0 引　言

随着海洋探测技术的快速发展、针对水下目标的探索手段（如主被动声呐^[1-2]、红外^[3]、合成孔径雷达（SAR）^[4]、可见光^[5]、磁异探测^[6]等）更加丰富，数据量更加庞大，信息处理正朝着多源融合的方向发展。多源信息融合技术指将多传感器获取的多种信息按照一定规则组合，减少或消除信息中的干扰及不确定性^[7]，进而实现对某些问题做出全方位准确可靠判断的一种信息处理技术，在自动目标识别，遥感及监控系统^[8]等方面发挥着重要的作用。

信息融合技术经历了传感融合、异源融合、决策融合几个阶段^[9]。第1阶段在20世纪70年代，美国首先开始对多源信息融合进行研究，起初主要应用于军事，用来提高传感系统的实时识别、跟踪、战场状态估计和威胁估计的能力^[10]；第2阶段，信息融合被推广到非同类传感器的异源信息融合技术^[11]，并将其应用到电子情报、电子作战系统中；第3阶段，信息融合技术与指挥决策相关联，形成了数据专家系统。目前，美国已研制了几十个应用数据融合技术的情报收集和作战指挥系统，例如战场海军战争状态分析显示系统、管理和目标检测系统、军用情报分析系统^[12]等。相较于美国等发达国家，我国在信息融合技术方面起步较晚。从20世纪末开始，国内学者主要关注异源信息融合技术，并开展理论研究，陆续提出了基于支持向量机（SVM）的模型和融合算法、人工神经网络融合算法^[13-14]等。

但是上述各阶段的研究都存在局限性，单一传感融合精度较高，但很难适应复杂信息处理，异源融合在样本训练、特征分析方面有很大优势，但是即使目前融合人工算法，往往只能反映目标的局部特征而非关键性特征^[14]。因此，无法全面、准确地区分出深远海不同类型目标之间的差别（例如不同种类的水下航行器、人工设施和大型生物体等），而融合指挥系统决策融合还在探索阶段，准确度不够高，强烈依赖数据融合分析结果。

针对水下目标特征量受海洋环境影响大、融合难度大、数据处理复杂等问题，本文提出层次化信息融合方法，并进行测实验证。着重介绍方法设计的思路和流程，给出基于该方法的部分实验测试结果，对多源融合技术未来发展进行探讨。

1 层次化信息融合方法设计

面向海洋水下目标探测的层次化信息融合方法，将复杂的多源信息按照声学、非声学进行分类，从低到高融合层级排序，分批、分步骤实现特征获取。声学信息类型相同或接近，采用数据级融合方式进行目标航迹关联性分析，可有效剔除环境干扰和预测误差，提高目标方位、距离计算精度，提取运动特征。图像、磁探测等非声学信息类型差异较大，采用预处理、分阶段特征级融合的方式，可以有效提取水下目标的形态、局部热力学、电磁学分布等特征，减少中间量属性的特征参数在信息融合中的不确定性。

在决策级融合中，针对提取的各方面（如天基、空基、地基、海基探测等）目标特征信息进行综合，引入多元化的先验性的目标特征知识，辅助进行目标判定。一方面，针对目标本身的关键特性进行分析，包括整体外观形态（如外形尺寸、动力及航行水流特征等）、关键部位机械结构（如叶片数量、桨舵位置等）、振动声纹特征、热力学及电磁学梯度分布等，逐步构建目标尾流图、声纹库等一系列关键特征判别数据库；另一方面，基于目标历史活动观测记录和轨迹分析，提炼目标行为规律，构建智能化仿真和预测模型，有针对性地进行广域和局域的深海监控及模型验证，提高预测精度，为最终水下目标识别构建多个维度的辅助判定标准，减少在决策级信息融合中由于信息损失和人为因素带来的误判和虚警。

通过上述方式，能够在每层级获取局部最优特征提取，在多层级逼近全局最优目标识别，最大限度地缓解特征级和决策级融合中信息量损失、信息类型复杂导致的低精度问题。

以天基探测水下目标的信息融合为例，如图1所示。按照层次化的信息融合方法，将信息获取源分为电子侦察卫星和遥感探测卫星两大类，每个大类分批进行数据融合，形成脉冲信号、内波轨迹和尾流温差3种中间量特征信息，再将这些不同类型信息进行特征融合预处理，即特征点筛选，相关性分析和加权平均融合，减少特征信息的总数据量，降低后续计算复杂度，紧接着输入浅层监督+深入学习神经网络模型进行二次特征提取，实现可供识别的目标特征信息。在决策级融合中，利用已有的天基探测目标识别数据库，生成针对当前海域水下目标的电学信号检测历史结果和尾流轨迹分布规律等先验知识，在决策机制的判别下，最终得到目标识别的结果。

