基于信噪比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多次测量实验的数据融合问题,提出了一种基于信噪比的多传感器数据融合方法.该方法首先视各传感器的测量值为模糊集合,利用模糊集合中的最大最小贴近度来度量不同传感器测量值之间的相近程度,其次给出了不同时刻各传感器的一致性测度,然后基于信噪比定义了一致可靠性测度,最后利用一致可靠性测度得到传感器数据的融合公式.应用实例验证了该方法的有效性.同时,通过与平均值法和可靠性融合法的比较分析,表明该方法具有较好的稳健性.     

基于多点测温的舒适度智能传感器研究

针对人体舒适度的检测,基于手部皮肤平均温度与舒适度之间的定量关系,设计了一种舒适度智能传感器结构。该智能传感器利用三维集成多层结构将多个温度传感元件集成在一块硅基片上,利用基于一致可靠性测度的多传感信息故障判断与信息融合方法,在实现异常数据与器件故障判断的同时实现了多传感信息融合与舒适度检测。实验研究表明,该信息融合方法与平均加权融合相比,融合误差降低了约71.2%,舒适度最大检测误差为±0.051。     

基于改进粒子群优化的一致贴近度信息融合算法

贴近度表达了传感器的模糊测量,对信息融合的精确度有着至关重要的影响.用一致可靠测度来描述传感器的模糊测量,提出基于粒子群优化的一致贴近度融合算法,该算法建立了多目标可靠测度的数据模型,并定义多只传感器问的贴近度,利用改进的粒子群算法客观地确定模型中各种权值,根据一致可靠测度给出最终的融合算法,实例验证了算法的有效性.     

用D-S证据理论实现多传感器信息融合的一种改进算法

阐述了基于D-S证据理论的多传感器信息融合算法,提供一种基于D-S理论的改进方法以解决融合信息的相关性问题.用滑觉和热觉传感器作实验,对该方法的有效性进行了验证.     

传感器信息融合技术在变压器短路故障在线监测中的应用

本文基于传感器信息融合技术的容错性、互补性、实时性、高精度、低费用等众多优点,提出将其应用到变压器短路故障在线监测中.分析了变压器发生短路故障时的物理表现.研究了一种基于曲面拟合技术的多传感器信息融合方法,并利用压力传感器对某变压器顶层油压和油温的监测数据进行了融合处理分析.分析结果表明,利用传感器信息融合技术对变压器短路故障的在线监测比传统的在线监测能力有了明显的提高.     

基于DBNs理论的多传感器信息融合方法

为了提高多传感器信息融合系统的动态优化和容错能力,应用动态贝叶斯网络理论对传统联邦滤波器进行改造,得到了一种可以实现高动态环境条件下多传感器信息主动动态优化配置的信息融合方法．仿真结果表明,这种信息融合方法具有较强的动态适应和容错能力．     

基于邻域内相关系数与平均梯度的图像融合方法

通过分析研究图像融合的客观评价指标,提出了一种新的基于邻域的融合策略,即首先对源图像进行双树复小波(DT-CWT)分解,得到高频和低频图像.针对低频图像采用相关系数为阚值,以标准差加权平均进行邻域融合,高频图像以平均梯度为测度参数进行邻域融合,最后进行逆变换得到融合图像.采用均值、方差、熵和平均梯度4种客观评价指标来评价融合图像效果.实验结果表明,该方法能够较好地适应相似度差异较大的多传感器图像融合,有效地增强融合图像的细节信息和清晰度.     

Bayes分析中基于充分性测度的多源验前信息融合

针对工程实践中遇到的验前信息的多源性特点 ,给出了一种基于充分性测度的多源验前分布的融合方法 ,通过综合利用多源验前信息 ,给出了一种较为合理的融合验前分布 ,在此基础上即可进一步进行各种可靠性分析 .最后通过仿真实例证明了该方法的有效性     

基于归一化相关矩的多分辨率遥感图象融合

多传感器数据融合技术已广泛应用于遥感图象处理方面 .针对遥感多光谱图象空间分辨率较低的问题 ,提出了一种基于归一化相关矩的多分辨率图象融合方法 .该方法首先对图象进行二维小波变换 ,然后根据所得到的高频小波系数的一阶、二阶统计特征来定义图象局部灰度相关矩 ,并以此作为图象融合测度来对遥感图象进行多分辨率特征融合 ,从而得到包含更多信息和有效特征的融合图象 .仿真结果表明 ,融合后的图象在保留多光谱信息和提高空间分辨率上均能获得较好的效果 ,因而可以更好地用于目标识别、分类等遥感图象处理方面     

一种基于条件证据网络的多源异类知识融合识别方法

针对融合识别领域中不同框架下多源异类传感器的不确定证据信息无法有效融合的问题, 提出一种基于条件证据网络的多源异类知识融合识别方法. 该方法将战场协同作战中不同框架下多源异类传感器的领域知识统一在证据网络的结构下, 形成多源异类知识融合识别模型, 对多源异类传感器的不确定性证据信息进行基于条件证据网络的融合推理, 得到识别结果. 仿真实例验证了所提出方法的优越性.

     

基于不确定融合的GPS/INS 组合导航滤波算法

针对实际车载组合导航系统测量中不确定噪声的问题,提出一种基于不确定融合估计的GPS/INS组合导航滤波算法,建立了导航系统的状态方程和观测方程;通过多信源不确定融合估计,得到多传感器的等效测量值以及误差方差阵;对系统方程进行滤波处理,得到车辆的准确位置。车载系统的实测数据表明,不确定噪声下的融合估计结果优于独立白噪声假设下的融合估计,并验证了所提出算法的有效性和实用性。     

基于多传感器信息融合的移动机器人快速精确自定位

通过分析全向视觉、电子罗盘和里程计等传感器的感知模型,设计并实现了一种给定环境模型下移动机器人全局自定位算法.该算法利用蒙特卡罗粒子滤波,融合多个传感器在不同观测点获取的观测数据完成机器人自定位.与传统的、采用单一传感器自定位的方法相比,它把多个同质或异质传感器所提供的不完整测量及相关联数据库中的信息加以综合,降低单个...     

