数据融合技术在船舶组合导航中的应用研究＊

孟士超 唐正茂

（海军驻431厂军代表室1） 葫芦岛 125004）（武汉第二船舶设计研究院2） 武汉 430064）

1 引言

导航即引导运载体航行，现代的导航设备除了这一任务以外，还要为运载体上的其它系统如监视、测量、武备等系统提供精确的位置、运动速度、载体姿态等导航信息，所以就有了各种导航仪器及系统，比如：推位系统、惯导系统、无线电导航系统、GPS系统、多普勒雷达导航系统等［1］。计算机技术与控制技术的结合应用，使船舶导航由原来的单一导航发展到组合导航，我国有越来越多的船舶采用了组合导航系统INS（Integrated Navigation Sys-tem）。INS不仅可以将不同导航系统或设备联合起来，自动完成导航或其它特定的任务，而且由于采用了数据处理技术［2］，大大提高了导航信息的精度，这是组合导航系统的优点。

由于在组合导航系统中采用了多种导航系统，因此会产生不同角度的船舶定位信息、姿态信息等，如何利用这些不同的定位信息实现船舶的精确导航，数据融合为这些信息进行融合决策处理［3］、从而为现代船舶组合导航信息的应用提供了有力的解决方法，为此，本文将主要探讨数据融合在现代船舶组合导航中的应用。

2 数据融合在船舶组合导航信息处理中的应用

2.1 数据融合原理

数据融合是利用计算机技术对由若干传感器获得的时间和空间观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程，数据融合中心通过多传感器获取观测对象的特征信号以提取征兆，并进行多层面的关联组合、数据选择，从而获得对观测对象的各方面的信息更可靠的认识和潜在的发展趋势的态势评估［4］。数据融合的目的是为了进行数据判别，进而获得对观测对象的识别、态势评估，通过数据判别给出过程优化决策结果，在信息融合和数据判别的过程中所用到的原始信息均来自于外界传感器的输入，由于传感器都无法做到100%的可靠，因此，对多传感器的信号的信息进行融合和判别都是很有必要的［5］，而在信息融合和数据判别时采用不同的算法，直接影响到了最终对观测对象态势的评估结果。

图1 数据融合原理示意图

2.2 船舶导航数据融合的主要方法及存在问题

数据融合方法研究的内容是与数据融合有关的算法［6～9］，多传感器融合的实质是多源不确定性信息的处理，这是一个复杂的处理过程。如前所述，信息在系统中由下至上的处理过程中，信息的表示形式在不断地变化；此外，信息的不确定性可以是随机的、模糊的，可以有验前信息的形式，也可以是无验前信息的形式，针对不同的信息表示形式有不同的处理方法。

目前在船舶导航中经常采用的融合算法主要有加权平均法、概率统计法、D-S推理、多贝叶斯法、模糊逻辑法、神经网络法和卡尔曼滤波法等。但是上述的数据融合方法在船舶导航信息的融合处理上也暴露出很多不足［10］。首先，由于船舶的导航信息多是不稳定的随机信号，而上述的数据融合方法只能对较为简单的传感信息进行融合，对于复杂的导航信息在数据融合上存在很大的不确定性；其次，在船舶导航系统中数据融合最为成功的是卡尔曼滤波，但随着可供运载体装备的导航系统越来越多，非同类导航子系统的增加使量测信息增多，这对提高组合导航系统精度十分不利，如果继续采用传统的集中式卡尔曼滤波器实现组合，则会导致滤波计算量以滤波器维数的三次方剧增，无法满足导航计算的实时性要求，不利于系统的实时运行，为此逐渐发展了基于联邦滤波器的组合导航系统，其中所采用的数据融合方法不但具有很高的导航精度，而且使组合导航系统具有很强的容错能力［1］。

