CN101587652B - 基于不完全观测的信息处理方法和系统 - Google Patents

Abstract

本发明公开了一种基于不完全观测的信息处理方法和系统，其中方法包括：根据二次监视雷达(SSR)观测数据和广播式自动相关监视(ADS-B)观测数据建立不完全观测异步模型；根据不完全观测异步模型将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据；根据上一时刻的各传感器的同步观测数据预测当前时刻的各传感器的观测数据；对预测到的当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据。系统包括模型建立模块、数据转化模块、预测模块和信息融合模块。本发明实现了异步多速率传感器测量数据到同步多速率传感器测量数据的转换，在考虑不规则测量数据丢失的情况下，有效地降低了误差，提高了观测数据的精度。

Description

基于不完全观测的信息处理方法和系统 

技术领域

本发明涉及航空监视技术，尤其涉及一种基于不完全观测的信息处理方法和系统。 

背景技术

空中交通管制的目的是使航线上的飞机安全、高效、有计划地在空域中运行，其通过对飞机的飞行动态进行实时监视，来掌握空中交通活动信息。传统的雷达监视手段采用询问/应答的方式对目标进行探测，然而由于雷达系统自身存在的一些局限性，造成监视过程和监视结果在一定程度上的限制，如存在大量监视盲区、监视精度不高等。鉴于此，国际民航组织(International Civil Aviation Organization；以下简称：ICAO)提出了自动相关监视(Automatic Dependent Surveillance；以下简称：ADS)技术，通过卫星数据链或甚高频空-地数据链，将机载导航系统获得的导航信息自动实时地发送到地面接收和处理系统，并通过显示设备向地面监视系统提供飞机运行状态的伪雷达画面。广播式自动相关监视(Automatic DependentSurveillance Broadcast；以下简称：ADS-B)技术作为一种ADS技术，其以导航设备及其它机载设备产生的信息为数据源，采用先进的地空/空空数据链作为通信手段，通过对外自动广播自身的状态参数，可以实现地面对飞机的实时监视；同时它也接收其他飞机的广播信息，达到飞机间的相互感知，可以实现对周边空域交通状况全面、详细的了解。 

尽管ADS-B技术优于传统的雷达监视技术，但其也不能作为单独的监视手段存在，由于如果导航系统一旦出现问题，将导致监视功能丧失，并造成无法估计的巨大损失。因此，二次监视雷达(Secondary Surveillance Radar；以下简称：SSR)监视技术和ADS-B技术的结合是监视系统发展的必然趋势。 然而，由于SSR监视技术和ADS-B技术的数据更新率不同，现有技术中的单传感器或同步多传感器系统的数据处理方法并不适用于该异步多速率传感器的数据处理情况；另外，SSR监视技术和ADS-B技术均存在在数据更新时刻接收不到观测数据的情况，而现有技术中的数据处理方法对于解决该问题仍存在一定的局限性。 

发明内容

本发明的目的在于提供一种基于不完全观测的信息处理方法和系统，实现异步多速率传感器测量数据到同步多速率传感器测量数据的转换，在考虑不规则测量数据丢失的情况下，实现SSR监视数据和ADS-B数据的结合，有效地降低误差，提高观测数据的精度。 

为了实现上述目的，本发明提供了一种基于不完全观测的信息处理方法，包括： 

根据二次监视雷达SSR观测数据和广播式自动相关监视ADS-B观测数据建立不完全观测异步模型； 

根据所述不完全观测异步模型将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据； 

根据上一时刻的各传感器的所述同步观测数据预测当前时刻的各传感器的观测数据； 

对预测到的所述当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据。 

本发明还提供了一种基于不完全观测的信息处理系统，包括： 

模型建立模块，用于根据二次监视雷达SSR观测数据和广播式自动相关监视ADS-B观测数据建立不完全观测异步模型； 

数据转化模块，用于根据所述模型建立模块建立的所述不完全观测异步模型将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据； 

