面向典型戰場應用的目標智能融合技術探討

　　摘 要：針對戰場多源信息融合的典型應用需求，提出了基于人工智能的目標信息融合技術思路，并對其中的兩項關鍵技術：新型融合知識庫構建技術和基于本體核的目標知識融合技術進行了分析，最后對多源信息融合系統在應用過程中存在的技術問題及其解決思路進行了探討。

　　鄭向華; 成聰， 電訊技術 發表時間：2021-10-15

　　關鍵詞：多源信息融合;人工智能;相關分析;關聯處理;綜合識別

　　0 引 言

　　隨著人工智能技術迅猛發展與廣泛應用，新興技術交叉融合，與軍事理論、作戰概念等創新結合，推動戰爭形態從信息化向無人化、智能化方向加速演變，如何從虛實空間廣域分布的戰場信息中抽絲剝繭，在認知域建立優勢，獲取戰場制信息權、制智權成為未來與強敵對抗制勝的關鍵。當前，以人工智能、大數據、云計算、知識工程等為主的高新技術，在引領世界范圍內各領域技術革命的同時，也在推動著信息融合技術的創新與變革。未來，在網絡信息體系的大環境下，形式各異的偵測傳感器日益豐富，依靠傳統的信息融合方法，企圖從多源異構的數據海洋中獲取高價值融合信息產品顯得捉襟見肘。在建設新時代下信息融合處理應用系統時，要順應信息技術變革需要，重視信息理解能力和知識推理能力的提升，從而將多源信息的“虛假冗余”提煉為“真實精煉”;將多源信息的“孤立碎片”還原為“全景拼圖”;將分析處理過程的“人工主導”轉變為“機器自主”;將信息產品的“定性單維描述”提升到“定量多維展現”，從而使信息融合的處理效率和質量實現質的飛越，促進相關應用工程的轉型變革[1]。

　　1 戰場多源信息融合典型應用需求

　　隨著未來智能化、無人化軍事裝備的不斷發展，傳感器的數量將不斷增加、類型將不斷多元化，相應地，探測感知系統對復雜環境下的目標捕獲能力需求不斷提升，探測信息的干擾性、沖突性日益凸顯，在傳感器性能無法獲大幅突破的情況下，亟待利用信息融合的冗余性與互補性，增強系統的容錯能力和自適應能力，從而快速獲取高質量數據和可信信息。典型的戰場多源信息融合應用場景包含：復雜電磁環境下輻射源精確定位、復雜戰場環境下隱身目標/低小慢目標發現、目標綜合識別和作戰態勢感知等，對其進行需求分析如下[2]：

　　(1) 基于信息融合的作戰目標分辨能力提升：例如，可以通過信號偵察與無人機圖像偵察信息的融合處理，改善目標分辨能力，特別是隱身目標以及強電磁干擾環境下的目標分辨率;

　　(2) 基于信息融合的目標定位精度提升：例如，可以通過信號級協同偵察信息融合，有效克服單傳感元素測量精度有限的問題，提供更精確的位置估計;

　　(3) 基于信息融合的目標跟蹤能力提升：例如，可以通過偵察裝備智能組網偵察，實現目標航跡智能預測、偵察裝備自動調度等，獲取目標的不同方位、不同時空的信息，并對它們進行融合處理，以提高針對機動目標、高速目標、隱身目標、低小慢目標的跟蹤能力;

　　(4) 基于信息融合的目標智能識別能力提升：例如，可以利用人工智能算法挖掘目標歷史數據中各屬性之間的關聯關系，發現屬性之間的內在聯系 ——傳感器搭載與目標運動航跡之間的關系等，最后基于偵察信息的關聯處理，實現對目標敵我、國籍、類型、型號等屬性的快速識別。

　　2 人工智能技術在信息融合領域中的應用

　　當前，新一代人工智能技術加速發展，呈現出深度學習、跨域融合、人機協同、遷移對抗等新特征。人工智能的理論建模、技術創新、軟硬件升級等整體推進，正在引發鏈式突破，為推動人工智能技術在信息融合領域應用提供了堅實的技術基礎。開展智能信息融合技術研究，深入挖掘人工智能技術在多源信息融合領域的應用價值，是提升信息融合技術的智能化水平的必由之路。人工智能技術在多源信息融合系統中的應用設想如圖 1 所示[3-5]。

