CN101630445A - 基于噪声误差的异步多传感器数据处理方法和系统 - Google Patents

Abstract

本发明公开了一种基于噪声误差的异步多传感器数据处理方法和系统，其中方法包括：建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型；根据所述多传感器采样率模型、所述系统噪声误差模型和所述观测噪声误差模型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、所述系统噪声误差模型和所述观测噪声误差模型预测当前时刻的各传感器的观测数据。系统包括：第一模型建立模块、第二模型建立模块、转化模块和预测模块，本发明实现了SSR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。

Description

基于噪声误差的异步多传感器数据处理方法和系统

技术领域

本发明涉及航空监视技术，尤其涉及一种基于噪声误差的异步多传感器数据处理方法和系统。

背景技术

在航空监视领域中，实施空中交通管制可以使航线上的飞机安全、高效、有计划地在空域中飞行，通过对管制空域中飞机的飞行动态进行实时监视，来准确掌握空中交通活动信息。随着科技的不断进步，航空监视技术也不断地更新换代，从传统的单一性雷达监视手段逐渐发展出现了自动相关监视(Automatic Dependent Surveillance；以下简称：ADS)技术、广播式自动相关监视(Automatic Dependent Surveillance-Broadcast；以下简称：ADS-B)技术、广播式交通信息服务(Traffic Information Service-Broadcast；以下简称：TIS-B)技术等。其中，ADS-B技术作为ADS技术中的一种，其以导航设备及其他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；同时其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。然而ADS-B技术目前尚不能作为唯一的监视手段存在，由于一旦导航系统出现问题，其监视功能将丧失，会导致无法估计的巨大损失。因此，在实际使用过程中，ADS-B技术将同二次监视雷达(Secondary Surveillance Radar；以下简称：SSR)技术在相当长时间内共存，通过二者的结合实现资源的最大化利用。

由于ADS-B技术和SSR技术的数据更新率不同，且二者在数据更新时刻均存在接收不到观测数据的情况，在数据观测过程中不可避免地存在系统噪声和观测噪声。而现有技术中的监视技术并未考虑系统噪声误差和观测噪声误差，导致获得的观测数据存在一定程度的误差，降低了观测数据的精度。

发明内容

本发明的目的在于提供一种基于噪声误差的异步多传感器数据处理方法和系统，实现资源的最大化利用，有效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噪声误差的异步多传感器数据处理方法，包括：

建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型；

根据所述多传感器采样率模型、所述系统噪声误差模型和所述观测噪声误差模型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、所述系统噪声误差模型和所述观测噪声误差模型预测当前时刻的各传感器的观测数据。

本实施例还提供了一种基于噪声误差的异步多传感器数据处理系统，包括：

第一模型建立模块，用于建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型；

第二模型建立模块，用于根据所述第一模型建立模块建立的所述多传感器采样率模型、所述系统噪声误差模型和所述观测噪声误差模型建立不完全观测异步模型；

转化模块，用于根据所述第二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、所述第一模型建立模块建立的所述系统噪声误差模型和所述观测噪声误差模型预测当前时刻的各传感器的观测数据。

本发明提供的一种基于噪声误差的异步多传感器数据处理方法和系统，根据SSR观测数据和ADS-B观测数据建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型，并根据上述模型建立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，通过在考虑系统噪声、观测噪声以及存在不规则测量数据丢失的情况下，实现了SSR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。

附图说明

图1为本发明基于噪声误差的异步多传感器数据处理方法实施例的流程图；

图2为本发明基于噪声误差的异步多传感器数据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。

传统的雷达监视技术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。国际民航组织(ICA0)在新航行系统中推荐的自动相关监视(ADS，Automatic Dependent Surveillance)技术，是在传统雷达监视技术基础之上发展而来的一种监视技术，其将机载导航系统获得的导航信息，通过卫星数据链或甚高频空-地数据链，自动实时地发送到地面接收和处理系统，然后通过显示设备提供伪雷达画面，供地面监视飞机运行状态的一种技术。ADS-B监视技术作为一种ADS技术，其尽管具有优于传统雷达监视技术的诸多优点，但其不能作为唯一的监视手段而存在，因此，SSR技术和ADS-B技术将在今后相当长的时间内共存。本发明基于SSR技术和ADS-B技术的结合，在对观测数据进行预测和处理时充分考虑存在的系统噪声误差和观测噪声误差，实现资源的最大化利用，使得获得的观测数据更加精确，有效提高监视系统的观测数据的精度。

