水声目标探测和识别融合技术发展综述

源自：信号处理

作者：张延厚   王超  张奇  李强  笪良龙

“人工智能技术与咨询”   发布

摘 要

水下空间的主动权竞争越来越激烈，针对复杂的海洋环境和多样的目标类型，现有水面水下单平台单传感器探测能力有限、稳定性差，很难满足未来对水声目标的准确探测和识别需求。随着水下探测手段增加以及多源信息融合技术的迅速发展，研究基于融合理论的水声目标探测与识别技术，可实现对水声目标更准确的状态估计和属性判别，进而提高水下探测预警能力。本文首先对现有水面水下探测传感器和平台进行了简要介绍，在此基础上，讨论了水声目标立体观测系统的网络组成和结构特点，并给出一种跨域异构水声目标立体探测系统设计设想，根据现有融合结构给出了基于多信息源的水声目标融合功能框架；然后根据水声融合探测技术的具体应用，分别论述和分析了基于目标信号级和非目标信号级融合检测方法，基于时空特征、运动特征和海洋物理场的融合定位方法，以及基于经典非线性滤波、数据关联和随机集理论的水声目标跟踪方法；最后重点总结了水下目标的各物理场特征，并针对水声识别中普遍存在的目标信息不确定性问题，归纳了基于Bayes理论、D-S证据理论和深度学习算法的三类典型的融合识别方法及框架。指出了基于信息融合的水声目标探测和识别技术所具有的优势和前景，并分析了水下立体观测网络、融合结构、融合探测和识别算法以及工程应用等方面面临的问题和挑战。

关键词

 信息融合   水下观测系统   水声目标状态估计   水声目标属性判别 

1.   引言

近年来，水下空间成为各方抢夺战略先机的新战场，传统的依靠单声呐探测和声呐员主观经验判断的方式已越来越不适合未来水下作战需求，为适应复杂的海洋环境和获得更丰富、更准确的目标信息，越来越多的各种样式的水下探测装备和传感器被研发出来，并投入测试和应用。因此，发展基于多源信息融合的水声目标探测与识别技术具有重要的科研价值和军事意义。

信息融合技术较早的工程应用是在水下信号处理领域，美军在1973年应用多个独立声呐融合处理，实现了比单声呐更优的探潜效果，这一成功实践对改变水下作战模式有重要影响［1］。自此，多传感器信息融合应用技术成为海洋技术领域重点攻关的技术之一。在军用领域，海洋信息融合技术是海上军事信息系统最为核心的技术之一，美军代表性成果有：海军战术数据系统（Navy Tactical Data System， NTDS）［2］、态势图族概念-互操作作战图族（Family of Interoperable Operational Pictures， FIOP）［3］、网络中心战（Network-Centric Warfare， NCW）概念［3］和21世纪海上力量设想［4］等。FIOP模块之一的单一综合图（Single Integrated Picture， SIP）是指面向某单一作战空间应用的多源探测和侦察信息融合图，其为全维作战空间（地面、水面、水下、空中、空间以及信息空间）提供及时、融合、精确、可靠的作战对象信息，作战对象有海面舰船或平台、潜艇、水雷以及水下其他设备等，经过数据融合处理达到火控精度的目标状态估计，对海洋作战环境形成全方位的掌控，并掌握战场主动权。因此，美国等西方国家为充分发挥信息融合技术在海洋信息作战中的优势，均致力于为信息融合设计高精度传感器、高性能处理器、多载体平台及稳健融合算法等，研发和改进多种信息融合作战系统并投入试验。国内信息融合技术的研究始于20世纪80年代末，至20世纪末，信息融合技术才被列为我国“863”计划和“九五”规划中的重点研究内容，数据融合模型与结构、信号检测融合、多传感器协同定位、目标跟踪、目标融合识别和多源决策融合等技术率先取得突破［5］，之后以战场为背景的态势评估与威胁估计等热门研究方向也取得了一定研究成果。但因为水下攻防任务特殊且复杂，技术保密要求高，国内外关于水声目标探测与识别的信息融合技术公开资料相对较少。

水声目标探测与识别，即利用声学或非声学手段实现对水面水下目标检测、定位跟踪、分类和识别等。而声波是目前在水下能远距离传播信息的唯一有效方式，声呐是水声目标探测的主要设备。声传播受复杂的海洋环境影响严重，声呐获取的目标信息往往具有不准确性和不确定性：单声呐受限于有限的时空探测能力和探测精度，获取的信息不全面且不可靠；单声呐生存能力差、不可替代造成水下观测系统稳定性差。此外，海洋试验成本高、难度大、数据存储和传输困难等。综上，基于单传感器探测能力差、我国多平台协同作战迫切需求以及对战场态势感知实时性和精确性的更高要求，多传感器、多平台、多基阵的水下探测和识别技术是现在和未来主要发展趋势，综合利用多样化信息：声、光、电、磁、热尾流、重力场、图像视频、人工情报和网络数据等，提升水下目标探测识别能力。

根据水声目标探测与识别技术发展需求，本文在构建水下立体观测系统的基础上，重点归纳、分析和总结信息融合技术在水声目标检测、定位跟踪和识别中的应用现状，并对水声目标融合探测和识别中存在的问题给出一些意见和建议。

2.   水下立体观测系统

2.1   水下立体观测网络组成

水下立体观测是复杂的时空协同过程，基于多域多平台，利用水声、无线以及卫星等通信方式，构建对海洋实时观测的立体网络［6］。水下立体观测系统多用于水下环境监测、资源勘探及自然灾害预报等，随着水下立体观测网络功能多元化，水下目标探测与识别已成为其功能之一，即美军提出的“空海一体战”作战概念［4］。

