适应军事需求,构建《传感器数据融合》课程内容体系

【摘 要】通过分析传感器数据处理技术在我军信息化作战流程中的作用，建立了数据融合技术的课程内容体系。通过基本共性理论和数学模型的学习，帮助学生从网络化的观点理解传感器信息处理的流程，从而超越信息化数据的采集、传输阶段，在战场态势数据层面为学生建立基本概念，提高对指挥作战流程的认识。

【关键词】技指合一 信息化变革 课程体系 数据融合

【中图分类号】G642 【文献标识码】A 【文章编号】1006－9682（2012）03－0010－03

随着我军信息化进程的不断深入，已经逐步建立了信息驱动的作战方式。在信息化作战中，有效地获取、传输、处理、应用信息已成为取得战斗胜利的基本要求。由于我军信息化的历史较短，还缺乏对信息从生成到使用的深入理解。我们认为信息化应该是分阶段完成的，其首要阶段是以信息化来改造传统的作战流程，使传统方式更精确、有效；然后在获取信息使用经验的基础上，再以信息效益为目标来构造新的作战方式，从而进一步提升信息化水平。目前，我们还只是处于信息化的初级阶段，获取广泛的战场目标信息仍然是首要任务，急需把精确、全面的战场信息用于指挥作战流程中。《传感器数据融合》就是在这样的背景下设计的研究生课程，该课程面向多传感器、多目标的战场环境，用数据融合的方法，以形成目标的统一状态信息为目标，为指挥作战提供基本的信息支持。

随着通信技术多年的发展，战场信息传输问题已大为改善，但是，大量未经有效处理的、冗余的传感器信息不仅耗费宝贵的传输资源，所带来的信息垃圾问题极大地影响了战场信息系统的效能。有效地信息处理是战场信息系统形成体系作战能力的关键。信息化过程要求向更高的数据应用层面深入，在此过程中通信是实现信息化的基础，有效的信息应用则是信息化的目标，加速战斗力生成迫切需要信息处理技术的快速发展。目前军校研究生教育正在向“应用型”转变，强调“技指合一”，《传感器数据融合》课程恰逢其时，用多传感器信息处理技术满足指挥中面临的数据和信息需求。《传感器数据融合》不仅是战场信息处理所必须的技术，对于通信与抗干扰专业方向的研究生而言，分布式的信道估计、频谱感知和认知无线电的核心理论也是属于传感器信息处理。传感器数据融合侧重于数据处理，强调多学科的交叉，帮助学生建立从数据获取、传递、处理的完整流程。现有教材大多数局限于雷达数据处理或图像处理等方面，难以引起通信专业研究生的兴趣，所以我们认为，应该从各类传感器数据处理中提炼共性的理论问题，将数学基础知识的介绍与实际应用背景相结合，使学生在拓宽研究生数学知识面的同时，了解战场信息处理的需求和战场信息系统的发展。

一、课程目的

“课程是由知识、技能及与之相应的学生的活动组成的”。［1］针对战场信息处理中目标对象的状态信息获取，必须利用数据融合的方法，完成多传感器数据的互补和去重，为态势形成提供基础数据。传感器数据融合不仅是战场态势感知和威胁评估的基础，在物联网、传感器网络、认知无线电、通信抗干扰等领域也有广泛地应用。将信息化技术从通信层面提升到完整包含信息需求、信息采集、信息传递和信息处理应用的全过程，是信息化变革的需要。研究生教学中的《传感器数据融合》课程，以统计信号和信息处理原理为基础，强调多传感器获取战场信息的信息处理流程。通过《传感器数据融合》课程的学习，理解和掌握传感器数据处理的基本理论和方法，对提高研究生学生适应我军信息化变革的能力具有重要作用。

二、课程设计理念

课程设计是指在一定的课程理论或观念支配下的课程要素的选择、组织与安排的方法过程。本课程设计的价值取向以问题为中心，即强调我军信息化发展中的数据需求，以具体问题的解决进行课程的组织；针对不同类型传感器的共性特征选择内容，组织教学，满足多种专业方向的数据处理需求。在课程内容设计理念上主要表现为以下几个方面：①体现我军信息化需求，在信息化作战的框架内，把传感器数据处理的能力进行具体化，明确传感器数据处理的基本要素和信息流向，提高和加深学生对信息化的理解。②体现学科研究前沿，把最新的理论知识与实际应用相结合，为学生提供清晰的理论框架和应用背景。教学内容从多年的科研工作中分析、梳理而来，从对我军信息化过程中需要解决的问题而来。教学内容紧扣传感器数据处理在整个战场信息闭环中的层次和作用，紧扣不同军兵种对信息处理需求的差异。③体现实用性理念，体现“以问题为本”的教学设计，体现“以问题为本”的教学特征，避免理论的空洞化，避免实际问题的神秘化。④体现开放性理念，推行开放的教学方法，实施开放的考试方法，鼓励学生结合自身的专业方向，泛化传感器数据处理的共性理论，具有理解和解决本专业方向具体应用问题的能力，甚至可以从中选取毕业论文的研究题目。

