贾燎原,曹 伟

(中国船舶重工集团有限公司第724研究所,江苏 南京 210000)

0 引言

多传感器信息融合技术是一种综合处理信息的方法,它在多个层次上整合数据,以获取比单一传感器数据更有价值的综合信息。航迹关联作为多传感器信息融合系统中的关键组成部分,具有显著的实际应用价值和广阔的应用前景[1]。目前,传统航迹关联算法主要分为以下2类:基于统计理论和基于模糊数学的方法。传统方法通常具有样本依赖性,对数据的分布情况具有较高的敏感性,在数据不充分或噪声较大的情况下关联准确性会面临严峻挑战。

近年来,随着深度学习技术的发展,为解决航迹关联问题拓展了新的方法。盖世昌等[2]利用BP神经网络得到加权统计算法下误差分量加权因子的最优解,但无法准确拟合出非线性误差,航迹关联精度较低。崔亚奇等[3]利用卷积神经网络提取航迹特征,但由于航迹数据在时间上存在长期依赖特征,而卷积神经网络(Convolution Neural Networks, CNN)提取的特征只能局限在窗口内,无法把握全局依赖关系。黄虹玮等[4]研究了基于CNN-LSTM模型的端到端航迹关联方法,但航迹关联的精度提升幅度有限。为了提高航迹数据关联的准确性,充分利用航迹数据的特征信息,本文提出了基于多尺度卷积神经网络和改进LSTM网络组合的航迹数据关联方法(Multiscale CNN with Improved LSTM,MCIL)模型。MCIL模型首先通过多尺度卷积并行处理航迹数据,利用不同大小的卷积核提取航迹数据的空间特征,再利用最大池化与平均池化操作对特征进行采样,在降低特征空间维度的同时保持特征的稳定性。然后将特征送入改进的LSTM网络中捕获数据的长期依赖关系,LSTM网络通过调整相邻时刻航迹数据的偏差来抑制噪声和误差的影响,使其能够更有效地处理航迹数据时间跨度信息,实现对长时间序列数据的更精确建模。实验结果表明,本文提出的MCIL模型具有更优的航迹关联准确性。

1 多尺度卷积和改进LSTM网络模型

1.1 卷积神经网络

卷积神经网络[5]是一种前馈型神经网络,因其具有高效的特征提取能力,在航迹关联研究领域已有应用。CNN主要由卷积层、池化层、全连接层组成。其中,卷积层是卷积神经网络的核心,该层通过卷积运算对输入数据提取局部特征,根据卷积核的大小和数量决定感受野的大小以及输出的特征通道数,在卷积过程中,通过局部连接和权值共享减少参数数量,加快模型学习速率。卷积操作的计算公式下:

yi=fc(xi⊗Wi+bc)

(1)

其中,xi为第i个卷积层的输入;Wi为卷积核权重;bc为卷积核偏置;fc为激活函数;yi为第i个卷积层的输出。

1.2 改进的长短期记忆网络

循环神经网络(Recurrent Neural Network,RNN)[6]是一种利用反馈机制处理时间序列数据的模型,通过引入循环结构与“时间”概念,允许信息在网络中传递,并在不同时间步共享权重。长短期记忆(Long Short-Term Memory,LSTM)网络旨在解决RNN中梯度爆炸或梯度消失问题[7],通过引入门限的概念,克服了RNN遇到的数值不稳定问题。LSTM网络结构如图1所示。LSTM网络通过输入门控制当前时刻更新细胞状态的程度,遗忘门决定上一时刻信息的遗忘程度,输出门选择性输出细胞的隐藏状态。这些门和状态的组合使得LSTM网络能够在序列中选择性地存储、遗忘和读取信息,从而更好地捕获长序列中的依赖关系。

图1 LSTM网络结构

LSTM网络中的信息传播由公式(2)—公式(7)所示。

ft=σ(Wf[ht-1,xt]+bf)

(2)

it=σ(Wi[ht-1,xt]+bi)

(3)

(4)

(5)

ot=σ(Wo[ht-1,xt]+bo)

(6)

ht=ottanh(Ct)

(7)

在LSTM单元结构中,遗忘门在决定当前时刻预测结果时,受上一时刻信息影响。在进行航迹数据关联时,若已知t-1时刻航迹数据的实际值,可以通过利用该时刻航迹数据的偏差来优化调整上一时刻信息对当前时刻航迹数据关联的影响大小。当偏差较大时,表明上一时刻航迹数据可能受误差等因素影响而产生不准确的信息,需要减少上一时刻航迹数据对当前时刻的影响;相反,当偏差较小时,则需要增加前一时刻航迹数据的影响。

