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。     

组合导航系统稳健加权融合法在单点定位中应用

针对测量值误差函数符合污染分布的情况,利用M估计的抗差特性估计未知参数并计算各传感器污染分布统计特性,应用其分配权值进行融合.通过仿真分析证明该法在模型及算法选择上均具有优越性,且有较高的精确性和稳健性.     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

多传感器稳健加权融合算法研究

针对测量值误差函数不完全符合正态分布的一类问题,提出一种利用M估计的抗差特性估计未知参数,并利用各传感器不确定度分配权值进行融合的加权算法。通过仿真分析证明:该算法在系统模型不确定或信号受干扰时估计效果明显,更接近真实值。     

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.     

多传感器测量中的方差估计

在多传感器加权融合算法中，各传感器的权值仅由传感器的测量方差决定。假设各传感器噪声为平稳过程且相互独立，本文提出了待测状态未知且时变情况下．多传感器测量方差的估计算法，并讨论了估计方差的统计特性，证明了估计的无偏性。针对工程中环境噪声的变化，进一步提出了加窗方差估计方法，并给出了窗口宽度和估计精度的关系．使算法能有效地跟踪环境噪声的变化。该算法无需设置依赖于环境的初始值，并给出了递推公式．使其可用于对多传感器测量方差的实时自适应估计。仿真结果直观地说明了估计方法的有效性。     

不等精度数据融合的最优权值与参数估计方法

对测量数据进行融合处理是提高数据处理精度的一个十分有效的方法。本文使用引入加权因子的方法,对不等精度测量数据融合处理的最优加权与参数估计的问题进行了研究。对于线性回归模型,从理论上证明了,最优融合权值由数据的精度唯一确定,这与经典的Gauss-Markov定理是一致的;对于非线性回归模型,在理论上获得了最优融合权值的计算方法,给出了实际数据融合处理的最优权值与参数估计算法,并且证明了非线性模型的不等精度数据融合的最优权值,不但与数据本身精度相关联,而且与模型的结构、模型的导数相关联,则在此时经典Gauss-Markov定理不再成立。通过算例进行对比验证,证明了所提方法的有效性。     

加权数据融合方法在多声道超声波流量计测量中的应用

针对多声道超声波流量计在流体流速测量时由于单个或多个换能器不能正常工作而导致测量存在误差的问题。提出在多传感器数据融合理论的基础上对其进行改进,使其适用于多声道超声波流量计的数据融合计算,同时改进后的最优加权数据融合方法能够在每次测量后自适应的计算最优权重系数。通过实验表明当流量计各声道均能正常工作时,该方法与Gauss-Jacobi积分法计算得到的流速值基本一致,当流量计单个声道不能正常工作时,应用该方法可以得到比Gauss-Jacobi积分法更加稳定的流速值,能够减小测量误差对计算结果的影响。     

自适应窗长方差估计在多传感器数据融合中的应用

针对多传感器数据融合中,恒窗长方差估计算法对噪声变化跟踪能力不强的缺点,提出了一种根据噪声变化自适应调整窗长的方差估计算法。给出了对方差估计曲线突变段的寻找方式以及自适应窗长的选择策略。该算法能灵敏的跟踪传感器测量噪声的突变,同时不依赖于初始窗长的设定,能自动收敛到适合的窗长模式。仿真结果说明了该算法在多传感器数据融合中的有效性。     

基于伪测量的分布式最优单步延迟航迹融合估计

融合中心如何处理无序局部数据,对分布式多传感器系统的运行品质至关重要．本文将系统中的局部估计转化为伪测量,将分布式融合估计转化为二级集中式融合估计．将所得的伪测量兼分布式融合估计算法与单步延迟的无序测量数据（out-of-sequencemeasurements,OOSM）最优滤波-A1算法进行组合,得出了分布式多传感器系统的最优单步延迟无序航迹（out-of-sequence tacks,OOST）估计算法,适用于航迹无序局部数据融合估计．该算法具有最优估计性能．     

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。     

香农熵加权稀疏表示图像融合方法研究

针对传统稀疏表示同步超分图像融合模型中对于 LL （Low-low frequency）、LH （Low-high frequency）、H （High frequency）三部分等比例加权,不能突出重点信息之不足,本文提出一种香农熵多视角加权稀疏表示同步超分图像融合方法. 该方法引入香农熵加权技术,针对 LL、LH、H三部分根据图像特征进行自适应加权,突出重点频率段的影响,从而提高了图像融合的效果. 在多组不同类型图像上进行了实验,实验结果表明所提方法无论从融合视觉效果还是评价指标上均显示出有效性.     