2 仿真实验验证

基于遥感探测卫星、电子侦察卫星等电学信号探测，以及被动声呐阵列等声学信号探测的复杂信息融合场景，本文针对层次化信息融合方法整体进行仿真测试。根据水下目标一般特性，人工拟合实际探测场景下的探测信息数据库，同时拟定神经网络专家规则，如表1所示。实验中神经网络学习部分设置隐含层节点数为12，设置输出层节点数为3，训练精度为0.001，最大迭代次数500。标签按照表1设置为3类。

针对多源图像和声呐识别场景，分别比较本文层次化信息融合方法、仅采用特征级融合方法，以及传统多级融合方法（包括：数据级+特征级、特征级+决策级，不含先验知识）实验针对不用输入的多源探测数据，得到各个场景下的平均识别率。汇总结果见表2。可以看出，采用“层次化的综合化融合方法+先验知识”，能够较好地同时解决大容量、复信息和高精度的问题，进而提高建模准确性和目标成功识别率，减少虚警和误判的情况。

此外，基于水槽实验中可采集的声呐数据，本文针对层次化信息融合方法中最核心的特征级融合部分进行了单独的测实验证。如图2所示，特征预处理采用K均值方式进行特征点筛选，采用非线性回归进行相关性分析，并基于相关性程度进行加权平均。在学习层面，采用反向传播（BP）浅层监督网+卷积（CNN）深度学习神经网络模型进行特征级数据融合，最终得到特征提取结果。

在测试中，将标数据签设置为3类。1对应水下目标，2对应舰船，3对应水下无人航行器，进行迭代更新。利用3类训练样本训练网络，利用测试数据对网络识别效果进行验证。设置训练样本为1200时，选取5类130个测试样本数据进行测试。实际测试集分类和预测测试集分类图如图3所示。通过实验发现，130个测试样本均为5类数据，在测试集中，有6个样本错分为类别2，有0个样本错分为类别3。训练性能曲线如图4所示。可以看到，网络参数逐渐调整，预测结果与实际结果之间的误差逐渐收敛，验证该网络用于识别的可行性，且误差值稳定在0.001以下，稳定误差值下降，说明模型训练效果较好。可以看到，采用预处理，以及“浅层+深层”相结合的神经网络模型，可以提高特征提取的有效性，减少后续目标识别的误差。

3 未来信息融合技术探究

基于上述深远海探测信息融合技术分析，对多源信息融合技术未来的应用和发展进行探究，形成如下几方面研究方向：

1）面向应用领域设计层次化信息融合解决方案。面对不同类型的应用领域，该方案可以快速分解和降低全局问题分析的复杂度、提高求解质量，特别是在当前技术水平和算法工具无法直接进行全局求解时，通过对具体应用领域的特点剖析和问题划分，采用“多级分而治之+单级最优逼近”的层次化信息融合方案，可以有效缓解通用融合技术特征提取不准确、目标识别精度低等问题，提升最终目标识别的有效性和准确率。

2）进一步加强人工智能技术在信息融合中的应用。当前，神经网络、专家系统、支持向量机等方法应用到数据处理、数据关联、目标判决等信息融合中，可以实现不同类型特征提取，减少数据计算量。但与实际应用问题结合时会面临模型构建过程复杂、易受错误数据干扰、预测结果精度受限、缺乏统一评判标准等问题。因此，需要构建面向功能的智能化、拓扑式的模型高效开发平台，探索神经网络等模型架构的系统性优化策略，研究模型网络的容错和抗干扰能力提升，统筹基于知识和信息的系统测试和评定方法、标准问题^[13]等。

3）逐步构建系统化的先验知识库。在一个信息系统中，知识和推理起到决定性作用，随着信息的积累，形成的知识可以在特定情况下对其进行抽象。先验知识库的建立与完善是发展决策级信息融合技术的核心，充分发挥先验知识库的作用将是解决信息融合实际应用中计算量大、数据结构复杂、误判虚警严重等问题的关键，对未来深远海探打体系构建、环境态势感知等领域应用意义重大。

4 结　语

当前，信息融合技术已成为现代军事及民用中重要的数据分析和决策手段。但是，通用的融合技术应用于深远海探测目标识别等具体领域时，在信息获取、特征融合和目标判定等方面还存在诸多技术难点。本文提出层次化的信息融合和加入先验知识的方法，能够更加有效地提高特征融合质量、减少目标判决失误等。未来，随着层次化信息获取平台快速构建，更先进融合策略深入研究，人工智能技术不断升级，先验知识库系统化逐步完善，将会有更多、更广泛的多源信息融合系统工程落地，在海洋水下目标识别、环境信息感知等领域中发挥出更大的作用。