预测模块，用于根据上一时刻的各传感器的所述同步观测数据预测当前时刻的各传感器的观测数据； 

信息融合模块，用于对所述预测模块预测到的所述当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据。 

本发明提供的一种基于不完全观测的信息处理方法和系统，根据SSR观测数据和ADS-B观测数据建立的不完全观测异步模型，将各传感器的异步观测数据转换为同步观测数据，并根据上一时刻的各传感器的同步观测数据来预测当前时刻的各传感器的观测数据，并对预测到的当前时刻的各传感器的观测数据的估计值进行最优融合估计，获取到当前时刻的目标观测数据，实现了异步多速率传感器测量数据到同步多速率传感器测量数据的转换，在考虑不规则测量数据丢失的情况下，实现了SSR监视数据和ADS-B数据的结合，有效地降低了误差，提高了观测数据的精度，改善了现有技术中同步数据源或未进行不完全观测数据处理而造成的数据精度降低的状况。 

附图说明

图1为本发明基于不完全观测的信息处理方法实施例的流程图； 

图2为本发明基于不完全观测的信息处理系统实施例的结构图。 

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。 

传统的雷达监视手段所存在的自身局限性表现在以下几个方面：雷达波束具有直线传播特性，容易造成大量盲区的存在；在海洋、沙漠等特殊地貌地区无法进行探测；雷达旋转周期决定了数据更新率，从而在一定程度上限制了监视精度的提高；无法获得飞机的计划航路、速度等态势数据，限制了跟踪精度的提高和短期冲突告警(Short Term Conflict Alert；以下简称：STCA)能力。因此，诸如ADS技术、ADS-B技术等新的监视手段的出现成为监视系统发展的必然趋势。而监视系统的更新换代是一个渐进的过程，ADS-B技术不能作为唯一的监视手段而存在，因此，传统的雷达监视手段不会很快消失，SSR监视技术和ADS-B技术将在今后相当长的时间内共存。本发明专利的中心思想便是基于SSR监视技术和ADS-B技术的结合，解决二者在结合 过程中出现的数据更新率不同、在数据更新时刻接收不到观测数据等的问题，提出一种基于不完全观测数据的异步多传感器信息融合算法，实现资源的最大化利用，提高监视系统的观测数据的精度。 

图1为本发明基于不完全观测的信息处理方法实施例的流程图，如图1所示，本实施例提供了一种基于不完全观测的信息处理方法实施例，具体包括如下步骤： 

步骤101，根据SSR观测数据和ADS-B观测数据建立不完全观测异步模型。 

本实施例针对SSR监视技术和ADS-B技术，根据获取到的SSR观测数据和ADS-B观测数据的特点，建立不完全观测异步模型。在实际应用过程中，由于SSR观测数据和ADS-B观测数据的数据来源不同，通过SSR监视技术和ADS-B技术获得的观测数据的更新周期不同，数据更新的具体时刻往往也不同。即由于ADS-B技术的观测数据来源于全球定位系统(Global PositioningSystem；以下简称：GPS)，数据更新速度较快，即数据更新率高，而SSR监视技术的数据更新率与ADS-B相比较低，而且这两种监视手段均存在数据更新时刻接收不到观测数据的情况。因此，基于上述特点，利用具有不同来源、不同更新周期、存在不规律数据丢失率等的观测数据自身的特点，建立不完全观测异步模型。 

具体地，本步骤101可以具体包括如下步骤： 

首先，根据SSR观测数据、ADS-B观测数据以及各传感器的采样率建立时变线性动态方程。假设SSR监视系统和ADS-B系统中一共包括N个传感器，该N个传感器以不同的采样率S_i(1≤i≤N-1)异步对同一目标飞行器进行观测，分别获得N个传感器各自的观测数据。由于SSR监视系统和ADS-B系统中存在一定的数据丢失率，根据SSR观测数据、ADS-B观测数据以及各传感器的采样率组成一个时变线性动态系统，其时变线性动态方程描述为如下公式(1)所示： 

x(k+1)＝A(k)x(k)+w(k)     (1) 

其中，x(k)∈R^n×1表示的是k时刻的时变线性动态系统的状态变量；初始状 态向量x(0)是一个均值为x₀、方差为P₀、且其与w(k)和v_i(k)统计独立的随机变量；A(k)∈R^n×n表示一个系统矩阵；w(k)∈R^n×1是均值为零、方差为Q(k)的高斯白噪声模型误差。 

