浅谈AIS与雷达目标信息融合

浅谈AIS与雷达目标信息融合

摘要给出AIS和雷达目标信息融合问题的提出背景及模型的建立后，介绍主要用的信息融合方法即粗糙集与神经网络，简单概述粗糙集和人工神经网络，然后对粗糙集与人工神经网络相结合的可行性进行归纳总结，得出将粗糙集和神经网络结合起来的融合方法是可行的。

关键词AIS；雷达；信息融合；粗糙集；神经网络

传统的雷达曾是海上监控系统的一个里程碑。但由于传统雷达的局限性，决定了它所能提供的是非常小量的信息。而船舶自动识别系统（AIS）能提供的信息有很多的优点，足以弥补雷达数据的缺陷。但就现阶段来说，雷达在航海技术中又是无可替代的。因此，为给船舶航行提供更精确可靠的信息，我们需要将AIS与雷达结合起来，把他们的数据进行综合处理，取长补短，为船舶的安全航行和港口对船舶更好的管理提供质量更高的数据。

AIS与雷达系统对目标的监测跟踪相比，AIS具有下列优点：

1）信息量大，可提供雷达所不能提供的大量船舶动态信息，节省自动避碰系统的计算时间和存储容量。2）信息来源可靠，误差小。3）不间断地提供动态信息。4）自主运行，无需人工监控。

虽然AIS具有上述优点，但仍有它的局限性，因而它并不能取代雷达系统，这是由于：

1）不是所有船舶都安装了AIS，所以雷达系统还是不可或缺的。2）雷达系统是自主的监测跟踪手段。在VTS中心，无论船舶上是否装备AIS或雷达，或它们是否正常工作，雷达系统对目标的监测跟踪均不受影响；对一些突发性交通事故的监测、记录，雷达系统更能发挥作用。3）雷达系统可以得到水域的全景交通图像，除了所有的运动目标，还有静止和固定的目标，如助航设施等。4）AIS提供的位置数据来自于GPS/DGPS数据，而GPS/DGPS数据是GPS/DGPS 天线所在点的船舶运动数据，恢复成图像时该船只是一个点，而雷达目标回波在一定程度上可反映目标的大小和形状。5）虽然目前AIS设备中的船位信息来源于GPS/DGPS设备，精度较高。但是其提供的航向信息和航速信息还是采用陀螺经信息和计程议信息，因此这两种设备的误差势必将会传递到AIS数据中。

由于雷达和AIS都有各自独立的信息处理系统，而且分布式结构可以以较低的费用获得较高的可靠性和可用性；可以减少数据总线的频宽和数据处理的要求；可以获得与集中式结构相同或类似的精度。因此本文采用分布式结构对雷达和AIS信息进行融合研究，根据信息融合的分布式融合模型，结合AIS和雷达目标数据特点，本文建立了如图1的AIS和雷达目标信息融合的模型。

图1 AIS和雷达目标信息融合模型

由图1的模型中我们可以看出AIS和雷达目标的信息融合关键问题如下：1）坐标变换与时间校准。因为信息融合具有时间性和空间性，所以坐标变

换和时间校准又称为数据校准。信息融合的时间性指的是，AIS和雷达对目标的观测时间不同，因此，在处理AIS和雷达目标数据之前，先得对要处理的目标数据的时间进行统一。2）航迹相关。目标航迹相关指的是把雷达探测到的目标航迹与AIS所提供的目标航迹进行关联，找出属于同一个目标的AIS目标航迹和雷达目标航迹。3）点迹合并。AIS和雷达目标数据融合通常的融合方法有3种（见文献[3]、文献[4]、文献[5]）。本文对AIS和雷达目标数据融合的这些通常的融合方法进行了改进，在数据融合的基础上引入粗糙集和人工神经网络算法，使得融合后的数据质量得到提高。

粗糙集理论，是在1982年由波兰学者Z.Pawlak提出的，它是一种针对不完整性和不确定性的数学工具，能有效地分析不精确，不一致，不完整等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。虽然从诞生到现在虽然只有十几年的时间，但已经在不少领域取得了丰硕的成果。

人工神经网络（简称ANN）是由大量简单的基本元件——神经元相互连接，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。一般而言，ANN与经典计算方法相比并非优越，只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性。另一方面，ANN对处理大量原始数据而不能用规则或公式描述的问题，表现出极大的灵活性和自适应性。

在基于神经网络的数据融合中，由于网络的输入规模取决于传感器数据的维数，所以当传感器所采集的数据维数增大时，神经网络结构的复杂程度将随之增大。同时，网络的训练时间也将大大地延长，使得系统的实时性能变差。可见，神经网络本身存在缺陷，不能降低输入空间的维数。一般的智能系统，知识库经常有几百甚至上千条规则，如此繁多的规则若全用于转化为神经网络，则网络的规模就会很庞大，网络的训练工作将会很困难。粗糙集的出现为以上问题的解决带来了契机。粗糙集理论通过发现数据信息之间的内在关系，不仅可以去掉冗余信息，而且还能够简化输入信息空间的维数，即可以寻找出信息的内在规则。从本质上讲，粗糙集反映了认知过程在非确定性、非模型化信息处理方面的机制和特点，是一种有效的推理工具。然而粗糙集也存在着不足，粗糙集自适应能力差，缺乏对环境变化的适应能力和学习功能，因而环境变化时精度较低，容错能力与推广能力相对较弱。因此，将粗糙集与神经网络相结合，互取长处，互补缺点，构建新型的神经网络结构，可以获得传统神经网络无法比拟的控制效果。因此，将粗糙集和神经网络相集成，可望为智能信息处理及预测和控制系统开拓一个新的应用领域。

参考文献

[1]徐志京,王解先.AIS与雷达目标信息融合中坐标位置的计算方法[J].上海

海事大学学报.2005,12:26.

[2]林长川.雷达和AIS目标位置信息融合方法的研究.中国航海.2002,1:22-25.

[3]林长川,陈朝阳,洪爱助等.雷达与AIS目标航迹模糊关联与统计加权合并融合方法的探讨.中国航海.2003，第4期:70-73.

[4]张杏谷,黄丽卿,胡稳才.GPS在中的应用.航海技术.2002,2:23-24.

[5]于海霞.AIS于雷达数据融合方法的研究(硕士学位论文).大连:大连海事大学,2006.

黄慧（1983—），女，吉林白城人，吉林省白城市地方海事局，研究实习员。