付中澤，陳 偉，韓金良

(1.海軍裝備部駐天津地區(qū)第一軍代表室，天津300131；2.天津航海儀器研究所，天津300131)

0 引言

艦船組合導(dǎo)航系統(tǒng)組合不同特點(diǎn)的導(dǎo)航設(shè)備與導(dǎo)航方法，應(yīng)用信息融合技術(shù)對(duì)導(dǎo)航信息進(jìn)行綜合處理，以提高系統(tǒng)數(shù)據(jù)精度和可靠性。常用卡爾曼濾波方法對(duì)多傳感器數(shù)據(jù)進(jìn)行濾波融合[1]，但由于其依賴于系統(tǒng)數(shù)學(xué)模型而帶來(lái)模型誤差。借助神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)卡爾曼濾波估計(jì)進(jìn)行誤差補(bǔ)償，可提高卡爾曼濾波器的自適應(yīng)性與估計(jì)精度。航行安全問(wèn)題一直是航海界關(guān)注解決的重大課題，基于航海避碰理論和人工智能技術(shù)，研究建立航海避碰決策系統(tǒng)，有利于提高航行安全和減輕航海人員負(fù)擔(dān)?，F(xiàn)代化艦船導(dǎo)航設(shè)備的集成化和智能化程度不斷提高[2]，不但要為艦船操控和武器系統(tǒng)等提供實(shí)時(shí)準(zhǔn)確的導(dǎo)航信息，還要求具備故障識(shí)別和狀態(tài)預(yù)測(cè)的能力，因而研究具有聯(lián)想記憶和邏輯推理能力的智能診斷系統(tǒng)具有重要意義。

1 艦船組合導(dǎo)航系統(tǒng)

隨著艦船導(dǎo)航技術(shù)的發(fā)展，各導(dǎo)航設(shè)備的功能特點(diǎn)和性能優(yōu)劣已基本穩(wěn)定，單一傳感器的導(dǎo)航系統(tǒng)已無(wú)法滿足在數(shù)據(jù)精度和可靠性等多方面的要求。為此，基于多傳感器信息融合技術(shù)的艦船組合導(dǎo)航系統(tǒng)應(yīng)運(yùn)而生。

艦船組合導(dǎo)航系統(tǒng)主要分為傳感器、數(shù)據(jù)處理中心和決策控制終端3個(gè)部分。傳感器一般包括慣導(dǎo)、衛(wèi)導(dǎo)和計(jì)程儀等設(shè)備，其作為導(dǎo)航系統(tǒng)的信息源，主要提供艦船位置、航向和航速等信息。數(shù)據(jù)處理中心以高速計(jì)算機(jī)為載體，應(yīng)用卡爾曼濾波器和最優(yōu)化統(tǒng)計(jì)理論，對(duì)各傳感器導(dǎo)航信息進(jìn)行融合處理，從而給出各導(dǎo)航參數(shù)的最優(yōu)解。決策控制終端是導(dǎo)航參數(shù)的應(yīng)用端，主要包括信息顯示、操控指揮和武器作戰(zhàn)等系統(tǒng)設(shè)備。基于多傳感器信息融合的組合導(dǎo)航系統(tǒng)，不僅有效提高了導(dǎo)航數(shù)據(jù)精度和可靠性，同時(shí)為實(shí)現(xiàn)艦船的航海避碰、故障診斷和綜合決策等智能化應(yīng)用奠定了重要基礎(chǔ)。

2 人工智能技術(shù)

人工智能作為計(jì)算機(jī)科學(xué)的一個(gè)分支，致力于智能行為的自動(dòng)化[3]。人工智能領(lǐng)域的研究主要包括神經(jīng)網(wǎng)絡(luò)、模糊邏輯和專家系統(tǒng)3個(gè)方面。

人工神經(jīng)網(wǎng)絡(luò)是對(duì)人腦結(jié)構(gòu)和功能進(jìn)行簡(jiǎn)化模擬，通過(guò)神經(jīng)元的廣泛互連和一定的學(xué)習(xí)機(jī)制，確立系統(tǒng)輸入與輸出間的非線性映射關(guān)系，進(jìn)而能夠依據(jù)外部信息進(jìn)行動(dòng)態(tài)響應(yīng)的信息處理系統(tǒng)。建立系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型的過(guò)程如圖1所示。首先分析系統(tǒng)的需求背景和功能模型，設(shè)定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；然后基于大量樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使模型更加貼近系統(tǒng)工作實(shí)際；最后評(píng)價(jià)檢驗(yàn)權(quán)值滿足要求后，便建立了系統(tǒng)輸入與輸出間的網(wǎng)絡(luò)化動(dòng)態(tài)關(guān)系；神經(jīng)網(wǎng)絡(luò)模型在工作過(guò)程中繼續(xù)學(xué)習(xí)，得到不斷優(yōu)化。

