面向典型战场应用的目标智能融合技术*

郑向华,成 聪

(1.成都工业学院 智能制造学院，成都 611730；2.西北工业集团有限公司，西安 710043)

0 引 言

随着人工智能技术的迅猛发展与广泛应用，新兴技术交叉融合，与军事理论、作战概念等创新结合，推动战争形态从信息化向无人化、智能化方向加速演变。如何从虚实空间广域分布的战场信息中抽丝剥茧，在认知域建立优势，获取战场制信息权、制智权成为未来与强敌对抗制胜的关键。当前，以人工智能、大数据、云计算、知识工程等为主的高新技术在引领世界范围内各领域技术革命的同时，也在推动着信息融合技术的创新与变革。未来，在网络信息体系的大环境下，形式各异的侦测传感器日益丰富，依靠传统的信息融合方法，企图从多源异构的数据海洋中获取高价值融合信息产品显得捉襟见肘。在建设新时代下信息融合处理应用系统时，要顺应信息技术变革需要，重视信息理解能力和知识推理能力的提升，将多源信息的“虚假冗余”提炼为“真实精炼”，将多源信息的“孤立碎片”还原为“全景拼图”，将分析处理过程的“人工主导”转变为“机器自主”，将信息产品的“定性单维描述”提升到“定量多维展现”，从而使信息融合的处理效率和质量实现质的飞越，促进相关应用工程的转型变革[1]。

1 战场多源信息融合典型应用需求

随着未来智能化、无人化军事装备的不断发展，传感器的数量将不断增加，类型将不断多元化，相应地，探测感知系统对复杂环境下的目标捕获能力需求不断提升，探测信息的干扰性、冲突性日益凸显。在传感器性能无法获大幅突破的情况下，亟待利用信息融合的冗余性与互补性，增强系统的容错能力和自适应能力，从而快速获取高质量数据和可信信息。典型的战场多源信息融合应用场景包含复杂电磁环境下辐射源精确定位、复杂战场环境下隐身目标/低小慢目标发现、目标综合识别和作战态势感知等，对其进行需求分析如下[2]：

(1)基于信息融合的作战目标分辨能力提升，例如可以通过信号侦察与无人机图像侦察信息的融合处理，改善目标分辨能力，特别是隐身目标以及强电磁干扰环境下的目标分辨率；

(2)基于信息融合的目标定位精度提升，例如可以通过信号级协同侦察信息融合，有效克服单传感元素测量精度有限的问题，提供更精确的位置估计；

(3)基于信息融合的目标跟踪能力提升，例如可以通过侦察装备智能组网侦察，实现目标航迹智能预测、侦察装备自动调度等，获取目标的不同方位、不同时空的信息，并对它们进行融合处理，以提高针对机动目标、高速目标、隐身目标、低小慢目标的跟踪能力；

(4)基于信息融合的目标智能识别能力提升，例如可以利用人工智能算法挖掘目标历史数据中各属性之间的关联关系，发现属性之间的内在联系——传感器搭载与目标运动航迹之间的关系等，最后基于侦察信息的关联处理，实现对目标敌我、国籍、类型、型号等属性的快速识别。

2 人工智能技术在信息融合领域中的应用

当前，新一代人工智能技术加速发展，呈现出深度学习、跨域融合、人机协同、迁移对抗等新特征。人工智能的理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，为推动人工智能技术在信息融合领域应用提供了坚实的技术基础。开展智能信息融合技术研究，深入挖掘人工智能技术在多源信息融合领域的应用价值，是提升信息融合技术的智能化水平的必由之路。人工智能技术在多源信息融合系统中的应用设想如图1所示[3-5]。

图1 多源信息融合系统结构及处理流程

2.1 目标智能定位与跟踪

当前，高超声速目标、低慢小目标和隐身目标的威胁日益加剧，这对传统传感器探测机制提出了严峻挑战，例如，目标雷达截面积大大减小，使得单一传感器已无法连续跟踪目标，甚至无法检测和发现目标。信源优化技术充分发挥多类型侦察装备协同的性能优势，在信号层面综合利用目标的散射、辐射等特性，利用深度强化学习等人工智能技术充分挖掘多类信号间内在关联关系和高维特征，从源头上提升感知信息质量，实现低可观测性目标的远距离、高精度检测和定位。传统的无源定位方法一般通过多站无源探测设备获得的目标辐射源信号，建立关于目标位置参数的定位方程组，再通过解算方程组获得目标辐射源的位置信息。通过联合异类无源探测信息的优势，可有效提升对目标辐射源信号类型的适应能力，降低对接收站数量的要求，并在一定程度上提高目标定位精度。由此，需要研究如何对多源异构信息进行分析、综合，以在最大程度上发挥多源异构信息的融合效能。另外，在有源与无源融合定位问题中，除了研究如何利用两类不同无源探测设备的互补性来改善定位精度外，也包括有源传感器和无源传感器的协同配合问题。通过协同优化，在保证一定的定位精度的同时，又不会因为主动传感器的数量过多或过于频繁地使用导致我方传感器的暴露。

