多传感器数据融合算法文档格式.doc
- 文档编号:8431381
- 上传时间:2023-05-11
- 格式:DOC
- 页数:14
- 大小:448.24KB
多传感器数据融合算法文档格式.doc
《多传感器数据融合算法文档格式.doc》由会员分享,可在线阅读,更多相关《多传感器数据融合算法文档格式.doc(14页珍藏版)》请在冰点文库上搜索。
(4)关联的二义性是数据融合中的主要障碍;
(5)数据融合系统的设计还存在许多实际问题。
二、算法介绍:
2.1多传感器数据自适应加权融合估计算法:
设有n个传感器对某一对象进行测量,如图1所示,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。
最优加权因子及所对应的均方误差:
(多传感器方法的理论依据:
设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:
总均方误差为
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
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:
此时对应的最小均方误差为:
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。
设此时估计值为
总均方误差为同理,因为X1,X2,…,Xn为X的无偏估计,所以X1(k),X2(k),…,Xn(k)也一定是X的无偏估计,故
自适应加权融合估计算法的线性无偏最小方差性
1)线性估计
由式可以看出,融合后的估计是各传感器测量值或测量值样本均值的线性函数。
2)无偏估计
因为Xp(p=1,2,…,n)为X的无偏估计,即E[X-Xp]=0(p=1,2…,n),所以可得
,X为无偏估计。
同理,由于Xp(p=1,2…,n)为X的无偏估计,所以Xp(k)也一定是X的无偏估计。
最小均方误差估计
在推导过程中,是以均方误差最小做为最优条件,因而该估计算法的均方误差一定是最的。
为了进一步说明这一点,我们用所得的均方误差σ2Lmin与用单个传感器均值做估计和用多传感器均值平均做估计的均方误差相比较。
我们用n个传感器中方差最小的传感器L做均值估计,设传感器L的方差σ2Lmin为测量数据的个数为k,则所以
下面我们讨论与用多个传感器均值平均做估计均方误差相比较的情况。
所谓用多个传感器均值平均做估计是用n个传感器测量数据的样本平均再做均值处理而得到的估计,即此时均方误差为
同理,Xp(k)一定为X的无偏估计,可得则
若我们事先已经将各个传感器的方差进行排序,且不妨设
,则根据契比雪夫不等式得
各传感器方差σp2的求取
从以上分析可以看出,最佳加权因子Wp*决定各个传感器的方差σp2。
一般不是已知的,我们可根据各个传感器所提供的测量值,依据相应的算法,将它们求出。
设有任意两个不同的传感器p、q,其测量值分别为Xp、Xq,所对应观测误差分别为Vp、Vq,即,其中,Vp、Vq为零均值平稳噪声,则传感器p方差
,因为Vp、Vq互不相关,与X也不相关,所以Xp、Xq的互协方差函数Rpq满足,Xp的自互协方差函数Rpp满足作差得
对于Rpp、Rpq的求取,可由其时间域估计值得出。
设传感器测量数据的个数为k,Rpp的时间域估计值为Rpp(k),Rpq的时间域估计值为Rpq(k),则
如用传感器q(q≠p;
q=1,2,…,n)与传感器p做相关运算,则可以得到Rpq(k)(q≠p;
q=1,2,…,n)值。
因而对于Rpq可进一步用Rpq(k)的均值Rp(k)来做为它的估计,即
由此,我们依靠各个传感器的测量值求出了Rpp与Rpq的时间域的估计值,从而可估计出各个传感器的方差。
2.2基于最小二乘原理的多传感器加权融合算法
以存在随机扰动环境中的不同参数多传感器为研究对象,基于最小二乘原理,提出了一种加权融合算法,推导出各传感器的权系数与测量方差的关系。