圖1 神經(jīng)網(wǎng)絡(luò)模型的建立過(guò)程Fig.1 The learning processof neural networks

由于客觀事物不斷變得復(fù)雜，常用一些模糊性語(yǔ)言來(lái)概括事物的某種屬性，并采用不確定性推理來(lái)描述模糊事物之間的關(guān)系。模糊邏輯推理是一種常用的不確定性推理手段，其推理機(jī)制包含如下幾步：1）將模糊命題中的不定性元素表示成定性值的形式構(gòu)成模糊集合，根據(jù)模糊元素與模糊集和的關(guān)系推導(dǎo)出隸屬度函數(shù)；2）專家基于問(wèn)題中的模糊關(guān)系制定模糊規(guī)則，應(yīng)用模糊規(guī)則建立操作模糊集的數(shù)學(xué)模型；3）將模糊集合、隸屬度函數(shù)、模糊規(guī)則和模糊集操作模型，按照一定的數(shù)學(xué)表達(dá)方式構(gòu)建專家知識(shí)庫(kù)；4）基于專家知識(shí)庫(kù)中的模糊邏輯關(guān)系，建立模糊命題與推論之間的數(shù)學(xué)聯(lián)系。

專家系統(tǒng)是利用專家知識(shí)組建成知識(shí)庫(kù)，針對(duì)問(wèn)題特征在知識(shí)庫(kù)中進(jìn)行搜索匹配，并通過(guò)推理手段來(lái)解決特定問(wèn)題的程序系統(tǒng)。專家系統(tǒng)的組成結(jié)構(gòu)如圖2所示。首先基于專家知識(shí)和經(jīng)驗(yàn)方法，按照一定的數(shù)據(jù)存儲(chǔ)形式創(chuàng)建系統(tǒng)知識(shí)庫(kù)；推理模塊根據(jù)問(wèn)題信息的特征在知識(shí)庫(kù)中搜索匹配，并根據(jù)需要繼續(xù)向用戶索要補(bǔ)充信息，經(jīng)推理分析后給出問(wèn)題解答。最后，用戶可根據(jù)理解需要向?qū)＜蚁到y(tǒng)尋求解釋，專家知識(shí)庫(kù)依據(jù)問(wèn)題解決情況自動(dòng)對(duì)系統(tǒng)知識(shí)補(bǔ)充更新。

圖2 專家系統(tǒng)的組成結(jié)構(gòu)Fig.2 General structure of an expert system

3 神經(jīng)網(wǎng)絡(luò)輔助進(jìn)行導(dǎo)航信息融合

3.1 卡爾曼濾波算法

卡爾曼濾波是由Kalman提出的一種線性最小方差估計(jì)，離散卡爾曼濾波算法的系統(tǒng)狀態(tài)方程和量測(cè)方程表達(dá)式為[4]:

式中：Xk為系統(tǒng)結(jié)果的估計(jì)序列；Zk為系統(tǒng)結(jié)果的觀測(cè)序列，Wk是參數(shù)在系統(tǒng)傳遞過(guò)程的噪聲序列；Vk為系統(tǒng)結(jié)果的觀測(cè)噪聲序列；Wk與Vk相互獨(dú)立。?k,k?1是系統(tǒng)狀態(tài)變換矩陣，Γk,k?1是外部噪聲輸入變換矩陣，Hk是量測(cè)變換矩陣，且滿足如下關(guān)系：

式中：Rk為系統(tǒng)量測(cè)噪聲序列方差陣；Qk為系統(tǒng)過(guò)程噪聲序列方差陣；δk j為狄拉克?δ函數(shù)，且滿足δk j=將式1中的離散卡爾曼濾波算法進(jìn)行計(jì)算推導(dǎo)得到：

式中：Kk為卡爾曼濾波增益矩陣，增益大說(shuō)明計(jì)算系統(tǒng)預(yù)測(cè)結(jié)果的權(quán)重側(cè)重于觀測(cè)值，反之說(shuō)明側(cè)重于估計(jì)值。假設(shè)k時(shí)刻的觀測(cè)值是Zk，若已知初值X?0和P0，就可以通過(guò)遞推的方式獲得k時(shí)刻的狀態(tài)估計(jì)結(jié)果

3.2 聯(lián)邦卡爾曼濾波器在組合導(dǎo)航中的應(yīng)用

基于多個(gè)子卡爾曼濾波器組合成聯(lián)邦卡爾曼濾波器，可實(shí)現(xiàn)多個(gè)數(shù)據(jù)融合得到最優(yōu)結(jié)果。以2個(gè)子濾波器（N=2）為例對(duì)數(shù)據(jù)融合過(guò)程進(jìn)行說(shuō)明。設(shè)和為2個(gè)子濾波器的狀態(tài)估計(jì)，對(duì)應(yīng)的估計(jì)誤差方差為P1和P2，則融合后的狀態(tài)估計(jì)為[4]:

在組合導(dǎo)航系統(tǒng)中，慣導(dǎo)系統(tǒng)一般作為參考公共系統(tǒng)，即將其輸出值作為系統(tǒng)觀測(cè)值系統(tǒng)主濾波器應(yīng)用式（4）中的數(shù)據(jù)融合理論，對(duì)系統(tǒng)觀測(cè)值觀測(cè)誤差方差P1i、測(cè)量傳感器的估計(jì)值和相對(duì)應(yīng)子濾波器的估計(jì)誤差方差P2i進(jìn)行融合，進(jìn)而得到測(cè)試量的全局最優(yōu)估計(jì)值將系統(tǒng)的估計(jì)誤差方差Pg返回到各子濾波器，實(shí)現(xiàn)系統(tǒng)狀態(tài)模型的參數(shù)優(yōu)化。

3.3 基于神經(jīng)網(wǎng)絡(luò)改進(jìn)卡爾曼濾波算法

由于環(huán)境噪聲影響造成的系統(tǒng)模型誤差，降低了數(shù)據(jù)融合精度和穩(wěn)定性。根據(jù)系統(tǒng)輸入輸出關(guān)系和環(huán)境動(dòng)態(tài)影響過(guò)程，建立自適應(yīng)性神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)卡爾曼濾波器融合結(jié)果的動(dòng)態(tài)補(bǔ)償，從而有效降低了模型誤差對(duì)濾波精度的影響。

應(yīng)用神經(jīng)網(wǎng)絡(luò)輔助卡爾曼濾波的基本原理如圖3所示：1）對(duì)系統(tǒng)模型和輸入輸出樣本進(jìn)行分析，建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始參數(shù)；2）將聯(lián)邦卡爾曼濾波器的輸出Xg作 為系統(tǒng)初始估計(jì)，經(jīng)神經(jīng)網(wǎng)絡(luò)計(jì)算得到視為誤差補(bǔ)償估計(jì)；3）利用計(jì)算和期望輸出的差值訓(xùn)練神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)模型參數(shù)的優(yōu)化；4）神經(jīng)網(wǎng)絡(luò)模型輸出校正值Pg，對(duì)初始估計(jì)Xg進(jìn)行誤差補(bǔ)償，并將補(bǔ)償后的作為系統(tǒng)的最終估計(jì)結(jié)果。

圖 3神經(jīng)網(wǎng)絡(luò)輔助卡爾曼濾波原理框圖Fig.3 Block diagram of neural network-assisted Kalman filtering

4 航海智能避碰專家系統(tǒng)

4.1 系統(tǒng)方案設(shè)計(jì)

航海智能避碰專家系統(tǒng)采用探測(cè)傳感器對(duì)危險(xiǎn)目標(biāo)進(jìn)行探測(cè)，通過(guò)無(wú)線網(wǎng)絡(luò)接收指揮中心和其他艦船直接發(fā)來(lái)的航行信息，基于航行專家知識(shí)庫(kù)中的知識(shí)案例進(jìn)行計(jì)算推理，判斷是否會(huì)出現(xiàn)碰撞等危險(xiǎn)情況，然后決策給出避讓行動(dòng)方案。

