基于分布式浮标探测的多源信息融合方法

摘要

本发明公开了基于分布式浮标探测的多源信息融合方法，所述多源信息融合方法包括以下步骤：步骤一：对含有噪声和杂波的观测数据的有效性进行判断，选择一个阈值，根据所述阈值去除掉环境干扰造成的有过大误差的数据值；步骤二：选择合适的神经网络类型，构建多层神经网络模型，通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最佳估计的融合模型；步骤三：将经过预处理的观测数据输入经过样本培训过的多层神经网络模型，得出最佳判决。本发明实现了可观的信息压缩，有利于实时处理，能最大限度地给出决策分析所需要的特征信息，有效应对复杂水声环境和安静型目标所导致的杂波率高、目标声源级微弱以及多目标航迹交叉情况。

权利要求

1.基于分布式浮标探测的多源信息融合方法，其特征在于，所述多源信息融合方法包括以下步骤：步骤一：对观测数据进行预处理，对含有噪声和杂波的观测数据的有效性进行判断，选择一个阈值，根据所述阈值去除掉环境干扰造成的有误差的不合理数据值；

步骤二：选择合适的神经网络类型，构建多层神经网络模型，通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最佳估计的融合模型；

步骤三：将经过预处理的观测数据输入最佳估计的融合模型，得出最佳判决；

步骤一中，具体的，设当 表示第i‑1点的坐标滤波值， 表示第i‑1点的速度滤波值，ΔSwx,i‑1表示第i‑1点至i点的目标航程在X轴上的分量，ΔT表示滤波采样间隔时间，那么 表示第i‑1点对i点的线性外推值为当输入的采样点Xi满足

则认为该采样点Xi为合理点，机器予以接收，否则认为是不合理点，予以剔除，而用点代替采样点Xi，ΔX是采样点与线性外推值的差值，δj表示观测误差均方差，下标j为连续剔点个数，采样点为合理点时，要清楚连续剔点信息和计数。

2.根据权利要求1所述的基于分布式浮标探测的多源信息融合方法，其特征在于，步骤二中，具体的，如果待估计参数是θ，而经预处理后的观测资料是xi，i＝1,…,N，并且已知这种估计是无偏的，即E[xi]＝θ，i＝1,…,N，以向量表示T

x＝[x1,...,xN]寻求加权系数

令

Ｔ

xnew＝w x

使得

T 2

I＝E[w(x‑Ex)]

极小，约束条件是

T

wU＝1

T

其中U＝[1,...1]，因此有T

I＝wRxxw

其中

T

Rxx＝E[(x‑Ex)(x‑Ex) ]是输入向量x的相关矩阵，在观测资料相互独立的情况下，Rxx为一个对角矩阵，用Lagrange乘子法，求条件极值，引入参数λ，考虑T T

z＝wRxxw+λwU

求偏微商得到

令上式为0，求出最佳融合下的加权系数为：再用约束条件求解λ，得到

可以证明，对任何i

由上式可知，不管观测数据的数量有多少，不管观测资料是独立的还是相关的，最佳线性融合的结果从统计平均意义上来说，比任何单个观测量的估计误差都要小。

说明书

基于分布式浮标探测的多源信息融合方法

技术领域

[0001] 本发明涉及基于分布式浮标探测的多源信息融合方法，属于海洋声学目标探测领域。

背景技术

[0002] 海洋声学目标探测技术对于维护国家主权，保障国家海洋环境安全，促进海洋探索与开发至关重要。在现阶段的声纳探测领域，尽管用于潜艇和水下航行器监测的传感器系统取得了进展，但对于广阔的海洋环境，由于近年来水下目标隐身技术不断进步，给水声探测技术带来了巨大挑战。传统单站声纳探测在空间上的覆盖以及多站声纳在探测精度与信息处理上仍然存在很大的缺陷。

