基于数学模型的气动力数据融合研究

气动力误差来源复杂,气动力真值通常未知,气动力误差传递数学模型的建立非常困难,因此直接将信息融合技术应用于气动力数据融合目前还不可行。迄今为止,未见气动力数据融合的公开报道。本文首次提出了基于数学模型的气动力数据融合准则和方法。首先建立反映气动数据变化规律的数学模型,然后基于气动力数学模型,根据无论计算数据、风洞实验数据、还是飞行试验数据都必须满足气动力变化规律的原则,以气动力数据满足气动力变化规律的程度为依据,建立气动力数据融合准则和融合方法。算例表明,所建立的融合准则和方法是可行的。     

时空关联多跟踪剔除的多源数据融合方法

随着网络信息共享技术的深入发展,多源异构数据将是未来数据融合的主要信息源,这种数据融合表现出跨平台、跨军种、跨领域等特征,对多源异构数据关联与融合提出了新要求。针对特定场景敏感区域内有限多目标的探测问题,结合一体化作战数据融合的数据滤波、空时配准、航迹关联与建立、多目标跟踪等方面,提出了时空关联多跟踪剔除的数据融合方法,并从数据滤波、航迹关联与融合、时空关联多跟踪剔除以及融合数据“簇”等方面重点研究了所提出的数据融合方法。距离波门拖引干扰和牵引干扰的对抗仿真试验表明,所提方法具有一定应用价值。     

基于贝叶斯框架的旋翼气动力数据融合

由于气动环境的复杂性,旋翼在气动评估中存在较多不确定性且对旋翼性能影响较大。当前旋翼气动评估方法不能考虑气动数据不确定性,本文将数据融合技术应用于旋翼气动预测以在记及某些不确定因素影响的条件下,获得具有更高可信度的气动力分布及置信区间,为进一步开展旋翼气动数据的不确定度分析及工程应用奠定基础。基于不同来源的气动力数据均为正态分布的独立随机变量这一假设,将分布气动数据和测量值之间的关系作为融合准则,以实现最佳匹配测量值为目标,采用贝叶斯估计求解融合数据的最大后验概率分布,从而构建一种基于贝叶斯框架的气动数据融合方法。以UH-60A旋翼及Caradonna-Tung旋翼为例,采用所提方法进行不同来源气动数据的融合,对融合结果的估计方差与预测误差进行对比分析。结果表明,首先,所提方法对于输入数据的来源无特殊要求,能够给出融合结果的置信区间并降低不同来源数据的估计方差,基于此结果后续可进行不确定度分析与研究;其次,融合所得结果并不局限于不同来源数据之间,扩大了数据覆盖范围;最后,融合所得结果相比于单一数据来源更符合物理规律。     

一种基于结构信息的数据融合方法

从基于结构信息的角度,提出了一个解决某类工程的数据融合方法.通过构建三角形模型,分析其缺陷,进而提出了一种全新的最优化模型.从分析函数的性质入手,指出了一种适应该类模型的无约束非线性泛函极值的工程求解方法.     

一种非规则采样航空时序数据异常检测方法

航天器遥测数据的实时异常检测对于航天任务具有重要意义。以往方法大都考虑规则采样且缺失率较低的时序数据,然而航空时序数据具有维度大、噪声多、缺失率高、采样间隔不规则等特点,因此异常检测任务较为困难。针对非规则采样且具有缺失值的多维航空时序数据提出非规则采样多维时序数据异常检测（IMAD）算法。首先,采用带有可训练迟滞项的门控循环单元（GRU-D）对缺失值和非规则采样的时序数据进行建模;然后,采用变分自编码器建立随机性模型,学习正常时序数据的分布,从而对噪声数据具有鲁棒性;最后,利用基于极值理论的自适应阈值确定法确定合适阈值进行异常检测。结果显示,在两个真实航空时序数据集上,IMAD具有超出当前最新异常检测算法的性能;多个实验表明,IMAD在缺失率、参数以及数据集变化时,能够维持较好的异常检测效果,具有较强的鲁棒性。     

联合交互式多模型概率数据关联算法

通过对交互式多模型（IMM）算法和概率数据关联（PDA）算法的研究,指出Bar-Shalom和Blom等提出的IMMPDA算法结构和理论上存在的问题。根据全局最优的思想,设计了一个最优波门,从而得到全局最优的量测集合,保证了系统的理论完整性和结构合理性。推导完成了新的联合IMMPDA算法--C-IMMP-DA算法。大量仿真计算验证了C-IMMPDA算法在减少计算量的同时,总体性能上较之原IMMPDA算法有大幅度提高。     

