一种改进的多无线传感器数据分批估计自适应加权融合算法

为解决温室大棚中多无线传感器监测数据融合精度低的问题,提出了一种改进型的分批估计自适应加权融合算法。算法首先对单个无线温度传感节点一段时间内所采集的数据根据容许函数阈值剔除误差较大的数据,然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值,以此得到该区域所有无线温度传感节点最优估计值后,依据权值最优分配原则对每组传感器数据进行组内自适应加权融合,从而计算得到该段时间内温室大棚的温度精确值。通过实验验证得出：相对于平均值法与传统的分批估计算法,本算法数据融合易于实现,融合值相对误差值更低,稳健性更好。     

基于自适应加权数据融合的无线传感器网络仓库监控系统

无线传感器网络的仓库监控系统具有监控效率高,监控节点易扩展和硬件成本低等优点,但面积较大的仓库内,仓储参数分布不均匀。为了提高无线传感器网络仓库环境参数监测的准确度,采用自适应加权数据融合的方法,对传感器网络的采集数据进行数据融合处理。文中给出了数据融合的具体工作步骤,并以仓储环境温度采集为例,进行了传感器网络温度采集数据的融合处理,与均值处理方法进行对比,结果表明,基于自适应加权数据融合方法的传感器网络监控系统具有更高的数据监测精确度。     

多传感器自适应加权融合算法及其应用研究

多传感器数据融合可以获得比单一传感器更多、更准确的信息,本文提出了一种多传感器自适应加权融合算法,该算法无需传感器测量数据的任何先验知识,利用传感器所提供的测量数据,即可融合出总方差最小的数据融合值,仿真和应用实例均表明该算法的有效性。     

机器人IMU与激光扫描测距传感器数据融合

本文较详细的介绍了如何利用卡尔曼滤波技术来实现机器人IMU与激光扫描测距传感 器之间的数据融合方法,提出了一种新的扫描测距传感器的数学模型,使之能应用卡尔曼滤 波的算法,以便得到更准确的距离信息．     

移动机器人多传感器信息融合测距系统设计

介绍了用于移动机器人运动导航的多传感器测距系统的硬件组成和数据融合方法.测距系统由超声波测距模块、红外测距模块和数据融合模块组成,超声波测距模块和红外测距模块分别检测机器人周围环境中障碍物的距离,数据融合模块则通过SMBus总线收集两个模块采集到的距离数据,并采用自适应加权数据融合算法对这些数据进行处理,以获得可信的距离信息.实验表明,所设计的测距系统可靠性高、配置灵活,能够满足机器人自主导航中的避障要求.     

无线传感器网络自适应预测加权数据融合算法

为提高无线传感器网络监测系统的可靠性及寿命,提出了一种基于分簇的自适应的预测加权数据融合(AFWDF)算法.AFWDF算法依据数据在时间上的相关性,建立预测模型.源节点与簇头利用前期监测数据的变化态势自适应调整预测模型参数对后期数据进行预测,源节点通过预测值与测量值比较提取特征值和剔除异常值,簇头根据特征值和预测值还原监测值,并计算监测值可信度和权重进行加权数据融合.通过性能分析及仿真,得出AFWDF可靠性较高,且在模拟环境下网络寿命周期比SAEMDA和BPNDA算法提高了15％左右.     

基于自适应分批估计的瓦斯监测多传感器数据融合研究

针对瓦斯监测中多传感器监测数据的融合问题,提出了一种多源数据自适应分批估计算法。利用各组传感器局部融合值与最终融合值的方差自适应地调节各组的权重,通过多步融合逐渐弱化误差较大传感器组对最终融合值的影响。仿真实验表明:相对于平均值法与分批估计算法,该算法能有效地提高数据融合精度,能够满足瓦斯监测对实时性和精确性的要求。     

无线传感器网络簇内自适应融合算法研究*

无线传感器网络中采集的数据存在着较大的冗余与误差,且影响数据的可靠性。针对这个问题,分析了簇内数据误差成因,提出了一种改进后的自适应数据融合算法。该算法从节点测量数据自身着手,通过迭代得到各个节点测量数据的无偏估计值,以各个节点与估计值的欧氏距离作为各节点可信度的描述。实验证明,该融合算法提高了数据的精度和可信度。同时,通过与分批估计融合方法和传统的自适应加权融合方法的比较分析,表明该方法融合效果更好。     

无线传感器网络中的数据融合研究

无线传感器网络具有成本低、体积小、组网灵活、便于远程监控等优点,但是也存在能量、存储与网络资源等多方面的限制。研究了无线传感器网络中数据融合问题,提出了一种基于分簇的数据融合方法。实验结果表明,该方法能够提高数据准确性,降低数据冗余度,具有较好的执行效率。     

