基于NB-loT环境监测的多传感器数据融合技术

为了有效的对环境质量进行综合评价,结合窄带物联网(NO-loT)技术和传感器技术构建的环境监测系统,对采集的温度、湿度、甲醛、粉尘(PM2.5)和总挥发有机化合物(TVOC)等环境因素进行多传感器数据融合研究,采用两级并联型融合方式对环境质量进行评价,融合前对采集的数据进行中值滤波剔除因外界干扰产生的异常数据。其次利用卡尔曼滤波算法对多组同类传感器数据融合,得到最佳的同类传感器值。最后运用模糊综合评价法将上一级融合后的各异类传感器进行决策层融合,其中的权重值由熵值法确定,隶属度函数采用高斯型,运用上述算法分别对不同环境场景进行测试。仿真结果表明通过多传感器数据融合能够获取更加丰富且有效的环境信息,消除单因子传感器对环境质量评价的简单性和局限性,提高整体 环境质量评价的可靠性与准确性。     

多传感器信息融合的自动驾驶车辆定位与速度估计

针对大学生无人驾驶方程式(FSAC)于地图内高精定位以及速度观测的问题,设计基于多传感器信息融合的状态估计算法,并应用于自研实车平台。算法基于迭代扩展卡尔曼滤波(iEKF) 进行设计,融合多类传感器,包括惯性测量单元 (IMU)、转角及轮速编码器、全球卫星定位(GPS)、相机与激光雷达(Lidar)。首先,利用IMU预测车辆先验状态,然后,建立并联融合架构,对各类传感器数据进行不同的信息处理,用于更新先验状态,由于并联融合的架构,不同传感器可独立地维护车辆的状态观测。实验结果表明,所提出的算法对地图内定位、速度观测有较好的精度,且具有足够的冗余性和实时性。     

考虑目标捕获率和能量限制的无线传感器网络管理

究目标跟踪背景下的无线传感器网络管理问题,在保证目标跟踪需求的情况下减小能耗, 首先对集中式无线传感器网络结构和目标跟踪任务中传感器网络的工作过程进行了介绍,其次介绍了以多交互滤波方法为基础的机动目标跟踪理论,接着建立同时考虑传感器能耗节省和目标捕获概率的传感器调度模型,继而提出基于Logistic混沌序列和Boltzmann选择策略的改进布谷鸟算法用于求解最优传感器调度方案。最后通过仿真证明了本文模型和算法的有效性。     

基于HSI空间伪彩色异构多传感器图像融合仿真

文章从人的视觉系统出发提出一种新的基于HSI空间伪彩色异类多传感器图像融合方法,可以用于解决异构多传感器的图像融合问题,在HIS色彩空间可以大大简化图像分析和处理的工作量。图像融合仿真实验充分验证了该方法可以帮助在人眼和机器识别下克服了由RGB 空间伪彩色法造成的融合图像分辨率的下降,同时保留了异类传感器的完整信息,仿真实例证明该算法得到的融合图像的灰度图像其空间分辨率,该算法利于人眼的判读和机器的识别,具有较大的应用价值。     

多目标多传感器数据融合轨迹追踪的建模与仿真

利用卡尔曼滤波(KF)和交互多模型(IMM)滤波进行传感器多目标测量的建模,在多目标轨迹跟踪中利用JPDAF和神经网络融合算法.轨迹联合和数据融合用于融合轨迹数据时假设,2只传感器追踪单目标到3只传感器追踪3个目标,在此基础上评估了多个散布式传感器对于单目标、双目标和多目标的测量效能.对于不同滤波器的性能进行了比较,并得到轨迹融合可以很好地逼近真实轨线,优于其他任何传感器目标测量方法.     

目标识别中多传感器信息融合算法比较

近年来多传感器信息融合技术在目标识别领域得到了大量研究和快速发展. 介绍了多传感器信息融合目标识别的基本原理及其系统结构, 重点阐述了目标识别中的多传感器信息融合算法, 并对识别效果进行比较, 最后指出了该领域今后的发展趋势.     

不同维状态的多传感器航迹融合􀀂

在多传感器环境下,多个传感器在同一区域观测目标,各传感器可能采用不同的目标模型处理各自的测量数据,形成各自的目标航迹送到融合中心.当多个传感器观测到同一目标时,融合中心则需要对源于同一目标的传感器航迹进行融合处理.通过建立状态之间的映射,提出了不同跟踪模型下的输出目标估计状态之间的融合算法.仿真试验表明了算法的有效.     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多传感器数据融合消除非目标参量对传感器输出的影响是可行的.     