由于不同传感器具有不同的采样率，且彼此之间的采样是异步的，因此，N个传感器具有N个采样率。假设S_N为一确定值，并具有如下公式(2)所示的关系： 

S_N＝n_iS_i，1≤i≤N-1     (2) 

其中n_i表示已知的有理数。 

其次，根据SSR观测数据、ADS-B观测数据以及观测数据丢失率建立各传感器的观测方程。由于SSR监视系统和ADS-B系统中存在一定的数据丢失率，即在某个传感器对应的采样时刻，可能能够获得观测数据，也可能不能获得观测数据。在本实施例建立的不完全观测异步模型中的观测方程中，体现了观测数据的这一特点。其中，建立的观测方程如下公式(3)所示： 

                              i＝1，2，L，N 

z_i(k)＝r_i(k)C_i(k)x_i(k)+v_i(k)，                  (3) 

                              k＝1，2，3，... 

其中， $z_i\left(k\right)\∈R^{q_i\×1}$ (q_i≤n)表示采样率为S_i的第i个传感器的第k次观测得到的观测数据；r_i(k)∈R是一随机变量，用于描述观测数据的丢失情况，对于i＝1，2，L，N，此数据丢失率服从伯努利分布，其均值为r_i，方差为 并假设r_i(k)与w(k)、v_i(k)和x(0)无关，即它们之间统计独立； $C_i\left(k\right)\∈R^{q_i\×n}$ 为观测矩阵；  $v_i\left(k\right)\∈R^{q_i\×1}$ 表示均值是零、方差为R(k)的高斯白噪声，且与w(k)统计独立，即满足如下公式(4)所示的条件： 

$E\left[v_i\left(k\right)v_j^T\left(l\right)\right]=R\left(k\right){\mathrm{\δ}}_{\mathrm{ij}}{\mathrm{\δ}}_{\mathrm{kl}},1\≤i,j\≤N-1$

$E\left[v_i\left(k\right)w^T\left(l\right)\right]=0,k,l=\mathrm{1,2,3}...---\left(4\right)$

通过以上描述，建立了基于不完全观测数据的不完全观测异步模型，目的是建立最高采样率的时变线性动态方程和各传感器系统的观测方程，在已知系统矩阵A(k)、观测矩阵C_i(k)和观测数据丢失概率r_i(k)的情况下，融合利用N部传感器的观测信息，获得不同监视技术下不完全观测的异步多速率系统的最优观测数据，以方便后续问题的解决和数据处理。 

步骤102，根据不完全观测异步模型将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据。 

本步骤在上述建立的不完全观测异步模型的基础之上，获取各传感器的异步观测数据，将各传感器的异步观测数据进行异步到同步的转换，得到各传感器的同步观测数据，以此实现SSR观测数据和ADS-B观测数据的有效结合。具体的异步到同步的转化方法可以采用现有技术中的各方法，此处以其中一种为例进行说明。假设 $x_i\left(k\right)=\frac{1}{{\stackrel{\‾}{n}}_i}\underset{l=0}{\overset{{\stackrel{\‾}{n}}_{\mathrm{ii}}-1}{\mathrm{\Σ}}}x({\stackrel{\‾}{n}}_{i}k-l),$ 其中n_i＝n_i，i＝1，2，L，N表示N个传感器；通过以上假设，可将上述公式(1)和(3)分别转化为如下公式(5)和(6)： 

x_N(k+1)＝A_N(k)x_N(k)+w_N(k)                        (5) 

z_i(k)＝γ_i(k)C_i(k)x_N(k)+v_i(k)   i＝1，2，L，N    (6) 

其中， $x_N\left(k\right)=\left[\begin{array}{c}x((k-1)\stackrel{\‾}{n}+1)\\ x((k-1)\stackrel{\‾}{n}+2)\\ M\\ x\left(k\stackrel{\‾}{n}\right)\end{array}\right];$

