基于BTR的雷达声呐探测目标匹配融合技术.pdf

第 14卷 第 4期2023年 8月指挥信息系统与技术Command Information System and TechnologyVol.14 No.4Aug.2023基于 BTR的雷达声呐探测目标匹配融合技术崔化超 宋筱轩 晏谢飞 王海宁（中国电子科技集团公司第二十八研究所 南京 210023）摘 要：为了解决被动声呐无法有效分辨水面和水下目标的问题，将雷达探测目标航迹映射到被动声呐探测目标的时间方位历程图（BTR），通过将雷达和声呐探测目标航迹进行匹配融合处理，实现了不同维度目标信息的关联融合，从而准确分辨是水面目标，还是水下目标。试验结果表明，该技术能够有效实现雷达声呐共同探测目标的匹配关联，能够对水下目标的准确分辨提供理论指导。关键词：雷达声呐探测目标融合；时间方位历程图（BTR）；水下目标分辨中图分类号：TN953 文献标志码：A 文章编号：1674909X(2023)04004506Matching Fusion Technology for Targets Detected by Radar and Sonar Based on BTRCUI Huachao SONG Xiaoxuan YAN Xiefei WANG Haining（The 28th Research Institute of China Electronics Technology Group Corporation，Nanjing 210023，China）Abstract：To solve the problem that passive sonar cannot effectively distinguish surface or underwater targets，the tracks of the targets detected by radars are mapped to the bearing time recording（BTR）of the targets detected by passive sonars.With matching fusion process on the target tracks detected by radar and sonar，the correlation and fusion of different dimension target information are realized.Thus，the surface or underwater target is accurately identified.Experimental results show that the technology can achieve the matching and correlation of targets detected by radars and sonars，and it can provide theoretical guidance for underwater target identification.Key words：fusion of targets detected by radar and sonar；bearing time recording（BTR）；underwater target identification0 引 言 被动声呐是水面舰艇探测水下目标的主要装备，具有探测隐蔽性强的特点，主要通过检测处理水声目标辐射噪声进行目标的检测、识别和跟踪，但无法有效分辨水面船只和水下潜艇等水声目标13。其中，水面目标和水下目标在航行过程中一个明显区别是水面目标有雷达回波，而雷达无法探测水下目标4。因此，当雷达可以覆盖声呐的探测范围时，若可以实现雷达目标和声呐目标的正确匹配关联，则可以容易地将声呐目标中的水面目标区分标识出来，剔除水面目标后，剩下的便是水下目标57。基于上述思路，本文综合利用雷达、声呐传感器探测目标信息，利用基于雷达目标态势和声呐方位实践与应用doi：10.15908/ki.cist.2023.04.008 基金项目：装备发展部中国电科联合基金（6141B0806041a）资助项目。收稿日期：20220729引用格式：崔化超，宋筱轩，晏谢飞，等.基于 BTR 的雷达声呐探测目标匹配融合技术 J.