水下立体观测网络包含多种观测平台、设备和传感器，分布在海底、水下、水面、岸基、空天等全域空间。观测平台包括卫星、飞机、无人飞艇、科考船、漂流浮标、Argo浮标、波浪滑翔器、水下滑翔机、自主水下潜航器、水面无人艇（船）以及水下机器人等移动平台和锚定浮（潜标）、海底观测站、岸基观测站等固定平台；探测设备、系统及传感器包括声呐、雷达、合成孔径雷达（Synthetic Aperture Radar， SAR）、船舶自动识别系统（Automatic identification System， AIS）、光电成像传感器以及电磁传感器等。实际应用中，根据不同海域需求设计不同的组网方式，包括近海、远海、浅海、深海以及海峡等，如在关键的海峡要塞为形成对水下敏感目标探测，可构建卫星、飞机、水声监听船、水面无人艇以及水下潜标、无人潜航器等在内的多平台联合探测体系，如图1为跨域异构立体探测系统设想示意图。水下平台之间通过水声通信和信息传输，水面平台之间通过无线、卫星等进行通信和信息传输，水下、水面信息通过卫星传输到岸基指挥中心进行融合处理并做出响应，水下、水面、空中以及岸基构成一个完整的系统，同时各部分也能形成一个独立观测系统，共同完成探测功能。

图 1    跨域异构水声目标立体探测系统设想示意图

构建水下跨域异构组网体系，克服单一平台能力不足的短板，发挥多平台协同优势，实现“1+1>2”的跨域协同效应，基于多源信息融合提高水下目标探测能力。水下无人集群是立体组网探测模式的发展方向之一，无人设备相互协同，发挥其隐蔽、智能、机动灵活、快速反应的优势，完成自主决策。美军在海洋观测计划［7］基础上构想了异构无人平台集群作战模式，多种水面水下无人平台构成跨空中、海上及水下的多维立体式无人组网协同方式，在大量的实战演习中验证了水下无人集群的优势。“有人+无人”协同组网是立体组网探测模式另一发展方向，可增强组网协同指挥能力和信息判别能力，采用潜艇、反潜机、无人集群和水下预置系统组合的方式，构建多信息节点，形成区域精准探测能力。

2.2   水下立体观测系统信息处理结构

根据多平台和多传感器在水下立体观测系统中的协同方式、组成结构和应用场景的不同，水声目标融合结构可分为集中式、分布式和混合式。由于水下各平台之间通信受限以及数据存储有限，集中式结构很难实现；分布式是目前水下应用最广泛的融合结构，此结构可减少数据传输量，有利于系统的实时计算，保证各个传感器的稳定互不干扰，但同时造成目标信息的丢失；理论上混合式是最理想的融合结构，可实现不同平台、不同传感器和不同信息之间的最优化分配和计算，但其结构复杂很难用于工程。

基于不同的融合结构，实现水声目标数据级-特征级-决策级的多重信息交互与融合。数据级融合通常处理相同量级和同类传感器的原始数据，如声呐阵列信号处理，算法简单可保留较多的原始信息，但由于海洋环境复杂、环境噪声干扰严重，对于主要采用加权融合的数据级融合很难得到很好的融合效果，在水声领域应用较少；特征级融合在水声领域中广泛应用，不受传感器获取信息类型约束，每个传感器检测到目标并提取特征，相同或不同类型的多特征向量综合处理，得到表征目标属性的融合特征；决策级融合对数据源的独立性要求较高，能处理目标的不确定性信息、虚假信息以及模糊信息，尤其对异类、异构数据有较好的适用性，在水声领域具有较好的研究前景。

根据美军实验室理事联合会（Joint Directors of Laboratories，JDL）提出的JDL融合模型可将水声目标信息融合处理的功能过程分为五级，即检测级-水声目标有无判决、状态级-水声目标定位跟踪、属性级-水声目标识别、态势评估和威胁综合估计，最后两级多用于海上对敌决策和指挥策略制定。构建水声目标融合处理功能框架，如图2所示。

图 2    水声目标信息融合处理功能过程

3.   水声目标融合检测

3.1   水声目标探测方式

目前，水下目标探测主要利用声学手段，分为主、被动两种模式。被动探测具有较好的隐蔽性，应用广泛，采用单声呐及多声呐组合形式（线型、面型和球型等）被动接收目标辐射噪声，各声呐单元经过信号处理得到目标时频、运动等信息。而主动探测主要利用主动声呐回波检测获取目标距离、深度等更丰富信息。低频高功率探测技术、双/多基地探测、前向散射探测和多输入多输出（Multi Input Multi Output， MIMO）探测等新型探测技术形成了水声主动探测技术的发展方向［8］。水声目标探测的主要方式由单一探测发展到主被动联合探测，形成多种协同模式的探测方式，如“一主多被”或“多主多被”的分布式或集中式空间布局，再通过多种通信方式实现多层级的信息处理和融合。

多种非声学探测技术也开始应用在水声目标探测中，如可见光成像、雷达、红外、激光、磁异、卫星以及AIS等，可见光成像、雷达、红外、激光和磁异等探测方式可实现在水下对目标短距离探测，而所有非声学方式均具有对水面目标的探测能力，也可获取水下目标上浮下潜时的运动态势信息，辅助降低水下目标声学探测的虚警率，形成以主被动声学探测方式为主、非声学探测方式为辅的联合探测方式，多种探测方式综合应用是未来水声目标探测的主要发展趋势。

3.2   水声目标融合检测方法

单传感器水声目标检测受环境噪声干扰、声波传播衰减、多径传播等影响，信号信噪比低，检测结果不可靠，多传感器协同运用和信号组合处理可以提高水声目标检测的可信度，降低虚警率。

 3.2.1    基于目标声学信号的融合检测方法

为提高水声目标的检测概率，单节点多检测方法相结合和多节点数据融合处理的检测方法相继被研究。单节点将能量检测、线谱检测或过零率检测等两种或两种以上的检测方法构成集成检测模型，即集成检测器，再基于判决准则实现目标有无判别，多种检测方法可实现性能互补；多节点融合处理方法则集成各节点概率统计检测模型，再按照一定融合规则进行目标有无全局判决，分布式融合检测结构可靠性较高应用最多，其可以独立处理局部信息，对目标做出局部判决，发挥多传感器集群的检测性能。

水声目标融合检测融合中心的检测概率可表示为

其中，u=(u1,u2,…,uN)表示N个局部判决，P(u0=1|u)为融合中心的判决准则。

水声目标融合检测结果的准确性取决于判决准则的选择，常见的判决准则可分为基于统计的判决准则和非统计的判决准则，统计判决准则包括：Bayes准则、最小错误概率准则、最大后验概率准则、极大极小化准则和Neyman-Pearson（N-P）准则等［9-11］。N-P准则相较于其他准则既不用代价函数也没有先验要求，能使综合检测器达到次最优性能。非统计检测判决准则典型的是表决准则，基本的融合准则包括：“或”、“与”、“与或”等，判决规则简单，但输入必须符合逻辑标准。