图1为本发明基于噪声误差的异步多传感器数据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噪声误差的异步多传感器数据处理方法，具体包括如下步骤：

步骤101，建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型。

在SSR观测数据和ADS-B观测数据的获得过程中，不可避免地存在系统噪声和观测噪声，本实施例在对观测数据进行处理时，将系统噪声误差和观测噪声误差考虑在内。在存在系统噪声误差和观测噪声误差的基础之上，结合SSR观测数据和ADS-B观测数据的特点，分别建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型。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 Positioning System；以下简称：GPS)，数据更新速度较快，即数据更新率高，而SSR技术的数据更新率与ADS-B相比较低，因此，SSR系统和ADS-B系统中的不同传感器的采样率是不同的，且各传感器之间的采样是异步的。假设SSR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，则建立如下公式(1)所示的多传感器采样率模型：

S_N＝n_iS_i，1≤i≤N-1        (1)

其中n_i表示已知的有理数，S_N为一恒定值。

假设系统噪声误差w(k)为高斯白噪声误差，该系统噪声误差的均值为q(k)、该系统噪声误差方差为Q(k)，即建立的系统噪声误差模型满足如下公式(2)：

$\left\{\begin{array}{c}E\left[w\left(k\right)\right]=q\left(k\right)\\ E\left[w\left(k\right)w^T\left(l\right)\right]=Q\left(k\right){\mathrm{\δ}}_{\mathrm{kl}}\end{array}\right.,k,l=\mathrm{1,2,3}...---\left(2\right)$

假设观测误差v_i(k)也为高斯白噪声误差，该观测噪声误差的均值是r_i(k)、该观测噪声误差的方差为R(k)，且该观测噪声误差与系统噪声误差w(k)统计独立，即建立的观测噪声误差模型满足如下公式(3)：

$\left\{\begin{array}{c}E\left[v_i\left(k\right)\right]=r_i\left(k\right)\\ E\left[v_i\left(k\right)v_j^T\left(l\right)\right]=R\left(k\right){\mathrm{\δ}}_{\mathrm{ij}}{\mathrm{\δ}}_{\mathrm{kl}}\\ E\left[v_i\left(k\right)w^T\left(l\right)\right]=0\end{array}\right.,\begin{array}{c}1\≤i,j\≤N-1\\ k,l=\mathrm{1.2.3}...\end{array}---\left(3\right)$

假设初始噪声向量如下公式(4)所示：

$\left\{\begin{array}{c}\hat{q}\left(0\right)=q_0\\ \hat{Q}\left(0\right)=Q_0\\ {\hat{r}}_i\left(0\right)=r_0\\ {\hat{R}}_i\left(0\right)=R_0\end{array}\right.,i=\mathrm{1,2},L,N---\left(4\right)$

其中，

和

分别为系统噪声误差的均值的初始值和方差的初始值，

和

分别为观测噪声误差的均值的初始值和方差的初始值，各初始值的大小可以由实际情况决定，且x(0)，w(k)，v_i(k)和p_i(k)之间彼此独立。

步骤102，根据多传感器采样率模型、系统噪声误差模型和观测噪声误差模型建立不完全观测异步模型。

在建立上述各小模型之后，根据该多传感器采样率模型、系统噪声误差模型和观测噪声误差模型来进一步建立不完全观测异步模型。在上述模型的假设基础之上，即假设SSR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。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102可以具体包括如下步骤：

首先，根据多传感器采样率模型和系统噪声误差模型建立时变线性动态方程。假设SSR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。根据上述公式(1)所示的多传感器采样率模型和公式(2)所示的系统噪声误差模型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(5)所示：

x(k+1)＝A(k)x(k)+w(k)            (5)

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q(k)、方差为Q(k)的高斯白噪声模型误差。

其次，根据观测噪声误差模型和观测数据丢失率建立各传感器的观测方程。由于SSR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。在本实施例的不完全观测异步模型中的观测方程根据上述公式(3)所示的观测噪声误差模型和观测数据丢失率而建立，其体现了观测数据的不完全观测和存在观测误差的特点。其中，建立的观测方程如下公式(6)所示：

z_i(k)＝p_i(k)C_i(k)x_i(k)+v_i(k)，    i＝1，2，L，N

                                                       (6)

                                  k＝1，2，3，...

