多传感器数据融合算法.docVIP

一、背景介绍： 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、kalman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。多传感器数据融合比较确切的定义可概括为：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、 　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因为X 1 X 2 ，… ，X n 彼此独立并且为X 的无偏估计所以E[ (XXp)(X-Xq)] =0，(p ≠q;p =1 ，2 ，…，n;q =1 ，2 ，…，n)，故σ2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W1W2，…，Wn满足式约束条件的多元函数极值求取。同理因为X1X2，…，X n为X的无偏估计所以 X 1(k)X 2(k)，… ，X n(k)也一定是X 的无偏估计故 因为Xp(p =12，…，n)为X的无偏估计即E[X-Xp] =0(p =12 … ，n)，所以可得 同理由于Xp(p =12 …，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σ2min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 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X pX q ，所对应观测误差分别为Vp、V q，其中，Vp、V q，因为Vp、V qX p、X q 的互协方差函数Rpq满足，X p的自互协方差函数Rpp满足作差得 对于Rpp、Rpq为kRpp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 =12，…，n)与传感器p做相关运算则可以得到Rpq(k)(q ≠pq =1，2，…，n)值。因而对于R pq可进一步用R pq(k)的均值Rp(k)来做为它的估计即 Rpp与pq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