指挥信息系统与技术，2023，14（4）：45-50.CUI Huachao，SONG Xiaoxuan，YAN Xiefei，et al.Matching fusion technology for targets detected by radar and sonar based on BTR J.Command Information System and Technology，2023，14（4）：4550.指挥信息系统与技术2023年 8月时间历程图（BTR）89目标态势的匹配融合技术，可实现雷达声呐目标的协同探测和跟踪，进而实现对声呐 BTR目标快速准确的水面水下目标分辨。1 基于 BTR的雷达声呐目标匹配融合技术 1.1 雷达向声呐映射 BTR雷达、声呐 2类传感器探测信息的融合，需将各自探测信息转化为相同形式。由于被动声呐探测结果无法获得目标的距离信息，因而无法由声呐 BTR转化得到雷达图像，故只能由雷达态势降维转化为仿声呐 BTR，进行匹配融合1012。该过程涉及如下关键技术：1）时间对准为了将雷达、声呐传送的周期不同、精度不同的数据进行时间配准，采用内插外推法，即将高精度的观测数据推算到低精度的时间位置上。具体方法如下：在一段测量时间段内，将传感器的测量数据按测量精度进行递增排序，接着用高精度的观测数据向低精度的时间点进行内插或外推，形成等间隔的数据。本文选用拉格朗日插值法。假设t1、t2和t3时刻测量到的数据为1、2和3，由于海面目标在采样间隔移动距离不大，可以将问题转换为等间隔方式处理。假设要计算ts时刻的值，设t2 ts=t2+t t3，由拉格朗日插值法可得ts时刻的值为：s=(ts-t2)(ts-t3)(t1-t2)(t1-t3)1+(ts-t1)(ts-t3)(t2-t1)(t2-t3)2+(ts-t1)(ts-t2)(t3-t1)(t3-t2)3（1）2）空间对准本文采用无迹变换（UT），将测量到的数据产生Sigma点集，再通过非线性函数生成另一组 Sigma点集，最后通过转换后的点集进行加权综合，得到变换后的均值和方差。采用对称采样法，假设测量量的均值和自协方差分别为和Rxx，可得如下Sigma点集：yi=+Rxx-Rxx（2）其中，yi为经 UT 后的 Sigma 点集；=n+l，yi相应加权值为：wi=k(n+k)i=01 2(n+k)i 0（3）其中，wi=1。在得到对应权值之后，可计算得到数据均值和方差。在计算后将数据统一至同一坐标系，再对目标进行融合，在误差允许范围内对同一目标进行合并处理。3）坐标转化“偏心”问题参考中心并非雷达位置，应取声呐“阵列中心”。在将雷达的距离方位二维目标信息向声呐的BTR 降维转化中，不可直接舍弃距离信息、保留方位信息，这是因为舰载雷达和被动拖曳声呐阵列有数百米1 km 的距离，会对观测到的目标角度造成一定偏差，尤其近场目标的方位偏差很大。正确做法是转化到以声呐阵列中心位置为圆点的坐标视角。因此，雷达探测目标信息的距离方位信息需先以雷达位置为参考转化为地理坐标系的经纬度坐标，再以阵列中心为参考点、以阵向为参照方向换算得到目标方位。4）基于转化映射模型的 BTR转化在获得雷达目标信息和声呐阵列中心信息后，对每个雷达目标依据其坐标历程计算相对于声呐阵列中心的地理绝对方位（以正北方向为 0），理论上可得到逼近声呐 BTR 的雷达 BTR 映射图。然而，在实际情况中运用该雷达 BTR 映射图进行目标匹配融合可能出现较多错配，这是因为声呐能够依据采集的目标辐射噪声数据提取出目标所在方位和强度信息，而该转化过程仅利用了雷达获取的目标方位信息，丢失了目标强度信息1314。雷达目标的声呐信号强度是距离、速度和吨位等参数的函数。为此，本文建立了雷达目标向声呐强度转化的模型，分别引入距离、速度和吨位相关因子。a）距离：转化模型认为声呐阵列接收声强与目标距离的衰减关系为-15lgR，介于球状扩展和柱面扩展之间。在应用该衰减关系前，需先计算得到雷达目标和声呐阵列中心之间的距离R。b）速度：速度和声强间为正相关关系，但与距离的数学关系对不同船只差异很大，没有统一的数学表达。转化模型采用一个分段函数来表明速度和声 强 间 的 正 相 关 关 系，其 分 段 函 数 关 系 如 图 1所示。c）吨位：雷达无法直接获得目标的吨位，在实际模型应用中，用雷达探测的信噪比（SNR）或雷达检测强度来代替目标吨位。本文模型认为强度与吨位为正比例关系。