CN110705132A - 一种基于多源异质数据的制导控制系统性能融合评估方法 - Google Patents

Abstract

本发明是一种基于多源异质数据的制导控制系统性能融合评估方法。本发明根据数据的来源和特性不同分别进行融合。根据性能评估指标数据的形式，建立多源异质数据融合框架。首先应该进行数据预处理，即剔除各类数据中的异常值。然后，根据性能评估数据的来源和质量，可以分为三类数据融合方法：采用大样本经典频率数据融合进行处理；采用小样本贝叶斯数据融合方法进行处理；专家数据同样属于小样本数据。另外，由于大样本数据和小样本数据的数据真实性程度的差异，考虑采用贝叶斯更新方法进行处理，最终得到多源异质数据融合结果。

Description

一种基于多源异质数据的制导控制系统性能融合评估方法

技术领域

本发明涉及多源异质数据融合技术领域，是一种基于多源异质数据的制导控制系统性能融合评估方法。

背景技术

制导控制系统在飞行器飞行过程中具有极其重要的地位和作用，担负着目标搜索、飞行器制导等重要任务。制导与控制系统的性能直接影响精确飞行器武器系统的作战效能。没有一个性能优良、满足飞行器武器系统战术技术要求的制导精度，精确制导飞行器就不能完成其使命。因此，制导控制系统的性能是衡量精确飞行器性能的重要指标。而评估制导系统的性能首先要解决的问题即是性能度量的问题。对于制导控制系统性能评估来说，由于真实试验过于昂贵，因此不能够完全采用真实试验数据进行评估，需要由其他试验数据进行代替。制导控制系统数据主要由不同来源、不同类型方式进行收集，具有多来源、多容量、多类型等特点，属于多源异质数据范畴。

对于多源异质数据来说，如何对不同类型的数据进行数据处理，从而有效的表征制导控制系统性能指标特性是目前需要考虑的问题。融合技术一种有效的多源异质数据处理方法。它通过某些既定规则对众多途径获得的目标数据进行自动分析、处理以后遴选出其中的有效信息，最终能够综合有效信息实现所需的决策和评估工作而采用的信息处理技术。数据融合的本质是全面综合诸多不同途径获得的各种各样的数据，用恰当有效合理的方法将人们需要的信息从这些数据中筛选或者提取出来(包括这些数据中各方面的不完善的片面环境信息)，排除数据间有可能存在的冲突，获得对融合数据一致的结果。因此，本文考虑制导控制性能评估中的数据具有多源异质的特性，需要采用相应的融合评估方法进行处理，最终得到多源异质数据融合结果。

发明内容

本发明为综合诸多不同途径获得的各种各样的数据，本发明提供了一种基于多源异质数据的制导控制系统性能融合评估方法，本发明提供了以下技术方案：

一种基于多源异质数据的制导控制系统性能融合评估方法，包括以下步骤：

步骤1：对仿真数据、实测数据和专家数据进行数据预处理，剔除异常值；

步骤2：对仿真数据进行数据融合，采用大样本数据融合方法进行融合处理；

步骤3：对专家数据进行转换，将专家数据转换为概率形式数据；

步骤4：对实测数据和转化为概率形式的专家数据进行数据融合，采用小样本贝叶斯数据融合方法进行融合处理；

步骤5：将数据融合后的仿真数据作为先验信息，将数据融合后的实测数据和专家数据作为观测样本，采用贝叶斯融合方法对所述先验信息和观测样本进行融合，得到多源异质数据融合结果。

