多传感器数据融合算法讲课教案.pdf

"多传感器数据融合算法讲课教案.pdf" 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、卡尔曼滤波技术结合进一步得到研究需要的更纯净的有用信号。多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。 多传感器数据融合的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。 数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。 信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。 多传感器数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。 在多传感器数据融合中，神经网络和人工智能等新概念、新技术将起到越来越重要的作用。数据融合存在的问题包括：尚未建立统一的融合理论和有效广义融合模型及算法；对数据融合的具体方法的研究尚处于初步阶段；还没有很好解决融合系统中的容错性或鲁棒性问题；关联的二义性是数据融合中的主要障碍；数据融合系统的设计还存在许多实际问题。 多传感器数据自适应加权融合估计算法是一种常用的多传感器数据融合方法。设有 n 个传感器对某一对象进行测量，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的 X 值达到最优。 在该算法中，我们首先假设有 n 个传感器的方差分别为 σ21，σ22，…，σ2n；所要估计的真值为 X，各传感器的测量值分别为 X1，X2，…，Xn，它们彼此互相独立，并且是 X 的无偏估计；各传感器的加权因子分别为 W1，W2，…，Wn，则融合后的 X 值和加权因子满足以下两式： X = ∑WpXp, ∑Wpp = 1 p = 1, 2, …, n 总均方误差为： σ2 = E[∑Wp(X - Xp) + 2∑WpWq(X - Xp)(X - Xq)] p = 1, 2, …, n; q = 1, 2, …, n 因为 X1，X2，…，Xn 彼此独立，并且为 X 的无偏估计，所以 E[(X - Xp)(X - Xq)] = 0，(p ≠ q; p = 1, 2, …, n; q = 1, 2, …, n)，故 σ2 可写成： σ2 = ∑Wpσp2 p = 1, 2, …, n 从式可以看出，总均方误差 σ2 是关于各加权因子的多元二次函数，因此 σ2 必然存在最小值。该最小值的求取是加权因子 W1，W2，…，Wn 满足式约束条件的多元函数极值求取。 根据多元函数求极值理论，可求出总均方误差最小时所对应的加权因子： Wp = 1/ (∑(1/σp2)) p = 1, 2, …, n 此时对应的最小均方误差为： σ = 1/ (∑(1/σp2)) p = 1, 2, …, n 以上是根据各个传感器在某一时刻的测量值而进行的估计，当估计真值 X 为常量时，则可根据各个传感器历史数据的均值来进行估计。