根据距离、速度和吨位这 3 个参数，便可计算得到雷达向声呐映射 BTR的每个目标46第 14卷 第 4期崔化超，等：基于 BTR的雷达声呐探测目标匹配融合技术轨迹的强度。易知，目标距离越近，速度越快，吨位越大，则强度越大。据此，获得的雷达向声呐映射BTR与声呐探测 BTR的对比分别如图 2所示。1.2 双 BTR匹配融合在获得 2 个 BTR 后，需对 2 幅图的目标进行匹配和关联。虽经过上述坐标转化、强度估计后 2 幅图获得了较好相似度，但 2 幅图的目标方位仍然存在偏差。为此，需对 2幅图进行匹配，并获取声呐阵向误差。1）逐时间点相关计算及分级模型判决需先逐个时间点对 2 幅 BTR 图的目标方位分布关系进行匹配，实现目标关联。此处，需对阵列探测波束形成积累结果（BTR 每一行）进行便于匹配度计算的处理。最简单、直接的做法是在可能的阵向方位误差范围内（如20内），对雷达的方位进行平移、遍历，同步计算与该时刻声呐 BTR的目标相关性。因此，在实际处理时，匹配相关值的计算是利用互相关函数计算20范围内的相关值，峰值位置即对应高匹配可能性位置。因此，相关度最高的位置即对应匹配位置，相应引入的误差即阵向偏差11。单个时间点的雷达和声呐的目标方位和强度结构如图3所示。2）基于小段图像的二维匹配和匹配相关图的平滑运算即使应用了单时间点的目标方位匹配仍易造成错配。人眼可以实现正确的匹配重要原因在于应用了一段连续时间的图像进行整体匹配，即从一维图像匹配升级为二维图像匹配1517。二维图像匹配下，一个整体的角度平移可以实现 2个 BTR的目标轨迹全体重叠和配准。值得注意的是，一段时间图像的整体匹配对应于一段时间逐个时间点匹配值图在时间维的均值滤波。因此，仅需继承单时间点的结果，再均值滤波即可。二维图像匹配结果如图 4 所示。由图可见，经过时域均值滤波后，单个时间点的错值经过滤波被抑制掉了，峰值对应于正确的匹配角度。图 1 速度和声强间分段函数关系图 2 雷达与声呐 BTR对比图 3 单个时间点的雷达和声呐的目标方位和强度结构图 4 二维图像匹配结果47指挥信息系统与技术2023年 8月3）匹配相关峰值的序贯判决与纠错决策在获得图 4（b）的匹配值图后，通过寻找每个时间点的峰值，似乎可获得匹配位置。而在实际过程中，仍然可能出现不连续的奇点，或者突然出现和结束的错误分支，不连续的奇点或者分支如图 5 所 示。有 时，分 支 的 匹 配 强 度 甚 至 高 于 正确值。因此，为避免选择到突然出现和终止的奇点或分支，算法引入序贯性判决准则1820：a）全域匹配：在匹配值连续时间T 时，下一时刻的匹配值仅在一定角度的邻域内选择最大值；c）序贯中断转移：弱序贯匹配值在临近一段时间T2内多数点的匹配相关值低于 80%峰值，则认为序贯跟踪错误，跟踪到了分支上，此时中断序贯匹配，转为全域匹配。通过上述序贯匹配策略，可以有效跨过奇点和分支，并在进入分支后及时回复到正确匹配值上。序贯匹配策略下匹配寻优结果如图 6所示。4）雷达声呐航迹融合处理采用序贯航迹融合算法，将雷达和声呐 BTR中当前时刻航迹关联与历史航迹联系起来2122。假设 2个局部传感器（l和m）一直到k时刻对目标i和j的状态估计之差经历为：tni，j=tl，mi，j(1)，tl，mi，j(2)，tl，mi，j(n)n=1，2，k（4）那么，在H0假设下，其联合概率密度函数可写为：f0 tki，j|H0=f tki，j(k)，tk-1i，j|H0=f tki，j(k)|tk-1i，j，H0 f tk-1i，j|H0=n=1kf ti，j(n)|tn-1i，j，H0 （5）其中，t0i，j=Xli(0|0)-Xmi(0|0)是先验信息；2 个局部节点（通常假设在H0条件下）在 n时刻的估计误差ti，j(n)服从N(0，Ci，j(n|n)分布，有：Ci，j(n|n)=Etl，mi，j(k)tl，mi，j(k)T=Eti，j(n)ti，j(n)=Pli(k|k)+Pmj(k|k)（6）如果状态估计误差是相互独立的，那么f0 tki，j|H0=(n=1k|2Ci，j(n|n)|-1 2)exp(-12n=1kti，j(n)C-1i，j(n|n)ti，j(n)（7）称为假设H0的似然函数。