另一方面，针对组合导航系统的信息融合问题，目前的研究多集中在飞机及航天器上，而于舰船方面则少有资料，而且到目前为止，基本上还处于理论研究与仿真阶段，实际系统中还较少用到联邦滤波器，本文着力从实际应用的角度出发，希望能将联邦滤波器运用到船舶组合导航系统中。

3 基于联邦滤波器的船舶组合导航信息数据融合研究

3.1 联邦滤波器的一般结构

联邦滤波器是一种两级滤波结果，其结构形式如图2所示［3］。图2中公共参考系统（一般选误差具有慢变化和随时间积累特性的系统，如船位推算和惯性导航系统）的输出一方面直接给主滤波器，另一方面给各子滤波器（即局部滤波器，这里仍采用卡尔曼滤波算法，处理从子系统传来的测量信息。子系统一般选误差具有高频特性但不随时间变化的导航系统，如GPS、劳兰C等）作为公共状态变量值。各子滤波器的局部估计值（公共状态）及其协方差阵Pi送入主滤波器和主滤波器的估计值一起进行融合以得到全局最优估计［3］。此外，从图中还可以看到，由子滤波器与主滤波器合成的全局估计值及其相应的协方差阵Pg被放大为βi－1·Pg（βi－1＜1）后再反馈到子滤波器（图中用虚线表示），以重置子滤波器的估计值，即：

3.2 基于联邦滤波器的传感器本地数据融合决策研究

图2 联邦滤波器一般结构图

融合中心的全局一位决策u0是基于向量集［R1，R2…，RN］的，中心的侦测及误报概率分别为PD和PF，有PD＝p［u0＝1｜H1］，PF＝p［u0＝1｜H0］。

为衡量决策规则的性能，必须计算侦测与误报概率，从而为基于传感器可靠性的多传感数据融合提供支撑。将决策向量集［R1，R2，…，RN］表示为向量Rk＝｛r1，1，r1，2，…，r2，2，…，ri，j，…，rN，b｝形式，去噪声的基础上执行数据融合算法，有效的提升了导航信息的处理实时性，最终形成可信性较高的导航信息。

1）传感器本地多次决策融合算法。由于单个传感器检测到的相关状态参数并不能直接反映目标的真实物理状态，据其做出的判断容易产生误报，如果将多个传感器重复检测同一物理状态参数，将所有传感器所检测到的全部信息，可以利用融合技术，对多个传感器节点提供的局部不完整观测量进行数据融合，实现将传感器的可靠性纳入决策融合的范围之内，从而清除多传感器之间可能存在的冗余和矛盾。

令H1表示传感器存在故障，H0表示传感器无故障，当N个本地传感器分别收到k个未经处理的原始数据向量Xi＝［xi，1，xi，2，…，xi，k］，i＝1，2…N，xi，j∈｛0，1｝分别在本地作出一个b位（b≤k）的决策向量Ui＝［ui，1，ui，2，…，ui，b］，i＝1，2…N，ui，j∈｛0，1｝，则此时各本地传感器节点的侦测正确的概率为Pd＝P［xi，j＝1｜H1］，1≤i≤N，1≤j≤k；误报概率为Pf＝P［xi，j＝1｜H0］，1≤i≤N，1≤j≤k。

本地决策向量集［U1，U2…UN］传输到融合中心，由于传感器都不是绝对理想的，存在一定程度的噪声，因此决策中心接收到的向量集为［R1，R2，…，RN］，其中故Rk有2Nb－1种不同组合表示，以N＝2，b＝2为例，R3＝［0，0，1，1］。根据概率理论有：

