陸澤健，劉 筱，秦永剛，潘 越，郭繼光，黃 勝

(中國電子科學(xué)研究院，北京 100041)

一種面向協(xié)同感知的多傳感器自適應(yīng)管理方法

陸澤健，劉 筱，秦永剛，潘 越，郭繼光，黃 勝

(中國電子科學(xué)研究院，北京 100041)

針對多特征目標綜合識別中的傳感器動態(tài)調(diào)度問題，本文提出一種面向協(xié)同感知的多傳感器自適應(yīng)管理方法。該方法在離線獲取目標識別先驗概率分布的基礎(chǔ)上，首先利用多個管控周期的累積探測特征組合，基于貝葉斯推理實現(xiàn)對未知目標的在線識別，然后計算感知信息熵增益作為管控系統(tǒng)反饋輸入，利用遺傳優(yōu)化算法實現(xiàn)多傳感器-多目標的自適應(yīng)分配。仿真結(jié)果表明，與隨機分配算法相比，該方法識別效率提高了近21秒，有效提升了傳感器網(wǎng)絡(luò)對未知目標的動態(tài)感知能力。關(guān)鍵詞： 識別；信息熵；自適應(yīng)；傳感器管理

0 引 言

現(xiàn)代預(yù)警探測網(wǎng)絡(luò)系統(tǒng)中通常包含相控陣雷達、紅外、光學(xué)、電子偵察、敵我識別/二次雷達、聲吶等多種不同體制、不同類型的傳感器。為充分發(fā)揮多源異構(gòu)傳感器資源的作用，需要加強對傳感器網(wǎng)絡(luò)的智能化管理，使其能夠根據(jù)復(fù)雜多變的戰(zhàn)場環(huán)境做出實時的決策，以獲取作戰(zhàn)指揮所需求的信息，滿足情報保障的需求。多傳感器自適應(yīng)管理技術(shù)通過對傳感器、戰(zhàn)場環(huán)境的建模，建立起滿足業(yè)務(wù)需求的優(yōu)化目標，在有限傳感器資源條件下，對傳感器資源進行合理、科學(xué)的分配，最大化探測效能[1-3]。

在傳感器網(wǎng)絡(luò)探測過程中，目標檢測、跟蹤與識別是三個最重要的工作任務(wù)。當前，圍繞多目標聯(lián)合檢測、協(xié)同跟蹤需求，已有不少文獻對傳感器的管控方法和策略進行了研究[4]。然而，針對目標綜合識別的傳感器管控方法研究較少[5-7]。文獻[5]基于假設(shè)檢驗的方法, 從理論上研究了目標識別中的傳感器管理方法，并進行了多種方法的分析對比；文獻[6]首次提出了一種基于分辨力的目標識別系統(tǒng)中的傳感器管理方法，該方法從分辨力的角度出發(fā)，利用D-S證據(jù)理論對各傳感器的探測結(jié)果進行綜合決策；文獻[7]在分析綜合識別中目標優(yōu)先級和傳感器使用約束條件的基礎(chǔ)上，建立了利用分辨力增益作為傳感器資源管理優(yōu)化準則的目標函數(shù)，提出了利用傳感器混淆矩陣的預(yù)測分辨力增益計算方法。這些理論或者方法通過綜合多個傳感器在同一時刻的判決結(jié)果，在決策級別進行目標綜合識別，依靠建立的優(yōu)化目標函數(shù)實現(xiàn)傳感器的自適應(yīng)管理。這些研究大都在決策級別目標綜合識別的基礎(chǔ)上進行傳感器優(yōu)化管理，無法充分發(fā)揮多種類型傳感器不同探測特征的最大效用；此外，由于戰(zhàn)場環(huán)境的復(fù)雜性，兩個傳感器有可能會對同一個目標做出相反的判決，有可能會造成基于D-S證據(jù)理論的傳感器自適應(yīng)調(diào)度算法的失效。