反过来，假设H1的似然函数为f0 tki，j|H1，采用对数似然比检验，公式如下：ln L(tki，j)=ln(f0 tki，j|H0f1 tki，j|H1)=-12n=1kti，j(n)C-1i，j(n|n)ti，j(n)+cos s tan t（8）定义一个修正的对数似然比函数为：ij(k)=n=1kti，j(n)C-1i，j(n|n)ti，j(n)（9）可见：ij(k)=ij（k-1）+ti，j（k）C-1i，j（n|n）ti，j(k)。其 中，ij(0)按 照 高 斯 分 布 假 设，随 机 量ti，j(k)C-1i，j(n|n)ti，j(k)满足自由度为nx的2分布。那么，ij(k)就是自由度为knx的2分布随机量。接 着 对H0和H1进 行 假 设 检 验。若 满 足：ij(k)(k)(i Ul，j Um)就接受H0，否则就接受H1。阈值满足：P ij(k)(k)|H0=。其中，是 检 验 的 显 著 水 平（根 据 实 际 情 况 决 定，本 文取 0.01）。图 5 不连续的奇点或者分支图 6 序贯匹配策略下匹配寻优结果48第 14卷 第 4期崔化超，等：基于 BTR的雷达声呐探测目标匹配融合技术2 雷达声呐融合处理试验 2.1 仿真试验1）仿真场景建立声呐为岸基被动探测，阵列中心初始位置为坐标原点，探测覆盖 30 km 范围，探测目标角度误差为2。雷达为舰载对海雷达，探测覆盖 80 km 范围，探测角度误差 0.1，位于-40 km，0 km 处，平台按照10 kn（1 kn=1.852 km/h）航速运行，初始航向为正北 0。探测场景内水面目标 12个，水下目标 1个，初始 位 置、速 度 和 航 向 均 随 机，其 中 航 速 在5 kn，30 kn，声呐探测范围内目标被雷达探测范围完全覆盖。2）仿真数据处理由于场景中有 12个水面目标，仿真获取的 12个目标雷达点迹如图 7 所示（坐标系已转化至直角坐标系）。由图 7可见，由于受到探测精度和海浪等影响，同一目标的点迹结果较发散。声呐探测到的13个目标的 BTR如图 8所示。3）融合处理结果与分析对仿真场景建立的数据进行匹配。假设雷达和声呐 2种传感器获取的阵向角度存在 1的固定误差和 0.2的随机误差。得到雷达转化的 BTR 结果如图 9所示；声呐 BTR如图 10所示。将 图 9 与 图 10 所 示 声 呐 BTR 对 比 可 见：在60附近的雷达探测到 2批目标，声呐 BTR仅显示1批目标，这是由于声呐探测目标角度误差为 2，雷达探测角度误差 0.1，声呐无法区分 2以内的不同目标；同时，0附近的声呐探测到 2批目标，雷达仅探测到 1批目标，这是由于雷达无法探测到水下目标，由此可以判断其中一批目标为水下目标，如图 10中红色方框所示。另外，受误差因素影响，轨迹存在一定的随机抖动。对两者 BTR进一步融合处理，可得融合算法估计的修正角度变化结果如图 11所示，计算其均值为 1.05，与设定结果较为一致。2.2 实测试验由于雷达的探测范围一般大于声呐的探测范围，一般将雷达探测到的目标范围约束在以声呐为中心的一定范围内。同时，雷达探测到的结果需对图 7 雷达点迹图 8 声呐的 BTR图 9 雷达转化的 BTR结果图 10 声呐 BTR图 11 融合算法估计的修正角度变化结果49指挥信息系统与技术2023年 8月速度进行一定的约束，以筛选出符合条件的目标，去除锚定目标、海面漂浮物和海杂波等干扰因素6。现场实测试验场景中，声呐发现并上报 1 批不明目标，此时在声呐阵列中心 80 km 探测范围内共有 40 批雷达发现的水面目标，按照以声呐为中心30 km 筛选，共有 8批雷达发现的水面目标。对水面目标进行适当的距离约束，能够限制进行融合匹配的目标数。先由雷达向声呐映射 BTR，再将雷达映射 BTR与声呐 BTR进行匹配融合，目标融合结果（BTR）如图 12所示。其中，灰线为雷达目标 BTR 结果，绿线为声呐 BTR结果，本文成功将声呐探测到的目标与雷达探测目标关联匹配，确定了声呐探测到的不明目标为水面目标。针对该批目标，利用雷达上报航迹与声呐上报航迹进行航迹融合，生成的融合后目标航迹如图 13所示。3 结束语 由于声呐获取目标的信息维度相对较少，本文将雷达目标信息降维至声呐探测的维度上进行匹配融合技术研究。首先，将雷达目标态势降维转化为仿声呐 BTR；然后，将仿声呐 BTR与声呐 BTR进行匹配融合，成功匹配融合的雷达、声呐共同探测的目标为水面目标，未成功匹配融合的声呐目标则为水下目标。通过雷达声呐融合处理仿真和实测试验验证，结果均表明本文方法能够有效实现雷达、声呐共有态势目标的匹配关联，进而实现对声呐探测水下目标的快速准确分辨。