基于數據間支持度的數據融合處理方法研究?

李 鵬

（92941部隊 葫蘆島 125001）

1 引言

數據融合的概念于20 世紀80 年代由美國提出，最早應用于軍事領域［1～2］，數據融合的目的在于提高數據處理精度，掌握數據質量和目標跟蹤狀態。關鍵是建立數據融合處理方案，構建融合模型和引進先進的估計算法［3］。數據融合處理的經典方法包括卡爾曼濾波、加權平均、模糊邏輯、神經網絡、參與估計等［4］。

針對高速彈丸［5］目標在海上射擊時，裝備沿海測量受海面反射、能見度、布站條件等限制較大；高速彈丸低空飛行段測量易受山體、建筑物等遮擋，跟蹤過程中易出現數據穩定性不好的情況；參加測量的裝備類型較多，在測量體制及測量精度上存在較大差異。

根據測量任務實際，以及彈丸目標具有高空高速、目標特性不明顯、不加裝GPS 及遙測系統等特殊性，綜合分析實際測量條件，本文提出一種基于數據間支持度的數據融合算法，充分利用多測量數據源的信息，根據數據間支持程度，動態計算每個測量數據在全體測量數據中的權值系數，完成信息融合計算，得到完整準確的航跡融合結果。

2 信息融合結構模型

數據融合是多層次多級別的數據綜合處理過程［6～7］，從多源信息系統的數據流通方式和綜合處理角度出發，彈丸目標航跡信息融合主要是位置級融合，位置級融合結構模型主要有兩種：集中式融合結構、分布式融合結構、混合式融合結構［8］。

集中式融合結構優點在于最大程度地利用了原始測量信息，信息損失小，但對融合數據處理能力要求較高，且當測量數據不穩定時算法流程比較復雜，易造成參數結算及數據關聯困難。混合式融合結構是集中式和分布式的結合，在系統開銷上付出的代價很高，適用于某些特定環境。

經過對測控裝備布站、測量數據精度、目標航路規劃等綜合分析，本系統采用分布式融合結構，優點在于測量信息經局部處理后信息相對穩定，可減輕融合中心的負荷，實時性較強，能夠提高融合結果的穩定性和精度。圖1 為分布式融合結構模型圖。

圖1 分布式融合結構模型圖

3 局部狀態估計

3.1 測量數據預處理

受測量環境、裝備操作、天氣等因素影響，測量數據中不可避免的存在野值。數據預處理主要是剔除數據中的粗大野值，并對數據進行補全［9～10］。經對比分析，五點線性預報法對剔除粗大野值簡單有效，算法分為差分檢驗、線性預報兩部分，先用求一階差分和四階差分的方法，對數據進行合理性檢驗，發現并剔除明顯的野值點，再按五點線性預報公式補全。

第一步，對測量信息進行一階差分Δ1yi=yi+1-yi，用四階差分檢驗法進行初始檢驗，找出一組合理點。

第二步，數據四階差分值：

式中，j≥5，取門限M1，判斷 |Δ4j|≤M1是否成立，若是，則為一組合理點，否則，令j=j+1，繼續進行四階差分檢驗。

第三步，用五點線性預報公式進行數據檢擇與修正：從以上求得的五個合理點yj-4,yj-3,yj-2,yj-1,yj為基點，按照線性預報公式計算：

式中，Pi=(3i-7)/10 ，取門限M2，判斷是否滿足，若是，則為合理，否則為野值。

第四步，令yi+1=，j=j+1，繼續四階差分檢驗，對數據進行初始檢驗，找出一組合理點，再繼續利用五點線性預報公式進行檢驗與補點。

3.2 無跡濾波模型

無跡濾波（Unscented Filter，UF）是20 世紀Julier等提出的一種用采樣方法近似非線性分布的非線性濾波方法［11～12］，是利用無跡變換（Unscented Transform，UT）在估計點附近確定采樣，用這些樣本點的分布來近似表示非線性函數的分布。

定義非線性系統：

其中，Pv為過程噪聲方差，Pn為測量噪聲方差。

根據采樣策略，得到k 時刻的狀態估計的Sigma點集。

其中，λ為尺度參數，L為增廣向量維數。

更新方程：

4 基于數據間支持度的加權融合計算

該算法的基本原理：各測量數據經野值剔除、時空對齊、平滑濾波等處理得到各自的局部估計后，對各局部估計間的相互支持程度進行計算，據此建立支持度矩陣，并計算每個測量數據在全體測量數據中的權值系數，根據各個權值進行融合計算。為避免外接因素對測量數據的干擾，在實時性允許的條件下，對上述結果再次進行濾波，得到全局狀態估計信息，即最終的加權融合計算結果。

為更好地完成目標測量任務，在目標航路附近布設n 臺測量設備，保證測量數據的冗余性，即同一時刻得到n 個測量數據(x1,x2,…xN)，各測量數據經野值剔除、時空對齊、濾波等處理得到各自的局部估計后，計算各測量數據間的相對距離。

式中，的值越大，說明兩個數據間的差別就越大；的值越小，則數據間的差別越小。根據計算結果建立相對距離矩陣，即：

根據數據支持度性質可知，數據對自身的支持度函數的值為1。由函數表達，可知值越小，說明數據間差別就越小，支持度函數值就越大，支持度就高；越大，說明數據間差別就越大，支持度函數的值就越小，支持度就低；當取得最大值時，支持度函數值為零。可見，?[0 ,1] 的取值為［0，1］。

據此，建立支持度函數矩陣，可表示為

矩陣中的數據代表了兩兩數據間的相互支持程度，但無法說明某一數據相對于整體而言的總支持度。需要計算每個數據的權值，用于完成融合計算。

設存在一組非負數：(a1,a2,…an)使得

矩陣形式可表示為

其中，W=[w1(k),w2(k),…wn(k)]T，A=[a1a2…an]T。

支持度矩陣是一個非負矩陣，存在最大模特征值λ≥0，通過l*A=R(k) *A可求得最大模特征值的特征向量A，從而求得每個數據權值，表示為

由此可得到加權融合結果，即：

為避免外接因素對測量數據的干擾，在實時性允許的條件下，對上述結果再次進行濾波，得到最終的加權融合計算結果。

5 仿真測試驗證

采用仿真手段對融合算法進行測試分析，根據實際測量條件下的裝備布站情況，模擬6 臺雷達測量數據，滿足測量數據在彈丸飛行軌跡全程覆蓋，在不同飛行距離段落內數據質量存在差異。雷達測量數據仿真具體情況如表1 所示，雷達數據仿真曲線及航跡融合結果曲線如圖2所示。

表1 雷達測量數據仿真

圖2 雷達數據仿真曲線及航跡融合結果曲線

通過仿真結果可知，該融合算法能夠根據測量數據實際情況，在不同飛行段落內有效剔除抖動數據，排除不穩定數據對融合權值系數計算的影響，融合結果曲線抖動較小、連續穩定。

6 結語

本文針對高速彈丸目標在海上射擊時，沿海測量受布站限制、目標特性不明顯、多類型裝備接力測量等實際情況，提出基于數據間支持度的數據融合算法，計算各測量數據間的相互支持程度，有效排除不穩定數據干擾，得到各測量數據的融合權值，完成信息融合計算。通過仿真數據測試驗證，該方法切實可行，能夠得到完整的、穩定的目標航跡信息融合處理結果。并可為遠程目標多類型測量裝備協同工作、接力測量的研究提供參考意義。