飞行器外测数据实时处理关键算法探讨*

2011-12-10赵希晶项树林

弹箭与制导学报 2011年5期

关键词：门限数据处理滤波

赵希晶，项树林

（91550部队，辽宁大连 116023）

0 引言

飞行器测控跟踪过程中，实时外测数据是判断目标飞行态势和轨迹显示的重要信息源，同时由于外测数据独立于目标本身，不易受到目标自身问题影响，更具有客观性，因此，也是实施控制的重要依据。

根据具体目标的不同，外测数据处理的内容也不尽相同，但是在算法设计和结构控制上都要本着稳定、高精度输出的实时数据处理原则。

文中主要针对飞行器跟踪实时数据处理技术展开研究，结合工程经验，分析了核心数据处理算法和改进措施，并探讨了今后的主要发展方向。

1 外测实时数据处理简介

1.1 数据处理流程

飞行目标的实时外测数据处理主要流程如图1所示。

其中，对数据处理结果产生较大影响的主要包括以下几个方面：信息组合优选、数据检择和数字滤波，文中也主要针对这几项处理技术展开探讨。

图1 数据处理流程图

1.2 制约条件

选择什么样的处理算法和方式，受到中心计算系统的容量、速度、设备空间结构关系、精度指标等综合因素的制约，而单纯从数学意义上讲，决定实时数据处理效果的主要有3个因素：测量设备精度、布站几何和数据处理方法的选择。在相同的设备和布站条件下，采用不同的数据处理方法和处理流程，得到的测量数据结果精度可能相差很多[1]。

这就要求建模人员必须综合考虑各种因素，合理设计算法和流程。

2 主要数据处理技术

2.1 测量方案选优

测控系统中定义能够独立定位和测速的一台或者几台设备组合为一个测量方案，一个测量方案的精度就决定了一个数据源的精度。由于布站几何的关系，理论测量精度是一个动态变化的过程，因此要重点考虑主要测量段落上的轨迹精度。除了精度因素外，设备的工作稳定性、服役时间等因素也是重要的参考指标。在综合考虑各种条件后，技术人员制定出方案优选表，装订中心计算系统中，方案优选表直接决定了实时中的数据源数目和方案输出顺序。

工程上，根据控制方式不同，方案优选表又可以分为两种：

1）固定优先级方案表

这种控制方式的方案表优先级完全固定，程序自动进行判断选择输出哪一个测量方案。理论上，如果第一测量方案一直稳定跟踪，则整个轨迹解算过程将完全由第一优先级的测量方案完成。固定优先级方案表输出过程如图2所示。

图2 固定优先级方案输流程图

固定优先级方案优选表的特点是不需要人工干预，自动切换输出。实际应用中存在缺陷是：由于工作环境限制，实际设备状态和测量效果未必和理论上的一致，如果设备没有达到理想的工作状态，而该设备参与解算的测量方案优先级又较高，这就会导致实际方案选择的失败。因此，这种控制方式缺乏必要的灵活性。

2）动态调整优先级方案表

针对固定优先级方案表存在的缺陷，实时中可以采用有一定交互调整能力的动态优选方案技术。这种技术以固定优先级的方案表为基础，加入人工判断，如果判断某个低优先级方案输出数据会比当前方案数据输出效果会更好，可以直接通过设置控制指令，强制输出该方案，取代原有方案。如果调整后的方案不能满足输出条件，则优选程序自动按照当前满足条件测量方案排序顺序输出。

动态调整优先级方案表，部分实现了人－机结合功能，能够对实时轨迹解算方案进行干预，因此在工程上具有较高应用价值。

2.2 异常值的识别和处理

测量数据中存在异常值严重影响数据处理精度，同时，异常值也对多种数字滤波算法产生干扰，导致数字滤波器长时间不能收敛。因此，实时数据处理中要尽可能的剔除异常值或者降低异常值对轨迹解算结果的影响。

异常值概括起来有两种类型：一是孤立型异常值，即在某个时刻采样得到的测量值是异常值，但在该时刻的邻域内没有异常值；二是斑点型异常值，即在某一采样区间内，连续出现多个异常值[2]。对于第一类异常值，目前实时中主要应用差分方法、基于最小二乘的多项式拟合等方法来处理，均能达到比较好的纠正效果。较难处理的是斑点型异常值，由于这类异常值存在时间相关性，而上述常规检择算法如最小二乘算法等都是基于外推，局部性明显，导致实时中对斑点型异常值的识别和处理效果不理想。工程上容易出现的现象是，算法未能正确识别和处理掉斑点型异常数据，反而将附近的正常数据拉偏，导致整个段落的数据检择失败[3]。