$A_N\left(k\right)=\left[\begin{array}{cccc}0& 0& L& A\left(k\stackrel{\‾}{n}\right)\\ 0& 0& L& A(k\stackrel{\‾}{n}+1)A\left(k\stackrel{\‾}{n}\right)\\ M& & O& M\\ 0& 0& L& \underset{l=\stackrel{\‾}{n}-1}{\overset{0}{\mathrm{\Π}}}A(k\stackrel{\‾}{n}+l)\end{array}\right];$

${\stackrel{\‾}{z}}_i\left(k\right)=\left[\begin{array}{c}{z}_i((k-1)n_i^{\%}+1)\\ z_i((k-1)n_i^{\%}+2)\\ M\\ z_i\left({\mathrm{kn}}_i^{\%}\right)\end{array}\right];$

γ_i(k)＝r_i(k)； 

${\stackrel{\‾}{C}}_i\left(k\right)=\frac{1}{{\stackrel{\‾}{n}}_i}\mathrm{diag}\{C_i((k-1)n_i^{\%}+1)I_{{\stackrel{\‾}{n}}_i},C_i((k-1)n_i^{\%}+2)I_{{\stackrel{\‾}{n}}_i},L,C_i\left({\mathrm{kn}}_i^{\%}\right)I_{{\stackrel{\‾}{n}}_i}\};$

其中， $n_i^{\%}=\stackrel{\‾}{n}/n_i,$ n＝n_N，n_N表示n_i的最小公倍数； $I_{{\stackrel{\‾}{n}}_i}=\left[\begin{array}{cccc}{I}_n& I_n& L& I_n\end{array}\right]$ 是由 n_i个维数为n的单位矩阵所组成的矩阵，其维数为n×nn_i；w_N(k)均值为零，方差为 $Q_N\left(k\right)=B_N\left(k\right)\mathrm{diag}\{Q\left(k\stackrel{\‾}{n}\right),Q(k\stackrel{\‾}{n}+1),L,Q(k\stackrel{\‾}{n}+\stackrel{\‾}{n}-1)\}{B}_N^T\left(k\right);$ v_i(k)均值为零，方差为 

${\stackrel{\‾}{R}}_i\left(k\right)=\mathrm{diag}\{R_i((k-1)n_i^{\%}+1),R_i((k-1)n_i^{\%}+2),L,R_i\left({\mathrm{kn}}_i^{\%}\right)\}.$

其中， $B_N\left(k\right)=\left[\begin{array}{cccc}I& 0& L& 0\\ A(k\stackrel{\‾}{n}+1)& I& L& 0\\ L& & O& M\\ \underset{l=\stackrel{\‾}{n}-1}{\overset{1}{\mathrm{\Π}}}A(k\stackrel{\‾}{n}+l)& \underset{j=\stackrel{\‾}{n}-1}{\overset{2}{\mathrm{\Π}}}A(k\stackrel{\‾}{n}+l)& L& I\end{array}\right]$

通过上述转换，将异步多速率多传感器的信息融合问题在形式上转化成了同步单速率的多传感器信息融合问题，简化了矛盾，实现了SSR监视技术和ADS-B技术的有效结合。 

步骤103，根据上一时刻的各传感器的同步观测数据预测当前时刻的各传感器的观测数据。 

在完成异步到同步的转换，获取到各传感器的同步观测数据之后，可以利用当前时刻的观测数据来得到下一时刻的观测数据，其中，本实施例中所指的时刻具体为数据更新时刻，后续不再赘述。本步骤为根据上一时刻的各传感器的同步观测数据来预测当前时刻的各传感器的观测数据，假设上一时刻具体指k-1时刻，而当前时刻具体指k时刻，即已知k-1时刻的各传感器的同步观测数据，通过该k-1时刻的同步观测数据来预测k时刻的观测数据。 