参考文献(References)：1夏庆升，刘义海.水下目标融合识别技术研究现状与展望 J.鱼雷技术，2013，21（3）：234240.2俞剑，王益乐.被动声呐多阵测向交叉定位的数据关联算法 J.指挥信息系统与技术，2018，9（3）：6569.3惠俊英，生雪莉.水下声信道 M.2 版.北京：国防工业出版社，1992.4马理想，曾向阳.一种视听融合的水下目标识别方法研究 J.声学技术，2015，34（3）：209213.5吴晓潭，田腾，尹力.多声呐雷达数据融合系统实现J.网络新媒体技术，2014，3（4）：5759.6高枫，颜明重，朱大奇.基于拖曳线列阵声纳与ARPA雷达的目标分选 J.电子设计工程，2018，26（24）：610.7黄凡，韩树平.基于方位与时延信息融合的被动声纳航迹关联 J.计算机仿真，2008，25（5）：810.8卢彪.复杂条件下时间方位历程图中目标轨迹提取与检测 D.武汉：华中科技大学，2017.9朱海，战凯.水下目标识别的一种信息融合算法 J.舰船电子工程，2012，32（6）：5354.10 毛艳慧，汪跃龙，程为彬.多雷达/声呐场景下的去相关无偏量测转换模型 J.现代电子技术，2020，43（1）：114118.11 林岳松.多运动目标的无源跟踪与数据关联算法研究D.杭州：浙江大学，2003：5758.12 章新华，刘德才，鄂群，等.水声系统的数据融合问题探讨 J.声学与电子工程，2001（3）：1619.13 侯平魁，史习智，林良骥，等.水下目标识别的特征融合分类器设计 J.电子学报，2001，29（4）：443446.14 吴国正，夏立，尹为民.现代信号处理技术：高阶谱、时频分析与小波变换 M.武汉：武汉大学出版社，2003：6772.15 杨宏晖，王芸，戴健.水下目标识别中样本选择与SVME融合算法 J.西北工业大学学报，2014，32（3）：362367.16 戴冬，卫娟.Kmeans 与 SVM 结合的水下目标分类方法 J.舰船科学技术，2015，37（2）：204207.17 郭明慧，黎胜.一种基于代理模型的水下目标分类识别方法 J.舰船科学技术，2014，36（7）：7679.18 靳冰洋，刘峥，秦基凯.基于灰色关联度的两级实时航迹关联算法 J.兵工学报，2020，41（7）：13301338.19 崔亚奇，熊伟，唐田田.一种基于时空交叉点新特征的航迹关联算法J.电子与信息学报，2020，42（10）：25002507.图 12 目标融合结果(BTR)图 13 雷达声呐融合后目标航迹（下转第 56页）50指挥信息系统与技术2023年 8月International Conference on Web Search and Data Mining.Cambridge：ACM，2017：335-344.6LIU S B，CHENG R，YU X M，et al.Exploiting contextual information via dynamic memory network for event detection C/Proceedings of 2018 Conference on Empirical Methods in Natural Language Processing.Brussels：ACL，2018：1030-1035.7HAN R J，NING Q，PENG N Y，et al.Joint event and temporal relation extraction with shared representations and structured prediction C/Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing（EMNLP-IJCNLP）.Hong Kong：ACL，2019：434-4448高李政，周刚，罗军勇，等.元事件抽取研究综述 J.