摘  要： 現(xiàn)代船舶交通管理系統(tǒng)中，雷達與AIS航跡的關聯(lián)處在一個非常重要的位置上。結合LabVIEW圖形化編程特點和MATLAB強大的矩陣運算能力，應用二者混合編程和BP網(wǎng)絡算法的改進，實現(xiàn)雷達與AIS的航跡關聯(lián)。利用圖形化編程工具LabVIEW開發(fā)平臺與神經(jīng)網(wǎng)絡相結合，能更直觀地分析關聯(lián)模型，拓寬了二者的應用領域，并為提高航跡關聯(lián)技術和開發(fā)效率提供了新的思路。

　　關鍵詞： 航跡關聯(lián)；LabVIEW；神經(jīng)網(wǎng)絡

0 引言

　　在現(xiàn)代海上交通管理中，船舶交通管理系統(tǒng)（VTS）起到了提高航運效率、保障航運安全、保護水域環(huán)境等不可替代的作用[1]。VTS信息來源是多渠道的，主要包括雷達與AIS。在船舶信息獲取完成后，VTS首先要對其進行航跡關聯(lián)處理。關聯(lián)的目的是對其進行分類，找出同一目標船的特征信息。由于VTS系統(tǒng)每時每刻都會接收來自不同傳感器（雷達和AIS）的數(shù)據(jù)，這些數(shù)據(jù)可能源自同一目標也可能是不同目標，因此航跡關聯(lián)便尤為重要。實際上關聯(lián)解決了多傳感器數(shù)據(jù)融合過程中重復融合、錯誤融合的問題。

　　目前關于航跡關聯(lián)的常用方法主要有基于模糊數(shù)學和統(tǒng)計理論方法。這其中有最鄰近方法、多因素模糊綜合評判法、模糊聚類法等。有學者提出了基于多因素模糊綜合決策的雷達與AIS航跡關聯(lián)算法，討論了關聯(lián)門限取值等問題，但關聯(lián)門限的自適應問題還有待進一步探討與研究。本文則采用近年研究比較熱門但在航跡關聯(lián)上應用不多的神經(jīng)網(wǎng)絡方法。神經(jīng)網(wǎng)絡的選擇著眼于既能滿足問題要求又不至于浪費系統(tǒng)資源的原則。BP算法是利用梯度下降的思想對網(wǎng)絡神經(jīng)元連接的權值進行修正和更新的[2]，對其改進加入動量因子以避免網(wǎng)絡訓練中陷入極小值，增加網(wǎng)絡訓練的層數(shù)以提高訓練過程中的性能。具體實現(xiàn)過程中選擇圖形化軟件，LabVIEW在虛擬化儀器儀表的可視性方面有非常好的表現(xiàn)。

1 系統(tǒng)模型

　　1.1 神經(jīng)網(wǎng)絡

　　1.1.1 基本BP神經(jīng)網(wǎng)絡

　　BP神經(jīng)網(wǎng)絡是指應用誤差反向傳播學習算法的多層前饋神經(jīng)網(wǎng)絡，其一般結構如圖1所示。

　　網(wǎng)絡分為輸入層、隱層、輸出層，在正常工作時，信號經(jīng)輸入層節(jié)點輸入，然后傳輸?shù)诫[層節(jié)點，經(jīng)隱層函數(shù)作用后傳遞至輸出層輸出。中間隱層函數(shù)一般選取Sigmoid型函數(shù)，它是一種非線性函數(shù)[3]。

　　設一個具有P層結構的BP神經(jīng)網(wǎng)絡，一組輸入樣本與期望輸出分別為Xk=（X1k，…，Xnk）、dk，k=1，…，n，n為樣本總數(shù)。對于網(wǎng)絡節(jié)點i，其輸出為Oi。設輸入樣本為Xk，輸出為Yk，節(jié)點i的輸出為O。則定義單個樣本的誤差為：

　　所以網(wǎng)絡總誤差為：

　　該誤差是網(wǎng)絡學習的目標函數(shù)，網(wǎng)絡訓練的結果是使得該誤差達到或者趨近于最小，BP網(wǎng)絡在學習過程中采用梯度下降法，為了使誤差最小化，就要不斷地修正各神經(jīng)元之間的連接權值。取第k個樣本，即為網(wǎng)絡的第k次迭代，下面討論節(jié)點i所在層右側某神經(jīng)元j，該節(jié)點的輸入表示為：

　　其中，w表示神經(jīng)元i和j的連接權值。記節(jié)點j此時的誤差應該為：

　　定義局部梯度為：

　　所以：

　　當節(jié)點j是輸出節(jié)點時：

　　當節(jié)點j是隱層節(jié)點時：

　　對于下一層某一節(jié)點m有：

　　1.1.2 BP神經(jīng)網(wǎng)絡的改進

　　原始的BP神經(jīng)網(wǎng)絡自身存在一些不足，為解決缺陷，在修正權值時對修正量添加動量因子，即：

　　其中，表示動量項系數(shù)，取值范圍為[0，1]。這么做的意義在于動量項反映了之前時刻權值改變積累的“經(jīng)驗”，對當前時刻權值的調(diào)整起到了阻尼作用。動量因子的引入一定程度上解決了網(wǎng)絡訓練過程中陷入局部極小值的問題。