基于目标识别的光电多传感器信息融合技术

依靠多个光电传感器采集目标数据,需要解决各类数据信息的融合分析问题。基于这种认识,从特征提取、融合和识别等方面,对基于目标识别的光电多传感器信息融合技术展开分析,介绍了技术应用前景,指出需要采用不同算法完成不同光电传感器特征信号提取,同时,通过融合计算得到融合特征量,为目标识别提供信息数据支撑,确保准确识别目标。     

多传感器数据融合的通讯复杂性问题

通讯复杂性理论是一个计算抽象模型,它关心的是系统内部之间的数据通讯量的大小。多传感器数据融合是指多个传感器跟踪多个目标,是一种多层次的、多方面的处理过程,这个过程是对多源数据进行检测、结合、相关、估计和组合以达到精确跟踪不同目标的目的。该文把复杂性秩理论应用到多传感器融合,以获得多传感器之间数据融合所需的最小的通讯条件。     

传感技术中网络安全问题

传感技术中网络安全问题是由传感器获取的信息或图象通过计算机网络传输时产生的 ,以保证网上获取信息的安全、可靠。主要论述采用口令、数据加密、防火墙、数字签名、网络安全管理技术。     

多传感器信息融合概述及其应用

多传感器数据融合广泛应用于自动目标识别、工业过程控制、遥感、医疗诊断、图像处理、模式识别等领域。介绍了多传感器信息融合技术的概念,对信息融合的算法进行了概述,提出了基于粗糙集理论的多源信息融合算法,最后对多传感器融合技术的研究动向进行了展望。     

基于加权证据理论的模糊信息融合目标识别

在异类多传感器信息融合目标识别中,不同传感器对系统提供的证据等级不同。为此,提出一种模糊信息融合目标识别方法。将各证据按证据权进行转化,用Dempster-Shafer(D-S)证据理论进行合成,利用模糊数学模型对传感器测量值和数据库中的数据进行建模,根据证据距离得到各证据的相互支持度,进而获得传感器对系统提供信息量的权重。分析结果表明,该方法具有较高的精度和可靠性。     

最小二乘法在高精度温度测量中的应用

通过硬件电路对A级工业铂电阻Pt10 0温度传感器的非线性进行改善 ,在此基础上利用最小二乘法 ,给出了一个测温的多项式。从而很好地解决了铂热电阻不平衡电桥测温中的非线性误差。在设计的粘度计中用此方法作为测温部分收到了良好效果     

水声信号处理中的多传感器数据融合

水下环境的复杂性往往使得单个传感器的可靠性降低,而多个水下传感器的共同使用则成为一个趋势,这就涉及到对于来自多个传感器的数据进行多方面、多层次的融合处理。概括和分析了当前多传感器数据融合技术在水声信号处理领域中的应用现状,并将诸多的融合方法按照具体应用范畴进行了分类,主要包括水下目标探测、跟踪和识别,以及水下自制机车导航等方面,对每种应用情况下的各种数据融合方法进行了比较。     

多测点智能温度传感器设计

针对广泛应用的温度检测,设计了一种多测点智能温度传感器。该智能温度传感器将多个常规温度传感元件、信号调理电路、带数字总线接口的微处理器连接起来,利用三维单片智能传感器结构集成在一块硅基片上,实现了三维集成多层结构。同时智能温度传感器利用信号幅度、变化趋势、多测点冗余故障判决和传感信息融合方法,在实现传感故障诊断的同时提高检测准确度。     

TM与ETM影像融合用于地质构造解译

多源遥感影像数据融合是一种通过高级影像处理技术来复合多源遥感影像的技术，其目的是将单一传感器的多波段信息和不同传感器提供的信息加以综合，以提高获取信息的有效性和准确性，解译的可靠性，以及形成对目标的完整一致的描述。本采用TM与ETM经图像处理和融合，用于对地质构造解译，取得良好效果。     

基于模糊神经网络和D—S推理的智能特征信息融合研究

给出了一种新的分布式多传感器智能特征信息融合系统结构，利用模糊神经网络技术把环境信息和专家语言信息引入融合系统，提出了一种新的智能特征信息融合算法。     

异源、同源传感器影像融合的比较研究

遥感影像的融合是遥感界的一个研究热点。根据数据源的不同,影像融合可分为异源传感器影像融合和同源传感器影像融合。以TM与SPOT作为异源影像融合的例子,以IKONOS的MS与Pan作为同源影像融合的例子,用5种算法对两种融合类型进行实验与比较。结果表明,同源传感器影像的融合效果好于异源传感器影像的融合效果;不同的融合算法在异源和同源传感器影像融合中的表现不尽相同。SVR变换可同时应用于异源及同源传感器影像的融合,且在提高影像空间分辨率、信息量和清晰度的同时能很好地保持原始多光谱影像的光谱特征。SFIM虽然也可以在两种数据源的融合实验中获得较好的融合效果,但其高频信息融入度最差。MB虽然提高了融合影像的高频信息融入程度,但光谱保真度、信息量和清晰度却不理想。Ehlers适用于异源传感器影像间的融合,而WT则适用于同源传感器影像的融合。     

On exploiting ‘negative’ sensor evidence for target tracking and sensor data fusion

In various applications of target tracking and sensor data fusion all available information related to the sensor systems used and the underlying scenario should be exploited for improving the tracking/fusion results. Besides the individual sensor measurements themselves, this in particular includes the use of more refined models for describing the sensor performance. By incorporating this type of background information into the processing chain, it is possible to exploit ‘negative’ sensor evidence. The notion of ‘negative’ sensor evidence covers the conclusions to be drawn from expected but actually missing sensor measurements for improving the position or velocity estimates of targets under track. Even a failed attempt to detect a target is a useful sensor output, which can be exploited by appropriate sensor models providing background information. The basic idea is illustrated by selected examples taken from more advanced tracking and sensor data fusion applications such as group target tracking, tracking with agile beam radar, ground moving target tracking, or tracking under jamming conditions.