圖1 基于感知識別信息熵增量的多傳感器管理流程

在多傳感器網(wǎng)絡(luò)中，不同體制、不同工作模式的傳感器能夠提供威脅目標不同特征的描述，通過綜合多個特征的信息，能夠產(chǎn)生比系統(tǒng)中任何一個傳感器更有效、更精確的身份估計和判決。因此，在多傳感器協(xié)同感知過程中，一方面需要綜合多種不同的探測特征信息，使目標識別概率最大；另一方面，由于目標的獨特性，不同的目標特征對目標身份識別的貢獻度不一樣，因此在多傳感器管理過程中應(yīng)該選擇合適的傳感器使探測目標特征最有利于識別。本文針對戰(zhàn)場威脅目標多特征綜合識別中的多傳感器自適應(yīng)管理問題，在多傳感器特征級信息融合的基礎(chǔ)上，建立了面向協(xié)同感知信息熵增益的傳感器資源管理優(yōu)化模型；在此基礎(chǔ)上，采用遺傳算法實現(xiàn)“傳感器-目標”配對的問題；最后，通過設(shè)定綜合識別場景, 對該方法的性能進行了仿真分析。

1 多傳感器自適應(yīng)管理模型

1.1 總體框架

本文提出的面向協(xié)同感知的多傳感器自適應(yīng)管理總體框架如圖1所示。該框架包括離線學(xué)習和在線決策兩部分。在離線學(xué)習部分，針對傳感器網(wǎng)絡(luò)歷史探測數(shù)據(jù)，采用貝葉斯網(wǎng)絡(luò)對探測目標進行統(tǒng)計分析，得到不同類型傳感器對不同類型目標探測特征分布以及全特征模式下的傳感器識別先驗條件概率分布，作為目標識別在線決策的依據(jù)；在第k個管控周期的在線決策過程中，首先對k時刻之前的探測數(shù)據(jù)進行目標特征提取、離散化，得到已探測目標特征組合，然后對第k時刻分配的新傳感器組合，結(jié)合傳感器探測特征分布預(yù)測目標特征。已探測目標特征組合加上預(yù)測目標特征組合可以得到組合的部分目標特征組合，采用貝葉斯推理結(jié)合離散學(xué)習得到的先驗條件概率分布表可以計算得出未知目標的綜合識別概率。在此基礎(chǔ)上，求解當前時刻傳感器網(wǎng)絡(luò)對未知目標的預(yù)測感知信息熵，與上時刻的感知信息熵比較，可以得到系統(tǒng)的感知信息熵增量。感知信息熵增量作為探測系統(tǒng)的反饋輸入，在信息熵增量減小的情況下，通過智能優(yōu)化算法重新優(yōu)化分配傳感器資源，動態(tài)生成傳感器組合對未知目標進行感知，從而實現(xiàn)“感知-學(xué)習-決策-行動”的傳感器管控閉環(huán)。

1.2 目標協(xié)同識別模型

本文采用貝葉斯網(wǎng)絡(luò)推理技術(shù)對目標進行綜合識別。貝葉斯網(wǎng)絡(luò)推理主要應(yīng)用貝葉斯推理算法以及貝葉斯網(wǎng)絡(luò)的條件概率表，對識別目標的類型進行概率計算，取概率值最大的目標類型為目標所屬類型。設(shè)傳感器網(wǎng)絡(luò)中出現(xiàn)的目標種類為S，對于探測目標可以分類到0,1,…S類別上，其中0表示信息不足未能區(qū)分目標。假設(shè)在某一個管控周期k，采用M部不同類型的傳感器探測N個未識別目標，其觀測特征向量值為Zk=(z1,z2,...,zn)，則根據(jù)貝葉斯理論對目標的判決概率p(si|Zk)為：

(1)

式中，假設(shè)各個傳感器的探測是相對獨立的。其中p(zj|si)為目標探測的先驗概率，p(si)是目標類型si出現(xiàn)的概率。p(zk)是測量值zk出現(xiàn)的先驗概率。在貝葉斯準則下，目標類型判定的依據(jù)為：

(2)

