多传感器融合学习心得（共5则）.docxVIP

多传感器融合学习心得（共5则）

第一篇：多传感器融合学习心得

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。

一、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。主要用于对军事目标（舰艇、飞机等）的检测、定位、跟踪和识别，具体应用在海洋监视、空对空或地对空防御系统等。

二、多传感器信息融合主要方法

多传感器信息融合是建立在传统的估计理论和识别算法的基础之上，主要有卡尔曼滤波、贝叶斯理论、D-S证据理论和小波变换等，下面我简单介绍一下各种算法。

1）卡尔曼滤波

卡尔曼滤波器实际上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)=AX(k-1)+BU(k)+W(k)再加上系统的测量值：Z(k)=HX(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(WhiteGaussianNoise)，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)=AX(k-1|k-1)+BU(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)的方差还没更新。我们用P表示方差：

P(k|k-1)=AP(k-1|k-1)A’+Q………(2)

式(2)中，P(k|k-1)是X(k|k-1)对应的方差，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)-HX(k|k-1))………(3)其中Kk为卡尔曼增益(KalmanGain)：

Kk(k)=P(k|k-1)H’/(HP(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-Kk(k)H）P(k|k-1)………(5)

其中I为单位阵。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。2）贝叶斯理论

考查一个随机试验，在这个实验中，n个互不相容的事件A1、A2、?、An必发生一个，且只能发生一个，用P（Ai）表示Ai的概率，则有：

?P(A)?

1(6)ii?1n设B为任意事件，则根据条件概率的定义及全概率公式，有

P?AiB??P?BAi?P?Ai??P?BA?P?A?jjj?1n

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P?A1B?、?、P?A2B?、P?AnB?的形式给出，因此有：

P?AiB?≥0

(8)?P?AB?=1

(9)

ii?1n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）