兵工自动化 ・２８・ ２０１０。Ｏ８ Ｏｒｄｎａｎｃｅ Ｉｎｄｕｓｔｒｙ Ａｕｔｏｍａｔｉｏｎ ２９（８） 基于神经网络的多平台多目标位置数据融合 盖世昌 ，许腾０，侯博 （１．海军指挥学院研究生１队，江苏南京２１００１６；２．海军指挥学院合同战术教研室，江苏南京２１００１６） 摘要：针对传统的直接加权融合算法的缺点，对多平台多目标位置数据融合进行研究。通过设计基于ＢＰ神经 网络的统计加权算法，建立数据融合模型。并以２个观测平台为例，进行１分钟之内的目标航迹数据的仿真实验 结果表明，该算法是有效、可行的，且精度更高，能有效对融合中心获得的关于目标位置航迹信息进行关联融合处 理。 关键词：目标位置；数据融合；ＢＰ神经网络；统计加权算法 中图分类号：ＴＰ１８３；ＴＰ２７４ 文献标识码：Ｂ Ｍｕｌｔｉ—Ｐｌａｔｆｏｒｍ Ｍｕｌｔｉ—Ｏｂｉｅｃｔｉｖｅ Ｌｏｃａｔｉｏｎ Ｄａｔａ Ｆｕｓｉｏｎ Ｂａｓｅｄ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｇａｉ Ｓｈｉｃｈａｎｇ 。Ｘｕ Ｔｅｎｇ ．Ｈｏｕ ＢＯ （１．Ｎｏ．２ Ｂｒｉｇａｄｅ ｏｆ Ｐｏｓｔｇｒａｄｕａｔｅ，Ｎａｖａｌ Ｃｏｍｍａｎｄ Ａｃａｄｅｍｙ，Ｎａｎｉｉｉｎｇ ２１００１６，Ｃｈｉｎａ； ２．Ｓｔａｆｆ Ｒｏｏｍ ｏｆ Ｃｏｍｂｉｎｅｄ—Ａｒｍｓ Ｔａｃｔｉｃｓ，Ｎａｖａｌ Ｃｏｍｍａｎｄ Ａｃａｄｅｍｙ，Ｎａｎｊｉｎｇ ２１００１６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｄｉｓａｄｖａｎｔａｇｅｓ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｄｉｒｅｃｔ ｗｅｉｇｈｔｅｄ ｆｕｓｉｏｎ ａｌｇｏｒｉｔｈｍ，ｔｈｅ ｔｈｅｓｉｓ ｃａｒｒｉｅｓ ｏｕｔ ｔｈｅ ｉｎｔｅｇｒａｔｉｏｎ ｓｔｕｄｙ ｏｆ ｍｕｌｔｉ－ｐｌａｔｆｏｒｍ ｍｕｌｔｉ・ｏｂｊｅｃｔｉｖｅ ｌｏｃａｔｉｏｎ ｄａｔａ．Ｔｈｒｏｕｇｈ ｄｅｓｉｇｎ ｏｆ ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｗｅｉｇｈｔｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ，ｔｈｅ ｄａｔａ ｆｕｓｉｏｎ ｍｏｄｅｌ ｗｉｌｌ ｂｅ ｅｓｔａｂｌｉｓｈｅｄ．Ｗｉｔｈ ｔｈｅ ｅｘａｍｐｌｅｓ ｏｆ ｔｗｏ ｏｂｓｅｒｖａｔｉｏｎ ｐｌａｔｆｏｒｍｓ，ｔｈｅ ｔａｒｇｅｔ ｔｒａｃｋ ｄａｔａ ｓｉｍｕｌａｔｉｏｎ ｄｕｒｉｎｇ １ ｍｉｎｕｔｅ ｗｉｌｌ ｂｅ ｆｏｌｌｏｗｅｄ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｉｓ ｅｆｆｅｃｔｉｖｅ，ｆｅａｓｉｂｌｅ，ａｎｄ ｏｆ ｈｉｇｈｅｒ ａｃｃｕｒａｃｙ，ＣＯＩｒｅｌａｔｉｎｇ ｅｆｆｅｃｔｉｖｅｌｙ ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅ ｆｕｓｉｏｎ ｃｅｎｔｅｒ ｏｎ ｔｈｅ ｄｅｓｔｉｎａｔｉｏｎ ｔｒａｃｋ ａｓｓｏｃｉａｔｉｏｎ ｄａｔａ． Ｋｅｙｗｏｒｄｓ：ｔａｒｇｅｔ ｌｏｃａｔｉｏｎ；ｄａｔａ ｆｕｓｉｏｎ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｓｔａｔｉｓｔｉｃａｌ ｗｅｉｇｈｔｉｎｇ ａｌｇｏｒｉｔｈｍ ０ 引言 多源信息感知系统接收众多局部融合平台送来 的关于目标航迹序列信息，这些信息并不是原始的 信息，而是各局部融合平台经过信息融合处理后得 ，在Ｙ轴上的测量精度是 。目标位置数据融 合的公式为： １＋瓯 到的包含有目标位置数据序列等目标属性信息。作 战指挥决策支持系统的融合中心对数据的处理主要 分为２部分：指挥中心基于多平台多目标航迹的相 关问题、相关航迹的融合问题。由于多平台多目标 ｌ ｙ ‘ ｙ２ｙ１＋ ｙ ｙ２） 在统计加权算法的基础上，引入了ＢＰ神经网 络算法。把ＢＰ神经网络算法和统计加权方法结合 起来，使得融合后的精度比统计加权的算法有所提 高。 １．２基于ＢＰ神经网络的统计加权算法 卜。】 ＢＰ神经网络使用梯度搜索理论，使得网络实际 输出和期望输出的均方差达到最小。网络的学习过 程是：将输出层误差反向传输回去，并借以修正加 权因子。方向传播是指误差信号的反向传播，并不 位置数据融合是多源信息感知系统中最为关键但又 难以处理的问题，故提出适用于多平台多目标位置 航迹序列的航迹关联算法和基于ＢＰ神经网络的统 计加权的位置航迹融合算法。 １ 基于ＢＰ神经网络的数据融合模型 １．１ 目标位置数据融合 传统的目标位置数据融合通常采用统计加权方 法，融合的结果是按照平台的测量精度加权合并， 合并后的位置航迹精度得到提高。即： 设平台１在 轴上的测量精度为 ，在Ｙ轴上 是将输出层状态再作用到隐层节点，或隐层输出再 作用到输入层节点，网络自身不存在反馈。 １．２．１ 神经网络输出函数设计 如果将ＢＰ神经网络的输出函数设定为 的测量精度是 ；平台２在 轴上的测量精度为 ｆ（ｘ）＝专，则对于任何输入 ，其输出都属于（０，１） 收稿日期：２０１０－０２—０３：修回日期：２０１０—０４—１４ 作者简介：盖世昌（１９７９一），男，山东人，博士研究生，从事海军合同战斗效能分析研究。 第８期 盖世昌，等：基于神经网络的多平台多Ｉ１标位置数据融合 ・２９・ 之间。而观测平台的测量精度是一个变化的值，且 ４）在这个基础上，可以分别对目标在Ｘ、Ｙ轴 上的分量进行加权计算，得到比较精度目标位置数 据。 为大于零的任何实数，而统计加权算法中，观测平 台的加权因子是介于（０，１）之间的实数，这正好和ＢＰ 神经网络输出函数的输入输出数据的取值范围相 符。故可将观测平台的测量精度作为ＢＰ网络的输 入，加权算法中的加权因子作为ＢＰ神经网络的输 出。而由于ＢＰ神经网络具有自学习能力，通过样 本的学习后，ＢＰ神经网络建立起一个固定的模型， 该模型的输入输出之间具有的相同规律。 采用ＢＰ神经网络的统计加权的目标位置航迹 融合模型如图１。 其中： 为平台１获得的目标位置数据在Ｘ 轴上的测量精度； 为平台１获得的目标位置数 为平台２获得的目标 、，为平台２获得 为平台１ 据在Ｙ轴上的测量精度； 如果设计符合要求的样本数据，通过这个网络 的学习和计算，可以得到适用于加权估计的加权因 子，将这样得到的加权因子应用于统计加权算法， 就可以最终获得精度较高的目标位置航迹序列。 