并且根据测量信息,提出了一种方差估计学习算法,实现对各传感器测量方差的估计,从而对各传感器的权值进行合理的分配。
该算法简单,能快速、准确的估计出待测物理量的状态信息。
同种类型不同参数的多个传感器对存在随机扰动环境中的某一状态进行测量时,如何使状态的估计值在统计意义上更加接近于状态的真实值,针对这一问题进行了研究。
依据最小二乘原理,推导出了多传感器的加权融合公式,并且在最优原则下,得出测量过程中各传感器的测量方差与其权系数的关系。
针对以上不足,充分利用多传感器测量这一特点,将传感器内部噪声与环境干扰综合考虑,提出了一种对各传感器测量方差及待测物理量状态进行实时估计的算法。
设n个传感器对某系统状态参数的观测方程为:
,式中,x为一维状态量;
Y为n维测量向量,设,e为n维测量噪声向量,包含传感器的内部噪声及环境干扰噪声,设,H为已知n维常向量。
采用加权最小二乘法从测量向量Y中估计出状态量x的估计量。
加权最小二乘法估计的准则是使加权误差平方和取最小值。
其中W是一个正定对角加权阵,设,对之求偏导,令得
到加权最小二乘估计:
对测量噪声作如下假设:
(1)各传感器的测量噪声为相互独立的白噪声;
(2)由于测量噪声是传感器内部噪声和环境干扰等多种相互独立因素引起的,利用概率知识可以证明:
多个相互独立的随机变量相加的和接近正态分布。
因而可以假设测量噪声的分布规律也是正态的。
所以写作矩阵形式:
其中,Ri为第i个传感器的测量方差,R为测量方差矩阵。
可得估计方差:
由于i不等于j时ei、ej相互独立,故
令偏导数为零得
得估计方差为
不难看出,采用加权融合的估计方差比任何一个传感器的测量方差都小。
当以算术平均作为状态的估计时,其估计方差,可以证明说明加权融合的效果要优于算术平均估计。
可得,
可知基于最小二乘原理的加权融合算法是一种无偏估计算法。
通过以上的推导,公式)即为基于最小二乘原理的加权融合算法的计算公式。
测量方差阵R的计算方法:
进行测量方差的估计时,把传感器的内部噪声与环境干扰综合考虑,将得出一个随不确定因素而变化的测量方差阵R的估计方法。
在对测量方差进行估计之前,先作如下分析:
(1)横向分析(针对多个传感器一次采样结果的分析):
多个传感器单次采样结果的算术平均值是该采样时刻状态的无偏估计。
基于这个原理,各传感器测量方差的估计可先基于算术平均值作一个粗略的分配估算;
以每个传感器的测量值与该次采样时各传感器测量算术平均值的偏差平方作为各传感器该次采样的方差分配。
横向分析中利用了多传感器在某一采样时刻
的测量信息。
(2)纵向分析(针对一个传感器多次采样结果的分析):
以单个传感器为研究对象,测量方差是传感器内部噪声与环境干扰的一种综合属性,这一属性始终存在于测量的全过程中,因此要将单个传感器历次采样时的方差分配与当前方差分配的算术平均值作为当前
测量方差的实时估算。
亦即在此提出了方差估计学习算法。
基于以上分析,方差估计学习算法如下:
设ymi表示第i个传感器第m次采样的结果,则第m次采样时各传感器测量算术平均值为:
。
第i个传感器第m次采样时测量方差的估计分配Rmi为:
对各传感器测量方差在历次采样时的估计分配值Rmi求算术平均值此式即为第m次采样时第i个传感器测量方差的估计值,写成递推公式形式
为:
将结果代入,便得测量过程中各传感器的权系数。
由测量方差估计的计算过程可以看出,每次新的测量数据都对各传感器的测量方差有调节作用,但这种调节作用将越来越小。
这是因为把传感器与测量环境综合起来考虑,测量向量从统计意义上说,它的概率分布是确定的。
方差估计学习算法实际上是随着采样时刻的推移,对测量向量分布特性的学习过程,而在学
习过程中,最初的几个采样时刻是对测量向量分布特性从无到有的认识,因而学习速度较快,体现在对测量方差的估计中是相邻采样点间各传感器测量方差估计值的变化率较大。
而随着采样的进行,这种学习过程将趋于稳定,体现在对测量方差的估计中是每次新的测量数据对各传感器测量方差的估计只起微小的调节作用,相邻采样点间各传感器测量方差估计值的变化率较小。
