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.     

最优加权与递推最小二乘法相结合的多传感器信息融合

为改善多个同类传感器检测目标参数的性能,提出了根据各传感器量测数据品质对量测数据加权处理,并将加权后的数据作为递推最小二乘法的实时量测值的最优加权与递推最小二乘法相结合的多传感器信息融合方法.仿真结果表明,该方法在数据处理的精确性和稳健性方面都优于普通的处理方法.     

具有不同观测丢失率多传感器随机不确定系统的加权观测融合估计

本文研究了具有丢失观测的多传感器线性离散随机不确定系统的最优线性估计问题,其中不同的传感器具有不同的丢失率.首先将乘性噪声转化为加性噪声,然后基于矩阵满秩分解和加权最小二乘理论,提出了具有较小计算负担的加权观测融合估计算法.分析了加权观测融合估计算法的稳态特性,给出了稳态存在的一个充分条件.所提出的加权观测融合估值器与集中式融合估值器具有相同的精度,即具有全局最优性.仿真研究验证了算法的有效性.     

基于最小二乘法的冗余信息数据融合算法实现

为了有效融合多传感器冗余系统量测信息,使状态的估计值更接近于状态的真实值,实现高精度和高可靠性的状态估计,采取了基于最优加权的最小二乘算法、有限窗加权的最小二乘算法和自学习加权最小二乘算法,分别对多传感器实测数据进行融合处理,融合后数据的方差大幅度降低,估计精度显著提高。并与传统的最小二乘算法进行了仿真对比,结果表明,这3种方法较最小二乘算法融合精度更高,其中,自学习加权的最小二乘融合算法既考虑了历史数据的作用,又考虑了环境噪声和新的采样值的影响,增强了对噪声检测的敏感性,估计效果较好。     

双目立体视觉求取三维坐标的方法研究

双目立体视觉一般通过最优化方法求取点的三维坐标,若采用不同的目标函数,将会存在其它形式的最优化解,在另外一种目标函数下导出了一种新的计算三维坐标的方法,与传统的最小二乘法和归一化最小二乘法相比,新方法通过矩阵的奇异值分解(SVD)计算坐标值,可以避免矩阵求逆.通过实验分析得出,新方法求取三维坐标的误差与传统的最小二乘法及归一化最小二乘法计算三维坐标的误差比较接近,进而验证了新方法求取三维坐标的可行性和正确性.     

一种用于无线传感器网络节点递增式定位的新方法

针对递增式无线传感器节点定位中的误差累积问题,提出了一种基于最优加权最小二乘估计的节点定位改进方法,以提高节点的定位精度.在加权最小二乘估计法中,以加权系数为核心,对加权最小二乘进行改进,在估计误差方差矩阵最小时得出最优加权最小二乘的无偏估计解,此时权值可根据方差阵的逆阵来取得最高精度的估计值.仿真结果表明,此方法能有...     

基于最小二乘原理多传感器加权数据融合

针对目前多传感器数据融合过程中传感器对某一状态量测量时精度较低的问题,提出了基于最小二乘原理的多传感器加权数据融合算法.该方法利用最小二乘原理和方差的遗忘信息,通过均方误差比较,计算出各个传感器的权重之后进行加权融合.该算法既考虑了历时信息的作用,又考虑了环境噪声和新采样值的影响,增强了对环境监测的敏感性.相比同类融合方法,该方法具有较高的精度,最后仿真结果也直观地说明了该方法的有效性.     

余度IMU精度分析与数据融合方法改进

针对现有余度IMU（inertial measurement unit）数据融合精度不高的问题,在对六单轴传感器非正交配置的余度IMU数据融合特性及测量误差与融合误差之间关系进行研究的基础上,提出了1种基于最小二乘简单、有效的余度传感器测量误差估计及数据融合方法。首先对最小二乘融合的空间矢量在测量轴上的投影与测量值之间的误差进行方差统计,统计结果作为传感器测量误差估计的依据及加权最小二乘的权值参考。然后利用加权最小二乘对传感器测量数据进行融合。仿真结果表明：该方法能有效估计传感器测量误差大小,提高余度IMU数据融合及余度惯性导航系统精度。     

最小二乘法在电子鼻动态信息融合中的应用

基于集成气敏传感器阵列和多传感器信息融合技术的电子鼻系统,可用于气体/气味的定性定量识别.电子鼻走出实验室的关键是高效的识别算法和简化的实验装置.本文提出最小二乘法在简化的电子鼻系统中的应用模型.利用线性最小二乘法拟合传感器阵列的动态响应曲线,建立电子鼻系统的知识库并进行智能识别.利用该方法并结合气体传感器阵列在不同温度条件下的动态响应信号,对雪碧、酷儿和绿茶三种饮料样本进行定性识别,仿真验证结果表明该方法的识别准确率达到100%.     