具体地，本步骤103可以具体包括如下步骤： 

首先，根据时变线性动态方程和观测方程，对各传感器的同步观测数据进行自适应卡尔曼滤波，获取到当前时刻的各传感器的一步预测值和第一估计误差协方差。在执行本步骤时，先按照时间的先后分成两个阶段进行分析，这两个阶段分别为：k时刻到来之前和k时刻到来时。在k时刻到来之前，在上述建立的不完全观测异步模型的基础上，对转化为同步的各传感器的观测数据进行自适应卡尔曼(Kalman)滤波，得到此时变噪声统计系统中各传感器在k时刻的一步预测值，也就是k时刻未到来前各传感器的一步预测值和第一估计误差协方差分别如下公式(7)和(8)所示： 

${\hat{x}}_{i,N}\left(k\right|k-1)=A_N(k-1){\hat{x}}_{i,N}(k-1|k-1)---\left(7\right)$

$P_{i,N}\left(k\right|k-1)=A_N(k-1)P_{i,N}(k-1|k-1)A_N^T(k-1)+Q_N(k-1)---\left(8\right)$

其中， 

表示第i个传感器在k-1时刻的最优观测值； 

表示利用k-1时刻的观测数据得到的第i个传感器在k时刻的一步预测值；A_N(k-1)表示在k-1时刻的系统矩阵；P_i，N(k-1|k-1)表示第i个传感器在k-1时刻的第二估计误差协方差；P_i，N(k|k-1)表示利用k-1时刻的观测数据得到的第i个传感器在k时刻的第一估计误差协方差；Q_N(k-1)表示模型误差w(k)∈R^n×1在k-1时刻对应的方差值。 

其次，根据各传感器在当前时刻的观测结果计算当前时刻的各传感器的观测数据的估计值和第二估计误差协方差。当k时刻到来时，各传感器在当前时刻的观测结果包括两种情况，即第i个传感器接收到观测数据，即第i个传感器的观测数据未丢失，将这种情况设为i∈I；或者第i个传感器未接收到观测数据，即第i个传感器的观测数据丢失，将这种情况设为i∈J，其中I UJ＝N。本步骤为根据各传感器在k时刻的观测结果来计算该k时刻的各传感器的观测数据的估计值和第二估计误差协方差，具体可以为：当各传感器在当前时刻的观测结果为观测数据未丢失时，对当前时刻的各传感器的一步预测值继续进行自适应卡尔曼滤波，获取到当前时刻的各传感器的估计值和第二估计误差协方差。若在k时刻，第i个传感器的观测结果为观测数据未丢失，即第i个传感器观测到数据，则继续使用Kalman滤波，得到x_N(k)的k时刻的观测数据的估计值 和相应的估计误差协方差K_i，N(k)分别如下公式(9)和(10)所示： 

${\hat{x}}_{i,N}\left(k\right|k)={\hat{x}}_{i,N}\left(k\right|k-1)+K_{i,N}\left(K\right)[{\stackrel{\‾}{z}}_i\left(k\right)-{\stackrel{\‾}{C}}_i\left(k\right){\hat{x}}_{i,N}\left(k\right|k-1)]---\left(9\right)$

$K_{i,N}\left(k\right)=P_{i,N}\left(k\right|k-1){\stackrel{\‾}{C}}_i^T\left(k\right){[{\stackrel{\‾}{C}}_i\left(k\right)P_{i,N}\left(k\right|k-1){\stackrel{\‾}{C}}_i^T\left(k\right)+{\stackrel{\‾}{R}}_i\left(k\right)]}^{-1}---\left(10\right)$

其中，P_i，N(k|k)＝[I-K_i，N(k)C_i(k)]P_i，N(k|k-1)； 

表示第i个传感器在k时刻的观测数据的估计值。 

当各传感器在当前时刻的观测结果为观测数据丢失时，将上一时刻的各传感器的一步预测值作为当前时刻的各传感器的估计值，将上一时刻的各传感器的第一估计误差协方差作为当前时刻的各传感器的第二估计误差协方差。若在k时刻，第i个传感器的观测结果为观测数据丢失，即第i个传感器未观测到数据，则将第i个传感器x_N(k)在k时刻的一步预测值作为第i个传感器 x_N(k)在k时刻的观测数据的估计值，将第i个传感器x_N(k)在k时刻的第一估计误差协方差作为第i个传感器x_N(k)在k时刻的第二估计误差协方差，分别如下公式(11)和(12)所示： 