其中， $z_1\left(k\right)\∈R^{q_i\×1},(q_i\≤n)$ 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；p_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p_i，方差为并假设p_i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r_i(k)、方差为R(k)的高斯白噪声，且与w(k)统计独立。

通过以上描述，建立了基于噪声误差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p_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103，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(5)和(6)分别转化为如下公式(7)和(8)：

x_N(k+1)＝A_N(k)x_N(k)+w_N(k)                       (7)

z_i(k)＝ρ_i(k)C_i(k)x_N(k)+v_i(k)  i＝1，2，L，N    (8)

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

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

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

ρ_i(k)＝p_i(k)；

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

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

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

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技术和ADS-B技术的有效结合。

步骤104，根据上一时刻的各传感器的同步观测数据、系统噪声误差模型和观测噪声误差模型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104可以具体包括如下步骤：

首先，根据系统噪声误差模型计算系统噪声误差上一时刻的均值和方差，根据观测噪声误差模型计算观测噪声误差上一时刻的均值和方差。在本实施例中，将系统噪声和观测噪声考虑在内，即系统噪声误差的均值和观测噪声误差的均值均不为零，具体可以采用如下公式(9)来计算N个传感器系统中系统噪声误差在k-1时刻的均值

采用公式(10)来计算N个传感器系统中系统噪声误差在k-1时刻的方差

采用公式(11)来计算第i个传感器的观测噪声误差在k-1时刻的均值

采用公式(12)来计算第i个传感器的观测噪声误差在k-1时刻的方差

${\hat{q}}_N(k-1)=(1-d_{k-2}){\hat{q}}_N(k-2)+d_{k-2}[{\hat{x}}_{i,N}(k-1|k-1)-A_N(k-2){\hat{x}}_{i,N}(k-2|k-2)]---\left(9\right)$

$\stackrel{\widehat{\‾}}{r_i}(k-1)=(1-d_{k-2})\stackrel{\widehat{\‾}}{r_i}(k-2)+d_{k-2}[{\stackrel{\‾}{z}}_i(k-1)-{\stackrel{\‾}{C}}_i(k-1){\hat{x}}_{i,N}(k-1|k-2)]---\left(10\right)$

${\hat{Q}}_N(k-1)=(1-d_{k-2}){\hat{Q}}_N(k-2)+d_{k-2}[K_i(k-1){\mathrm{\ϵ}}_i(k-1){\mathrm{\ϵ}}_i^T(k-1)K_i^T(k-1)---\left(11\right)$

$+P_{i,N}(k-1|k-1)-A_N(k-2)P_{i,N}(k-2|k-2)A_N^T(k-2)]$

${\stackrel{\widehat{\‾}}{R}}_i(k-1)=(1-d_{k-2}){\stackrel{\widehat{\‾}}{R}}_i(k-2)+d_{k-2}[{\mathrm{\ϵ}}_i(k-1){\mathrm{\ϵ}}_i^T(k-1)---\left(12\right)$

$-{\stackrel{\‾}{C}}_i(k-1)P_{i,N}(k-1|k-2){\stackrel{\‾}{C}}_i^T(k-1)]$

其中， $d_{k-2}=\frac{1-b}{1-b^{k-1}},$ b为遗忘因子，通常取值为0.95≤b≤0.995。

其次，根据时变线性动态方程、观测方程和系统噪声误差上一时刻的均值和方差，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(13)和(14)所示：

${\hat{x}}_{i,N}\left(k\right|k-1)=A_N(k-1){\hat{x}}_{i,N}(k-1|k-1)+{\hat{q}}_N(k-1)---\left(13\right)$

$P_{i,N}\left(k\right|k-1)=A_N(k-1)P_{i,N}(k-1|k-1)A_N^T(k-1)+Q_N(k-1)---\left(14\right)$

