集成學習在多源信息融合識別中的應用研究

周 鋼，瞿 洋，張社國

(1.海軍工程大學， 武漢 430033； 2.中國人民解放軍92682部隊, 廣東 湛江 524000)

多源信息融合是一種多層次、多方面的處理過程，包括對多源數據進行檢測、相關、組合和估計，從而提高目標實體的狀態和身份估計的精度，以及對戰場態勢和威脅的重要程度進行適時完整的評價[1]。隨著信息采集手段和技術的發展，多源信息融合的信息源拓展到包括雷達、聲納、紅外、航拍、遙感等傳感設備和數據庫、知識庫、人工情報、互聯網等多種來源。多源信息融合在戰場情報綜合處理、聯合海情數據分析等領域具有廣泛應用實踐[2、3]。多源信息融合識別是利用各類情報資源，通過統一時空基準、區域協同，產生探測目標的一致性解釋或描述[4]。本文中圍繞多源信息融合典型模型中的歷史數據利用不足和智能程度不高的問題，關注目標識別的類別判斷問題，分析當前通用的多源融合模型，探析傳統模型存在的問題，并針對性提出了一種基于集成學習的多源信息融合識別模型，進行了典型案例應用分析。

1 多源信息融合識別

在多源信息融合中，由于各類情報探測設備和情報收集源的差異性，為了更好的發揮各情報裝備的性能，根據各情報探測裝備在情報獲取性能上的差異性、互補性，通過協調、集成、融合，進一步發揮情報體系的一體化、聯合化、體系化作戰能力，提升戰場情報綜合分析處理的效能。

1.1 戰場多源信息融合多層架構

戰場多源信息融合識別根據融合層次可以分為探測裝備層融合、目標位置層融合、特征屬性層融合、戰場態勢層融合和威脅評估層融合[5]。探測裝備層融合是將探測裝備上的大量原始情報數據，經過處理壓縮后傳輸到情報處理中心進行融合；目標位置層融合也稱目標軌跡、航跡追蹤，是對各情報探測設備數據的對目標軌跡、航跡的單向融合；特征屬性層融合，也稱目標級別融合，主要完成目標屬性分類和類別判決，主要包括三類目標，即民用目標(漁船、郵輪等)、軍用目標(我方、敵方)和不明目標；戰場態勢層融合是綜合作戰區域(海域、空域、電磁域)的各類情報信息，形成全面綜合的戰場態勢；威脅評估層融合是基于戰場態勢，結合作戰意圖和戰略戰役目標，輔助首長決策，估計敵方目標威脅。戰場多源信息融合多層架構如圖1所示。

圖1 戰場多源信息融合的多層結構框圖

其中，目標位置融合和特征屬性融合是最重要的中間層，為后續態勢評估和威脅估計提供基礎。本文關注的多源信息融合識別主要是探測目標屬性層的融合，關注目標的屬性識別。

1.2 多源信息融合典型模型

常見的多源融合識別模型包括：基于博弈論的多源信息融合、基于貝葉斯網絡的多源信息融合[6]和基于證據理論的多源信息融合[7]等模型方法。

1) 基于博弈論的多源信息融合，是將信息融合過程抽象為多個局中人在沖突環境下的策略交互過程，融合目標在于各局中人在融合系統中的支付效用最大化，按照局中人提取、策略提取、支付提取、態勢評估、過程提取5個模塊完成博弈融合。

2) 貝葉斯網絡的多源信息融合，是將多源情報作為博弈參與者，將情報源之間的協同、合作、沖突、互補作為策略集，考慮多個情報源在時空上的動態相關性，在融合中采用貝葉斯網絡推理和決策樹，構建最優融合策略。

3) 證據理論的證據合成方法能融合多個證據源證據，根據支持證據沖突的概率分配各個證據命題。在多源信息融合中，將情報源作為證據源，將情報源構建局部決策作為證據對應的命題，情報源之間的沖突轉為證據沖突概率。考慮情報源信息獲取的連續性、時序性，結合當前節拍數據和歷史節拍數據，來進行多源信息融合。

1.3 多源信息融合模型現狀分析

根據1.2節所述的多源信息融合模型研究，3種常見模型均關注目標位置和特征屬性層的融合，基于證據理論的多源信息融合是數據層面融合，基于博弈論和基于貝葉斯網絡方法則是決策層面融合。隨著大數據、人工智能技術發展，開展多域戰場多源信息融合識別中的多傳感器協同控制，多源情報特征級一致化，情報大數據的重構、壓縮技術研究[8-10]，從而進一步加強一體化情報系統建設，網絡化情報信息收集，智能化情報融合識別，是當前戰場多源信息融合的研究熱點和發展趨勢。

傳統多源信息融合模型存在兩方面問題，一是歷史數據利用不充分，缺乏對情報源歷史情報數據和情報收集精度的使用；二是融合模式方法不智能，簡單按照大數原則或權重賦值進行結合，缺乏先進人工智能技術在其中的融合應用。據此，提出一種新的基于集成學習方法的多源信息融合識別模型。

2 集成學習的多源信息融合識別模型

集成學習利用多個學習器的集成來解決復雜問題，從而可顯著提高學習系統的預測精度[11]，集成學習的多樣性是提升集成學習泛化能力的重要手段之一[12]。集成學習模型與多源信息融合識別在模型結構、組成架構上具有內在切合性，因此，構建基于集成學習的多源信息融合識別模型來實現多源情報融合，識別目標類別。