由于p（｜R＝Rk，H1）与H1相互独立，故有：

同理，决策中心的误报概率为：

2）联邦滤波器的数据融合容错性分析。所谓“容错”是指系统对故障的检测能力、隔离能力和恢复能力［3］。在容错组合导航系统的设计中，一般联邦滤波器在对传感器的故障进行监测预报时，利用测量信息残差：测量信息残差可以较好的检测和隔离某些传感器的突变故障。因为［k／（k－1）］包含了以前的量测信息，当系统无故障时，［k／（k－1）］＝［k／（k－1）］是对Z（k）的最好预报估计，所以r（k）应当很小，在理论上它应为零均值的白噪声。当传感器发生故障时，r（k）也会发生突变，根据它就可以检测和隔离传感器的故障。实际上，在实际的船舶导航信息应用中来看，新息检测对软故障不是很有效的。这是因为软故障是逐渐发展起来的，开始时故障不易显露出来，而未被检测出来的故障将污染［k／（k－1）］，即［k／（k－1）］跟踪故障，减少Z（k）和［k／（k－1）］的差异，这时r（k）不会发生很大变化，因此故障检测效果不好。

在本文中，由于在信息采集源头端就进行了传感器信息可靠性的多次数据融合判别，子滤波器自身传感器的误差状态估计是分开的，这样传感器的误差状态在子滤波周期内不会受到其他传感器的影响，只有在较长时间的融合周期之后才会有影响；当某一个传感器的故障被检测和隔离后，其它正常子滤波器的状态估计仍然存在，于是利用这些正常子滤波器的状态估计经过简单的融合算法之后可得到系统的全局估计。系统重构简单，同时故障恢复能力强；主滤波器可以使用一个比子滤波器更精确的系统模型，这样导航系统的容错能力就提高了。因此在后向通道的联邦滤波器中可以实现对系统故障的判别和预警预报，从而大大提高了整个组合导航信息的可信性及组合导航系统的可靠性。

4 结语

多传感器信息融合判别算法已经逐渐受到众多学者专家的重视并逐步得到发展，本研究课题初步探讨了船舶导航信息的数据融合，在考虑了传感器失效和误报的情况下，提出了传感器本地多次决策的数据融合算法，以提高传感器对导航信息采集的可靠性，并在此基础上讨论了联邦滤波器在传感数据融合的基础上的容错性，对于船舶组合导航系统的信息处理研究具有一定的推广和借鉴意义。

［1］袁信，余济祥，陈哲.导航系统［M］.北京：航空工业出版社，1993

［2］张崇猛，陈超英，庄良杰，等.信息融合理论及其在INS／GPS／Doppler组合导航系统中的应用［J］.中国惯性技术学报，1999，7（3）：1～8

［3］李洪志.信息融合技术［M］.北京：国防工业出版社，2000

［4］朱泽君，黄涛，刘曦霞，等.多传感器数据融合技术研究现状及发展方向［J］.舰船电子工程，2009，29（2）：13～16

［5］陈世华，潘鸿飞，朱璐.组合导航信息融合技术研究［J］.国外电子测量技术，2007（2）：21～24

［6］钟暐，左廷英.基于联邦滤波的INS＿GPS组合导航系统数据融合研究［J］.江西理工大学学报，2009（10）：67～70

［7］赵净净，王艳东.组合导航系统NNM信息融合算法［J］.北京航空航天大学学报，2009（3）：292～295

［8］许丽佳，陈阳舟.组合导航系统的模糊信息融合［J］.系统仿真学报，2005，17（1）：124～128

［9］Zhang Jing，Ji Zhihua，Tian Weifeng.A suboptimal Kalman filter with fading factors for DGPS／MEMS-1MU／magnetic compass integrated navigation［C］／／Proc of IEEE Ins Intelligent Transportation System.Shanghai，China.IEEE Press，2003，2：12～15

［10］刘宇宏，刘勃贤.数据融合技术在航海避碰决策支持系统中的应用［J］.上海海运学院学报，2000（4）：51～53.

［11］Zhou Ruixiang，Liu Tingqi，Han Jianding，et al.Fault Diagnosis of Air plane Hydraulic Pump［C］／／Proceedings of the 4th world congress on intelligent control and automation，2002，6：10～14