[0003] 在传统的探测方式中，探测设备在海洋环境中工作时由于信道是海水介质，水下信道的低信息传输率给连续检测、跟踪和识别目标带来困难。色散效应包括空间扩展损失和海水吸收损失，引起信号能量的衰减和波形畸变。浅海声速剖面不稳定、不规则，随季节、时间和纬度而变化。声速剖面可导致声线弯曲及混叠干涉，会产生声影区。海水本身的不均匀性、海水中的流砂粒子和海洋生物等引起的体积混响，海面的不平整性和波浪形成的气泡层对声波的散射所形成的海面混响，将影响声纳探测目标的稳定性。多径传播产生信号起伏、信号畸变和去相关，直接影响空间和时间处理增益，使探测性能下降。

[0004] 鉴于声纳探测在海战中的重要作用，世界各国在重视发展声纳探测技术的同时，十分重视发展反侦察的技术，即水下目标隐身技术。海上试验和海战都证明，这些隐身技术能有效地降低单站声纳探测能力。针对水下目标隐身技术的发展，探测隐身目标的多源声学网络也应运而生。多个固定和移动节点通过水下网络联接形成有机整体，利用其进行稳健、高效的跟踪对于提高目标探测性能至关重要。然而，复杂水声环境和安静型目标所导致的杂波率高、目标声源级微弱以及多目标航迹交叉对多源信息的处理带来很大挑战。

[0005] 针对这一挑战，低频、移动、多节点水声探测技术日益受到重视，由此可见，通过水声通信组网技术将主被动探测节点连接成水声探测网络，并对获取的多源信息进行融合，是海洋声学目标探测技术发展的一个重要途径。因此，本文提出一种基于分布式浮标探测的多源信息融合方法，对多浮标探测的目标声纳信息采用神经网络模型算法进行特征级融合，实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息。

发明内容

[0006] 本发明提出了基于分布式浮标探测的多源信息融合方法，其目的是为了解决在复杂水声环境下多浮标水声探测容易受环境影响，探测精度不高等问题。

[0007] 本发明通过以下技术方案实现：基于分布式浮标探测的多源信息融合方法，所述多源信息融合方法包括以下步骤：

[0008] 步骤一：对含有噪声和杂波的观测数据的有效性进行判断，选择一个阈值，根据所述阈值去除掉环境干扰造成的有过大误差的数据值；

[0009] 步骤二：选择合适的神经网络类型，构建多层神经网络模型，通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最佳估计的融合模型；

[0010] 步骤三：将经过预处理的观测数据输入经过样本培训过的多层神经网络模型，得出最佳判决。

[0011] 进一步的，步骤一中，具体的，设当 表示第i‑1点的坐标滤波值， 表示第i‑1点的速度滤波值，ΔSwx,i‑1表示第i‑1点至i点的目标航程在X轴上的分量，ΔT表示滤波采样间隔时间，那么 表示第i‑1点对i点的线性外推值为

[0012]

[0013] 当输入的采样点Xi满足

[0014]

[0015] 则认为该采样点Xi为合理点，机器予以接收，否则认为是不合理点，予以剔除，而用点 代替采样点Xi，ΔX是采样点与线性外推值的差值，δj表示观测误差均方差，下标j为连续剔点个数，采样点为合理点时，要清楚连续剔点信息和计数。

[0016] 进一步的，具体的，步骤二中，具体的，如果待估计参数是θ，而经预处理后的观测资料是xi，i＝1,…,N，并且已知这种估计是无偏的，即E[xi]＝θ，i＝1,…,N，以向量表示[0017] x＝[x1,...,xN]T

[0018] 寻求加权系数

[0019]

[0020] 令

[0021] xnew＝wTx

[0022] 使得

[0023] I＝E[wT(x‑Ex)]2

[0024] 极小，约束条件是

[0025] wTU＝1

[0026] 其中UT＝[1,...1]，因此有

[0027] I＝wTRxxw

[0028] 其中

[0029] Rxx＝E[(x‑Ex)(x‑Ex)T]