捷联惯组验前分布随机加权分散融合估计

在小子样理论中,验前分布的获取与表示是一个关键问题.获取验前分布必须利用各种验前信息,而这些信息是在不同实验条件下得到的,针对同一对象可能获取多种验前信息,如何合理地利用这些验前信息给出验前分布,这样就出现了多源验前信息融合的问题.针对捷联惯性测量组合(捷联惯组)历次测试数据验前分布的获取问题,讨论了在异总体情况下,多种验前信息的融合问题.提出了通过随机加权分散融合法来实现多种异源信息融合,获取捷联惯组历次测试数据验前分布,从而减小了小样本情况下的统计分析误差.通过实例检验取得了良好的效果.     

区域特征动态加权的IHS小波遥感图像融合

研究传统的IHS变换、小波变换和两者结合的图像融合方法,提出一种区域多元特征动态加权的IHS小波遥感图像融合算法。结合IHS变换和小波变换的优点,对匹配后的新全色分量和IHS变换后多光谱图像的亮度分量,采用多元特征动态加权法进行小波融合。实验结果表明,与传统融合算法相比,该算法在空间细节增强和光谱信息保持方面性能较优。     

数据融合方法在单传感器系统中的应用

为了提高数据处理的精度,提出了一种适用于单传感器系统的数据融合方法。该方法先将来自单传感器的n个样本观测值细分成k组,并把各细分组所对应的样本均值假想为来自k个不同传感器的样本观测值,借助于极大似然函数估计法导出数据融合公式。基于该融合公式,证明了在单传感器系统中,当样本观测值一定时,分组数据融合的估计效果优于单组算术平均的估计效果;若再细分原有的分组,则细分后的融合估计效果优于细分前的融合估计效果。实例的数据分析验证了结论的正确性。     

基于多传感器数据融合啤酒发酵温度监控系统

在啤酒发酵过程中,温度是一个重要的影响因素,采用单一传感器测量啤酒的发酵温度存在误差大,有较大的不确定性等I采用多传感器测量,弥补了单一传感器带来的缺陷;利用计算机强大的数值计算和信息处理能力,通过对失效数据的剔除和应用自适应加权数据融合技术对有效数据进行融合,提高了测温系统的精度和温度测量的可靠性,建立了模糊控制器的模型;实际应用表明,系统测温准确、可靠。     

A Framework for Globally Optimal State Estimation for Systems with Unknown Inputs (II): Untrammeled Approach

In this paper, a globally optimal state estimation, in light of unbiased minimum‐variance filtering over all linear unbiased estimators, is addressed. This paper is the second part of a comprehensive extension of original work by Hsieh, with the main aim being to develop an untrammeled filtering framework that does not need any transformations for global unbiased minimum‐variance state estimation (GUMVSE) for systems with unknown inputs that affect both the system and the output. The main contributions of this paper are: (i) a more general derivation of the globally optimal state estimator (GOSE) for the GUMVSE is presented; (ii) a more direct proof, verifying the global optimality of the GOSE by finding the global minimum of the trace of the estimation error covariance, is constructed; and (iii) an application of the proposed result to re‐derive a specific transformation‐based GOSE, i.e., the recursive optimal filter proposed by Cheng et al., is illustrated. The relationship with previously proposed results is also addressed. A simulation example is given to illustrate the usefulness of the proposed results. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

多传感器分布式区间估计融合

考虑了对未知参数θ的多传感器分布式区间估计融合问题. 建立了一种最优区间估计融合模型———凸线性组合融合, 并给出搜索最优权系数的Gauss Seidel迭代算法, 另外, 给出了一种近似的区间估计融合, 它能减少大量的计算量, 并且在某些情况下可以达到最优的估计性能. 最后采用计算机数值模拟, 用以上方法得到的融合区间估计均优于每个传感器的区间估计的性能.