第 8章基于直觉模糊集的数据关联
本章介绍直觉模糊集在信息融合中的应用 ,主要内容包括信息融合功能模型和结构;直觉模糊数据关联;直觉模糊航迹关联与航迹融合.
8.1信息融合功能模型和结构
多传感器信息融合是人类和其他动物中普遍存在的一种基本功能 .人类和其他动物对客观事物的认知过程 ,就是对多传感器信息的融合过程 .在这个认知过程中 ,人或动物首先通过视觉、听觉、触觉、嗅觉和味觉等多种感官对客观事物实施多种类、多方位的感知 ,从而获得大量互补和冗余信息 ;然后由大脑对这些感知信息依据某种规则进行组合和处理 ,从而得到对客观对象统一与和谐的理解和认识 .这种由感知到认知的过程就是生物体的多传感器信息融合过程 .
现在所研究的多传感器信息融合 ,实际上是对人脑综合处理复杂问题的一种功能模拟 .其基本原理就像人脑综合处理信息的过程一样 ,充分利用多个传感器资源 ,通过对各种传感器及其观测信息的合理支配与使用 ,将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来 ,产生对观测环境的一致性解释和描述.信息融合的目标是基于各传感器分离观测信息 ,通过对信息的优化组合导出更多的有效信息 ,最终目的是利用多个传感器共同或联合操作的优势来提高整个传感器系统的有效性 .
8.1.1信息融合功能模型
关于信息融合的功能模型历史上曾出现过不同观点 ,迄今已有多种信息融合系统模型 ,其中典型的有 JDL的信息融合功能模型、 DAsArAthy[1]提出的 I/O功能模型、 E. WAltz提出的支持指挥与控制的融合模型以及 Bedworth[2]的 “Omnibus”处理模型等 .
JDL的信息融合功能模型影响较大 ,是公认较为权威的模型 ,它是一个有效的、跨越多个应用领域的模型 ,它确定了适用于数据融合的过程、功能、技术种类和特定技术 .该模型按照信息处理的抽象级别 ,将信息融合功能划分为 L0 ～ L4等几个级别及支持数据库 ,如图 8.1所示 , JDL模型的优点是易于理解各个不同层次上信息融合的基本任务 .
图 8.1 JDL信息融合模型图
第 0级处理 L0为预处理级 ,它进行信号级优化 ,基于像数 /信号级数据关联和特征 ,对可观测信号或目标状态进行估计和预测 .
第一级处理 L1为目标优化 ,主要功能包括数据配准、数据关联、目标位置和运动学参数估计 ,以及属性参数估计、身份估计等 ,其结果为更高级别的融合过程提供辅助决策信息 .所谓数据配准 ,就是将时域上不同步 ,空域上属于不同坐标系的多源数据进行时空对准 ,从而将多源数据纳入一个统一的参考框架中 .数据关联主要处理分类和组合等问题 ,将隶属于同一数据源的数据集合组合在一起 .跟踪用以实现对运动实体的运动参数估计 .身份估计处理的是实体属性信息的表征与描述 .
第二级处理 L2为态势评估 ,是对整个态势的抽象和评定 .其中 ,态势抽象就是根据不完整的数据集构造一个综合的态势表示 ,从而产生实体之间一个相互联系的解释 .而态势评定则关系到对产生观测数据和事件态势的表示与理解 .态势评定的输入包括事件检测、状态估计以及为态势评定所生成的一组假设等 .态势评定的输出在理论上是所考虑的各种假设的条件概率 .在军事领域 ,态势评估是指评价实体之间的相互关系 ,包括敌我双方兵力结构和使用特点 ,是对战场上战斗力量分配情况的评价过程 .
第三级处理 L3为威胁评估 ,它将当前态势映射到未来 ,对参与者设想或预测行为的影响进行评估 ;在军事上是一种多层视图处理过程 ,用以解释对武器效能的估计 ,以及有效地扼制敌人进攻的风险程度 .此外 ,威胁估计还包括通过汇集技术和军事条令数据库中的数据 ,对我军要害部位受敌人攻击的脆弱性 ,以及作战事件出现的程度和可能性进行估计 ,并对敌方作战企图给出指示和告警 .
