华工研究生现代数字信号处理课程论文_卡尔曼滤波器在多传感器数据融合中的应用.docVIP

《现代数字信号处理简明教程》 课程论文 学生姓名 学生学号 专 业 通信与信息系统 任课老师 陈芳炯 提交日期 2015年03月03日 卡尔曼滤波器在多传感器数据融合中的应用 选题说明 我的研究方向是无线网络的架构和协议。由于无线设备的计算能力和电池容量都是有限的，所以在无线网络中考虑数据的融合有重要意义。在很多相关的场景，网内传播的数据在时间和空间上都是相关的。通过数据融合减少传播数据的冗余内容，可以有效的减少能耗。 我的课程论文题目是卡尔曼滤波器在数据融合中的应用，主要概述了DSP中两个重要滤波器之一，卡尔曼滤波器（另一个是维纳滤波器）在数据融合方面的应用。 一、引言 最佳线性滤波理论基于最小均方误差原则，起源于40年代美国科学家Wiener和前苏联科学家Kолмогоров等人的研究工作，后人统称为维纳滤波理论。从理论上说，维纳滤波的最大缺点是必须用到无限过去的数据，不适用于实时处理。为了克服这一缺点，60年代Kalman把状态空间模型引入滤波理论，并导出了一套递推估计算法，后人称之为卡尔曼滤波理论。 卡尔曼滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法，其基本思想是：采用信号与噪声的状态空间模型，利用前一时刻的估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值。它适合于实时处理和计算机运算。 卡尔曼滤波方法对信息的处理一般分为两步:预估和纠正。而这种处理方法与很多系统(如多目标跟踪、组合导航系统等) 的处理方法相似,并且此方法具有对信息的估计是无偏优化估计的特点,从而使得它在信息融合领域大显身手。 二、多传感器数据融合技术 多传感器数据融合技术,是对多种信息的获取、表示及其内在联系进行综合处理和优化的技术。多传感器数据融合技术从多信息的视角进行处理及综合,得到各种信息的内在联系和规律,从而剔除无用的和错误的信息,保留正确的和有用的成分,最终实现信息的优化。多传感器数据融合主要优点有:容错性好、系统精度高、信息处理速度快、互补性强、信息获取成本低等。 数据融合也称为信息融合。根据数据融合在多传感器信息处理层次中的抽象程度的不同,可以分为像素级、特征级和决策级融合。数据级融合是指在融合算法中，要求进行融合的传感器数据间具有精确到一个像素的匹配精度的任何抽象层次的融合；特征级融合是指从各只传感器提供的原始数据中进行特征提取，然后，融合这些特征；决策级融合是指在融合之前，各传感器数据源都经过变换并获得独立的身份估计。信息根据一定准则和决策的可信度对各自传感器的属性决策结果进行融合，最终得到整体一致的决策。 多传感器信息融合技术是近几年来发展起来的一门实践性较强的应用技术,是针对一个系统使用多种传感器这一特定问题而展开的一种关于数据处理的研究,它利用多个传感器获得的多种信息,得出对环境或对象特征的全面、正确认识,克服了单一传感器给系统带来的误报风险大、可靠性和容错性低的缺。如图所示为多传感器数据融合示意图,传感器之间的冗余数据增强了系统的可靠性,传感器之间的互补数据扩展了单一传感器的性能。 概括地说,多传感器信息融合技术就是指通过一定的算法“合并”来自多个信息源的信息,以产生比单个传感器所得到数据更可靠、更准确的信息,并根据这些信息作出最可靠的决策。多传感器信息融合的常用方法有卡尔曼滤波法、贝叶斯估计法和D2S证据理论法以及经典推理法等,而近年来用于计算智能方面的方法有模糊集合理论、神经网络、粗集理论、小波分析理论等。 三、卡尔曼滤波器的原理 卡尔曼滤波器的基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。 在实际应用中，我们可以将物理系统的运行过程看作是一个状态转换过程，卡尔曼滤波将状态空间理论引入到对物理系统的数学建模过程中来： 为维系统状态矢量 为维系统矩阵 为维输入控制矢量 为维系统控制矩阵 为维系统动态噪声矢量 为维观测矢量 为维观测矩阵 为维观测噪声矢量 (1)为状态方程，(2)观测方程，从建立的系统数学模型出发，可以导出卡尔曼滤波的计算原型，包括：时间更新方程和测量更新方程。 假设在时刻k，基于k时刻以前所获得的全部知识，对状态变量做一个预测估计记为。可以推导得出使更新估计均方误差达到最小的卡尔曼增益矩阵： 其