人工智能在艦船組合導航系統的應用

付中澤，陳 偉，韓金良

(1.海軍裝備部駐天津地區第一軍代表室，天津300131；2.天津航海儀器研究所，天津300131)

0 引言

艦船組合導航系統組合不同特點的導航設備與導航方法，應用信息融合技術對導航信息進行綜合處理，以提高系統數據精度和可靠性。常用卡爾曼濾波方法對多傳感器數據進行濾波融合[1]，但由于其依賴于系統數學模型而帶來模型誤差。借助神經網絡技術對卡爾曼濾波估計進行誤差補償，可提高卡爾曼濾波器的自適應性與估計精度。航行安全問題一直是航海界關注解決的重大課題，基于航海避碰理論和人工智能技術，研究建立航海避碰決策系統，有利于提高航行安全和減輕航海人員負擔。現代化艦船導航設備的集成化和智能化程度不斷提高[2]，不但要為艦船操控和武器系統等提供實時準確的導航信息，還要求具備故障識別和狀態預測的能力，因而研究具有聯想記憶和邏輯推理能力的智能診斷系統具有重要意義。

1 艦船組合導航系統

隨著艦船導航技術的發展，各導航設備的功能特點和性能優劣已基本穩定，單一傳感器的導航系統已無法滿足在數據精度和可靠性等多方面的要求。為此，基于多傳感器信息融合技術的艦船組合導航系統應運而生。

艦船組合導航系統主要分為傳感器、數據處理中心和決策控制終端3個部分。傳感器一般包括慣導、衛導和計程儀等設備，其作為導航系統的信息源，主要提供艦船位置、航向和航速等信息。數據處理中心以高速計算機為載體，應用卡爾曼濾波器和最優化統計理論，對各傳感器導航信息進行融合處理，從而給出各導航參數的最優解。決策控制終端是導航參數的應用端，主要包括信息顯示、操控指揮和武器作戰等系統設備。基于多傳感器信息融合的組合導航系統，不僅有效提高了導航數據精度和可靠性，同時為實現艦船的航海避碰、故障診斷和綜合決策等智能化應用奠定了重要基礎。

2 人工智能技術

人工智能作為計算機科學的一個分支，致力于智能行為的自動化[3]。人工智能領域的研究主要包括神經網絡、模糊邏輯和專家系統3個方面。

人工神經網絡是對人腦結構和功能進行簡化模擬，通過神經元的廣泛互連和一定的學習機制，確立系統輸入與輸出間的非線性映射關系，進而能夠依據外部信息進行動態響應的信息處理系統。建立系統神經網絡模型的過程如圖1所示。首先分析系統的需求背景和功能模型，設定神經網絡結構；然后基于大量樣本數據對神經網絡模型進行訓練，使模型更加貼近系統工作實際；最后評價檢驗權值滿足要求后，便建立了系統輸入與輸出間的網絡化動態關系；神經網絡模型在工作過程中繼續學習，得到不斷優化。

圖1 神經網絡模型的建立過程Fig.1 The learning processof neural networks

由于客觀事物不斷變得復雜，常用一些模糊性語言來概括事物的某種屬性，并采用不確定性推理來描述模糊事物之間的關系。模糊邏輯推理是一種常用的不確定性推理手段，其推理機制包含如下幾步：1）將模糊命題中的不定性元素表示成定性值的形式構成模糊集合，根據模糊元素與模糊集和的關系推導出隸屬度函數；2）專家基于問題中的模糊關系制定模糊規則，應用模糊規則建立操作模糊集的數學模型；3）將模糊集合、隸屬度函數、模糊規則和模糊集操作模型，按照一定的數學表達方式構建專家知識庫；4）基于專家知識庫中的模糊邏輯關系，建立模糊命題與推論之間的數學聯系。