优选地，所述步骤1具体为：

步骤1.1：采用拉伊特方法对仿真数据、实测数据和专家数据进行数据预处理，当数据样本集为{x₁,x₂,...,x_n}时，则所述样本集的样本平均值为

样本偏差

x_n为第n个数据样本，x_i为第i个测量值，1≤i≤n；

步骤1.2：根据样本偏差和样本集的平均值确定标准差，通过下式表示所述标准差：

其中，s为标准差；

当|Δx_i|＞3s时，则x_i是异常值，并将其剔除，更新得到新的数据样本集。

优选地，所述步骤2具体为：

步骤2.1：对仿真数据进行数据融合，采用大样本数据融合方法进行融合处理，当存在N个仿真数据样本集

i＝1,2,...,N时，为每个样本集的样本个数，令每个仿真数据样本集的数据均值为θ_i，对仿真数据样本集进行融合，通过下式表示数据均值：

其中，θ为融合后仿真数据样本集的数据均值，w_i是第i个仿真数据集的加权系数

确定样本集的方差，通过下式表示样本集的方差：

其中，σ²为融合后仿真数据样本集总的方差，

是第i个仿真样本数据集的方差；

步骤2.2：依据总的总方差最小化的原则，根据多源函数极值理论确定w_i，通过下式表示w_i：

当

σ²达到最小值，并且

时，通过下式表示此时的融合后仿真数据样本集的数据均值：

当满足根据θ和σ²产生

个样本时，则完成对多个仿真数据大样本数据融合。

优选地，所述步骤3具体为：

步骤3.1：采用非概率形式的区间数对专家数据进行描述，通过下式表示专家数据集：

x＝[x^-,x⁺]＝{θ|x^-≤θ≤x⁺,x^-,x⁺∈R}

其中，x为专家数据集，R为实数集，x⁺为x的上限值，x^-x的下限值，θ为；

当x^-＝x⁺时，则x退化成一个普通的实数或精确数；

步骤3.2：区间数是用于不确定性参数建模时建模信息，仅确定变量取值范围的情况，记某区间变量为[a,b]，a为不确定性区间数的上界，b为不确定性区间数的下界，确定转换为均匀分布后的分布函数，通过下式表示转换为均匀分布后的分布函数：

其中，F(x)为转换为均匀分布后的分布函数；

步骤3.3：从区间[a,b]中可以抽样得到n_e个样本数据；当n_e＝5时，专家数据转换到概率形式的数据集合通过下式表示：

其中，E为专家数据转换到概率形式的数据集合，

为第n_e个专家数据转换到概率形式的数据。

优选地，所述步骤4具体为：令实测数据集为

为第_nr个实测数据，根据专家数据转换到概率形式的数据集为

采用小样本融合对实测数据和专家数据进行融合，通过下式表示融合结果：

其中，H为实测数据和专家数据的融合结果。

优选地，所述步骤5具体为：

步骤5.1：将数据融合后的仿真数据作为先验信息，将数据融合后的实测数据和专家数据作为观测样本；

步骤5.2：采用贝叶斯融合方法对所述先验信息和观测样本进行融合，得到多源异质数据融合结果，所述融合结果是均值ψ，令均值ψ～N(μ,σ²)，即分布均值μ和方差σ²的均值、方差相同，那么根据贝叶斯数据进行融合，通过下式表示贝叶斯数据融合：

p(ψ|x)∝p(x|ψ)p(ψ)

其中，p(·)表示概率密度，计算不同ψ值条件下的概率密度，得到均值ψ的概率分布，多源异质数据融合结果通过ψ的期望值表示，通过下式表示ψ的期望值：

E[ψ]＝∫p(ψ|x)ψdψ

其中，E[ψ]表示ψ的期望值。

本发明具有以下有益效果：

本发明可收集在制导控制系统中由不同来源、不同类型方式的数据，具有多来源、多容量、多类型等特点。

本发明不需要采用昂贵的真实试验贵，避免采用真实试验数据进行评估，需要由其他试验数据进行代替，成本低。

附图说明

图1是多源异质数据融合框架图；

图2是多源异质数据融合流程图；

图3是自适应加权融合结构图；

图4是区间变量概率密度函数图；

图5是大样本数据概率分布曲线图；

图6是小样本数据概率分布曲线图；

图7是贝叶斯更新数据融合结果图。

具体实施方式

以下结合具体实施例，对本发明进行了详细说明。

具体实施例一：

按照图1和图2所示，本发明提供一种基于多源异质数据的制导控制系统性能融合评估方法，包括以下步骤：

步骤1：对仿真数据、实测数据和专家数据进行数据预处理，剔除异常值；

数据预处理的基本思想是做出相应于某一数据的统计量，当该统计量超出一定范围，则认为相应的观测数据不服从正常分布而属异常数据。这里采用拉伊特方法进行数据预处理。

设数据样本集为{x₁,x₂,...,x_n}，其样本平均值为

偏差

按下式计算标准差：

一般认为，如果某测量值x_i,1≤i≤n的偏差：

|Δx_i|＞3s

则认为x_i是异常值，应该剔除。这样，通过剔除相应的异常数据，可以得到新的数据样本集。

步骤2：对仿真数据进行数据融合，采用大样本数据融合方法进行融合处理；

于仿真数据一般样本量大，需要采用大样本数据融合方法进行处理。假设存在多个仿真数据样本集

即存在N个数据样本集合，每个样本集的样本个数为n_i个。由于各个样本数据集的精度不可能完全一致，即每个样本数据集的可信度难以完全一致，为了使融合结果更优，可根据各个样本数据集的数据地寻找对应的权重系数已达到最优的融合结果。自适应加权数据融合方法如图3所示。

