一种多传感器信息融合的加权和递推最小二乘法.docxVIP

一种多传感器信息融合的加权和递推最小二乘法 在数据采集和数据处理系统中，通常需要应用多个传感器来检测同一目标参数。当一组传感器中的每个传感器以不同的置信度采集环境中的同一特征时, 这组传感器提供了冗余信息。由于每个传感器量测噪声互不相关, 因此可将冗余信息进行融合, 能降低系统的不确定性, 提高精度。此外由于冗余信息的存在, 当一个或几个传感器故障时, 系统仍可以利用其它传感器获取环境信息, 维持系统正常工作。从含有噪声的传感器量测数据中估计目标参数的融合方法很多, 文献中提出了几种估计方法, 但在数据处理精度和算法复杂度上有一定不足。其中, 模糊逻辑法需要建立标准检测目标和待识别检测目标的模糊子集, 同时还需建立合适的隶属函数, 而隶属函数的确定没有规范的方法, 导致检测误差较大;贝叶斯估计法对先验概率较敏感。本文从最优估计理论中的离散卡尔曼滤波算法出发, 考虑到在估计k时刻的状态∧XkXk∧时, 分别对k时刻的状态一步预测值∧Xk/k-1X∧k/k?1和k时刻的量测值Zk根据一步预测误差和量测误差进行加权运算处理的特点, 提出了最优加权与递推最小二乘法相结合的多传感器信息融合模型。 1 采用最佳加权和最小二乘法相结合的多传感器信息集成模型 1.1 合后量测值序列 其模型结构如图1所示。 该方法先对每个传感器的实时量测值进行加权处理, 将多个传感器的量测值融合为一个值, 再对融