改進型加權實時融合算法在提高遙測數據質量中的應用

唐藝靈

(中國人民解放軍92941部隊，遼寧 葫蘆島 125001)

0 引言

在指揮控制系統中，遙測數據實時處理是態勢感知的重要環節，其任務是將來自各測量設備的實時遙測數據按照一定規范進行解析，最終將能反應飛行器工作性能的參數及飛行器航跡顯示在指控大廳，供指揮決策及故障診斷。因此，遙測數據處理結果必須實時、準確，遙測處理結果質量好壞直接影響任務的圓滿完成。在實時數據處理中，通常用以下兩種方法來提高遙測數據的質量：一種是從測量設備入手，即使用接收能力更強的地面遙測設備，或增加設備數量并優化設備布站等；二是優化數據處理方法，包括建立更加準確的設備誤差模型，研究更加有效的實時數據融合方法，采用先進的數據定位及選優策略等[1]。實際任務中遙測數據一般由多個設備同時進行測量，數據源選取是按照時域或空域對各設備測量數據進行拼接，最終形成一個完整數據流。然而在實際任務中，有時設備獲得的數據質量很高，但在參數及航跡計算時，卻因為選擇了部分不好的設備測量數據參與處理從而導致參數及目標航跡出現跳變，致使信息失真，有時則因為設備、環境或目標的原因導致測量信息不充分[2-3]。如何通過綜合獲取的所有有效測量元素，實現數據的高精度平滑輸出，成為信息處理中需要持續研究的課題。

國內外已有很多文獻，基于實際應用提出了一些處理方法。文獻[4]提出一種基于一階差分的野值類型判別及處理方法，能夠準確判斷野值類型及位置。文獻[5]針對處理過程中出現的有效定位數據過度濾除以及無效數據濾除不干凈的問題，基于DS證據理論的有效性實時判別方法，利用遙測數據中的定位數據信息和理論信息，預測數據合理范圍，直接判斷數據有效性，有效濾除數據中的無效數據。文獻[6]研究了國內外多傳感器數據融合技術現狀，并提出三種實時抗野值的修正方法：簡單經緯度法、最小二乘法和抗野值Kalman濾波方法。但這些算法或需要根據不同的設備設置不同的參數，計算較繁瑣，或當野值數量較多時，外推數據過長往往影響了數據的精確性，或出現斷點。文獻[7]針對簡單剔野方法無法剔除連續野值以及樣條擬合方法復雜的參數估計問題，分析不同運動模型下的目標差分特性，提出了分段剔野方法，通過分別建立模型，使得算法更加簡單，擬合數據更能反映目標真實運動，從而使得野值修正更加準確。文獻[8]在測量設備與被試品相等精度的情況下，提出可以通過增加測量次數來彌補測量誤差帶來的不利影響，確保兩者的估值精度維持在相同水平上。但這些方法都是建立在事后數據處理基礎上，不適合實時的情況。

對于跨區域聯合試驗新模式，數據處理具有兩個新特點：1) 數據來源于兩個區域不同測量體系，各區域測量設備精度、設備布站方式及解算數據方法存在差異；2) 由于測量距離的增加，遙測數據更易受到通訊、方位、距離、電磁環境等干擾信號影響，更易出現野值。

因此，為了圓滿完成跨區域遙測實時處理任務，使數據處理結果完美展示在決策者面前，有必要研究更優的跨區域遙測實時處理方法。本文提出一種提高遙測數據質量的改進加權實時融合算法。

1 遙測數據融合算法原理

1.1 問題分析

假設某任務區域內部署了m個測量設備，采用接力式對飛行器進行測量，如圖1所示。

圖1 測量示意圖Fig.1 Measurement schematic diagram

在任務開始之前，將飛行器航跡分為n個測量段，保證每個測量段都有至少一個測量設備做為數據源。根據飛行器的理論軌跡，并綜合考慮設備精度、布站位置等因素可以計算測量設備的有效時間段落。經過分析，跨區域任務測量段落可分為三個部分，即區域1、區域1和區域2重疊部分、區域2，如圖2所示。

