潘泉教授基于天波超级雷达的应用及战略预警系统要求的背景下,在信息融合领域做了多年的研究,他指出传统信息融合序贯处理模式的主要问题有三方面:“单一方法只能解决某一类问题,无法处理更复杂的情况”、“采用算法序贯‘拼接’处理复杂问题,会造成误差的累积传播”、“处理结构开环,没有利用信息的闭环反馈”。现代雷达发展趋势是认知化、软件化、网络化,这个趋势提出了信息处理与融合必须考虑具有反馈、联合处理的一体化架构,潘泉教授介绍了已经出现的一系列联合的概念和方法,如TBD、JCE、JAE、JTC,他还进一步提出思考:“我们能不能考虑一个新的信息处理的方法,重新构造一个信息处理的架构,打破过去信号处理点迹、数据、估计、识别这样的一个藩篱,我觉得这个时代应该到来了,未来应该没有信号处理、数据处理之分,它们应该都是软件定义,它们之间应该是高度综合融合的,现在的问题是有没有好的算法能把它们放到一起来考虑,这是一个很大的挑战。”
目前,天波超视距雷达目标跟踪面临的困难有:目标来源的不确定性;传播模式的不确定性;电离层虚高的不确定性;信息获取能力不足;系统存在电离层环境与目标特性深度融合。对此,潘泉教授强调:“如果采用序贯方式做,实现是实现了,但是性能总还有提升的空间,还存在许多风险和误差,雷达层传感器和电离层传感器必须要联合”。
潘泉教授在变分贝叶斯框架下做了VB-JDT算法,算法提供了目标起始、跟踪、维持全套解决方案,这是目前该领域国际上第一个完整全套VB做的算法,实现多路径量测检测,跟踪层的分层融合,闭环迭代的处理结构,有效解决耦合问题,多项式的计算复杂度,能避免组合爆炸问题,具有迭代收敛性保证以及估计性能下确界。在对算法的各种性能指标都做分析,在不同信噪比、不同量测精度情况下做了对比之后,证明此算法突破了在估计与辨识耦合下国际上传统序贯方法的处理局限,显著改善了OTHR目标航迹连续性,显著提升了飞机、舰船目标的监测跟踪性能,同源断裂航迹判断准确率大于70%,跟踪距离精度提升了近50%。展望未来,潘泉教授表示:“这个方向已经比我们想象的走得更远,现在已经把深度学习把智能的方法直接引入贝叶斯的整个框架中间来,联合估计与辨识已经成为了现代信息融合的解决思路,现在大家拓展的是把变分和大数据、深度学习结合在一块,现在已经有文章在干这个!将来南海识别区天波雷达会成为主要的装备之一,这也将是我们的主要工作。”