对传感器检测结果进行最优分配和统计建模是优化融合判决准则的常用方法，赋予单声呐或单节点一个概率范围或可信度度量先验，提升综合检测能力。文献［12］采用基于N-P准则的分布式声呐检测融合方法，设置多个静态节点向融合中心发送多个二进制决策信息，引入模糊决策对每个声呐节点进行量化，提升多基地声呐对不确定目标的检测度。文献［13］研究了由主动声源、分布式被动传感器和融合中心组成的网络对水下目标的探测问题，引入分散式广义似然比检验检测器对传感器观测信息进行判别，通过对各传感器构建统计分布函数，对水面水下目标“多大可能”出现进行度量，可改善单传感器“硬判决”误判影响最终融合结果。

 3.2.2   其他融合检测方法

随着传感器技术和融合理论的发展，有三个方向成为目前的热点研究内容：

一是采用新型探测传感器，合成孔径技术是一种空间上的信息融合，合成孔径声呐可以明显改善探测分辨率，但不同海域对合成孔径技术影响不同，合成孔径声呐受声传播速度和水声信道严重制约，虽然如此，合成孔径技术也将是未来提升水下目标检测性能的一个突破点。

二是多异类传感器联合检测，不同空间不同传感器对目标探测的信息种类、精度和维度都不同，可以起到很好的信息互补作用，水面探测设备如雷达、AIS、卫星等可获得水面目标信息，异类信息通过关联处理形成目标航迹并估计目标态势，辅助水下声呐对目标的检测，降低虚警率；各异类传感器获得对目标的检测概率，基于证据理论、贝叶斯理论等可实现对目标检测概率的决策融合。

三是运用智能检测方法，进一步提取和综合利用多种声学和非声学特征，根据特征特性区分目标与海洋环境噪声，提取多种时域、频域或图像特征输入到目标检测器或分类模型中，并利用机器学习、证据理论等方法实现特征级融合和决策级融合检测。此类方法多用在可见光传感器获取的水下目标图像特征处理和水下目标识别中，对于声呐探测的目标信号检测研究较少，原因是声学信号数据样本较少、信噪比低，训练模型很难建立且较为复杂。

4.   水声目标融合定位跟踪

4.1   水声目标融合定位方法

水声目标与陆空目标融合定位不同：（1）受复杂海洋环境影响，存在声速分布和多途效应现象，导致声线弯曲和传播时延问题；（2）水声通信传输能力有限，信息易丢失；（3）载荷平台并不完全是固定的，易受洋流和海水扰动；（4）多传感器之间协同性差；（5）声学被动融合定位困难，量测误差大。

 4.1.1    基于时空特征的融合定位方法

纯方位目标运动分析和定位是被动声呐亟需解决的难题，单平台非机动条件下基于纯方位的目标运动系统是不可观测的，为此研究者提出了基于多平台多传感器组合的纯方位目标协同定位法［14-15］。多声呐被动协同定位利用几何关系和最小二乘估计实现测向交叉定位［16］，但此类方法是通过多个方位线交叉融合定位，信噪比低或多目标时各测向线交点可能会产生大量虚假目标，干扰位置估计，数据关联法与目标定位法相结合是提高目标多方位关联和定位精度较好的思路，最小二乘法、最大似然估计与卡尔曼滤波、粒子滤波、多假设跟踪等关联滤波定位法提了出来。文献［17］提出一种多级多假设目标滤波和关联的协同定位跟踪法，使用数据关联和非线性滤波实现测量到航迹的关联，减少因干扰点过多而目标丢失，从而提高定位精度和稳定性。

非纯方位交叉定位则采用方位和距离解算目标位置，即基于测距的水声目标定位法，利用不同到达时间（Time Of Arrival， TOA）、到达时差（Time Delay Of Arrival， TDOA）、到达频率差（Frequency Difference Of Arrival， FDOA）、到达角度（Angle Of Arrival， AOA）或接收信号强度指示（Received Signal Strength Indicator， RSSI）等信息差得到各节点间距离［18］，可最大限度提高定位精度，但依然不能消除误差。由于声波传播的弱通信特点，传感器节点和水下目标之间会出现时钟不同步或信息丢失问题，多模态融合定位方法成为热点，其可融合不同观测信息优势，形成互补优势。多模态融合即综合TDOA、FDOA、AOA和RSSI等信息，其中，到达频率差可改善估计速度，到达角可提升位置估计精度。文献［19］基于传感器节点的自定位误差和测距误差，提出基于加权整体最小二乘的TDOA/FDOA联合定位方法，相较单一模态的定位法，多模态融合定位法可显著提高定位精度和改善网络性能。

 4.1.2   基于运动信息的融合定位方法

移动锚节点辅助定位与基于纯方位的单平台机动目标运动分析类似，基于移动节点运动实现多时刻多节点信息获取进而实现水下目标定位［20］。此方法多适用于探测平台较少或探测平台位置移动较大时，且多应用于搭载有多传感器的自主式水下航行器（Autonomous Underwater Vehicle， AUV）等平台，平台机动性好可获得目标方位、距离等信息。若水下无人平台节点运动状态已知，当传感器在不同时刻得到多个与目标之间的信息时，可采用三角测量法或时空特征融合定位来估计位置。移动锚节点还可按预设轨迹运动或对其建立一定的运动模型，这样基于移动锚点运动模型就能较为准确地估计目标位置，提高定位精度。移动锚节点法还可与测距法进行结合，文献［21］提出联合使用移动锚节点和RSSI测距的定位算法来节省定位成本和加快定位速度。移动锚节点辅助的水下节点定位依靠其低成本和灵活性已成为多节点协同定位的热点。