航海智能避碰專家系統(tǒng)設(shè)計(jì)方案如圖4所示。在判別碰撞危險(xiǎn)度階段，系統(tǒng)依據(jù)目標(biāo)運(yùn)動(dòng)狀態(tài)和海洋環(huán)境信息，基于碰撞危險(xiǎn)度模型計(jì)算出碰撞危險(xiǎn)度；在判斷碰撞危險(xiǎn)態(tài)勢(shì)階段，系統(tǒng)依據(jù)兩船的相對(duì)位置和航行信息，對(duì)當(dāng)前的碰撞態(tài)勢(shì)進(jìn)行匹配識(shí)別；在艦船避讓決策階段，系統(tǒng)基于碰撞危險(xiǎn)度和碰撞態(tài)勢(shì)，依據(jù)專家知識(shí)和經(jīng)驗(yàn)進(jìn)行綜合推理，在此過(guò)程中可通過(guò)人機(jī)交互接口獲取補(bǔ)充信息或者傳遞解釋信息，最終確定避碰策略和行動(dòng)方案；在知識(shí)庫(kù)更新階段，系統(tǒng)基于新產(chǎn)生的碰撞案例和處理經(jīng)驗(yàn)，通過(guò)一定的信息描述機(jī)制對(duì)知識(shí)庫(kù)內(nèi)容進(jìn)行完善。

圖4 航海專家避碰系統(tǒng)設(shè)計(jì)方案Fig.4 Design scheme of collision avoidance system for marine experts

4.2 建立系統(tǒng)模型

4.2.1 基于模糊原理的碰撞危險(xiǎn)度模型

以DCPA（D，最小會(huì)遇距離）、TCPA（T，最小會(huì)遇時(shí)間）和Range（R，船舶與目標(biāo)距離）為主要因素建立碰撞危險(xiǎn)度模型，如下式[5]：

式中：d1，d2為危險(xiǎn)判斷衡量距離；DLA為最晚采取避碰行動(dòng)時(shí)的船間距離；K1為 會(huì)遇類型系數(shù)；K2為船舶狀態(tài)系數(shù)；To為本船轉(zhuǎn)向90?所需要的時(shí)間；VR為目標(biāo)船的相對(duì)速度；F1反 映了目標(biāo)方位因子；F2代表能見(jiàn)度因素；F3反 映當(dāng)前水域情況。μA為本船的綜合碰撞 危 險(xiǎn) 度；μAD(D)， μAT(T)， μAR(R)為 分 別 會(huì) 遇 距離、會(huì)遇時(shí)間和目標(biāo)距離的碰撞危險(xiǎn)度；aD，aT，aR為影響權(quán)重；DLA，T，K1，K2，aD，aT，aR為基于歷史的航行情況和經(jīng)驗(yàn)數(shù)據(jù)，通過(guò)模糊邏輯推理得到。

艦船基于最小會(huì)遇距離和衡量距離，判斷本船與危險(xiǎn)目標(biāo)間的碰撞危險(xiǎn)度。當(dāng)DCPAd2時(shí)，認(rèn)為尚無(wú)任何碰撞危險(xiǎn)；而當(dāng)d1< DCPA

4.2.2 基于神經(jīng)網(wǎng)絡(luò)的艦船會(huì)遇態(tài)勢(shì)推理模型

在本船與目標(biāo)船的會(huì)遇過(guò)程中，根據(jù)航海避碰規(guī)則一般將會(huì)遇局面分成：對(duì)遇（左、右）、小角度交又（左、右）、大角度交叉（左、右）、追越和被追越等，在每一種會(huì)遇局面里邊包含了多種會(huì)遇狀態(tài)。根據(jù)以往的航行會(huì)遇態(tài)勢(shì)判別經(jīng)驗(yàn)，通常將航向交叉角C和目標(biāo)船舷角Q作為主要判別依據(jù)。

基于神經(jīng)網(wǎng)絡(luò)建立艦船會(huì)遇態(tài)勢(shì)推理模型的基本結(jié)構(gòu)如圖5所示。首先建立推理模型的網(wǎng)絡(luò)結(jié)構(gòu)，子網(wǎng)NN1，NN2用于舷角Q和航向交叉角C的信息輸入，Vr為系統(tǒng)外部誤差，NN3用于對(duì)會(huì)遇態(tài)勢(shì)進(jìn)行模糊推理；將專家結(jié)論和航行經(jīng)驗(yàn)通過(guò)一定的數(shù)學(xué)語(yǔ)言進(jìn)行描述，確定網(wǎng)絡(luò)模型的權(quán)值參數(shù)，并在工作中對(duì)其不斷修正。最后，模型根據(jù)弦角Q和交叉角C信息進(jìn)行推理，得出會(huì)遇態(tài)勢(shì)結(jié)果。