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。

再次，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(15)和(16)所示：

${\hat{x}}_{i,N}\left(k\right|k)={\hat{x}}_{i,N}\left(k\right|k-1)+K_i\left(k\right){\mathrm{\ϵ}}_i\left(k\right)---\left(15\right)$

$K_{i,N}\left(k\right)=P_{i,N}\left(k\right|k-1){\stackrel{\‾}{C}}_i^T\left(k\right){[{\stackrel{\‾}{C}}_i\left(k\right)P_{i,N}\left(k\right|k-1){\stackrel{\‾}{C}}_i^T\left(k\right)+{\stackrel{\‾}{R}}_i\left(k\right)]}^{-1}---\left(16\right)$

其中：

${\mathrm{\ϵ}}_i\left(k\right)={\stackrel{\‾}{z}}_i\left(k\right)-{\stackrel{\‾}{C}}_i\left(k\right){\hat{x}}_{i,N}\left(k\right|k-1)-\stackrel{\widehat{\‾}}{r_i}(k-1);$

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。

或者，当各传感器在当前时刻的观测结果为观测数据丢失时，将当前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，将当前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(17)和(18)所示：

${\hat{x}}_{i,N}\left(k\right|k)={\hat{x}}_{i,N}\left(k\right|k-1)---\left(17\right)$

P_i，N(k|k)＝P_i，N(k|k-1)                 (18)

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。

进一步地，本实施例提供的基于噪声误差的异步多传感器数据处理方法还可以包括对所有传感器获得的观测数据进行融合的步骤，具体可以采用如下步骤进行数据的融合：

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104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(19)来确定：

${\mathrm{\α}}_{i,N}\left(k\right)=P_N\left(k\right|k)P_{i,N}^{-1}\left(k\right|k)=\left\{\begin{array}{cc}{P}_N\left(k\right|k)P_{i,N}^{-1}\left(k\right|k),& i\∈I\\ P_N\left(k\right|k)P_{i,N}^{-1}\left(k\right|k-1),& i\∈J\end{array}\right.---\left(19\right)$

相应的估计误差协方差阵为：

$P_N\left(k\right|k)={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{P}_{i,N}^{-1}\left(k\right|k)\right)}^{-1}={(\underset{i\∈1}{\mathrm{\Σ}}{P}_{i,N}^{-1}\left(k\right|k)+\underset{j\∈J}{\mathrm{\Σ}}{P}_{j,N}^{-1}\left(k\right|k-1))}^{-1}---\left(20\right)$

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(21)：

${\hat{x}}_N\left(k\right|k)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_{i,N}\left(k\right){\hat{x}}_{i,N}\left(k\right|k)=\underset{i\∈I}{\mathrm{\Σ}}{\mathrm{\α}}_{i,N}\left(k\right){\hat{x}}_{i,N}\left(k\right|k)+\underset{j\∈J}{\mathrm{\Σ}}{\mathrm{\α}}_{j,N}\left(k\right){\hat{x}}_{j,N}\left(k\right|k-1)---\left(21\right)$

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噪声误差的异步多传感器数据处理方法，根据SSR观测数据和ADS-B观测数据建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型，并根据上述模型建立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，通过在考虑系统噪声、观测噪声以及存在不规则测量数据丢失的情况下，实现了SSR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。

图2为本发明基于噪声误差的异步多传感器数据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噪声误差的异步多传感器数据处理系统，包括第一模型建立模块1、第二模型建立模块2、转化模块3和预测模块4。其中，第一模型建立模块1用于建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型。第二模型建立模块2用于根据第一模型建立模块1建立的多传感器采样率模型、系统噪声误差模型和观测噪声误差模型建立不完全观测异步模型。转化模块3用于根据第二模型建立模块2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4用于根据上一时刻的各传感器的同步观测数据、第一模型建立模块1建立的系统噪声误差模型和观测噪声误差模型预测当前时刻的各传感器的观测数据。

