基于行为融合的移动机器人自主避障算法

当移动机器人面临环境未知或不确定时,各个行为融合的权重随环境的变化而变化,从而导致权重无法在线调整而不能顺利到达目标点.为此,提出一种权重可在线调整的自主避障行为融合算法.用Mamdani型模糊控制器设计移动机器人自主避障过程中的基本行为;同时,提出一种基于两级BP神经网络信息融合的权重调整方法来实现各个基本行为的融合.该算法能够根据环境的变化实现各个基本行为权重的在线调整,增强自主避障控制的实时性和鲁棒性.仿真实验结果表明了该算法的有效性和可行性.     

基于模糊熵的多传感器加权融合算法

针对目前多传感器数据融合时,各传感器的权值难以确定的问题,结合模糊理论,提出一种基于模糊熵的多传感器加权融合算法.该算法不需要任何的环境先验信息和传感器参数信息,根据各个传感器的当前有效量测数据的模糊程度不同,通过求取实时有效量测集合的模糊熵来确定该传感器在融合时的权值.仿真实验证明:该算法具有很好的环境适应能力,可以在一定程度上提高量测精度.     

基于新型AFCM的多传感器目标跟踪航迹融合

多目标跟踪是多传感器系统信息融合中的核心技术之一.采用新型的AFCM模糊算法实现对多目标交叉状态下航迹数据关联.该算法定义了一种新的度量空间中的距离,通过新的距离定义有效抑制含有噪声点的样本及目标航迹交叉在迭代中对数据关联聚类中心点的大幅偏差.同时应用改进带加权的航迹融合算法对红外和毫米波雷达传感器测量的航迹数据进行融合.仿真试验证明,新的算法在综合多传感器探测优势的基础上,对航迹的融合结果优于SF算法.新的数据关联算法和改进的加权航迹融合算法为多源信息融合提供了一种可靠有效的多目标跟踪技术.     

基于Vague集的多传感器目标识别方法

采用Vague集来表达传感器的模糊测量信息,提出一种基于Vague集的多传感器信息融合方法.建立Vague集表达的多目标模型数据库,并定义两Vague值之间的贴近度,利用多目标规划模型客观地确定各特征的权重,根据综合贴近度给出目标识别算法.实例分析表明了算法的有效性.     

一种多传感器数据的熵权融合方法

针对多只传感器对多个特性指标进行测量实验的数据融合问题,提出了一种新的多传感器数据的融合算法.该方法采用最大最小法确定各传感器测量数据之间的模糊相似矩阵,定义熵权来确定各传感器的融合权重.可以克服以往方法中关系矩阵的主观影响.实验数据分析表明:该算法简单、数据融合含义清晰,可以避免有效数据的损失.     

基于模糊数学与统计理论集成的多传感器数据融合方法

利用格罗贝斯统计理论剔除系统误差数据.对余下的有效数据,利用模糊理论计算其与估计值之间的模糊贴近度,并以此确定每个传感器的重要性权重,最后提出数据融合公式实现多传感器的数据融合.应用实例验证了该方法的有效性.     

基于直觉模糊熵的直觉语言多准则决策方法

针对现有直觉模糊熵方法中存在的一些问题,提出一种新的直觉模糊熵,并将其与现有的几种直觉模糊熵计算结果进行比较.针对准则权重信息不完全且准则值为直觉语言数的多准则决策问题,通过建立基于模糊熵的决策模型来求解准则的最优权系数,并利用直觉语言加权算数平均算子(IL-WAA)求出方案的综合准则值,进而由直觉语言数的记分函数确定方案的排序.最后,通过算例分析验证了该方法的有效性和合理性.     