基于数据关联的故障快速检测

 多数情况下,快速实时地进行故障检测是很重要的。将故障看做是通过多传感器观测的动态模型,进行多传感器多模型概率数据关联,以各个模型的关联结果和设定的阈值为依据,可以有效地实现故障检测。联合概率数据关联（JPDA）算法是解决多传感器多目标跟踪的一个有效方法,文中通过分析概率数据关联算法,对联合概率数据关联算法进行了改进：（1）通过正确地选择阈值,移除小概率事件,进而建立一个近似的确认矩阵;（2）根据被跟踪目标故障跟踪门的相交情况,将跟踪空间进行数学划分,形成若干相互独立的区域;（3）对同一区域内公共有效量测的概率密度值进行衰减,计算出关联概率。仿真对比表明,本文的改进算法能显著减少计算时间,有效提高故障检测的快速性和实时性。     

采样时间序列的故障数据检测与滑动容错滤波

在导出采样时间序列数据滑动LS滤波的基础上，本文建立了了组简洁的故障数据检测与修复算法，地故障数据修复与滤波估计相结合，构造了对突发性故障数据有良好容错能力的滑动容错滤波算法。仿计算证实，该方法有效、可靠。     

基于多维数据关联的舰载机联合目标判别技术

文章提出了一种基于多层空间侦察数据关联的舰载机联合目标判别技术,介绍了基于最小二乘的位置收敛算法和基于多维度联合的目标判别算法,分析了该技术在满足舰载机电子装备硬件条件下的可实现性。该项技术为舰载机有效利用多源战术情报、实时保障多种行动提供了一种新的思路和技术解决方案。     

基于运动目标的机载多源传感器数据融合算法

在机载信息融合领域,针对复杂的战场态势环境对机载多源传感器造成的不利影响,提出了一种基于运动目标的机载多源传感器数据融合算法,包括误差估计与补偿、目标关联、估计融合3个部分。采用最小均方误差参数估计方法从数值不变的系统误差中,定量获取量测偏差的确定性部分再通过模糊隶属度函数建立关联矩阵作为目标关联的依据,以最小隶属关系为约束,利用拍卖算法求得多目标关联的最优匹配方案,最后通过IMM 自适应滤波方法,将误差配准与目标航迹估计整合进行,有效提高滤波的精度。仿真结果表明,经过上述算法处理后的融合目标精度高于任意单传感器目标探测精度。     

基于联邦UKF的多源测控数据融合处理方法

为确保载人航天上升段测控实时外弹道跟踪的精度和可靠性,针对目前测控资源冗余、测量信息利用率低的缺点,结合航天测控的特点提出基于联邦UKF(无迹卡尔曼滤波)的测控数据融合处理方法,并对需要解决的关键技术问题进行了分析。仿真结果表明:采用基于联邦UKF的数据融合方法,外弹道实时跟踪精度提高约30%,解决了弹道优选方法存在阶跳的问题,算法的收敛速度可以满足实时导引的要求。     

机载多传感器数据融合模型和算法分析

主要描述了数据融合的功能模型、结构模型和数学模型,并介绍了几种常用的融合算法．     

航空声纳浮标定位的数据融合方法研究

声纳浮标由于受到多种随机因素的干扰,定位精度相差很大,在对具有一定散布海域的潜艇目标进行探测时,往往会投放多枚定位浮标,出现数据冗余的现象。针对这一问题,本文提出了浮标定位算法中的一种数据融合算法;并分析了加权融合和非线性最小二乘数据融合的方法,最后通过仿真验证了这种算法的有效性和可行性。     

基于灰色理论的一种数据融合方法

在灰色关联分析的基础上,对斜关联度进行了修正,引出了点、斜修正关联度分析的概念.通过对影响目标属性识别的各种因素进行分析,结合战术思想利用灰色点、斜修正关联度分析及多目标优化方法建立了数据融合模型,提出了一种基于灰色理论的多传感器数据融合方法.计算多传感器测量数据的灰色关联矩阵,进行灰色优势分析,然后进行数据融合.此方法考虑了各传感器测量数据的精确度,而且删除掉了测量比较差或测量不到的数据.仿真结果表明,应用该方法可进一步提高多传感器的测量精度和可靠性,适用于多传感器的数据融合.     

