摘  要： 現(xiàn)代船舶交通管理系統(tǒng)中，雷達與AIS航跡的關(guān)聯(lián)處在一個非常重要的位置上,。結(jié)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(luò)算法的改進，實現(xiàn)雷達與AIS的航跡關(guān)聯(lián),。利用圖形化編程工具LabVIEW開發(fā)平臺與神經(jīng)網(wǎng)絡(luò)相結(jié)合,，能更直觀地分析關(guān)聯(lián)模型，拓寬了二者的應用領(lǐng)域,，并為提高航跡關(guān)聯(lián)技術(shù)和開發(fā)效率提供了新的思路,。

　　關(guān)鍵詞： 航跡關(guān)聯(lián)；LabVIEW,；神經(jīng)網(wǎng)絡(luò)

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(guān)聯(lián)處理。關(guān)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(guān)聯(lián)便尤為重要,。實際上關(guān)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(guān)于航跡關(guān)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(guān)聯(lián)算法，討論了關(guān)聯(lián)門限取值等問題,，但關(guān)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(guān)聯(lián)上應用不多的神經(jīng)網(wǎng)絡(luò)方法。神經(jīng)網(wǎng)絡(luò)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(luò)神經(jīng)元連接的權(quán)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(luò)訓練中陷入極小值，增加網(wǎng)絡(luò)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(luò)

　　1.1.1 基本BP神經(jīng)網(wǎng)絡(luò)

　　BP神經(jīng)網(wǎng)絡(luò)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(luò),，其一般結(jié)構(gòu)如圖1所示,。

　　網(wǎng)絡(luò)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(shè)一個具有P層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，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(luò)節(jié)點i,，其輸出為Oi。設(shè)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(luò)總誤差為：

　　該誤差是網(wǎng)絡(luò)學習的目標函數(shù),，網(wǎng)絡(luò)訓練的結(jié)果是使得該誤差達到或者趨近于最小,，BP網(wǎng)絡(luò)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(quán)值,。取第k個樣本，即為網(wǎng)絡(luò)的第k次迭代,，下面討論節(jié)點i所在層右側(cè)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(quán)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(luò)的改進

　　原始的BP神經(jīng)網(wǎng)絡(luò)自身存在一些不足,，為解決缺陷，在修正權(quán)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(quán)值改變積累的“經(jīng)驗”，對當前時刻權(quán)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(luò)訓練過程中陷入局部極小值的問題,。

　　1.2 關(guān)聯(lián)算法

　　對目標航跡的關(guān)聯(lián)采用兩級門限判定。在航跡關(guān)聯(lián)過程中,，單一時刻的雷達與AIS神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)判斷過程中神經(jīng)網(wǎng)絡(luò)的輸出作為第一門限值,。根據(jù)樣本構(gòu)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(luò)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(luò)誤差等因素選定0.85。

　　為保證關(guān)聯(lián)準確性,，選擇多時刻多次判斷求關(guān)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(guān)聯(lián)目標選取N個時刻,，依次關(guān)聯(lián)判斷每個目標每個時刻。目標關(guān)聯(lián)則K加1,，否則不加,，統(tǒng)計每個AIS目標與Ri關(guān)聯(lián)次數(shù)K。在多次試驗測試總結(jié)下設(shè)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(guān)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(guān)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(guān)聯(lián)次數(shù)時調(diào)用,，其值越大越關(guān)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(guān)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(luò)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(luò),；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(luò)程序?qū)崿F(xiàn)LabVIEW中的BP網(wǎng)絡(luò)。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(luò)訓練樣本的構(gòu)造尤為重要,，在構(gòu)造過程中要充分考慮現(xiàn)實情況，提高網(wǎng)絡(luò)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(luò)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(luò)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(shè)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(luò)性能是優(yōu)良的,。

　　圖6是LabVIEW中測試樣本的各相關(guān)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(guān)聯(lián)測試中關(guān)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(luò)性能良好，在第一門限值為0.8以后關(guān)聯(lián)頻數(shù)已經(jīng)很理想了,，但保守起見選擇0.85,。關(guān)聯(lián)頻數(shù)圖還能很好地反映出對關(guān)聯(lián)時刻選取方法改進的效果。

　　4 結(jié)論

　　本文提出了一種基于LabVIEW的雷達與AIS航跡關(guān)聯(lián)實現(xiàn)的方法,，改進了關(guān)聯(lián)算法中關(guān)聯(lián)時刻的選取方法,。利用LabVIEW和MATLAB完成了設(shè)計的仿真，驗證了設(shè)計的可行性和LabVIEW在可視性方面的優(yōu)點,。在關(guān)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(guān)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(shù),，2001（5）：2-8.

　　[2] PANDYA A S,， MACYR B.神經(jīng)網(wǎng)絡(luò)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(luò)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(shè)計[M].北京：電子工業(yè)出版社，2003.