基于多模复合制导的集中式数据融合算法分析*1



基于多模复合制导的集中式数据融合算法分析*1

何金刚,张万里

(中国空空导弹研究院，河南 洛阳471009)

摘要：未来战场环境十分复杂，多模复合制导相比目前普遍使用的单一制导模式具有制导方式互补、综合探测能力强、反目标隐身和抗干扰能力强、适应全天候等优势，成为新型制导武器的发展趋势。针对集中式数据融合算法进行研究，介绍了并行滤波、序贯滤波以及数据压缩滤波3种融合处理算法，并从融合算法实现的计算量以及使用灵活性进行分析，试图寻找一种便于工程应用的算法。最后通过数据仿真，进一步验证了其分析结论的正确性，从而为工程中选择合适的融合算法奠定了一定的基础。

关键词：数据融合;并行滤波;序贯滤波;数据压缩滤波

0引言

多传感器信息融合系统与单传感器系统相比最大的优点是：增加了对目标的测量维数，提高了置信度；扩展了空间和时间的覆盖；提高了系统的容错性和稳定性；降低了对单个传感器的性能要求；提高了系统对环境的适应能力。因此，多模复合制导成为制导武器系统研制的发展方向之一。

在一般意义下，集中式结构对测量数据的利用最为充分，融合中心可以得到所有传感器传送来的原始数据，数据量最大、最完整，在同样的条件下跟踪精度最高，往往可以提供最优的融合性能。因此集中式结构是多模复合制导工程应用的重要实现方式之一[1～3]。缺点是对数据传输和同步的要求最高。

本文以工程应用为需求，针对多模复合制导中集中式系统，以雷达/红外双模制导方式为研究对象，试图从几种数据融合算法中寻找一种便于工程应用的算法[4-6]。

1算法介绍

在集中式结构中，首先按照对目标观测的时间先后对测量点迹进行时间融合，然后对各个传感器在同一时刻对同一目标的观测进行空间融合。下面给出3种集中式融合算法：并行滤波、序贯滤波和数据压缩滤波[7]。

1.1并行滤波

并行滤波[8]，又称为量测扩维，在集中式结构的融合算法中，融合中心相应于接收到的所有传感器量测的伪(广义)量测方程可以表示为

(1)

观测噪声的统计特性可表示为

(2)

式(2)为融合中心虚拟传感器的观测方程。上述处理方式是以线性观测为例，若观测方程为非线性形式，其处理方式相同。

1.2序贯滤波

假设雷达和红外传感器在同一时刻的量测噪声之间互不相关，则融合中心可以序贯对目标状态进行更新。由于雷达观测数据含距离和角度信息，红外传感器不能测距，因此雷达观测能保证可观测性，且所含目标信息更丰富，因此先对雷达观测进行处理，得到较精确的目标状态滤波值，这样对后续红外观测数据进行滤波是有益的。

(1) 预测

(3)

(2) 雷达观测量滤波更新(以线性卡尔曼滤波为例)

(4)

(3) 红外观测量滤波更新(以线性卡尔曼滤波为例)

(5)

(4) 融合中心最终的状态估计为

(6)

需要指出的是，(2)和(3)中，对雷达和红外滤波更新算法均以线性卡尔曼滤波器为例进行说明的，当然这里也可采用其他算法，尤其是观测非线性时，需要采用非线性滤波算法。

相关文献已经证明，在主被动雷达观测噪声不相关的前提条件下，序贯滤波结构的集中式融合结果与并行滤波结构的集中式融合结果具有相同的估计精度。

1.3数据压缩滤波

对于数据压缩方法，融合中心首先对观测数据融合处理，再对融合之后的数据进行滤波。

因为红外传感器只能对目标俯仰角和方位角进行测量，所以融合只对两个角度观测量进行，得到融合后伪观测，形式如下：

(7)

融合后，角度观测噪声，均值为0，方差形式为

(8)

上述角度融合方法，可以证明与加权最小二乘估计等价。

角度观测进行融合后，与雷达传感器其他的观测量进行组合，得到最后的观测方程，再进行滤波处理，这里不再赘述。

值得一提的是，相关文献已经证明，若雷达和红外传感器观测噪声不相关，并且观测矩阵具有相同形式，则基于以上数据压缩方法的融合跟踪滤波器与并行滤波结构的融合结果具有相同的滤波精度。