具体地，第二模型建立模块2可以具体包括第一方程建立单元21和第二方程建立单元22。其中，第一方程建立单元21用于根据第一模型建立模块1建立的多传感器采样率模型和系统噪声误差模型建立时变线性动态方程。第二方程建立单元22用于根据第一模型建立模块1建立的观测噪声误差模型和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4可以具体包括第一计算单元41、滤波单元42和第二计算单元43。其中，第一计算单元41用于根据第一模型建立模块1建立的系统噪声误差模型计算系统噪声误差上一时刻的均值和方差，根据第一模型建立模块1建立的观测噪声误差模型计算观测噪声误差上一时刻的均值和方差。滤波单元42用于根据第一方程建立单元21建立的时变线性动态方程、第二方程建立单元22建立的观测方程和第一模型建立模块1建立的系统噪声上一时刻误差的均值和方差，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。第二计算单元43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。

更具体地，第二计算单元43可以具体包括第一计算子单元431和第二计算子单元432。其中，第一计算子单元431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。第二计算子单元432用于当各传感器在所述当前时刻的观测结果为观测数据丢失时，将当前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，将当前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。

进一步地，本实施例提供的基于噪声误差的异步多传感器数据处理系统还可以包括加权因子确定模块5和数据获取模块6。其中，加权因子确定模块5用于根据第一计算子单元431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。数据获取模块6用于根据加权因子确定模块5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噪声误差的异步多传感器数据处理方法，通过设置第一模型建立模块、第二模型建立模块、转化模块和预测模块，根据SSR观测数据和ADS-B观测数据建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型，并根据上述模型建立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，通过在考虑系统噪声、观测噪声以及不规则测量数据丢失的情况下，实现了SSR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。

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、一种基于噪声误差的异步多传感器数据处理方法，其特征在于，包括：

建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型；

根据所述多传感器采样率模型、所述系统噪声误差模型和所述观测噪声误差模型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、所述系统噪声误差模型和所述观测噪声误差模型预测当前时刻的各传感器的观测数据。

2、根据权利要求1所述的方法，其特征在于，所述根据所述多传感器采样率模型、所述系统噪声误差模型和所述观测噪声误差模型建立不完全观测异步模型包括：

根据所述多传感器采样率模型和所述系统噪声误差模型建立时变线性动态方程；

根据所述观测噪声误差模型和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、所述系统噪声误差模型和所述观测噪声误差模型预测当前时刻的各传感器的观测数据包括：

根据所述系统噪声误差模型计算系统噪声误差上一时刻的均值和方差，根据所述观测噪声误差模型计算观测噪声误差上一时刻的均值和方差；

根据所述时变线性动态方程、所述观测方程和所述系统噪声误差上一时刻的均值和方差，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，将所述当前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，将所述当前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1-4任一项所述的方法，其特征在于，还包括：

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各传感器的目标观测数据。

6、一种基于噪声误差的异步多传感器数据处理系统，其特征在于，包括：

第一模型建立模块，用于建立多传感器采样率模型、系统噪声误差模型和观测噪声误差模型；

第二模型建立模块，用于根据所述第一模型建立模块建立的所述多传感器采样率模型、所述系统噪声误差模型和所述观测噪声误差模型建立不完全观测异步模型；

转化模块，用于根据所述第二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、所述第一模型建立模块建立的所述系统噪声误差模型和所述观测噪声误差模型预测当前时刻的各传感器的观测数据。

7、根据权利要求6所述的系统，其特征在于，所述第二模型建立模块包括：

第一方程建立单元，用于根据所述第一模型建立模块建立的所述多传感器采样率模型和所述系统噪声误差模型建立时变线性动态方程；

第二方程建立单元，用于根据所述第一模型建立模块建立的所述观测噪声误差模型和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：

第一计算单元，用于根据所述第一模型建立模块建立的所述系统噪声误差模型计算系统噪声误差上一时刻的均值和方差，根据所述第一模型建立模块建立的所述观测噪声误差模型计算观测噪声误差上一时刻的均值和方差；

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、所述第二方程建立单元建立的所述观测方程和所述第一模型建立模块建立的所述系统噪声误差上一时刻的均值和方差，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；

第二计算单元，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，所述第二计算单元包括：

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，将所述当前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，将所述当前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6-9中任一项所述的系统，其特征在于，还包括：

加权因子确定模块，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；

数据获取模块，用于根据所述加权因子确定模块确定的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各传感器的目标观测数据。

Images