基于参数估计的多传感器数据融合算法研究

为提高多传感器数据融合精度,结合传感器网络的特点及应用实例,研究分批估计、自适应加权和方差估计算法在数据融合中的有效性、准确度和实时性,提出按测量方差的自适应加权数据融合算法,利用600个传感器所提供的实例数据,对几种算法进行仿真,并比较了几种算法的有效性及其融合精度的差异,其结果表明采用自适应加权算法可以有效提高融合精度,对考虑了环境噪声的多传感器数据采集系统较为适合.     

一种多传感器数据自适应空间分级融合算法

当采用分布在不同空间位置上的多传感器观测值对测量噪声干扰下的参数进行融合估计时,被测量的空间分散性对融合结果影响较大.针对该问题,以自适应加权融合算法为基础,提出了自适应空间分级融合算法,并给出了误差分析和应用方法.该算法将融合过程分解为两次寻优,第1次是局部空间的自适应加权寻优,第2次是在全局空间内的融合寻优.计算机仿真结果表明:该算法在估计空间分布不均匀的被测量时优于自适应加权融合算法.     

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。     

测距传感器数据在线自适应加权融合

针对移动机器人的测距系统,采用了红外线传感器与超声波传感器共同测距,避免了因使用单个传感器进行多次测量而降低系统的实时性和产生信号串扰问题;应用自适应加权数据融合估计算法对实时测量数据进行在线融合估计,只对当前采样时刻的测量数据进行自适应加权融合,而各传感器的加权因子则通过传感器的测量数据进行方差在线学习估计以自适应方式进行调整,使融合结果的均方误差始终最小,实现两种传感器在功能上的互补;实验结果表明,该方法提高了整体测距精度,得到了被测距离更加准确的估计.     

基于参数估计的数据融合算法研究

研究了有关分批估计、自适应加权和方差估计算法在多传感器数据融合中的有效性、准确度和实时性。通过实例在对几种算法进行仿真比较的基础上,说明了上述几种算法的有效性及其融合精度的差异,其结果表明:按测量方差值并采用自适应加权算法的融合效果最佳,有效地提高了融合精度,对考虑了环境噪声的多传感器数据采集系统较为适合。     

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。     

基于改进自适应加权的多传感器融合监测

针对加注系统多传感器测量数据融合,为满足融合的可靠性与准确性需求,提出了一种改进的自适应加权融合算法。加权融合算法的关键是如何准确判定测量数据权重值,在总结分析当前权重值判定方法优缺点的基础上,将证据理论中的修正证据距离引入测量数据间距离计算,生成融合权重值,完成传感器数据融合。通过一般算例与加注系统典型算例,对所提融合算法进行验证,结果表明算法融合效果较好、鲁棒性强,具有一定的理论意义和较好的工程实用价值。     

基于支持度和自适应加权的MEMS陀螺信息融合算法

针对MEMS陀螺阵列进行信息融合可以大幅提高其测量精度和可靠性,而传统信息融合算法大部分依赖于观测信息的先验知识而受到应用上的限制。在不依赖于先验知识的基于支持度的融合算法的基础上,提出一种新的加权系数构造方法,利用自适应加权法的思想改变各个传感器观测值方差对权系数的影响程度,既保证了阵列输出结果的可靠性,又能使融合后得到目标参数的总方差最小;而且自适应加权算法中,对各个传感器方差的计算考虑到环境因素等带来的噪声,与各传感器方差的真实值更加接近。实验结果表明,本文提出的融合算法优于传统的平均值估计融合算法和支持度融合算法。     

一种自适应二次数据融合算法

针对多传感器测量数据,基于最小均方加权方法,提出了自适应计算各传感器测量方差的方法,并推导出了递推公式。结合灰色系统理论的绝对关联度定义,提出了基于自适应方法的二次数据融合算法,并给出了算法框图。最后,通过仿真计算验证了该算法的有效性。     

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。     

广义系统信息融合稳态与自校正满阶Kalman滤波器

基于线性最小方差标量加权融合算法和射影理论,对带多个传感器和带相关噪声的广义系统,提出了分布式标量加权融合稳态满阶Kalman滤波器.推得了任两个传感器子系统之间的稳态满阶滤波误差互协方差阵,其解可任选初值离线迭代计算.所提出的稳态融合滤波器避免了每时刻计算协方差阵和融合权重,减小了在线计算负担.当系统含有未知模型参数时,基于递推增广最小二乘算法和标量加权融合算法,提出了一种两段融合自校正状态滤波器.其中第1段融合获得未知参数的融合估计;第2段融合获得分布式自校正融合状态滤波器.与局部估计和加权平均融合估计相比,所提出的标量加权融合参数估计和自校正状态估计都具有更高的精度.仿真研究验证了其有效性.     

