數據融合在水下高速彈道測試中的應用研究

夏中亞，王志剛

（中國船舶重工集團有限公司第七一〇研究所，湖北 宜昌 443003）

0 引言

隨著現在的水雷產品對目標精確打擊方面的要求越來越高，對攻擊彈道的控制精度有了更高的要求。因此，水下彈道測試系統對攻擊彈道測量的精確性顯得尤為重要，對水雷控制系統方案設計及彈道特性研究具有重要的指導意義，直接影響著試驗驗證和考核的效果。為了獲取更準確的現場信息，依靠單傳感器采集的信息已無法滿足當前測試的需要，必須運用多傳感器提供信息數據，進行綜合優化處理來獲取狀態估計、態勢評估等信息[1]。

在水雷試驗測試中，為了檢驗、評定水雷武器的性能、精度等技術指標，常常涉及多個測試設備或多個傳感器，這些傳感器同時或分時對各類參數進行測量[2]。為獲得武器系統的相關參數（如速度、加速度、姿態軌跡等），以往通常使用單一的測試設備進行測試，即使使用多個設備同時進行測試，通常也只是將幾組測試結果作簡單比較，以防止數據丟失和確認數據的有效性[3]。然而，使用多個測試設備同時進行測試，利用數據融合技術將測試結果進行有效融合，不僅可以擴展時間上和空間上的觀測范圍，還可以提高測試可信度并減少信息的模糊性、改善測試性能。本文以水下高速彈道測試為例，采用加權平均數據融合方法，從提高數據精度的角度闡述了數據融合技術在水雷彈道測試中的應用。

1 數據融合概述

1.1 數據融合的定義

數據融合是利用多傳感器采集各種信息，并將這些信息進行多方面、多層次的數據信息檢測、估計及綜合，進而能正確地估計目標對象的狀態和特征，以及進行態勢和威脅評估的一種綜合信息處理過程。它將不同時間、地點、模式和不同表現形式的信息加以融合，使系統能得到被測對象更為精確的描述[4]。

實際上，數據融合是對人類大腦綜合處理復雜問題的一種功能模擬，其基本原理就與人類大腦綜合處理信息的過程相似，它充分利用多傳感器資源，通過對各類傳感器及其觀測信息的合理支配和使用，將各種傳感器在空間和時間上的互補與冗余信息依據某種準則組合起來，產生對觀測環境的一致性解釋和描述[5]。從本質上說，數據融合的功能實現主要依靠信息冗余與信息互補[6]，通過對各傳感器觀測信息的優化組合、協同處理，利用多個傳感器共同或聯合操作的優勢，導出更多有效信息以提高整個測試系統的有效性。

1.2 數據融合的特點與原理

數據融合的特點就是能擴大信息的瞬時、空間搜索范圍，提高系統的探測性能，增加目標的特征矢量維數[7]，增強系統自適應性和容錯能力，降低系統推理模糊程度，提高目標信息的可信度，得以提高整個系統的性能。

數據融合系統由于其具體結構的不同而有著多種多樣的形式，其功能原理基本一致，如下所述[8]：

1）N個不同類型的傳感器采集觀測目標的數據；

2）對傳感器的輸出數據進行特征提取的變換，提取代表觀測數據的特征矢量；

3）對特征矢量進行模式識別處理，輸出各傳感器關于目標的說明數據；

4）將各傳感器關于目標的說明數據按同一目標進行分組，即關聯；

5）利用融合算法將各傳感器數據進行合成，得到該目標的一致性解釋與描述。

根據數據融合系統的功能原理和作用，其通用功能模型如圖1所示。

該模型的功能包括：

1）對多信源信息在不同層次上進行處理，每個層次代表信息處理的不同級別；2）其完整的流程包含檢測、關聯、跟蹤、估計和綜合；3）根據融合層次區分，融合的結果分為低層次上的狀態和屬性估計、高層次上的態勢估計和威脅評估[9]。

2 數據融合準則與方法

數據融合技術的核心研究內容就是融合準則和算法研究。數據融合準則通常指采用的融合數據滿足觀測目標變化規律的原則，以融合數據滿足觀測目標變化規律的程度為依據，滿足規律的程度越高，則對融合結果的影響越大[10]，反之，則越小。目前，常用的數據融合算法基本上可以分為隨機類方法和人工智能類方法。隨機類融合方法包括加權平均法、多貝葉斯估計法、卡爾曼濾波法等；人工智能融合方法包括神經網絡、模糊邏輯推理、遺傳算法、粗集理論等[11]。

對于火箭助推水雷而言，其水下高速彈道運動具有加速度大、速度快、彈道時間短的特點，其觀測采樣周期相對較低，具有自身的復雜性和特殊性[12]。因此，水下高速彈道測試數據的融合需要考慮其運動變化規律，數據融合方法需既具有魯棒性又有很強的并行處理能力。本文采用滿足水下高速彈道運動規律的測試數據作為融合準則，并根據該運動規律，采用加權平均數據融合作為算法，探討構建水下高速彈道測試數據融合算法的可行途徑。

