多传感器融合学习心得.docVIP

多传感器信息融合学习心得 通过一学期的学习，对多传感器信息融合有了一定的了解，学习了多传感器信息融合中的多种方法，并在小组论题和作业中都有所体现，下面我谈一下自己的学习心得。 多传感器信息融合的产生与发展 多传感器信息融合是由美国军方在20世纪70年代提出的，通过对各传感器获得的未知环境特征信息的分析和综合,得到对环境全面、正确的估计,它避免了单一传感器的局限性,可以获取更多信息,得出更为准确、可靠的结论卡尔曼滤波器是一个最优化自回归数据处理算法首先，我们先要引入一个离散控制过程的系统。该系统可用一个线性随机微分方程来描述：X(k)=A X(k-1)+B U(k)+W(k) 再加上系统的测量值：Z(k)=H X(k)+V(k) 上两式子中，X(k)是k时刻的系统状态，U(k)是k时刻对系统的控制量。A和B是系统参数，对于多模型系统，他们为矩阵。Z(k)是k时刻的测量值，H是测量系统的参数，对于多测量系统，H为矩阵。W(k)和V(k)分别表示过程和测量的噪声。他们被假设成高斯白噪声(White Gaussian Noise)，他们的方差 分别是Q，R（这里我们假设他们不随系统状态变化而变化）。假设现在系统的状态是k，根据系统模型，可以基于系统上一状态而预测出现在状态：X(k|k-1)=A X(k-1|k-1)+B U(k) ……….. (1) 式(1)中，X(k|k-1)是利用上一状态预测的结果，X(k-1|k-1)是上一状态最优的结果，U(k)为现在状态的控制量，如果没有控制量，它可以为0。到现在为止，我们的系统结果已经更新了，可是，对应于X(k|k-1)的还没更新。我们用P表示：P(k|k-1)=A P(k-1|k-1) A’+Q ……… (2) 式(2)中，P(k|k-1)是X(k|k-1)对应的，P(k-1|k-1)是X(k-1|k-1)对应的方差，A’表示A的转置矩阵，Q是系统过程的方差。式子1，2就是卡尔曼滤波对系统的预测。现在我们有了现在状态的预测结果，然后我们再收集现在状态的测量值。结合预测值和测量值，我们可以得到现在状态(k)的最优化估算值X(k|k)：X(k|k)= X(k|k-1)+Kk(k) (Z(k)-H X(k|k-1)) ……… (3) 其中K为卡尔曼增益(Kalman Gain)：Kk(k)= P(k|k-1) H’ / (H P(k|k-1) H’ + R) ……… (4) 到现在为止，我们已经得到了k状态下最优的估算值X(k|k)。但是为了要卡尔曼滤波器不断的运行下去直到系统过程结束，我们还要更新k状态下X(k|k)的方差：P(k|k)=（I-K(k) H）P(k|k-1) ……… (5)其中I 为。当系统进入k+1状态时，P(k|k)就是式子(2)的P(k-1|k-1)。这样，算法就可以自回归的运算下去。式子(1)(2)、(3)、(4)和(5)就是卡尔曼滤波的5 个基本公式。…、An必发生一个，且只能发生一个，用P（Ai）表示Ai的概率，则有： (6) 设B为任意事件，则根据条件概率的定义及全概率公式，有 i=1,2,…,n (7) 这就是贝叶斯公式。 在(7)中，P(A1)、P(A2)、…、 P(An)表示A1、A2、…、An出现的可能性，这是在做试验前就已知道的事实，这种知识叫做先验信息，这种先验信息以一个概率分布的形式给出，常称为先验分布。 现假设在试验中观察到B发生了，由于这个新情况的出现，对事件A1、A2、…、An的可能性有了新的估计，此处也已一个概率分布、、…、的形式给出，因此有： ≥0 (8) =1 (9) 这称为“后验分布”。它综合了先验信息和试验提供的新信息，形成了关于Ai出现的可能性大小的当前认识。这个由先验信息到后验信息的转化过程就是贝叶斯统计的特征。 3） D-S证据理论 D-S证据理论是经典概率理论的扩展，当先验概率难以获得时，证据理论就比概率论合适。 D-S方法与其他方法的区别在于：它具有两个值，即对每个命题指派两个不确定性度量（类似但不等于概率）；存在一个证据属于一个命题的不确定性测度，使得这个命题似乎可能成立，但使用这个证据又不直接支持或拒绝它。下面先给出几个基本定义： 设Ω是样本空间，Ω由一互不相容的陈述集合组的幂集构成命题集合。 定义1 基本概率分配函数M 设函数M是满足下列条件的映射： M：→[0，1] (1) 不可能事件的基本概率是0，即M(Φ)=0； (2) 对于,则有： 0≤M(A)≤1 (3) 中全部元素的基本概率之和为1，即 =1 则称M是上的概率分配函数，M(A)称为A的基本概率函数，表示对A 的