專家系統是利用專家知識組建成知識庫，針對問題特征在知識庫中進行搜索匹配，并通過推理手段來解決特定問題的程序系統。專家系統的組成結構如圖2所示。首先基于專家知識和經驗方法，按照一定的數據存儲形式創建系統知識庫；推理模塊根據問題信息的特征在知識庫中搜索匹配，并根據需要繼續向用戶索要補充信息，經推理分析后給出問題解答。最后，用戶可根據理解需要向專家系統尋求解釋，專家知識庫依據問題解決情況自動對系統知識補充更新。

圖2 專家系統的組成結構Fig.2 General structure of an expert system

3 神經網絡輔助進行導航信息融合

3.1 卡爾曼濾波算法

卡爾曼濾波是由Kalman提出的一種線性最小方差估計，離散卡爾曼濾波算法的系統狀態方程和量測方程表達式為[4]:

式中：Xk為系統結果的估計序列；Zk為系統結果的觀測序列，Wk是參數在系統傳遞過程的噪聲序列；Vk為系統結果的觀測噪聲序列；Wk與Vk相互獨立。?k,k?1是系統狀態變換矩陣，Γk,k?1是外部噪聲輸入變換矩陣，Hk是量測變換矩陣，且滿足如下關系：

式中：Rk為系統量測噪聲序列方差陣；Qk為系統過程噪聲序列方差陣；δk j為狄拉克?δ函數，且滿足δk j=將式1中的離散卡爾曼濾波算法進行計算推導得到：

式中：Kk為卡爾曼濾波增益矩陣，增益大說明計算系統預測結果的權重側重于觀測值，反之說明側重于估計值。假設k時刻的觀測值是Zk，若已知初值X?0和P0，就可以通過遞推的方式獲得k時刻的狀態估計結果

3.2 聯邦卡爾曼濾波器在組合導航中的應用

基于多個子卡爾曼濾波器組合成聯邦卡爾曼濾波器，可實現多個數據融合得到最優結果。以2個子濾波器（N=2）為例對數據融合過程進行說明。設和為2個子濾波器的狀態估計，對應的估計誤差方差為P1和P2，則融合后的狀態估計為[4]:

在組合導航系統中，慣導系統一般作為參考公共系統，即將其輸出值作為系統觀測值系統主濾波器應用式（4）中的數據融合理論，對系統觀測值觀測誤差方差P1i、測量傳感器的估計值和相對應子濾波器的估計誤差方差P2i進行融合，進而得到測試量的全局最優估計值將系統的估計誤差方差Pg返回到各子濾波器，實現系統狀態模型的參數優化。

3.3 基于神經網絡改進卡爾曼濾波算法

由于環境噪聲影響造成的系統模型誤差，降低了數據融合精度和穩定性。根據系統輸入輸出關系和環境動態影響過程，建立自適應性神經網絡模型，實現對卡爾曼濾波器融合結果的動態補償，從而有效降低了模型誤差對濾波精度的影響。

應用神經網絡輔助卡爾曼濾波的基本原理如圖3所示：1）對系統模型和輸入輸出樣本進行分析，建立神經網絡結構和初始參數；2）將聯邦卡爾曼濾波器的輸出Xg作 為系統初始估計，經神經網絡計算得到視為誤差補償估計；3）利用計算和期望輸出的差值訓練神經網絡，實現模型參數的優化；4）神經網絡模型輸出校正值Pg，對初始估計Xg進行誤差補償，并將補償后的作為系統的最終估計結果。

圖 3神經網絡輔助卡爾曼濾波原理框圖Fig.3 Block diagram of neural network-assisted Kalman filtering

4 航海智能避碰專家系統

4.1 系統方案設計

航海智能避碰專家系統采用探測傳感器對危險目標進行探測，通過無線網絡接收指揮中心和其他艦船直接發來的航行信息，基于航行專家知識庫中的知識案例進行計算推理，判斷是否會出現碰撞等危險情況，然后決策給出避讓行動方案。