计算机科学，2019，46（8）：9-15.9YANG S，FENG D，QIAO L，et al.Exploring pre-trained language models for event extraction and generationC/Proceedings of the 57th Annual Meeting6 of the Association for Computational Linguistics.Florence：ACL，2019：5284-5294.10 GUO Z，ZHANG Y J，SU C，et al.Character-level dependency model for joint word segmentation，POS tagging and dependency parsing in ChineseJ.IEICE Transactions on Information and Systems，2016，99（1）：257-264.11 冯俐.中文分词技术综述 J.现代计算机，2018（34）：17-20.12 吴杰胜，陆奎.基于多部情感词典和规则集的中文微博情感分析研究 J.计算机应用与软件，2019，36（9）：93-99.13 朱少华.基于 MLN 的中文事件推理方法的研究 D.苏州：苏州大学，2016.14 LE Q，MIKOLOV T.Distributed representations of sentences and documentsC/Proceedings of the 31st International Conference on International Conference on Machine Learning.Beijing：ACM，2014：1188-1196.15 LIU X，LUO Z C，HUANG H Y.Jointly multiple events extraction via attention-based graph information aggregationC/Proceedings of 2018 Conference on Empirical Methods in Natural Language Processing.Brussels：ACL，2018：1247-1256.16 WANG Z Q，ZHANG Y，CHANG C Y.Integrating order information and event relation for script event prediction C/Proceedings of 2017 Conference on Empirical Methods in Natural Language Processing.Copenhagen：ACL，2017：57-67.17 李彭伟，李亚钊.面向事件画像的事理图谱构建方法J.指挥信息系统与技术，2021，12（5）：54-60.18 张非，马永征，阎保平.LDAP 目录服务在科学数据网格查询服务中的应用研究 J.计算机应用，2003，23（S1）：224-226.19 杜然，黄秋兰，阚文枭，等.基于Chord算法的可扩展高性能元数据存储环设计 J.计算机工程，2016，42（8）：1-8.20 关丽，程承旗，肖林.全球格网系统的元数据管理模型J.测绘科学，2009，34（1）：138-140.21 蒋炎华.计算资源共享平台中非集中式的元数据管理J.计算机应用，2011，31（2）：462-465.22 刘帆.关系数据库中实时高效元数据存储算法优化研究 J.科学技术与工程，2017，17（17）：255-260.23 周建慧，刘继红，杨海成.面向复杂产品工程知识管理的动态本体 J.计算机辅助设计与图形学学报，2016，28（11）：1957-1964.作者简介：刘伟，男（1991），工程师；翟崎，男（1982），高级工程师；李子，男（1984），高级工程师；李东敏，女（1979），高级工程师；李彭伟，男（1983），高级工程师。（本文编辑：马 岚）（上接第 50页）20 黄凡.一种基于方位估计的双站被动声呐航迹关联方法 J.数字海洋与水下攻防，2020，3（5）：387392.21 张中科，方青，田明辉.基于纯方位信息的多传感器航迹融合仿真分析 J.舰船电子对抗，2014，37（3）：16.22 蒯冲，龚剑扬，那云啸，等.基于极大似然估计的最优航迹融合方法 J .哈尔滨工程大学学报，2003，24（4）：419421.作者简介：崔 化 超，男（1986），高 级 工 程 师；宋 筱 轩，男（1986），高级工程师；晏谢飞，男（1980），研究员级高级工程师；王海宁，男（1968），研究员级高级工程师。（本文编辑：李素华）56