　　2.1 目標智能定位與跟蹤

　　當前，高超聲速目標、低慢小目標和隱身目標的威脅日益加劇，這對傳統傳感器探測機制提出了嚴峻挑戰，例如，目標雷達截面積(RCS)大大減小，使得單一傳感器已無法連續跟蹤目標，甚至無法檢測和發現目標。信源優化技術充分發揮多類型偵察裝備協同的性能優勢，在信號層面綜合利用目標的散射、輻射等特性，利用深度強化學習等人工智能技術充分挖掘多類信號間內在關聯關系和高維特征，從源頭上提升感知信息質量，實現低可觀測性目標的遠距離、高精度檢測和定位。傳統的無源定位方法，一般通過多站無源探測設備獲得的目標輻射源信號，建立關于目標位置參數的定位方程組，再通過解算方程組獲得目標輻射源的位置信息。通過聯合異類無源探測信息的優勢，可有效提升對目標輻射源信號類型的適應能力，降低對接收站數量的要求，并在一定程度上提高目標定位精度。由此，需要研究如何對多源異構信息進行分析、綜合，以在最大程度上發揮多源異構信息的融合效能。另外，在有源與無源融合定位問題中，除了研究如何利用兩類不同無源探測設備的互補性來改善定位精度外，也包括有源傳感器和無源傳感器的協同配合問題。通過協同優化，在保證一定的定位精度的同時，又不會因為主動傳感器的數量過多或過于頻繁的使用導致我方傳感器的暴露。

　　另一方面，不同來源得到的偵察數據的精度、準確度各不相同，時效性、穩定性差距很大，信息存在不完整、不一致、冗余、沖突，甚至錯誤的情況，這給多源融合帶來增量的同時也形成了極大的難度。通過對多源源數據進行質量評估和差異性對比是后續選擇融合處理流程和算法的重要依據。數據質量評估主要從完整性、準確性、時效性等方面對數據進行多維度評估，形成多源數據質量的量化描述。數據差異性對比主要從互補性、冗余性等方面對多種數據進行對比評估，形成多源數據直接的量化對比描述。因此，在后續融合過程中，選擇互補性強、數據質量較好的數據源進行融合，通常可以獲得良好的融合效果。

　　2.2 多源目標數據的智能關聯

　　傳統目標關聯技術大多是側重于利用目標時空特征開展點跡或航跡關聯，對于位置精度及時序差別較大時關聯效果較差。由于目標的屬性信息一般不會隨時間變化而變化，同一目標的屬性信息應該是一致或相融的，因此，可采用目標屬性的特征化與歸約化處理，對異類信息進行變換的特征化與規范化處理，如將目標運狀態參量(位置、方位、速度等)進行特征矢量化，作為特征向量關聯的一組向量元;對圖像信息的自動分割與解譯，獲得的目標空間結構參數與屬性信息也可作為特征向量的一組向量元。在此基礎上，利用統一特征向量進行相關性分析，即將位置信息、特征信息與屬性信息的度量統一為特征向量，進一步采用多因子相關分析、模糊聚類分析、統計檢驗等方法進行數據相關分析與關聯處理。

　　基于圖神經網絡的知識圖譜學習與計算是近年來提出的一種新的技術手段。圖神經網絡通過提取目標關聯特征，將全部航跡信息特征作為輸入，利用深度神經網絡對圖數據中的拓撲結構信息和屬性特征信息進行整合，根據提取的長短期記憶模型直接輸出航跡關聯結果，可實現端到端航跡關聯，這樣既保留了樣本細節，提高了泛化能力，又簡化了系統整體的處理流程。而基于知識圖譜的語義關聯為解決跨域大時空數據關聯問題提供全新策略，它能夠利用由目標屬性實體組成的網狀知識庫，進行知識推理，發現目標之間潛在的關聯關系，形成全面的、更深層次的目標關聯關系。圖神經網絡能夠提供更精細的節點或子結構的特征表示，并能很方便地以解耦或端到端的方式與下游任務結合，巧妙地滿足了知識圖譜對學習實體、關系的屬性特征和結構特征的要求。因此，融合知識圖譜與圖神經網絡，有機結合知識和數據，有望實現更好的可解釋和可信人工智能技術。