${\hat{x}}_{i,N}\left(k\right|k)={\hat{x}}_{i,N}\left(k\right|k-1)---\left(11\right)$

P_i，N(k|k)＝P_i，N(k|k-1)    (12) 

通过本实施例提供的方法，无论传感器在当前时刻是否接收到观测数据，均可获得该时刻的观测数据的最优估计值。 

步骤104，对预测到的当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据。 

在本实施例中，通过具有不同采样率的多个传感器对同一目标飞行器进行观测，分别获得各个传感器的异步观测数据，根据建立的不完全观测异步模型，将各个传感器的异步观测数据转换为同步观测数据，并根据当前时刻的各传感器的观测数据预测到当前时刻的各传感器的观测数据的估计值，最后将多个传感器的观测数据的估计值进行最优融合估计，进行加权融合，获取到当前时刻的具有较高精确度的目标观测数据。 

具体地，本步骤104可以具体包括如下步骤： 

首先，根据第二估计误差协方差确定各传感器对应的加权因子。根据步骤103中计算得到的第二估计误差协方差来确定各传感器对应的加权因子α_i，N(k)，具体地，α_i，N(k)可由如下公式(13)来确定： 

${\mathrm{\α}}_{i,N}\left(k\right)=P_N\left(k\right|k)P_{i,N}^{-1}\left(k\right|k)=\left\{\begin{array}{c}{P}_N\left(k\right|k)P_{i,N}^{-1}\left(k\right|k),i\∈I\\ P_N\left(k\right|k)P_{i,N}^{-1}\left(k\right|k-1),i\∈J\end{array}\right.---\left(13\right)$

相应的估计误差协方差阵为： 

$P_N\left(k\right|k)={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,N}^{-1}\left(k\right|k)\right)}^{-1}={(\underset{i\∈I}{\mathrm{\Σ}}{P}_{i,N}^{-1}\left(k\right|k)+\underset{j\∈J}{\mathrm{\Σ}}{P}_{j,N}^{-1}\left(k\right|k-1))}^{-1}---\left(14\right)$

其次，根据当前时刻的各传感器的估计值和各传感器对应的加权因子获取当前时刻的目标观测数据。将N个传感器获得的反映同一时刻、同一目标、相同特征参量的数据进行线形加权计算，由此确定本特征参量的最终目标观测数据，其中，在k时刻，基于所有传感器的最优融合估计的数学表达式如 下述公式(15)： 

${\hat{x}}_N\left(k\right|k)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i,N}\left(k\right){\hat{x}}_{i,N}\left(k\right|k)=\underset{i\∈I}{\mathrm{\Σ}}{\mathrm{\α}}_{i,N}\left(k\right){\hat{x}}_{i,N}\left(k\right|k)+\underset{j\∈J}{\mathrm{\Σ}}{\mathrm{\α}}_{j,N}\left(k\right){\hat{x}}_{j,N}\left(k\right|k-1)---\left(15\right)$

其中， 

表示第i个传感器在k时刻获得的观测数据的估计值； 

表示进行加权融合的最终目标观测数据，通过采用该融合算法，可以有效地降低误差，获得更高的观测数据精度。 

本实施例提供了一种基于不完全观测的信息处理方法，根据SSR观测数据和ADS-B观测数据建立的不完全观测异步模型，将各传感器的异步观测数据转换为同步观测数据，并根据上一时刻的各传感器的同步观测数据来预测当前时刻的各传感器的观测数据，并对预测到的当前时刻的各传感器的观测数据的估计值进行最优融合估计，获取到当前时刻的目标观测数据，实现了异步多速率传感器测量数据到同步多速率传感器测量数据的转换，在考虑不规则测量数据丢失的情况下，实现了SSR监视数据和ADS-B数据的结合，有效地降低了误差，提高了观测数据的精度，改善了现有技术中同步数据源或未进行不完全观测数据处理而造成的数据精度降低的状况。 