1.3 目標特征提取及離散化

貝葉斯推理需要借助于貝葉斯網(wǎng)絡(luò)的條件概率表，該概率表可以通過對傳感器網(wǎng)絡(luò)積累的大量歷史探測數(shù)據(jù)離線學(xué)習得到，也可以由軍事專家結(jié)合理論及實際工程經(jīng)驗給出。由于貝葉斯網(wǎng)絡(luò)接受的數(shù)值都是離散的數(shù)值，而部分傳感器提取的目標特征信息通常是連續(xù)的，因此需要將連續(xù)分布的特征數(shù)值模糊轉(zhuǎn)換為離散的特征數(shù)值。例如，速度可以按照速度的大小模糊成為“快-中-慢”三個數(shù)值；RCS可以按照RCS期望的大小模糊成為“高-中-低”三個數(shù)值；紅外特征可以按照目標輻射亮度的大小模糊成為“強-中-弱”三個數(shù)值。對于ESM、CSM，可以按照是否存在某個波段或波段組合進行離散化；對于敵我識別/二次雷達，得到應(yīng)答則為1，否則為0。對于速度、RCS、紅外等特征的劃分，可結(jié)合各類型目標的特點和典型的數(shù)值來劃分。

1.4 協(xié)同感知信息熵計算

傳感器網(wǎng)絡(luò)探測的目的就是與目標環(huán)境互相作用，以進一步減小目標環(huán)境的“不確定性”。這種不確定性可以通過信息熵來[8]描述。在多目標協(xié)同感知過程中，假設(shè)有M部傳感器，未識別目標有N個，各傳感器對目標的探測是互相獨立的，則在k時刻系統(tǒng)感知信息熵為：

(3)

式中，Z1:k第1個管控周期到第k個管控周期傳感器網(wǎng)絡(luò)累積的目標特征組合。pi(s|Z1:k)是指在k個管控周期已知目標特征組合Z1:k的前提下，對第i個目標識別的貝葉斯判決概率。在實時探測過程中，傳感器的信息在整個網(wǎng)絡(luò)中是共享的，因此傳感器網(wǎng)絡(luò)的信息熵是動態(tài)變化的，即第k個管控周期的信息熵不僅僅包括當前的探測組合對目標的信息熵，也同樣包括之前已探測目標特征對應(yīng)的信息熵。則傳感器網(wǎng)絡(luò)每次探測目標的信息增量I定義為：

(4)

若Hk(p)=Hk-1(p)，則Ik=0，表示傳感器網(wǎng)絡(luò)本次量測沒有提供任何信息，在協(xié)同感知中表示沒有新的特征量提供。若Hk(p)≠Hk-1(p)，則Ik≠0，則說明傳感器網(wǎng)絡(luò)本次量測提供了新的信息。Ik越大，說明傳感器網(wǎng)絡(luò)的分類不確定性越大，對應(yīng)的目標更需要傳感器對它做進一步識別。協(xié)同感知信息熵增益可以作為傳感器動態(tài)調(diào)度的判斷依據(jù)之一。

2 基于遺傳算法的傳感器-目標分配算法

2.1 傳感器-目標分配模型

多傳感器協(xié)同感知就是要科學(xué)、合理的分配多個傳感器去識別多個未知目標。假設(shè)傳感器網(wǎng)絡(luò)中包含M部傳感器，待識別目標有N個。在探測過程中同一個目標可能由多個傳感器來探測，則引入偽傳感器的概念[9]，即對于一個目標，可能分配的傳感器組合為2M-1個。面向協(xié)同感知的傳感器-目標分配模型如下式所示：

(5)

2.2 智能優(yōu)化算法流程

由上一小節(jié)可以看出，傳感器資源分配求解是一個組合爆炸的NP-hard問題。雖然傳統(tǒng)的數(shù)學(xué)規(guī)劃方法在理論上能得到最優(yōu)解,但受到問題維數(shù)的制約往往不滿足實際要求。本文采用遺傳算法求解該問題。遺傳算法包含適應(yīng)度函數(shù)選擇、基因編碼、遺傳操作(初始種群產(chǎn)生、選擇、交叉、變異)等步驟。適應(yīng)度函數(shù)采用公式(5)中的定義，則整個遺傳算法具體步驟如下：

