浅探水声信号处理中的多传感器数据融合

引言：探索水声信号处理中的多传感器数据融合能够有效提高水下作业的质量和效率。本文分别探讨了多传感器数据融合技术在水下目标探测、水下目标跟踪、水下目标识别以及自主式水下潜器导航领域的应用。希望这些观点能够有效促进多传感器数据融合技术的研究和应用。

概述：多传感器数据融合技术最早被应用于军事领域，涉及了数字信号处理、控制理论、人工智能等多个领域的技术手段，能够综合单一传感器的多波段信息或不同类别传感器采集到的信息，消除多传感器之间可能存在的信息冗余，提高信息检测和提取的及时性和有效性，生成精确、完全且可靠的估计和判断。

1.水下目标探测中的多传感器数据融合

随着科学信息技术在现代军事领域的广泛应用，现代战争形势也呈现出日趋复杂的局面，特别是安静型潜艇的出现，为水下目标的探测工作带来了一定的困难和挑战。目前，国际上对多传感器融合检测技术的研究已经逐步完善，并得到了社会的广泛认可，其研究只要集中在对陆地和空中目标的有效监测上，对水中目标的检测研究文献较少，因而，多传感器融合检测技术在水下环境的作业情况尚不明确。我国部分学者曾尝试借鉴已有的融合检测技术，应用分布式融合机制，对水下目标信号的存在与否进行判断。其工作原理为：①传感器依据自身观测值采集、处理和判定目标信息，并将其结果传输至融合中心→②依据Neyman Pearson（N-P）决策准则，将多个传感器的局部判决结果进行有机融合，对水下目标信号进行判定。分布式检测融合机制的优势在于，融合中心只需要处理判定结果，无需对原始测量数据进行判定，极大的减轻了工作系统的通讯压力和计算负荷，具有高效的运作特征。但是，该机制的运行建立在假设每个传感器的测量值都是具有性的条件下，难以将传感器之间的相关性因素纳入应用范畴，具有较大的系统误差，信息资源利用效率低下。从总体上来看，目标对于水下目标探测中的数据融合技术研究仍然处于模拟仿真阶段，其在真实水声环境中的作业情况仍有待进一步完善。

2.水下目标跟踪中的多传感器数据融合

解决水下目标跟踪中的数据融合问题，其关键路径是探究数据之间的关联性，筛选出具有应用价值的测量数据以提高数据融合的实效性，保障数据关联轨迹的更新。当前，在多传感器数据融合的研究领域，多种处理数据关联的方式方法，主要包括基于Kalman滤波关联方法、多重假设跟踪方法以及交互式多元模型方法。Kalman滤波技术能够在测量方差已知的前提条件下，从一系列数据中去除噪声还原真实数据，实现对现场采集数据的动态更新和处理，表达式为：X(k)=AX(k-1) + BU(k) + W(k)，其数据关联方法主要包括概率数据关联和联合概率数据关联，已经被广泛的应用于控制、导航、通讯等现代工程领域之中。多重假设跟踪方法是依据扫描周期的长短生成多种可能性的目标轨迹假设，并基于资料连接方式解决轨迹与观察目标之间的关联问题，以进行对目标信号的持续追踪，是当前理论上解决多目标跟踪的最佳方案。但值得注意的是，在应用多重假设跟踪方法时，可能的相关假设会随着时间的增长而暴增，假目标信号也将导致最终轨迹的偏离，甚至影响到其他轨迹，导致数据的发散。交互式多元模型方法具有自适应的特征，能够通过交互作用追踪目标信号的机动运动，利用马尔可夫概率转移矩阵实现模型转移，其研究对象多为固定目标或者匀速直线运动目标，对机动目标的跟踪算法研究仍不够成熟，仍需要进一步的研究，以提高目标信号跟踪的准确性和高效性（王泽芳,李成勇.鱼塘养殖多

• 102 •

中国船舶重工集团公司第七一五研究所 姚 勇

传感器监测系统应用研究,电信快报,2018）。

3.水下目标识别中的多传感器数据融合

水下目标识别中的数据融合技术最早由伦敦大学和英国科学仪器研究协会提出，其在联合研究水下遥控机车项目的过程中，创新性的应用了该方法。基于水下遥控机车项目，伦敦大学和英国科学仪器研究协会的相关科研人员设计了由多个具有相对性的机载照相机构建的遥控无人潜水器视觉系统，用于解决水下近距离的观察、检查和勘查以及军事机车的着陆问题。相关文献表明利用将多个相对的二维数据进行融合能够获取具有直观性和形象性的三维立体信息，但是具体的操作方式并为给出明确的表述。随后几年，一些学者也开始将数据融合技术应用到水下目标的分类识别领域之中，其中，较为热门的研究方向是信息数据的多方位融合机制，是指将多个方位的分类检测结果进行有机融合，通过统计分析手段和数据模型获取更高的分类精度，主要包括决策级的多方位融合和特征级的多方位融合。决策级的多方位融合是最高水平的融合，指以照相机影像的光谱、纹理以及专题信息等作为分类特征，通过最大似然分类器进行预分类，结合Adaboost算法将分离的结果进行多方位融合，实现对信号目标的分类，具有较高的容错性和开放性。特征级的多方位融合特征级融合是一种中等水平的融合，需要先将各照相机影像数据进行特征抽取，其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，并采用适当的融合方式对特征矢量进行进一步的处理，作出基于融合特征矢量的属性说明。

4.自主式水下潜器导航中的多传感器数据融合

相较于数据融合技术在水下目标探测、水下目标跟踪和水下目标探测识别中的应用，其在自控水下潜水器的导航领域得到了更加广泛的关注，其研究深度和广度都有显著的提升。自主式水下潜器是新一代的水下机车，其活动范围不受电缆，具有较强的机动性、隐蔽性和灵活性，是完成各种水下任务的重要工具。在水下作业的环境中，考虑到单个传感器设备的局限性，为了保障探测信息和导航路线的准确性、科学性和可靠性，需要构建多个传感器的联合机制，促进数据信息的融合处理。基于这样的客观要求，依据数据融合技术的应用特征和侧重点，可以将现有的自主式水下潜器导航系统分类四大类型，分别对应的是：具备滤波与估计功能的导航系统、面向成像的导航系统、面向行为的导航系统以及机器学习类导航系统，不同类型的导航系统采用的信息技术手段具有一定的差异性，融合方式更是天差地别。例如，基于全球定位系统和惯性传感器技术的导航系统，能够直接融合陀螺仪、深度传感器、速度传感器等设备采集和处理的数据信息，对自主式水下潜器的方向和位置进行预测，并且随着人工智能的应用能够有效约束Kalman滤波的发散，提高水下作业质量和效率。基于声光联合使用的自主式水下潜器导航技术，能够高效处理声纳和水下摄像机采集到信息，并将具有复杂性和多样性的信息进行融合，其处理流程为：①将声纳和水下摄像机获取的检测信息投影到公共的状态空间→②对相关信息的特征进行提取和处理→③实现数据融合，弥补单个传感器的缺陷，进而提高自主式水下潜器的智能化水平（李峥. 水声信号处理中的多传感器数据融合,电子技术与软件工程,2018）。

结论：综上所述，强化多传感器数据融合能够有效提高水声信号处理的质量和效率，考虑到水下环境的诸多特点，未来该技术应该更加侧重于多类型传感器、多种技术融合的方向发展。