基于LMS算法的多传感器数据加权融合方法

针对目前多传感器数据融合过程中,传感器观测噪声不易确定,提出了一种基于LMS算法的多传感器自适应加权数据融合方法。该方法将传感器最优加权系数的求解,转化为估计值的均方误差性能表面的最优解搜索,通过加入自适应阶段,采用自适应最小均方误差（LMS）算法调整传感器加权系数。仿真结果表明该方法的有效性。     

改进型分批估计与自适应加权融合方法研究

针对智能家居火灾监测中数据准确性低冗余大等问题,提出了一种量测数据预处理与改进型分批估计自适应加权数据融合相结合的算法。首先,该算法根据格罗贝斯准则对单个传感器测量数据序列进行一致性检验,从而剔除疏失误差数据;其次,考虑传感器受恶劣因素影响导致量测波动较大,引入环境因子并改进分批估计算法计算单个传感器最优监测值;最后,针对不同方位多传感器误差分布不均匀的特点,提出了根据权值最优分配原则实现自适应加权数据融合。实验结果表明,该算法得到的融合结果误差小,能够有效提高数据准确性,降低冗余量,具有较好的稳定性能。     

基于状态预测自适应一致滤波器的分布式估计融合算法

应用自适应滤波算法改进了基于一致滤波器的估计融合算法以加快节点估计的一致收敛速度,提出了 一种基于状态预测的自适应一致滤波器．在此算法中,节点采用状态预测值作为自适应滤波器的参考信号,应用自 适应算法修正一致滤波器的加权矩阵．仿真结果表明,本文提出的算法不仅能够加快节点估计的一致收敛速度,还 能减小收敛过程中节点的估计误差．     

基于刀切法与自适应加权的多传感器信息融合算法

针对加权平均、最优加权、自适应加权多传感器信息融合算法的不足,提出采用刀切法与自适应加权方法相结合的信息融合算法。该算法在自适应加权的基础上充分利用观测值与各个历史时刻的估计值,通过构造伪值分别对估计值与加权因子进行Quenouille估计。实验结果表明,在经过刀切法与自适应加权相结合后,数据处理的精确性和稳健性方面都优于普通的处理方法。     

基于接收信号强度指示加权融合的质心定位算法

针对当前无线传感器网络质心定位算法在参考节点分布不均匀时定位误差较大,提出了一种基于RSSI加权融合的质心定位算法.通过将离未知节点距离由近到远的每三个参考节点组成三角形定位单元,运用传统质心算法产生质心,这样确保了质心的有效性.分析了影响定位精度的因素,通过加权因子来体现不同参考节点对质心坐标决定权的大小,并确定了各因素的权值.最后进行加权融合处理,使得整个定位精度得到了很大的提高.仿真结果表明,所提算法较之前的加权质心算法定位精度有了明显提高,最高可达38.41％.     

基于自适应加权与LZW的WSNs层次式数据融合算法

为了兼顾提高数据采集精度与效率的同时有效降低传感器节点能耗,提出了一种基于自适应加权与LZW的层次式数据融合算法.传感器簇头节点对传感器节点发送的数据进行自适应加权处理,估计出均方误差最小时的值,簇头节点将处理后的数据采用LZW算法以一定的信息量压缩后再进行数据的传输.仿真表明,该层次式融合算法提高了数据采集的精度并有...     

带密度加权的自适应遗传算法

为了改善传统自适应遗传算法收敛速度慢、易陷入局部最优解的情况,提出了带密度加权的自适应遗传算法. 该算法基于种群的分布密度,动态调整遗传算法的交叉概率和变异概率,并且在算法中使用了保留最佳个体法. 实验结果表明：该算法在破坏种群局部稳定性、跳出局部极值的同时,又能以较快的速度收敛于全局最优,提高了算法的实用性和鲁棒性.     

基于标量加权信息融合的智能故障诊断方法研究

为了满足生产过程中越来越复杂的系统,多传感器逐渐被引入到了故障诊断系统中,多个传感器的应用,使得故障诊断更加及时迅速.本文基于标量加权的线性最小方差最优信息融合算法,对多传感器离散线性随机系统,给出一种分布式标量加权信息融合Kalman滤波器,并在故障诊断中应用,通过仿真例子验证算法的有效性.     

自适应加权融合显著性结构张量和LBP的表情识别

针对局部二值模式（Local Binary Pattern，LBP）提取纹理特征时忽略了图像的局部结构信息问题，提出一种自适应加权融合显著性结构张量和LBP的表情识别算法。该算法通过对整幅图片进行显著性区域检测得到全局显著图来消除细小的纹理和噪声。在显著图的基础上进一步提取两种显著性纹理特征，根据每种特征信息熵的贡献度来作为特征向量的加权依据。利用支持向量机（Support Vector Machine，SVM）进行表情图像的分类。实验结果表明，自适应加权融合的两种纹理特征能够较好地描述人脸的特征，有效地提高表情识别率。