位置数据在 轴上的测量精度； 的目标位置数据在Ｙ轴上的测量精度； 在 轴上的加权因子；１一 加权因子； 、，为平台２在Ｘ轴上的 １．２．２位置数据融合算法模型设计 位置数据融合算法模型设计（以２个观测平台 １、２为例）： 、，为平台１在Ｙ轴上的加权因子；１一 为平台２在Ｙ轴上的加权因子；Ｘ为数据融合处 理后，目标位置数据在Ｘ轴上的分量；ｙ为数据融 合处理后，目标位置数据在Ｙ轴上的分量。 可见，融合处理后目标位置数据在 轴和Ｙ轴 上的分量为： １）将２个平台在 、Ｙ轴上的位置测量精度作 为ＢＰ神经网络的输入。 ２）ＢＰ神经网络的中间层为隐层。隐层节点的 选择可以根据下式： Ｉ ＋０．６１８（ 一， ），，ｚ ｍ ，１．＝ Ｉ， 一０６１８（， 一 ）， ＜ｍ ．Ｉ Ｘ＝ ｈ ４－（１一ｗ ） ２ ＩＹ＝ Ｙｌ ＋（１一 ）），２ 在处理中，只要样本数据满足如下条件：对于 每一组样本数据，经以上处理后，均可使最后融合 其中，，ｚ为网络输入节点数，ｒｆｌ为网络输出节 点数， 为网络隐层节点数。 的精度达到最高，训练的样本足够多。 那么，经过样本学习后的ＢＰ神经网络就能对 ３）将平台１在 、Ｙ轴上的分量的加权因子分 每一组非样本输入数据，由上述基于ＢＰ神经网络 的统计加权算法模型计算后，即可使平台１和平台 ２的数据融合的精度达到最高。 别作为ＢＰ神经网络的２个输出。而平台２在Ｘ、Ｙ 轴上的加权因子由平台１的加权因子求出。 ； 隐层． ＼ 输出层 （１－Ｗｌ ） Ｌｌ 。、、、 ．。 －Ｊ Ｗｌ Ｌ一 厂 ／、＼ ＼、、—／ ｙ卜 鬟 字 （１一ｗ１）＇）ｙ２）， 图１ 基于ＢＰ神经网络的统计加权算法模型 ２仿真试验 平台１和平台２提供的是目标Ｃ的航迹序 迹的测量序列。 ・３０・ 兵工自动化 表１ 目标ｃ的真实航迹、平台１和平台２的测量航迹序列 第２９卷 平台１横坐标的测量精度为 ＝１２ ｍ，纵坐标 的测量精度为 、，＝１０ ｍ； 平台２横坐标的测量精度为 的测量精度为 、，＝６ ｍ。 经数据融合处理后，获得的目标最终位置航迹 序列和用直接加权算法获得目标最终位置航迹图如 图２。 目标间的问隔很近的运动态势下，该算法在１ ｍｉｎ 内取得很好的关联和融合效果。但由于样本的有限 性使得确定的加权系数不可能达到最优的结果，这 ＝８ ｍ，纵坐标 就需要获得大量的样本，尽管这样，航迹融合比以 前的直接加权融合算法获得的融合结果更准确。 由图２、图３可以看出，提出的目标位置航迹 融合算法可取得比直接用统计加权算法更高的位置 数据融合精度。获得的航迹更接近真实航迹，从而 说明该算法的有效性和可行性。 图３ 目标Ｃ的ＲＭＳ位置误差比较 参考文献： 【１】罗传翼，程桂芬．随机信号处理与控制基础【Ｍ】．北京： 化学工业出版社，２００２． 【２】田杰，陈杰．多平台信息融合性能的测试与评估【Ｊ】．计 算机工程，２００３，２９（１０）：８４—８５． 图２仿真试验图 ３ 结束语 仿真试验证明了该算法的有效性和可行性。在 【３】罗素云，谭箭．ＡＩＳ与雷达目标航迹相关算法【Ｊ］．武汉 理工大学学报，２００３，２７（１）：１１２—１１５． 【４】朱孟平，张东戈．战场态势数据融合研究【Ｊ】．四川兵工 学报，２００９（９）：９—１２．