第四级处理 L4为过程优化 ,是一个更高级的处理阶段 .通过建立一定的优化指标 ,对整个融合过程进行实时监控与评价 ,从而实现多传感器自适应信息获取和处理 ,以及资源的最优分配 ,以支持特定的任务目标 ,并最终提高整个实时系统的性能 .
8.1.2信息融合的结构
信息融合按处理方式分为三种融合结构：集中式、分布式和混合式 .
1.集中式结构
集中式结构将各传感器节点的数据都送至中央处理器进行融合处理 ,在那里完成航迹起始、点迹 –航迹相关及航迹更新等任务 ,如图 8.2所示 .
图 8.2集中式结构
集中式处理的优点是：对多传感器信息可实时融合 ,数据量大、处理精度高、解法灵活 .其困难在于数据处理中心的数据量大、处理负担重、要求有更强大的处理资源、可靠性较低、难于实现 .
2.分布式结构
分布式的结构如图 8.3所示 .其特点是每个传感器利用自己的量测单独跟踪目标,将估计结果送至处理中心 ,在此将各传感器的估计合成为目标的联合估计 .其优点是传送到处理中心的数据量小 ,对通信带宽需求低 ,处理中心的计算速度快 .且由于系统是分布跟踪的 ,具有较高的生存能力 ,单个传感器失效不影响其他传感器的性能 ,对整个系统性能的影响也较小 ,故可靠性和延续性好 .
分布式处理的困难在于实现航迹 –航迹关联 ,典型的解决方法是利用航迹关联矩阵 .分布式处理的精度不高 ,对目标的机动适应性差 ,故多用于对精度要求不高的场合 .
3.混合式结构
混合式结构是以上两种形式的综合 ,如图 8.4所示 .混合式结构同时传输检测报告和经过局部处理后的航迹信息 ,它兼具上述二者的优点 ,但在通信和计算上要付出较昂贵的代价 .此类结构也具有上述两类结构难以比拟的优势 ,在实践场合往往采用此类结构 .
图 8.3分布式结构
图 8.4混合式结构
8.1.3多传感器数据关联的过程与任务
对多个传感器获取的信息进行关联 ,是多传感器信息融合的主要任务之一 ,也是完成信息融合其他任务的前提和基础 .关联处理过程要经过不同的层次 ,如常将雷达网信息处理分为三个层次 ,即雷达信号与目标检测、单部雷达数据处理和多部雷达数据融合 ,有时也分别称其为雷达信息一次处理、雷达信息二次处理和雷达信息三次处理 .一般来说 ,多传感器数据关联需要经过数据准备、数据关联、航迹关联与融合等过程 .
1.数据准备
参与多传感器数据关联的单传感器数据需要经过预处理、系统误差修正、时空对准等准备环节 .
(1)预处理
.在二次处理之前 ,对一次处理给出的点迹要做进一步的处理 ,即预处理 ,以提高信号的质量 ,其中主要包括点迹滤波、点迹合并和去野值 .点迹过滤的目的是将非目标点迹减至最少 ,其基本依据是运动目标和固定目标跨周期的相关特性不同 .点迹合并 ,是对同一目标在多个相邻波门被检测到的情况 ,即出现目标分裂时 ,进行合并 .去野值 ,是去掉那些在录取、传输过程中 ,由于受到干扰等原因所产生的一些不合理或具有粗大误差的数据 ,通常这些数据称为野值 .
(2)系统误差修正
.传感器对目标坐标参数进行测量时 ,在所测得的数据中包含有两种误差 .一种是随机误差 ,每次测量时 ,它都可能是不同的 ,这种误差是无法修正的 ;另一种是固定误差 ,即系统误差 ,它不随测量次数的变化而变化 ,因此通过校正是可以消除的 .系统误差包括传感器本身的位置误差和传感器给出的目标坐标的系统误差 ,后者主要包括方向测量的波束指向偏差、距离测量零点偏差、高度计偏差和处理方法误差等 .
(3)
坐标变换或空间对准 .对处于不同地点的各个雷达站送来的点迹进行数据关联 ,必须对坐标系进行统一 ,即把它们都转换到处理中心或指挥中心的公共坐标系上来 .坐标变换的方法很多 ,各种方法的变换复杂度和处理精度不同 ,可根据传感器分布范围和对精度的要求选取合适的坐标变换方法 .
