JPH04235372A - 目標自動類別方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ソーナ信号処理方法等
において、センサに入力された目標の情報から、該情報
源の種類や種別等を類別する目標自動類別方法に関する
ものである。

【０００２】

【従来の技術】従来、このような分野の技術としては、
例えばＭ．Ａ．フィシュラー／Ｏ．ファーシャイン著（
玉井哲雄訳）「人と機械の知能」（初版）（１９８９−
４−２０）（株）トッパン、ｐ．１１８−１２２に記載
されるものがあった。

【０００３】従来、例えばソーナで水中の物体から放射
される音響信号を検知する場合、一般に方位、及び周波
数空間でのレベルの極大点の時間的連なり（これを「ラ
イン」という）として音源信号を検知する方法が用いら
れる。ラインの周波数、ゆらぎ等の情報は、目標音源に
固有のものであり、該目標の類別を行う場合に重要な判
定要素となる。これらのパラメータを用いて、自動的に
目標の類別を行う方法が、目標自動類別方法であり、そ
の一例を図を用いて説明する。

【０００４】図２は、従来の目標自動類別方法を示すも
ので、音源の探知から目標の類別に至る一連の流れの説
明図である。

【０００５】従来の目標自動類別方法において、Ｎ個の
センサ１−１〜１−Ｎに入力される時系列信号に対し、
ＦＦＴ（高速フーリエ変換）／整相処理２では、ＦＦＴ
と整相処理を行い、時系列信号を方位、及び周波数空間
上のレベルデータに変換し、自動探知／追尾処理３へ送
る。自動探知／追尾処理３では、方位、及び周波数空間
でのレベルの極大点（これを「イベント」という）を検
出し、それを時間的に追尾することにより、ラインＬＳ
の検出を行い、その検出結果をデータ統合処理４へ送る
。

【０００６】データ統合処理４では、ラインＬＳの方位
情報から、同一音源に関するラインセットの組み合わせ
を生成し、該生成結果を特徴抽出処理５へ送る。特徴抽
出処理５では、各ラインＬＳの特徴抽出を行い、該特徴
要素として周波数の時間的な平均値ｆｉ、及び標準偏差
値σｉ（ｉ＝１，２，…，ｎ）を抽出し、それらのデー
タをカタログ照合処理６へ送る。カタログ照合処理６で
は、探知したラインＬＳと、目標Ａ，Ｂ，…からなるカ
タログ（目録）ＣＡとの照合を行う。そのカタログ照合
処理の原理の説明図を図３に示す。

【０００７】図３において、（ａ）は抽出したラインＬ
Ｓで構成（算出）するパワースペクトラムＳ（ｆ）の波
形図、及び（ｂ）はカタログデータＳｏ（ｆ）の波形図
である。図３に示すように、カタログ照合処理６では、
自動探知／追尾処理３で検出されたラインＬＳの周波数
の平均値ｆｉ、及び標準偏差値σｉをパラメータとして
、パワースペクトラムＳ（ｆ）を次の数１により算出す
る。

【０００８】

【数１】

【０００９】一方、カタログ照合処理６では、カタログ
ＣＡの周波数とその変化幅をそれぞれＦｊ，ｄＦｊ（ｊ
＝１，２，…，ｍ）として、カタログデータＳｏ（ｆ）
を次の数２により算出する。

【００１０】

【数２】

【００１１】このとき、探知されたラインＬＳより求め
られたパワースペクトラムＳ（ｆ）と、カタログデータ
Ｓｏ（ｆ）とが、同一の目標である確信度ＣＦは、次の
数３で計算できる。

【００１２】

【数３】

【００１３】これにより、目標の種類等を自動的に類別
することができる。

【００１４】

【発明が解決しようとする課題】しかしながら、従来の
目標自動類別方法では、カタログＣＡにあるラインが、
音響信号等の伝搬特性や、受信するセンサ１−１〜１−
Ｎの特性等により、探知されなかったり、実験等による
カタログ収集時には得られていなかったラインが探知さ
れなかったりする場合がある。このような場合、従来の
平均値算出法を用いた目標自動類別方法では、誤探知、
誤統合、カタログデータの不備、探知ラインの欠落等に
基づき、確信度が大幅に低下し、それによって目標類別
精度が低いという問題があり、それを解決することが困
難であった。

【００１５】本発明は、前記従来技術が持っていた課題
として、目標類別精度が低下するという点について解決
した目標自動類別方法を提供するものである。

【００１６】

【課題を解決するための手段】本発明は前記課題を解決
するために、周波数情報から抽出された複数の狭帯域信
号の特徴情報に基づき、目標の自動類別を行う目標自動
類別方法において、比較照合手段により、探知された前
記狭帯域信号とカタログの対応する狭帯域信号を選択し
てその両狭帯域信号の比較照合を行う。その後、確信度
演算手段により、デンプスター・シェーファーの理論に
基づき、仮説に対する肯定及び不明の確信度を定義し、
前記目標に対応づけられた複数の狭帯域信号の確信度の
合成を行うようにしている。