加权多分辨率图像融合的快速算法

快速、可靠的融合算法是图像融合技术实用化的关键,因此具有良好融合效果的快速融合算法的研究显得尤为重要。传统的加权多分辨率图像融合方法能够产生良好的融合效果,但是其计算复杂度却不能令人满意,为了降低算法的复杂度,基于定义的相关信号强度比,提出了一种加权多分辨率图像融合的快速算法。同传统加权多分辨率图像融合方法相比,算法具有较低的计算复杂度。实验结果表明,该算法同传统加权多分辨率图像融合方法一样,能够产生良好的融合效果。     

快速对角阵权系数协方差交叉融合容积卡尔曼滤波器

针对互协方差信息未知的多传感器系统,本文提出了一种快速对角阵权系数协方差交叉融合算法(FDCI).本文首先提出了一种对角阵权系数协方差交叉融合(DCI)方案,并证明了所提出DCI算法在融合估计精度上高于经典批处理CI融合(BCI)算法.在此基础之上,针对非线性等复杂的互协方差未知的多传感器系统,提出FDCI算法,并证明了所提出FDCI算法的无偏性及鲁棒精度. FDCI融合算法虽然在融合估计精度上低于DCI,但FDCI无需进行多权系数的非线性代价函数的优化问题,进而大大降低了计算负担,提高了系统的实时性.最后,结合容积卡尔曼滤波算法(CKF)提出了快速对角阵权系数协方差交叉融合容积卡尔曼滤波算法.仿真实例验证了所提出算法的正确性和有效性.     

加权观测融合非线性无迹卡尔曼滤波算法

针对非线性系统的无迹卡尔曼滤波器(UKF),应用加权最小二乘(WLS)法,提出了加权观测融合UKF滤波算法.证明了加权观测融合UKF滤波算法与集中式观测融合UKF滤波算法在数值上的完全等价性,因而具有全局最优性.一个带两传感器非线性系统的仿真例子说明了两种融合算法的有效性及等价性.     

基于多模型航迹质量的融合算法

如何确定最优加权因子是加权航迹融合算法中一个值得深入研究的问题。通过提出多模型航迹质量(Track Quality with Multiple Model, TQMM)的概念,并给出一种带信息反馈的加权航迹融合算法,来解决多传感器跟踪同一目标时的权值最优分配问题。系统引入反馈机制,利用多模型航迹质量确定权值,能够精确地更新权值,从而实时有效地进行目标跟踪。仿真结果表明,与已有的加权融合算法相比,该算法具有更好的跟踪性能,特别是在融合系统传感器观测精度相差较大的情况下,算法的跟踪效果更为突出;并且,随着传感器数目的增加,系统的跟踪精度逐步提高,但当传感器增加到一定数目时,系统的融合精度并没有得到明显的改善。     

脑电信号多维特征融合与分类算法研究

针对目前运动想象脑电信号特征提取单一,分类识别准确率低等现象,结合卷积神经网络分类器,提出了一种多维度特征加权融合的特征融合算法来提高运动想象脑电识别率。对预处理后的脑电信号进行小波包变换,提取其共空间特征、能量特征、边际谱熵特征以及非线性动力学特征,然后加权融合,使用卷积神经网络分类器分类。为验证算法的合理性,使用BCI-IV Dataset 2a数据集对提出的特征融合算法进行验证分析,结果表明,所提出的加权特征融合算法结合CNN分类器可以有效提高运动想象识别准确率。实验中,9位志愿者平均分类准确率达到75.88%,平均Kappa系数为0.70。     

多模型多传感器信息融合Kalman平滑器

基于标量加权的线性最小方差最优信息融合算法,对多模型多传感器离散线性随机系统,给出了一种分布式标量加权信息融合固定滞后Kalman平滑器.它只需计算加权标量系数,可减小在融合中心的计算负担.当各子系统存在稳态滤波时,又给出了标量加权信息融合稳态平滑器,它计算量小,便于实时应用.并给出了两个子系统之间的平滑误差互协方差阵的计算公式.仿真例子验证了其有效性.