假设每个仿真数据样本集S_i的数据均值为θ_i，融合后数据样本集S的数据均值为θ，由图3可得数据融合结果为

其中，w_i是第i个数据集的加权系数，且有那么数据样本集S的方差为

其中，

是第i个数据集的方差。依照总的总方差最小化的原则，根据多元函数极值理论可知，当加权系数为

σ²达最小值，且为

可见，各样本数据集的权重系数仅有测量方差决定。当

条件下，总的方差达到最小，此时

这样，假设数据样本集S服从正态分布，为保证融合后数据样本量大小与融合前各数据样本个数相同，根据S的均值θ和方差σ²，产生

个样本。这样，即可完成多个大样本仿真数据的融合。

步骤3：对专家数据进行转换，将专家数据转换为概率形式数据；

在飞行器制导控制系统性能评估过程中，性能的计算往往需要使用一定量的数据。然而，在实际中由于制导控制系统运行代价太大，无法获取充足的实测数据。因此，在真实数据稀疏时，需要专家根据自身的实际经验给出一定的参考数据，用于制导控制系统的性能评估计算。一般情况下，专家主观判断具有一定的不确定性，很难给出某个变量的准确取值，只能给出取值的可能区间范围。由于专家数据的此种特征，一般采用非概率形式的区间数形式进行描述。多源异质数据融合中无法直接使用区间形式的数据进行计算，因此需要研究相应的转换方法，将专家数据转换到概率框架，进而实现数据的融合。下面将从区间数进行数据的转换研究。

定义x＝[x^-,x⁺]＝{θ|x^-≤θ≤x⁺,x^-,x⁺∈R}，其中R为实数集，x^-为x的下限值，x⁺为x的上限值，则称x是一个区间数，即x为实数轴上的一个闭区间。容易看出，当x^-＝x⁺时，区间数x退化成一个普通的实数或称精确数。

区间数是一种常用的非概率形式的数据描述方法，适用于不确定性参数建模时建模信息较少，仅能确定变量取值范围的情况。记某区间变量为[a,b]，则转换为均匀分布后的分布函数为

概率密度函数如图4所示，那么，根据均匀分布数据的特点，从区间[a,b]中可以抽样得到n_e个样本数据。一般情况下，n_e＝5。这样，专家数据转换到概率形式的数据集合即可表示为

a代表不确定性区间数的上界，b代表不确定性区间数的下界。

步骤4：对实测数据和转化为概率形式的专家数据进行数据融合，采用小样本贝叶斯数据融合方法进行融合处理；

在实测数据中，由于数据样本量是稀疏，因此常常需要配合专家数据进行后续的数据融合。假设实测数据集为

而专家数据集为

这样小样本数据融合的结果为

步骤5：将数据融合后的仿真数据作为先验信息，将数据融合后的实测数据和专家数据作为观测样本，采用贝叶斯融合方法对所述先验信息和观测样本进行融合，得到多源异质数据融合结果。

多源异质数据融合是将不同来源、性质的数据进行融合，并得到融合后数据结果。一般情况下，多源异质数据x融合后的结果是数据的均值所述融合结果是均值ψ，令均值ψ～N(μ,σ²)，即分布均值μ和方差σ²的均值、方差相同，那么根据贝叶斯数据进行融合，通过下式表示贝叶斯数据融合：

p(ψ|x)∝p(x|ψ)p(ψ)

其中，p(·)表示概率密度，计算不同ψ值条件下的概率密度，得到均值ψ的概率分布，多源异质数据融合结果通过ψ的期望值表示，通过下式表示ψ的期望值：

E[ψ]＝∫p(ψ|x)ψdψ

其中，E[ψ]表示ψ的期望值。

由于多源异质数据具有多源、异质特性，因此需要首先根据数据的特点进行分类，即将制导控制系统性能评估中的多源异质数据分为仿真数据、实测数据以及专家数据三类，根据数据的来源和特性不同分别进行融合。根据性能评估指标数据的形式，建立如图1的多源异质数据融合框架。在进行多源异质数据融合之前，首先应该进行数据预处理，即剔除各类数据中的异常值。然后，根据性能评估数据的来源和质量，可以分为三类数据融合方法：1)仿真数据具有容量大、信息全的特点，采用大样本经典频率数据融合进行处理；2)由于实测数据代价昂贵、数据量少，因此采用小样本贝叶斯数据融合方法进行处理；3)专家数据是由专家根据实际经验给出的数据，同样属于小样本数据。另外，专家数据最大的特点在于数据描述形式呈现非概率形式，常用的描述方式是区间数形式。考虑将区间形式的专家数据转化为概率形式数据，并与实测数据一同采用小样本数据融合方法处理。4)由于大样本数据和小样本数据的数据真实性程度的差异，考虑采用贝叶斯更新方法进行处理，最终得到多源异质数据融合结果。根据多源异质数据融合框架，建立如图2所示的多源异质数据融合流程。

