基于數(shù)據(jù)質(zhì)量評價的目標估計*

賀文嬌

(中國西南電子技術(shù)研究所，成都610036)

0 引 言

信息融合是20世紀70年代出現(xiàn)的一門學(xué)科，目的是綜合雷達、光電、敵我識別、電子支援、情報、數(shù)據(jù)鏈等傳感器目標數(shù)據(jù)，形成及時、準確、連續(xù)、完整和一致的戰(zhàn)場態(tài)勢[1]。根據(jù)美國國防實驗室聯(lián)合理事會(Joint Directors of Laboratories，JDL)定義的信息融合模型[2]，目標估計是信息融合的第一級處理過程，主要通過數(shù)據(jù)配準、數(shù)據(jù)關(guān)聯(lián)、目標位置和運動學(xué)參數(shù)估計、目標身份和屬性參數(shù)估計，得到明確的目標位置和屬性信息，為更高級別的融合提供輔助決策信息。目標估計最大的難點在于不同傳感器獲取的數(shù)據(jù)質(zhì)量差異大，直接融合困難，估計過程需要大量的人工參與，導(dǎo)致融合自動化水平低。

為提高目標估計的自動化水平，國內(nèi)外已有大量的研究，尤其在目標位置連續(xù)的航跡融合領(lǐng)域，已有相當成熟的應(yīng)用。然而在目標身份和屬性參數(shù)估計方面，無論是模糊推理、D-S證據(jù)理論還是貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)等估計算法，都有一個共同的特點，即融合權(quán)重和融合規(guī)則，需要人工事先設(shè)置，如果傳感器實際數(shù)據(jù)質(zhì)量與人工估計存在偏差則會嚴重影響融合的效果。隨著人工智能技術(shù)的發(fā)展，利用集成學(xué)習(xí)、強化學(xué)習(xí)等算法，訓(xùn)練基于多源數(shù)據(jù)的目標估計模型[3]成為可能，但是在實際應(yīng)用過程中，由于缺少足夠的訓(xùn)練樣本，導(dǎo)致估計效果不佳。

本文提出了基于數(shù)據(jù)質(zhì)量評價的目標估計方法，通過對前端傳感器數(shù)據(jù)質(zhì)量進行評價，以客觀質(zhì)量評分代替主觀的人工判定，并以此為依據(jù)動態(tài)調(diào)整各傳感器數(shù)據(jù)參與融合的權(quán)重，從而在不影響估計準確性的前提下提高目標估計的自動化水平。

1 目標數(shù)據(jù)質(zhì)量評價

不同傳感器獲取的目標數(shù)據(jù)質(zhì)量不同，例如：雷達探測傳感器可以得到連續(xù)的目標航跡，但是卻難以判別目標身份；電子支援傳感器可以得到較為準確的目標身份信息，但是卻難以得到準確的目標位置；圖像傳感器可以得到目標身份和目標位置，但是信息的時效性卻不高。圖1所示為目標估計模型，其過程就是要充分發(fā)揮多源數(shù)據(jù)融合的優(yōu)勢，取長補短、相互印證，從而得到準確的目標屬性和位置信息。

圖1 目標估計模型

對參與融合的各數(shù)據(jù)源進行質(zhì)量評價，首先根據(jù)各數(shù)據(jù)源的特點和融合需求，選擇適當?shù)馁|(zhì)量評價指標。指標選得過多，會增加系統(tǒng)負擔；而指標選得過少，會導(dǎo)致評價結(jié)果不夠準確。文獻[4]詳細闡述了常見的目標數(shù)據(jù)質(zhì)量評價指標(見圖2)及對應(yīng)指標的計算方法，本文不再贅述。

圖2 目標數(shù)據(jù)質(zhì)量評價指標[4]

目標數(shù)據(jù)質(zhì)量包含目標屬性質(zhì)量(Attribution Quality,AQ)和目標航跡質(zhì)量(Track Quality,TQ)兩部分。其中，目標航跡數(shù)據(jù)質(zhì)量主要用于評價航跡的準確性、及時性和穩(wěn)定性。參照美軍Link-16數(shù)據(jù)鏈航跡質(zhì)量標準[5]，如表1所示。表1中，第二列采用航跡誤差散布圓面積為TQ分級門限，其單位為數(shù)據(jù)英里(1 DM=1 828.8 m)的平方；第三列為16級TQ分級門限距離數(shù)據(jù)，單位為DM；第二列與第三列的TQ門限在數(shù)值上呈圓面積半徑關(guān)系，即S=πr2。

表1 目標航跡質(zhì)量等級

目標屬性質(zhì)量主要用于評價傳感器提供的目標屬性參數(shù)的完整性與準確性。目標屬性參數(shù)的完整性，主要是指海空、類型、型號、個體、隸屬建制、國別、敵我這七類，且相互之間存在層級關(guān)系[6]，如圖3所示。

圖3 目標屬性參數(shù)的層次化特征結(jié)構(gòu)分析

目標屬性的準確性是指對應(yīng)屬性的辨識概率(0～100%)，因此有

AQ=C×m。

(1)