航海智能避碰專家系統設計方案如圖4所示。在判別碰撞危險度階段，系統依據目標運動狀態和海洋環境信息，基于碰撞危險度模型計算出碰撞危險度；在判斷碰撞危險態勢階段，系統依據兩船的相對位置和航行信息，對當前的碰撞態勢進行匹配識別；在艦船避讓決策階段，系統基于碰撞危險度和碰撞態勢，依據專家知識和經驗進行綜合推理，在此過程中可通過人機交互接口獲取補充信息或者傳遞解釋信息，最終確定避碰策略和行動方案；在知識庫更新階段，系統基于新產生的碰撞案例和處理經驗，通過一定的信息描述機制對知識庫內容進行完善。

圖4 航海專家避碰系統設計方案Fig.4 Design scheme of collision avoidance system for marine experts

4.2 建立系統模型

4.2.1 基于模糊原理的碰撞危險度模型

以DCPA（D，最小會遇距離）、TCPA（T，最小會遇時間）和Range（R，船舶與目標距離）為主要因素建立碰撞危險度模型，如下式[5]：

式中：d1，d2為危險判斷衡量距離；DLA為最晚采取避碰行動時的船間距離；K1為 會遇類型系數；K2為船舶狀態系數；To為本船轉向90?所需要的時間；VR為目標船的相對速度；F1反 映了目標方位因子；F2代表能見度因素；F3反 映當前水域情況。μA為本船的綜合碰撞 危 險 度；μAD(D)， μAT(T)， μAR(R)為 分 別 會 遇 距離、會遇時間和目標距離的碰撞危險度；aD，aT，aR為影響權重；DLA，T，K1，K2，aD，aT，aR為基于歷史的航行情況和經驗數據，通過模糊邏輯推理得到。

艦船基于最小會遇距離和衡量距離，判斷本船與危險目標間的碰撞危險度。當DCPAd2時，認為尚無任何碰撞危險；而當d1< DCPA

4.2.2 基于神經網絡的艦船會遇態勢推理模型

在本船與目標船的會遇過程中，根據航海避碰規則一般將會遇局面分成：對遇（左、右）、小角度交又（左、右）、大角度交叉（左、右）、追越和被追越等，在每一種會遇局面里邊包含了多種會遇狀態。根據以往的航行會遇態勢判別經驗，通常將航向交叉角C和目標船舷角Q作為主要判別依據。

基于神經網絡建立艦船會遇態勢推理模型的基本結構如圖5所示。首先建立推理模型的網絡結構，子網NN1，NN2用于舷角Q和航向交叉角C的信息輸入，Vr為系統外部誤差，NN3用于對會遇態勢進行模糊推理；將專家結論和航行經驗通過一定的數學語言進行描述，確定網絡模型的權值參數，并在工作中對其不斷修正。最后，模型根據弦角Q和交叉角C信息進行推理，得出會遇態勢結果。

圖5 態勢網絡推理模型Fig.5 Situational Network Reasoning Model

4.2.3 基于模糊決策的艦船避讓決策模型

當兩船構成碰撞危險時，兩船中的一船或者兩船都要采取避讓行動。艦船根據碰撞危險度、會遇態勢、運動狀態和海洋環境等因素，采取不同的避讓策略和行動。航海規則中將兩船會遇的避讓行動分為采取避讓行動、碰撞危險、緊迫局面和緊迫危險共4個階段[6]。因此，艦船避碰決策問題就轉化為判別避讓行動階段的問題。將艦船碰撞危險度、會遇態勢、運動狀態和外界環境作為模型的4個模糊因子，綜合應用專家理論和歷史避碰案例等建立避碰規則庫，通過推理分析和匹配算法，得到當前危險局勢與避碰行動策略之間的非線性邏輯關系。將當前的會遇信息進行量化，依據避碰規則和神經網絡進行匹配推理，確定當前所處的避碰行動階段，并按照階段要求確定避碰行動方案。