另一方面，不同来源得到的侦察数据的精度、准确度各不相同，时效性、稳定性差距很大，信息存在不完整、不一致、冗余、冲突，甚至错误的情况，这给多源融合带来增量的同时也形成了极大的难度。通过对多源数据进行质量评估和差异性对比是后续选择融合处理流程和算法的重要依据。数据质量评估主要从完整性、准确性、时效性等方面对数据进行多维度评估，形成多源数据质量的量化描述。数据差异性对比主要从互补性、冗余性等方面对多种数据进行对比评估，形成多源数据直接的量化对比描述。因此，在后续融合过程中，选择互补性强、数据质量较好的数据源进行融合，通常可以获得良好的融合效果。

2.2 多源目标数据的智能关联

传统目标关联技术大多是侧重于利用目标时空特征开展点迹或航迹关联，对于位置精度及时序差别较大时关联效果较差。由于目标的属性信息一般不会随时间变化而变化，同一目标的属性信息应该是一致或相融的，因此，可采用目标属性的特征化与归约化处理，对异类信息进行变换的特征化与规范化处理，如将目标运状态参量(位置、方位、速度等)进行特征矢量化，作为特征向量关联的一组向量元；对图像信息的自动分割与解译，获得的目标空间结构参数与属性信息也可作为特征向量的一组向量元。在此基础上，利用统一特征向量进行相关性分析，即将位置信息、特征信息与属性信息的度量统一为特征向量，进一步采用多因子相关分析、模糊聚类分析、统计检验等方法进行数据相关分析与关联处理。

基于图神经网络的知识图谱学习与计算是近年来提出的一种新的技术手段。图神经网络通过提取目标关联特征，将全部航迹信息特征作为输入，利用深度神经网络对图数据中的拓扑结构信息和属性特征信息进行整合，根据提取的长短期记忆模型直接输出航迹关联结果，可实现端到端航迹关联，这样既保留了样本细节，提高了泛化能力，又简化了系统整体的处理流程。而基于知识图谱的语义关联为解决跨域大时空数据关联问题提供了全新策略，它能够利用由目标属性实体组成的网状知识库进行知识推理，发现目标之间潜在的关联关系，形成全面的、更深层次的目标关联关系。图神经网络能够提供更精细的节点或子结构的特征表示，并能很方便地以解耦或端到端的方式与下游任务结合，巧妙地满足了知识图谱对学习实体、关系的属性特征和结构特征的要求。因此，融合知识图谱与图神经网络，有机结合知识和数据，有望实现更好的可解释和可信人工智能技术。

2.3 目标智能融合识别

由于不同侦察手段性能的差异及侦察环境的干扰，其提供的侦察信息一般是不完整、不精确的，甚至是矛盾的。当前基于统计学方法的目标识别技术依赖大量稳定的随机信息[6-8]，然而，实际所能获得的目标特征信息往往很少或偶尔出现；另一方面，历史积累的目标态势、动向等信息在作战识别过程中长期被忽略。因此，在使用云端大数据分析形成的目标或事件规律、知识、模型的基础上，结合轻度/敏捷计算的智能化融合识别方法具有较好的应用前景。具体可通过后端基于大量数据的长期稳定分析，获取目标的常态性、基础性、规律性的信息，并形成相关信号/信息库、模型库、知识库，用于辅助目标识别；同时，在后端系统上，通过深度学习技术抽取隐含在数据中的目标高层特征，构建目标特征库，提高目标识别概率；将上述知识库根据应用预先装入相关终端，终端以目标驱动轻度计算条件下的自主学习，实时/准实时得出机器智能目标识别结论概率及说明，结合操作员介入，以“人工智能+人在回路”的方式完成目标精确识别。

3 目标智能融合支撑技术

3.1 新型融合知识库的构建技术

当前信息融合知识存在分散、异构、冗余、噪声大、不确定、不完备等问题，导致融合知识利用率低，对战场目标跟踪、关联、识别等支撑不足。采用知识建模、大数据挖掘等技术从多源海量原始数据中提取基础性、本质性、规律性、中长期时效性的知识，构建战场信息融合知识图谱，消除各来源知识间的结构化差异和语义鸿沟，形成完整、高效的目标融合知识体系，势在必行。

全息空间融合知识库是指在泛在网环境下，以目标为纽带动态关联事物或事件的多时态(Multi-temporal)、多主题(Multi-thematic)、多层次(Multi-hierarchical)、多粒度(Multi-granular)的信息，提供个性化的目标及与目标相关的智能服务平台。其宗旨是以“人”为本，根据用户的应用需求，基于目标来集成和关联适宜的地理环境条件要素范围、内容类型、细节程度、时间点或间隔的泛在信息，通过适应于特定用户的表达方式为用户提供信息服务。全息空间融合知识库强调以目标为核心将泛在信息映射到多维地图上进行汇聚、关联、分析、传递、表达。泛在信息、语义位置和多维动态场景表达构成了全息空间融合知识库的三大核心组成部分[9]。

