马爱民
(海军大连舰艇学院,辽宁大连 116018)
探雷声纳目标的概率分类技术*
马爱民
(海军大连舰艇学院,辽宁大连 116018)
探雷声纳搜索海底时发现目标数量多,重合点少,现有方法难以快速有效识别水雷。对此提出一种基于概率特征的目标分类技术,通过多次搜索获得小目标发现率,根据错判概率最小准则确定分类判据,对概率差异明显的目标实现有效分类。对以往的实际搜索数据分析结果证明,该方法能有效剔除大部分低概率小目标,减小待处理目标数量,显著提高探雷声纳的综合搜索效能。
探雷声纳;概率特征;分类判据;综合效能
猎雷是目前最有效的反水雷手段,其作战过程包括搜索、分类、确认和处理。猎雷舰使用探雷声纳搜索海底水雷时会发现大量疑似水雷目标,为确认这些目标的性质,需要用识别声纳接近分类,再用灭雷具或蛙人下潜抵近目标,通过摄像机或视觉确认目标。应用经验表明,探雷声纳发现的可疑目标中大部分不是水雷,后续抵近下潜从中分辨确认水雷需要消耗大量时间。为减少无效处理次数,提高作战效率,猎雷舰必须对声纳发现的可疑目标进行快速分类。目前国内外通用的快速分类技术是位置比对法,要求预先建立目标数据库,作战时与可疑目标实时比对,快速确认并剔除原有的目标,只对新目标进行分类与确认,从而大幅度提高猎雷舰艇的综合作战效能[1]。
然而在实际应用中发现,对海底多次搜索过程中,探雷声纳会发现大量位置不重复的新目标,造成位置比对法筛选出的新目标过多,远不能达到预想的目标剔除效果。例如某探雷声纳在一次任务中,对面积0.3平方海里的无雷海区进行了三次全面搜索,每次搜索中分别录取26、35和40个触点,共计101个触点,分布情况如图1所示。
图1 三次探测触点分布图
图1中声纳触点用椭圆标记,各触点连线的另一端为声纳基阵位置。图中位置相近的触点视为同一目标,标记为白色,共计21组;不重复的孤立触点标记为深色,共计53个。根据位置比对法的原理,孤立触点即为新目标,即本例中存在大量新目标。此时如果任务区中有水雷,则所有53个新目标都必须进一步识别,显然未能达到预想的快速分类效果。更为糟糕的是,如果进一步增加搜索次数,将会出现更多新触点,实际上已经无法完成搜索任务。
国外猎雷舰艇成功应用已超过40年,但在已知的文献资料中,均未见有上述问题的相关论述。但上述问题已经成为我探猎雷技术的应用瓶颈,严重制约了探猎雷装备的实际应用[2]。
本文针对上述问题,提出一种基于概率特征的探雷声纳目标快速分类技术,可以快速剔除大量低概率小目标,显著提高探雷声纳搜索效能。该技术的有效性已得到了以往数据的验证。
为了说明概率分类法的思路,首先对前例进行简单统计。该例的三次搜索中,每次平均发现触点33.7个,通过比对分析可知,每二次搜索中的重复触点平均有11.7对。假定所有目标的发现概率都相同,则由现行的通用评估方法[1]可求得
(1)
N和p分别为估计目标总数和探测概率,其中,p值明显低于一般水雷的探测概率。这个现象并非本例所特有,考察现有大量声纳探测实例后可以发现:在多次重复搜索中,普遍存在发现目标多,重复数量少的情况,评估概率都在0.2~0.4之间。这种情况意味着,可以根据探测概率区分小目标和水雷,这就是概率分类法的基本思路。
上述估计模型中假定所有目标探测概率都相同,这显然不符合实际情况。声纳探测概率主要取决于目标尺度,国内目前基本上没有这方面的调查数据,但根据常识可以设想海底小目标大的少、小的多,即目标数量与尺度(即探测概率)间近似反比关系,如图2所示。
图2 小目标和水雷数量一概率分布图
图2中横轴表示探测概率,纵轴表示数量,图中绘出了小目标和水雷对探测概率的分布曲线。上例中的估计雷数N是小目标分布曲线的积分,估计概率p则表示小目标探测概率的均值。图2中水雷的分布曲线根据经验绘出,其散布范围集中在0.5~0.8之间,过大和过小的水雷数量都很少。根据图2中水雷和小目标的分布关系,如果选择适当的概率判据,如图中虚线所示,剔除左侧目标,保留右侧目标,则保留目标中将包含大部分水雷和少量高概率小目标,从而减少待处理的目标数量,实现快速分类。这种方法不适用于探测概率很低的非典型水雷,如小型、异形、软体、透声水雷等,但这些水雷总数很少,故概率分类法具有普遍应用价值。
概率分类法要求知道每个目标的探测概率,应用中可以通过多次搜索获取:在k次全面搜索中,同一目标被发现n次,则发现率为p=n/k,当k很大时,发现率p将趋近于概率。若取p0为判据,则概率分类模型可表示为
(2)
通常搜索次数k不会很大,故用发现率p进行判断时存在一定误差。实际应用中直接根据发现次数n完成判断更为方便,此时判据可取n0=p0k。
概率分类法的关键问题之一是如何确定合理的概率判据p0。由于发现率p存在随机误差,因此分类时会产生两类误判:一是将高概率目标舍弃,二是将低概率目标保留。无论判据p0取什么值,这两种误判都不可能同时避免,但可将误判的总发生率控制到最小,这可作为概率判据的基本选取准则。
从连续分布的概率中选择判据p0并不容易,但将其转化为发现次数,即变换为离散分布后,可简化判据选择问题。根据概率原理,如果某一目标的探测概率为p,进行k次搜索后,该目标被发现n次的概率服从二项分布B(k,p),即