图2为本发明基于不完全观测的信息处理系统实施例的结构图，如图2所示，本实施例提供了一种基于不完全观测的信息处理系统，具体可以包括模型建立模块1、数据转化模块2、预测模块3和信息融合模块4。其中，模型建立模块1用于根据二次监视雷达(SSR)观测数据和广播式自动相关监视(ADS-B)观测数据建立不完全观测异步模型；数据转化模块2用于根据模型建立模块1建立的不完全观测异步模型将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据；预测模块3用于根据上一时刻的各传感器的同步观测数据预测当前时刻的各传感器的观测数据；信息融合模块4用于对预测模块3预测到的当前时刻的各传感器的观测数据的估计值进行最优融合估计，获取当前时刻的目标观测数据。 

具体地，模型建立模块1可以包括第一方程建立单元11和第二方程建立单元12。其中，第一方程建立单元11用于根据SSR观测数据、ADS-B观测数据以及各传感器的采样率建立时变线性动态方程；第二方程建立单元12用于根据SSR观测数据、ADS-B观测数据以及观测数据丢失率建立各传感器的观测方程。 

具体地，预测模块3可以包括滤波单元31和计算单元32。其中，滤波单元31用于根据第一方程建立单元11建立的时变线性动态方程和第二方程建立单元12建立的观测方程，对各传感器的同步观测数据进行自适应卡尔曼滤波，获取到当前时刻的各传感器的一步预测值和第一估计误差协方差；计算单元32用于根据各传感器在当前时刻的观测结果计算当前时刻的各传感器的观测数据的估计值和第二估计误差协方差。进一步地，计算单元32可以具体包括第一计算子单元321和第二计算子单元322。其中，第一计算子单元321用于当各传感器在当前时刻的观测结果为观测数据未丢失时，对当前时刻的各传感器的一步预测值继续进行自适应卡尔曼滤波，获取到当前时刻的各传感器的估计值和第二估计误差协方差；第二计算子单元322用于当各传感器在当前时刻的观测结果为观测数据丢失时，将上一时刻的各传感器的一步预测值作为当前时刻的各传感器的估计值，将上一时刻的各传感器的第一估计误差协方差作为当前时刻的各传感器的第二估计误差协方差。 

具体地，信息融合模块4可以包括加权因子确定单元41和数据获取单元42。其中，加权因子确定单元41用于根据第一计算子单元321计算的第二估计误差协方差确定各传感器对应的加权因子；数据获取单元42用于根据加权因子确定单元41确定的当前时刻的各传感器的估计值和各传感器对应的加权因子获取当前时刻的目标观测数据。 

本实施例提供了一种基于不完全观测的信息处理系统，通过设置模型建立模块、数据转化模块、预测模块和信息融合模块，根据SSR观测数据和ADS-B观测数据建立的不完全观测异步模型，将各传感器的异步观测数据转换为同步观测数据，并根据上一时刻的各传感器的同步观测数据来预测当前时刻的各传感器的观测数据，并对预测到的当前时刻的各传感器的观测数据的估计值进行最优融合估计，获取到当前时刻的目标观测数据，实现了异步多速率传感器测量数据到同步多速率传感器测量数据的转换，在考虑不规则测量数据丢失的情况下，实现了SSR监视数据和ADS-B数据的结合，有效地降低了误差，提高了观测数据的精度，改善了现有技术中同步数据源或未进行不完全观测数据处理而造成的数据精度降低的状况。 

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。 

Claims (10)