【００１７】

【作用】本発明によれば、以上のように目標自動類別方
法を構成したので、比較照合手段では、狭帯域信号の特
徴情報に基づき、該特徴情報の狭帯域信号とカタログの
対応する狭帯域信号との比較照合を行って確信度の割り
当てを行い、その結果を確信度演算手段へ与える。確信
度演算手段では、デンプスター・シェーファーの理論に
基づき、目標に対応付けられた複数の狭帯域信号の確信
度の合成を行う。これにより、誤探知、誤統合、カタロ
グデータの不備等があっても、確信度の低下の防止が可
能となる。従って、前記課題を解決できるのである。

【００１８】

【実施例】図４は、本発明の実施例の概念を説明するた
めの目標自動類別方法の説明図である。

【００１９】なお、図４中、ｆ１　，ｆ２　，ｆ３　は
周波数の平均値、σ１　，σ２　，σ３　は周波数の標
準偏差値、Ｆ１　，Ｆ２　，Ｆ３　はカタログＣＡの周
波数、ｄＦ１　，ｄＦ２　，ｄＦ３　は周波数の変化幅
、ｃ，ｃ１　，ｃ２　，ｃ３　は確信度である。

【００２０】本実施例では、デンプスター・シェーファ
ーの理論に基づく推論方法を用い、確信度の割り当て、
及び合成を行うことにより、目標の類別を行うようにし
ている。その概念を以下説明する。

【００２１】例えば、ソーナの入力信号から探知したラ
インＬＳ１が目標ＡのラインＬＡ１と同一である確信度
はｃ１　である。このとき、全体を１として、１からｃ
１　を引いた残りは、不明の確信度を表す。ここで、不
明とは、ある仮説に対して肯定でも否定でもない状態（
即ち、どちらかわからない状態）を意味する。仮説を肯
定、または否定する情報が得られると、不明の量は小さ
くなり、肯定、否定の量が大きくなる。

【００２２】仮説Ｈを次のように定義する。

【００２３】Ｈ：探知されたラインは目標Ａのラインで
ある。

【００２４】図４の例では、仮説Ｈを肯定する３つの証
拠が得られており、確信度はそれぞれｃ１　、ｃ２　、
ｃ３　となっている。これらを合成するには、最初に２
つの証拠による確信度ｃ１　、ｃ２　を合成し、その結
果と３つ目の確信度ｃ３　を合成するという手順で行う
。

【００２５】２つの証拠による確信度の合成は、デンプ
スターの規則を用いて、次の数４のようになる。

【００２６】

【数４】

【００２７】ｃ＝１−（１−ｃ１　）・（１−ｃ２　）
同様に、この数４の結果を用いて次の数５により、３つ
の証拠による確信度ｃが得られる。

【００２８】

【数５】

【００２９】ｃ←１−（１−ｃ）・（１−ｃ３　）以上
がデンプスター・シェーファーの理論に基づく推論方法
である。本実施例では、仮説に対する肯定、不明の２つ
の状態を仮定し、否定の状態を考えない。これは、カタ
ログＣＡに対応するラインＬＳの存在は仮説の肯定の裏
付けとなるが、カタログＣＡに対応するラインＬＳが存
在しないと、またはカタログＣＡにないラインＬＳを探
知したことが否定する証拠とはなり得ないことを示す。 即ち、誤探知、誤統合、カタログデータの不備、探知ラ
インＬＳの欠落等の種々の要因により、対応のとれない
ラインＬＳが存在することがあり得るからである。

【００３０】次に、図４の概念を用いた目標自動類別装
置の概略の機能ブロック図を図１に示す。

【００３１】図１の目標自動類別装置は、図示しないセ
ンサで検出されたイベントＩＶの周波数情報を逐次入力
する入力端子１０を有している。入力端子１０には、各
イベントＩＶの周波数情報から平均値ｆｉ、及び標準偏
差値σｉ（ｉ＝１，２，…ｎ）等の特徴要素を抽出する
特徴抽出手段１１が接続されている。特徴抽出手段１１
には、特徴要素とカタログの比較及び照合を行って確信
度の割り当てを行う比較照合手段１２が接続され、該比
較照合手段１２に記憶手段１３及び確信度演算手段１４
が接続されている。記憶手段１３は、目標Ａ，Ｂ，Ｃ，
…からなるカタログデータを保存するメモリで構成され
ている。