[0030] 是输入向量x的相关矩阵，在观测资料相互独立的情况下，Rxx为一个对角矩阵。用Lagrange乘子法，求条件极值，引入参数λ，考虑

[0031] z＝wTRxxw+λwTU

[0032] 求偏微商得到

[0033]

[0034] 令上式为0，求出最佳融合下的加权系数为：

[0035]

[0036] 再用约束条件求解λ，得到

[0037]

[0038]

[0039] 可以证明，对任何i

[0040]

[0041] 由上式可知，不管观测数据的数量有多少，不管观测资料是独立的还是相关的，最佳线性融合的结果从统计平均意义上来说，比任何单个观测量的估计误差都要小。

[0042] 本发明的有益效果在于：面对复杂的海洋环境，相比单站探测或多站探测方式，对分布式浮标探测信息进行多源信息融合可以提高探测范围，加强探测能力，提升探测信息处理精度。此外，针对水下目标隐身技术的发展，探测隐身目标的多源声学网络更适用于新型战况。多个固定和移动节点通过水下网络联接形成有机整体，利用其进行稳健、高效的跟踪对于提高目标探测性能至关重要。通过水声通信组网技术将主被动探测节点连接成水声探测网络，并对获取的多源信息进行融合，是海洋声学目标探测技术发展的一个重要途径。基于分布式浮标探测的多源信息融合方法对多浮标探测的目标声纳信息采用神经网络模型算法进行特征级融合，实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，因而融合结果能最大限度地给出决策分析所需要的特征信息，能有效应对复杂水声环境和安静型目标所导致的杂波率高、目标声源级微弱以及多目标航迹交叉情况。

附图说明

[0043] 图1基于分布式浮标的多源信息融合示意图；

[0044] 图2多源信息预处理示意图；

[0045] 图3数据融合的多层神经网络模型示意图；

[0046] 图4最佳判决流程图。

具体实施方式

[0047] 下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0048] 参照图1和图4所示，基于分布式浮标探测的多源信息融合方法，所述多源信息融合方法包括以下步骤：

[0049] 步骤一：对含有噪声和杂波的观测数据的有效性进行判断，选择一个阈值，根据所述阈值去除掉环境干扰造成的有过大误差的数据值；

[0050] 步骤二：选择合适的神经网络类型，构建多层神经网络模型，通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最佳估计的融合模型；

[0051] 步骤三：将经过预处理的观测数据输入经过样本培训过的多层神经网络模型，得出最佳判决。

[0052] 参照图2所示，在本部分优选实施例中，步骤一中，具体的，由于观测设备装置转换或环境干扰等原因，采集到的数据可能出现过大的误差。如果不去掉这些野值，会使后续的处理计算出现大误差，引起输出抖动等不利现象。为了防止这种现象发生，需要对输入数据进行合理性检验，剔除那些明显有大误差的不合理数据，用合理的数据代替，同时，由于观测器材的采样间隔可能是不一致的，需要进行观测数据的插值或压缩处理。

[0053] 野点的剔除是对输入数据进行检验的重要环节，这里采用直角坐标系下的X坐标来进行剔点处理。

[0054] 设当 表示第i‑1点的坐标滤波值， 表示第i‑1点的速度滤波值，ΔSwx,i‑1表示第i‑1点至i点的目标航程在X轴上的分量，ΔT表示滤波采样间隔时间，那么 表示第i‑1点对i点的线性外推值为

[0055]

[0056] 当输入的采样点Xi满足

[0057]

[0058] 则认为该采样点Xi为合理点，机器予以接收，否则认为是不合理点，予以剔除，而用点 代替采样点Xi，ΔX是采样点与线性外推值的差值，δj表示观测误差均方差，下标j为连续剔点个数，采样点为合理点时，要清楚连续剔点信息和计数。

[0059] 参照图3所示，在本部分优选实施例中，步骤二中，具体的，对于不同环境状况下的声纳探测需求，不同的神经网络能解决多种复杂问题，径向基神经网络在处理非线性方程上具有良好的特性，可以利用神经元及路径对未知的非线性误差及信号延迟进行反馈，对非线性函数有很好的逼近效果。线性神经网络可设计线性自适应滤波网络，主要用于信号处理滤波及自适应预测上。