1.一种基于不完全观测的信息处理方法，其特征在于，包括：

根据二次监视雷达SSR观测数据和广播式自动相关监视ADS-B观测数据建立不完全观测异步模型；

根据所述不完全观测异步模型将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据；

根据上一时刻的各传感器的所述同步观测数据预测当前时刻的各传感器的观测数据；

对预测到的所述当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据。

2.根据权利要求1所述的方法，其特征在于，所述根据SSR观测数据和ADS-B观测数据建立不完全观测异步模型包括：

根据SSR观测数据、ADS-B观测数据以及各传感器的采样率建立时变线性动态方程；

根据SSR观测数据、ADS-B观测数据以及观测数据丢失率建立各传感器的观测方程。

3.根据权利要求2所述的方法，其特征在于，所述根据上一时刻的各传感器的所述同步观测数据预测当前时刻的各传感器的观测数据包括：

根据所述时变线性动态方程和观测方程，对所述各传感器的同步观测数据进行自适应卡尔曼滤波，获取到当前时刻的所述各传感器的一步预测值和第一估计误差协方差；

根据所述各传感器在所述当前时刻的观测结果计算当前时刻的所述各传感器的观测数据的估计值和第二估计误差协方差。

4.根据权利要求3所述的方法，其特征在于，所述根据所述各传感器在所述当前时刻的观测结果计算当前时刻的所述各传感器的观测数据的估计值和第二估计误差协方差包括： 

当所述各传感器在所述当前时刻的观测结果为观测数据未丢失时，对所述当前时刻的各传感器的一步预测值继续进行自适应卡尔曼滤波，获取到所述当前时刻的各传感器的观测数据的估计值和第二估计误差协方差；

当所述各传感器在所述当前时刻的观测结果为观测数据丢失时，将所述上一时刻的各传感器的一步预测值作为所述当前时刻的各传感器的观测数据的估计值，将所述上一时刻的各传感器的第一估计误差协方差作为所述当前时刻的各传感器的第二估计误差协方差。

5.根据权利要求4所述的方法，其特征在于，所述对预测到的所述当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据包括：

根据所述第二估计误差协方差确定所述各传感器对应的加权因子；

根据所述当前时刻的各传感器的观测数据的估计值和所述各传感器对应的加权因子获取当前时刻的目标观测数据。

6.一种基于不完全观测的信息处理系统，其特征在于，包括：

模型建立模块，用于根据二次监视雷达SSR观测数据和广播式自动相关监视ADS-B观测数据建立不完全观测异步模型；

数据转化模块，用于根据所述模型建立模块建立的所述不完全观测异步模型，将获取到的各传感器的异步观测数据转化为各传感器的同步观测数据；

预测模块，用于根据上一时刻的各传感器的所述同步观测数据预测当前时刻的各传感器的观测数据；

信息融合模块，用于对所述预测模块预测到的所述当前时刻的各传感器的观测数据进行最优融合估计，获取当前时刻的目标观测数据。

7.根据权利要求6所述的系统，其特征在于，所述模型建立模块包括：

第一方程建立单元，用于根据SSR观测数据、ADS-B观测数据以及各传感器的采样率建立时变线性动态方程；

第二方程建立单元，用于根据SSR观测数据、ADS-B观测数据以及观测 数据丢失率建立各传感器的观测方程。

8.根据权利要求7所述的系统，其特征在于，所述预测模块包括：

滤波单元，用于根据所述第一方程建立单元建立的所述时变线性动态方程和所述第二方程建立单元建立的观测方程，对所述各传感器的同步观测数据进行自适应卡尔曼滤波，获取到当前时刻的所述各传感器的一步预测值和第一估计误差协方差；

计算单元，用于根据所述各传感器在所述当前时刻的观测结果计算当前时刻的所述各传感器的观测数据的估计值和第二估计误差协方差。

9.根据权利要求8所述的系统，其特征在于，所述计算单元包括：

第一计算子单元，用于当所述各传感器在所述当前时刻的观测结果为观测数据未丢失时，对所述当前时刻的各传感器的一步预测值继续进行自适应卡尔曼滤波，获取到所述当前时刻的各传感器的观测数据的估计值和第二估计误差协方差；

第二计算子单元，用于当所述各传感器在所述当前时刻的观测结果为观测数据丢失时，将所述上一时刻的各传感器的一步预测值作为所述当前时刻的各传感器的观测数据的估计值，将所述上一时刻的各传感器的第一估计误差协方差作为所述当前时刻的各传感器的第二估计误差协方差。

10.根据权利要求9所述的系统，其特征在于，所述信息融合模块包括：

加权因子确定单元，用于根据所述第一计算子单元计算的所述第二估计误差协方差确定所述各传感器对应的加权因子；

数据获取单元，用于根据所述加权因子确定单元确定的所述当前时刻的各传感器的估计值和所述各传感器对应的加权因子获取当前时刻的目标观测数据。 

Images