 4.1.3    基于海洋物理场的融合定位方法

目标辐射噪声在不同海域不同海深服从不同的声传播模型，将海洋环境参数作为先验信息同时结合实时的声传播模型，从而可以预先估计出在整个目标探测海域内所有辐射源近似位置的拷贝场，最后将实际探测的声信号与之相匹配，即可得到辐射声源大致位置。目前研究热点是用各种声场模型或数学模型改进匹配场，如简正波理论、抛物方程模型、高阶累积量和时频空间变换等［22-23］。

匹配场处理算法在低信噪比和环境失配时效果较差。信噪比低时，一般将传统的低维平面波束形成扩展到三维空间，同时利用多个空间分布较远的声阵列构成多样的三维声场空间采样并同时增加采样差异性［24］，实现多子阵定位融合；匹配场失配时，可综合匹配场定位结果与多异类平台探测结果，并进行融合处理，将多异类平台探测目标位置信息进行平台级位置关联，再基于不同的物理场、先验信息及声传播模型设置匹配场结果的置信度，利用证据理论等融合方法降低模型因环境失配造成的不确定，从而提高分辨能力［25］。

4.2  水声目标跟踪方法

水声环境复杂多变，接收信号信噪比低，环境噪声干扰严重，量测数据中多虚假和干扰信息，另外目标种类数量的不确定性、目标运动模型未知、量测-目标关联的不确定性以及跟踪算法缺乏鲁棒性等，这些不确定性造成了水声目标跟踪的不稳定和不准确。同时水声通信质量差、信息传输受带宽限制、声传播多径效应干扰等，导致目标信息交互不及时和信息丢失。以上因素都将严重影响水声目标跟踪的性能［26］。

 4.2.1    基于经典非线性滤波的水声目标跟踪

卡尔曼滤波主要应用于跟踪中的时变线性系统，对信噪比要求较高。水声目标跟踪目前主要还是以被动跟踪为主，观测值与状态量呈非线性关系，主流方法有：扩展卡尔曼滤波（Extended Kalman Filter， EKF）、无迹卡尔曼滤波（Unscented Kalman Filter， UKF）、容积卡尔曼滤波器（Cubature Kalman filter， CKF）等［27］。除广义卡尔曼滤波算法外，二阶滤波、迭代滤波、粒子滤波（Particle Filter， PF）和转换瑞利滤波（Shifted Rayleigh Filter， SRF）等滤波法也被相继用于水声目标跟踪［28-29］。

EKF是一种空间估计器，将非线性求解通过空间转换矩阵变成线性估计，实现在弱干扰情况下水声目标跟踪，改善了收敛速度。UKF则利用无损变换使非线性估计求解问题满足线性假设下的标准卡尔曼体系，保留了高阶项，计算非线性分布统计量的误差较小，但系统维度过高也会导致估计结果发散。文献［30］将UKF与基于修正极坐标的扩展卡尔曼滤波（Modified Polar-coordinates Extended Kalman Filter， MPEKF）在水下无人平台对目标纯方位跟踪上的应用效果对比，UKF在收敛速度、跟踪稳定性以及精确度上优于MPEKF，但两种算法均受到目标初始未知状态假设的影响。

在实际海洋环境中，水下目标的未知状态大多为非线性和非高斯状态，考虑采用近似计算来获得目标未知状态的估计。CKF和PF则不受限于线性化误差或高斯噪声假设，对各种环境下的各种状态转换或测量模型均适用。CKF将非线性滤波估计转化为非线性函数与高斯概率密度函数乘积的积分问题，文献［31］认为合适的容积准则如球面容积准则是高斯假设下的非线性环境中贝叶斯滤波器的最佳近似，能解决水下高维非线性问题并减小计算量。PF算法不对系统做线性假设和后验概率的高斯假设，是一种非线性、非高斯滤波，利用非参数化的序贯蒙特卡洛模拟法来实现递推贝叶斯滤波，其精度近似最优估计，该方法简单易行，给水声目标跟踪的非线性动态系统提供了较好的解决方案。且PF算法可以抗环境噪声强干扰，保持稳定的非线性状态估计，其改进有扩展粒子滤波、无迹粒子滤波等，PF及其改进算法在有高斯噪声和散粒噪声的水声纯方位跟踪中可实现较好的跟踪效果［32］。

KF、EKF、UKF及PF等方法还适用于目标运动且具有机动性时，常与交互多模型（Interacting Multiple Model， IMM）相结合［33］，是改善机动目标跟踪能力的一种有效方法，通过融合目标和传感器的机动信息、方位角、俯仰角等信息达到提高目标跟踪的稳定性。

 4.2.2    基于数据关联的水声目标跟踪

在噪声干扰严重、多目标、多传感器跟踪系统中，需对同一时刻用于更新目标状态的量测数据进行关联，降低目标跟踪的不确定性［34-35］。基于关联的水声目标跟踪分两步：（1）关联，将有效观测与目标状态关联；（2）估计，使用与每个目标关联的有效观测来计算该目标状态的估计。

水声目标数据关联方法主要有极大似然类数据关联法和贝叶斯类数据关联法［36-37］，传统极大似然类数据关联法一般是对数据进行批处理，计算量较大，在水声干扰环境中研究较少。贝叶斯类数据关联法是水声领域的研究重点，第一类属于次优贝叶斯算法，只对最新时刻量测集合进行确认和计算，主要包括最近邻数据关联（Nearest Neighbor， NN）、全局最近邻数据关联（Global Nearest Neighbor， GNN）、k-最近邻数据关联（k-Nearest Neighbor， k-NN）、统计关联、概率数据关联（Probabilistic Data Association， PDA）、联合概率数据关联（Joint Probabilistic Data Association， JPDA）以及各种改进JPDA算法等；第二类属于最优贝叶斯算法，计算对象则是最新时刻及过去时刻所有确认的量测集合，需计算出每个量测序列的概率值，主要有最优贝叶斯跟踪算法、多假设跟踪（Multiple Hypothesis Tracking， MHT）算法、高斯混合概率假设算法和概率多假设跟踪（Probabilistic Multiple Hypothesis Tracking， PMHT）算法等［38］。表1分析了各种常用数据关联算法的优缺点及水下应用条件。