3 多信源測試數據融合

3.1 數據的時空對準

在對測量數據進行融合之前，首先需要對測量數據進行時空對準，包括空間轉換和時間同步[13]。空間轉換，對于單平臺而言，同一平臺不同坐標系的信息要轉換到同一坐標系之下，對于多平臺而言，在進行多平臺融合時，需要將不同平臺的信息轉換到融合確定的公共坐標系之下[14]。如果不能有效進行空間轉換，則使得多個信源的信息無法進行關聯融合，造成信息冗余，使得融合結果不可信。

時間同步，是指將不同步的傳感器信息同步到相同時刻[15]。通常多信源信息的不同步包括傳感器自身獲取信息的不同步（采樣率不一致等），以及網絡化、分布式帶來的信息傳輸滯后。

3.1.1 空間轉換

在測試系統中，目標測量所在坐標系與數據處理所在坐標系通常是不一致的。此時，就需要將各傳感器（此處即為捷聯慣性測量裝置）需要融合的數據信息進行坐標變換，統一到同一坐標系中[16]。為方便計算，提高測試精度，本文采用大地坐標系作為數據處理及融合的坐標系，并將各信息源數據轉換為該坐標系下的數據。

考慮到水下高速彈道運動的特點，為減小測量誤差，提高系統測量精度，為數據融合提供有效信源，本文主要采取以下2方面的措施：1）在統一坐標系的基礎上，需要對多傳感器（此處即為捷聯慣性測量裝置）之間的安裝誤差進行標定；2）在滿足系統工作時序的要求下，多傳感器提前進行初始對準，延長初始對準時間以提高初始對準的精度。

3.1.2 時間同步

時間同步的任務就是將來自于不同傳感器、不同采樣周期下的測試數據對準到統一的融合時間間隔下。內插外推法和虛擬融合法是2種常用的時間同步算法[17]。

在本文的測試系統實際使用過程中，采用同一控制終端給 2個捷聯慣性測量組合同步下發初始對準、啟動測試指令的方式，保證了其測試起點的時間同步。對于采集的多信源數據，由于測試設備的采樣周期可知，本文采用虛擬融合法。

虛擬融合法的步驟如下[18]：假設有 2類傳感器，分別為傳感器Ⅰ和傳感器Ⅱ，其采樣周期分別為τ和T，且兩者之比為整數，即τ T=n。如果傳感器Ⅰ對目標狀態最近一次更新時間為(k -1)τ，下一次更新時間為 K = ( k - 1 )τ+ nT ，傳感器Ⅱ對目標狀態最近一次更新時間(k - 1 )T，下一次更新時間為kT，這意味著在連續2次目標狀態更新之間，傳感器Ⅱ有n次測量值。于是，可采用最小二乘法，將這n次測量值融合成一個虛擬的測量值，作為時刻K傳感器Ⅱ的測量值，再和傳感器Ⅰ的測量值進行融合。

3.2 基于精度的加權平均數據融合

本文采用的基于精度的加權平均數據融合方法，分別對不同來源的測試數據進行不確定度分析，再以所得出的不確定度作為權值參考進行加權融合，加權融合結果可作為最終的測試數據融合結果。

3.2.1 加權平均法進行數據融合時權對融合精度的影響

加權平均法是求各個數據源輸出數據的加權平均值，若第i個數據源的輸出為xi，其權為ωi，所有n個數據源輸出數據的融合結果為

將上式代入σy中可得多源數據融合后達到的最高精度：

3.2.3 公式分析

如若幾個數據源的精度有高低之分，σi均方根的最小值和最大值分別為σmin和σmax，

上式表明：采用權的最優分配方法后，精度差的數據源參與數據融合后都有利于提高測量的精度。這一點與其他方法有本質的區別。采用其他方法信息融合時，一個精度很差的數據源有可能使得融合結果精度變差。這一點具有非常重要的實際應用價值。

3.2.4 結果分析

為了驗證上述計算方法對于水下高速彈道測試數據處理的可行性及精確程度，以某型水雷高速彈道測試系統中 2臺捷聯慣性測量裝置作為數據源。數據源1測得的目標速度、航向角為v1、ψ1，數據源 2測得的目標速度、航向角為v2、ψ2，其均方根誤差分別為(σv1,σφ1) 和(σv2,σφ2)。采用加權平均法進行數據融合結果如下：

圖2和圖3給出了采用該方法得出的某型水雷高速彈道速度、航向角試驗值和融合結果比較。其中，虛線為第1組試驗值，點畫線為第2組試驗值，實線為融合值。從圖中可以看出，該數據融合處理算法對提高高速彈道測試的平穩性及精度具有很好的性能。

圖2 速度試驗值與融合值比較圖Fig.2 Velocity comparison chart between original data and fusion data

圖3 航向角試驗值與融合值比較圖Fig.3 Course angle comparison chart between original data and fusion data

4 結束語

本文首先對數據融合技術的原理及關聯方法進行了描述，進而針對水下高速彈道測試的數據特點進行分析，探討了適用的該運動規律數據融合準則和基于不確定度的融合方法。以2臺捷聯慣性測量裝置的數據為例，說明了數據融合技術在水下航行器高速彈道測試中的應用，從融合結果來看，多個信源測試得到的信息經數據融合后提高了對目標的測試精度，是一種方差最小意義下的最佳數據融合方法。該方法具有較好的可行性、適應性、有效性，可形成信息完整、易于分析、單一的測試結果，提高了復雜測試系統的結果可信度，具有良好的工程應用參考價值。