5 基于神經網絡的導航故障診斷專家系統

5.1 系統組成結構

故障診斷專家系統是基于艦船航行和排故經驗組建知識庫，應用神經網絡的邏輯推理能力，解決帶有隨機性和突發性故障問題的智能診斷系統。故障診斷專家系統原理如圖6所示。首先基于專家資料和排故案例，計算神經網絡連接權值并組建成知識庫；專家系統對艦船設備進行自動診斷，當設備功能失調或者數據異常時，推理故障原因并對其發展趨勢進行預測；當用戶向診斷系統發出診斷請求時，系統依據請求征兆信息進行案例匹配和推理，并依據需要向用戶索要補充信息；最后得出診斷結果并解釋說明。如果在排故中得出新的診斷經驗，系統自動對知識庫進行補充。

5.2 組建知識庫

知識庫是組建故障診斷專家系統的關鍵[7]，其知識數量和質量決定了專家系統的技術水平。故障問題的求解過程就是通過模擬人類專家思維，基于知識庫中的知識案例，對故障特征信息進行推理解釋的過程。組建步驟為：1）分析診斷對象的故障知識結構，確定神經網絡模型；2）選擇故障診斷樣本對神經網絡進行訓練，計算輸入層與隱含層、隱含層與輸出層之間的連接權值，建立故障征兆與故障原因之間的數學推理關系；3）存儲連接權值建立知識庫。

圖6 故障診斷專家系統結構圖Fig.6 Structurechart of fault diagnosis expert system

5.3 系統的神經網絡設計

用于故障檢測的神經網絡設計如圖7所示，其結構可分為樣本輸入層、隱含層和結果輸出層共3個部分。INS，GPS，計程儀等傳感器構成了系統輸入層，每個傳感器信息變量都對應著輸入層的一個節點；隱含層由神經元組成，隱含層的層數和神經元的個數基于輸入輸出關系、學習速度和推理能力確定；輸出層接收經隱含層計算得到的故障診斷數值結果，基于專家知識庫進行匹配推理，給出最終診斷結果。神經網絡的設計關鍵在于計算網絡間的連接權值。首先根據系統網絡模型對連接權值進行預設；接著輸入樣本信息沿著特定的神經元路徑進行計算，將計算結果傳向輸出層；如果計算輸出值與經驗理論期望值不符，則將兩者的差值沿原來的連接通道反向傳播，修改連接權值直至滿足期望目標。

圖7 用于故障檢測的神經網絡設計Fig.7 Neural network design for fault detection

5.4 故障診斷的推理機制

故障診斷專家系統依據知識庫中的數學邏輯關系，基于神經網絡模型對故障征兆信息進行匹配推理，最終得到診斷問題的結果。系統推理機制包含正向推理，反向推理和混合推理3種。正向推理是己知故障征兆信息，借助神經網絡計算和知識庫匹配得到故障診斷結果；反向推理是根據故障征兆假設出一個故障診斷結果，然后對診斷結果進行反向神經網絡計算，驗證計算結果與故障征兆是否一致；混合雙向推理是己知部分故障征兆信息，依據征兆信息提出一個可能故障，然后驗證假設是否成立，若成立則診斷結束，否則基于診斷情況作出新的假設繼續驗證。

6 結語

在應用卡爾曼濾波器進行導航信息融合的過程中，依據神經網絡模型對估計結果進行動態誤差補償，能有效提高數據融合精度和可靠性。基于專家系統和模糊神經網絡，建立艦船的碰撞危險度計算、會遇態勢分類和避讓決策模型，給出了艦船與危險目標會遇時的避碰策略和最優化方案。應用專家神經網絡的推理能力與匹配算法，建立系統故障征兆與診斷結果之間的對應聯系，進而實現了導航系統故障的智能化診斷。隨著機器學習、圖像處理等新興技術不斷發展，具有更高精度、可靠性和智能性的艦船組合導航系統將迎來更大的應用前景。