2.3同类多传感器自适应加权估计的数据级融合算法研究
针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法。
同类多传感器数据的测量可以看作是从含有噪声的大量测量数据中估计一个非随机量,由于测量数据中存在着噪声,那么根据这些测量数据所得到的估计值也存在估计误差,然而这种估计误差是随机量,一般用均方误差来评价测量方法的优劣,而影响估计值均方误差的主要因素是传感器自身的均方误差。
在单一传感器测量时,为了减少估计值的均方误差就必须增大测量数据的数量,这必然降低实时性。
为了提高测量的实时性和精度,就需要用同种类的多个传感器同时测量一个物理量。
数据一致性检验
设有m个传感器对某一对象进行测量,首先对Xi(i=1,2…,m)进行数据检验,检验准则是X1,X2,…,Xm的相邻两值之差不应超过给定门限ε。
ε根据传感器精度确定。
即
自适应加权融合估计算法理论:
与2.2完全相同
算法流程:
1)根据递推式算出采样时刻k的与;
2)计算k时刻;
3)计算k时刻;
4)求出各传感器k时刻均值;
5)求出此时刻各传感器最优加权因子;
6)得出此时刻估价式。
从以上运算流程可以看出,对于每个传感器所对应的最优加权因子,只是根据各个传感器的测量数据以自适应的方式将它们求取出来,因而,称该算法为多传感器数据自适应加权融合估计算法。
2.4基于信任度的多传感器数据融合及其应用
针对多传感器信息采集系统中的数据不确定性问题,提出了一种基于信任度的多传感器数据融合方法。
该方法首先定义一个模糊型指数信任度函数,对两传感器测得数据间的信任程度进行量化处理,并通过信任度矩阵度量各传感器测得数据的综合信任程度,以合理地分配测得数据在融合过程中所占权重,得到数据融合估计的最终表达式,从而实现了多传感器数据的融合。
在多传感器信息采集系统中,由于不可避免会受到传感器精度、传输误差、环境噪声和人为干扰等因素的影响,将使得它们的测得数据产生不确定性因此在数据融合过程中,必须首先确定被融合数据的可信程度:
若某些数据表现异常,就不能作为被融合的数据;
若某些数据相互接近,则可以把它们融合在一起,从而提高融合结果的精确度和稳定性。
针对上述问题,本文充分利用模糊集合理论中隶属度函数范围确定的优点,定义了一种模糊型指数信
任度函数,对传感器测得数据间的信任程度进行量化处理,并通过信任度矩阵度量各传感器测得数据的综合信任程度,合理地分配测得数据在融合过程中所占权重,得出数据融合估计的最终表达式,进而得到一种对多个传感器测得数据进行融合处理的简便有效的方法。
设多个传感器测量同一参数,第i个传感器和第j个传感器测得的数据分别为xi和xj。
如果xi的真实性越高,xi被其余数据所信任的程度就越高。
所谓xi被xj信任程度,即从xj来看xi为真实数据的可能程度,多传感器测得数据间的这种信任程度被称为信任度。
为了对测得数据间的信任度进行进一步地统一量化处理,定义一个信任度函数bij,表示xi被xj信任程度。
其中,,为连续下降函数。
一般给出融合上限,令若bij=0,认为第i个传感器与第j个相互不信任,若bij=1,则认为二者间信任。
若一个传感器不被其他传感器信任,或只被少数传感器信任,则该传感器的读数在进行数据融合时即被删掉。
这样处理不利于对实际情况做出客观判别,进而使融合结果受主观因素的影响过大。
改进方法将bij设为指数函数,,即设定当二者差值大于上限值M,二者不再信任bij=0。
将bij定义成满足模糊性的指数函数形式.这样既充分利用了模糊理论中隶属度函数范围确定的优点,又避免了数据之间相互信任程度的绝对化,更加符合实际问题的真实性,同时便于具体实施,可以使融合的结果更加精确和稳定。
设有n个传感器测量同一参数,根据测得数据间的信任度函数bij,建立信任度矩阵B
对于B中第i行元素来说,若较大,表明第i个传感器的测得数据被多数传感器信任;
反之,第i个传感器的测得数据为真实数据的可能性较小。
数据融合过程