三、课程内容

传感器数据融合的理论与技术在电磁频谱管理、认知无线电、战场侦察、传感网信息处理、数据链航迹信息处理中有大量实际的应用。在这些应用领域中，它们都是面向多传感器环境，从目标对象的重复感知信息中提取真实、单一的状态信息。目前常用的传感器类型包括：电、光、声、压力、温度、浓度等，传感器的输出数据可以是矢量类型、标量类型。典型的传感器有雷达、测向设备、视频采集设备、电磁频谱测量设备。在课程教学过程中，需要提炼出共性的理论内容，然后分别对不同传感器测量类型的数据处理流程进行讨论，针对不同的传感器输出数据类型和处理要求，可以梳理出不同的应用模型，把它们的数据处理过程归结为共性理论的应用。

1．共性理论的提取与课程内容设计

传感器的数据处理以获取目标的状态信息为目的，常用的战场目标状态包括位置、速度、加速度等物理量。在单传感器数据处理时，目标状态的估计以线性滤波器理论为基础，包括经典的维纳滤波和基本的Kalman，针对非线性滤波问题，人们又发展了UKF、粒子滤波等新理论。在多传感器数据处理时，通常以单传感器的处理结果为基础，再用特有的数据关联、误差补偿、状态融合等理论完成数据的融合，形成统一的目标状态信息。以数据融合的观点，电磁频谱管理、认知无线电、战场侦察、传感网信息处理等不同的数据处理应用，反映的是不同层次的数据处理需求。它们在数据模型的建立上有所区别，但从多传感器处理的角度看，它们拥有数据关联、补偿、融合等共同的概念。目标的属性判别是更高层的数据处理需求，需要综合运用高分辨率成像传感器、多传感器信息融合和智能信息处理等技术。从理论基础和实现过程看，图像信息的处理需要使用计算机视觉的方法，对目标的特征进行建模，但是完成建模和目标提取后形成的图像目标数据，也可以用滤波理论来完成后续的处理。所以，图像传感器的处理只是滤波共性理论的一个分支。传感器数据融合的共性理论，见图1。

2．基于共性理论的数据处理应用模型

数学应用泛指应用数学解决实际问题的所有事情。数学模型虽属于数学应用的范畴，但更侧重于用数学的概念、原理和思维方法描述规律性的东西。数学模型是构建数学与现实世界的桥梁，它借用数学的语言讲述现实世界。应用性很强的数学模型的命名，都依赖于所描述的学科背景。比如，在生物学中有种群增长模型；在气象学中有大气环流模型；在经济学中有组合投资模型；在社会学中有信息传播模型。

数学模型的价值往往不是数学本身，而是对具体问题所起的作用。人们关注的并不是模型的数学价值，而是实际应用价值。在构建数学模型和实际应用的过程中，必然会从数学的角度汲取灵感。数学的基本思想，即抽象、推理、模型，为数学由现实到数学、数学内部发展、由数学到现实提供了思维功能。现代数学的特征是符号化、形式化和公理化，其本质是为了更好地描述数学成果。为了让学生理解数学理论，帮助学生建立理论的直观，在课程内容的设计上还需要反其道而行之：针对符号化对象要讲物理背景，针对形式化证明要讲直观，针对公理化逻辑要讲归纳。

传感器数据融合是理论结合实际的典型课程。由于传感器类型较多，输出的目标测量数据类型差异很大，从三维坐标值、纯方位值、图像信息到标量信息，对它们的处理必定用到不同的数学模型。通过对传感器的分类，针对不同的传感器类型建立数据处理的数学模型，相同的测量数据类型用相同的数据模型进行处理。由于数学模型以传感器类别为建模对象，相似工作原理的传感器都可以用这种数学模型处理。传感器数据处理模型中，要考虑单传感器处理流程和多传感器处理流程，它们是共性理论具体的选择和应用。例如，纯方位跟踪模型不仅适用于图像传感器、被动声纳和无源探测雷达，也可以用于电磁频谱感知中的辐射源定位。在纯方位跟踪模型中，以线性方程描述目标的状态空间，以角度量测方程描述目标的量测空间，用线性Kalman滤波器建立基本的单传感器目标状态信息跟踪模型。当纯方位跟踪需要多传感器协同工作时，要求使用数据关联方法计算多传感器的数据对应关系。以最大似然测度建立量测之间的关联关系，可以实现多目标纯方位跟踪。在纯方位跟踪模型中，根据传感器自身特征和输出数据类型的改变，只需对数学模型进行局部微调，就能满足实际的需要。

