基于模糊神經(jīng)網(wǎng)絡(luò)的導(dǎo)航數(shù)據(jù)融合算法仿真設(shè)計

張群芳

（沈陽理工大學(xué)自動化與電氣工程學(xué)院 遼寧·沈陽 110159）

0 引言

導(dǎo)航系統(tǒng)各個傳感器及信息處理平臺，能夠接受、融合并處理各類導(dǎo)航數(shù)據(jù)，導(dǎo)航數(shù)據(jù)具有明顯的異構(gòu)性。導(dǎo)航系統(tǒng)具有全天候、高精度、多功能等優(yōu)點，在測角、測距、測速時，需要避免由多路徑引起的觀測誤差和融合誤差。如何提高數(shù)據(jù)的融合精度，是保證導(dǎo)航系統(tǒng)服務(wù)的關(guān)鍵。傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)可實現(xiàn)無監(jiān)督或監(jiān)督學(xué)習(xí)，大大增加了及時性，但在融合大量異構(gòu)數(shù)據(jù)時，容易造成局部最優(yōu)，使得整體融合結(jié)果不準(zhǔn)確。此外，導(dǎo)航數(shù)據(jù)融合需要對異構(gòu)數(shù)據(jù)進(jìn)行排序傳輸?shù)街眯沛溕?，通過對數(shù)據(jù)屬性的分析得到新的信息，并用于下一個融合節(jié)點的再次分析。異構(gòu)數(shù)據(jù)的復(fù)雜性，導(dǎo)致融合處理信息時間過長，故異構(gòu)導(dǎo)航數(shù)據(jù)融合需要根據(jù)實際情況選擇一種或者幾種算法組合的模式。因此，本文基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)，利用粒子群優(yōu)化參數(shù)學(xué)習(xí)，為導(dǎo)航系統(tǒng)接收的異構(gòu)數(shù)據(jù)進(jìn)行屬性和特征值劃分，對預(yù)處理過的數(shù)據(jù)進(jìn)行有效融合，保證融合的收斂速度和準(zhǔn)確性。

1 導(dǎo)航數(shù)據(jù)融合模型

導(dǎo)航數(shù)據(jù)融合模型采用分布式結(jié)構(gòu)，如圖1所示。導(dǎo)航系統(tǒng)信息中心接受目標(biāo)區(qū)域中的異構(gòu)導(dǎo)航數(shù)據(jù)，經(jīng)過濾波預(yù)處理及時空配準(zhǔn)后，導(dǎo)航數(shù)據(jù)進(jìn)入融合中心進(jìn)行數(shù)據(jù)融合輸出。

圖1：導(dǎo)航數(shù)據(jù)融合模型

2 基于模糊神經(jīng)網(wǎng)絡(luò)的粒子群優(yōu)化優(yōu)化算法設(shè)計

模糊理論和神經(jīng)網(wǎng)絡(luò)算法是目前應(yīng)用較廣兩種融合算法，本文綜合兩種算法的優(yōu)勢，采用模糊系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)組合的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)對異構(gòu)數(shù)據(jù)的融合?；贐P神經(jīng)網(wǎng)絡(luò)構(gòu)成的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)，其模糊規(guī)則滿足：

針對模糊神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)對融合速度和精度的限制，本文設(shè)計一種粒子群學(xué)習(xí)算法來優(yōu)化異構(gòu)導(dǎo)航數(shù)據(jù)融合指標(biāo)。粒子群學(xué)習(xí)算法如下：

假設(shè)在n維空間中，種群規(guī)模為m的粒子群X為

按照追隨當(dāng)前最優(yōu)粒子原理，第i個粒子在第j個維度空間中的速度與位置分別滿足

全局誤差為

其中，pij為個體極值；pgj為全局極值；t為進(jìn)化代數(shù)；r1和r2為隨機(jī)數(shù)，取值范圍滿足[0,1]區(qū)間；c1和c2為加速常量。

該優(yōu)化算法通過調(diào)節(jié)全局最優(yōu)粒子和個體最優(yōu)粒子飛行的最大步長，使得全局誤差最小，即保證粒子快速趨向全局最優(yōu)。

3 基于模糊神經(jīng)網(wǎng)絡(luò)的粒子群優(yōu)化優(yōu)化算法仿真分析

選用3種異構(gòu)導(dǎo)航數(shù)據(jù)，分別作為目標(biāo)的距離、速度和角度，在目標(biāo)運動的30s內(nèi)選擇100組數(shù)據(jù)進(jìn)行仿真分析。目標(biāo)的初始距離為(3500，4000)，初始速度為(25，0.1)，初始角設(shè)為30°。新算法下，導(dǎo)航數(shù)據(jù)的融合誤差仿真結(jié)果如圖2所示。

圖2：導(dǎo)航數(shù)據(jù)的融合誤差

圖3：粒子群算法最優(yōu)個體適應(yīng)度

由圖2可以看出，在100次的粒子群參數(shù)學(xué)習(xí)中，隨著學(xué)習(xí)次數(shù)的增加，誤差逐漸趨于平緩，融合誤差的方差約為0.51，可有效實現(xiàn)對導(dǎo)航數(shù)據(jù)的聚類融合。由圖3可以看出，新算法尋優(yōu)在12次迭代后可滿足最優(yōu)個體適應(yīng)度，即搜索到空間最優(yōu)個體。綜合可知，新算法可降低融合誤差，提高融合精度，減小學(xué)習(xí)迭代次數(shù)，增加收斂速度，滿足導(dǎo)航數(shù)據(jù)的實時性，提升對導(dǎo)航目標(biāo)的動態(tài)預(yù)測能力。

4 結(jié)論

為有效提高導(dǎo)航數(shù)據(jù)的融合精度和融合速度，本文基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)設(shè)計了一種粒子群優(yōu)化算法，并對該算法進(jìn)行仿真驗證。結(jié)果表明，新算法能夠有效降低數(shù)據(jù)融合誤差，提高參數(shù)學(xué)習(xí)速度，新算法適合在動態(tài)、多目標(biāo)環(huán)境中快速尋優(yōu)。