3.2 基于本体核的目标知识融合技术

通过知识融合，实现目标知识图谱中实体及关系的对齐和歧义消除，凝练实体概念空间，同时，通过将实体和关系投影到连续的低维语义空间中，实现知识的表示学习，进一步纠正和补完目标知识图谱中的实体及关系，进而完成高可用性、完整性的目标知识图谱的构建任务。

由于多源数据中存在大量的冗余、噪声、干扰信息，需要通过知识的融合实现实体的对齐和消歧，以支持目标知识数据的精准生成和计算。具体实现方式：将图谱看作一个结构化的带标签图数据，利用随机游走方法可作为结点的特征，然后进行相似度计算即可完成对齐融合。本体核方法有两方面的优势：一方面，作为一种随机游走方法，它可以有效地比较图而无需显式特征枚举。当给出两个图时，随机游走可通过直积图(Direct Product Graph)及其邻接矩阵的方式隐式枚举所有可能的随机游走，然后使用共享随机游走计算图之间的相似性，因此，它在比较普通图时表现出良好的性能。另一方面，本体核方法中可同时计算词汇和结构两种类型的相似度，有效提高了语义信息检索质量。当然，这也要求应用本体核方法时不仅要考虑其词汇相似性，还要考虑本体对齐中的结构相似性[10]。

本体核的方法可以看作是随机游走算法的一个强化，关键在于核的引入。这个核的思想是通过将实体图映射到实体随机游走的空间来度量本体实体的结构相似性，核中的一个实体的图表示与其他实体的所有关系。因此，不管实体有多复杂，或拥有多少种关系，本体核都可以比较实体之间的相似性。另外，它考虑了实体相似度计算中的各种本体关系。因此，本体内核对于要对齐的本体之间的结构差异是鲁棒的。特别地，即使本体的词汇匹配不值得信任，内核也会对齐两个本体。

4 问题探讨

在实际应用过程中，多源信息融合系统通常会遇到如下四个问题[11-13]：

(1)知识不完备

军事科技的快速发展和军事保密等因素的影响，知识库永远不可能达到完备，特别是知识库建立的初期，更是缺乏正确知识的支持。但是，由于受政治和军事的限制，目标的分布和活动具有时域性和地域性的特征。因此，在信息融合系统中增加时域和地域的分析，可以减少知识不完备带来的影响，提高目标识别的正确率。

(2)多源信息关联困难

由于数据类型的不一致、传感器定位精度的差别及信息时延的等原因，给多源异类信息的关联带来了很大的困难。虽然，在增加目标属性信息进入关联参数后，在一定程度上可以减少关联结果的模糊性；但是，更深入的研究异类信息的关联机理，进一步提高系统的关联性能，已成为目标综合识别特别是决策层目标综合识别研究领域亟待解决的一个问题。

(3)信息过量与知识贫乏

多源信息融合系统中的信息过量主要体现在处理和存储两个阶段。在融合处理阶段，由于受杂波的影响，侦察数据中混杂着大量的虚假目标，这对融合系统中的关联和识别过程都带来了巨大的影响。在存储阶段，随着信息搜集能力的日益提高，产生了海量的数据；但同时，由于传统处理方法和能力远不能满足实际需要，造成了“信息过量而知识贫乏”的矛盾。

(4)好的信源和人工解释结果无法替代

理论上，通过多源信息融合后的目标信息应优于任何单传感器的信息；但是，以当前国际、国内信息融合处理技术的发展水平，好的信源和人工解释结果仍无法替代。因此，在多源信息融合系统中，对于好的信源应采用择优而不是加权的处理方法；对于好的人工解释结果，应赋予最高的置信度。

5 结束语

现代军事呈现智能化、信息化、高科技化等显著特点，战场环境日益复杂，情报数据不断激增，全面研究战场目标信息智能融合技术迫在眉睫，对提高军事情报获取能力和可靠度方面具有重大意义。当前，以人工智能、物联网、区块链等为主的高新技术，在引领世界范围内各个领域技术革命的同时，也在推动着军事目标信息融合技术的创新与变革。在建设“万物互联”新时代下军事目标信息融合处理应用系统时，要顺应信息技术变革需要，重视信息理解能力和知识推理能力的提升，从而使信息融合处理效率和质量实现质的飞越；要注意新技术融合创新、优势互补才能释放巨大科学价值，更好地服务军事目标的智能融合识别。此外，进一步的发展方向应聚焦于在强化需求驱动、体系结构主导的顶层设计之外，大力加强基础技术的研究和储备，探索大差异信息的有效融合处理方法，为高效、合理利用数据以支持军事决策提供理论和技术基础。