Step1：基因編碼?；蚓幋a操作是將待解決的問題的可行解進行數(shù)學(xué)量化，并轉(zhuǎn)化為遺傳過程中基因結(jié)構(gòu)數(shù)學(xué)模型，以便進一步進行交叉、變異、選擇等操作。假設(shè)待分配的傳感器組合(包括真實傳感器和偽傳感器)為2M-1，對于由N個待識別的目標，每個目標選擇一種傳感器組合作為分配的結(jié)果，則編碼形成的染色體串對應(yīng)著一種傳感器-目標分配方案，如下圖所示：

圖2 染色體編碼示意圖

其中Ri∈[1,2M-1]。

Step2：初始化種群。假設(shè)種群個體的數(shù)量設(shè)置為T，則隨機生成T個染色體串，即產(chǎn)生含有T個個體的初始種群。對于每個染色體中的每一個基因，隨機從[1,2M-1]之間選擇一個數(shù)字作為初始化分配結(jié)果。

Step3：個體選擇。選擇根據(jù)適者生存的原則選擇生成下一個個體方案的父本，以適應(yīng)度為選擇原則，選擇出適應(yīng)度大的分配方案直接傳給下一代，淘汰適應(yīng)度低的方案。采用輪盤賭選擇方法對種群個體進行選擇。

首先由適應(yīng)度大小計算每種分配方案被選擇的概率。記Si為T個個體中第i個個體的適應(yīng)度，Ai為第i個個體被選中這一事件，則第i個方案被選擇參與下一代種群的概率為

(6)

(7)

的第k個方案作為被選中方案，重復(fù)選擇T次(同一個體可以多次被選中)，選出下一代的T個個體。為滿足遺傳算法收斂的要求，保證最優(yōu)個體能夠被復(fù)制到下一代，應(yīng)當將當代適應(yīng)度最高的個體替換下一代個體中適應(yīng)度最差的個體，以保證適應(yīng)度最高的個體能夠存活到下一代種群中。

Step4：交叉。在被選中用于繁殖下一代的個體中，以交叉概率pc隨機不重復(fù)地從中間群體中選擇兩兩個體對，等概率隨機選擇個體對中的基因交換位，對交換位前的基因進行交叉運算，交叉過程如圖所示。

圖3 染色體交叉示意圖

Step5：變異。變異是在交叉后的個體中，以變異概率pm對所有個體的基因位進行變異運算，隨機產(chǎn)生一個符合限制條件的數(shù)賦值給該位，生成子代群體。具體操作為，對于每個基因位，隨機生成[0,1]上的數(shù)，將它與變異概率pm進行比較，如果隨機生成的數(shù)小于變異概率，則在取值范圍內(nèi)隨機生成一個值替換原基因位。變異生成新方案的過程如圖3所示。

圖4 染色體變異示意圖

Step6：交叉概率和變異概率的動態(tài)選取。用不變的控制參數(shù)來控制遺傳進化，很容易導(dǎo)致“早熟”，降低了算法的搜索效率。調(diào)整遺傳算法控制參數(shù)較好的方法是動態(tài)自適應(yīng)技術(shù)，其基本思想是使交叉概率pc和變異概率pm在進化過程中根據(jù)種群的實際情況，隨機調(diào)整大小，具體做法為：當種群趨于收斂時，減小pc、增大pm，即降低交叉的概率，提高變異的概率，以保持種群的多樣性，避免出現(xiàn)“早熟”；當種群個體發(fā)散時，增大pc、減小pm，即提高交叉的概率，降低變異的概率，使種群趨于收斂，提升算法的收斂速度。

利用“早熟”程度指標

(8)

(9)

3 仿真分析

假設(shè)在[100 km×100 km]的監(jiān)視區(qū)域內(nèi)部署6部傳感器，包含1部測速雷達傳感器，1部RCS特性測量雷達傳感器，2部紅外傳感器，2部無線電偵察傳感器，其中雷達傳感器、紅外傳感器、無線電偵察傳感器的探測距離分別為60 km、 65 km以及70 km。在某一時刻，有80批未知類型的目標從監(jiān)視區(qū)域的某一側(cè)沿著不同的方向同時進入監(jiān)視區(qū)域，目標可能有4種類型A、B、C、D，每種類型目標的個數(shù)均為20個。每種類型目標的先驗概率通過對歷史探測數(shù)據(jù)進行貝葉斯網(wǎng)絡(luò)統(tǒng)計分析得到。由于貝葉斯網(wǎng)絡(luò)涉及到大量的統(tǒng)計分析計算，這里直接給出貝葉斯網(wǎng)絡(luò)條件概率表，如表1所示。

