目標的信息數(shù)據(jù)坐標，并與其所處事件的重要程度能夠匹配，同時相關(guān)信息數(shù)據(jù)的關(guān)系非常明顯，很容易提煉出所處目標事件中重要目標信息數(shù)據(jù)之間的關(guān)聯(lián)。