區域1為只有區域1的設備能測量到的區域范圍，區域2為只有區域2的設備能測量到的區域范圍，區域1和區域2重疊部分為兩個區域的測量設備都能測到的范圍。因此，區域1、區域2測量方式和不跨區域任務時相同，重點是區域1和區域2重疊部分的測量，重疊部分靠近區域邊界，都不是兩個區域測量設備最優測量段落，極易因通信誤碼、測量方位等原因產生野值。目前，野值數據的判別和剔除已經有很多成熟的處理方法。為了獲得高精度、準確、平滑的信息處理，對于區域1和區域2重疊部分可以考慮充分發揮多信息源優勢，采取數據融合處理方法，而區域1、區域2進行融合處理意義不大，通過對以往任務數據的事后分析也可說明這一點。區域1、區域2的數據首先是來自同一測量體系，數據處理方法一致，測量段落都已經劃分得很細，確保處于最佳威力范圍內，各設備接收信號情況也基本一致，因此可認為數據是等精度的。通過上述分析數據處理結果選優示意圖如圖3所示。

圖2 任務段落示意圖Fig.2 Task section schematic diagram

圖3 數據處理結果選優示意圖Fig.3 Data processing result prepotency schematic diagram

1.2 數據實時融合算法

目前多傳感器數據融合尚未形成完整的理論體系，但在很多文獻中，已經根據各自具體的應用需求，提出了一些有效的融合方法[9-10]。相對于神經網絡、貝葉斯決策等融合技術需要大量數據集進行建模，存在局限性[11-12]，加權融合處理因為融合方法簡單實用而且精度高，在強實時應用場景中備受關注。

文獻[13]將證據理論中的修正證據距離引入傳感器測量數據間相互關系的計算，依靠傳感器間測量數據的相互關系確定融合權重，仿真結果驗證了算法融合效果好，但不符合加權融合最優分配的原則。文獻[14]研究了飛行測量數據實時融合檢擇關鍵技術，提出兩信息源、多信息源航跡融合檢擇技術，通過剔除融合前原始信息的野值，有效解決了因過失誤差而造成的融合結果精度偏低問題，但算法較為繁瑣。文獻[15]提出一種多站遙測數據加權融合處理方法，構建了融合權重與測量精度之間的對應計算模型及測量設備實時測量精度模型，通過典型算例進行驗證，并與固定標稱值測量精度最小二乘加權融合算法及利用傳感器間測量數據相互關系確定權重的加權融合算法進行對比分析，所提算法融合效果優于上述兩種方法，具有較好的應用價值，但算法是依據設備的實測數據的統計分析計算測量精度，實時性還有待驗證。

結合任務實際情況，在借鑒傳統分批估計算法的基礎上，提出改進型分批估計與分組動態加權實時融合算法。該方法對測量設備先進行分組再分批估計，并引入異常因子作為去除臨界值的最優百分比，最后針對誤差分布不均特點，實時計算測量精度，進而求出動態權值，實現自適應加權融合，方法簡單，易于編程實現。

2 改進型分批估計與分組動態加權實時融合算法

2.1 改進型分批估計與分組動態加權融合算法

假設測量數據來自s個數據源：U(t)1，U(t)2，…，U(t)s，測量數據融合的過程模型如圖4所示。

1) 實際測控中，存在著誤差偏大甚至錯誤的測量數據，這類數據稱為粗大誤差，必須及時剔除，否則影響整體的測量結果，因此首先對數據進行預處理，剔除含粗大誤差的數據項，得到具有一致性的有效數據序列U′(t)。

圖4 數據融合的過程模型Fig.4 Process model of data fusion

在實際測量過程中，受到復雜因素影響，可能存在均方差偏大的一致性測量數據，傳統分批估計算法沒有考慮對這類數據進行特殊處理，只進行簡單算術均值計算，這類數據往往會引起最終計算結果的誤差偏大。因此引入異常因子對傳統分批估計算法進行改進，異常因子是指去除最大最小值的最優比率。依據統計理論和實踐經驗，剔除部分最大最小值后獲取的均值數據，具有更高的精度和穩定性，也更能反映數據的集中情況。

由于單一測量設備在某時刻只有單一測量值，不能直接采用分批估計算法對數據進行計算，因此采取分組的方式進行分批狀態估計。按照一定的規則將來自不同數據源的數據分為v組。以第一組測量數據為例，設測量數據為：U(t)11，U(t)12，…，U(t)1m，實時計算算術平均值為：

(1)

式(1)中，ρ為異常因子，是指去除最大最小數量的最優比率。p?P且P為一個集合，即P={下標為ρ與P的積的值}。

標準差為：

(2)