圖5 態(tài)勢(shì)網(wǎng)絡(luò)推理模型Fig.5 Situational Network Reasoning Model

4.2.3 基于模糊決策的艦船避讓決策模型

當(dāng)兩船構(gòu)成碰撞危險(xiǎn)時(shí)，兩船中的一船或者兩船都要采取避讓行動(dòng)。艦船根據(jù)碰撞危險(xiǎn)度、會(huì)遇態(tài)勢(shì)、運(yùn)動(dòng)狀態(tài)和海洋環(huán)境等因素，采取不同的避讓策略和行動(dòng)。航海規(guī)則中將兩船會(huì)遇的避讓行動(dòng)分為采取避讓行動(dòng)、碰撞危險(xiǎn)、緊迫局面和緊迫危險(xiǎn)共4個(gè)階段[6]。因此，艦船避碰決策問(wèn)題就轉(zhuǎn)化為判別避讓行動(dòng)階段的問(wèn)題。將艦船碰撞危險(xiǎn)度、會(huì)遇態(tài)勢(shì)、運(yùn)動(dòng)狀態(tài)和外界環(huán)境作為模型的4個(gè)模糊因子，綜合應(yīng)用專家理論和歷史避碰案例等建立避碰規(guī)則庫(kù)，通過(guò)推理分析和匹配算法，得到當(dāng)前危險(xiǎn)局勢(shì)與避碰行動(dòng)策略之間的非線性邏輯關(guān)系。將當(dāng)前的會(huì)遇信息進(jìn)行量化，依據(jù)避碰規(guī)則和神經(jīng)網(wǎng)絡(luò)進(jìn)行匹配推理，確定當(dāng)前所處的避碰行動(dòng)階段，并按照階段要求確定避碰行動(dòng)方案。

5 基于神經(jīng)網(wǎng)絡(luò)的導(dǎo)航故障診斷專家系統(tǒng)

5.1 系統(tǒng)組成結(jié)構(gòu)

故障診斷專家系統(tǒng)是基于艦船航行和排故經(jīng)驗(yàn)組建知識(shí)庫(kù)，應(yīng)用神經(jīng)網(wǎng)絡(luò)的邏輯推理能力，解決帶有隨機(jī)性和突發(fā)性故障問(wèn)題的智能診斷系統(tǒng)。故障診斷專家系統(tǒng)原理如圖6所示。首先基于專家資料和排故案例，計(jì)算神經(jīng)網(wǎng)絡(luò)連接權(quán)值并組建成知識(shí)庫(kù)；專家系統(tǒng)對(duì)艦船設(shè)備進(jìn)行自動(dòng)診斷，當(dāng)設(shè)備功能失調(diào)或者數(shù)據(jù)異常時(shí)，推理故障原因并對(duì)其發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè)；當(dāng)用戶向診斷系統(tǒng)發(fā)出診斷請(qǐng)求時(shí)，系統(tǒng)依據(jù)請(qǐng)求征兆信息進(jìn)行案例匹配和推理，并依據(jù)需要向用戶索要補(bǔ)充信息；最后得出診斷結(jié)果并解釋說(shuō)明。如果在排故中得出新的診斷經(jīng)驗(yàn)，系統(tǒng)自動(dòng)對(duì)知識(shí)庫(kù)進(jìn)行補(bǔ)充。

5.2 組建知識(shí)庫(kù)

知識(shí)庫(kù)是組建故障診斷專家系統(tǒng)的關(guān)鍵[7]，其知識(shí)數(shù)量和質(zhì)量決定了專家系統(tǒng)的技術(shù)水平。故障問(wèn)題的求解過(guò)程就是通過(guò)模擬人類專家思維，基于知識(shí)庫(kù)中的知識(shí)案例，對(duì)故障特征信息進(jìn)行推理解釋的過(guò)程。組建步驟為：1）分析診斷對(duì)象的故障知識(shí)結(jié)構(gòu)，確定神經(jīng)網(wǎng)絡(luò)模型；2）選擇故障診斷樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)算輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值，建立故障征兆與故障原因之間的數(shù)學(xué)推理關(guān)系；3）存儲(chǔ)連接權(quán)值建立知識(shí)庫(kù)。