基于一致关联数最大化的航迹关联算法

航迹关联(TTTA)是多传感器数据融合系统的核心模块之一,是系统误差估计和航迹融合的前提和基础。传感器存在的固有系统误差使得目标位置状态估计与真值发生偏离,容易诱发TTTA错误。传统的基于全局最小距离准则的TTTA算法,需要获得较高精度的系统误差估计,来对航迹数据进行误差补偿。针对传感器具有系统误差环境下的TTTA问题,在对TTTA进行间接评估的基础上,定义了一致关联数的概念,提出了一致关联数最大化的TTTA准则,并在稳健交替迭代的框架下完成算法设计。与距离函数不同,一致关联数是一个离散量,放松了对系统误差估计精度的要求。最后,仿真实验验证了所提算法的有效性。     

一种基于最小二乘拟合的数据关联算法

针对点航关联在多目标跟踪中精度与实时性难兼顾的问题,提出了一种基于最小二乘拟合的点航关联算法。首先采用滑窗将历史航迹截断,采用最小二乘法在不同维度分别拟合、外推融合航迹历史信息条件下的航迹点,增加外推点的多样性及信息量。同时定义了5种全概率关联事件,提取传统滤波方法的预测点,将拟合外推点与滤波预测点融合,使归属判决更加准确。最后分别推导了不同事件发生时的状态更新方程与误差协方差更新方程,给出了其中参数的确定方法。经仿真数据验证,与经典的最近邻域法和联合概率数据互联算法相比,所提算法能够更好地兼顾精度与实时性,且计算复杂度较低,易于工程实现。     

基于物理信息神经网络的气动数据融合方法

为了解决训练传统深度神经网络对大数据的依赖问题,气动数据中包含的物理结构信息需要被充分利用。物理信息神经网络（physics-informed neural network, PINN）是一种非监督的学习算法,采用深度神经网络直接逼近流场偏微分方程的解,因此适用于气动数据的建模。然而训练PINN时,损失函数反映的是抽样点处神经网络所拟合的偏微分方程值的偏差,对于复杂的非线性偏微分方程,这一偏差不能准确反映神经网络所拟合的函数与微分方程解函数的偏差,而且用神经网络拟合初始条件和边界条件时,不可避免存在拟合误差,误差随空间和时间累计,这使PINN的建模精度相比传统的模型没有优势。为了解决这些问题,本文把PINN与流场的计算流体动力学（Computational Fluid Dynamics, CFD）仿真结果进行融合,在流场抽样点处的损失函数中增加了PINN在该点的输出与流场在该点的CFD值偏差,从而提高了神经网络的建模精度。根据CFD仿真时使用的模型,融合方式采用瞬时模式或时均模式。测试结果表明该方法能够有效提高PINN的建模精度。     

基于专家打分的多源可靠性数据融合方法

概述了多源可靠性数据的融合方法,说明了加权法应用于可靠性数据融合的必要性.将层次分析法应用于确定加权融合法中各个数据源的权重,并初步确定了影响可靠性数据源融合权重的因素.引入了合适的不一致性矩阵处理方法,避免了反复打分的繁琐.最后,给出了应用实例.     

基于改进的UPF雷达组网数据融合方法

传统粒子滤波方法(PF)中,粒子权值仅参考当前观测值,由于观测随机误差的影响,降低了粒子权值的准确性。本文提出一种新的粒子权值确定方法,利用目标运动方程向后外推目标状态,综合利用外推的目标状态以及历史观测数据,降低了观测随机误差的影响,改进了粒子权值的准确性,从而提高了粒子滤波性能。采用改进的粒子滤波方法处理多雷达测量数据,仿真结果表明,改进的粒子滤波方法可以很好地实现多雷达测量数据的融合处理,提高了目标外弹道定位精度,可以应用在飞行器跟踪测量的数据融合处理中。     

多传感器数据融合技术飞行试验方法研究

多传感器数据融合技术正在逐步应用到飞行器航电系统中,新的设计理念和制造技术的出现也给航电系统的飞行试验带来了难度和挑战。本文分析了数据融合技术的作战应用,在此基础上,建立了数据融合技术评价指标,设计了基本的试飞方法,为将来先进航电系统的试飞建立了理论基础。