具体实施例二：

以某飞行器制导控制系统的性能指标视线角速率误差为例，该指标主要包含三类数据，即仿真数据、实测数据以及专家数据。下面将从数据准备、大样本数据融合、专家数据转换、小样本数据融合以及贝叶斯数据融合5个方面进行多源异质数据融合的阐述。

1)数据准备

对于数据准备阶段，表1-3分别列出了视线角速率误差的试验数据，其中仿真数据分为组别1和组别2两组，实测数据具有稀疏特性，仅包含3个数据，而专家数据则描述为[0.16,0.18]的区间数。

表1组别1仿真数据

编号	1	2	3	4	5	6	7	8
									数据	0.159	0.183	0.179	0.171	0.159	0.181	0.178	0.188
编号	9	10	11	12	13	14	15	16
									数据	0.190	0.166	0.176	0.158	0.180	0.163	0.183	0.184
编号	17	18	19	20	21	22	23	24
									数据	0.161	0.196	0.158	0.191	0.177	0.200	0.154	0.172
编号	25	26	27	28	29	30
									数据	0.165	0.192	0.173	0.154	0.155	0.198

表2组别2仿真数据

编号	1	2	3	4	5	6	7	8
									数据	0.201	0.188	0.200	0.178	0.207	0.188	0.200	0.179
编号	9	10	11	12	13	14	15	16
									数据	0.196	0.159	0.163	0.157	0.157	0.193	0.179	0.177
编号	17	18	19	20	21	22	23	24
									数据	0.181	0.168	0.176	0.170	0.154	0.162	0.156	0.159
编号	25	26	27	28	29	30
									数据	0.179	0.185	0.157	0.193	0.162	0.171

表3实测数据

编号	1	2	3
				数据	0.15	0.17	0.15

2)数据预处理

对于上述仿真数据和实测数据，分别采用拉伊特方法进行数据预处理。处理结果显示这两类无异常数据。

3)大样本仿真数据融合

由于大样本仿真数据分为S₁和S₂两个样本集，采用图的大样本数据融合方法进行计算。这样，S₁和S₂两个样本集的均值分别为θ₁＝0.1744,θ₂＝0.1765，对应的权重分别为w₁＝0.5787,w₂＝0.4213。这样，融合后的大样本数据集的均值为0.1738。具体概率分布如图5所示。

4)专家数据转换

由于专家数据为[0.16,0.18]形式的区间数据，在进行小样本数据融合之前，需要将专家数据转化为概率形式的数据。根据可知，在区间[0.16,0.18]产生5个均匀分布的数据，这样即可获得专家数据集E＝{0.16,0.165,0.17,0.175,0.180}。

5)小样本数据融合

由于视线角转率的小样本数据包括实测数据和专家，因此需要融合实测数据和专家数据两类数据。实测数据集可以表示为R＝{0.15,0.17,0.15}，而专家数据集E＝{0.16,0.165,0.17,0.175,0.180}，这样小样本数据集可以表示为H＝{0.15,0.17,0.15，0.16,0.165,0.17,0.175,0.180}。

6)贝叶斯更新数据融合

由于视线角速率误差的小样本数据集和大样本数据集分别表示为H和S，采用贝叶斯更新方法进行数据融合，得到如图5和图6所示的概率分布曲线，其中，大样本仿真数据的均值和标准差分别为0.1738和0.0110，小样本数据的期望和标准差分别为0.1650和0.0150。这样，贝叶斯更新数据融合方法的融合结果如图7所示。从图中可以看出，视线角速率误差均值的期望为0.1694，标准差为0.0027。

以上所述仅是一种基于多源异质数据的制导控制系统性能融合评估方法的优选实施方式，一种基于多源异质数据的制导控制系统性能融合评估方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (6)

1.一种基于多源异质数据的制导控制系统性能融合评估方法，其特征是：包括以下步骤：

步骤1：对仿真数据、实测数据和专家数据进行数据预处理，剔除异常值；

步骤2：对仿真数据进行数据融合，采用大样本数据融合方法进行融合处理；

步骤3：对专家数据进行转换，将专家数据转换为概率形式数据；

步骤4：对实测数据和转化为概率形式的专家数据进行数据融合，采用小样本贝叶斯数据融合方法进行融合处理；

步骤5：将数据融合后的仿真数据作为先验信息，将数据融合后的实测数据和专家数据作为观测样本，采用贝叶斯融合方法对所述先验信息和观测样本进行融合，得到多源异质数据融合结果。

