一种多传感器数据融合的模糊融合方法.docxVIP

一种多传感器数据融合的模糊融合方法 多传感器数据整合意味着充分利用不同时间和空间的多传感器信息资源。根据一定的标准，采用计算机科学对测量对象的观测信息进行自动分析、集成、主题化，从而获得测量对象的一致性。完成所需的决策和估算任务，使系统性能优于各组成部分。 多传感器数据融合可以增加测量的可信度,改善系统的可靠度,在工业和军事等方面得到了广泛地应用。人们针对不同场合给出了许多融合的方法,其中以统计理论与模糊数学的方法为最多,但将两者集成而进行数据融合的方法却较少。本文首先利用统计理论中的格罗贝斯判断准则剔除多传感器数据中的疏失误差。然后对余下的有效数据,利用多传感器数据模糊相关特性,提出了一种基于模糊贴近度的数据融合方法。该方法先将传感器量测值与目标估计值进行模糊化,再定义与计算每个传感器的量测值模糊量与目标估计值模糊量之间的贴近度。由贴近度的大小来表征传感器的重要性,贴近度越大表示该传感器对数据融合结果的影响越重要,在融合过程中其权重也越大。最后提出数据融合公式实现多传感器数据融合。经实际应用验证了该方法的有效性,得到了比单一传感器或多传感器均值融合更好的测量结果。 1 数据集成理论 1.1 罗马法中g0n,的生长 设对某一被测物作等精度的多次独立检测,得到一已按从小到大顺序排列的测量子集X: x1≤x2≤?≤xn 且所测得的xi(i=1,2…,n)服从正态分布。则: x0=1nn∑i=1xivi=xi-x0σ0=√n∑i-1vi2n-1(1) 根据顺序统计原理,格罗贝斯(Grubbs)计算统计量 gi=xi-x0σ0(2) 的确切分布。在给定显著水平之后(α=0.05或0.01),用查表法找出格罗贝斯统计量的临界值g0(n,α)。即P[gi≥g0(n,α)]=α为小概率事件,在xi服从正态分布时不应出现。 若测量两端值x1或xn所对应的格罗贝斯统计量g1或gn满足: g1,n≥g0(n,α)(3) 则认为统计量g1,n的分布存在显著差异,所对应的xi含有疏失误差,x1,n为可疑数据应当剔除。若: g1,ng0(n,α)(4) 则认为对应的xi没有疏失误差,x1,n不是可疑数据。利用格罗贝斯准则,每次只能剔除一个可疑值,因而需要重复进行判别,直至确定无疏失数据,余下全部为有效数据为止。 1.2 模糊邻近度理论 1.2.1 基于三角形隶属函数的测量误差 受各种因素的影响,传感器的量测值与目标真实值之间有误差。真实值只是在所有有效数据的附近。假设量测值误差是随机误差,量测分布是由均值和方差所确定的正态分布。即其模糊化的隶属函数选用高斯形比较合适,同时为工程实际应用需要,在本方法中选用三角形隶属函数。三角形中心是传感器的测量值,宽度为测量数据标准方差的4倍。对于第i个传感器,设其对真实值A的m次测量后的测量均值为xi,测量方差为σi。则量测值的模糊量表示为: ～Ai=(ai1,ai2,ai3)=(xi-2σi,xi,xi+2σi) 目标估计值的模糊化过程同量测值模糊化过程类似。只是估计值x0,估计方差σ0分别为 x0=1nn∑i=1xiσ02=1n-1n∑i=1(xi-x0)2(5) 从而估计值的模糊量为: ～A0=(a01,a02,a03)=(x0-2σ0,x0,x0+2σ0) 1.2.2 aiajaj的邻近度 设～Ai和～Aj是两个模糊量。定义S=S(～Ai,～Aj),若S满足 ① 0≤S≤1。 ② 对于～Ai=～Aj,S=1。 ③S(～Ai,～Aj)=S(～Aj,～Ai)。 ④ 当且仅当～Ai∩～Aj=Φ时,S(～Ai,～Aj)=0。 ⑤ 当～Ai?～Aj?～As时,有S(～Ai,～Aj)S(～Ai,～As)。 则称S为～Ai,～Aj的贴近度,即～Ai与～Aj接近程度。 模糊量之间贴近度计算有很多方法,为实现的可靠性和方便性,定义基于距离度量的贴近度计算方法: 设～Ai=(ai1,ai2,ai3)和～Aj=(aj1,aj2,aj3)为两个三角形模糊量,则其贴近度为: S(～Ai,～Aj)=11+d(～Ai,～Aj)(6) 式中: 值越大,表示～Ai与～Aj越贴近。S(～Ai,～Aj)=1,表示～Ai与～Aj完全相同,S(～Ai,～Aj)=0,表示～Ai与～Aj完全不一致。在多传感器融合中,考虑的是每个传感器Ai与目标估计量A0之间的贴近程度,所以所要计算的贴近度为S(～Ai,～A0)。 1.2.3 传感器权重的计算 在实际多传感器数据融合过程中,对不同的传感器需要赋予不同的权重。稳定性比较好,可靠性比较高的传感器在系统中有更大的权重。而哪些传感器稳定性好,可靠性高?在测量前是无法预知的,另外稳定性好多少,可靠性高多少?也是无法加以精确度量的。根据统计与模糊理论,我们可以假设某传感器测量Xi越接近于估计值X0(测量均值),即其