根據(jù)當前測量的特征數(shù)據(jù)組合，經(jīng)過貝葉斯推理之后計算得出當前目標的綜合識別概率。當綜合識別概率大于等于0.80時，目標被確認，之后不用再被識別。為簡單起見，在整個仿真過程中，目標做二維的勻速運動。為形成對比，本文采用傳感器隨機分配算法進行參考分析。隨機分配算法即在每個管控周期內(nèi)，為每個目標隨機的選擇一個傳感器組合，系統(tǒng)采用隨機分配的傳感器方案對目標進行探測。本文采用蒙特卡洛法對兩種算法進行比較分析，蒙特卡洛仿真次數(shù)為100次，仿真周期為150 s，傳感器的管控周期為5 s，得到兩種算法的性能比較如表2所示。

表1 貝葉斯網(wǎng)絡(luò)的先驗條件概率分布表

表2 兩種算法性能比較表

表中，算法平均運行時間反映了多傳感器動態(tài)調(diào)度的時間；平均識別時間是指從仿真開始時刻到正確識別所有目標所需要的時間。從表中可以看出，盡管隨機分配算法的運行時間遠遠小于本文算法的運行時間，但是本文算法的運行時間僅僅為0.16 s，遠小于5 s的管控周期，因此能夠滿足傳感器管控實時性的要求。在整個仿真周期內(nèi)，兩種算法都能夠100%正確識別出新出現(xiàn)的80批目標，然而，隨機分配算法平均用了63.95 s才能識別出全部的目標，而本文提出的面向協(xié)同感知的自適應(yīng)管控算法僅僅用了42.65 s，識別時效性提高了近21 s。

表3給出了不同的特征組合感知信息熵的大小，從仿真結(jié)果可以看出，不同的目標特征對于未知目標識別的貢獻度是不一樣的。表中，對于目標1，當只有幾何特征時，感知信息熵為-1.36，對應(yīng)的識別概率分別為[0.07 0.15 0.69 0.09]，此時還未能識別目標。隨著特征組合逐漸增多，感知信息熵逐漸減小，說明目標識別的不確定性逐漸在下降，當采用幾何+RCS+紅外+ESM特征組合對目標進行識別時，對應(yīng)的識別概率分別為[0.0015 0.0001 0.9943 0.0041]，綜合識別概率大大增加了。一般而言，特征組合越多，越有利于識別，但是部分情況下，某些特征反而會增大識別的不確定性，例如在對目標2識別的過程中，采用幾何+RCS+紅外特征組合對目標的感知信息熵為-0.69，但是增加了ESM信號特征之后，感知信息熵反而下降到了-0.78，說明ESM特征不利于識別，因此在傳感器動態(tài)調(diào)度過程中，就不應(yīng)該再調(diào)度ESM傳感器對目標進行測量。

表3 不同目標特征對感知信息熵的貢獻

3 結(jié) 語

在現(xiàn)代復(fù)雜多變的戰(zhàn)場環(huán)境中，如何充分利用利用多種傳感器探測的多種特征對未知目標進行盡早識別已經(jīng)成為決定戰(zhàn)爭勝負的關(guān)鍵。從多傳感器多目標多特征綜合識別的角度出發(fā)，本文提出了一種面向協(xié)同感知的多傳感器自適應(yīng)管理方法，該方法利用貝葉斯網(wǎng)絡(luò)通過離線學(xué)習和在線學(xué)習的方式得到多傳感器特征級別協(xié)同感知概率，基于聯(lián)合感知信息熵建立了目標協(xié)同識別到傳感器動態(tài)管理的管控閉環(huán)，同時采用智能優(yōu)化算法提升“多傳感器-多目標”的分配效率。仿真結(jié)果表明，本文提出的面向協(xié)同感知的多傳感器自適應(yīng)管控方法能夠極大提升整個傳感器網(wǎng)絡(luò)的識別時效性，從而為后續(xù)的預(yù)警、攔截、打擊等作戰(zhàn)指揮活動爭取寶貴的時間。

[1] A.O Hero, D. Cochran. Sensor management: past, present, and future [J]. IEEE Sensors Journal, 2011, 11(12): 3064-3075.