開展集成學習在多源信息融合識別中的應用研究，構建基于集成學習的多源信息融合識別模型，按照基學習器構建，信息融合模型構建，異源信息印證3個步驟完成，并以雷達情報數據的多源融合為典型案例展現集成學習多源信息融合識別模型應用。

基于集成學習的多源信息融合識別模型構建過程如圖2所示。

圖2 基于集成學習的多源信息融合識別模型構建過程框圖

2.1 基學習器構建

雷達是情報收集系統的主要情報獲取設備，它是利用目標對電磁波的反射現象來發現目標并測定其位置的[13]。雷達目標自動識別有主動識別和被動識別兩種，其中，主動識別主要使用敵我識別器，根據目標的應答信號是否符合預定密碼，識別器輸出相應的屬性信號，被動識別是利用所獲取目標的信息特征，與目標數據庫所存的有關數據進行比較，以確定目標的敵我屬性。

這里主要研究運用雷達自動被動識別某一區域海上目標，將單個的雷達情報源作為基學習器構建，利用該雷達對某海域的歷史探測數據，構建基學習器。根據雷達特性，確定采集的情報數據格式如表1所示。

表1 雷達情報格式

對于海上目標類別的探測識別，除了表1中所列的目標方位、距離、速度等基礎信息，還有由此衍生的宏觀動態信息，如航向、航速，以及微觀動態信息，如機動性能、外形特征等，完成從雷達測量空間向特征空間的轉變，建立并提取與探測目標類別密切相關的特征及數據，主要包括方位、距離、航速、面積、航向、機動性，判決的目標屬性為海上目標類別。

根據已有特征數據判別艦船類別，由于艦船類別有限，是典型多分類問題，應當使用分類算法構建基學習器；由于涉及軍事決策問題，應當確保分類算法具有高可靠性和可解釋性，因此決策樹算法是優良選擇；根據特征數據的離散性和取值有限性，避免決策樹傾向于多取值屬性，應選用信息增益作為屬性選擇度量。綜合上述三點，選用C4.5算法[14]構建決策分類樹作為基學習器。據此，雷達裝備情報源基學習器的構建過程如圖3所示。

圖3 雷達情報源的基學習器構建框圖

2.2 信息融合模型構建

運用各雷達情報源構建的基學習器來建立集成學習模型，完成多源信息融合與目標識別。由于各個觀通站、岸基雷達站裝備的差異性，以及針對某一區域海上目標的相對距離、位置以及目標特性的不同，各雷達情報源構建的基學習器雖然針對同一區域海上目標，但是在特征數據上存在差異性，從而形成了多樣性的基學習器。

假設存在某區域海上目標S，存在五部不同性能、距離、方位的雷達R1，R2，R3，R4，R5對S進行探測，示意圖如圖4。

圖4 多雷達探測示意圖

各雷達均通過敵我識別器和AIS等異類情報源印證消除了為我方艦船1和民用船舶2的可能，敵方艦船在抵近偵察會采用各種欺騙、偽裝手段，因此，一般將海上目標類別判決問題退化為二分類問題，即敵方艦船0和不明目標3的判決。

對于R1、R2、R3、R4、R5的歷史情報數據構建決策樹，如圖5所示。

對于R1～R5雷達探測情報，通過數值離散化、特征空間轉化提取得到雷達特征數據，結合圖5的各雷達構建的決策樹，并按照75%準確率標準進行決策樹預裁剪，可以得到預測結果如表2，其中目標類別括號中為分類準確率。

圖5 雷達R1～R5構建的基決策樹示意圖

表2 多雷達情報數據及預測結果

按照學習器結構多樣性的判別方法[15]，對于R1～R5構建的基學習器C1～C5，多樣性判斷后選取C1、C3、C4集成學習泛化能力最好，后續增加順序為C2、C5。

那么，對于敵方目標(0)和不明目標(3)在錯報時候的代價不一樣，因此應用錯分容忍度和對于分類結果的多樣性構建方法，參照混淆矩陣模式，為不同錯分問題構建動態權重，具體如表3所示。

表3 海情判別錯分問題權重表

基于表2和表3，假設實際對于該海上目標為敵方目標和不明目標的概率均為50%，此時，構建具體軍事應用中海上目標類別判斷的綜合精度如表4所示。

表4 海上目標類別判斷的綜合精度

因此，結合海上目標類別判決的應用背景，構建綜合精度排序為C3、C1、C5、C2、C4。根據多樣性對泛化能力的貢獻和基學習器對預測精度的作用在最終分類結果中的貢獻相同，那么最終選取的多樣性基分類器為C1、C3和C4，其中C1、C3均判斷為敵方艦船，因此，可以預測該海上目標為敵方艦船。

2.3 異源信息印證

對于多個雷達情報源的探測結果采用多樣化集成學習后的預測結果，還可以繼續使用異類情報源進行印證。如繼續使用敵我識別器、AIS判別、電子對抗偵察設備，根據返回的敵我信息、屬性信息或電子裝備特性，判斷目標類別屬性，或從而進一步提高預測目標類別的準確率。

3 結論

基于集成學習的多源信息融合識別模型，按照基學習器構建，信息融合模型構建，異源信息印證3個步驟完成多源信息融合識別，并以雷達情報數據的多源融合為典型案例展示了基于集成學習的多源信息融合識別模型應用，實證應用發現該模型能夠有效提升目標識別準確率，對提高戰場情報處理與分析能力具有重要意義。