(4)
时间同步或对准 .多传感器工作时 ,在时间上是不同步的 ,所以不同传感器的观测数据通常不是在同一时刻得到的 ,存在着观测数据的时间差 .这样 ,在融合之前必须将这些观测数据进行同步 ,或者称作时间对准 ,即统一时间基准 .
(5)量纲对准
.量纲对准就是把各个雷达站送来的各个点迹数据中的参数量纲进行统一 ,以便后续计算 .
2.数据关联
数据关联是建立单一的传感器测量与以前其他测量数据的关系 ,以确定它们是否有一个公共源的处理过程 .由于这些测量可能涉及不同的坐标系 ,它们在不同的时间观察不同的源 ,即时间上不同步 ,并且可能有不同的空间分辨率 ,因此 ,关联处理必须建立每个测量与大量的可能数据集合的关系 .
数据关联处理可以描述为：把来自一个或多个传感器的观测或点迹 Zi, i = 1, 2, ,N,与 j个已知或已经确认的事件归并到一起 ,使它们分别属于 j个事件的集合 ,即保证每个事件集合所包含的观测以较大的概率或接近于 1的概率均来自同一个实体 .对没有归并到 j个事件中的点迹 ,其中可能包括新的来自目标的点迹或由于噪声或杂波剩余产生的点迹 ,保留到下个时刻继续处理 .
3.航迹关联与融合
在分布式多传感器融合系统中 ,每个传感器的跟踪所给出的航迹称作局部航迹或传感器航迹 ,航迹融合系统将各个局部航迹融合后形成的航迹称作系统航迹或全局航迹 .航迹融合是以传感器航迹为基础的 ,分为两步：航迹关联和航迹融合 .
航迹关联 ,在航迹融合中有两层意思 ,一层意思是把各个传感器送来的目标状态按照一定的准则 ,将同一批目标状态归并到一起 ,形成一个统一的航迹 ,即系统航迹或全局航迹 ;另一层意思是把各个传感器送来的局部航迹的状态与数据库中已有的系统航迹进行配对 ,以保证配对以后的目标状态与系统航迹中的状态源于同一批目标 .
航迹融合 ,是融合中心把来自不同局部航迹的状态 ,或局部航迹的状态与系统航迹状态关联之后 ,把已配对的局部状态分配给对应的系统航迹 ,形成新的系统航迹,并计算新的系统航迹的状态估计和协方差 ,实现系统航迹的更新 .
8.2基于模糊理论的信息融合
当前 ,制约信息融合向深入发展的因素有：
(1)
信息类型的高度相异性和内容的模糊属性 ;
(2)
多源信息和多任务引入的固有复杂性 ;
(3)
目前尚没有数学工具来统一描述和处理此类复杂的问题 .
寻求深层次的有效数学工具对多源信息融合问题进行描述和处理势在必行 .本书将直觉模糊理论与方法引入信息领域 ,介绍直觉模糊集理论在信息融合各层次的应用.
8.2.1模糊理论在信息融合中的应用
由于多传感器获取的信息存在不确定性 ,其中模糊性是主要的不确定性之一 ,因此模糊理论自然就成为研究信息融合的理论基础 .基于模糊理论的信息融合方法,在任务描述和评价体系方面具有独特优势 .模糊理论的基本方法 ,如模糊聚类、模糊推理、模糊模式识别、模糊综合评判等 ,在信息融合的不同层次得到了成功应用.
自从 Aziz等将数据关联问题看作是模糊聚类问题 [5],模糊 C均值聚类 (fuzzy C-meAns clustering, FCM)算法成为了模糊数据关联算法 (fuzzy dAtA AssociAtion, FDA)的基础 , FDA算法通过使目标函数最小把观测数据分别划分到以目标预测位置为中心的类中 ,从而实现观测与航迹的关联 ,最终完成目标跟踪任务 .模糊数据关联算法一经提出就获得了广泛应用及持续改进 ,如韩红等将其应用于异类多传感器数据关联 [6];程婷等将测量点迹与目标预测位置之间的隶属度作为加权系数 ,对每个有效回波的信息加权后进行状态估计 ,以克服传统算法的一些缺陷 [7];郭睿等通过定义一种新的度量空间的距离 ,在迭代中平滑异常噪声点对聚类中心的影
展开