表 1   常用数据关联算法对比列表

PDA类和MHT类方法是目前在水声多目标低信噪比环境中效果较好的方法。文献［39］结合CKF和PDA完成目标-量测的关联，实现纯方位水下多目标跟踪，但PDA算法忽略了水下干扰的存在，这在实际环境中是不可能的；JPDA算法则充分考虑了进入关联波门内的量测，计算互联概率时需考虑多条航迹对量测的竞争并赋予不同权值，文献［36］对杂波多目标环境下JPDA后验概率密度函数更新规则进行讨论，取得了较好的声呐跟踪目标精度。但JPDA在量测个数较多时计算复杂度会大幅增加，JPDA与其他算法相结合进行改进，文献［40］用模糊隶属度简化JPDA算法关联的计算，提高了算法的实时性。

MHT算法被认为是数据关联中理想假设条件下的较优方法，是多目标跟踪的一种延迟决策算法。与依赖于当前扫描的PDA和JPDA算法相比，MHT算法的计算成本较高，但MHT算法对杂波环境中低信噪比目标具有关联稳定性和可靠性［41］。PMHT是对MHT的进一步优化，通过EM迭代求解目标状态的最大后验概率分布，降低了计算量，在概率统计意义下易扩展。文献［42］针对强干扰环境下的水下多目标纯方位跟踪，引入一个目标和量测之间的关联变量来解决两者之间的数据模糊问题，使目标和量测之间的关联假设是相互独立的，为更好的计算每一个目标的状态估计值，作者给出了结合EKF和UKF的PMHTe和PMHTu算法，能较好的剔除干扰，对多目标密集场景有着很好的适应性。但该方法也存在着对目标初始状态值敏感的弊端。为解决这个问题多级多假设跟踪方法（Multi-Stage MHT， MS-MHT）提了出来［17］，分级处理水下目标的测量值（包括方位、方位变化率、角度以及频率等），第一级基于每个平台波束域的检测结果，独立使用MHT法来跟踪目标方位；第二级，利用多平台的联合似然概率估计多个目标的初始位置，然后将不同平台的方位值与MHT跟踪结果相关联，最后，利用关联方位和EKF对多个目标进行序贯位置估计，对多目标实现了较好的跟踪。

 4.2.3    基于随机集理论的水声目标跟踪

在水下噪声干扰严重且目标数未知时，难以突破多目标关联“组合爆炸”的瓶颈。Mahler基于随机集（Random Finite Set， RFS）框架，将水下多目标状态滤波以集值形式滤波处理，利用最优贝叶斯滤波法来估计水下目标运动状态和数量，关键是将每一个目标状态和量测信息表示成随机集形式，可避免复杂的关联过程［43］。基于RFS框架，目标个数、多目标状态集和量测状态集个数都是随机变化的。

为求解RFS框架下多目标积分的最优贝叶斯滤波器［43］，相关计算方法陆续提出。概率假设密度（Probability Hypothesis Density， PHD）滤波算法假设目标服从泊松分布，利用一阶统计矩近似多目标后验概率密度函数，实现多目标贝叶斯递归滤波，能够实时估计目标状态和数量，计算复杂度低。文献［44］针对水下应用提出了一种面向前视声呐图像的多目标PHD跟踪算法，对杂波环境中的目标进行距离和方位跟踪，这是较早水下目标跟踪的一次尝试。PHD不包含目标数方差信息，目标数瞬时估计极不稳定，势概率假设密度（Cardinalized Probability Hypothesis Density， CPHD）滤波算法提了出来，CPHD引入了多目标概率分布的高阶矩，可得到更准确的后验概率，实现更稳健的目标数估计，在杂波环境下的水下无源多目标跟踪系统中取得了良好的效果［45］。

与PHD/CPHD迭代传递统计矩不同，多伯努利滤波（Multi-target Multi-Bernoulli， MeMBer）将每个目标建模为伯努利RFS，分布之间是独立的，每一个目标伯努利RFS均包含目标存在概率和目标概率密度，将多目标的每一个伯努利RFS中的概率进行联合计算求得后验多目标概率，即实现多目标贝叶斯滤波。文献［46］在对未知目标数进行估计时，发现多伯努利滤波对目标数量有过估计现象，导致目标估计结果出现虚警。对此势均衡多目标多伯努利滤波器（Cardinality Balanced Multi-target Multi-Bernoulli， CBMeMBer）提了出来，此滤波器可以融合目标数分布高阶矩信息，估计出准确的目标，为实现滤波器的有效求解，研究者又提出了粒子与高斯混合模型的近似滤波方法。文献［47］基于单矢量水听器的方位和频率信息，首次应用CB-MeMBer成功检测和跟踪两个不同频率的窄带目标，具有良好的估计性能。

PHD类和MeMBer类方法仅能估计目标位置，却不能得出目标位置和时间的关系，为保持目标航迹，一种是在滤波过程加上标签，每个状态估计都有不同标签，表示与某条航迹的隶属关系，如广义标签多伯努利分布，另一种即与关联算法相组合，关联目标前后时刻状态形成连续航迹。利用RFS的多目标跟踪方法，大多假定各传感器观测数据完全独立，采用序贯处理的策略，理论上具有良好的应用前景，但在水下多目标跟踪中还未经过实践检验。

5.   水声目标融合识别

基于单特征或单信息源的水声目标识别越来越受限，主要体现在舰船种类多样、军民船界限模糊、运行工况多变、目标特性畸变、传输信道与多目标干扰、舰艇广泛使用降噪技术、舰艇信息处于严格保密状态以及假/伪装目标干扰等。早在20世纪80年代印度研制出一个水声目标被动识别专家系统RECTSENSOR，该系统对9个不同的特征参数进行融合识别出4类目标［48］。基于信息融合的识别系统成功实践，使基于信息融合的水声目标识别技术相关研究成为热点。

基于多源信息融合的水声目标识别可归结为利用多类别特征和多种类信息对水声目标属性综合判别和决策的问题，依据信息融合模型的分级方法将水声目标融合识别方法的流程结构概括如图3所示。

图 3    基于信息融合的水声目标识别方法流程

数据级融合只限在水声信号信噪比较高时的同维、同类型数据间融合，水声中应用很少；特征级和决策级融合方法是水声目标识别研究的重点，可对异类数据、不同维数据实现较好的融合。现有融合识别方法基本上可分为两大类：第一类是推理方法，包括贝叶斯推理、经典推理和证据理论（Dempster-Shafer， D-S）等；另一类是人工智能方法，包括支持向量机、模糊理论、神经网络、机器学习和深度学习等［49-50］。