(3)
取k=6,p=0.2,可做出发现次数n的概率分布如图3所示。
图3 二项分布B(6,0.2)的概率分布图
若给定发现次数判据n0,即可求得所有小于和大于n0的总概率。如果搜索区中存在探测概率高低不同的两类目标,则用同一个判据n0进行分类,总错误率为两种目标被错判的概率之和,其最小值对应的即为最佳判据。低概率目标服从B(k,p1),被保留则为错判,错判概率为判据以上各动作次数的发生概率之和:
(4)
高概率目标B(k,p2),被剔除为错判,错判概率为小于判据的各动作次数的概率之和:
(5)
于是,总错判概率为
(6)
取总错判概率Q达到最小的n0,即为所需要的最佳判据。用概率分布图可以更清楚地展现最佳判据的意义,现取k=6,p1=0.2和p2=0.6,做出两类目标发现次数的概率分布图如图4所示。
图4 二项分布B(6,0.2)、B(6,0.6)概率分布图
由图4可直观看出,发现次数判据取两条曲线的交点值最合适,约为n0=2.4,对应概率判据为p0=n0/k=0.4。取整数判据记为n0*=3,即应保留发现3次以上的目标,剔除其它目标。此时总错判概率为两条曲线下方与水平0轴之间所围面积[4]。
依据总错判率最小原则选取判据是一种基本考虑,实际应用中还应考虑其它因素。例如当低概率目标很多时,错判使待识别目标数量增大,可将判据右移,剔除更多低概率目标。反之,如果小目标不多,则可将判据左移,保留更多高概率目标,提高水雷发现率。在后面对搜索次数的分析中,即可看到对判据的调整要求。
搜索水雷的一般要求是对所有水雷达到某个总发现率指标P0,因探雷声纳发现概率有限,通常需要进行多次搜索。运用概率分类法时,除漏掉声纳未发现的水雷外,还会漏掉发现次数小于判据n0的水雷,即总漏搜概率为水雷发现次数小于n0的概率之和,它正是前述高概率目标被剔除的错判概率Q2。显然正确判断的概率为1-Q2,它应不小于发现率指标P0,即Q2≥1-P0。将式(3)和式(5)代入后可得
(7)
上式表示高概率目标被剔除(即剩余)总概率必须小于要求的剩余概率。式中k为待求搜索次数,其它均为已知量:p2为高概率目标发现概率,n0为分类判据,P0为总发现率指标。现对常用参数p1=0.2和p2=0.6,求出不同搜索次数k对应的计算结果,如表1所示。
表1 常用分类判据表(p1=0.2,p2=0.6,P0=0.95)
表中P2=1-Q2,是高概率目标的总发现率,也是水雷的总发现率,在清除任务中必须满足P2≥P0,据此可得到需要的搜索次数k和判据n0*。例如总清除率指标为P0=0.9,则由表1可查出水雷发现率P2=0.913,搜索次数k=5,判据n0*=2。
注意表1中搜索次数增加时,总发现率不一定提高,例如搜索6次时的总发现率反而低于搜索5次的,其原因是依据总错判率最小原则,搜索6次时判据也增加了,因而导致总发现率降低。如果任务要求达到95%
甚至更高的总清除率,则表1的条件下将无法完成任务。解决这个问题的方法之一是调整判据,如果在6次搜索后将判据由3改为2,重新计算可得到总发现率P2=0.959,即可满足清除指标。这是由于降低判据后,放宽了高概率目标的保留条件,保留目标中将包含更多的水雷,从而满足指标要求。当然降低判据后,会有更多的低概率目标被保留,使无效工作有所增加,效率降低。这个情况表明总错判率最小准则只是一种基本考虑,判据的选择还须综合考虑实际使用要求[5]。
概率分类法的验证目前尚不具备仿真实验条件,只能利用应用实例。国内现有探雷声纳搜索实例虽然不少,但符合概率分类法全面、多次搜索条件的实例并不多,而能够掌握水下目标真实情况的更是寥寥无几。本文对大量实例进行了分析,只找到了二个基本符合条件的实例,现以此为据对概率分类法进行实例验证。
概率分类法的有效性可用目标剔除率、水雷发现率和有效目标率来考察,三个指标都是越高越好。通常目标剔除率不低于50%才有意义,水雷发现率应接近90%,有效目标率是保留目标中水雷的占比,越大表明工作效率越高,但这个指标只在有水雷时才有意义[6]。
4.1 实例1
实例一的搜索结果即为前面图1和相关数据。该实例中未布放水雷,搜索前也不了解海底小目标的数量、概率和分布情况,属未知海区搜索情况,即无法应用位置比对法进行快速分类,探雷效能极低。现对该实例应用概率分类法,搜索次数k=3,取低、高概率值分别为p1=0.2和p2=0.6,由表1查得目标保留判据n0*=2,即发现2次及以上的目标应保留。依据发现次数分类后,得到保留目标21个,剔除目标53个,剔除率为71.6%,效果明显。本例无布放目标,无法考察水雷清除率,而保留21个目标数量仍不算少,有效目标率似乎不会很高,但与概率分类前的情况相比已有明显改善。
本例中如果事先建立数据库,并对保留的21个目标再运用位置比对法,将进一步提高分类效果。在基于概率分类法建立数据库时,只需要考虑高概率目标,故可显著降低建库时的搜索次数,提高实用性。
4.2 实例2