用wi表示第i个传感器测得数据xi在融合过程中所占权重。
由于wi值的大小反映了其它传感器测的数据对第i个传感器测得数据xi的综合信任程度,可以利用wi对xi进行加权求和,得到数据融合的表达式
其中,权系数满足
在信任度矩阵B中,信任度函数bij仅仅表示测得数据xj对xi的信任程度,并不能反映系统中所有传感器的测得数据对xi的信任程度,而xi的真实程度实际上应该由bi1,bi2,…,bin综合来体现。
wi应综合一个关于xi的信任度系统中,各子系统bi1,bi2,...,bin的全部信息,所以需要求出一组非负数a1,a2,...,an,使得
改写为矩阵形式
式中,,
因为bij≥0,所以信任度矩阵B是一个非负矩阵,并且该对称矩阵存在最大模特征值λ>
0,使得。
求出λ及对应特征向量A,满足ai≥0,则
可以作为对可以作为各传感器测得数据间综合信任程度的度量,即
对wi进行归一化处理,得到
得到对所有传感器测得数据融合估计的最终结果为
2.5提高测量可靠性的多传感器数据融合有偏估计方法
为了提高测量数据可靠性,多传感器数据融合在过程控制领域得到了广泛应用。
本文基于有偏估计能够减小最小二乘无偏估计方差的思想,提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法。
首先,基于岭估计提出了有偏测量过程,并给出了测量数据可靠性定量表示方法,同时证明了有偏测量可靠度优于无偏测量可靠度。
其次,提出了多传感器有偏估计数据融合方法,证明了现有集中式与分布式无偏估计数据融合之间的等价性。
最后,证明了多传感器有偏估计数据融合收敛于无偏估计数据融合。
证明了方法的有效性。
目前单传感器测量数据的处理方法主要有三种:
平均值法[1]、加权平均法[2]和递推滤波算法[3].通过理论推导,发现这些方法都是特殊形式的最小二乘估计(Leastsquareestimation,LS)。
基于模型,x的最小二乘估计为
y为观测矢量,H为观测矩阵,未知矢量x,当H=I,可化简为
可知,平均值法与其具有相同的表达形式.采用类似的分析过程,可得另外两种方法与最小二乘估计是等价的.由于最小二乘估计是一种无偏估计,所以这种等价关系也说明上述三种数据处理方法具有无偏性,本文称之为无偏测量过程。
无偏测量过程可以采用方差直接衡量测量可靠性,即方差越小测量可靠性越高。
为了提高测量可靠性,国内外学者提出了多传感器数据融合的方法,旨在减小测量方差。
目前多传感器数据融合常用的理论方法为线性无偏估计理论(简称多传感器无偏估计数据融合),其中又以最小二乘估计应用最为广泛.但是现有多传感器无偏估计数据融合方法存在两方面问题:
1)融合结果可靠性均为定性说明而无法量化表示,即只能通过比较不同融合结果的方差定性地判断融合结果可靠性的优劣;
2)虽然多传感器无偏估计数据融合具有无偏性的优良性质,但是并不能由此认为它的测量结果一定是高可靠的.因为根据高斯–马尔科夫定理可知,最小二乘估计方差有下界,所以此时无偏估计数据融合具有最小的方差,但是当这个最小方差本身却很大时,那么无偏估计数据融合将不能保证测量数据的可靠性一定是可接受的.但值得一提的是,无偏测量过程与最小二乘估计之间的等价关系为线性有偏估计算法用于提高测量可靠性成为可能.如James-Stein估计、压缩最小二乘估计、岭估计(Ridgeestimation,RE)[18−19]等.其中岭估计是应用最为广泛的改进最小二乘估计方法.本文以岭估计为基础提出多传感器有偏估计数据融合方法,岭估计长期以来一直是广泛用于改善最小二乘估计方差的有偏估计方法.由于无偏测量与最小二乘估计之间是等价的,所以本文借鉴岭估计的思想通过引入较小的偏差改善无偏测量数据的方差,并称之为有偏测量过程.在此基础上解决有偏测量与无偏测量的可靠性定量表示问题.这种方法引入的偏差是可知的固定性偏差,且可以在一定程度上减小估计值的方差,其余并没有创新,不详细介绍了。
2.6基于小波去噪和数据融合的多传感器数据重建算法