离散不确定系统分布式鲁棒融合滤波器设计

针对一类离散多传感器动态模型的不确定系统,将鲁棒滤波理论与数据融合技术相结合,基于参数依赖Lyapunov函数,研究该离散系统的鲁棒融合滤波器设计问题。在集中式鲁棒融合滤波器的基础上,探讨了分布式加权融合滤波器的设计方法,通过仿真实验比较了鲁棒融合滤波器的性能。结果表明,利用该分布式加权融合算法,不仅对于解决当系统模型中存在参数不确定性时的滤波问题有较好的鲁棒性能和较低的计算量,而且在多传感器系统中对于满足不同精度鲁棒融合滤波器的设计需要具有较大的灵活性。     

捣固车作业系统异质多传感器数据融合的研究

在捣固车安全作业监测系统的研制中,提出了基于概念格理论的异质多传感器两级数据融合处理机制,第一级引入支持度矩阵和最优加权,规避了捣固车在恶劣工作环境下,多传感器监测数据精确性和抗干扰差的缺点;第二级采用模糊属性决策层融合技术,增强了监测的智能化水平。     

多传感器数据融合在猪舍环境中的应用

针对多变量耦合的猪舍环境,采用自适应加权算法和D．S证据推理算法相结合的方法,提出一种适用于猪舍环境监测的分布式多传感器体系结构和二级融合模型,对多传感器采集的温度、湿度和光照度信息进行融合,克服了单传感器带来的不确定性和不稳定性,增强了多传感器信息融合系统的鲁棒性。结果表明,这种方法提高了猪舍环境检测的准确度。     

用于Micro-EDM放电状态分类的多传感器集成与信息融合系统

在Ｍｉｃｒｏ－ＥＤＭ（微细电火花加工）中,由于加工信号的频率高、加工波形的畸变,使得常规的用于放电状态检测的方法,如电压波形采样、放电延时等,已不再适用。利用多传感器的信息融合进行目标识别,可以避免单一传感器的局限性,减少各传感器不确定性的影响。文中描述了一人用于目标识别与分类的基于模型的多传感器系统。该系统选用以决策层为主的方法,以模糊神经网络作为其信息融合的工具。体现了多传感器信息融合优越性。     

煤矿多传感器混沌时序数据融合预测

针对单传感器煤矿数据预测存在的片面性问题,提出将信息融合技术与相空间重构技术相结合的多传感器煤矿数据的预测模型。对井下多种传感器,包括瓦斯浓度、风速、温度传感器,进行融合预测。以多类传感器时序数据为研究对象,首先利用信息融合的方法分别对各类传感器数据依次进行数据层融合、特征层融合;然后采用关联积分方法对两级融合之后的传感器数据分别确定相重构的时间延迟τ和嵌入维数m两个参数;最后结合多变量相空间重构技术,将各类传感器数据融合重构相空间,运用基于K-Means聚类的加权一阶局域法构建多传感器数据的预测模型。数据来源于山西省阳泉煤矿,采集了近20G数据,以瓦斯浓度、风速、温度三种传感器数据进行实验,实验结果表明：对于特征层的融合,每15分钟时间段内的数据经融合后可有效作为衡量这段时间内的特征,经过预测模型计算后,与时间段为5分钟、10分钟、20分钟相比较误差达到最小ESS=0.003,较目前的最小误差值0.05,误差大大下降,故融合预测效果较好,可以较准确地预测未来15分钟后的传感器数据,可有充足时间进一步为井下的安全评估提供决策依据。     

Sensor Fusion System Using Recurrent Fuzzy Inference

In robotic and manufacturing systems, it is difficult to measure the state of systems accurately because of many uncertain factors and noise, and it is very important to estimate the state of systems. We must measure the phenomena of systems by multiple sensors and estimate the state of systems by acquiring information of sensors. However, we can not acquire all of sensor information synchronically, because each sensor has particular sensor information and measuring time. For estimating the state of systems by multiple sensors, a multi-sensor fusion system fusing various sensory information is needed. In this paper, we propose a Recurrent Fuzzy Inference (RFI) with recurrent inputs and apply it to a multi-sensor fusion system for estimating the state of systems. The membership functions of RFI are expressed by Radial Basis Function (RBF) with insensitive ranges. The shape of the membership functions can be adjusted by a learning algorithm. The learning algorithm is based on the steepest descent method and incremental learning which can add new fuzzy rules. The effectiveness of the multi-sensor fusion system using RFI will be shown through a numerical experiment of moving robot and estimation of surface roughness in grinding process.     

Uncertainty evaluation for a Dezert–Smarandache theory-based localization problem

Dezert–Smarandache theory (DSmT) is selected as the fusion method in a decision making system. To compare sensor fusion results, an uncertainty analysis is performed at each level of the decision making system. The supervision is based on the Generalized Aggregated Uncertainty (GAU) measure which is a generalization of Aggregated Uncertainty measure, whereas it is applicable for DSmT results. This measure helps to make decisions on better choice of combinations of sensors or methods of fusion. As an experimental study, localization of an object using cameras’ images is selected. Classic DSmT and hybrid DSmT by using extra knowledge, is applied and then uncertainty evaluation is carried out by the GAU uncertainty measure. The final decision in the presented framework has uncertainty less than each sensor’s measurement. By this method, more accurate and less uncertain results in localizing the object with high conflict sensory data are generated.     

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association, JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。