1.4算法分析

通过以上算法介绍可见，并行滤波法(量测扩维法)、序贯滤波法和数据压缩滤波法，这3种集中式融合跟踪算法在计算量和使用灵活性等方面各有所长[9]。

并行滤波法通过增大卡尔曼滤波器量测矢量的维数，然后进行更高维的滤波处理，从而综合估计目标的状态。这种方法对各传感器的量测方程形式没有任何要求，甚至当各传感器的量测误差相关时也能直接处理，因此在使用上最为灵活，但由于该方法引入了高维矩阵的乘法和求逆运算，因此其计算量较大。若各传感器观测噪声不相关，可将噪声方差阵的逆分解为低维矩阵求逆，通过信息滤波的形式降低计算量。

序贯滤波法首先对其中一个传感器观测进行标准的卡尔曼滤波，再把其他传感器量测滤波的外推时间设置为0，然后进行当前时刻目标状态的重复更新。对于N个不同传感器的量测集，该方法要经过N次递推滤波，在每次滤波过程中，滤波方程中对应的观测矩阵和量测误差协方差随着传感源的不同而自适应变化。序贯滤波法对各传感器的量测方程在形式上没有任何限制，但由于融合中心对每一批传感器观测都进行一次滤波处理，当单位时间内融合中心接收的传感器量测较多时，滤波器消耗的计算资源将很大。对于雷达和红外传感器融合跟踪中，只涉及雷达和红外2个传感器，该问题得到弱化。

数据压缩滤波法首先依据一定的准则实现多传感器数据压缩(或称为观测复合)，然后对压缩后数据进行滤波。数据压缩滤波法往往在灵活性上略显不足，如要求传感器观测矩阵具有相同的维数等附加条件，在本节的数据压缩方法中，要求雷达和红外观测矩阵完全相等。由于复合量测滤波法具有较小的计算量，因而具有更加广泛的应用前景。

2仿真分析

利用制导控制仿真平台进行算法验证，仿真平台结构组成如图1所示[10～12]。设置两传感器扫描周期为T=0.01 s，雷达距离、方位角和俯仰角观测噪声均方误差分别为σr=30 m，σb=0.2°和σe=0.2°，红外方位角和俯仰角观测噪声均方误差分别为σb=0.1°和σe=0.1°。导弹(传感器平台)位于坐标系原点，目标相对于导弹的速度为：vx=200 m/s,vy=50 m/s,vz=-200 m/s。假定过程噪声为零均值高斯噪声，过程噪声均方误差选为：σx=σy=σz=5。

仿真结果如图2～4所示，3种算法性能统计见表1。

通过仿真可见，不考虑运行效率的情况下3种融合算法性能相当，均能很好跟踪目标运动，估计误差较小，适于工程化应用。然而从单次运行时间看，数据压缩滤波算法明显具有优势。

图1　制导控制系统仿真平台Fig.1　Simulation platform for guidance and control system

图2　目标运动与估值轨迹图Fig.2　Target track and filtered result

图3　方位角平均误差曲线Fig.3　Curve of azimuth angle error

图4　俯仰角误差曲线Fig.4　Curve of elevation angle error

算法方位角均方误差俯仰角均方误差单次运行时间/s并行滤波 0.00300.00272.732序贯滤波 0.00290.00323.518数据压缩滤波0.00250.00282.307

3结束语

本文以多模复合制导为背景，对3种集中式数据融合算法进行研究，以寻找出一种适于工程应用的方法。通过对算法的分析以及数字仿真证明，在雷达和红外传感器观测噪声不相关的情况下，并行滤波、序贯滤波与数据压缩滤波3种处理方法对目标的跟踪效果均满足精度要求。然而从运算效率考虑，数据压缩方法中，具有较小的计算量，因而更适于工程化应用。

参考文献：

[1]何友,王国宏.多传感器信息融合及应用[M].北京:电子工业出版社,2000.

HE You,WANG Guo-hong. Multi-Sensor Information Fusion with Application[M].Beijing: Publishing House of Electronics Industry,2000.

[2]KREUCHER C, SHAPO B. Multitarget Detection and Tracking Using Multisensor Passive Acoustic Data[C]∥ IEEE Journal of Oceanic Engineering, 2009:205-218.