2.2.2 改进措施

针对斑点型异常数据的特点，工程上采用的一种解决方法是横向比对法。横向比对法对同一测量周期的多个通道原始数据进行横向比对，通过坐标基准转换，建立多个独立信息源数据之间的关联，避开了单一通道数据识别的局限性。该方法可有效提高对斑点型异常值识别概率，局限性是该方法需要多个信息源作支持，信息源较少则识别能力大大减弱。

另外一种可行方法是采用基于轨迹参数的检择方法：利用当前时刻的轨迹参数，预测下一时刻轨迹参数，再反算到设备测元上，进行作差计算。

基于轨迹参数的方法不仅考虑了测元的时序相关性，还考虑了信号的真实性。如果所有测元只有随机误差，显然这种方法对于异常值的识别要大大优于单测元数据检择方法。如果某测元存在较大的系统误差（斑点型异常值可以看作是一种系统误差），该测元也参加了轨迹参数的解算，则将拉偏轨迹；若该测元未参加轨迹参数的解算，则其残差历史数据会体现出强烈的趋势项，可以利用该信息实时的扣除该测元上较大的系统误差。因此，该方法对具有时序相关性的斑点型异常值具有很好的识别能力，弱点是必须提供较高精度的轨迹参数，才能保证高识别概率。

2.2.3 门限值确定

1）固定门限法

要判断人工智能创作有无自然人作者介入，首先需要了解自然人干预人工智能的方式。虽然人工智能创作过程是完全自动的，人工智能程序一旦开始运行人就无法介入其中，但人工干预对于人工智能创作并非无关紧要。人工智能业界的一句戏言“有多少人工，就有多少智能”在某种程度上反映了人工干预对于人工智能创作的影响程度。一般来说，自然人对人工智能创作的人工干预主要集中在三个方面：

固定门限根据工程上著名的“3σ”准则确定，实际应用中，为了保证多信息源的可靠输出，门限一般在3倍误差均方差的基础上进一步放大。固定门限的方法设置比较简单，应用广泛。但是由于实时数据误差的复杂性，理想的正态分布并不存在，而且误差方差也不是一个固定的值，这就导致很难直接对固定门限值进行量化处理：门限过大，导致实时数据质量下降；门限过小，又容易造成方案切换，不利于数据的稳定输出。

2）动态门限法

工程上，噪声一般是非平稳的，如雷达测量噪声随仰角增大而降低。取固定门限，在误差大的测量段落将增加虚警概率，即将大量真信号误判为野值，导致数据处理软件出现大量重新初始化。同时，测量误差的动态变化也要求根据测量状态自适应地给出门限。

动态门限基本思路是根据滑动窗口数据进行统计，实时变动门限值，根据当前时刻以前一定长度窗口内的数据（预报与实测数据的残差或差分）实时统计数据误差的方差，以该均方差的3～5倍作为当前时刻的门限。

设有等间隔的测量数据序列｛ui；（i＝1，2，…，n）｝，对应的预测序列为，则预测残差序列为当无异常测值时满足Δui～N（0，σ2）。

根据样本方差公式有：

自适应确定门限的方法较为精确、稳健，检测效率高，逐渐成为高精度异常值识别的主要算法。

2.3 滤波降噪技术

2.3.1 Kalman数字滤波

测量数据不可避免的带有随机误差，有时候随机误差虽然没有超过门限，但是直接使用原始数据，仍然难以取得满意的数据精度。数字滤波技术能够进一步压缩或者减小高频误差，输出相对平滑更能体现目标运动趋势的数据。Kalman滤波具有数据积累少，运算速度快的特点，因此，在信号处理领域得到了广泛的应用。在飞行器测控中由于特定飞行目标控制过程复杂，很难直接给出能够满足全程跟踪运行的精确目标状态方程，同时，限于早期计算能力，也无法直接应用涉及大量矩阵运算的标准Kalman滤波。因此，实时中一直应用的是其简化形式即常增益Kalman滤波，其基本原理是：目标作匀加速运动的模型假设下，标准Kalman递推多步后，增益矩阵K将趋于常数阵，可以直接采用下面两个公式进行递推运算（符号含义见文献[3]）：

实时数据处理中，通常直接通过仿真确定一组固定的增益值K进行递推运算。常增益滤波器本质上是一个稳态滤波器，而滤波器的启动是一个瞬态过程，需要对初始增益进行补偿。为了简化处理过程，外测处理中初始段的滤波数据不进行输出，待状态稳定后，再进行滤波输出，稳定时间段一般应控制在2s以内。