【００３２】確信度演算手段１４は、比較照合手段１２
の出力を入力し、デンプスター・シェーファーの理論に
基づき、確信度の計算を行って該確信度の合成を行う機
能を有している。この確信度演算手段１４の出力側には
、確信度の上位候補を選択する目標選択手段１５が接続
され、さらにその出力側に、確信度上位のカタログを表
示するＣＲＴ等の表示手段１６が接続されている。

【００３３】なお、特徴抽出手段１１、比較照合手段１
２、確信度演算手段１４及び目標選択手段１５は、集積
回路等を用いた個別回路、或いはプロセッサ等によるプ
ログラム制御により構成される。

【００３４】以上のような目標自動類別装置を用いた目
標自動類別方法について説明する。図示しないセンサで
受信されたイベントＩＶの周波数情報は、入力端子１０
を介して逐次、目標自動類別装置内の特徴抽出手段１１
へ入力される。特徴抽出手段１１では、入力された周波
数情報に基づき、全てのラインＬＳの狭帯域信号からな
る平均値ｆｉ、及び標準偏差値σｉ（ｉ＝１，２，…，
ｎ）を計算し、その計算結果である特徴情報を比較照合
手段１２へ送る。

【００３５】比較照合手段１２では、イベントＩＶの平
均周波数及び標準偏差と、記憶手段１３に保存された最
も近い周波数を持つカタログデータの周波数及び変化幅
とを比較し、類似度、つまり与えられたカタログデータ
と同一である確信度を割り当て、その結果を確信度演算
手段１４へ送る。

【００３６】確信度演算手段１４では、デンプスターの
規則を用いて前記数４及び数５に従い、比較照合手段１
２で割り当てられた確信度を合成し、カタログデータの
各目標Ａ，Ｂ，Ｃ，…に対する確信度を計算し、その計
算結果を目標選択手段１５へ送る。目標選択手段１５で
は、確信度の上位にある目標候補を選択し、その選択結
果を表示手段１６へ送って表示する。

【００３７】このように、本実施例では、確信度演算手
段１４により、デンプスター・シェーファーの理論に基
づき、仮説Ｈの肯定、不明を定義する確信度を計算する
。そのため、従来の平均値算出方法では解決できなかっ
た誤探知、誤統合、カタログデータの不備、探知ライン
ＬＳの欠落等の問題を解決できる。

【００３８】例えば、データの誤統合により、目標Ａ，
Ｂのラインが１つの目標（即ち、同一目標）と判定され
、その目標の類別を行う場合、従来の方法では、目標Ａ
，Ｂに対する確信度が両方とも小さい値となってしまう
。これに対して本実施例では、目標Ａ，Ｂの両方とも大
きな確信度の値が得られ、それによって目標の類別精度
が向上する。また、記憶手段１３に保存されるカタログ
データに欠けている情報がある場合、従来の方法では、
この欠落情報を得たときに、確信度が小さくなってしま
う。これに対して本実施例では、このような問題が生じ
ないので、精度のよい目標の類別が可能となる。

【００３９】なお、本発明は上記実施例に限定されず、
目標選択手段１５の選択結果を印刷により表示したり、
或いは本発明の類別方法をソーナ以外のレーダ等の種々
の用途に適用できる。

【００４０】

【発明の効果】以上詳細に説明したように、本発明によ
れば、比較照合手段により、探知された狭帯域信号とカ
タログの対応する狭帯域信号との比較照合を行い、その
比較照合結果に基づき、確信度演算手段により、デンプ
スター・シェーファーの理論に基づき、目標に対応付け
られた複数の狭帯域信号の確信度の合成を行うようにし
ている。そのため、誤探知、誤統合、カタログデータの
不備、探知ラインの欠落等があっても、大きな確信度値
が得られ、それによって目標類別精度を向上できる。

【図面の簡単な説明】

【図１】本発明の実施例を示す目標自動類別装置の機能
ブロック図である。

【図２】従来の目標自動類別方法の説明図である。

【図３】図２中のカタログ照合処理の説明図である。

【図４】本発明の実施例の概念を説明するための説明図
である。

【符号の説明】 １１　　特徴抽出手段 １２　　比較照合手段 １３　　記憶手段 １４　　確信度演算手段 １５　　目標選択手段 １６　　表示手段

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　周波数情報から抽出された複数の狭帯
   域信号の特徴情報に基づき、目標の自動類別を行う目標
   自動類別方法において、比較照合手段により、探知され
   た前記狭帯域信号とカタログの対応する狭帯域信号を選
   択してその両狭帯域信号の比較照合を行い、確信度演算
   手段により、デンプスター・シェーファーの理論に基づ
   き、仮説に対する肯定及び不明の確信度を定義し、前記
   目標に対応づけられた複数の狭帯域信号の確信度の合成
   を行う、ことを特徴とする目標自動類別方法。