　　2.3 目標智能融合識別

　　由于不同偵察手段性能的差異及偵察環境的干擾，其提供的偵察信息一般是不完整、不精確的，甚至是矛盾的。當前的基于統計學方法的目標識別技術依賴大量穩定的隨機信息[6-8]。然而，實際所能獲得的目標特征信息往往很少(偶爾)出現;另一方面，歷史積累的目標態勢、動向等信息在作戰識別過程中長期被忽略。因此，在使用云端大數據分析形成的目標或事件規律、知識、模型的基礎上，結合輕度/敏捷計算的智能化融合識別方法具有較好的應用前景。具體可通過后端基于大量數據的長期穩定分析，獲取目標的常態性、基礎性、規律性的信息，并形成相關信號/信息庫、模型庫、知識庫，用于輔助目標識別;同時，在后端系統上，通過深度學習技術抽取隱含在數據中的目標高層特征，構建目標特征庫，提高目標識別概率;將上述知識庫根據應用預先裝入相關終端，終端以目標驅動輕度計算條件下的自主學習，實時/準實時得出機器智能目標識別結論概率及說明，結合操作員介入，以“人工智能+人在回路”的方式完成目標精確識別。

　　3 目標智能融合支撐技術

　　3.1 新型融合知識庫的構建技術

　　當前信息融合知識存在分散、異構、冗余、噪聲大、不確定、不完備等問題，導致融合知識利用率低、對戰場目標跟蹤、關聯、識別等支撐不足。采用知識建模、大數據挖掘等技術從多源海量原始數據中提取基礎性、本質性、規律性、中長期時效性的知識，構建戰場信息融合知識圖譜，消除各來源知識間的結構化差異和語義鴻溝，形成完整、高效的目標融合知識體系，勢在必行。

　　基于全空間信息系統(PSIS)理論，最新研究形成支持可多粒度、多維度空間數據的全息空間融合知識庫。全息空間融合知識庫是指在泛在網環境下，以目標為紐帶動態關聯事物或事件的多時態(Multi-temporal)、多主題(Multi-thematic)、多層次(Multi-hierarchical)、多粒度(Multi-granular)的信息，提供個性化的目標及與目標相關的智能服務平臺。其宗旨是以“人”為本，根據用戶的應用需求，基于目標來集成和關聯適宜的地理環境條件要素范圍、內容類型、細節程度、時間點或間隔的泛在信息，通過適應于特定用戶的表達方式為用戶提供信息服務。全息空間融合知識庫強調以目標為核心將泛在信息映射到多維地圖上進行匯聚、關聯、分析、傳遞、表達。泛在信息、語義位置和多維動態場景表達構成了全息空間融合知識庫的三大核心組成部分[9]。

　　3.2 基于本體核的目標知識融合技術

　　通過知識融合，實現目標知識圖譜中實體及關系的對齊和歧義消除，凝練實體概念空間，同時，通過將實體和關系投影到連續的低維語義空間中，實現知識的表示學習，進一步糾正和補完目標知識圖譜中的實體及關系，進而完成高可用性、完整性的目標知識圖譜的構建任務。

　　由于多源數據中存在大量的冗余、噪聲、干擾信息，需要通過知識的融合實現實體的對齊和消歧，以支持目標知識數據的精準生成和計算。具體實現方式為：將圖譜看作一個結構化的帶標簽圖數據，利用隨機游走方法可作為結點的特征，然后進行相似度計算即可完成對齊融合。本體核方法有兩方面的優勢：一方面，作為一種隨機游走方法，它可以有效地比較圖而無需顯式特征枚舉。當給出兩個圖時，隨機游走可通過直積圖(direct product graph)及其鄰接矩陣的方式隱式枚舉所有可能的隨機游走，然后使用共享隨機游走計算圖之間的相似性，因此，它在比較普通圖時表現出良好的性能;另一方面，本體核方法中可同時計算詞匯和結構兩種類型的相似度，有效提高了語義信息檢索質量。當然，這也要求應用本體核方法時不僅要考慮其詞匯相似性，還要考慮本體對齊中的結構相似性[10]。