圖6 故障診斷專家系統(tǒng)結(jié)構(gòu)圖Fig.6 Structurechart of fault diagnosis expert system

5.3 系統(tǒng)的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

用于故障檢測(cè)的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)如圖7所示，其結(jié)構(gòu)可分為樣本輸入層、隱含層和結(jié)果輸出層共3個(gè)部分。INS，GPS，計(jì)程儀等傳感器構(gòu)成了系統(tǒng)輸入層，每個(gè)傳感器信息變量都對(duì)應(yīng)著輸入層的一個(gè)節(jié)點(diǎn)；隱含層由神經(jīng)元組成，隱含層的層數(shù)和神經(jīng)元的個(gè)數(shù)基于輸入輸出關(guān)系、學(xué)習(xí)速度和推理能力確定；輸出層接收經(jīng)隱含層計(jì)算得到的故障診斷數(shù)值結(jié)果，基于專家知識(shí)庫(kù)進(jìn)行匹配推理，給出最終診斷結(jié)果。神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)關(guān)鍵在于計(jì)算網(wǎng)絡(luò)間的連接權(quán)值。首先根據(jù)系統(tǒng)網(wǎng)絡(luò)模型對(duì)連接權(quán)值進(jìn)行預(yù)設(shè)；接著輸入樣本信息沿著特定的神經(jīng)元路徑進(jìn)行計(jì)算，將計(jì)算結(jié)果傳向輸出層；如果計(jì)算輸出值與經(jīng)驗(yàn)理論期望值不符，則將兩者的差值沿原來(lái)的連接通道反向傳播，修改連接權(quán)值直至滿足期望目標(biāo)。

圖7 用于故障檢測(cè)的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)Fig.7 Neural network design for fault detection

5.4 故障診斷的推理機(jī)制

故障診斷專家系統(tǒng)依據(jù)知識(shí)庫(kù)中的數(shù)學(xué)邏輯關(guān)系，基于神經(jīng)網(wǎng)絡(luò)模型對(duì)故障征兆信息進(jìn)行匹配推理，最終得到診斷問(wèn)題的結(jié)果。系統(tǒng)推理機(jī)制包含正向推理，反向推理和混合推理3種。正向推理是己知故障征兆信息，借助神經(jīng)網(wǎng)絡(luò)計(jì)算和知識(shí)庫(kù)匹配得到故障診斷結(jié)果；反向推理是根據(jù)故障征兆假設(shè)出一個(gè)故障診斷結(jié)果，然后對(duì)診斷結(jié)果進(jìn)行反向神經(jīng)網(wǎng)絡(luò)計(jì)算，驗(yàn)證計(jì)算結(jié)果與故障征兆是否一致；混合雙向推理是己知部分故障征兆信息，依據(jù)征兆信息提出一個(gè)可能故障，然后驗(yàn)證假設(shè)是否成立，若成立則診斷結(jié)束，否則基于診斷情況作出新的假設(shè)繼續(xù)驗(yàn)證。

6 結(jié)語(yǔ)

在應(yīng)用卡爾曼濾波器進(jìn)行導(dǎo)航信息融合的過(guò)程中，依據(jù)神經(jīng)網(wǎng)絡(luò)模型對(duì)估計(jì)結(jié)果進(jìn)行動(dòng)態(tài)誤差補(bǔ)償，能有效提高數(shù)據(jù)融合精度和可靠性。基于專家系統(tǒng)和模糊神經(jīng)網(wǎng)絡(luò)，建立艦船的碰撞危險(xiǎn)度計(jì)算、會(huì)遇態(tài)勢(shì)分類和避讓決策模型，給出了艦船與危險(xiǎn)目標(biāo)會(huì)遇時(shí)的避碰策略和最優(yōu)化方案。應(yīng)用專家神經(jīng)網(wǎng)絡(luò)的推理能力與匹配算法，建立系統(tǒng)故障征兆與診斷結(jié)果之間的對(duì)應(yīng)聯(lián)系，進(jìn)而實(shí)現(xiàn)了導(dǎo)航系統(tǒng)故障的智能化診斷。隨著機(jī)器學(xué)習(xí)、圖像處理等新興技術(shù)不斷發(fā)展，具有更高精度、可靠性和智能性的艦船組合導(dǎo)航系統(tǒng)將迎來(lái)更大的應(yīng)用前景。