为了从被噪声干扰的各个传感器测量值中获得更准确的测量结果,提出了一种基于小波去噪和多传感器数据融合的传感器数据重建算法。
仿真和实验的结果都表明:
由该算法重建得到的各个传感器的重建数据的方差低于传感器测量值的方差。
可以认为多传感器数据重建算法给出了对每一个传感器的更为准确的测量结果。
一个传感器组,利用每一个传感器的测量值对其加权,进而对这组传感器的测量结果进行数据融合以达到提高测量精度的目的.具体方法是在方差基本定义的基础上提出递归的估计方差的算法,利用估计的方差估计出每个数据的权值,进而对电磁流量计的流量进行递归估计,从而达到提高精度的目的。
为了从受到不同噪声干扰的各个传感器测量值中获得更准确的各个传感器数据,本文提出了一种基于小波去噪和多传感器数据融合的传感器数据重建算法.该方法首先将每个传感器的测量值用小波阈值的方法去噪,减小噪声对传感器测量值的影响.为了更好的重建传感器信号,先将各个传感器测量值进行归一化处理,再将归一化后的各个传感器测量值做基于最小均方的数据融合.多传感器数据融合目的在于用较大的数据量,充分利用对被测目标的在时间与空间的信息,获得对被测量的描述。
来自多传感器的信号所提供的信息具有相关性、互补性和冗余性,将同源数据进行组合,可得到统计上的优势。
基于小波去噪及多传感器数据融合的传感器数据重建算法:
假设N个传感器在不同位置对同一测量值Y测量,每个传感器测量值记为Xj(j=1,2,...N)由于测量中,存在内部外部噪声影响,测量值表示为。
S(n)为被测量,ej(n)为第j个传感器在时刻加性噪声,Xj(n)为第j个传感器在n时刻观测值。
信号小波消噪方法主要通过设置阈值.通过信号的离散小波变换,计算所有小波系数,然后剔除被认为跟噪声有关的小波系数。
例如通常的方法是设置阈值,将小于阈值的小波系数去掉.最后,然后通过小波变换的逆变换来得到信号.
数据融合数据重建算法:
首先对每一个传感器获得的一组测量值用这组数据中的最大测量值归一:
其中,是在估计长度I内第j个传感器的最大测量值。
为第j个传感器在n时刻归一化后的测量值,由于每个传感器收到噪声干扰程度不同,所以偏离真实被测量程度不同,对每个传感器根据一定原则确定权值,可从N个传感器得到估计值Y。
由于各传感器之间受到噪声干扰的程度不同,所以各传感器测量值的方差并不一致,即各传感器测量值的可信度是不同的.若将较大的权值赋予可信度高的传感器,将较小的权值赋予可信度小的传感器,就可以使估计值更精确地描述原信号。
,归一化权值为
对Y反归一化,得到各传感器重建数据:
算法步骤:
1置估计长度I;
2对各传感器测量值作小波阈值去噪处理;
3采用MA模型用递归方法估计方差;
4计算Wj;
5计算Y,计算各传感器重建数据。
2.7测量噪声相关情况下的多传感器数据融合
对于测量噪声相关的多传感器测量模型,利用Cholesky分解和单位下三角阵的求逆方法,将其转化为测量噪声互不相关的等价的多传感器伪测量模型,然后基于Markov估计,提出了一种测量噪声相关情况下多传感器数据融合的新方法。
与直接利用原始传感器测量值的Markov估计数据融合方法相比,两者的计算精度相同,但新方法的计算复杂度却大大降低。
数值仿真实验进一步验证了新方法的有效性。
所谓多传感器数据融合,就是将来自多个同类或异类传感器的数据(信息)进行综合处理,以获得比单一传感器更为准确可靠的结果。
已有的多传感器数据融合方法,一般利用含有加性噪声的线性测量方程来估计未知常值参数,大多假设各传感器的测量噪声之间互不相关。
但是在实际应用中,由于各传感器通常处于同一测量环境,所以传感器的测量结果中除由于传感器自身精度限制而引入的测量误差外,共同的环境噪声的影响也不容忽略,而这往往会导致各传感器的测量噪声之间相关,所以对测量噪声相关情况下多传感器测量系统的数据融合问题进行研究就具有更加广泛的应用价值。
为了解决测量噪声相关情
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 传感器 数据 融合 算法