　　1.2 關聯(lián)算法

　　對目標航跡的關聯(lián)采用兩級門限判定。在航跡關聯(lián)過程中，單一時刻的雷達與AIS神經(jīng)網(wǎng)絡關聯(lián)判斷過程中神經(jīng)網(wǎng)絡的輸出作為第一門限值。根據(jù)樣本構造的情況，這一門限值確定為Th=0.85。Th1的數(shù)值大小意義并不十分重要，其大小完全由神經(jīng)網(wǎng)絡訓練樣本來決定。在本文使用的訓練樣本中，期望輸出為0.9，綜合考慮網(wǎng)絡誤差等因素選定0.85。

　　為保證關聯(lián)準確性，選擇多時刻多次判斷求關聯(lián)次數(shù)法。具體選定雷達目標Ri和一組需要判定的AIS目標A={a1，a2，a3，…，an}，待關聯(lián)目標選取N個時刻，依次關聯(lián)判斷每個目標每個時刻。目標關聯(lián)則K加1，否則不加，統(tǒng)計每個AIS目標與Ri關聯(lián)次數(shù)K。在多次試驗測試總結下設定K值為第二門限。若對雷達目標Ri的AIS組A每個目標aj關聯(lián)次數(shù)K兩兩相異，則取K值最大且超過第二門限值的AIS目標為與Ri關聯(lián)目標。若存在兩個或者兩個以上K值的情況，則定義dij（Ri，Aj）為：

　　dij（Ri，Aj）表征了雷達目標與AIS目標的相似測度，在存在不全相異關聯(lián)次數(shù)時調(diào)用，其值越大越關聯(lián)。

　　同時為減少需要比對的時刻數(shù)，采用等差列法取時刻。即相鄰觀測時刻的間隔為?駐tn=?駐tn-1+d，其中d是觀測間隔的公差。這種方法避免了在航跡重合或十分接近時重復無用功。等差法的應用實際是在有限關聯(lián)時刻次數(shù)內(nèi)擴大了時刻取值范圍，這在航跡小范圍接近情況下十分有效。

2 LabVIEW實現(xiàn)

　　LabVIEW是美國NI公司推出的圖形化虛擬儀器開發(fā)平臺軟件，它的圖形化編程語言具有簡潔、快速、直觀、易于編程開發(fā)等優(yōu)點。現(xiàn)在LabVIEW的應用已經(jīng)十分廣泛，本文主要是體現(xiàn)了它的直觀和易于開發(fā)的特性[4]。

　　LabVIEW實現(xiàn)BP神經(jīng)網(wǎng)絡的方法有兩種，一種是利用軟件本身的編程語言實現(xiàn)BP網(wǎng)絡；另一種是發(fā)揮LabVIEW和MATLAB強大的聯(lián)合工作能力，利用MATLAB script節(jié)點導入MATLAB編譯好的神經(jīng)網(wǎng)絡程序?qū)崿F(xiàn)LabVIEW中的BP網(wǎng)絡。本文采用第二種方法。這種聯(lián)合工作的方法很好地發(fā)揮了兩個軟件各自的優(yōu)勢。具體的實現(xiàn)如圖2所示。

　　系統(tǒng)總體流程圖如圖3。

3 仿真分析

　　系統(tǒng)仿真過程中，BP神經(jīng)網(wǎng)絡訓練樣本的構造尤為重要，在構造過程中要充分考慮現(xiàn)實情況，提高網(wǎng)絡的健壯性。因此，訓練樣本中遍歷了航速、航向等參數(shù)值，這里不做過多展示。圖4是網(wǎng)絡訓練完成后得到的實際輸出與期望輸出的比較，可以看出實際輸出與期望輸出的擬合程度是良好的。

　　MATLAB下網(wǎng)絡輸出誤差分布圖如圖5所示。

　　由圖5可以看出誤差主要分布在[0，0.2]范圍內(nèi)，所以在判定門限值的設置上參考這一數(shù)值分布確定第一門限值為0.85。誤差的范圍十分有限，這說明實際訓練得到的網(wǎng)絡性能是優(yōu)良的。

　　圖6是LabVIEW中測試樣本的各相關參數(shù)的對比圖。

　　測試樣本原始航跡圖如圖7所示。

　　在不同第一門限值下50次關聯(lián)測試中關聯(lián)頻數(shù)分布如圖8所示。

　　從圖8可以明顯看到，由于網(wǎng)絡性能良好，在第一門限值為0.8以后關聯(lián)頻數(shù)已經(jīng)很理想了，但保守起見選擇0.85。關聯(lián)頻數(shù)圖還能很好地反映出對關聯(lián)時刻選取方法改進的效果。

　　4 結論

　　本文提出了一種基于LabVIEW的雷達與AIS航跡關聯(lián)實現(xiàn)的方法，改進了關聯(lián)算法中關聯(lián)時刻的選取方法。利用LabVIEW和MATLAB完成了設計的仿真，驗證了設計的可行性和LabVIEW在可視性方面的優(yōu)點。在關聯(lián)判斷時刻的選取上，改進對有限時間內(nèi)航跡重合或接近時的判斷起到了很好的過濾作用，大大提高了關聯(lián)實現(xiàn)的可靠性。

　　參考文獻

　　[1] 王世遠，許開宇.AIS現(xiàn)狀、前景及對策[J].航海技術，2001（5）：2-8.

　　[2] PANDYA A S， MACYR B.神經(jīng)網(wǎng)絡模式識別及其實現(xiàn)[M].徐勇，荊濤，譯.北京：電子工業(yè)出版社，1999.

　　[3] 徐婷婷，柳曉明，楊鑫.基于BP神經(jīng)網(wǎng)絡的船舶航跡實時預測[J].大連海事大學學報，2012，38（1）：9-11.

　　[4] 劉君華.基于LabVIEW的虛擬儀器設計[M].北京：電子工業(yè)出版社，2003.