根據式(1)、式(2)計算出其余各組的算術平均值和標準差，得到算術平均值序列和標準差序列：

及

因此，通過分組使s個數據源的數據融合問題轉化成對含有v組數據的數組序列融合的問題(s

在區域內通常有多個測量設備，每個設備因方位、使用等因素，測量值存在差異，測量誤差分布不均勻，具有很大隨機性。對此，需要解決的問題是，如何有效對待各個數據源的數據差異，來提高數據融合結果的質量。在實際任務中采用了實時計算數據源測量精度，進而根據方差實時計算權值，再采用權值最優分配原則實現動態加權融合的方法。該方法在方差大時給予數據較小的權值，方差小時給予數據較大的權值，從而實現為每個測量數據自適應探求其最優權值，以獲取其最小總誤差，從而得到被測目標的最優估計值。當遇到突發異常時，自適應加權數據融合結果將更具有準確性和穩定性。

各組數據的加權因子由式(3)求得。

(3)

采用自適應加權融合算法對這v組數據進行處理，獲得更接近真值的融合估計值Y(t)。該組數據的融合估計值由式(4)求得。

(4)

2.2 算法復雜度分析

數據預處理，分批估計需計算的均值、方差均為單層循環，時間復雜度為O(m)；權值計算為單層循環，時間復雜度為O(v)；如m>v,該算法的時間復雜度為O(m)；如m

3 實測驗證

通過仿真的模擬數據驗證本文所提改進后處理算法的有效性。取某遙測參數M，數據源為外部區域m1，本地遙測設備m2～m12，設不同數據源某時刻的測量數據分別為t1，t2，t3，并設置一定比例的異常值。各數據源數據如表1所示。

表1 各數據源測量數據Tab.1 Measurement data of each data source

續表

分別計算融合算法改進前和改進后的估計值。測量數據t3是需去除m2設備粗大誤差200.409。

分組數根據數據源的數量設定，數據源較多時，分組數就越多，方差越小，優點更明顯。依據位置就近原則，將m1～m4分為第一組，m5～m8分為第二組,m9～m12分為第三組，同時根據實際情況設定ρ的取值。當ρ達到一定值時，融合估計值變化逐漸趨于平穩，這里取ρ=0.05。t1時刻算法改進前及改進后測量數據處理結果如表2所示。t2時刻算法改進前及改進后測量數據處理結果如表3所示。t3時刻算法改進前及改進后測量數據處理結果如表4所示。

表2 t1時刻測量數據處理結果Tab.2 The processing result of measure data at t1

表3 t2時刻測量數據處理結果Tab.3 The processing result of measure data at t2

表4 t3時刻測量數據處理結果Tab.4 The processing result of measure data at t3

由以上數據處理結果可見，采用改進型分批估計方法得到的方差更小，其結果更接近真實值。改進后各個時刻的融合值如表5所示。

進行50次仿真，將設備精度與融合精度進行對比，對比結果見圖5所示。從圖5可以看出上述方法融合精度明顯高于設備原始數據精度。經對實測數據統計分析，測量數據處理時延符合技術指標規定允許最大時延，采用融合算法時延僅比未采用融合算法大0.06 ms，滿足絕大部分強實時應用場景。

表5 各時刻測控數據融合值Tab.5 Fusion value of measurement and control data at each time

圖5 設備精度與融合精度對比Fig.5 Comparison of equipment accuracy and fusion accuracy

4 結論

本文提出局部區域數據融合進行狀態估計的方法，采用先分組再分批估計的方式并引入異常因子，實現分組動態加權融合，應用于跨區域多信源實時遙測數據處理中，有效降低了由于距離增加產生的環境干擾、失效數據及數據源精度差異所帶來的影響，獲得了具有較高精度和穩定性的結果數據。如果應用于測控距離較短的任務中，由于實測中數據源穩定且誤差較小，數據融合相對單一數據源優越性也較小。隨著測控設備性能和測控手段的不斷豐富和提高，計算機及網絡技術的飛速發展給實時數據處理提供了技術支持，越來越多地要求進行跨區域、虛實結合、資源共用的聯合演訓，不同體制測量系統的數據融合必將成為主流，各種新方法和新系統的研究與開發成為必然。針對某些飛行器的遙測數據特性，若將部分具有較高精度的事后遙測數據處理模型和算法改進后應用到實時遙測數據處理中，也將成為實時遙測數據處理的重要發展方向。