内容键要:论文将数据融合技术用于海图作业标绘台的设计，解决了海图作业标绘台实时标绘本舰和多目标航迹从而进行态势估计。文中对海图作业标绘台发展状况进行了简单介绍，并介绍了数据融合技术的应用背景、常用算法及研究内容，设计了相关模型，并具体论述了多目标检测和多目标跟踪技术在海图作业标绘台中应用。

关键词:海图作业标绘台 数据融合 多传感器

海图作业标绘台是舰船导航系统和战斗航海系统中的主要配套设备之一，既有图纸式海图绘图，又有电子海图显示。它既有传统绘图的特点，又有现代新型电子显示直观、清晰的特点。其主要用途是根据多种传感器(如惯性导航系统、北斗系统、GPS、劳兰C、雷达)提供的信息，以及其它的导航设备提供的信息，在海图上自动连续地绘制出船舶航行的航迹并作出标记。海图作业标绘台的应用，不仅具有重要的军事作用，而且因为海图作业标绘台的所绘制航线的导航和战场态势估计功能，使航海人员非常直观的了解到己船位置和他船位置，以便于实施战术机动和进行军事打击。

目前，我国研制的海图作业标绘台绘制单目标航迹已较成熟，但实时绘制多目标航迹还未实现，其相关理论和技术方面的文献还不多，在国内至今尚未见到有文献将数据融合技术应用到海图作业标绘台。论文提出了数据融合技术在海图作业标绘台信息处理中的应用研究，实时处理来自多传感器的信息，进行多目标检测、分类及跟踪，对分析战场态势和战术机动具有重要意义。

1数据融合应用描述

数据融合最早出现于上世纪70年代，并作为一门独立的技术在军事领域受到了特别的青睐。在现代军事C3I(指挥、控制、通讯与情报)作战系统中，目标的机动性和武器杀伤力增强，要求尽早地探测和识别目标，以实现尽量长的预警时间。由于威胁平台的多样化和密集型，较低的可观测性(即隐蔽性)以及目标对抗措施的先进性，使得单传感器提供的信息无法满足作战要求，必须对多传感器提供的观测数据进行数据融合处理，获取目标状态估计、目标属性、行为意图、态势评估、威胁分析、火力控制、精确制导、电子对抗、作战模拟、辅助决策等作战信息。为了更好地进行战场数字化建设，解决我军、友军和敌军战场态势信息的获取、处理、存储、管理与发布，因此将多传感器数据融合应用到海图作业标绘台的设计中具有重要意义。

2数据融合算法

数据融合中心的融合方法从理论上可分为随机类方法和人工智能技术方法其算法主要有四种:

(1)基于模型的数据融合算法(如基于kalman滤波，包括标准Kalman滤波、扩展kalman滤波以及模糊kalman滤波等)。主要以估计理论为基础，首先建立融合对象的状态空间模型，然后利用各类估计理论的方法进行估计以完成数据融合的任务。

(2)基于统计理论的数据融合算法(如Bayesian)。以统计理论为基础通过反复迭代运算以实现融合。

(3)基于知识的人工智能方法(小波分析理论、模糊集合理论、神经网络、粗集理论和支持向量机等)。以产生式规则为理论基础产生式规则可用符号表示物体特征和相应的传感器信息之间的关系。

(4)基于信息理论的融合算法。以近几年发展起来的信息理论为基础具有较高的智能化程度。

常用的数据融合方法及特性如表1所示。通常所用的方法依具体的应用而定并且各种方法之间具有互补性。实际上将两种或两种以上的算法组合进行多传感器数据融合。

表1常用的数据融合算法比较

3海图作业标绘台的数据融合方案的设计

数据融合的功能模型可以分为两级:第一级主要进行信息处理，得到数值结果(如:位置、速度、目标类型等);。第二级主要进行符号处理，得到更抽象的结果(如:威胁、趋势、目的等)。探测、关联、估计和分类功能构成了数据融合的核心。具体的说:多传感器的数据融合系统必须具有以下的主要功能:传感器信息协调管理;多传感器数据优化合成;多传感器协调管理。

海图作业标绘台利用多传感器(惯导系统、雷达、声呐、北斗、GPS、浮标)，信息涉及多级别、多方面、多层次信息的检测、关联、估计、综合，并获取目标状态与特征估计以及态势和威胁评估的多级自动处理过程。利用计算机获取多个传感器数据并在一定的条件下加以自动分析、综合，以完成所需的估计和决策，进行信息处理，从而给指战员提供决策信息。