基于以上分析,本文在LSTM模型基础上,为避免σ函数导数小于1的情况下导致的梯度消失现象,将LSTM单元的σ函数改为ReLU函数。改进后遗忘门信息传播描述如下:

ft=ReLU(Wf[ht-1,xt]+bf)

(8)

1.3 MCIL模型

MCIL模型主要由多尺度卷积神经网络和改进LSTM神经网络2部分组成,多尺度CNN负责从航迹数据中提取特征,改进的LSTM神经网络负责捕获特征中存在的长期依赖性,利用全连接网络实现航迹关联,模型结构如图2所示。由于航迹数据具有经典的时间序列结构,引入多尺度卷积能够有效地利用不同范围的感受野,以解决在提取序列特征时采用固定卷积核所导致的关联准确率降低问题。本文在多尺度卷积层中利用3种不同路径的并行网络提取航迹数据的时序特征,每个路径中设置卷积核大小分别为1*1、3*1、5*1,而在卷积核大小以外的部分则保持相同的参数设置。在每个卷积路径中,卷积层提取的特征经过ReLU激活函数后分别进行最大池化和平均池化操作,最后送入改进的LSTM网络。

图2 MCIL模型结构

在改进的LSTM网络中,为降低网络计算复杂度,本文采用1层LSTM网络,网络节点为32。上层多尺度卷积提取的航迹关键特征通过改进的LSTM网络,对航迹数据的空间特征与时序信息融合,提高航迹关联准确率。

2 实验分析

2.1 数据集与预处理

为验证MCIL模型的有效性,本文仿照Yu等[7]的研究生成了航迹数据集,进行了仿真实验。在实验中,每个目标在量测区域内的运动方位和运动速度均服从均匀分布,分别为0～360°以及50～100 m/s。每个目标航行50 s,每秒随机变化航行方向以及航行速度,且目标状态改变的幅度符合运动学规律。同时,设定2部雷达在量测距离上分别存在0～100 m、0～150 m误差,在量测角度上均存在1°的测角误差,量测周期分别为2 s和4 s。部分目标真实运动轨迹如图3所示。

图3 目标真实运动轨迹

实验随机生成3 000个目标,将2部雷达对同一目标的量测结果作为正样本,随机匹配以及挑选距离相近的量测组合作为负样本。经过筛选和整理,得到6 347条样本数据,将其中的70%作为训练样本,30%作为测试样本。

为降低数据中噪声的影响,加快训练收敛速度,本文对数据进行归一化处理,将原始数据进行等比例缩放至[-1,1],计算公式为:

(9)

其中,Xmin与Xmax分别为序列中的最小值与最大值;X与Xnormalization为归一化前与归一化之后的数据。

2.2 结果分析

为了验证MCIL模型的航迹关联性能,将该模型算法与传统的CNN、LSTM、CNN-LSTM模型在同等实验环境下进行对比,实验结果采用准确率(ACC)、F1值来评估模型的性能,绘制出航迹关联正确率的对比图,对比结果如图4所示。

从图4中可以看出,LSTM模型收敛速度较慢,CNN模型与CNN-LSTM模型曲线相对平滑,但最终的准确率较低,提出的MCIL模型不仅具有在收敛速度上表现出更快的优势,而且具有稳定且高准确率的特点。

本文在不同模型上的实验结果如表1所示。从表1中可以看出,MCIL模型相比CNN模型准确率提高了9.69%,相比LSTM模型准确率提高了3.96%,相比LSTM模型准确率提高了3.85%。综上分析,MCIL模型对于航迹关联问题有较好的关联效果。

表1 实验结果对比 单位:%

3 结语

本文提出了一种基于多尺度卷积和改进LSTM网络的航迹关联方法,通过多尺度CNN与改进LSTM网络捕获航迹数据中的时空特征,使网络能充分利用航迹隐含特征,提升航迹关联准确性。实验结果表明,本文提出的MCIL模型在准确率、F1指标方面优于其他模型,同时该模型的收敛速度也优于其他模型,对利用深度学习方法解决航迹关联问题具有一定的参考价值。后续,将收集不同型号、不同精度的雷达数据进行实验,进一步加强算法在航迹关联问题上的实用性。