　　本體核的方法可以看作是隨機游走算法的一個強化，關鍵在于核的引入。這個核的思想是通過將實體圖映射到實體隨機游走的空間來度量本體實體的結構相似性。核中的一個實體的圖表示與其他實體的所有關系。因此，不管實體有多復雜，或擁有多少種關系，本體核都可以比較實體之間的相似性。另外，它考慮了實體相似度計算中的各種本體關系。因此，本體內核對于要對齊的本體之間的結構差異是魯棒的。特別是，即使本體的詞匯匹配不值得信任，內核也會對齊兩個本體。

　　4 問題探討

　　在實際應用過程中，多源信息融合系統通常會遇到如下四個問題[11-13]：

　　(1) 知識不完備

　　軍事科技的快速發展和軍事保密等因素的影響，知識庫永遠不可能達到完備，特別是知識庫建立的初期，更是缺乏正確知識的支持。但是，由于受政治和軍事的限制，目標的分布和活動具有時域性和地域性的特征。因此，在信息融合系統中增加時域和地域的分析，可以減少知識不完備帶來的影響，提高目標識別的正確率。

　　(2) 多源信息關聯困難

　　由于數據類型的不一致、傳感器定位精度的差別及信息時延的等原因，給多源異類信息的關聯帶來了很大的困難。雖然，在增加目標屬性信息進入關聯參數后，在一定程度上可以減少關聯結果的模糊性;但是，更深入的研究異類信息的關聯機理，進一步提高系統的關聯性能，已成為目標綜合識別，特別是決策層目標綜合識別研究領域亟待解決的一個問題。

　　(3) 信息過量與知識貧乏

　　多源信息融合系統中的信息過量主要體現在處理和存儲兩個階段。在融合處理階段，由于受雜波的影響，偵察數據中混雜著大量的虛假目標，這對融合系統中的關聯和識別過程都帶來了巨大的影響。在存儲階段，隨著信息搜集能力的日益提高，產生了海量的數據;但同時，由于傳統處理方法和能力遠不能滿足實際需要，造成了“信息過量而知識貧乏”的矛盾。

　　(4) 好的信源和人工解釋結果無法替代

　　理論上，通過多源信息融合后的目標信息應優于任何單傳感器的信息;但是，以當前國際、國內信息融合處理技術的發展水平，好的信源和人工解釋結果仍無法替代。因此，在多源信息融合系統中，對于好的信源應采用擇優而不是加權的處理方法;對于好的人工解釋結果，應賦予最高的置信度。

　　5 結束語

　　現代軍事呈現智能化、信息化、高科技化等顯著特點，戰場環境日益復雜，情報數據不斷激增，全面研究戰場目標信息智能融合技術迫在眉睫，對提高軍事情報獲取能力和可靠度方面具有重大意義。當前，以人工智能、物聯網、區塊鏈等為主的高新技術，在引領世界范圍內各個領域技術革命的同時，也在推動著軍事目標信息融合技術的創新與變革。在建設“萬物互聯”新時代下軍事目標信息融合處理應用系統時，要順應信息技術變革需要，重視信息理解能力和知識推理能力的提升，從而使信息融合處理效率和質量實現質的飛越;要注意新技術融合創新、優勢互補才能釋放巨大科學價值，更好地服務軍事目標的智能融合識別。此外，進一步的發展方向應聚焦于在強化需求驅動、體系結構主導的頂層設計之外，大力加強基礎技術的研究和儲備，探索大差異信息的有效融合處理方法，為高效、合理利用數據以支持軍事決策提供理論和技術基礎。