一种模糊偏好排序的多目标粒子群算法*

为了将决策者对各目标属性的模糊评判信息转换为目标偏好信息,首先将模糊语义转换为三角模糊数,利用模糊数的广义加法、近似乘法和标量乘法进行计算, 从而将决策者对目标属性的离散意见转换为对各目标的综合意见;然后采用多指标模糊排序法确定决策者权重,通过定义一种模糊综合排序指标来确定各目标偏好权重,依据目标权重构建判断多目标Pareto解的适应度函数,并采用粒子群算法对多目标问题进行求解;最后通过一个算例来说明该算法的实用性和有效性。     

基于期望值的模糊多传感器信息融合方法

通针对目标类型的特征指标值和传感器的测量值均为三角模糊数的多传感器类型识别问题,提出了一种新的融合方法.该方法将三角模糊数决策矩阵元素转换为期望值,通过求解目标类型与未知目标属性偏差最小的优化问题得到属性的权重,根据各目标类型的综合属性期望值给出目标识别结果.较好地避免了属性权重选取的主观性,计算简单,易于计算机上实现,仿真实例表明了方法的有效性和实用性.     

基于模糊熵和证据推理的语言?? 数多准则决策方法

定义了语言??数及其模糊熵, 提出了基于模糊熵和证据推理的多准则决策方法, 以解决准则权系数信息不完全确定的语言??数多准则决策问题. 所提方法通过建立基于语言??数模糊熵的线性规划模型来得到准则的最优权系数, 利用证据推理算法确定方案的综合准则值, 进而得出最优方案. 最后通过实例验证了所提出方法的有效性和可行性.

     

Multi-sensor optimal information fusion Kalman filter

This paper presents a new multi-sensor optimal information fusion criterion weighted by matrices in the linear minimum variance sense, it is equivalent to the maximum likelihood fusion criterion under the assumption of normal distribution. Based on this optimal fusion criterion, a general multi-sensor optimal information fusion decentralized Kalman filter with a two-layer fusion structure is given for discrete time linear stochastic control systems with multiple sensors and correlated noises. The first fusion layer has a netted parallel structure to determine the cross covariance between every pair of faultless sensors at each time step. The second fusion layer is the fusion center that determines the optimal fusion matrix weights and obtains the optimal fusion filter. Comparing it with the centralized filter, the result shows that the computational burden is reduced, and the precision of the fusion filter is lower than that of the centralized filter when all sensors are faultless, but the fusion filter has fault tolerance and robustness properties when some sensors are faulty. Further, the precision of the fusion filter is higher than that of each local filter. Applying it to a radar tracking system with three sensors demonstrates its effectiveness.     

Multi-sensor information fusion white noise filter weighted by scalars based on Kalman predictor

A unified multi-sensor optimal information fusion criterion weighted by scalars is presented in the linear minimum variance sense. The criterion considers the correlation among local estimation errors, only requires the computation of scalar weights, and avoids the computation of matrix weights so that the computational burden can obviously be reduced. Based on this fusion criterion and Kalman predictor, an optimal information fusion filter for the input white noise, which can be applied to seismic data processing in oil exploration, is given for discrete time-varying linear stochastic control systems measured by multiple sensors with correlated noises. It has a two-layer fusion structure. The first fusion layer has a netted parallel structure to determine the first-step prediction error cross-covariance for the state and the filtering error cross-covariance for the input white noise between any two sensors at each time step. The second fusion layer is the fusion center to determine the optimal scalar weights and obtain the optimal fusion filter for the input white noise. Two simulation examples for Bernoulli-Gaussian white noise filter show the effectiveness.     

基于模糊矩阵的大数据自适应迁移融合仿真

大数据冗余信息过多,数据迁移融合过程中会出现大量损耗,获取数据信息结果的准确率低。针对上述问题,提出基于模糊矩阵的大数据自适应迁移融合方法。构建模糊矩阵模型,根据构建的模糊矩阵求出其隶属度;通过迭代计算求出细分模糊矩阵边长,以求出的细分模糊矩阵边长为筛选标准,去除数据中的冗余部分,提高数据精度的同时减少后续运算量。在此基础上利用数据自适应度值来选择数据最优迁移路径,并根据数据相关性节点的聚合度完成融合。仿真结果证明,所提方法有效去除冗余数据,降低了数据迁移融合能耗,能够大幅提高大数据融合时的准确性和效率。     

Multisensor optimal information fusion input white noise deconvolution estimators

