基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

基于多传感器大轴径测量系统的特征层数据融合

根据大轴径高精度测量要求,采用三组滚轮的多传感器同时对大轴径进行测量,将多传感器数据融合技术应用于大轴径测量系统中;数据融合方法可以避免单一传感器的局限性,充分利用不同时间和空间的测量数据信息,大大提高测量系统的性能和效率;建立了大轴径测量系统的数据融合系统模型,提出了将BP神经网络应用于大轴径测量系统的特征层数据融合,并进行了融合系统的仿真实验;研究结果表明,该方法能得到准确的测量结果,达到了系统对测试精度的要求.     

一种在线迭代聚类的多传感器一致性数据融合方法

为了提高多传感器一致性数据融合的效果,在进行多传感器测量数据融之前,必须要对各传感器的测量数据是否具有一致性进行判定处理;针对现有各种多传感器一致性数据融合方法存在的不足,文章运用统计学中的假设检验理论、聚类分析和正态分布的优良性质,提出了一种在线迭代聚类的多传感器一致性数据融合方法,用Matlab进行大量仿真实验的结果表明,文章给出方法优于现有的多传感器一致性数据融合方法。     

基于相关性函数和最小二乘的多传感器数据融合

针对目前传感器数据融合过程中,各传感器的可靠度估计困难和测量数据融合结果精度较低的问题,利用模糊理论中的相关性函数,提出了多传感器的相互支持程度计算的新方法,并基于最小二乘原理,对支持程度高的传感器数据进行融合.该方法计算简单,能客观地反映各传感器的可靠程度,不需要知道数据的先验信息.仿真结果表明,相比同类融合方法,该方法获得的结果具有更高的精度.     

基于信息熵的多传感器数据的融合方法

针对多只传感器对某一特性指标进行测量实验的数据融合问题,利用信息理论中的信息熵,提出了一种新的多传感器数据的融合方法。该方法以最小化各传感器测量数据的信息熵之和为目标函数,通过求解极值问题,得到了多传感器数据的融合结果。可以较好地避免受主观因素影响的关系矩阵,充分利用实验数据,防止有效数据的丢失。该算法简洁稳定,可用于提高智能仪表的测量准确度和改善智能仪表的抗干扰能力。     

提高测量可靠性的多传感器数据融合有偏估计方法

为了提高测量数据可靠性,多传感器数据融合在过程控制领域得到了广泛应用. 本文基于有偏估计能够减小最小二乘无偏估计方差的思想,提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法. 首先,基于岭估计提出了有偏测量过程,并给出了测量数据可靠性定量表示方法,同时证明了有偏测量可靠度优于无偏测量可靠度. 其次,提出了多传感器有偏估计数据融合方法,证明了现有集中式与分布式无偏估计数据融合之间的等价性. 最后,证明了多传感器有偏估计数据融合收敛于无偏估计数据融合. 实例应用验证了方法的有效性.     

基于Fisher信息的多传感器数据融合方法

针对多个传感器对某一特性指标进行测量实验的数据融合问题,利用信息理论中的Fisher信息,提出了一种新的多传感器数据融合方法。该方法以最大化各传感器测量数据包含待测参数的Fisher信息为目标函数,通过求解优化问题,得到数据融合结果。可以较好地避免受主观因素影响的关系矩阵,充分利用实验数据,防止有效数据的丢失,提高融合结果的精确性。仿真实验验证了方法的有效性。     

多传感器数据融合的概率权方法

针对多传感器对某一特性指标进行多次测量实验的数据融合问题,提出了一种基于概率基本理论的融合方法。该方法把各传感器的测量数据作为一随机变量,利用测量值的样本数据,确定测量值随机变量的取值范围,估计出样本均值和样本标准差,从而得到各传感器数据融合的概率权,并给出数据融合公式。应用实例验证了该方法的有效性和稳健性。     

基于多传感器数据融合的机器人里程计设计与实现

设计并实现了一种基于FPGA和多光电鼠标的高精度机器人里程计。多个PS/2光电鼠标传感器测量位移数据,利用FPGA解析PS/2协议并完成数据融合,得出高精度机器人里程计结果。针对传统Luo一致性数据融合算法的缺陷进行改进,并通过归一化特征值加权法得到每个传感器测量值被系统综合支持的程度,完成多传感器测量数据融合。实验结果表明:该数据算法计算步骤固定,方便在FPGA上实现;该里程计在有异常数据干扰情况下,能够达到较高的测量精度。     