5.1  多源水声目标特征分析

水声目标一般处于多源物理场中，主要包括声压场、电磁场、重力场和水压场等［51］，通过映射或变换提取表征目标属性的多种特征或特征参数，是基于信息融合的水声目标识别方法的前提。

 5.1.1   水声目标特征提取

声场是至今研究最多和最能直观表征水下目标特性的物理场，主要指目标辐射噪声，包括螺旋桨噪声、空化噪声、机械噪声和水动力噪声等［52-53］。一般声呐探测接收的螺旋桨辐射噪声功率谱包括宽频带连续谱和一系列单频线谱，分布在0~1500 Hz的频率范围，是识别舰船目标最根本的特征之一。将水声目标特征归纳为六类：

• （1）波形特征：主要包括时频域信号过零点波长、平均过零率、峰谷值、峰间幅值分布、过零点波长差分、波列面积、短时能量分布以及平均幅值变化等，反映原始信号的幅值变化趋势、频率高低以及频率变化快慢等信息；

• （2）谱分析特征：谱估计从频域反映信号特性，主要包括经典谱估计、现代谱估计、倒谱分析、LOFAR谱分析、DEMON谱分析和听觉谱分析等。LOFAR谱和DEMON谱可提取出舰船辐射噪声中螺旋桨的轴频、叶频和叶片数等关键信息，是单信息源水声目标识别的有效特征；

• （3）时频域特征：用时频分析法分析舰船等辐射噪声局部时间区间上的频率特征，提取信号的瞬时频率和瞬时能量参数，反映水声非平稳信号的实值性、对称性、边缘积分特性、能量守恒、时频移位不变性等时变频谱特性。

• （4）非线性特征：水声噪声信号的混沌现象对弱目标信号的检测和识别有重要作用，可区分海洋环境噪声和舰船辐射噪声，主要混沌特征参数有相空间轨迹、Lyapunov指数、分数维特征、估计熵、Poincare截面和自然测度等；

• （5）听觉特征：构建听觉模型提取目标辐射噪声瞬态信号的音色等特征，包括梅尔倒谱系数（Mel-scale Frequency Cepstral Coefficients， MFCC）、感知线性预测系数（Perceptual Linear Predictive， PLP）、响度、幅度、尖锐度、粗糙度以及波动强度等；

• （6）可视化特征：可视声呐图像和声信号通过时域分析、谱分析或时频分析等转换的二维图像，均可提取颜色、纹理、强度、灰度分布、多阶矩、梯度以及能量变化等特征。

水下目标的其他物理场特征一般比较难获取，磁场和可见光可视距离都比较近，多用于近场目标识别，磁场主要涉及目标磁场强度和环境磁场变化，同声场特征类似，目标磁场也具有波形特征和时频域特征等，受限于复杂水下环境，目前磁场特征研究较少；水下目标可见光图像特征提取研究较多，多应用于海底打捞及海底勘探，对水下潜艇等运动目标很难适用；水面目标可利用雷达、AIS、红外热成像等，获取目标的运动特征和图像信息，为水下目标判别提供水面态势辅助信息，降低虚警率。虽然各种传感器都发展的很成熟，但在水声目标探测领域还是发挥不出很好的综合效果，目前还是以水声信号特征为主，其他类型特征为辅。

 5.1.2   多源异类数据及特征分析

多源信息及特征由于获取途径、传感器不同，源头多样导致数据类型多样，表达形式呈现出多维化、碎片化以及离散化，因此，多源数据很难直接融合处理。多源非异类信息计算比较简单，基本上经过去噪、时空配准等预处理即可进行后续关联、融合运算；多源异类数据则比较复杂，现在主要是利用多元表示原理提升异类信息的一致性表示精度，即构建高维一致性表示空间，对多源异类数据进行深度挖掘。随着深度学习、机器学习以及强化学习等方法的发展，借助此类方法可对多源异类数据的关联性和差异性进行机理分析，建立多源异类信息的提取模型和转换模型，得出可替代异类信息的参数模型或融合参数，再输入到各种融合模型中，提升融合算法对信息的有效综合利用。

5.2   水声目标识别融合方法

水声目标不同物理特征表征的目标信息往往存在不确定性，是单特征目标识别不准确的主要原因之一，信息融合算法可基于多特征冗余有效降低信息源的不确定性，本文主要概要介绍三类在不确定信息下应用较多的水声目标融合识别方法。

 5.2.1    基于Bayes理论的水声目标融合方法

Bayes推理方法在信息融合中属于统计融合算法，基于Bayes法则［54］实现对水声目标不确定信息的建模和概率推理，可以表述为：

（1）设H1，H2，…，Hn 表示所有可能探测的n个水声目标，且∑i=1nP(Hi)=1，将传感器获取的目标观测转换成目标属性：军舰、民船、水下敏感目标、海洋生物、噪声等，表示为D=D1,D2,…,Dm；

（2）计算每个传感器对目标属性分类判定的不确定性概率，即P(DjHi),i=1,2,…,n,j=1,2,…,m；

（3）基于Bayes定理求得目标属性的融合概率：P(HiDj)=P(DjHi)P(Hi)/∑i=1nP(DjHi)P(Hi)。

Bayes信息融合推理即将单个观测的概率分布合成一个包含所有观测信息的后验概率分布，最后选择具有最大联合后验概率的融合决策。算法流程如图4所示。

图 4    基于Bayes理论的水声目标融合判别流程图

一般基于Bayes统计理论的信息融合方法多用于决策层融合判别。因为水下目标信息的不确定性，贝叶斯融合结构面临着融合系数选择和各分布信息不平衡的问题，专家经验判断对指导融合参数选择很关键，但专家系统需要丰富的先验信息且具有主观随意性，对各分布权重系数的选择不是很严谨。为解决这个问题，通过对多源信息特征进行统计或建模，衡量不同信息源之间的差异，如利用置信区间匹配的分布拟合法、矩估计法、最大熵估计、最大似然估计、无信息分布假设等，使得各个分布获得不同的融合系数。还可从融合结构和更新规则出发，进行重采样迭代贝叶斯融合更新和多级多层的贝叶斯融合结构优化，有效提升水声目标信息不确定性建模精度和水下目标识别性能。