式中：C表示屬性完整性得分，m表示屬性對應(yīng)的辨識概率。參考航跡質(zhì)量等級劃分方法，目標屬性完整性得分定義如表2所示。

表2 目標屬性完整性質(zhì)量分

目標數(shù)據(jù)質(zhì)量評價系統(tǒng)包括在線和離線兩種工作模式，在工程應(yīng)用過程中，兩種模式需要結(jié)合使用才能得到更為準確的質(zhì)量評價結(jié)果，具體步驟如圖4所示。

圖4 數(shù)據(jù)質(zhì)量評價步驟

(1)離線評價模式：對數(shù)據(jù)庫中存儲的歷史數(shù)據(jù)進行質(zhì)量計算，得到的歷史數(shù)據(jù)質(zhì)量評分，將各數(shù)據(jù)源的質(zhì)量分進行歸一化處理，從而得到目標估計的初始權(quán)重。

(2)在線評價模式：在融合第0級處理過程——數(shù)據(jù)預(yù)處理系統(tǒng)中，對接收到的實時數(shù)據(jù)進行質(zhì)量評價，并根據(jù)實時數(shù)據(jù)質(zhì)量動態(tài)調(diào)整，得到參與目標估計的各信源實時權(quán)重。

2 目標估計規(guī)則動態(tài)調(diào)整

在信息融合領(lǐng)域，并不是融合的數(shù)據(jù)源越多效果越好，甚至有融合后的數(shù)據(jù)質(zhì)量反而不如融合前的情況。利用數(shù)據(jù)質(zhì)量評分，動態(tài)調(diào)整參與融合的各數(shù)據(jù)源權(quán)重，一是避免越融越差，二是避免因人工采信某一數(shù)據(jù)源造成傳感器資源的浪費。

2.1 屬性估計規(guī)則動態(tài)調(diào)整

屬性估計的目的是為了確定目標的唯一的身份和屬性信息。

假定參與融合的數(shù)據(jù)源為A和B，融合后為目標AB，AQ(A)和AQ(B)分表表示數(shù)據(jù)源A、B的屬性質(zhì)量。利用A、B的質(zhì)量等級，調(diào)整目標屬性估計中，數(shù)據(jù)源A、B分別所占的權(quán)重。調(diào)整規(guī)則如下：

(1)如果(AQ(A)==10 || AQ(B) ==10) 那么融合目標AB的屬性直接取A或B的屬性參數(shù)；

(2)如果(AQ(A)<2 ||AQ(B)<2)，那么融合目標AB的屬性為不明；

(3)其余情況，根據(jù)A、B的質(zhì)量分，計算得到A、B的權(quán)重值，代入目標屬性估計算法，進行屬性估計計算。

以常用的D-S證據(jù)理論[6-7]算法進行目標屬性估計為例，假設(shè)辨識框架U中有性質(zhì)不同的證據(jù)A和B，其屬性值分別是Ai和Bj，基本概率賦值分別是m1(Ai)和m2(Bj)，則融合規(guī)則如下：

將屬性質(zhì)量評價結(jié)果AQ(A)和AQ(B)應(yīng)用于修正基本概率值m1(Ai)和m2(Bj)：

(2)

(3)

修正后的融合規(guī)則如下：

(4)

2.2 位置估計規(guī)則動態(tài)調(diào)整

位置估計是確定目標唯一的位置和運動學(xué)參數(shù)。

由于傳感器定位精度和跟蹤能力的不同，有的傳感器能夠獲取連續(xù)的目標航跡，有的傳感器只能得到零散的目標點跡，因此目標位置估計算法又分為點-點融合、點-航跡融合和航跡-航跡融合3類。本文主要以航跡-航跡融合為例，闡述數(shù)據(jù)質(zhì)量評價結(jié)果對融合權(quán)重的影響。

假定參與融合的航跡為A、B，融合后生成的航跡為AB，TQ(A)、TQ(B)分別表示兩條原始航跡的質(zhì)量等級。航跡融合規(guī)則如下：

(1)如果|TQ(A)-TQ(B)|> 2 那么融合航跡AB直接采信質(zhì)量高的航跡；

(2)其余情況，將航跡質(zhì)量等級歸一化后作為權(quán)重進行融合計算。

以常用的協(xié)方差交集算法為例，假定歸一化后A的航跡融合權(quán)重為m1，B的航跡融合權(quán)重為m2，有m1+m2=1，融合后航跡為

(5)

式中：P表示融合后的航跡點，Pi表示航跡A中第i個航跡點，Bj表示航跡B中第j個航跡點，X表示A和B在時間上可對準的航跡點集合。

2.3 融合貢獻度

根據(jù)參與估計的各信源權(quán)重，即可計算出各個信源在融合過程中的實際貢獻。

假定融合過程中，數(shù)據(jù)源A、B所占權(quán)重m(A)、m(B)如表3所示。

表3 參與融合的各數(shù)據(jù)源權(quán)重

在同一時刻，有

m(A)+m(B)=1 。

(6)

因此，信源A對融合的實際貢獻

(7)