The unified multisensor optimal information fusion criterion weighted by matrices is rederived in the linear minimum variance sense, where the assumption of normal distribution is avoided. Based on this fusion criterion, the optimal information fusion input white noise deconvolution estimators are presented for discrete time-varying linear stochastic control system with multiple sensors and correlated noises, which can be applied to seismic data processing in oil exploration. A three-layer fusion structure with fault tolerant property and reliability is given. The first fusion layer and the second fusion layer both have netted parallel structures to determine the first-step prediction error cross-covariance for the state and the estimation error cross-covariance for the input white noise between any two sensors at each time step, respectively. The third fusion layer is the fusion center to determine the optimal matrix weights and obtain the optimal fusion input white noise estimators. The simulation results for Bernoulli-Gaussian input white noise deconvolution estimators show the effectiveness.     

通信受限下网络化多传感器系统的Kalman融合估计

研究了一类通信受限下网络化多传感器系统的 Kalman 融合估计问题, 其中通信受限 是指系统在一个采样周期内只允许有限个传感器与融合中心通信. 首先, 提出了一种周期性分组传输的通信策略, 并将每组传感器所对应的局部估计系统描述成一个离散周期子系统模型. 其次, 每个子系统根据最新测量信息的更新时刻, 选择相应的 Kalman 估计器 (滤波器或预报器), 从而得到各子系统在每一时刻的一个局部最优估计, 再通过矩阵加权线性最小方差最优融合准则得到最优融合估计,并给出了Kalman融合估计器的设计方法. 最后, 通过一个目标跟踪例子验证所提方法的有效性.     

无线传感器网络中的模糊信息暴露路径分析

研究无线传感器网络中的模糊信息暴露路径,提出模糊信息暴露最佳(最差)路径算法,根据传感器覆盖半径、融合参数以及覆盖阈值,建立模糊覆盖模型。分析覆盖强度融合因子与融合参数对路径信息暴露强度的影响。仿真结果表明,与概率覆盖模型相比,模糊覆盖模型的最差路径信息暴露强度更小、最佳路径信息暴露强度更大。     

多值直觉模糊集信息融合研究

多值直觉模糊集是对直觉模糊集的拓展,较传统直觉模糊集在描述不确定、不精确、信息不完全问题时的能力更强。但如何将多值直觉模糊集中的多个隶属度与非隶属度进行融合,进而得到综合的评判准则,这是在应用多值直觉模糊集合分析问题时首先要解决的问题之一。现对此问题进行了研究,并为其构造了几种融合方法。     

多传感器标量加权最优信息融合稳态Ka lman 滤波器

提出一种新的标量加权多传感器线性最小方差意义下的最优信息融合准则．该准则考虑了局部估计误差之间的相关性，只需计算加权标量系数，避免了加权矩阵的计算，明显减小了计算量，便于实时应用．运用稳态Kalman滤波理论，基于该融合准则，给出了多传感器最优信息融合稳态Kalman滤波器．在所有局部滤波器达到稳态时，只需一次融合便可获得信息融合稳态滤波器，算法简单．仿真例子验证了其有效性．     

有限时间信息融合线性二次型最优控制

针对有限时间线性二次型最优控制问题, 提出了一种新的求解方法—–信息融合估计方法. 基于线性最小方差估计准则下的融合估计理论, 通过融合期望状态轨迹、理想控制策略等软约束信息, 分别采用集中式融合和序贯式融合两种信息处理方法, 求得最优状态调节器问题的最优融合控制序列. 进一步从理论上论证了序贯式融合控制方法与传统最优控制方法的一致性, 并通过直流电机系统的数值仿真也验证了集中式和序贯式融合控制方法 与传统最优控制方法的等效性, 从而统一了最优估计与最优控制问题, 并为最优控制问题提供了一种新的求解方法.     

基于熵权优属度的模糊传感器目标识别方法

针对具有多个特征指标的模糊多传感器目标识别问题,提出一种新的模糊多传感器数据融合方法。该方法根据信息熵理论,引入不均衡度定义熵权矢量,通过求解数学规划问题,得到各目标类别的优属度,并给出目标识另0规则。实验结果表明,该方法能提高目标识别结果的客观性和可信度,具有可操作性。