基于最小一乘估计的多传感器信息融合方法

针对多个传感器对某一特性指标进行测量实验的数据融合问题,从稳健性角度,利用统计理论中的最小一乘估计,提出一种多传感器数据的融合方法。该方法基于自适应加权,以最小化传感器测量数据的绝对偏差为目标函数,通过求解条件极值问题,得到各传感器数据的权数,从而给出融合结果。仿真实例表明方法的有效性和较好的稳健性。     

基于QDPSO-BP网络的多传感器融合算法

多传感器数据融合的理论和方法已经被应用到许多领域。但目前对于多传感器所测的数据还没有一种通用的行之有效的处理方法。基于量子空间的粒子群(QDPSO)算法训练的BP神经网络具有较好的稳定性和收敛性,将其运用于多传感器的数据融合,在仿真中取得了比常规算法更高的精度,控制策略制定准确、可靠,是一种较有潜力的多传感器数据融合方法。     

基于模糊推理的多传感器数据融合方法

针对多传感器目标跟踪系统可能出现的传感器漏检现象,提出了一种基于模糊推理的消除漏检现象影响的方法。该算法根据各传感器的量测变化,及时调整参与融合的各传感器量测的数目及其加权系数,保证量测融合值的有效性。通过对两个传感器进行数据融合和目标跟踪的仿真表明,该算法是一种简单有效,有工程应用前景的数据处理算法。该方法同样适用于多于两个传感器的多传感器融合系统。     

多传感器集中式增量卡尔曼滤波融合算法

在单个传感器的状态估计系统中,标准的增量卡尔曼滤波方法可以有效消除量测系统误差。对于多传感器情况,标准算法失效。针对该问题,提出了多传感器集中式增量卡尔曼滤波融合算法,即:增量卡尔曼滤波的扩维融合算法和增量卡尔曼滤波的序贯融合算法。在标准增量卡尔曼滤波算法的基础上,结合扩维融合和序贯融合的思想来实现多传感器数据的融合。实验结果表明,当存在量测系统误差时,提出的集中式融合算法与传统的集中式融合算法相比,提高了滤波精度,并且能够成功地消除量测系统误差。     

多传感器信息融合基本原理及应用

全面系统地阐述了多传感器信息融合技术的信息融合理论、模型、算法和应用，并对目前信息融合在机器人、故障诊断、图像处理等领域的应用现状进行了剖析。信息融合技术虽然发展迅速。但由于信息融合技术理论尚待完善，在融合算法、融合模型以及关联的二义性等方面还存在问题。信息融合理论在多传感器分布检测、异类多传感器融合以及建立信息融合数据库和知识库等方面将有进一步发展。     

自适应窗长方差估计在多传感器数据融合中的应用

针对多传感器数据融合中,恒窗长方差估计算法对噪声变化跟踪能力不强的缺点,提出了一种根据噪声变化自适应调整窗长的方差估计算法。给出了对方差估计曲线突变段的寻找方式以及自适应窗长的选择策略。该算法能灵敏的跟踪传感器测量噪声的突变,同时不依赖于初始窗长的设定,能自动收敛到适合的窗长模式。仿真结果说明了该算法在多传感器数据融合中的有效性。     

Random weighting estimation for fusion of multi-dimensional position data

This paper adopts the concept of random weighting estimation to multi-sensor data fusion. It presents a new random weighting estimation methodology for optimal fusion of multi-dimensional position data. A multi-sensor observation model is constructed for multi-dimensional position. Based on this observation model, a random weighting estimation algorithm is developed for estimation of position data from single sensors. Using the random weighting estimations from each single sensor, an optimization theory is established for optimal fusion of multi-sensor position data. Experimental results demonstrate that the proposed methodology can effectively fuse multi-sensor dimensional position data, and the fusion accuracy is much higher than that of the Kalman fusion method.     

基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.     

舰载机多雷达传感器任务分配与采样间隔融合优化算法

针对舰载机协同探测中多雷达传感器资源配置问题,提出一种多目标跟踪场景下的多传感器数据率管理与任务分配融合优化算法.在基于协方差控制的多传感器分配模型基础上,加以目标优先级和传感器效能条件约束,建立一种多传感器数据率管理与任务分配融合优化模型.将驻留时间改进因子引入序贯卡尔曼滤波算法,计算不同采样间隔下传感器组合状态估计...     

一种基于证据理论的数据融合新算法研究

从决策级层次出发,给出一种新的基于证据理论的多传感数据融合算法.从传感器的重要度和各证据的可信度两方面综合考虑对融合结果的影响,并根据传感网络的实际应用情况给出了反映传感器重要度及证据可信度的融合系数,引入未知项,使新的算法能更好地实现多传感器的数据融合.通过举例与分析表明新算法能较好地解决证据冲突引起的失效问题.