式中：k表示融合過程中權(quán)重改變的次數(shù)，NAi表示利用第i個權(quán)重計算得到的航跡點個數(shù)，N表示融合后AB的航跡點總數(shù)。信源B的貢獻度計算方法相同。

于是，上面示例中，各信源對融合目標的屬性貢獻度的計算結(jié)果如下：

各信源對融合目標航跡的貢獻度如下：

3 試驗結(jié)果

本文在pycharm-community-2019.3.4開發(fā)平臺上仿真模擬了動目標監(jiān)視(MTI)、紅外圖像偵察(IMG)、AIS信號偵察和衛(wèi)星信號偵察(SIG)這四類傳感器，協(xié)同對海上目標進行跟蹤監(jiān)視。想定場景如下：

(1)海上目標靜默航行，調(diào)集MTI發(fā)現(xiàn)目標并進行跟蹤；

(2)為確認其身份，調(diào)集紅外傳感器IMG查看，并發(fā)出警告；

(3)目標開啟AIS，通過解譯信息得到目標內(nèi)涵信息；

(4)目標關(guān)閉AIS，通過海事衛(wèi)星電話與陸地通信，調(diào)集MTI和衛(wèi)星信號偵察手段SIG，持續(xù)跟蹤監(jiān)視。

想定目標航跡如圖5所示，仿真計算得到的航跡如圖6所示。

圖5 想定目標航跡

圖6 仿真計算得到的四種手段航跡

在傳統(tǒng)目標估計系統(tǒng)中，由人工設(shè)置各信息源的融合優(yōu)先級，這四類傳感器數(shù)據(jù)的屬性優(yōu)先級為AIS>IMG>SIG>MTI，航跡融合優(yōu)先級為AIS>MTI>IMG>SIG。

采用本文方法，計算四種手段航跡數(shù)據(jù)的質(zhì)量等級(見表4)、屬性質(zhì)量得分(見表5，辨識概率取100%)以及融合過程中根據(jù)實時數(shù)據(jù)質(zhì)量計算得到的各數(shù)據(jù)源實際權(quán)重值(見表6)。由表6可知，融合航跡總點數(shù)為572。

表4 仿真數(shù)據(jù)航跡質(zhì)量等級

表5 仿真數(shù)據(jù)屬性質(zhì)量得分

表6 融合過程中各數(shù)據(jù)源貢獻的權(quán)重

兩種方法融合得到目標航跡如圖7所示，其中藍色點(ori)為想定目標航跡，橙色點(old)為人工設(shè)置權(quán)重估計出來的航跡，綠色點(new)是利用本文方法估計出來的航跡。從圖中可見，本文方法計算得到的航跡更接近想定目標航跡。

圖7 融合目標航跡

利用傳統(tǒng)方法對目標屬性進行估計，將直接采信優(yōu)先級更高的信息源提供的屬性。但是采用本方法，尤其在傳感器獲取的目標屬性質(zhì)量相近但屬性值有沖突時，融合結(jié)果更為準確。如圖8所示，兩種方法的屬性融合結(jié)果對比如下：

圖8 融合目標屬性

(1)在31 974≤t≤55 828時間段，傳統(tǒng)方法直接采信了AIS得到的國籍信息，但是本方法融合了紅外傳感器提供的國別屬性，發(fā)現(xiàn)兩種傳感器提供的國別屬性不同，因此對外輸出結(jié)果為國別屬性“不明”；

(2)在55 829≤t≤62 313時間段，傳統(tǒng)方法采信衛(wèi)星信號傳感器信息，本方法融合了三種傳感器提供的國別屬性，最終確定這艘外形特征和電話號碼歸屬地為A國的船只，發(fā)送的AIS中提供了虛假的國籍信息“B國”，而傳統(tǒng)方法直接采信AIS信息的做法會導(dǎo)致國別屬性判別錯誤。

計算得到各信源對融合目標屬性的貢獻度如下：

計算得到各信源對融合目標航跡的貢獻度如下：

SIG=0。

四個信源數(shù)據(jù)的貢獻度之和小于1，這是因為在實際融合過程中存在時間對齊的問題。以23 775≤t≤31 973這段時間為例，MTI上報了86個航跡點，而IMG只有41個航跡點，這就意味著至少有45個時刻只有MTI的數(shù)據(jù)而無IMG的數(shù)據(jù)。在估計過程中，需要通過內(nèi)插外推等算法估計IMG在這45個時刻點對應(yīng)的位置。

4 結(jié)束語

本文介紹了利用數(shù)據(jù)質(zhì)量評價結(jié)果對參與目標估計的數(shù)據(jù)源權(quán)重進行動態(tài)調(diào)整的方法，有助于減少目標估計過程中對人工的嚴重依賴，提高目標估計的自動化水平。此外，質(zhì)量評價結(jié)果還可作為數(shù)據(jù)標簽，用于智能算法訓(xùn)練。后續(xù)將繼續(xù)研究態(tài)勢估計和影響估計階段的自動化融合方法，進一步提高高階融合的自動化水平。