经过共性理论的组合和泛化，可以设计出多种传感器数据处理数学模型。这些模型用于指导具体传感器数据的处理。

3．明确课程包含知识点和能力点

《传感器数据融合》是交叉学科，主要的研究对象是多传感器环境下多目标数据的处理问题，其目的是获取战场态势计算的基础数据。统计理论和最优估计方法是本门课程的基本理论和知识点，要求学生能掌握线性最优估计理论，并熟悉常用的非线性估计方法。数据融合技术涉及的理论知识包括模糊数学、证据理论、智能计算、最优化计算等。这些理论知识在数据融合领域内的使用场合相对较窄，可以结合具体的数学模型，作为课程内容的补充适当讲解。

对数学模型的理解和应用是课程的能力要求。通过课程的学习，学生需要掌握多传感器环境下的数据处理流程；学会用分布式和网络化的观点来看待数据处理问题；要理解多传感器数据处理特有技术难题的产生原因，并掌握基本的多传感器数据处理方法。由于传感器的类型较多，不要求学生对每种传感器的数据处理都有深入理解，但要求他们能结合自身专业特点，熟悉一种数学模型的具体应用实例。

四、课程教学中应把握的问题

1．创新教学方法与手段

主要教学方法有互动式教学法、案例分析教学法、情景模拟教法等。由于课程对象是研究生，应充分发掘学生的自身能动性，把课程知识与他们的专业方向相结合，使抽象的理论和数学模型与他们有直观感受的专业背景相结合，使数据融合的概念在他们的专业领域中找到坚实的立足点。这不但有利于学生理解数据融合的思想，还对今后他们独立应用数据融合的方法解决实际问题大有益处。所以，在教学法的选择上应该以互动法和案例分析法为主，鼓励学生自己准备课堂发言，积极发掘自己专业方向内的数据处理应用，在独立思考中熟悉数据融合的基本理论和模型。

2．研究性教学

研究性教学是教学与研究相结合、以研究为基础的教学模式。［2］ 要求教育者激励、引导和帮助学生去主动发现问题、分析问题、解决问题，并在这样的探究过程中获取知识、训练技能、培养能力，特别是培养创新能力。［3］研究性教学主要是通过课程教学实现教学和科研的结合，在教学科研结合的氛围中加强师生互动。［4］因此，研究性教学既是一种教学理念，也是一种教学模式。作为一种教学理念，认为知识不是被动吸收的，而是由认知主体主动获取的，学习过程是学生主动建构的过程。在《传感器数据融合》课程学习中，以问题为牵引，启发学生寻找解决问题的思路和方法，从问题的最终解决来理解理论知识，对理论知识有更进一步的直观感受。

3．课程编制问题

课程编制是课程管理的关键环节，它包括对课程在培养计划中的地位、课程学习的目的和考核方式等多方面的设计。由于传感器数据融合是交叉学科，涉及传感器物理原理、统计与估计理论、指挥控制流程等方面，是通信、计算机网络、传感器设计等多个学科的综合应用。在设计课程内容时要充分考虑先修课程，不但要求学生具有概率论和数理统计的基本知识，还最好了解一种传感器的工作原理。对传感器的了解是理解本课程中数学模型的重要条件。

多元化构成的课程考核。传感器数据融合是应用型的课程，其目标是拓展研究生的数学基础知识，提高数学应用能力和战场信息系统的开发设计能力。在课程考核时，以学生的专业背景为依托，尽量从其专业知识中发掘兴趣点，允许文献综述和课程论文的方式对本专业中的数据融合处理进行总结。同时，应该鼓励学生动手实践，把数据融合的理论知识和模型进行仿真实验。尽管编程实践会带来较大的工作量，但它对理解理论知识带来的好处是无与伦比的。

五、总 结

多传感器数据处理是我军信息化过程中出现的新课题。为了培养合格的信息化人才，我们对《传感器数据融合》课程在人才培养体系内的地位和教学内容进行了设计。通过课程的学习，可以帮助学生理解传感器数据处理流程和基本方法，其目的是为了更好地理解信息化技术，从而推进信息化建设快速、平稳发展。

参考文献

1 钟启泉.现代课程论［M］.上海：上海教育出版社，1989

2 夏锦文.研究性教学的理论内涵与实践要求［J］.中国大学教学，2009（2）

3 刘伟忠.研究性教学中的难点与实施重点［J］.中国高等教育，2006（24）

4 王阵军.开展研究型教学，提高思想理论课教学的实效性［J］.教育探索，2008（2）