2.根据权利要求1所述的一种基于多源异质数据的制导控制系统性能融合评估方法，其特征是：所述步骤1具体为：

步骤1.1：采用拉伊特方法对仿真数据、实测数据和专家数据进行数据预处理，当数据样本集为{x₁,x₂,...,x_n}时，则所述样本集的样本平均值为

样本偏差x_n为第n个数据样本，x_i为第i个测量值，1≤i≤n；

步骤1.2：根据样本偏差和样本集的平均值确定标准差，通过下式表示所述标准差：

其中，s为标准差；

当|Δx_i|＞3s时，则x_i是异常值，并将其剔除，更新得到新的数据样本集。

3.根据权利要求2所述的一种基于多源异质数据的制导控制系统性能融合评估方法，其特征是：所述步骤2具体为：

步骤2.1：对仿真数据进行数据融合，采用大样本数据融合方法进行融合处理，当存在N个仿真数据样本集

时，

为每个样本集的样本个数，令每个仿真数据样本集的数据均值为θ_i，对仿真数据样本集进行融合，通过下式表示数据均值：

其中，θ为融合后仿真数据样本集的数据均值，w_i是第i个仿真数据集的加权系数确定样本集的方差，通过下式表示样本集的方差：

其中，σ²为融合后仿真数据样本集总的方差，

是第i个仿真样本数据集的方差；

步骤2.2：依据总的总方差最小化的原则，根据多源函数极值理论确定w_i，通过下式表示w_i：

当

σ²达到最小值，并且

时，通过下式表示此时的融合后仿真数据样本集的数据均值：

当满足根据θ和σ²产生

个样本时，则完成对多个仿真数据大样本数据融合。

4.根据权利要求1所述的一种基于多源异质数据的制导控制系统性能融合评估方法，其特征是：所述步骤3具体为：

步骤3.1：采用非概率形式的区间数对专家数据进行描述，通过下式表示专家数据集：

x＝[x^-,x⁺]＝{θ|x^-≤θ≤x⁺,x^-,x⁺∈R}

其中，x为专家数据集，R为实数集，x⁺为x的上限值，x^-x的下限值，θ为；

当x^-＝x⁺时，则x退化成一个普通的实数或精确数；

步骤3.2：区间数是用于不确定性参数建模时建模信息，仅确定变量取值范围的情况，记某区间变量为[a,b]，a代表不确定性区间数的上界，b代表不确定性区间数的下界，确定转换为均匀分布后的分布函数，通过下式表示转换为均匀分布后的分布函数：

其中，F(x)为转换为均匀分布后的分布函数；

步骤3.3：从区间[a,b]中可以抽样得到n_e个样本数据；当n_e＝5时，专家数据转换到概率形式的数据集合通过下式表示：

其中，E为专家数据转换到概率形式的数据集合，为第n_e个专家数据转换到概率形式的数据。

5.根据权利要求1所述的一种基于多源异质数据的制导控制系统性能融合评估方法，其特征是：所述步骤4具体为：令实测数据集为

为第_nr个实测数据，根据专家数据转换到概率形式的数据集为

采用小样本融合对实测数据和专家数据进行融合，通过下式表示融合结果：

其中，H为实测数据和专家数据的融合结果。

6.根据权利要求1所述的一种基于多源异质数据的制导控制系统性能融合评估方法，其特征是：所述步骤5具体为：

步骤5.1：将数据融合后的仿真数据作为先验信息，将数据融合后的实测数据和专家数据作为观测样本；

步骤5.2：采用贝叶斯融合方法对所述先验信息和观测样本进行融合，得到多源异质数据融合结果，所述融合结果是均值ψ，令均值ψ～N(μ,σ²)，即分布均值μ和方差σ²的均值、方差相同，那么根据贝叶斯数据进行融合，通过下式表示贝叶斯数据融合：

p(ψ|x)∝p(x|ψ)p(ψ)

其中，p(·)表示概率密度，计算不同ψ值条件下的概率密度，得到均值ψ的概率分布，多源异质数据融合结果通过ψ的期望值表示，通过下式表示ψ的期望值：

E[ψ]＝∫p(ψ|x)ψdψ

其中，E[ψ]表示ψ的期望值。

Images