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)平臺與神經網絡相結合，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；神經網絡

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，這些數(shù)據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)上應用不多的神經網絡方法。神經網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絡神經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絡訓練中陷入極小值，增加網絡訓練的層數(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 神經網絡

　　1.1.1 基本BP神經網絡

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

　　網絡分為輸入層、隱層、輸出層，在正常工作時，信號經輸入層節(jié)點輸入，然后傳輸?shù)诫[層節(jié)點，經隱層函數(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神經網絡，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：

　　所以網絡總誤差為：

　　該誤差是網絡學習的目標函數(shù)，網絡訓練的結果是使得該誤差達到或者趨近于最小，BP網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元之間的連接權值。取第k個樣本，即為網絡的第k次迭代，下面討論節(jié)點i所在層右側某神經元j，該節(jié)點的輸入表示為：

　　其中，w表示神經元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神經網絡的改進

　　原始的BP神經網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“經驗”，對當前時刻權值的調整起到了阻尼作用。動量因子的引入一定程度上解決了網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神經網絡關聯(lián)判斷過程中神經網絡的輸出作為第一門限值。根據樣本構造的情況，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，其大小完全由神經網絡訓練樣本來決定。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?，F(xiàn)在LabVIEW的應用已經十分廣泛，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神經網絡的方法有兩種，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編譯好的神經網絡程序實現(xiàn)LabVIEW中的BP網絡。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神經網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，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，由于網絡性能良好，在第一門限值為0.8以后關聯(lián)頻數(shù)已經很理想了，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.神經網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神經網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.