面对水下环境的非线性、动态性和随机性给水下目标识别过程带来不确定性，Tang等人［55］提出了一种基于不同水下传感器大量被破坏的动态感知信息的融合框架-离散动态贝叶斯网络（Discrete Dynamic Bayesian Network， DDBN）。DDBN提供了一个连贯统一的分层概率框架，从不同模式的动态信息中表示、整合和推断各种目标特征。在多个观测时间切片内获得对目标的动态有效识别。文献［56］则将动态树（Dynamic Trees， DT）模型与Bayes推理模型相结合构成了一种新的水下目标融合识别网络-可变分贝叶斯网络（Deformable Bayesian network， DFBN），通过使用DT模型将来自多个感知平台的测量数据融合为一种无冗余表示，对海底目标图像和对应的海底纹理提取相应特征，DFBN灵活的结构用于融合不同传感器测量的公共信息，对声呐图像实时融合识别。

然而，Bayes推理也存在一些缺点：受先验信息的严重制约；定义决策函数阈值的主观性太强；多源多假设条件下或多事件不独立时，算法复杂性迅速增大；融合结果对多源信息的初始概率依赖高。

 5.2.2    基于D-S证据理论的水声目标融合方法

与Bayes推理方法用概率来表示信源不确定性不同，证据理论则构建了命题和集合之间的不确定推理模型的识别框架，即用集合的不确定性代替命题的不确定性。如图5为基于D-S证据理论的水声目标融合识别流程［5］。

图 5    基于D-S理论的水声目标融合识别流程

证据理论属于决策级融合，充分利用各局部不同信源的初步决策，从证据区间和合成规则角度为多源信息的“不确定”和“不知道”提供了有效的表达方式，对先验信息要求低，在复杂的水声环境中具有很好的研究前景。D-S融合算法中的不确定信息表示、证据修正、证据组合规则以及决策规则是关乎融合结果可信任的关键［57-58］，也是其基于概率论的理论框架不完备的表现，需根据各信源性质和证据间关系进行相应优化，才能达到最优决策。

文献［59］基于证据理论设计了一种分级的多源信息融合结构用于潜艇的识别，综合利用目标的声学特征和运动特征，各级决策结果和证据权概念相结合，构成加权证据理论决策方法。第一级对提取的声学和运动不同特征分别进行融合，第二级对上级融合结果加权合并，第三级对第二级结果进行多时相融合，充分利用目标的不同级特征及决策结果，实现了更准确的识别结果。而在水声环境中普遍会存在信号信噪比较低的情况，导致证据在置信度初始化时具有一定“模糊度”，文献［60］针对水下目标信号复杂、样本获取难度大的问题，提出了一种证据聚类识别算法，对水下目标的各类训练样本，根据特征距离和证据近邻分类优化算法为各目标数据构造一组合理的初始基本置信度，然后对算法的目标函数进行循环迭代优化，计算出目标数据最终的全局基本置信度，最后基于证据理论得出目标的属性。在实际应用中，异源信息的初步决策有时是相矛盾的，即造成证据间冲突，多数文献对证据理论的组合规则进行了改进，文献［61］对两大类冲突证据融合方法：Shafer模型下的冲突证据融合方法和DSmT（Dezert-Smarandache）超幂集模型下的冲突证据融合方法进行了理论分析和算例仿真比较，并基于最优PCR6规则构建了基于多节点群冲突证据融合的水下目标决策级融合识别模型，验证了分类模型有效性。而证据理论和人工智能方法的结合在水声目标识别中也引起了不少人的关注，文献［62］利用证据理论改进机器学习特征融合算法，结合了多维和多分类器融合的特征来识别舰船辐射噪声目标，进一步利用循证决策理论实现不同神经网络分类器下的特征和识别结果融合，该类算法能够有效地集成异构数据和异构网络的识别结果，可提高判断的准确性。

但证据理论在水声目标融合识别应用中依然存在着一定局限：水声信号特征作为证据有时难以满足相互独立性；证据合成规则简单，但在复杂水声环境中融合的合理性有待验证；水下各传感器获取证据不确定性较大，很难保证结果可靠性，容易产生冲突；在计算上存在潜在的指数爆炸问题等。

 5.2.3    基于深度学习的水声目标融合方法

深度学习是人工神经网络和表示学习相结合的方法。神经网络系统随着隐含层数的增加，表达能力不断提高，逼近更复杂的数学模型，可完成复杂的目标分类，“学习”完成的神经网络具有特征提取、学习概括等特点，可以对水声目标多传感器获取的多源数据、异类数据以及提取出来的多种特征进行综合分析和处理。因此，近年来许多研究者竞相把深度学习应用到信息融合领域中去。

深度学习算法模型多种多样，深度学习在降梯度、优化模型参数、权值分配以及神经网络架构优化等方面不断创新，再加上元学习（meta-learning）等新理论的出现，使深度学习在海洋这种复杂的环境中有着明显的应用优势。深度学习和信息融合相结合的技术主要可以归纳为两类：多模态深度学习和多尺度特征融合。多模态深度学习是目前深度学习研究的一个重点［63］，信息融合中多异类信息源一般是多模态数据，异类数据有着相异的统计特征，多模态深度学习主要是使用不同类型的神经网络提取各模态特征，或构建不同的学习网络模型对每个模态输入状态进行加权组合，对异类数据有着很好的适用性，通过对多模态信息的综合利用得到最优输出。而多尺度特征融合也是深度学习提高网络模型精度和鲁棒性的方式之一，综合利用水声目标不同粒度的信息特征，主要体现在特征级融合，即对输入网络的多种特征进行融合处理得到模型优化目的，对单信息源、多信息源、同类数据和异类数据都适用。