系统融合中心部分采用的是分布式融合处理的系统模式，在系统中每一个传感器基于自己的局域探测独立地完成决策任务这些被处理过的局域信息送到融合中心构成融合中心的观察向量。

U=(u1，u2，…un) (1)

4目标检测的数据融合

战场目标识别的准确与及时，对后面的势态评估和威胁估计有重要的意义，也是在战争中取胜的关键。

随着现代战争的发展，如安静型潜艇的出现，给水下目标探测提出了新的挑战也使该课题仍是研究的一个热点。虽然多传感器融合检测技术已经较为成熟，但是，将这种技术应用于海上环境的文献较少，国内的一些学者尝试性地借鉴了已有的融合检测技术用来探测水面和水下目标信号。检测系统一般采用分布式的融合机制，即各传感器基于自己的观测值，对目标存在与否进行判决，而后，将判决结果送至融合中心。在融合中心，按照Neyman-Pearson准则，将N个局部判决结果进行融合，即

(2)

式中:u为融合之后的全局判决结果;t为系统门限值;g为随机化因子常量;L(u)为似然比函数。

当d(u)=1时判决目标出现，否则，目标未出现。相对于这种硬判决方法，随后发展了一种软判决方法，即将各传感器的判决进行加权运算，权值的大小由该传感器的“可信度”决定。

这种分布式检测融合机制由于不需要将每个传感器的原始测量数据传输至融合中心，而只传送判决结果，所以，可以在很大程度上降低系统的通信压力，减小了融合中心的计算负荷，提高了系统的运作效率。但是，也应该看到，由于假设每个传感器的测量值是独立的，即每个传感器只基于自身的测量值得到判决，而不考虑与其他传感器的相关性系统未能有效地利用各传感器的信息，这样，可能会增大系统误差。

5目标跟踪的数据融合

目标跟踪技术中的融合问题，最关键步骤是数据关联，即确定哪些测量值用来更新各个轨迹，同时，舍弃其余的测量值。用于数据关联的方法很多，大体上可以分为几类:一类是基于kalman滤波关联方法，主要包括概率数据关联(Probabilistic Data Association，PDA)和联合概率数据关联(Joint Probabilistic Data Association，JPDA)等;另一类为多元假设跟踪(Multiple Hypothesis Tracking)方法，该类方法被视作理论上解决多目标跟踪的最好方法;最后一类为相互作用多元模型方法(Interacting Multiple Model)，适用于目标运动有多种模式的情况。但是，后两类方法都需要大量的运算，因而，应用中受到局限。这里，仅介绍基于Kalman滤波的数据关联方法。PDA是→种经典的数据关联方法，在杂波环境下仍具有很好的跟踪性能，后来的许多方法都是以该方法为基础的。首先，给出假设模型

X(k)=F（k，k-1)X(k-1)+U(k-1)        (3)

Z(k)=H(k)X(k-1)+W(k-1) (4)

方程(3)为目标状态模型，X(k)为系统在时刻k时的状态，F(k，k-1)为前后两时刻的转换矩阵。方程(4)为测量模型;H(k)为观测矩阵。这里，U(k)和W(k)是相互独立的零均值白噪声序列，并且，方差已知。目标状态的更新由下式得到

（5）

（6）

（7）

式中: 为目标的预测状态; 为根据当前测量值得到的更新状态;K(k)为系统的kalman增益;V(k)为联合残差bj为第j个有效测量来源舌-目标的概率;Vj为每个测量值与估计值的残差。

由于PDA方法利用了所有的可能测量值，所以，精度较高，但仅适用于单个目标跟踪的情况，随后产生的JPDA则可以解决多个目标的跟踪问题。JPDA的基本思想与PDA相似，不同之处在于它令轨迹i与观测值j关联的概率等于所有联合事件q(k)的概率和

（8）

式中: 为一个二元变量，表明联合事件。q(k)中是否包含轨迹i与观测值j关联的信息。

基于标准JPDA方法，又产生了一系列改进方法，如去藕JPDA、模糊数据关联等，都能在一定程度上提高跟踪效率，降低计算量。另外，多种关联方法联合运用，如相互作用多元模型方法与JPDA滤波器的联合，也有望提高跟踪精度和效率。

6结束语

数据融合技术在海图作业标绘台信息处理中作用越来越重要。发达国家在这方面的投入很大，水平较高，我国起步较晚，又因系统结构复杂，目前的研究成果还只是一个算法框架，需要结合实际应用背景作进一步深入研究。因此，要加大投入，刻苦钻研，以迅速提高我们的水平。

作者：孟凡彬 郝燕玲 周卫东  来源：航海技术