章传感器信息融合的般一方法.docVIP

2.5.3 传感器信息融合的一般方法 传感器信息融合的方法有很多，但到目前为止，常用的方法主要有三类：嵌入约束法、证据组合法、人工神经网络法。 1.嵌入约束法 ⑴嵌入约束法的概念 嵌入约束法认为：由多种传感器所获得的客观环境（即被测对象）的多组数据，就是客观环境按照某种映射关系形成的像。信息融合就是通过像求解原像，即对客观环境加以了解。从数学的角度说就是，多种传感器的全部信息，也只能描述环境的某些特征，而具有这些特征的环境却有很多，要使一组数据对应唯一的环境（即上述映射为一一映射），就必须对映射的原像和映射本身施加约束条件，使问题能有唯一的解。因此，嵌入约束法，就是施加约束条件的方法。 ⑵Bayes（贝叶斯）估计 嵌入约束法最基本的方法有Bayes估计和卡尔曼滤波，我们首先讨论一下Bayes估计。 ①Bayes估计的适用范围及数学方法 贝叶斯估计是融合静态环境中多传感器低层数据的一种常用方法，适用于具有可加高斯噪声的不确定性信息。贝叶斯估计的数学描述语言为概率。 传感器低层数据是指传感器输出的未经处理的数据。 ②Bayes公式 假定环境用向量表示，传感器所获得的数据用向量表示，和都可看做是随机向量。信息融合的任务就是由数据推导和估计环境。假设为随机向量和的联合概率分布密度函数，则由概率论知识可知： （2-15） 其中，表示在已知的条件下，关于的条件概率密度函数；表示在已知的条件下，关于的条件概率密度函数；和分别表示和的边缘分布密度函数。已知时，要推断，只需知道就行了。由（2-15）可推知： （2-16） 上式就是概率中的Bayes公式，它是嵌入约束法的核心。 信息融合通过数据作出对环境的推断，即求解。由Bayes公式可知，只需知道和就行了。因为可以看做是使.成为概率密度函数的归一化常数。是在已知环境变量的情况下，传感器数据关于的条件密度。当对环境情况和传感器性能都确切了解时，由决定环境和传感器原理的物理规律确定。而可以通过先验知识的获取和积累，逐步渐近准确地得到。因此，一般总能对有较好的近似描述。 在嵌入约束法中，反映环境和传感器原理的各种约束条件主要体现在中，而反映主观经验知识的各种约束条件主要体现在中。 ③最大后验估计 在前面的讨论中，几次提到了先验知识。在传感器信息融合技术中，先验知识一般是指：根据以往的经验和分析得到的知识。最大后验估计是指：根据经验数据获得的对难以观测的量的点估计。在最大后验估计中，融入了要估计量的先验知识。 在传感器信息融合的实际应用中，通常是在某一时刻从多种传感器获得一组数据，然后由这一组数据给出当前环境的一个估计。因此，在实际中应用较多的方法是寻找最大后验估计g，即 （2-17） 也就是说，最大后验估计是在已知数据为的条件下，使后验概率密度取得最大值的点g。根据概率论知识可知，最大后验估计g满足 （2-18） 当为均匀分布时，最大后验估计g满足 （2-19） 此时，最大后验概率也称为极大似然估计。 在贝叶斯统计中，一个随机事件或一个不确定事件的后验概率是指：在给出相关数据后，所得到的条件概率。极大似然估计是参数估计的一种方法。 ④传感器数据的一致性 当传感器组的观测坐标一致时，可以直接对传感器测量数据进行融合。在大多数情况下，多传感器是从不同的坐标框架对环境中的同一物体进行描述，这时传感器测量数据要以间接的方式采用贝叶斯估计进行数据融合。 在传感器数据进行融合之前，必须确保测量数据代表同一实物，即要对传感器测量进行一致性检验。常用以下距离公式来判断传感器测量信息的一致： （2-20） 式中和为两个传感器测量信号，C为与两个传感器相关联的方差阵，当距离T小于某个阈值时，两个传感器测量值具有一致性。这种方法的实质，是剔除处于误差状态的传感器信息而保留“一致传感器”数据计算融合值。 ⑶卡尔曼滤波 ①卡尔曼简介 卡尔曼是匈牙利数学家，1930年出生于匈牙利首都布达佩斯，后在麻省理工学院分别获得学士和硕士学位。1957年在哥伦比亚大学获得博士学位。卡尔曼滤波器正是源于他的博士论文和1960年发表的论文《线性滤波与预测问题的新方法》 ②卡尔曼滤波器 简单来说，卡尔曼滤波器是一个“最优化自回归数据处理算法”。对于解决很多问题，卡尔曼滤波器的效率最高。因此在机器人导航、控制，传感器数据融合，计算机图像处理以及在雷达、导弹系统等，都得到了广泛应用。 在传感器数据融合中，卡尔曼滤波器用于融合动态的低层次冗余传感器数据。由于环境信息具有随机性，所以传感器的输出信号也是一种随机