[2] 劉先省, 石磊, 潘泉. 傳感器管理及方法綜述[J]. 電子學(xué)報, 2002,30(3):394-397.

[3] 羅開平, 姜維, 李一軍. 傳感器管理述評[J]. 電子學(xué)報,2010,38(8):1900-1907.

[4] 劉欽, 劉崢, 謝榮. 防空雷達網(wǎng)對多隱身目標的協(xié)同檢測與跟蹤[J],電子與信息學(xué)報, 2013,35(3):601-607.

[5] 楊秀珍, 何友, 鞠傳文. 目標識別中的傳感器管理方法[J]. 火力與指揮控制, 2005, 30(3): 8-13.

[6] 胡仁偉, 廖東平, 魏璽章. 基于分辨力的融合目標識別系統(tǒng)中的傳感器管理方法研究[J].電光與控制, 2007,14(3):1-4.

[7] 衛(wèi)楊勇, 徐世友, 辛玉林. 基于分辨力增益的綜合識別傳感器管理方法[J]. 電訊技術(shù)，2011,51(11):11-15.

[8] 劉先省, 申石磊, 潘泉. 基于信息熵的一種傳感器管理方法[J]. 電子學(xué)報, 2000,28(9): 39-41.

[9] J.M Nash, optimal allocation of tracking resources[C]. Proceeding of IEEE conference on Decision and Control including the 16th Symposium on Adaptive Processes and A Special Symposium on Fuzzy Set Theory and Applications, New Orleans, LA, 1997:1177-1180.

An Adaptive Multi-sensor Management Method for Cooperative Perception

LU Ze-jian, LIU Xiao, QIN Yong-gang, PAN Yue, GUO Ji-guang, HUANG Sheng

(China Academy of Electronic and Information Technology, Beijing 100041, China)

An adaptive management method is proposed in this paper to address the problem of multi-sensor dispatching in the sense of multi-feature target recognition. The method firstly computes the prior probability distribution and then utilizes Bayesian inference to identify unknown targets based on detected feature combination from multiple detection periods. Perceptual information entropy gain is then calculated as the feedback of the dispatching system while genetic optimization algorithm is utilized to adaptively dispatch multi-sensor on line. Simulation results have shown that, compared with the random method, the identification efficiency can raise up almost 21 seconds via the proposed method, which effectively improves the dynamic perception capability of unknown targets.

identification; information entropy; adaptive; sensor management

10.3969/j.issn.1673-5692.2017.04.005

2017-05-25

2017-07-10

電子信息裝備體系研究國防科技重點實驗室基礎(chǔ)研究項目(DXZT-JC-ZZ-2011-015)

陸澤健(1986—)，男，廣西人，工程師，主要研究方向為雷達組網(wǎng)，多傳感器管理技術(shù)；

E-mail:lzj_bupt@163.com

劉 筱(1979—)，男，湖南人，高級工程師，主要研究方向為綜合電子信息系統(tǒng)總體設(shè)計，系統(tǒng)集成與信息處理；

秦永剛，(1983—)，男，湖北人，工程師，主要研究方向為綜合電子信息系統(tǒng)設(shè)計與系統(tǒng)集成；

潘 越(1984—)，男，湖南人，高級工程師，主要研究方向為綜合電子信息系統(tǒng)總體設(shè)計，系統(tǒng)集成與信息處理；

郭繼光(1979—)，男，黑龍江人，高級工程師，主要研究方向為綜合電子信息系統(tǒng)總體設(shè)計，系統(tǒng)集成與信息處理；

黃 勝(1986—)，男，河南人，工程師，主要研究方向為情報處理，大數(shù)據(jù)分析與數(shù)據(jù)挖掘。

TN391,TP273

A

1673-5692(2017)04-353-06