[3]杨万海.多传感器数据融合及其应用[M].西安:电子科技大学出版社,2004.

YANG Wan-hai. Multi-Sensor Data Fusion with Application[M].Xi′an:Xidian University Press,2004.

[4]MOBUS R, KOLBE B. Multi-Target Multi-Object Tracking, Sensor Fusion of Radar and Infrared[C]∥Proc. of IEEE Intelligent Vehicle Symposium, Parma, Italy, 2004：732-737.

[5]BLUM R S, KASSAM S A，POOR H V. Distributed Detection with Multiple Sensors: Part II-Advanced Topics[J], Proceedings of the IEEE,1997，85(1)：64-79.

[6]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.

ZHU Ze-jun,HUANG Tao,LIU Xi-xia,et al.Current Research Status and Its Development Direction of Multi-Sensor Data Fusion Technology[J]. Ship Electronic Engineering,2009,29(2):13-16.

[7]尹继豪,崔炳喆.雷达/红外数据融合的机动目标跟踪算法综述[J].航空兵器,2009,10(5):39-43.

YIN Ji-hao, CUI Bing-zhe.Radar/IR Data Fusion Algorithm for Maneuvering Target Tracking[J].Aero Weaponry,2009,10 (5):39-43.

[8]何勇,张必银.多传感器数据融合并行处理方法研究[J].舰船电子工程,2011,31(8):56-59.

HE Yong,ZHANG Bi-yin.Multi-Sensor Data Fusion Parallel Processing Method Research[J].Ship Electronic Engineering,2011, 31(8):56-59.

[9]廖惜春,丘敏,麦汉荣.基于参数估计的多传感器数据融合算法研究[J].传感技术学报,2007, 20(1):193-197.

LIAO Xi-chun,QIU Min,MAI Han-rong.The Study on Data Fusion Algorithms of Multi-Sensor Based on Parametor Estimation[J].Chinese Journal of Sensors and Actuators,2007, 20(1):193-197.

[10]白晶,徐毓,金宏斌.多传感器数据融合仿真系统的设计与实现[J].计算机测量与控制,2004,12(11) :1079-1081.

BAI Jing, XU Yu, JIN Hong-bin. Design of Multi-Sensor Data Fusion Simulation System[J].Computer Measurement & Control,2004,12(11):1079-1081.

[11]吕艳梅,王洪锋,孙江生.一种多传感器数据融合仿真平台的设计[J].电光与控制,2004,11(1):22-24.

LÜ Yan-mei,WANG Hong-feng,SUN Jiang-sheng.The Design of Multisensory Data Fusion Simulation Platform[J].Electronic Optics & Control, 2004,11(1) :22-24.

[12]惠黎明.传感器数据融合仿真测试平台的设计与实现[J].电子科技,2014,27(5):103-106.

HUI Li-ming.Design of a Multi-Sensor Data Fusion Simulation System[J].Electronic Sci. & Tech, 2014, 27(5):103-106.

Analysis of Centralized Data Fusion Algorithm Based on Multi-Mode Composite Guidance

HE Jin-gang，ZHANG Wan-li

(China Airborne Missile Academy，Henan Luoyang 471009，China)

Abstract:The environment of battlefield is very complicated in the future. Compared with single mode guidance strategy, multi-mode composite guidance has the advantages of guidance strategy compensation, detection capability improvement, anti-stealth, anti-jamming, all-weather adaptation and so on, which becomes the trend of modern guidance weapons. The centralized data fusion algorithm, parallel filtering, sequential filtering and data reduction filtering algorithm are introduced and related analysis is carried on from the calculation magnitude and flexibility of use, aiming to find a algorithm which is convenient for engineering applications. A numerical simulation has validated the correctness of conclusion and established some foundation of a comfortable data fusion algorithm in the engineering.

Key words:data fusion;parallel filtering;sequential filtering;data reduction filtering

中图分类号：TJ765.3

文献标志码：A

文章编号：1009-086X(2015)-05-0083-05

doi:10.3969/j.issn.1009-086x.2015.05.014

通信地址：471009河南省洛阳市解放路166号030信箱转5分箱E-mail：190047018@qq.com

基金项目：有

作者简介：何金刚(1983-)，男，河南洛阳人。工程师，硕士，研究方向为制导控制系统设计。

*收稿日期：2014-06-08；修回日期：2014-10-09