可应用于气体泄漏源搜寻的融合算法

多源信息融合算法主要应用于移动机器人对有害气体泄漏源的搜寻。为提高搜寻效率,用视觉传感器和嗅觉传感器共同获取环境信息,其中 嗅觉传感器 采用多气体传感器代替单气体传感器以提高测量的可靠性,测量位置也由单点向多点转变,并选用合适的算法分别实现各级数据的融合,最终决策移动机器人的搜寻方向。数据表明, 加权平均法用于融合同类气体传感器的数据,可减小噪声和仪器故障的影响;最小二乘法可最优估计未知参数,用于反求泄漏源信息,可初步估计泄漏源的位置和流量;概率赋值方式可容纳多种信息途径共同判断泄漏源,从而更合理地确定搜寻目标。     

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。     

多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

基于信道丢包补偿技术的多源信息融合研究

在多传感器融合网络中,由于网络本身的内在特性以及受实际应用环境的影响,在数据传输过程中丢包现象经常发生,大量有用的信息丢失直接影响了融合算法的正常运行.现有的一些处理网络丢包现象的方法都是直接将丢包的传感器排除在融合操作之外,因此整个系统的融合精确度大大降低.针对上述问题,提出利用基于最小二乘的多项式拟合技术,对丢失的传感器信息进行近似补偿,从而提出一种基于信道丢包补偿技术的数据融合算法.另外,考虑到集中式融合存在的高计算复杂度的特性,基于信息更新的分布式融合算法被用来融合所有传感器的信息,性能分析和计算机仿真显示了新算法的有效性.     

多传感器数据融合的一种方法

在多传感器数据融合的过程中,首先必须验证各个传感器的可靠程度,即确立正确的关系矩阵。一般做法是根据门限值判断两个传感器是否相互支持,或者用分段直线等方法表示其支持程度。在分析的基础上,提出了应用椭圆曲线表示支持程度,并分别给出了融合结果。     

基于信息熵的多传感器数据分类方法

在回顾数据分类和信息熵的基础上,提出了基于信息熵的多传感器数据分类方法．该方法根据传感器数据自熵和互熵的关系实现冲突、冗余和补充的数据分类,建立多传感器数据分类结构并进行分类融合．实例分析说明了这种数据分类方法的合理性和分类融合的有效性．     

一致性多传感器数据融合方法的改进

多传感器数据融合是指将经过集成处理的多传感器数据进行合成，形成对外部环境某一特征的一种表达方式的过程。本文首先介绍了Ｌｕｏ［１］的一致性多传感器数据融合方法。然后，针对Ｌｕｏ方法的不足之处，改进了一致性融合方法。该改进方法计算量小，能简便、快速地确定一致性的传感器数据。     

多传感器技术在机器人系统中的应用和研究

探讨了多传感器融合系统的软件结构设计方案，说明了如何设计一个基于多传感器的自主式智能机器人系统，提出了基于BP神经网络的融合方法。搭建了一个多传感器的智能机器人试验平台，实现了由两个摄像头组成的立体视觉和超声波传感器的融合。试验表明，多传感器融合技术在自主式智能系统中具有重要作用。     

基于多速率传感器数据融合技术的最小二乘估计

将多速率传感器数据融合技术与传统最小二乘估计方法相结合,可以得到一种基于多速率传感器数据融合技术的最小二乘估计新方法。它通过有效地融合各个传感器的观测数据,最终获得了基于全局测量信息的在极小化估计误差方差的迹的准则下最优的无偏参数估计结果。针对具体应用实例,计算机仿真不仅说明了这种方法的实用性,而且进一步验证了其有效性。     

集中式与分布式鲁棒状态融合估计

研究不确定多传感器系统的鲁棒估计问题是多传感器融合估计理论的一个重要研究方向.本文以鲁棒滤波理论为基础,给出了不确定多传感器系统的多胞型描述模型,并利用LMI方法给出集中式鲁棒状态融合估计问题的解,证明了将集中式鲁棒融合估计转化为相同估计性能的分布式融合估计算法的条件.最后给出了分布式不确定多传感器系统的状态融合估计的一个算例.