[0060] RBF(径向基)神经网络是一种前向反馈神经网络，分为输入层，中间层及输出层。(1)输入层：在非线性航迹控制系统中，输入层主要指混入了噪声及延迟的各类采集数据，如航速、航向、经纬度等信息。在输入层，需要对采集数据做平滑及归一化处理。(2)中间层：
中间层在RBF网络中又称为隐含层，此层构造不同的控制基函数，并叠加不同的权值系数。
(3)输出层：去除了非线性因素的输出结果，在RBF网络中，输出的结果在初始时相对于真实值误差较大，随后误差逐渐变小。线性神经网络由一个或多个线性神经元构成，主要可用于信号处理滤波及自适应预测方面。

[0061] 对于来自多浮标上不同探测装置及定位装置的多运动参数的目标信号，神经网络本身无法直接进行处理。要使神经网络进行融合分析处理，还必须从目标多运动参数信号中提炼出能有效区分的信号特征，该特征抽取过程提取的特征信息应是原始信息的充分表示量或充分统计量，随后依据各方位抽取到的特征信息对多源数据进行分类、聚集和综合，生成相应的特征矢量。信号特征是对目标多运动参数信号的一种集中描述，即特征级数据，使目标特性得到突出，从而提高融合分析的精度。在特征提取的基础上，选择合适的神经网络进行模型的构造，构造神经网络时需要确定网络的层数和各层的神经元数。

[0062] 在人工神经网络理论中，输入和输出之间，假设有一个或多个隐蔽层，隐蔽层通过对输入数据的学习、训练，经过调整系统的参数和反馈信息，得出最后的判决。当然，对网络隐含层神经元个数的选取应该有一定的灵活性。隐含神经元太少，势必要将输入层传过来的信息进行过分压缩，很大一部分信息将不能通过隐含层，导致分类能力下降；隐含神经元太多，网络的非线性可能过于复杂，计算所需时间大大加大，甚至导致对硬件要求的增加。

[0063] 神经网络的算法就存在于这些输入数据层和最终判决层的结果之间的若干隐蔽层中，只要数据量足够大，经过训练、学习的决策结果就有可能接近或达到人工智能的水平，并且估计误差随数据量的增加而降低。多传感器的数据融合存在一种最佳线性融合算法，不管是独立的观测资料还是相关的观测资料，都可以找到一种数据融合结果，使得新的估计具有最小估计误差。

[0064] 如果待估计参数是θ，而经预处理后的观测资料是xi，i＝1,…,N，并且已知这种估计是无偏的，即E[xi]＝θ，i＝1,…,N，以向量表示

[0065] x＝[x1,...,xN]T

[0066] 寻求加权系数

[0067]

[0068] 令

[0069] xnew＝wTx

[0070] 使得

[0071] I＝E[wT(x‑Ex)]2

[0072] 极小，约束条件是

[0073] wTU＝1

[0074] 其中UT＝[1,...1]，因此有

[0075] I＝wTRxxw

[0076] 其中

[0077] Rxx＝E[(x‑Ex)(x‑Ex)T]

[0078] 是输入向量x的相关矩阵，在观测资料相互独立的情况下，Rxx为一个对角矩阵。用Lagrange乘子法，求条件极值，引入参数λ，考虑

[0079] z＝wTRxxw+λwTU

[0080] 求偏微商得到

[0081]

[0082] 令上式为0，求出最佳融合下的加权系数为：

[0083]

[0084] 再用约束条件求解λ，得到

[0085]

[0086]

[0087] 可以证明，对任何i

[0088]

[0089] 由上式可知，不管观测数据的数量有多少，不管观测资料是独立的还是相关的，最佳线性融合的结果从统计平均意义上来说，比任何单个观测量的估计误差都要小。