实例2中使用的声纳与实例一相同。搜索前预先布放了10个类似水雷的人工目标,此后对任务区进行了6次搜索。其中二次搜索明显不全面,一次搜索重复较多,综合折算后相当于5次全面搜索,共录取声纳触点73个,分析后得到目标59个,其中重复目标9个。
对实例2的搜索结果运用概率分类法,即k=5,仍取p1=0.2,p2=0.6。由表1可查出保留判据n0*=2,得到保留目标9个,剔除率达到84.7%。与预先布设的目标比对后知,9个保留目标中有8个确认为布放目标,布放目标的总发现率为80%。此外在9个保留目标中,只有一个是非布放目标,有效目标率达到89%。
本例在目标剔除率、水雷发现率和有效目标率三个指标上堪称完美,虽然只是个例,但已充分展示出概率分类法的潜力。
本文提出的探测概率分类法来源于实际数据的深入分析,对二个实例的应用结果初步证明了该方法的有效性。该方法如果能解决快速分类问题,将不仅有利已知海区的建库和搜索,还能提高未知海区的搜索能力,并为探雷声纳单独使用提供手段。目前概率分类法在理论和应用方法上还有待完善,验证工作只有两个应用实例,显然还不够充分,但取得的结果已经能够展现其潜力,值得深入研究。目前首要工作是有效性验证,可选择典型海区,在有/无水雷的情况下实施多次全面搜索,验证概率分类法的有效性。该方法未来的深入研究仍需借助仿真手段,为此需要在充分获取声纳数据的基础上建立触点生成模型,进一步完善快速分类技术,最终实现数据预报和验后分析能力,为制定搜索计划、提高搜索效能、评估搜索效果提供有效手段。
[1] 马爱民.猎扫雷作战效果评估与控制[M].北京:国防工业出版社,2000.
[2] 马爱民.基于漏搜信息的剩余水雷评估模型[J].指挥控制与仿真,2013,35(6):1-4,16.
[3] 李庆民,王红卫,李华,等. 基于双Markov链的效果评估模型研究[J]. 武汉理工大学学报(交通科学与工程版),2007,31(3):460-463.
[4] 马爱民.反水雷作战剩余危险指标的选择与确定[J].海军学术研究,2015(10):22-23.
[5] Joseph H. Discenza, Peter P. Haglich. Structured Essential Model for Mine Warfare[M]. Wagner Associates, Inc. 1996.
[6] Richard O. Duda Peter E. Hart David G. Stork.模式分类[M].李宏东,姚天翔,等,译.北京:机械工业出版社,中信出版社,2003.
Probability Classification Method for Mine Detection Sonar Targets
MA Ai-min
(Dalian Naval Academy, Dalian 116018, China)
The targets which found by mine detection sonar while searching sea bed are large quantity and can’t be found again easily. The current measures are difficult to classify the mines from the sonar targets. Now a new method has been developed to do this efficiently, which based on the difference between the targets’ detecting probabilities acquired from multiple searches. The method has been approved effective when it applies on some practical examples. The results express that a large percentage of lower probability targets are rejected, the numbers of reserved targets are reduced obviously and the comprehensive effectiveness of the mine-detection sonar is raised remarkably.
mine-detection sonar; probabilities character; classification criterion; comprehensive effectiveness
2016-12-06
国防预研基金(3020604010302)
马爱民(1956-),男,北京人,博士,教授,博士生导师,研究方向为水中兵器作战使用与仿真。
1673-3819(2017)03-0001-04
TJ61+7;E917
A
10.3969/j.issn.1673-3819.2017.03.001
修回日期: 2017-02-17