文献［64］提取了两类水声信号模态数据：一维时域特征和二维频域特征，利用长短时记忆网络（Long Short-Term Memory， LSTM）和卷积神经网络（Convolutional Neural Network， CNN）对多模态信号进行并行处理，并利用典型相关形成特征融合表示，构建了多模态特征融合的深度学习结构，实测水声信号验证多模态特征融合方法可显著提高水下目标识别的精度。文献［65］则提出了利用多子通道特征级联和拼接的方法，对不同频率区间的特征进行加权处理，验证了基于多通道级联特征的深度神经网络识别有效性。文献［66］从神经网络优化角度出发，提出了一种结合多维融合特征和改进深度神经网络的水下目标识别方法，采用Gammatone频率倒谱系数（Gammatone Frequency Cepstral Coefficient， GFCC）和修正经验模态分解（Modified Empirical Mode Decomposition， MEMD）提取多维特征。采用高斯混合模型对深度神经网络进行结构修正，减少冗余特征，具有较高的识别精度和较强的适应性。张少康等人［67］针对矢量水听器获取的水声信息研究了单传感器多特征融合，用多层LSTM模型提取了水声目标的多种时序特征，包括时域包络、Demon谱、MFCC等目标噪声特征，并组成了多类别特征子集，建立了基于多类别特征子集的特征级融合识别分类模型和基于D-S证据理论的决策级融合识别分类模型，实现了比单特征识别更高的准确率。Zhang等人［68］提取水声信号的短时傅里叶变换幅度谱、相位谱和双谱特征，构成网络的输入，并设计了一个集成神经网络实现了对多特征输入网络权系数的优化和融合，该特征融合识别方法不仅包含了丰富的目标信息，减少了特征提取造成的信息损失，而且具有较强的噪声鲁棒性。

深度学习理论在水声目标融合识别领域中取得了初步的成果，但是其复杂庞大的参数优化问题、无监督学习、模型复杂度增加、缺乏训练样本、深度特征的物理意义解释性弱等问题还有待于解决。

6.   总结与展望

随水下探测平台和传感器种类数量增加，信息源越来越多，信息越来越丰富，以及信号处理技术、信息通信技术、计算机硬件软件等不断发展，信息融合技术以其能综合处理多源信息的独特优势，必将成为未来水声目标探测和识别的关键技术和方向。主要体现在：多平台和多传感器探测，实现大范围空间覆盖，增加目标探测的信息量和维度；利用信息融合技术可降低信息的冗余度，提升信息质量；提升水下观测系统的稳定性；提高水下目标探测精度和水下综合判情能力。

本文基于已有的研究成果对基于信息融合的水下观测系统、水声目标检测、定位跟踪和识别技术进行了较为详细的综述和分析，总结了各研究内容的关键技术和方法，但现有的方法和技术依然面临着很多问题和挑战：

（1）水下立体观测网络已初具规模，信息获取手段也多种多样，各固定和移动平台载荷都有自主探测的能力，且传感器探测精度也越来越高，虽然水下观测网络越来越完善，但并没有发挥出组网协同该有的优势。一是水下平台的续航问题，增加电池容量或使用可更换电池及优化平台系统的计算消耗，都可以延续无人平台使用寿命；二是通信问题，通信方式单一且只有水声一种远距离信息传播方式，水下观测网络并没有形成水声通信组网的能力，水声信道时延导致信息传输不及时，应合理进行水下观测网络布局设计，如“局部-节点-局部”设计，通过链路进行传输，逐步解决水下远距离通信问题；三是信息传递和处理，水下水声通信传输信息特别有限，水面远距离卫星通信也很难传输大批数据，考虑对信息进行压缩编码或者分时分级进行传输，合理优化现有传输能力，考虑构建基于多源信息融合的水下探测-通信-控制一体化架构，真正形成组网系统化、模块化。

（2）水下环境复杂和干扰较多，信息量急剧增加，适用于水下环境的信息融合结构需进一步优化，分布式、多基地、多层次融合结构可增加水下系统的稳健性，但前提必须符合简单、高效、稳定的工程化标准。因此，在融合结构丰富优化的前提下，同时结合不同的海洋环境和应用目的，构建不同的空间布局，使得相应的融合结构发挥最大效能。

（3）水声目标融合探测方法在复杂的多目标密集场景和伪目标场景，计算复杂度会急剧增加，多目标状态很难确定，因此需改进现有方法，或研究适用于水下环境的新的检测、定位、跟踪方法。为提高水下目标检测能力，引入环境和目标先验知识，提取目标特征，基于特征融合达到提高检测能力的目的；精确的海洋物理模型和声传播模型构建、多维信息的综合运用、主被动探测方式结合以及探测平台和传感器布局优化都有利于提高水下目标的定位精度；多目标关联和跟踪等算法都面临着状态估计精度和算法复杂度矛盾的问题，未来研究中可寻求更精确的状态估计方法、水下目标运动模型，综合利用多种算法，对各种关联和滤波算法进行融合使用，发挥各自的优势。

（4）水下目标融合识别算法也存在着许多问题：多传感器信息融合的决策过程中涉及的传感器数据不确定、数据冲突、数据误差较大等问题严重影响了判决结果，如何获得可靠的隶属度、基本概率赋值等依然是无法彻底解决的问题；信息融合中的数据库和知识库技术研究也很重要，数据的预处理技术是改善融合精度的关键点；探索基于未知知识和先验信息的信息融合新技术，综合利用多种融合方法是思路之一，如模糊理论和人工智能相结合、D-S证据理论和人工智能方法相结合、低层融合和高层融合相结合等；如何合理的评价融合结果也没有统一的标准。

（5）多源异类数据越来越丰富，现有研究却缺乏对多源异类数据的有效利用，且目前主要集中在决策融合层次，对异类数据只是进行高度标准化、概率化，丢失了很多原始信息。多信息源获取的多模态、异类数据如何处理，如何对异类数据深度挖掘，针对“异构、异质、异步”数据的融合方法目前还没有更好的思路，还需进一步研究。

（6）基于信息融合的水声目标探测与识别技术许多还只是停留在理论研究阶段，缺乏工程应用研究，且硬件研究没能同步实施，很难处理海量数据和满足算法计算量需求，和工程应用有着严重的脱节现象。

声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨，并不意味着支持其观点或证实其内容的真实性。版权归原作者所有，如转载稿涉及版权等问题，请立即联系我们删除。

“人工智能技术与咨询”   发布