2.3.2 并行滤波处理流程

多个测量方案并存的情况下，理论上可以得到多个轨迹，目前普遍采用的处理模式是只计算一条轨迹的策略，测量中出现数据缺失，测量方案顺序进行递补。这样处理的方式实现起来容易，计算量小，也能保证轨迹的完整性，不足点在于：

1）各类方案精度不同，导致形成轨迹的精度差异非常明显，方案切换之间台阶现象明显；

2）在测量设备状态不稳、测量方案频繁切换情况下，进入滤波系统的轨迹参数是一个多信息源、不等精度方差的混和形式，导致滤波系统功能受到影响，甚至导致发散。

为了克服上述不足，可以采用并行的数据处理方式，即多个测量方案同时进行解算，设置多个逻辑滤波器进行分别滤波，每个测量周期内形成多个轨迹。由于测量数据前后趋势之间具有相关性，更容易实现滤波系统的稳定运行，同时各个测量设备数据相互之间独立运行，增加了数据源选择的灵活性。

3 实时数据处理的发展

伴随着计算机软硬件技术的发展和目标跟踪控制要求的提高，对实时外测数据处理能力也提出了更高的要求，采用更加先进的数据处理技术成为必然。从当前实时处理中面对的目标运动特性、系统计算能力等方面考虑，当前研究侧重点是开发适合实时处理要求的数据融合和高精度数字滤波应用技术。

3.1 数据融合技术

大型测控系统是一个典型的多传感器系统，各外测设备按照时间统一信号控制，周期性的将数据传输到计算中心。计算中心利用融合手段，可以提供高精度、高可靠性的目标识别信息、轨迹信息和显示信息等实时参数。

根据传感器和融合中心信息流的关系，数据融合的结构按照位置融合抽象层次可以分为三类：

1）集中式（中心级）：将原始数据送到融合中心；

2）分布式（传感器级）：将处理后的数据送到融合中心；

3）混合结构：集中式／分布式的结合。

其中，集中式结构具有最高的融合精度，但传感器与中心机间的数据传输量大，对中心的计算能力要求也较高；分布式结构由于部分融合可以在传感器部分完成，计算量减少，但不如集中式结构的精度高；混合式结构通过中心计算机保证融合精度，通过传感器的部分融合保证及时性。这也是目前较先进的融合结构[5]。

从拓扑结构上看，外测系统设备之间不发生数据联系，且计算能力有限，而中心计算系统功能强大，因此，采用集中式的融合结构体系是目前最为可行的方式。

理论上，参与融合的设备数量越多，融合结果精度也越高。但是，考虑到融合的处理难度和实时性，以分类局部的方式进行数据融合最为可行：即对数据源进行分类，实现数据源分组、分层次进行数据融合，分多个优先级输出。每一类设备作为一个融合对象，形成几个融合模块。由于参与设备数量少，处理过程相似，算法成熟，更容易实现较高精度的融合计算，真正做到全系统、高精度的大融合还需要进一步在算法设计、误差修正、传输通道、程序结构控制等方面做研究。

3.2 高精度数字滤波技术

常增益数字滤波器结构简单，容易实现，但是由于其本身结构特点，使其对具有一定机动能力目标的跟踪能力较差，很难满足不断提高的实时数据处理要求，开发高精度的Kalman滤波技术已是必然趋势。

高精度Kalman滤波关键是建立真实性更高的状态方程模型。近年来，国内有学者提出基于机动目标跟踪模型，建立测控目标的状态跟踪方程[5]，这为高精度Kalman滤波技术的应用提供了条件。目前，机动目标跟踪模型已经有很多种成熟的结果，其中，我国学者周宏仁提出的“当前”统计模型是最具有典型意义的机动目标跟踪模型。该模型认为目标的下一时刻加速度在“当前”加速度的领域内，可以利用修正的瑞利分布描述机动加速度分布概率，而不必考虑各种机动情况，从而利用运动学方程去逼近动力学方程。该模型本质上是非零均值时间相关模型，可以看作是对singer模型的改进。理论上已经证明该方法在测控数据处理中应用是可行的。

随着技术条件的成熟，一些高精度的数字滤波技术如无迹卡尔曼滤波器（UKF）、粒子滤波器（PF）、无迹粒子滤波器（UPF）等也相继进入了外测跟踪应用探讨阶段，测控领域的一些学者已经在这方面做了一些有益的尝试。如果这些先进的数字滤波技术结合状态方程模型改进，进一步提高算法的实时性，完善机动频率等实时参数的选取，实现实时数据处理中的高精度数字滤波是完全可行的。